線上小額信貸常見的風控場景從階段上可以劃分為貸前、貸中和貸后。實際風控實踐中可能還會有流量獲客等場景，本次分享未展開。

貸前風控是比較重要的一環(huán)，關(guān)注點包括：身份核驗、反欺詐風險評估、信用風險評估、額度和費率的匹配。

貸中管理是指在用戶放款之后，對借款人的信用風險進行跟蹤和管理的過程。具體場景包括復(fù)貸準入和存量用戶運營。復(fù)貸準入是指用戶已經(jīng)有借款記錄后再次支用的場景。存量用戶運營是指對已經(jīng)放款的借款人所做的維護或管理等一系列運營活動，比如對用戶風險的再次評估、信息更新，以及新產(chǎn)品的推廣促活等。

貸后管理是指在用戶貸款到期之后的管理，常見的場景包括還款管理、客訴風險管理、失聯(lián)預(yù)測。該環(huán)節(jié)偏向于線下的運營，模型或規(guī)則策略更多的是給運營同學提供一些輔助工具，不像貸前或貸中可以直接拿模型或規(guī)則來決策。

接下來具體介紹各階段場景下風控模型的搭建。

一、貸前風控

1、貸前風控的一般流程

在線上小額信貸的場景下，一個用戶從進件到最終放款，一般會經(jīng)歷這樣一些環(huán)節(jié)：

◆準入策略：用戶在進件之后可能會對其做一些準入策略，比如年齡或身份核驗、反欺詐規(guī)則(如黑名單或逾期）。

◆模型前規(guī)則：過了準入策略后，用戶會走到模型前的一些規(guī)則，這里一般會是一些無成本或低成本的規(guī)則。

◆授信模型：接著就會進到授信模型階段，這里授信模型可能包含一組模型。

◆模型后規(guī)則：授信模型通過之后的用戶可能會進到模型后規(guī)則，這些規(guī)則可能是相對較貴的規(guī)則，如征信數(shù)據(jù)。

最后給出用戶評級，如果這里是多模型決策，用戶評級可以通過決策矩陣給出。

這樣設(shè)計主要還是基于平衡成本的考慮，配置時大多會是內(nèi)部數(shù)據(jù)在前，外部數(shù)據(jù)在后，形成一個成本漏斗，即已經(jīng)被前面的規(guī)則或模型拒掉的一些用戶，就不會再走后面相對比較貴的規(guī)則了。

我們是怎樣部署這樣一套風控策略的？下圖給出了系統(tǒng)交互的過程：

數(shù)據(jù)接入模塊，包括外部和內(nèi)部數(shù)據(jù)的接入和存儲。

◆內(nèi)部數(shù)據(jù)一般會直接調(diào)用業(yè)務(wù)系統(tǒng)的數(shù)據(jù)接口去獲取。這里會有一個成本和穩(wěn)定性的折中：比如在調(diào)用復(fù)雜數(shù)據(jù)時，數(shù)據(jù)本身可能存在一些耗資源的長尾現(xiàn)象，但這種特征在實際決策中又會用到的話，我們就會在一定的可接受范圍內(nèi)去做一些操作以平衡成本和穩(wěn)定性，例如99. 99%的用戶都正常返回，對于另外的極少部分用戶可能做一個置空操作；

◆外部數(shù)據(jù)會調(diào)用三方的服務(wù)。這時會遇到的問題是接入三方數(shù)據(jù)的返回時長是否在業(yè)務(wù)可接受范圍，大部分三方數(shù)據(jù)返回都是比較快的，但也有一些數(shù)據(jù)返回慢一些，在這種情況下我們會在可接受程度內(nèi)作處理，比說只有0.01%的返回時長很長，那這部分用戶可能就直接做一些額外處理，比如置空等操作。如果業(yè)務(wù)上對這種缺失的容忍度極低的話，一種可能方案提前去調(diào)這個外部數(shù)據(jù)，這時就會涉及成本的平衡。

特征引擎從數(shù)據(jù)接入模塊獲取原始數(shù)據(jù)，特征引擎在貸前環(huán)節(jié)主要是用于實時特征計算(有些情況下也會有離線計算，比如貸超場景中應(yīng)用的特征，我們業(yè)務(wù)中以實時特征為主主要是基于特征覆蓋度的考慮)。特征引擎計算實時特征后，會對模型引擎輸出模型特征，對決策引擎輸出規(guī)則特征。

