来源：https://baijiahao.baidu.com/s?id=1724203317876307312&wfr=spider&for=pc
来源 | 零壹财经专栏作者
作者 | 周立烽
一、用户分群与流程
在贷前环节，我们有很多的进件渠道，主要是白名单企业员工、线上app渠道、三方渠道等，同时我们合作的银行对接了政府类的数据，比如上海信用中心社保公积金数据，以及对接了fico分等效果较好的三方数据，那么结合行内、行外数据我们做用户分群。
首先大家要明白模型只是策略环节的一个部分，在头部大公司模型人员都听从策略人员的安排，策略是整个风控的核心，而策略同时也是模型专家。
所以在贷前环节，我们针对这三类客群分别建立三个风控主流程，每个主流程包括：反欺诈策略、反欺诈模型、信用评分准入策略、信用评分模型、额度模型及策略、增信调额策略。但其实我们更加细分的是我们将策略分为：准入策略（反欺诈、信用评分）、模型策略、过退策略、调额策略，同时将模型分为：主风险模型、三方数据模型、过退模型、捞回模型、额度模型。
在贷中环节对于优质金卡、白金卡客群，根据风控数据源差异，我们主要分上班客群、企业主客群。对于普通卡客群，分为：历史逾期客户、次新客户（2年内）、老客户（2年以上），再其往下分，子策略集为：高、低额度使用率客群；高风险分群（征信有负债客群、征信无负债客群）。分群的依据是入模变量的显著差异，大家可以尝试，比如征信有负债、无负债客群入模变量差异很大，有负债客群入模变量大部分是贷款类变量，而无负债客群都是三方数据、多头变量、信用卡变量。（具体大家可参考我知乎上《关于分群模型的思考》）
在贷中环节，笔者上篇在零壹财经发的文章《纯线上税票贷风控初探》中，有介绍到贷中动支策略的方法，此方法同样适用于信用卡客群，用于高风险客群贷中动支监控，便于及时额度冻结。
贷中调额调价策略主要分为哪些，有兴趣朋友可以与笔者来探讨学习。
对于普通卡客群、分期卡客群，在贷前、贷中、贷后环节，流程基本一致，不同点在于分期卡客群更加下沉，所涉及到的策略会更加紧一些。
二、数据风控的核心
笔者在前几家大公司时候，感谢阿里腾讯的前辈指导。做风险其实核心就是风险策略、模型、风险画像。风险画像可以作分群，也可以作为模型、策略中的因子。
风险规则模块包括：1、基于用户基本属性数据、行为数据的策略规则。2、基于三方数据的策略规则。3、模型评分准入规则，主要包括设备指纹模型、关联图谱模型、风险画像组合、风险模型。如何建立风险画像组合、生命周期管理模型，这是核心能力，欢迎大家来思考切磋。
模型模块，包括贷前、贷中、贷后，主要是关联谱图的评分、设备指纹评分、贷中行为评分（内部行为数据）、风险画像组合评分、风险模型。常用模型上，主要是行为评分模型、三方数据模型（模型降级备用）、主风险模型。
风险画像上，上文中我们先分类白金卡金卡客群、普通卡客群、分期卡客群，又在流程中分了历史逾期客户、次新客户、老客户，又在子策略集上分了高低额度使用率客群、高风险分群（有负债客群、无负债客群）。其实更加细分上，还可以分学历户、非学历户、上班族、企业主、多头户、上班社保户、上班非社保户等。
其实国内信用卡调额体系做的都比较薄弱，主要是因为大部分城市缺少准确的个税、社保、公积金数据，所以收入模型做的比较欠缺，故只能利用银联数据、征信数据等做收入推测模型、净资产推测模型。我们要及时利用策略模型模块、风险损益分析，对客户做精准调额，同时要结合营销部门同事反馈，针对优质客群，测算最优化的额度利率策略。
总结，笔者文章针对策略体系已经比较深入，鉴于对外公开文章只能点到为止，欢迎银行朋友们来探讨交流共同进步。
（作者：周立烽，华院计算风控总监，华院计算已成立20多年，也服务了多家银行卡中心的风控策略体系搭建。作者知乎：yuxi0929 。）
若有收获，就点个赞吧
0 人点赞
