不说讲段子的风控不是一个好的写手~新年伊始,楼下的保安换了个新大叔,见人就说三个富有哲学的提问:
你是谁?
从哪来?
到哪去?
这三个哲学问题,也一直在困扰着中年的我。基于此启发,我也觉得风控策略中几个高频问题经常会被Q到。今天就结合番茄风控历史的文章,整合了番茄风控以往的文章,希望能帮助各位年后跳槽的风控同行(年后了,各位风控童鞋估计都在蠢蠢欲动)。
这几个高频问题是:
一.风控冷启动如何实操?
二.策略cut-off怎么把控?
三.如何进行策略调优
本文输出相关的内容,不是理论的讲解,更多的是我们将其转化为具体的可实操案例,因为相信只有理解了案例的逻辑。无论面试官怎么变着法子问,咋们都能回答,毕竟问题是死的,没人都一字不差地跟着本文的内容问一模一样的问题。
本文供大家参考,行文所到不严谨之处也请大家指出。以下为全文内容:
一.冷启动中的多规则中策略筛选
当客户命中多条规则的情况下,我们如何筛选合适的规则呢?(这种情况在很多规则中也非常常见,因为任何客户都存在命中多条规则的情况)
在具体的多条规则(同时上线2条及多条机审规则)中,归纳而言大概的规则的关系有以下三种:
-
并行关系:规则1+规则2=规则1+2
-
包涵关系:规则1包括规则2
-
交集关系:规则1跟规则2有交集
在以上的情况中,第1、第2中策略情况分析中,都较好落地,唯一较难把控的是第3种情况的交集情况,该如何选择具体的规则进行选择呢?以下我们详细阐述:
以某现金贷的规则为例,现在分别有F1、F2、F3这三条不同的规则,其对应的规则分别为:
F1:银行卡号码一致IMEI号码不一致
F2:证件号码一致IMEI号码不一致
F3:邮箱一致IMEI号码不一致
平常大家遇到的较为常见的问题为:
同时上线两条或者是多条的规则时候,规则一坏账率为70%,规则二坏账率为60%,当这两条规则同时上线的话,坏账会变成50%
(也即——>规则1坏账70%+规则2坏账60%=坏账50%,取了策略交集自然会缩窄指标)
这种多条规则同步冷启动的情况,具体应该选择哪条规则上线?
先给大家讲解这里多条规则所对应的筛选的结论,其中:
a.1A>2B>最大承受坏账,规则1+规则2都上线;
b.1A>最大承受坏账>2B,规则1上线;
c.2B>最大承受坏账>1A,规则2上线;
d.最大承受坏账> 1A>2B,满足规则1且满足规则2条件的用户衍生出规则3,规则上线。
(附:在上图中,刨除交叉的红色部分的规则1的剩余坏账率是1A,规则2的剩余坏账是2B)
在以上的逻辑计算:都是需要考虑1A和2B中(灰色部分)的好坏客户计情况,然后再计算规则一和规则二中是否有客群交叉了,然后分别计算交叉部分与未交叉的数据情况(坏账情况)。
为什么需要计算以上的内容:因为相交部分不一定全是坏人,也会有好人。综合计算之时,需要将把这部分剔除,综合计算的结果,需要结合cut off,最终来决定哪条策略最适合上线。
为了跟大家解释清楚以上的逻辑,以下通过一个实操具体演示。
实操演示
以某现金贷案例具体说明,在这里我们列出了F1与F2的规则的命中情况(F1与F2具体的规则情况上述已说明):
根据命中情况,列出F1分析数据结果:
与F3的数据结果:
同步,我们分析得到同步F2与F3的坏账情况,为:43.36%
所以在分析完以上的关系中后,可以了解F2命中的规则包括了F1的客群,其关系是这样的:
所以分析F2包括F1,F1是冗余规则,可以被替换下线的规则。
二.策略cut-off怎么把控
cut-off是用来衡量好坏客群的最简单的切分线。比如芝麻分钟700分以上的被定义为好客户,这部分人群就是金融机构互相争抢的优质客群,所以学会制动cut-off就显得非常重要了。以下我们来讲解用到外部三方数据或者模型评分来做cut-off的实操案例。
【案例分享】
通过率报表是风控人员日常最常用的报表之一,通过率可直接反馈现有业务情况、客群变化、规则异常等情况,以下为案例报表:
从案例报表可以观测通过率于10月17日开始存在异常波动情况,根据异常波动的日期寻找关联规则的拒绝率是否存在明显波动情况:
通过对规则拒绝率的分析数据可见存在单一规则拒绝率存在明显上涨情况,而这导致拒绝率上涨的规则正是三方信用分A<=600导致,于是我们需要着重针对此单一规则的cut-off进行分析。
Cut-off是啥?
|Cut-off是我们用来切分拒绝客群与准入客群的分割线。|
例如对于案例里的三方信用分规则,对应的是小于600分以下的客群申请统一拒绝。那600这个阈值是怎么定的?要是通过早期测试数据不充分时确定的阈值,那这个阈值合理吗?与现在业务匹配吗?如果积累到一定的数据量后,是否应该调高调整阈值呢?
