实操来袭|信贷策略二维矩阵的生成与应用
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
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。
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
?
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:
?
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
如若转载,请注明出处:https://www.anshangmei.com/23923.html