许贤铭 - 外部数据在信贷风控和经营中的应用

消费信贷风控经营模型策略及数据简介

• 风控经营框架：在息差收窄、人口红利消退背景下，风控与经营目标一致，高度协同的管理框架支持业务健康发展。数据作为基石，通过充分洞察和解读影响风控和经营效果，涵盖获客、贷前、贷中、贷后等环节，包括规模风险、盈利效率、业务目标等策略。
• 所需数据类型：包括借款用途、需求频度、履约能力（基本属性、收入、资产、负债、经营信息）、履约风险（基本属性、金融行为、非金融行为、法院失信等、风险评价数据）。

消费信贷风控经营引入外部数据面临的问题

• 引入外部数据面临的问题包括如何选取外部数据、如何应用和评估外部数据、如何提升优质数据源的效果。

外部数据在风控经营中的应用评估方法

• 外部数据的选择标准：合规性、稳定性、有效性、业务增益、可解释性。
• 外部数据引入环节及应用评估要点：确定应用场景、目的和方式，样本准备，数据回溯，离线评估，数据接入，数据实验、监控和分析。
• 样本选取的技术方案：通过事件时间回溯或分类算法圈定特殊样本，识别受特殊事件影响的样本。
• 外部数据可行性评估：结合数据成本进行收益预估，包括数据选择、数据调用策略设计、计算收益、估算调用量等。拒绝/回捞策略的利润计算公式为：利润 = 收入 - 成本。
• 数据应用评估示例：风险评分的应用评估：应用于贷前准入环节，目的提升通过率或降低风险。评估方法包括策略交叉矩阵评估、和主模型融合、策略设计和评估、可行性评估。
• 监控和效果分析：
  • 数据漂移问题：上线后变量的分布发生明显变化，影响模型、策略的决策效果。通过确定外部数据是否整体偏移、分析客群是否变化来定位问题，并采取数据源问题处理或客群变化优化措施。
  • 数据评分KS衰减问题：评分类产品上线应用后，随着风险数据的表现，观测KS较上线前有明显衰减。通过观测样本变化导致的衰减或客群变化导致的衰减来分析问题，并采取相应措施。

通过联合建模提升外部数据的最优效果

• 为什么需要联合建模：一些优质数据源只能输出评分，并非最优，因建模样本的差异影响评分效果。实践表明，通过联合建模相对标品评分KS显著提升，提升比例甚至可达60%。市场上合规、稳定、可解释且区分能力强的数据源并不多，建议通过联合建模取得最优效果。
• 外部数据联合建模经常面临的挑战和解决方案：
  • 合规原因不能输出Y：采用迁移学习方案。
  • 合规原因能输出的带Y样本少：采用迁移学习方案。
  • 业务早期样本量少：采用迁移学习方案。
  • 有多种资产渠道，多条业务线：采用分群建模方案。
• 迁移学习解决方案：
  • 方法一：通过学习源域样本权重，减小源域和目标域的条件概率差异，分开学习好坏样本权重。
  • 方法二：先通过业务lookalike找到更近似的客群，进一步学习源域样本权重。
  • 方法三：通过学习源域样本权重，减小源域和目标域的条件概率差异，借鉴EM思路迭代学习好坏样本权重。
• 分群建模解决方案：
  • 核心思路：样本在特征空间上的分布显著不同时，可以通过分群建模优化模型效果。分群逻辑包括Y定义是否可拉齐、单独建模收益显著，如客群之间特征分布差异。
  • 分群维度：客群差异、渠道差异、数据薄厚。
  • 分群建模的业务权衡：分群建模带来风控效果提升的同时，也会代模型管理迭代成本的提升。通过主模型和分群模型的对比可以评估分群建模的必要性，决策逻辑在模型效果差距不大的前提下，优先使用主模型。