決策引擎近幾年聽得比較多,那么優(yōu)秀的決策引擎到底是怎樣的呢?它包括以下幾點: 靈活可配——不但可配規(guī)則,還可配規(guī)則的字段和權(quán)重。業(yè)務(wù)友好就不用說了。 快速部署——配置好的規(guī)則模型可實時生效,如果涉及一般規(guī)則修改時,可做一個灰度部署。 決策流——可把不同的規(guī)則和模型串到一起,形成一個決策流,實現(xiàn)貸前、貸中、貸后的全流程監(jiān)控。它要可實現(xiàn)對數(shù)據(jù)的按需調(diào)用,比如把成本低的數(shù)據(jù)放到前面,逐步把成本較高的數(shù)據(jù)放到后面。因為有些決策在前面成本較低的數(shù)據(jù)下已經(jīng)可以形成,就不必調(diào)用高成本的數(shù)據(jù)。 ![]() AB測試和冠軍挑戰(zhàn)——對于規(guī)則修改、調(diào)優(yōu)時尤其重要。兩套規(guī)則跑所有的數(shù)據(jù),最終來比較規(guī)則的效果。另一種是分流——10%跑新規(guī)則,90%跑老規(guī)則,隨著時間的推移來根據(jù)測試結(jié)果的有效性。 支持模型的部署——線性回歸、決策樹等簡單模型容易將其變成規(guī)則來部署,但支持向量機、深度學(xué)習(xí)等對模型支持的功能有更高的要求。 經(jīng)過以上手段,基本可具有一個很強的力度來排除信用風(fēng)險,以下便是信用評估階段。 評分卡模型 評分卡分為申請、行為、催收評分卡。申請評分卡用于貸前審核;行為評分卡作為貸中貸后監(jiān)控。它可通過歷史的數(shù)據(jù)和個人屬性等角度來預(yù)測違約的概率。信用評分主要用于信用評分過程中的分段,高分段可以通過,低分段可以直接拒絕。 因行業(yè)、客群與業(yè)務(wù)不同,評分卡標準也有所不同。對有歷史表現(xiàn)的客戶,我們可將雙方的XY變量拿出來,進行模型共建,做定制化的評分。構(gòu)建評分卡模型,目前傳統(tǒng)方法是銀行體系中使用的:數(shù)據(jù)清洗、變量衍生、變量選擇然后進行邏輯回歸這樣一個建模方式。 核心技術(shù)與挑戰(zhàn) 在目前圍繞大數(shù)據(jù)、大數(shù)據(jù)決策為核心的風(fēng)控技術(shù)體系中,整體的數(shù)據(jù)量達到一定水平,存在的挑戰(zhàn)將會是數(shù)據(jù)的稀疏化。隨著風(fēng)控業(yè)務(wù)覆蓋的行業(yè)越來越多,平臺間的數(shù)據(jù)稀疏問題就越明顯。 此外,對于大數(shù)據(jù)來說,具有數(shù)據(jù)和大數(shù)據(jù)決策,卻沒很穩(wěn)定的落地平臺也不行。大數(shù)據(jù)應(yīng)用要做到完整,還需要符合以下要求的平臺:1.容納量,能容納特別多的數(shù)據(jù);2.響應(yīng):任何決策都能實時響應(yīng);3.并發(fā),在大量數(shù)據(jù)并發(fā)時也能保持調(diào)用。 壹諾便是滿足這些要求的大數(shù)據(jù)風(fēng)控平臺,其核心產(chǎn)品“智犬風(fēng)控云”,擁有一套精準全面的數(shù)據(jù)科學(xué)與數(shù)據(jù)技術(shù)相結(jié)合的大數(shù)據(jù)商務(wù)智能分析系統(tǒng),為金融機構(gòu)客戶提供借貸全流程的數(shù)據(jù)服務(wù)。其風(fēng)險控制水平行業(yè)領(lǐng)先,現(xiàn)已躋身國內(nèi)領(lǐng)先的大數(shù)據(jù)智能服務(wù)提供商行列。眾多銀行及非銀行金融機構(gòu)用戶都在用“智犬風(fēng)控云”實施風(fēng)險管理,有需要的朋友可以體驗一下! (責(zé)任編輯:海諾) |