模型引擎主要是用來計算模型分，包括空跑模型和決策模型。二者的部署有一些差異，空跑模型可以部署為異步調(diào)用，決策模型因為涉及到成本漏斗(前文已提及)，需要同步調(diào)用。模型分最終會輸出到?jīng)Q策引擎。

決策引擎里可以配置決策流和規(guī)則集。規(guī)則集中可以包括單特征規(guī)則和模型應(yīng)用規(guī)則，在決策流里可以部署多個規(guī)則集。

流程圖中的幾個環(huán)節(jié)在業(yè)務(wù)系統(tǒng)中的部署方式：

◆準入策略：一部分是配置在決策引擎里的，還有一部分是在產(chǎn)品環(huán)節(jié)的，比如像 OCR 這些是耦合在產(chǎn)品流程里的。

◆模型前規(guī)則、模型后規(guī)則以及決策矩陣：是在決策引擎里部署的。

◆授信模型：在模型引擎里部署，然后把其中的決策模型分給到?jīng)Q策引擎

2、貸前常用的風控數(shù)據(jù)

貸前常用的風控數(shù)據(jù)包括內(nèi)部和外部數(shù)據(jù)兩類，不同機構(gòu)用的外部數(shù)據(jù)可能會各有側(cè)重，內(nèi)部數(shù)據(jù)這幾類大家通常都會用到：用戶基本信息、ID map數(shù)據(jù)、用戶行為數(shù)據(jù)、歷史借款數(shù)據(jù)、還有一些用戶授權(quán)的其他數(shù)據(jù)。所有內(nèi)部數(shù)據(jù)都是經(jīng)過用戶授權(quán)或用戶自填的。其中，其他授權(quán)數(shù)據(jù)包括設(shè)備指紋信息、聯(lián)系人信息、 GPS位置信息等。聯(lián)系人是用戶自填的緊急聯(lián)系人，并非通訊錄聯(lián)系人。

3、貸前風控常用數(shù)據(jù)的流轉(zhuǎn)過程

在貸前怎么應(yīng)用這些數(shù)據(jù)？下面是一個簡單的流轉(zhuǎn)過程，主要涉及模型引擎部分（其實在模型引擎給到?jīng)Q策引擎時也有一些數(shù)據(jù)流轉(zhuǎn)，圖中暫未涉及）。首先是在線數(shù)據(jù)的流轉(zhuǎn)過程，數(shù)據(jù)經(jīng)過線上的特征工廠或特征引擎實時計算，輸出特征給模型引擎用于計算模型分。這份數(shù)據(jù)也會定期導到線下一份用于離線特征回溯，構(gòu)建離線的模型，訓練完成之后會定期更新線上模型；離線數(shù)據(jù)在特征一致性監(jiān)控中也會使用。

4、貸前授信模型實時決策流程

數(shù)據(jù)獲取

首先是內(nèi)部和外部數(shù)據(jù)的獲取。

內(nèi)部數(shù)據(jù)數(shù)據(jù)獲取是由數(shù)據(jù)接入模塊來做的，它會調(diào)用業(yè)務(wù)系統(tǒng)提供的各種接口，拿到數(shù)據(jù)用于實時特征計算并將原始數(shù)據(jù)存儲下來用于后續(xù)離線特征使用。

外部數(shù)據(jù)也是數(shù)據(jù)接入模塊獲取的，只是調(diào)用的是外部服務(wù)接口，這里比較關(guān)鍵的是原始數(shù)據(jù)需要完整落表存儲，并且針對哪些情況下使用緩存、哪些情況下需要重新查詢數(shù)據(jù)需要有明確的規(guī)范。

特征計算

我們在貸前主要是用的實時特征，也就是說實時從接口獲取數(shù)據(jù)，然后計算特征，特征落庫并提供給模型引擎使用。這里遇到的主要問題是特征耗時，我們采取的優(yōu)化手段主要特征預(yù)計算或者融合計算。

