本文摘要：信貸風控策略建設思路、決策引擎主要功能
適用閱讀人羣：互金產品人員、互金模型人員、互金研發人員
在風控決策引擎（一）中，只是對風控決策引擎的核心功能規則、評分卡、模型、表達式、決策流等模塊做了簡介。
大數據風控，大數據輸入決策引擎通過規則、評分卡、模型、表達式、決策流等功能模塊就能輸出理想的風控結果了嗎？
實際業務中的風控流程依靠這幾個功能模塊是無法完全達到風控目的，成熟的風控方案有一套嚴謹的策略體系，風控決策引擎要結合風控策略體系，最終才能達到風險控制的目標。
大數據風控通用流程主要爲貸前、貸中、貸後全信貸生命週期風控，分別對應的評分卡有A卡（Application score card）申請評分卡、B卡（Behavior score card）行爲評分卡、C卡（Collection score card）催收評分卡。評分卡的開發需要豐富的數據支撐，在信貸業務初期由於數據不充分，則不具備評分卡的開發，這時候就會選擇規則判斷進行初期的風控。
信貸通用的風控都是包含了規則和評分卡兩部分，貸前流行的風控策略流如下：
基於准入、反欺詐（黑名單）、信用評級、定額定價四部分構成，具體的信貸場景在此基礎上也會有部分調整，在自有存量客戶較大的時候，新上線信貸產品之前很多廠家都會在准入之前加入預授信策略。
無論是准入、反欺詐、授信評級中的規則還是評分卡，通常是都是通過決策引擎進行邏輯判斷，在智能風控平臺之決策引擎（一）中介紹了四個常用的決策引擎功能模塊，其中決策流配置模塊就是用來配置信貸風控策略流，評分卡模塊配置評分卡模型進行封裝成規則包、規則模塊配置規則進行封裝成規則包，在通過決策流配置模塊配置風控流程。
信貸風控流程就是決策引擎對於傳入數據的組合運算，有風控策略流程就有規則的優先級運算也就有數據傳入的優先級概念，優先級制定的原則主要是從數據源、規則的強弱（強規則命中直接拒絕、弱規則需要組合判斷決策）、數據成本、效率、數據積累等方面進行考慮：
自有數據源對應的規則優於三方數據源對應的的規則
自有數據源在接口請求、性能、價格等方面都優於三方數據源，如自有 的黑名單庫數據，在命中黑名單規則可以直接拒絕。
強規則（強規則命中直接拒絕）優於弱規則（弱規則需要組合判斷決策）
很多決策引擎的性能伴隨着規則數量的增加下降，考慮更好的利用決策引擎的資源，強規則決策優於弱規則決策。例如命中前科拒絕這種強規則，應該優於命中多頭借貸且命中逾期3次拒絕這種組合的弱規則。
低成本數據對應的規則優於高成本數據對應的規則
大數據風控，數據的費用在整個智能風控中佔據着較重的比列，在制定的風控策略流程的時候，低成本規則優於高成本規則。三方數據服務主要由查得、查詢兩種計費模式，其中查得是指三方數據返回有結果進行計費；查詢是指請求三方數據，不管三方數據是否返回結果就進行計費，因此查得對應的規則優於查詢對應的規則。
效率高的規則優於效率低規則
有些規則比如規則甲只需要一個接口A就能做出決策，而規則乙則需要三個接口B/C/E才能做出決策，因爲接口的請求是需要時間，這時候就需要考慮規則效率，效率高的由於效率低的規則。
需要積累數據的規則優於無需積累數據的規則
在模型冷啓動的時候，有些變量作爲後期模型潛在覈心變量，需要儘可能多的收集這些數據，此時需要積累數據的規則優於無需積累數據的規則。
以上的優先級原則不都是固定不變的，很多規則優先級的制定都是基於幾個原則的綜合考慮。
由規則的優先級原則，對於風控決策引擎在決策運算時的功能要求是，能夠對於決策流程命中拒絕結果後實現決策流程的決策終斷以及決策繼續，決策流程不僅可以在大的決策流上實現決策流程開關，而且也可以對小的支流某條規則實現決策流程的開關。
數據接入優先級確認，傳入決策引擎進行規則、評分卡、模型的決策，此時還需考慮數據缺失時，數據缺失太多規則、評分卡等的風控也會失靈，那此情形下的決策引擎應該怎麼處理呢？
通常規則類的策略，在命中數據缺失的時候，可以在規則中配置決策結果直接輸出缺失的結果。但是評分卡類的策略，如果在數據缺失時通過配置其得分，最後計算總得分，依據總分進行評分卡的結果決策，這樣很難保證評分卡的效果。例如評分卡中的變量豐富的時候，其中核心變量是不能允許缺失，但是如果決策引擎沒有對於的判斷機制，在覈心變量缺失時，其他變量沒有缺失同時其他變量的得分較高，此時拉高了整體的評分卡的得分，最後的得分做出決策爲通過，實際該客戶因爲核心變量缺失需要通過人工審覈，因此在這種情形下並不能準確的判斷客戶的徵信情況。那麼決策引擎應該怎麼去解決這個問題呢？
設計決策引擎產品下到規則集、評分卡的每一條決策判斷，上到規則包、模型包的決策判斷都需要進行數據信息值的計算，在決策引擎中的規則、評分卡配置上需要具備信息值的配置、信息值的閾值配置以及信息值的決策結果配置等。決策引擎在進行規則的判斷的時候，首先應該計算的是信息值，然後在進行策略的運算，通過對缺失值的管控，實現更精準的風控效果。
決策引擎主要的用戶是模型策略人員，風控策略伴隨着業務的發生，會進行不斷地調整、迭代，同時不同的業務場景所使用的模型策略也是不同的，因此決策引擎還需要滿足模型版本管理、模型對比的功能，可以更方便用戶配置操作、支撐更多的業務場景。
模型的優化、迭代是需要豐富的歷史數據作爲支撐，這裏的歷史數據可以分爲兩部分：一是傳入決策引擎的元數據，二是決策引擎計算出來的結果數據包含規則、評分卡等數據。數據在傳入決策引擎進行計算後需要對元數據和結果數據進行存儲，這裏的存儲也會存在兩種方式：一是緩存，這樣可以避免同一個客戶在規定的時間內重複調用三方數據，造成不必要的成本浪費；二是存儲所有的風控數據，便於後期模型的調優、迭代，同時也可以用於貸中、貸後的管理。數據存儲的功能，更多的規劃在決策引擎的配套產品接口管理平臺中，在後面決策引擎配套產品介紹中會詳細的介紹。
實際業務中，風控的結果輸出，不僅僅只是“通過”、“拒絕”、“人工審覈”，還會有很多詳細的內容包含觸發的規則、預警的規則等，這就要求需要一個詳細的風控報告輸出，以備人工審覈的人員獲取數據，這也是決策引擎配套的風控報告產品。
以上介紹了關於決策引擎的部分主要功能和風控策略流程的建設思路，應大家的要求我會在下一章中補充介紹複雜規則、複雜評分卡的產品設計，敬請期待。