业务总结思考 | 额度授信模型/拒绝捞回模型/定义坏样本

答疑讲师：Devin老师【金科应用研院】所有，未经许可禁制转载。

先赞后看，习惯更棒！！！

近期收到同学们在学习策略或工作应用中遇到的不少业务问题，今天小篇统一整理了一下，分享给大家。我们讲师也是结合实际业务场景的经验，给了同学们细心答复。大家可以看看有没有自己遇到的相似问题？关注金科应用研院，回复csdn，领取风控大礼包！

目录：
Q1：关于“额度授信”模型的加工原理与开发特点
Q2：授信策略一般采用的模型
Q3：当策略目标是提高通过率，对拒绝用户进行回捞思路
Q4：拒绝规则按照命中个数，稳定性与后续迭代
Q5：如何定义坏样本

01

Q：关于“额度授信”模型的加工原理与开发特点
A：概念：“额度授信”是根据用户的风险情况，给予合适的借款额度，在业务流程中一般都会有对应的额度定价模型。

额度模型的加工原理：

可以采用简单的策略制定思路(或简单交叉分析，或决策树分析)；

也可以采用模型算法训练拟合(回归或多分类模型，算法有：线性回归、逻辑回归、随机森林、XGBoost、K近邻等)，具体需要结合可选特征的数量与类型等情况。

额度模型开发特点：一般单独开发最大的特点是模型的变量最好选择资产、消费等维度的字段，比如：月收入、银行卡交易金额、电商平台消费金额等。多数指标可以从外部三方数据公司获取，这样的指标可以体现用户的消费资质能力，这与授信额度是密切相关的。

当然，额度模型可以通过申请评分模型的结果（评分区间或风险等级）来划分规则，但效果绝对没有采用专有的额度模型应用好些，毕竟这样的结果多数只考虑了风险，要是风险模型和额度模型分别建立，并且一起使用，这样的授信过程是更加满足风控理念和业务需求。

02

Q：授信策略一般用到的哪些模型比较多呢？
A：概念：“授信”既可以理解为风控贷前信用评估与审批决策的过程，也可以理解为仅仅是“额度授信”。

措施建议：如果指的是后者，一般采用有专有的额度授信模型，其思路可以参看Q1的解答，此外，额度授信模型也可以直接根据申请评分模型的结果来制定不同额度的策略。
若从机器学习算法来说有哪些形式的模型，可以是回归，也可以是多分类。

03

Q：当策略目标是提高通过率，即对拒绝用户进行一些回捞的时候，有没有一些好的思路推荐？
A：整体思路：在风控流程中，对于拒绝用户群可以单独过一个“拒绝捞回”评分模型，再根据用户的评分结果，从高到低选取一个较合理的阈值进行判断，高于阈值的便可以予以通过授信。

措施建议：这里的措施建议采用“模型”策略，不要用简单的、且维度很少的规则，采用模型的最大好处是较大化的从多个维度的再次评估了拒绝用户的风险。

至于“拒绝捞回”模型怎么去开发，是选取存量拒绝样本来建立模型，里边最重要的是怎么定义拒绝样本的好坏标签，可以采用通过样本数据建立的模型打分，然后根据分数阈值划分得到拒绝样本的标签，后边的建模过程和平时有监督模型是一致的。

此外，也可以考虑对拒绝用户走一个客户聚类模型，看分布特点进行决策，当然这个效果没有有监督模型效果更好些。

采用拒绝捞回模型应用于拒绝用户时，线下开发时是通过模型的性能指标(KS、AUC等)，线上应用时也就是看通过率、捞回率等情况。

04

Q：拒绝规则按照命中个数，稳定性怎么样，后续怎么迭代？
A：措施建议：可以采用PSI指标来监测规则的稳定性情况，优先监测规则区间的稳定性结果，然后关注变量本身多个区间的稳定性结果，这个工作是可以一次性出结果的，只是重点看规则那个区间的波动情况。

如果波动性比较大，先采用阈值调整，一般是缩小占比，以保证不同时间窗样本下比较稳定，当然区分度还是保持好的，如果阈值不好调整，那就需要将此规则直接弃用，或者与别的规则进行组合使用。

05

Q：如何定义坏样本？
A：概念：坏样本的定义都是围绕业务展开的，具体实践可以分为两种类型：

第1种是通过“数据分析“，也就是常说到的“滚动率分析”与“账龄分析”，这是最客观的分析方法，已经成为一种“标配”；

第2种是通过“业务定义”，根据某逾期表现来直接定义，常见的有pd0、pd3、pd7、pd15、pd30等（pd代表逾期天数大于，比如pd3代表大于3天），可能还会加上逾期金额等限制，具体需要看场景特点。

这种情况在实际应用较多，虽然是根据业务，但本质上还是来源于数据分析(也就是第一种类型)，只是最开始的时候经过分析得到，而后边由于产品业务比较稳定，好坏定义已经成为一种默认规则，也就不需要每次去做数据分析，一般情况下，一旦业务相对成熟且稳定，好坏定义也是相对比较固定的。

如果你喜欢、想要看更多的干货类型的文章，可以把公众号设为星标🌟，顺便转发分享～

FAL长期对外征稿，邀请各大风控人士加入我们，在风控圈分享你的经验与知识👉征稿，快到碗里来，有稿费那种！