度小满风控决策引擎演进与实践
决策引擎的业界发展
决策引擎经历了四代演进：
- 第1代内嵌规则模式：硬编码专家系统，无法自助变更，迭代成本高，可维护性差。
- 第2代特定场景引擎：耦合特定场景，扩展灵活性差，研发能力要求高。
- 第3代通用决策引擎：引入可视化和配置化，标准化数据接入与决策输出，但仍依赖人工决策。
- 第4代智能决策引擎：机器辅助人工决策制定，更高效更精准。
度小满风控决策引擎的演进历程
度小满基于Blaze的通用决策引擎演进为智能决策引擎，分为三个阶段：
- 风控1.0（2015）：围绕外采blaze构建风控决策系统。
- 风控2.0（2016-2020）：自研流程、规则、变量、实验等，形成完善的贷前、贷中、贷后风控系统能力。
- 风控3.0（2021-）：全面数据驱动和智能化，构建完善的风控数据体系、智能决策和分析体系。
阶段痛点与解决方案
- 风控1.0：风控系统能力缺失，价值未体现，通过自研能力逐步完善。
- 风控2.0：系统能力制约策略迭代效率，通过并行流程引擎、风控能力制度化、风控数据建设解决。
- 风控3.0：数据质量管控未体系化，决策正确性保证未系统化，实时分析预警未精细化，通过智能决策与分析体系解决。
度小满风控决策引擎的技术实践
规则平台
- 痛点：单一产品线使用内嵌规则模式，迭代效率低（<10次/月）。
- 实践：自研全自研规则平台，实现完全自助&可视化，提升策略迭代效率至700+次/月。
流程平台
- 痛点：人工编排流程耗时长，体验差，影响业务转化。
- 实践：自研全自研流程平台，提升风控决策性能，授信用信耗时从22秒降至5秒，用信耗时从13秒降至5秒，降低60%+提升转化和用户体验。
并行流程引擎的设计与实践
背景
- 授信耗时22秒+，用信耗时13秒+（20年初），风控决策流程占比88%。
- 流程引擎执行过程耗时占比91%，主要原因是风控决策流程放大60倍，耗时占85%。
挑战
- 流程节点间依赖问题，开源组件（Activiti、Flowable、Camunda）无法满足并行诉求。
设计思路
- 目标：保持现流程引擎使用方式，实现流程并行执行，符合BPMN标准，实现灰度执行和主子流程功能。
- 技术实践：运行时并行、依赖分析、变量预取、灰度执行。
运行时并行
- 编辑时：流程图编辑时使用并行网关处理可并行节点。
- 发布时：流程图发布时解析可并行节点，通过并行网关连接。
- 运行时：动态解析可并行节点，达到理论最大并行度。
- 选择运行时并行：节点依赖其它节点输出结果时，编辑时和发布时难以预测，运行时并行可实时优化。
依赖分析
- 流程图抽象为DAG图，广度优先遍历标识节点先后顺序，入参在前序节点输出列表即为不依赖，可并行执行。
- 引入动态刷新（裁剪）处理排他网关导致的节点不执行问题。
变量预取
- 解耦变量查询和节点执行，提高变量查询并发度，降低查询次数。
灰度执行
- 流程图中每多一个灰度节点，流程图数量被2^n倍扩充，通过预编译+缓存技术解析流程图组合及节点依赖，按灰度条件打标，运行进程直接读取执行。
风控系统的未来趋势展望
数据
- 挑战：数据使用标准和规范、数据价值评估、变量加工可视化、数据质量管控。
- 方向：全面数据驱动，数据质量管控，变量使用灵活，数据价值和效果评估。
决策
- 挑战：分客群多角色协作模式下策略按预期执行正确性、决策流程和结果可解释性、自动阈值调整和策略推荐。
- 方向：智能决策，决策正确性保证，可解释性，最优决策。
分析
- 挑战：指标异动实时预警、细粒度指标定义和计算、监控、分析、风险预测准确性。
- 方向：智能分析，实时分析预警，精准性，策略自动生成和推荐，决策全链路追踪，策略管理系统化。
