消费金融风控策略

变量分布的合理性：年龄为例，这期的用户大多集中在20-30之间，下一批用户年龄集中在30-40之间，导致变量分布不一致问题。机器学习模型都是基于独立同分布的假设的，会让模型失效，很多规则策略也会失效

交叉校验异常监控：例如用户申请使用的名字，和银行卡预留的名字是否一致

风控策略介绍

补充背景知识：风控策略和风控模型的区别?
风控策略实际上包含了风控模型的概念，但是其范围更加广泛，因为风控策略并不仅仅像A、B、C卡是特定针对某个阶段的信贷客户，而是贯穿一整个信贷流程的，即每个信贷流程都会有一些相应的风控策略，例如用户申请时候的准入策略、用户的贷后额度、利率定价策略、用户逾期后的催收策略，除此之外还有反欺诈策略等等；
1、风控策略可以是基于业务经验制定的人工规则，例如年龄>18且<60设置准入规则，有些贷款产品，则是根据贷款人的性别不同来限制年龄的。比如对于女性申请人的年龄限制是22周岁以上，而男性申请人的年龄限制为20周岁等，除此之外的风控策略还设计到具体的产品，例如对于走量的信贷产品，风控策略的制定就要综合考虑到产品的用户数量增长和风控规则的严苛进行平衡；当然，风控策略也可以是基于模型，例如准入策略可以根据A卡给出的信用评分结果进行阈值划分得到，或数据分析，例如通过对用户数据的可视化分析、统计分析等结合业务经验进行策略制定；
2、风控模型的核心是从量化的角度对用户的信用资质给定一个具体客观的分数，早模型的构建过程中较少或者没有考虑信贷产品本身的问题，而风控策略则和公司业务以及用户结合的更加直接，因为要兼顾平衡潜在损失、放贷数量、业务增长、利润最大化等问题
3、初期样本不足的情况下，会先通过风控策略进行，逐渐累积了足够的数据之后再构建更加精确的模型
4、当政策等客观环境出现变化，例如用户的客群发生较大的变化，此时模型可能就会趋于失效，这个时候风控策略就成为了最后一道关卡

风控策略的具体案例：
1、黑名单策略（分为内建和外建）：
(1）公安类数据，比如有不法犯罪记录、在逃人员等
(2）失信被执行人名单（俗称老赖）
(3）法院被执行人名单
(4）工商税务类名单
(5）高铁、航空公司黑名单
(6）证券禁入等
(7）征信黑名单
(8）放货公司的信贷产品往期的黑名单用户（内建，一般通过贷后逾期用户的管理进行内部黑名单补充
(9）多头借货黑名单
这头数据一般水说但凡命中则直接拒绝，当然有的机构也仅作为参考使用，例如作为特征入模等，因为黑名单库里的客户一旦贷款成功会对金融机构带来巨大的损失，所以目前金融机构风控部采用的风控策略是黑名单全部拒绝

2、个人验证策略：
(1）身份证信息验证策略：包括了身份证是杏己注册、用户身份证名字与注册名是否一致、身份证照片与公安照片是杏一致、身份证归属地与注册归属地是否一致、身份证是否有效期内等
(2）人脸信息验证策略：活体检验（比如常见的眨旺眼、左右摆头。。）人脸照片与公安系统照片相似度（甚至整容啊。。）
(3）银行卡四要素验证：姓名、身份证、银行卡号、手机号互相验证：例如银行卡预留客广姓名与申请人姓名是否一致、预留手机号与手机号是否一致等
(4)、运营商验证：用户身份证、手机号、姓名是否一致 (要感谢—下手机卡的实名制制度)、 入网时长、运营商通话记录是否为空
(5） 地区验证策略，例加风险较高，稳定性低的地区，如西减、青游等，这光地区本身催收也比较困难
(6）行业验证策略，比如KTV、按摩会所、夜总会等，无业与自由职业者等
(7〉设各验证策略：安州手机是否root、苹果手机是否越狱．设备指纹技术等

风控策略的具体案例：
2、个人资质验证策咯：
(1）第三方征信查询记录在一定时间周期内超过一定查询次数（申请贷款产品一般平台会要求用户授信查询征信记录，因此通过征信报告查询次数可以判定用户的多头借货风险)
(2）社保数据查询
(3）用户收入水平等

具体实际案例

做A卡之前涉及到好坏用户的定义——滚动率分析的方式定义（M0不逾期，M1逾期1-30天，M2逾期31-60天），有时候M1时坏客户有时候M2是坏客户，具体要按照业务来看，需要通过滚动率分析判断

用户的表现期——vintage分析，有的客户申请贷款0-3月没逾期，3月以后逾期了。如果定义表现期为3个月，3个月内逾期为坏客户，过了半年才逾期的客户就不是坏客户
B卡和A卡类似，只不过增加了一些贷后数据

变量体系