量化风控的规则开发，如何更好做策略定规则，抓坏人

关于策略与规则的开发，相信很多在信贷行业做信贷策略的小伙伴们都非常关注。
比如关于以下的场景，你或多或少都一定有遇到过：

公司为了完善线上信贷产品的风控体系，从外部多家三方数据机构引入不同维度的数据源，例如某电商平台的网购黑名单、银联机构的银行卡交易、某设备厂商的APP卸载次数、某网上约车平台的出行系数、非银机构的多头借贷信息、运营商的电话通讯次数、某互金公司的反欺诈等级…
接到这些数据的你，是不是也有些蒙圈。我该如何挑选合适的规则，该如何在最优的成本范围或最有效的程度上，该放置哪些规则优先，选择哪一类最有效的指标放在最前面，以一当百，干掉所有的坏人呢？

这里我们稍微介绍常规上，风控策略分析团队常用的三个方法，分别是：

①单维度标签分布法
②双维度决策矩阵法
③多维度决策树算法

综上一共有这三个方法来解决实施策略规则的挖掘与分析。
本文以第①个方法，单维度标签分布法详细说明，且我们挑选单维度标签法中的评估类的特征为例说明。

举例演示：
①单维度标签分布法

如某变量X10,其代表的含义为：贷前申请信用风险评分(某第三方数据)，根据此评估类的指标，我们列出其好坏客群分布情况：
​

在以上的综合指标中，我们观察到在（486.855,501.5]这一组别中，其bad_rate(坏账率)、iv(指标显著性)等都明显跟其他组别有差异，于是在第一条的单维核验类规则中，我们制定如下规则：
rule：贷前申请信用风险评分<=501，拒绝
以上特征是属于连续型特征，同样在评估类型的离散型特征中，如该离散型特征X02为：近1年信贷违约账户数

我们也一样可以按照上述思路画出相关的客群分布数据，从而得到新一条的规则rule：
​

咱们这里抛个问题，这里具体的规则的拒绝策略中应该选取哪个分段区间最为合适？
当然既然是策略规则的开发，以上提到的这三种开发策略的开发方法跟实操内容跟要点，就势必都会跟大家一一讲解清楚，有兴趣的童鞋可关注《信贷场景多维特征交叉策略的实战分析》：
​

课程中，仍是以具体的实操内容为案例讲解，附带具体的数据集：
​

课程中对于有代码基础的童鞋，也会辅助以相关的代码进行自动化的规则策略加工：
​

另课程部分预览如下：
​

…(部分内容预览，详见课程)

​

…(部分内容预览，详见课程）

…
~原创文章