預(yù)計算，主要是說提前計算，在業(yè)務(wù)系統(tǒng)里，有些數(shù)據(jù)是可以提前獲取到的。比如說用戶一進到授信的頁面可能就已經(jīng)授權(quán)獲取了設(shè)備指紋數(shù)據(jù)，但是實際到授信模型才用到這個數(shù)據(jù)，中間可能有幾秒的時間我們可以做特征預(yù)計算

融合計算，主要是針對比如“歷史所有XX次數(shù)”這種特征，數(shù)據(jù)量可能比較大、在計算耗時比較長的情況下，我們可以先算出來截止昨天24點的特征，然后實際授信中就只需要計算今天截止當前的新數(shù)據(jù)對應(yīng)特征，然后融合之后作為最終的特征來使用，不過這種方式實現(xiàn)起來比較復(fù)雜。

模型服務(wù)

基于特征輸出模型分或評級。跟特征計算相比，這里的耗時其實還好。目前我們系統(tǒng)里決策模型是同步的，陪跑是異步的，這個其實主要也是出于成本的考慮。

以上是貸前授信實時決策的流程，我們現(xiàn)在用的主要是實時特征，但其實在一些場景上也有離線批量衍生特征的情況，即特征離線批量算，但線上實時去取之前離算離線的結(jié)果。但這種場景在純新用戶上會完全是空的，所以我們目前應(yīng)用范圍不多，主要還是實時特征以及數(shù)據(jù)覆蓋度上的一些考慮；還有一個就是離線回溯系統(tǒng)的部署，我們在離線建模時是需要去離線跑這些特征用于離線建模的，內(nèi)部特征的回溯也是有穩(wěn)定性和成本的平衡，比較理想的肯定是搭建一整套的離線回溯系統(tǒng)，業(yè)務(wù)系統(tǒng)數(shù)據(jù)定期備份到這里用。但因為考慮到部署成本，實際在離線回溯時，一些數(shù)據(jù)還是直接去調(diào)業(yè)務(wù)接口，但會進行一些限速，并且做比較嚴格的監(jiān)控，這塊各家的部署應(yīng)該會有各家的特點。

5、貸前優(yōu)化的一些嘗試

針對貸前模型我們做了一些優(yōu)化嘗試，第一個優(yōu)化對系統(tǒng)的改動較大，后面兩個優(yōu)化主要是業(yè)務(wù)層面做的一些嘗試，系統(tǒng)上的改動并不算大。

優(yōu)化1：從單模型決策到區(qū)分數(shù)據(jù)源類型組合決策

最初我們是單模型決策的，可用的外部數(shù)據(jù)較少，后來隨著可用數(shù)據(jù)的增多，也有一些成本方面的考慮，逐漸區(qū)分數(shù)據(jù)源，搭建一些子模型組合決策。之后在數(shù)據(jù)合規(guī)的背景下，把內(nèi)部數(shù)據(jù)源和外部數(shù)據(jù)源做了拆分，以便更好地去適配內(nèi)部決策流和依賴外部數(shù)據(jù)決策流的情況。

為了實現(xiàn)從單模型決策到區(qū)分內(nèi)外部數(shù)據(jù)源來搭建風控模型，系統(tǒng)上做了許多優(yōu)化，這里僅列出了主要的幾項，包括決策引擎和模型引擎的改動。

優(yōu)化2：數(shù)據(jù)成本優(yōu)化

數(shù)據(jù)成本優(yōu)化主要有兩個方向：一是從業(yè)務(wù)上拆分子分模型，二是單獨搭建通過率模型。通過率模型是采用內(nèi)部數(shù)據(jù)，以通過率為目標搭建的模型，用在授信模型前面，通過率模型拒絕的用戶不再走后面的授信模型。

優(yōu)化3：通過率優(yōu)化

主要包括兩個方面的嘗試：一是部署前篩規(guī)則或模型。主要從業(yè)務(wù)角度出發(fā)去做的一些嘗試，技術(shù)上會需要一些適配。前篩模型是部署在資產(chǎn)方的，我們自己系統(tǒng)的改動并不大，主要集中在回傳數(shù)據(jù)的一些規(guī)范、存儲和監(jiān)控上有別于我們自己內(nèi)部的模型打出來的分數(shù)的；二是對授信階段拒絕的樣本嘗試做一些召回。召回模型的關(guān)鍵點還是在建模時的數(shù)據(jù)特征、以及樣本的差異，可能會加一些拒絕推斷的樣本，但是加拒絕樣本也是有一定風險的。風控系統(tǒng)上需要做一些適配，但是改動不算太大。

