多维规则决策策略的搭建与实操

作为一个风控策略从业者，在做风险管理的过程中一直都在做的是，不断的挖掘有效的变量特征来填充风控决策引擎，使决策引擎的功效变大变强，最终形成一套可变的稳定护盾。多数情况下我们都在单一变量维度判定风险：

如某变量X10,其代表的含义为：贷前申请信用风险评分(某第三方数据)，根据此评估类的指标，我们列出其好坏客群分布情况：
​

在以上的综合指标中，我们观察到在（486.855,501.5]这一组别中，其bad_rate(坏账率)、iv(指标显著性)等都明显跟其他组别有差异，于是在第一条的单维核验类规则中，我们制定如下规则：
Rule：贷前申请信用风险评分<=501，标签为：拒绝
以上的方法我们称之为单维度标签分布法，这个也是我们在之前的文章给大家讲解过的，可以参考：
→_→风控策略的开发与场景应用
​

以上特征虽然属于连续型特征，同样在评估类型的离散型特征中，如该离散型特征X02为：近1年信贷违约账户数，也一样可以按照上述思路画出相关的客群分布数据，从而得到新一条的规则rule：
​

但用单一变量维度判定风险也会存在相关的缺陷，这个缺陷就是有些单薄和缺少支撑。单一的变量特征即使有很强的区分度，但工作中需要多个分箱的时候单一特征就会显得力不从心。
比如：一条规则“手机设备指纹关联手机号码个数”，业务过程中规则值分布是:
1（对应坏账2%）
2（对应坏账15%）
3（对应坏账25%）
虽然这条规则很有效，当我们需要将变量更细致分箱时，因为规则值不可变也就无法去切分超多3个的箱体，怎样才能将有限的单一变量可以分布到多个箱体进行划分客群呢？
还有另外一个问题就是虽然规则值为2和3的逾期率很高，但是坏账是有概率的15%和25%的坏账率中也是有很大一部分好客户的，这部分好客户我们如何挽损？
我相信有人会想到评分卡模型，可评分卡模型是怎么将这部分好客户区分出来的呢？
更多详细内容，有兴趣的童鞋可关注：
​

…

~原创文章