公众号：番茄风控大数据

策略，在我们的公众号里提的比较多，大家都了解其是信贷流程中最重要的模块，我们常说的在评分卡，量化风险其实也是一种策略手段。策略跟评分，它告诉我们如何解释客户分数以及与该分数相对应的方法。好的策略可以帮助我们：

（1）提升核准率

（2）降低信用风险

（3）最大化利润

在开始策略分析并运行许多假设分析迭代之前，重要的是要确定明确的业务目标并了解最终影响分析的业务流程。最基础的信贷策略，采用的是最简单基于接受或拒绝决策的一维拒绝值。

临界水平，就是信用批准的门槛，可以是具有单个固定值的边界，业内称为cut-off，当然它也是可以调整的值。既然可以调整就具有多种处理方式，例如无条件接受，有条件接受或拒绝。

通常，金融机构会使用不同的因素来确定不同客户风险，从而区分不同的下限水平。这些因素主要包括，包括地区，人口统计，渠道分布等。当然这些临界水平取决于整体业务目标。

举个例子，如果目标是接受80％的批核率，可以将评分分数截止值指定为320。相反地，如果目标是基于6％的最大违约率，则该策略可以更加严格，截止分数将增加到360。如果该策略基于收益最大化分析，则需要按照下图将得分设置为440。

某金融机构的模型的切分区间图：

当然以上提到的都只是最基本的场景。在我们实际的案例场景中，常常是多个策略并行，并且客群分群分层也较多，所以更复杂的信贷策略具有多个临界级别。我们常常将两个或多个信用评分（例如主评分卡评分和局部评分）组合在一起。

策略里当然也会通常包括其他预测模型，例如客户保留率或响应率或客户生命周期价值分析，但本文先暂不谈论这些内容。这些行为评分与政策和法规规则以及业务KPI相结合，才可以最大程度协助我们做好分析。下面我们来看看具体的拒绝策略。

一．最基本的cut-off线

最基本的cut-off是基于利润与cut-off之间的关系所做出来的对应的曲线，常见的曲线如下图：

    但做过具体模型的同学就会了解，这样划分的区间太过粗糙，实际我们不这么用。对于具体切分我们划分为更详细的细分内容，所以我们继续第二点。

   二．多条件下的cut-off线

这里我们引入收入与评分等级的关系，并且我们加入了风险定价的内容。

结合分数和响应率这两个预测模型，可使营销部门专注于低风险和高可能响应的客户。

我们考虑到分数的策略使用可进一步用于基于风险的定价，当然还可以调整产品报价，例如利率，信用额度，还款期限等。基于风险的定价有多种形式，从基于利润最大化的的角度考虑可接受的下限水平可做出最基本的定价，并且我们也可以结合其他维度比如贷中的行为得分和未偿还余额，从而识别出信用的风险，做出相关的限制或利率。

最后简化模型，采用矩阵法进行简单的优化，具体如下：

当然，因为简单所以存在风险；例如该策略可能会拒绝本来忠诚或高利润的风险客户。在常规上，贷中我们有客户生命周期价值（CLV）模型有助于识别有价值的细分；但是，因为这个模型比较复杂，大多数机构都不想付出这个开发CLV的成本，从客观上它的开发也的确非常困难和复杂。在这种情况下，彻底的洞察分析、实时监控才可能有助于识别有价值的细分并相应地调整策略。