风控上模型中的大小卡、主路旁路的应用

整个风控流程中，从策略布控到模型部署，这一链条的决策流程中模型始终扮演着重要作用。无论是传统评分卡，还是机器学习评分卡，不同的评分模型，其开发流程大同小异，业务定义有所差别，其中最重要的三张评分卡，分别是：
A卡（Application score card）申请评分卡
B卡（Behavior score card）行为评分
C卡（Collection score card）催收评分卡
这三张卡其评分机制的区别在于：
1.使用的时间不同。分别侧重贷前、贷中、贷后；
2.数据要求不同：A卡一般可做贷款0-1年的信用分析；B卡则是在申请人有了一定行为后，有了较大数据进行的分析，一般为3-5年；C卡则对数据要求更大，需加入催收后客户反应等属性数据；
3.每种评分卡的模型会不一样。在A卡中常用的有逻辑回归，AHP等，而在后面两种卡中，常使用多因素逻辑回归，精度等方面更好。但评分卡开发完毕，从来不是可以一劳永逸的事情，因为模型后续的监控工作也将持续布防。
与之相关的各种模型监管报表也将同步上线，具体请参考如下：

监控报表是最基础的报表，但有了这些最基础的监控报表就足够了么？答案肯定是否定的，主卡只是一张最基本的信用模型评分卡，随着开发上线，时间的流转。评分卡效用会越来越差，效能也越来越弱，模型的区分能力也越来越低。最常用的就是ks值的衰减。
常规上，当数据指标衰减到一定阈值后，我们并不会直接就废弃旧卡。取而代之的，我们会上线一路分支评分卡，与之相关的各路分支卡也会相继出现，具体请看本文剖析：

一.大A卡与小A卡
评分A卡，一般用来给客户开发量化信用风险使用，对于一些公司的产品。互金中模型的ks值，达到多少能上线？银行端的朋友可能会告知你，ks值没有到0.3不好意思拿出来上线。互金端的同学，可以会直接告知你，oot上的模型在0.1以上就能上线~
鉴于模型效用越来一直做迭代优化，但在实际中，我们却不会一开始就马上迭代一个新的评分卡，取而代之的是，我们再开发一个小A卡。

这里的小A卡，可以理解为通常情况所说的支路评分模型，我们会引入各种非征信相关的变量。如常见的各种互联网设备变量等数据。
通常通过大A卡，我们开发出来的模型可以在某个MOB值就趋于稳定：

但小A卡却不完成呈现，这样的数据情况，特别是一些短期产品，在做这一类的评分卡开发时，更会存在末端翘尾的情况：

平常我们所用的大小A卡，可以是xgb+lr的融合评分卡，也可以是老客新客、增量客户与存量客户互补的评分模型。

二.大B卡与小B卡:
如果说大小A卡是为了能在信贷中，进一步筛选好坏客人的精准度。那么贷中评分大小B卡，更可以给客群提降额、或者做捞回客户处理。
本次案例中，我们将客户不同时间开发的贷中评分卡，进行二维矩阵交叉分析。
其中模型大B卡为通用的评分卡，这一评分卡可以是准入进件的评分卡，类似A卡，更可以是常规上的贷中评分卡。而随时间的流转，可以发现，贷中评分大B卡的客户效果越来越差，于是我们根据目前的开发环境再次引入大额现金评分B卡。
(注：大额现金评分B卡，是本次开发场景中现金额度更大的细分业务)

优化好的白名单策略较之前的策略能有多少的风险提升度呢？在上述分析中，我们可以得到四种情况，也即四种不同策略的交集，分别对应着上述图表中的白色、黄色、灰色与红色。
a.新老白名单策略均置入（白色）
b.新白名单策略置出，老白名单策略置入（灰色）
c.新白名单策略 置入，老白名单策略置出（黄色）
d.新老白名单策略均置出（红色）
最终我们将得到二维的风险矩阵如图：

有了这个风险名单如何去判断新老白名单策略所筛出的客群的风险情况？我们对比新白名单策略与老白名单策略的筛出来的客群的逾期情况，综合上表，将进一步得到下述结论：
在老白名单策略中，我们可以看到其客群的筛出来的不良率为0.72%

而在新白名单策略中，筛出来的客群的不良为0.56%，较老白名单降低0.14%个百分点。

与此同时，在对客群的准入量上，新白名单数量在980万，也较之前的老名单增加了一百多万的客群。 此次优化的的新白名单策略在这两个不良率与客群数量上，效果就非常好。

三.大C卡与小C卡:
贷后模型有三个派别，分别是：
a.滚动率模型
b.催回率模型
c.失联模型
催收评模型中的滚动率模型，是在贷后评分场景中最常用的一个场景。欺诈贷后的模型，我们会开发轻度逾期到重度逾期的模型，也有预测从正常到逾期的模型。
随着业务的深入，模型的迭代，单个模型在催收业务上需要进一步精准定位。于是多个模型的叠加来矫正模型的精度就显得特别重要，于是在催收模型上，我们做了如下优化，大C与小C卡交叉使用：
大C卡开发背景是：M0滚动到dpd10+；

小C卡开发的背景是：M0滚动到M1。这两个模型互相交叉，并且以催回率再作为分层的判断指标。

在上方图表中，模型等级一共分成8个等级。
催回率的每个指标的等级划分都以区间进行展示，如图中右侧区间图即为具体分层内容。虽然最后分层的结果跟单独的一个模型开发的内容稍有些不同，但客群的分层依旧是阶梯状分布。

二维矩阵的应用是基于两个评分模型的基础上叠加应用的。为什么在贷后模块中，需要将两个模型进行交叉分析。
因为贷后模块开发催收评分卡，模型的目标变量的定义较为灵活。比如在预测好客户变成坏客户的过程中，定义为坏的程度就较为灵活。

一家金融公司里做的产品如果都是短期产品，M1之后如果都是通过委外催收，那对逾期状态的时效性要求就非常高。在实际的定义场景中，dpd1+或许就是其坏客户的定义。而对于某些长账龄的产品，M1或许才被标记为坏。从严谨的角度出发，交互模型也会更稳定些。
以上参考资料：
1.陈老师授课的《催收评分卡全流程开发》
2.Terry老师的《额度策略矩阵，贷中的调额策略如何开发？》
3.番茄风控《智能风控全线条训练营》

~原创文章
…
end