风控业务背景

信用评分模型的出现改变了传统人工信贷审批过程低效的局面，为自动化审批开启了一扇大门，从而充分发挥出规模经济的优势。但是，无论多智能的模型终归只是一个工具，它无法完全代替人来审核人，在业务中起关键作用的还是人的决策。

模型优势在于准确、客观、自动化，人工优势在于灵活、善于推理、有业务温度。因此，若能将人和模型的优势有机结合，那么就能达到“1+1>2”的效果。

目录
Part 1. 风控系统流程
Part 2. 决策否决(Override)的概念
Part 3. 决策否决的原因
Part 4. 决策否决的建议
Part 5. 否决报告记录及报表
Part 6. 否决报告对模型优化的指导
致谢
版权声明
参考资料

Part 1. 风控系统流程

当前P2P互金公司的风控流程一般可以简化为以下几个必要模块，实际风控流程则要复杂得多，包含各细节分支，比如按新客老客、获客渠道会有不同的分支去处理。一般而言，老客风险都较低，因此流程就会简略；新客风险高，审批流程就会拉长。（ 新客风险识别也是一个值得探讨的命题）

• 1. 准入规则：风控系统的第一道关卡，作用是通过一些基本的检验规则，来拒绝大量不符合基本要求的进件。目的是降低审核人员的工作量和风控系统的成本。比较常见的准入规则有：年龄判断、地域限制等。
• 2. 反欺诈策略（anti-fraud）：识别欺诈人群，可利用黑名单（公司内部或第三方数据公司）、活体识别、反欺诈模型等。
• 3. 政策性拒绝（policy rule）：合规考虑，比如校园贷不合法，那么对于学生的申贷订单就直接予以拒绝。
• 4. 信用评分策略（credit scoring）：基于信用评分模型，预测借款人逾期风险。额度模型给出借款人的授信金额；A卡用以风险定价，即给出借款人的利率、期限等。
• 5. 人工信审（audit）：主要负责电话核验是否是本人、借款意图咨询、资料真实性确认、借款人背景核查等。

Part 2. 决策否决(Override)的概念

信用评分模型帮助我们批量有效地处理信贷审批流程，在某个最低评分阈值(cutoff)上，信用策略给出通过(accept)的决策，反之予以拒绝(reject)。

• 1. 分数大于cutoff：可以认为这类的借款人信用情况很好（逾期概率非常低），进件不需要经过信审人员审批，直接通过；通常这一分值经过计算后会设置的很高，能达到这一分值的借款人占比很小。
• 2. 分数在某个区间时：在这一区间的进件，都需要经过信审人员审批。
• 3. 分数小于cutoff：可以认为这类的借款人信用情况很差（逾期概率非常高），进件不需要经过信审人员审批，直接拒绝。

但在实际业务中，我们可能并不会严格按照信用评分进行决策。对于某些用户，我们可能会在人工信审中给出与信用评分完全不同的结论，这种前后决策不一致的现象，我们称之为Override（否决）。

我们一般可分为以下两种情况：

• 1. 高端否决（high-side override)：对于风险评分高于最低可接受分数线（cutoff），但经过人为的、主观的审核后被拒绝（reject）的信贷申请；
• 2. 低端否决（low-side override)：对于风险评分低于最低可接受分数线（cutoff），但经过人为的、主观的审核后被批准（accept）的信贷申请。

根据图2所示否决矩阵，我们又可以得到以下指标：

• 高端否决比例（high-side override ratio) = RA / (RA + AA)
• 低端否决比例（low-side override ratio) = AR / (AR + RR)

否决比例（override ratio）通常依赖于信贷产品属性，并受到很多因素制约。

1. 对于小额大量的产品，由于订单进件量非常大，否决比例就会很低，因为此时若对大量订单再进行人工审核需要花费昂贵的人力成本，这时候就要充分发挥模型的优势；
2. 对于大额少量的产品，这时候模型的优势就不明显，就要加强人工审核的比例，毕竟每一单都是大量的钱，必须对每一笔都慎重。

这也是大数据风控和传统风控之间的一个差异点。

Part 3. 决策否决(Override)的原因

既然评分卡模型是在成千上万个样本中学习得到的模式，相比于人工决策更加真实客观，那么为什么还需要人工介入呢？主要有以下原因：

1. 政策性规则：由于之前国家或公司政策性规则里并没有这一条，后续发生调整。
2. 模型非万能：模型并不能涵盖所有的情况，因此在某些情况下模型会发生错误判断。任何模型都不能做到100%的可靠。另一方面，可能模型开发时所构造的特征信息不够全面，对于个例的调研不如人工灵活。
3. 欺诈风险：最主要还是防范白户风险，由于缺少历史不良记录数据，反欺诈环节可能未覆盖到，而信用评分环节又给出较高的分数，此时就需要人工信审来进一步确认。

Part 4. 决策否决(Override)的建议

低端否决是在从"劣质"人群（低信用分）中捞回，如果人工判断有误（或者有意放水），那就会导致资产质量下降，引入更多坏账；而过多的高端否决则会导致"优质"人群（高信用分）流失。

因此，我们一般会控制否决比例，以模型决策为主，人工信审为辅，不应本末倒置，从而导致审批效率低下，回到原始时代。

那么，怎样的否决分布才是合理的呢？在灰色地带（cutoff附近），代表模型给出的决策模棱两可，那么否决比例会比较高。但如果模型是具有排序性的，那么离cutoff越远，好坏的界限就应该越清晰，否决比例也应该越低。因此，否决分布呈现cutoff处高，而往低分段和高分段呈现衰减趋势，如图3所示。注意，实际否决分布并不一定服从正态分布，而且最大否决比例也是因各家而异。

Part 5. 否决报告记录及报表

人工否决时，需要详细记录否决原因（override reason code），便于追溯案件和可解释性，这将是一块宝贵的数据。另一方面，否决报告也将约束规范信审人员行为，降低操作风险（operation risk）。例如，内外勾结，联合骗贷。

设计否决报告日志，可考虑落实到日期、否决原因、产品线、订单号、借款人、模型编号、信用分、信审人员。其中否决原因可由信审主管组织大家头脑风暴，确定否决原因的大类、小类以及其他（为应对新出现的事件）。

同时，我们也需要周期性统计否决原因分布，形成报表。

Part 6. 否决报告对模型优化的指导

风控模型在迭代过程中总会遇到瓶颈——我们该如何寻找优化思路？

如果我们的模型足够好，那么人工否决比例就会很低，也就是说两者的一致性会很高。从这个角度看，模型优化的思路可以从否决样本上去寻找。

例如，人工信审给出一批借款人的信用卡账单消费地点与平时生活地点并不一致，那么我们就有理由怀疑账单造假。因此，我们将在反欺诈模型中加入“消费地点与平时活动地点是否一致”的特征来提升模型。

致谢

感谢参考资料中的作者，尤其是《现代信用卡管理》的作者——陈健老师。本文主要是一些阅读笔记，仍有理解不到位之处。

版权声明

欢迎转载分享，请在文章中注明作者和原文链接，感谢您对知识的尊重和对本文的肯定。

原文作者：求是汪在路上（知乎ID）
原文链接：https://zhuanlan.zhihu.com/p/81152807/

??著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处，侵权转载将追究相关责任。

参考资料