上一篇，筆者介紹了謹慎使用“數據驅動”的風控模型，需要“高質量的數據 + 審慎嚴謹的決策模型 + 實時全面的監控分析”動態閉環。本篇筆者會着力於介紹整個風控決策體系的建設及持續優化。
風控決策的管理並不是狹義上的規則或評分卡（Scorecard）模型，而是廣義上對整個風控策略的體系化管理，還應覆蓋包括模擬驗證、冠軍/挑戰者實驗（A/B測試）、版本管理、效能評估在內的全生命週期，如果有人工審覈環節的話，也需要納入風控體系進行統一管理。
工慾善其事必先利其器，爲了提升管理效率，決策引擎的使用必不可少。無論選用開源軟件、成熟產品，或是自建，都要確保風控決策獨立於代碼版本，可實現熱發佈，便於版本回溯。風控決策的構建，應該是自頂向下的，頂層應當是產品場景與風控場景，例如電商分期、教育分期、信用卡代償等等，風控場景包括風控審批、額度、定價、催收等各個環節。
決策如何合理編排、高效管理？不妨參考以下原則：
清晰的定義頂層場景，而各個子決策以流程的方式組合而成，子決策包括一系列決策步驟，決策步驟內嵌規則集（可以將評分卡也看作是一套規則集）。
將“因果關係”的專家規則與“相關關係”的機器學習規則有機結合，力爭在通過率與壞賬率之間取得最優平衡。
某些子決策作爲通用步驟，可以被不同的產品場景共用、繼承（derive）或覆蓋（override），便於統一管理。例如，失信被執行人命中、存在嚴重逾期或銀行卡四要素錯誤等專家規則，不僅適用於電商分期產品，也適用於信用卡代償類產品。
強規則命中直接拒絕，不必執行後續規則（強規則指捕獲率極高的規則，如存在嚴重逾期歷史、手機使用少於3個月等欺詐嫌疑極高的規則；或者是不符合借款條件，如不滿18歲；強規則早期大部分來源於專家規則，後續隨着數據的積累也能總結出新規則）。
無成本/低成本規則優先於高成本規則執行，如自有黑名單規則優先於外部調用的黑名單規則。
決策不應只有通過、拒絕兩種結果，應可以支持類灰名單命中之後的人工判斷。
決策順序的調換，不應影響到整體業務流程，造成流程的中斷或異常。
如某項規則的輸入來源於外部徵信數據，需要定義好超時重試、跳過策略，避免因數據源的問題導致的決策中斷、或因此作出的錯誤決策。
出於“謹慎性原則”，決策發佈前必須進行歷史數據模擬。從大量數據的模擬中，可以發現潛在的問題；分析該決策組合的通過率、捕獲率、潛在ROI，是否優於原來的決策組合；同樣，歷史數據模擬也可以用來驗證外部徵信數據或人工審批的有效性，是否使用，放在哪一步決策使用，如何互相替代。
再來談談冠軍/挑戰者實驗（A/B測試）。儘管歷史數據的模擬表現很優異，並不代表新的決策可以經得住實戰的考驗，基於“謹慎”的原則，新決策最好按較低的比例與老決策同步運行。運行一段時間後，如新決策的表現優於老決策，可以逐步將新決策的線上運行比例調高，直至完全替代老決策。爲了提高效率，多個新決策可以同時執行冠軍/挑戰者實驗。
最後稍微談一下用於信用風險評估的評分卡模型。人們常提的評分卡一般指基於客戶的一組輸入數據，計算出一個評分（數字）。設計一張評分卡一般有兩個路徑：（a）請專家根據要解決的問題，依據經驗設計。一般適用於數據較少的情況；（b）基於數據和算法產生，一般適用於數據比較豐富的情況。算法可以有很多種，人們常用的有邏輯迴歸，支持向量機，決策樹，隨機森林，神經網絡等等。還有一些專用算法，如美國通用的FICO信用評分就是基於自己的算法創建的。
信用風險控制所用的評分卡主要是預測信貸人的違約概率。如何評估評分卡的優劣？在評分卡部署到生產系統之前，需用現有的不同數據組進行迴歸驗證，確保驗證的違約概率與評分卡所預測的概率吻合較好。評分卡投入使用後，一定要持續監控，隨時準備調整閾值。當然還有其他的評估方法，如使用評分卡的KS，ROC曲線等。
根據我們的經驗，評分卡的使用效果取決於客羣，客戶特徵數據的選擇和數據的真實性保證，創建評分卡的方法，創建者和運行者等多種因素，是一項系統工程，而非像跑一個機器學習算法那樣簡單而又神祕。
最後出於“謹慎”原則，需要將決策編寫、模擬、檢驗、發佈的流程固化，任何決策發佈之前需要得到授權人的審批，避免因人爲過失造成的損失。發佈之後，實時監控表現，通過完整的效能評估方法驗證決策的有效性。如何監控，敬請期待即將推出的最後一篇：如何“謹慎”使用“數據驅動”的風控模型（三）——監控篇。