二、貸中管理

區(qū)別于貸前，貸中對應(yīng)的場景是在用戶放款之后，在這個階段用戶的情況、風險情況和貸前相比可能是已經(jīng)有了一些變化，所以需要持續(xù)地觀測、動態(tài)評估這個變化，再配合貸中可用的一些工具，對用戶進行一些提額、降額、凍結(jié)額度這些操作，以及匹配一些運營的動作，以促進回款，達成業(yè)務(wù)目標。

1、貸中系統(tǒng)模塊交互--與貸前差異

在可用工具和系統(tǒng)部署上，貸中和貸前的差別比較明顯。下圖是一個貸中系統(tǒng)模塊的交互，可以看出從數(shù)據(jù)接入到特征到模型引擎都會有一些差異：

數(shù)據(jù)方面：主要還是會涉及到一些離線批量打分存儲的場景，首先它會增加一個貸中任務(wù)調(diào)度的模塊，定時批量的去對目標客戶調(diào)數(shù)據(jù)服務(wù)，去取貸中數(shù)據(jù)，調(diào)用特征引擎計算特征，調(diào)用模型引擎去打分。再就是數(shù)據(jù)接入需要跟貸前相分離的，包括存儲分離和調(diào)用分離。

特征方面：這是變化最大的部分。貸前我們將實時特征給到模型，再給到?jīng)Q策引擎。在貸中是先把這些特征預(yù)計算并存儲，使用時直接查詢。會有很多情況導致數(shù)據(jù)存儲不完整，所以會涉及容錯的問題，一般會取逆序后最新的一條，并加上特征實際計算時間和查詢時間差的監(jiān)控。

模型方面：包括實時模型分和離線模型分兩部分。貸中也會有一些實時的模型打分給到?jīng)Q策引擎。離線部分會把模型分批量計算后存儲下來，用于決策引擎查詢。

2、貸中管理常用數(shù)據(jù)

貸中比貸前的可用數(shù)據(jù)豐富很多，首先貸前內(nèi)部數(shù)據(jù)是全部可用的，還增加了一些貸前變化類的數(shù)據(jù)，以及用戶的貸中行為數(shù)據(jù)。此外在外部數(shù)據(jù)上有一些差異，會有專門適配貸中批量查詢的數(shù)據(jù)源產(chǎn)品。相對地，貸前可以用的產(chǎn)品如果打算在貸中批量地去用，需要考慮產(chǎn)品的收費模式，以及批量查詢的數(shù)據(jù)成本是否可以承擔。

3、貸中離線模型決策流程

貸中離線模型的決策過程主要還是適配離線批量計算的場景。直觀看是增加了幾個存儲的環(huán)節(jié)，數(shù)據(jù)調(diào)用、特征計算、模型打分都是計算后先存儲后查詢，以及容錯和監(jiān)控。

4、貸中模型應(yīng)用場景

貸中管理應(yīng)該是一整套的體系，包括策略、模型、運營各個方面，涉及的內(nèi)容會很多，我們的介紹主要集中在模型工具方面。具體包括在復(fù)貸、存量用戶運營場景上都會有一些貸中模型可以使用。下圖右側(cè)列出了一些可以使用的模型工具。

復(fù)貸準入環(huán)節(jié)我們可以使用跟貸前類似的實時風險模型，也可以使用貸中用戶行為模型，通常是這兩種模型結(jié)合起來用。

存量用戶運營環(huán)節(jié)使用更多的是離線批量模型，主要包括下面幾類：

貸中行為模型：就是我們通常說的b卡。

提前結(jié)清模型：這個模型主要是在貸中盡量去識別用戶的提前結(jié)清行為，然后做一些針對性的運營操作，盡量提高用戶的留存，增加收入。

借貸意愿評估模型：主要針對授信通過甚至有過支用的用戶，然后評估其接下來一段時間的借貸意愿。

三、貸后管理

貨后管理的主要目標是提高回款率，降低違約。但這塊介紹會比較簡單，因為和貸前、貸中不一樣，貸后的場景主要還是以運營為主，模型或規(guī)則更多的是作為工具提供一些輔助作用。決策引擎輸出的分數(shù)或評級，我們會在貸后系統(tǒng)里做展示，但是實際的決策更多地還是由負責貸后的同學來完成的。所以在系統(tǒng)部署方面更復(fù)雜的是貸后業(yè)務(wù)系統(tǒng)的開發(fā)或部署。在決策引擎和貸后系統(tǒng)的交互主要是會提供一些分數(shù)和評級在系統(tǒng)里做展示，常用的模型工具有回款客訴、失聯(lián)等模型。

