风险决策引擎是如何一步步鉴定客户资质？

在风控规则引擎里，是怎么结合评分卡来输出自动审批决策？

下面通过一个简单的策略配置来进行了解。

（点击图片可放大查看）

上述信审流程包含如下四个步骤：

第一步硬规则

任意一条此类规则被触发，申请将被拒绝；

第二步风险规则

计算申请触发的风险规则的数量

第三步评分模型

计算评分卡得分（评分卡包含四项内容：年龄、性别、手机在网时长、芝麻分）

第四步决策表

根据评分模型和用户触发的风险规则两个维度，处理客户最终是否准入，即审批通、审批拒绝或人工审核。

四个信审策略：

1、硬规则

指用户一旦触发，就要被拒绝的规则，示例中包括如下具体规则：

2、高风险规则

指用户虽然可以准入，但风险较高，达到一定程度，就需要考虑拒绝的规则，示例中包含如下规则：

3、评分卡

*根据该卡计算，最高得分为：100分，最低得分为：23分。

4、决策表

接着根据上面拟定的信审策略提炼输入与输出变量，做简单的示例：

输入变量：

输出变量：

*输出变量用于输出审批结果

按上面给出的变量值和信审策略就可以开始配置规则流。

如下图：

1. 上面分支代表硬规则策略，命中即拒绝；

2. 如未命中则往下走下面的高风险规则的分支，结合评分卡和决策表输出审批结果。

这样一个简单的风控规则配置就完成了。后续还需配置检查、策略测试以保证策略的完整与准确。

在真实的信审场景里，风控规则更为复杂多变。除了对贷款申请进行自动审批的结论输出，还需增加资产、收入、负债等输入变量，给出贷款成数、贷款利率、贷款额度等来对客户进行差异化的信贷政策。

Q:根据文中的例子，假设一名35岁的男性贷款申请人，爬虫得知该客户芝麻分550，手机在网时长12个月，触发两条高风险规则，那么根据决策表的设计，此客户的自动审批结论是怎么样的？

A:根据评分卡的设计：

35岁得分20；

男性得分8；

芝麻分550得分为8；

手机在网时长12个月得分16；

该客户总评分卡分数为52；

再加触发两条高风险规则；

所以根据决策表的设计，自动审批结论是拒绝。

星标我，每天多一点智慧