之前我们提到说，日常工作中单一的变量特征，在实际上线部署的过程中往往达不到我们要的效果。比如对于某一条规则的分箱，分别是：

第一分箱：对应坏账2%

第二分箱：对应坏账15%

第三分箱：对应坏账25%

但当我们测试完盈利数据，发现切分点cut-off需要定在22%的时候，却找不到合适的阈值。因为22%不是比15%大，就是比25%小一些，所以怎么样寻找挖掘来使得规则成为我们心目中最理想的规则，就是本文讨论的内容。




这个内容的实操，在之前的内容有跟与大家稍作讲解：

衡量风控策略区分度的三步法




具体规则挖掘的实操大概三步：

第一步，以坏账等级切分客户：

利用坏账把风险划分了5个等级之后，这样每个规则对应的规则值都会有一个风险等级的归类。

[backcolor=rgba(18, 18, 18, 0.5)]​

编辑




添加图片注释，不超过 140 字（可选）

第二步，将现有需要执行投票制的规则进行风险等级的归类：

将每个规则值的风险等级合并计算，并标识相关数据情况

[backcolor=rgba(18, 18, 18, 0.5)]​

编辑




添加图片注释，不超过 140 字（可选）

第三步，使用风险等级对每个用户订单进行分类统计：

[backcolor=rgba(18, 18, 18, 0.5)]​

编辑




添加图片注释，不超过 140 字（可选）




以上效果实操后，怎么知道我们挖掘的规则是否是正确合理的呢？这里我们需要引入效果评估标准，也就是好客户与坏客户的分析：

①好客户：对比捞取后的好客户是否更多的

②坏客户：对比优化后的坏客户是否更多了




参考案例中的数据：

①好客户、对比原有单规则策略，逾期率低于20%的客户订单更多了：

优化前：101个好客户

优化后：204个好客户；

结果：好客户，的确相比优化前之前更多了

②坏客户：对比原有单规则策略，高于逾期率44%的客户订单更多了：

优化前：118好客户

优化后：137个坏客户

结果：坏客户，优化后也更多了；

结论：以上案例，挖掘的好客户增多，坏客户也更多了。自然，整体的授信额度会随之提升，我们认为该策略挖掘有效。

在风控工作中，我们总是在不断调优找最坏的客户，找最好的客户。无疑一条优秀的策略价值千金，但在实际的工作中，只有一条策略就能卡出来最好的客户，筛选出最坏的客户，这基本是办不到的，所以我们只能不断地去寻找最优化的组合策略，两两交互或者三三甚至更多层级的交互，直到找到最合适最好的策略为止。

今天我们介绍了，怎么使用多维策略组合来寻找最优的规则。掌握了这套方法，可以在以下场景发挥作用：

①优化正常决策拒绝策略

②收紧降低逾期率和风险，做好cut-off

③额度授信管理，差异化的额度与费率授信

④提升整体的资产质量，更好的降低逾期率

⑤提升额度管理的能力，更好的做费率的区分等




...

~原创文章