來源于網(wǎng)絡(luò)
決策引擎近幾年聽得比較多，那么如何判斷你的決策引擎是否有效呢？
靈活可配
不但可配規(guī)則，還可配規(guī)則的字段和權(quán)重。業(yè)務(wù)友好就不用說了。
快速部署
配置好的規(guī)則模型可實(shí)時(shí)生效，如果涉及一般規(guī)則修改時(shí)，可做一個(gè)灰度部署。
決策流
可把不同的規(guī)則和模型串到一起，形成一個(gè)決策流，實(shí)現(xiàn)貸前、貸中、貸后的全流程監(jiān)控。它要可實(shí)現(xiàn)對(duì)數(shù)據(jù)的按需調(diào)用，比如把成本低的數(shù)據(jù)放到前面，逐步把成本較高的數(shù)據(jù)放到后面。因?yàn)橛行Q策在前面成本較低的數(shù)據(jù)下已經(jīng)可以形成，就不必調(diào)用高成本的數(shù)據(jù)。
AB測(cè)試和冠軍挑戰(zhàn)
對(duì)于規(guī)則修改、調(diào)優(yōu)時(shí)尤其重要。兩套規(guī)則跑所有的數(shù)據(jù)，最終來比較規(guī)則的效果。另一種是分流——10%跑新規(guī)則，90%跑老規(guī)則，隨著時(shí)間的推移來根據(jù)測(cè)試結(jié)果的有效性。
支持模型的部署
線性回歸、決策樹等簡(jiǎn)單模型容易將其變成規(guī)則來部署，但支持向量機(jī)、深度學(xué)習(xí)等對(duì)模型支持的功能有更高的要求。
經(jīng)過以上手段，基本可具有一個(gè)很強(qiáng)的力度來排除信用風(fēng)險(xiǎn)，以下便是信用評(píng)估階段。
評(píng)分卡模型
評(píng)分卡分為申請(qǐng)、行為、催收評(píng)分卡。申請(qǐng)?jiān)u分卡用于貸前審核；行為評(píng)分卡作為貸中貸后監(jiān)控。它可通過歷史的數(shù)據(jù)和個(gè)人屬性等角度來預(yù)測(cè)違約的概率。信用評(píng)分主要用于信用評(píng)分過程中的分段，高分段可以通過，低分段可以直接拒絕。
因行業(yè)、客群與業(yè)務(wù)不同，評(píng)分卡標(biāo)準(zhǔn)也有所不同。對(duì)有歷史表現(xiàn)的客戶，我們可將雙方的XY變量拿出來，進(jìn)行模型共建，做定制化的評(píng)分。構(gòu)建評(píng)分卡模型，目前傳統(tǒng)方法是銀行體系中使用的：數(shù)據(jù)清洗、變量衍生、變量選擇然后進(jìn)行邏輯回歸這樣一個(gè)建模方式。
核心技術(shù)與挑戰(zhàn)
在目前圍繞大數(shù)據(jù)、大數(shù)據(jù)決策為核心的風(fēng)控技術(shù)體系中，整體的數(shù)據(jù)量達(dá)到一定水平，存在的挑戰(zhàn)將會(huì)是數(shù)據(jù)的稀疏化。隨著風(fēng)控業(yè)務(wù)覆蓋的行業(yè)越來越多，平臺(tái)間的數(shù)據(jù)稀疏問題就越明顯。
此外，對(duì)于大數(shù)據(jù)來說，具有數(shù)據(jù)和大數(shù)據(jù)決策，卻沒有很穩(wěn)定的落地平臺(tái)也不行。大數(shù)據(jù)應(yīng)用要做到完整，還需要符合以下要求的平臺(tái)：
1.容納量，能容納特別多的數(shù)據(jù)；
2.響應(yīng)，任何決策都能實(shí)時(shí)響應(yīng)；
3.并發(fā)，在大量數(shù)據(jù)并發(fā)時(shí)也能保持調(diào)用。
聯(lián)系客服
