决策服务基本都涵盖了信用和市场的整个生命周期管理，从客户获取、申请审批、客户管理、催收和欺诈管理等业务应用等等方面。基于这样的需求，决策引擎在此时便孕育而生。目前在风控系统上，决策引擎已经是非常成熟稳定的模块。而且决策引擎不仅仅作用于风控场景上，在需要配置复杂规则的地方都可以嵌套上决策引擎系统。

在传统的行业里，大家遇到的问题一般有：

一：审批效率低：传统中小银行面审效率低下

涉及到大量资料的审核、容易出错




二：风险规则维护困难：风险规则文档管理

代码硬编码

更改维护困难




三：用户第三方维度少：

传统银行目前需要的三方维度信息少开展无抵押小额信用贷款难度大




但随着大数据风控的到来，面临的数据维度和信息量越来越大。规则也从之前简单的“决策”，如之前的年龄是>30岁且男性，现在已经变成为多维的规则决策，特别是带有互联网熟悉的信息的数据，简单如安装信贷多头的app数据，7/14天的多头查询次数等等，加上这些互联网标签就变得非常丰富、负责。此时决策引擎便自此孕育而生。

提到规则，做风控逾久，愈加觉得规则的重要性。刚入门做风控的时候，以为做模型是最了不起的事情，通过一个模型就能干掉坏人。随着风控知识的积累，越会发现风控的流程把控才至关重要。比如一个产品里有许多不同的进线A、B、C渠道，我们实现的策略集中有拒绝集、有提示集、也有拒绝集+提示集，并且每个策略集中都有加入不同的策略字段，里面包括内部、外部数据，如何对不同的客群实现不同的政策方案呢？




比如在对某套风险产品输出以下的政策风险流程：











在上图主业务流程中，我们会再细分到每一个子流程节点进行策略设置。




在梳理对应的风险流程的时候，会用到策略引擎去部署相关的节点内容。



决策引擎是一套以工作流为导向的系统，里面所涉及到每个项目都是以业务流程来运作的，比如上图中所示，就是一个完整的业务流程。




最基本的业务流程由开始节点、中间节点和结束节点组成，我们经常在中间节点里做各种非常复杂和业务逻辑的流程











在相关的节点的维护环节，我们可以就相关的方案选择以下几类：衍生数据类、评分卡类、策略表、政策规则集、索引集、决策设置器、数值设置器等；其中我们比较常用的是评分卡类跟政策规则集。











评分卡，里面就是我们开发完评分模型之后，各个变量之间的分段的权重值，我们在里面会填写变量细分情况；

政策规则集，会将强变量、弱变量，还有涉及到中间变量都是统一进行不同策略包的规则。




所以在整个风险把控上，我们应该如何根据自身的产品、数据埋点以及相关策略设计自家一套更有含金量的决策流呢？在5月9号的专题课上《决策引擎上的决策流设计及策略架构开发》，我们不仅仅介绍目前现有的决策引擎系统，也会协助大家避坑目前市面现有的决策引擎(剖析如何选型)，而且更会跟大家讲解决策流设计规划细节的方方面面。以下四点上是目前讲决策引擎课程里，其他课程少有提及的，分别是：

1：由大及小的决策流

2：决策流的分支

3：决策流的分析

4：决策流、模型的监控




知其然知其所以然，希望通过本次课的学习，大家在以下方面至少有所收获：

1：让政策知道规则背后的逻辑，更好的提需求与设计需求

2：让信审、数据分析等转行的同学和政策同学对规则与整体框架的概念

3：让政策、模型同学对全局观有了解更好的把握

4： 知道什么是决策引擎

5 ：知道什么是好的决策引擎  （能够分辨优劣）

6： 怎么用好决策引擎




关于这些内容，有兴趣的风控人可回顾5月9日的专题课：《决策引擎上的决策流设计及策略架构开发》

课程中，还有相关的实操跟案例介绍：

*实例1：贷前贷后客户分群、客户评级综合分析

*实例2：Hunter策略与订单流转设计

*实例3：邮件报表设计与Tableau可视化报表设计

*实例4：信审审核时效与处理单量监控

*实例5：资信、特征监控与模型监控分析*

*实例6：决策引擎规则部署











~原创文章

.....

end