想要解决以上问题,我们引入下钻分析法,本次我们采用对比历史数据与实际数据相结合测试的方法进行分析。
历史数据VS实际数据
历史有表现期的数据:选择已有表现期的历史数据进行测试,因为历史的数据可以确认实际客群的占比分布情况及逾期情况。历史的数据因为都不拒绝客群,所以每个分数段的逾期率都能实现监控。
实际数据:目前正在跑分的客群的数据情况,实际跑分的数据只有准入600分,所以实际逾期的数据中,600分以上的数据才有对应的逾期率,600分以下的没有实际的逾期率,因为600分以下全部被拒件了。
(本次报表预测逻辑:cut-off FPD30%=测试FPD30单量/实际单量)
在进行历史与实际数据对比分析后,分析可见:
实际申请订单存在分数区间下沉的情况(上图蓝色标记部分),可确认测试客群与实际客群存在差异:历史客群中601700分区间的客群数量占比最多,而实际客群中是501600分区间的客群数量占比占比最多。所以如果实际客群的cut-off卡在600的阈值时,会将大部分的客群拒之门外。
但能否就直接将cut-off的分数的档位直接下调到500分呢?
当然不能直接调。
为什么?因为这里还缺少哦一个关键分析因素,调整后万一逾期率又发生大规模逾期怎么办?于是我们仍需要对这部分的逾期的客群分析其逾期率。
根据实际客群情况对策略调整后的逾期情况进行预测,避免产生进一步风险。在以上数据中,预测结果可见cut-off阈值设定在501-600分段时,FPD30%亦较测试数据逾期结果时低,且为风险可承受范围,则可将三方信用分A的cut-off调整为500分及以下拒绝处理。
三.策略调优
策略如何调优,是风控中策略中必问问题。因为调优点很多,今天我们以贷后催收策略的调整为具体案例来讲一下整体思路。在具体的工作中,估计大家也经常会思考:客户为什么会逾期?是什么因素导致逾期?如何降低逾期率?
【案例分享】
1、发现问题:
实际工作中,逾期率报表是风控人员最常用的报表之一,以下分享报表为FPD30+%(首期逾期30天)的逾期率报表:
(本次报表计算逻辑:FPD30+%=首期逾期超过30天的逾期订单量/到期应还款总订单量)
问题所在:实际通过报表观察,于2020年11月17日单日的首逾30+已超过11月1日到11月16日(近15天内)的1.5倍以上,虽然11月18日有回降,但仍高于平均值,基于此数据表现,结合实际业务逻辑,如还款日为借款日的30天后,我们可以着手分析一个月前10月17日前后一周的客户申请数据样本,寻找原因。
(课外思考内容:为何本次分享选择首期逾期30+的数据,而不是选择其他逾期区间数据,请大家思考原因,后期将于课程分享中进行分享。)
2、寻找原因:
首期逾期率的波动会有很多原因,如:客群下沉、测试数据验证、批量欺诈客户申请、评分卡下沉等等原因均会有影响。
客群下沉:根据放款日当天(10月16日、10月17日)与前两周客群切片数据进行对比(10月1日-10月10日期间任意时间),寻找客群占比的变化;
测试数据验证:如确认黑名单验证等数据导致,则需将测试数据剔除后再进行逾期率计算,对比剔除后数据与剔除前是否有变化,剔除后是否接近均值;
批量欺诈客户申请:抽取放款日当天(10月16日、10月17日)客户申请信息,排查是否存在批量欺诈客户申请的情况;
评分卡下沉:分析此部分客群是否与建卡部分客群样本存在数据差异,从整体评分卡字段及逻辑进行分析;
以上原因从贷前业务逻辑而言已覆盖大部分可能出现的情况及场景,如确认均无异常数据,则可考虑贷后策略原因,造成逾期数据波动的贷后策略一般有以下原因:
a. 催回率的下降;
b.催收策略调整;
催收回收率是催收业务中较为重要的业务指标,首期逾期30+业务基本均有经过催收部门介入处理,我们可以根据逾期周期拆分为首逾10天、30天等不同逾期天数或催收阶段分析催回率的变化,具体定位哪个催收阶段存在异常情况,如下表:
(本次报表计算逻辑:催回率=首期逾期催回订单量/总逾期订单量)
从以上报表可以得知,11月17日、18日的首期逾期10天催回率明显较于11月16日前的催回率低,并且呈明显断层式下降,基于逾期数据的情况下再观察催收的回收情况,可见催收回收率明显下降,基本可以确定是催收异常。
从催收数据可见催回率7天数据波动不大变化,但10天波动变化较大,继而到30天数据波动变化较小,则可以考虑是否催收策略是否针对逾期十天的客户进行了调整;
根据催回率的表现,找出问题的方向为:
a、 催收系统问题;
b、 由于人力成本压力或其他压力,导致原本逾期十天由人工外呼催收,调整后均为人工智能外呼催收,导致催回率下降;
c、 失联率较高导致;
3、解决办法:
经对催收催回率的数据分析,我们可发现催收异常情况及整体催收策略调整的情况,可以提供以下解决方案:
a、确认是否催收系统问题,是否存在逾期数据不同步的情况,核对逾期明细订单,如存在明细差异则先以策略提取的数据进行催收,后续再同步排查/调整系统问题;
b、如存在催收策略调整沟通协调信息同步,并针对催收薄弱阶段加强反欺诈案件排查力度,降低欺诈可能;
c、如催收存在接电话接通率低、非本人申请、联系人无法联系等情况,则可加强贷前客户身份核实规则,如运营商实名认证、号码入网时长、号码有效性(最近几个月使用情况)、人脸识别分数调整等策略;
以上是常规的风险调整方案,另外还有以下方式可以借鉴参考,其他补充方案:
i、降额调整或提高费率调整,可降低风险敞口;
ii、提供辅助授信材料:银行流水、公积金/社保截图、芝麻信用分截图、信用报告等。
全文完~
~原创文章
…
end