近期收到同学们在学习策略或工作应用中遇到的不少业务问题，今天小篇统一整理了一下，分享给大家。我们讲师也是结合实际业务场景的经验，给了同学们细心答复。大家可以看看有没有自己遇到的相似问题？
课程干货回顾：知识星球-第6期大咖直播课：风控策略规则开发与应用
01
Q：对不同的分析场景，在实践中一般会有多少条策略规则？
A：金融不同业务场景的贷前策略规则有一定区别，比如对于不同金融机构（银行、消金、小贷、保险等）、不同产品（个人、企业）等。但一般情况下大约在30条~100条的范围。
银行的策略规则一般不会很多，因为客户群体本身大多都是优质用户，而对于消金公司，客户群体资质会差一点，策略规则数量稍多些。
一般从信息核验类（要素核验、黑名单核验等），加上基本信息、人行征信数据的策略规则加起来有几十条。当然，由于各家机构业务不同，以及风控思路不同，策略数量有时差别也会挺大，但大体情况如上所述。
02
Q：策略特征一般是怎么选择的？在实践中可能可供选择的特征有几十上百个甚至更多，策略人员怎么选择出来十几个用来建立策略和分析？
A：在实际业务场景中策略规则有很多，具体选择建议是将所有线上应用的规则都引入，当然有一类规则要除外，即“核验类规则”，比如：
这些策略规则是强性规则，不需要矩阵分析，如果用户命中直接拒绝就可以了。
此外其他规则可以采用决策矩阵，如果为了保证风控的精准度，可以将其余所有规则引入。但太多了也会造成监测调整维护起来较麻烦，因此可以进行规则筛选，这时需要考虑规则的效果，选择区分度较好的、信息维度有代表性的、业务类别有意义的、规则字段相关性比较弱的、规则字段分布稳定性较好的等。
03
Q：策略规则选用的时候会有要求么，比如较强的业务含义？
A：策略规则的选用是比较看重业务含义的，因为业务维度越多，说明识别用户风险的维度也就越多，从风控的思想来讲，这是非常重要的。但是，除了业务含义，策略规则字段的效果也是十分重要的，比如：策略规则的准确性、稳定性、解释性等，要选择区分度较好的、稳定性较好的等，这样才能保证决策矩阵的准确性能和稳定性能。
04
Q：在课程中提到模型区分度一般比策略规则区分度好，在实践中，最终等级因为规则策略影响的比例大概多少？
A：影响比例这个是无法界定的，也不需要去关注。对于风控来讲，将策略与模型的体系架构好了实现风控准确度提升的目的，这才是重点。所谓模型区分度一般比策略规则区分度要好，意思某个模型分数比某个策略规则的区分效果要好很多，理由是：
当然，一个模型和一套策略多个规则集相比，效果是不好衡量的，也没有太大意义，而且这和很多实际业务需求有关。无论怎样，策略模块的规则类别越多、每个规则的区分度越好，那策略的性能越好，同对模型也是如此，这样构建出的决策矩阵在实际应用中的综合效果会很好的，简单点说，这也是风控的思想。
05
Q：针对分区度高的规则或变量，如果命中总样本量较少（少于30）时，怎么处理？还要做成规则吗？
A：区分度高的规则或变量命中总样本的数量少，比如只有0.5%，一般情况下不是优先考虑，主要原因并不在于命中数量太少，而是担心这样的规则在后期不太稳定，波动的可能性较大，如果其他可选的规则较多，或者非常想用这条规则的话，也可以考虑的，只是要特别测试下这条规则在不同时间窗口样本下的稳定性，如果表现稳定也是可以采用的，当然还要分析下是否被其他规则覆盖、字段调用的成本等。
这个问题回归到实际业务中，其实是很少出现的情况，变量的区分度很好，要是好的话各个区间的分布有明显的差异，不仅仅局限在刚说的这种命中很少的情况，若某个区间命中很少，可以适当往前扩大点区间，假如不便于扩展而出现了问题描述的情况，那就是按照前边说的思路处理。
06
Q：考虑数据成本和策略效果，怎样对规则中使用数据源的先后顺序进行排序？
A：
这些原则不是绝对的，但都是考虑的原则，在实际部署时，在同等情况下重点排序，此外还要考虑规则之间的覆盖情况。
07
Q：原样本和新样本取数时间范围一般各是多久？
