前言
Hi，大家好。今天我要根据以往的工作经验做一个全新的业务——金融风控、信贷风控等风控场景。带大家以全新的角度了解风控，包括风控信贷业务讲解、风控决策树、风控决策流、特征工程、三方数据对比和风控系统搭建等一系列知识。
早期的信贷风控做法
-
客户申请：客户需要填写详尽的信贷申请表，提供个人信息、财务状况、工作情况等。
-
信誉评估：银行或信贷机构的工作人员会检查客户的信用历史，包括信用报告、历史债务和还款纪录等。
-
资料审核：除信用评估外，审查人员还会核对客户提交的材料真实性，如收入证明、财产证明、税务单据等。
-
人工面审：在必要时安排面对面或电话采访，深入了解借款人还款能力和意愿。
-
最终判定：基于以上信息和公司的借贷标准，审查人员决定是否批准贷款申请，以及设定贷款利率和额度等条款。
随着科技的发展，现代的信贷风控已经融合了自动化审批系统、大数据分析以及机器学习算法，但早期则主要依赖于人工流程。现在也流行叫大数据风控、AI风控等，不管名称如何变化，其核心就是二分类模型。
信贷风控建模的概念
建模的通用概念：通过抽象和简化的方式，构建对现实世界物体、系统或概念的代表性表达。建模可以用数学方程式、计算机程序、物理实体或图形等多种形式来实现，通过这些方法能将我们手上数据输入，通过计算得到一些预测出来的结果。
信贷风控建模概念：风控模式最原始思路就是输入一个用户信息，得到这个人是“会还钱”还是“不会还钱”的模型。而如今的概念是指在银行、金融机构或借贷平台中，利用统计学、经济学和机器学习等技术手段来预测贷款用户违约的可能性，评估和控制信贷风险的一种模型。该模型通过分析客户的财务状况、信用历史、交易行为等数据，来预判其还款能力和意愿，并将风险进行量化，以便于金融机构作出更加精确的信贷决策，控制坏账率，保障资金安全。常用的信贷风控模型包括逻辑回归、决策树、随机森林、梯度提升机等方法。
用风控模型下的评分卡模型来举例说明就是希望能将一系列个人信息输入模型，得到用户还款概率。评分卡越高，越容易还钱，反之，越容易跑路。典型例子就是支付宝的芝麻信用分。
信贷风控流程
- 客户申请：借款客户向金融机构提出贷款申请。
- 准入政策：通过准入政策筛选,排除年龄、贷款用途等自然属性主;国家政策等底线规则不符合贷款要求的客户。
- 黑名单筛选：通过查询内部黑名单和三方数据黑名单数据,排除单纯黑客户、没有还款能力或者还款意愿较低的客户。
- 征信查询：金融机构查询申请人的信用记录和征信报告。
- 风险评估：对申请人的信用状况、财务状况、还款能力、抵押物价值等因素进行综合评估。
- 审批决策：基于风险评估结果，该机构的贷款审批部门或委员会将做出是否批准贷款以及贷款条件的决定。
- 贷后管理：对已发放贷款进行监控和管理，包括追踪借款人的还款行为和财务状况，以及必要时对于抵押品的管理。
- 催收和处置：当借款人出现逾期不还款时，金融机构会启动催收程序；若借款无法收回，则可能涉及对抵押品的处置。
不同金融机构和贷款产品可能会有所不同，上述步骤可能会有调整。
风控模型种类
基于以上风控流程,我们大体可将其拆分为贷前、贷中、贷后,对应各个环节不同的客户群体及应用目的,也有对应的模型评分卡,分别为A卡、B卡、C卡。
-
A卡（Application score card）
A卡即申请评分模型：此类风控模型的目的在于预测申请时点（申请信用卡、申请贷款）未来一定时间内逾期的概率。Y变量的设定观察点为申请时点，定义为表现期内是否逾期。X变量一般只有客户填写的申请书信息，加上外部查询的数据与征信报告。
-
B卡（Behavior score card）
B卡即行为评分模型：此类风控模型的目的在于预测使用时点（获得贷款、信用卡的使用期间）未来一定时间内逾期的概率。Y变量设定观察点为使用期间的某一时点，定义为表现期内是否逾期。由于行为评分模型的观察点在获得贷款或信用卡之后，这段时间内是可以获取到贷款或信用卡的使用还款行为数据的。另外使用过程中同样可以查询外部数据和征信报告的变化，这些行为数据衍生成x变量后，模型的效果会大大提升。
-
C卡（Collection score card）
C卡即催收评分模型：此类风控模型的目的在于预测进入催收阶段后未来一定时间内还款的概率。Y变量设定的观察点为进入催收阶段的时点，定义为表现期内是否还款。催收评分模型有一个特有的数据，那就是催收的行为。比如打过几次电话，是否约定还款等等，这些催收行为x变量会影响催收模型的效果。
这篇文章对信贷风控概念、风控流程和风控模型等知识做了简单的分享，就先聊到这里，下期再见！