1、貸后管理常用數(shù)據(jù)

貸后數(shù)據(jù)包括外部數(shù)據(jù)和內(nèi)部數(shù)據(jù)，需要注意的點是數(shù)據(jù)的獲取時間和應(yīng)用時間是需要匹配的。貸后可用的數(shù)據(jù)會更豐富一些，跟貸前和貸中相比，貸后模型比較容易做出區(qū)分度，但是模型的應(yīng)用是個挑戰(zhàn)。

2、貸后模型應(yīng)用場景

貸后模型應(yīng)用的場景主要是違約、客訴，及失聯(lián)。比較典型的應(yīng)用有回款率預(yù)測和客訴風險預(yù)測模型：

回款率預(yù)測模型

預(yù)測已經(jīng)逾期的用戶在未來一段時間內(nèi)回款的概率。Y會根據(jù)貸后不同階段有所不同，早期回款的可能性會比較大，越到后期回款越難。在做這個模型時可能會有不同顆粒度的樣本，比如用戶維度、訂單維度或賬單維度。

針對賬單或訂單維度的模型，模型評估時需要先剔除掉在訓練樣本中已經(jīng)出現(xiàn)的用戶，否則看到的可能是虛假的效果。在應(yīng)用方式上，貸后的不同階段會有差異化的運營策略，以及不同的實驗方案設(shè)計。

客訴風險預(yù)測模型

主要用于在貸后階段去預(yù)測用戶可能發(fā)生投訴的風險，以方便貸后的同事采取一些差異化的應(yīng)對方式。引發(fā)客訴的原因是多種多樣的，考慮到樣本量，我們僅選主要因素來建模。Y的選取時需要做一些數(shù)據(jù)清洗的工作；在數(shù)據(jù)方面，部分數(shù)據(jù)源其實還是和風險是有相關(guān)性的，比如多頭數(shù)目更大，首次借款時間更早的用戶，發(fā)生客訴的概率可能也會更大；

模型應(yīng)用上，還是會區(qū)分貸前和貸后，在貸前使用時就需要額外關(guān)注跟風險模型的相關(guān)性，如果兩種模型相關(guān)性很高的話，這個客訴模型應(yīng)用起來難度會比較大，需要平衡通過率，在模型應(yīng)用上需要有一些設(shè)計。

四、監(jiān)控搭建

監(jiān)控方向上主要看準確性、穩(wěn)定性和有效性，監(jiān)控形式上會有日常監(jiān)控和監(jiān)控預(yù)警。這塊的內(nèi)容主要是技術(shù)上的搭建，不同的公司會差距會比較大，因為大家會基于自己的業(yè)務(wù)系統(tǒng)或大數(shù)據(jù)環(huán)境來設(shè)計，技術(shù)選型上可能差異比較大，但是報表的內(nèi)容還是比較通用的。下面列舉了幾個不同維度的監(jiān)控內(nèi)容：

業(yè)務(wù)監(jiān)控

模型監(jiān)控

特征與數(shù)據(jù)監(jiān)控

下圖是各場景下監(jiān)控的匯總，包括業(yè)務(wù)、模型、特征、數(shù)據(jù)字段以及服務(wù)接口，每個下面都會有一些監(jiān)控的點，也會涉及到一些預(yù)警，其提示的機制也是不一樣的。

五、內(nèi)容匯總

文章首先是結(jié)合實際場景，列出了貸前、貸中和貸后可用的風控模型工具，接著介紹了這些工具在風控系統(tǒng)重是如何部署的，以及在貸前、貸中部署上的差異，最后列出監(jiān)控及預(yù)警系統(tǒng)通常涵蓋的內(nèi)容。