A：在课程中原样本指的是开发样本，新样本指的是测试样本，从时间窗划分，原样本在前，新样本在后。一般情况下，建议开发样本的时间窗最好取3~6个月，测试样本的时间窗最好取1~3个月，具体也得看实际业务情况，选取的时间窗口数据能否满足开发的需求，这是很重要的。
此外，开发样本与测试样本时间窗不要有重叠，且间隔时间最好是相邻。举个例子，开发样本1~3月，测试样本4~5月。
08
Q：拒绝规则按照命中个数，稳定性怎么样，后续怎么迭代
A：可以采用PSI指标来监测规则的稳定性情况，优先监测规则区间的稳定性结果，然后关注变量本身多个区间的稳定性结果，这个工作是可以一次性出结果的，只是重点看规则区间的波动情况。
如果波动性比较大，先采用阈值调整，一般是缩小占比，以保证不同时间窗样本下比较稳定，区分度还是保持好的。如果阈值不好调整，那就需要将此规则直接弃用，或者与别的规则进行组合使用。
09
Q：几个拒绝规则的变量的IV为0.2左右，且变量也不是黑名单类的强拒绝规则，那这样把这几个拒绝规则做或运算的话，拒绝的客户量就比较高？
A：在规则开发时，优先对单一规则进行通过率与区分度分析，但在部署之前，务必要对所有规则的决策效果进行整体分析，以保证最终对业务影响的通过率和坏账率符合预期。因此，在开发出多个规则之后不会直接上线，还会做整体规则的应用分析，如果得到的通过率满足预期可考虑部署上线；若得到的通过率较低或较高，那需要对某些区分度较好的规则进行阈值调整，在保证坏账表现合理的情况下，适当放宽一点拒绝阈值。
10
Q：如果规则的首逾7天指标区分度高，但首逾30天逾期率区分度低，这种该怎么处理？
A：这是由于目标变量定义口径不同，使得目标变量的分布存在很大差异，规则的区分度自然也很容易变低，但根据这种情况来说规则效果变差的话，是不太合理的，开发某条规则，是定义好了目标才进行划分阈值确定规则的，既然是确定这条规则，说明区分度是比较好的，这和目标逾期几天没有什么关系的。
如果目标定义又发生了变化，那规则自然也得重新开发，对应的阈值一般也就发生了变化。因此，问题描述的情况从客观角度说，是不存在的。要理解一点，规则是定义好目标才开发的，而不是开发好规则再去变化目标定义的，这不是随便可以双向变化的，而是一个单向的流程机制。
END
以上内容参考：知识星球-第6期大咖直播课：风控策略规则开发与应用
更多总结内容，已更新至知识星球，各位星球会员同学可以扫码登录星球解锁查看。
感兴趣的同学
可添加科科咨询报名学习
一键加入FAL知识星球~
即刻享受
全年不少于15次的行业大咖直播分享
↓部分主题课程截图↓
往期回顾
【第1期】经济下行时的风险应对思路和管控策略
【第2期】金融三方风控数据的测试评估
【第3期】数字化客户关系管理建模培训
【第4期】“策略+模型”组合应用之矩阵分析
【第5期】SDK数据在风险中的挖掘和应用
【第6期】信贷风控策略规则的开发与应用
【第7期】汽车金融反欺诈体系揭秘
【第8期】信贷欺诈风险识别与策略规则
【第9期】时间序列分析在风控变量预测中的应用
【第10期】央行二代征信报告的变量衍生及信贷风险策略开发
【第11期】信贷反欺诈模型的开发实现与场景应用
【第12期】基于决策树的策略挖掘和特征生成
【第13期】金融通用场景下的数据基础分析方法
【第14期】小微指标体系构建框架与大数据实践
【第15期】多元风控模型实战分析与场景应用
【第16期】拒绝推论在策略的实战应用（含实操）
【第17期】数据建模与可视化应用之PowerBI
【第18期】贷中支用模型开发讲解
【第19期】车商额度类贷款产品风险管理体系介绍
【第20期】信贷额度策略制定
【第21期】汽车金融产品风控管理中可应用外部数据介绍（一）
【第22期】下沉客群风控新思路——贷前调额
【第23期】汽车金融业务风控体系0-1建设介绍
【第24期】小微信贷策略和模型体系搭建
【第25期】外部数据源测试流程——个贷应用讲解
【第26期】随机森林反欺诈规则挖掘
【第27期】模型特征衍生框架设计与离线数仓构建
【第28期】专项人群额度策略-房贷数据
