【决策科学苑】复杂逻辑控制的概念

这里指的复杂逻辑控制是指在决策的判别过程比较深，并且在逻辑的判断过程中可能存在判别结果的冲突。例如，在某公司一次贷款的审批决策中，根据目前的设置，贷款人的收入评估不佳，拒绝发放贷款。由于该公司目前正计划拓展该地区的市场，希望尽量让申请通过，此时需要在原判别的基础上加上一条覆盖规则（即允许该地区的申请通过）。但由于新的覆盖规则会允许一部分资质特别不好的客户也得以通过（例如涉诉未结案），因此公司决定再建立一条对覆盖规则进行修改的规则。业务的迅速发展会不断对现有的规则体系冲击，并且为了使规则是合理的往往会涉及多次的覆盖重写，因此复杂逻辑控制是一个规则自动化应用不得不面对的问题。以下仅从实现复杂逻辑控制（Complicated Logic Control以下简称CLC）的规则系统进行讨论，为方便讨论，以下假定这是一个信贷审批的CLC。

图1 CLC系统结构

Fig1. Structureof CLC

CLC一般都要求规则系统判断的逻辑具备一定深度，基于此可以设计图1所示的系统结构。图中左边部分是系统的逻辑结构，右边是对应的机器学习算法。

逻辑结构是由逻辑块构成的，逻辑块一般是根据实际业务的需要进行划分的，图中R0~R4是顶层的逻辑块，其下还可以根据需求继续划分逻辑块。一般来说，CLC是由数据库变动开始，以智能算法的判断作为一次迭代的终止，因此R0~R4的具体功能如下：

R0负责数据库探索。当有新的申请到达时，R0负责进行数据的预处理，包含了从数据库中关联该申请的申请人，整理行为特征、客户画像等。R0的处理使得每一个申请不再是“无历史”的状态，即同一个人的多次申请可以被区分对待。

R1主要运行强规则集。强规则通常直接产生接受或拒绝的结果，例如某个申请人涉诉未结案，那么拒绝该申请。

R2 主要运行弱规则集。弱规则是指规则通常有两方面的不确定性，一方面是规则的判定条件，如某个申请人近期多头借贷10次，但是决策无法决定使用几次作为接受/拒绝的标准；另一方面弱规则的结果也具有不确定性，规则可能转向人工调整而非自动审批。

由于R2的复杂性，一般来说可以在这个模块加入机器学习/模式识别的模型和算法，用来更好的将客户分层。这里是应用个性化方案的逻辑块—根据不同的客户给到不同的产品。

R3 运行关于规则的规则。CLC的浅层应用主要在R3中设置。由于R0、R1、R2的运行，可以认为申请到这一步已经被打上了多个标签，可以用于筛选过滤和控制。例如从R0的客户画像中我们知道该客户属于本次营销活动的对象，因此在R3中设置“push”规则，将客户的审批状态改为通过；为了防止某些不合规的申请通过，R3中设置“pull”规则，将R1标记涉诉未结案的客户拉回，转向人工审批或者拒绝。另外，某些客户虽然在R1在没有触发拒绝规则，但是在R2中有诸如多次借贷、手机在网时间过短等问题，也可以在R3中进行拉回。最后，R3还会对申请触发的所有规则进行汇总，根据汇总信息还可以进一步的设置拉回规则。

R4是调整策略的模块，CLC的深层应用在R4设置。如果把R0~R3的设置看成是灵活的审批自动化，那么R4则是对这种自动化进行深度的调优。假设R4中已经有了几套预案（称为策略）分别对应不同的客户或者不同的客户行为，R4根据目前的状况决定审批最终放行，或者重新执行另一套策略（审批从R0开始，应用新的策略重新执行），这样避免了审批过程被轻易攻破的风险，达到更好的审批结果。另外R4还可以实时的更新数据，从宏观上进行控制，避免系统性风险。例如一般的数据应当复合合理的统计特性，一旦数据出现突变点，R4会立即报警甚至停止业务，避免损失。

   优缺点。处理CLC的规则引擎能够大量节约人花费在制定、管理和优化业务规则上的时间，并支持非常灵活的策略，达到千人千面的目的。首先，由于逻辑块的划分，规则的设置和结果分析是很容易的。其次，优化算法可以对不断加入规则引擎的规则进行优化（包括冲突、分歧）等的跟踪和解决，甚至提出新的优化规则。最后，由于配置了不同的策略，因此可以达到不同人、甚至同一个人多次申请所触发的规则是不同的，更加精准和灵活。

   由于CPC规则引擎处理的规则具有较深的层次，因此其执行时间较长。以信贷审批的场景为例，一个申请的处理时间（包含IO）大约需要5秒左右。本质上说，CPC时效性只能是“准实时”的，除了规则需要多轮的判定，还有许多由于嵌入不同策略中的算法和模型会消耗较多的时间，因此不太适合需要进行实时处理的场景。