歸結而言，風控的素質是數據，探索數據與數據之間關聯關系，按照其演變的規律，為業務所用。

消費金融的門檻核心在于風控系統，面向C端客群的線上產品線，如消費分期、現金貸及信用卡代償等業務標的目的，其需實時支持大量業務的自動化處理，風控系統將承擔貸前、貸中和貸后的風控評估、處理及預警的角色，極大地解放人工處理的瓶頸與效率。

優先級

風控決策引擎是一堆風控規則的集合，通過差別的分支、層層規則的遞進關系進行運算。而既然是組合的概念，則在這些規則中，以什么樣的挨次與優先級執行便額外重要。

風控系統的作用在于識別絕對風控與標識相對風險，如果是絕對風控，則整套風控的審核結果便將是“拒絕”。既然結果一定是“拒絕”，則沒須要運行完所有的風控規則，而主要單條觸發“拒絕”即可停止剩余規則的校驗。因為所有規則的運行，是需要大量的時間、金錢與性能成本的。所以，整套風控決策引擎的搭建設計思路，基于規則優先級運算的注意要點如下：

自有規則優先于外部規則運行

舉例說明：自有當地的黑名單庫優先于外部的黑名單數據源運行，如果觸發自有當地的黑名單則風控結果可直接終止及輸出“拒絕”結論。

無成本或低成本的規則優先于高成本的規則運行

舉例說明：借款用戶的身份特定不符合風控要求的，諸如低于18歲的用戶，則可優先運行。而一些通過對接外部三方征信的風控規則，需支出相關查詢費用的，則靠后運行。此外，在外部三方征信的規則中，命中式收費的風控規則（如黑名單與反欺詐）又可以優先于每次查詢式收費的風控規則（如征信陳訴）運行。

消耗低性能的規則優先于高性能消耗的規則運行

舉例說明：直接基于用戶現有屬性的數值，如當前用戶的民族是否非少數民族，則可優先運行。而一些風控規則，需借助爬蟲接口，且需待將爬取到的數據經過二次加工與匯合之后，再對匯合的總值進行判斷，如手機運營商賬單中的月總通話分鐘時長，則此類風控規則應后置運行。

可調整

風控的核心思路是基于大量真實的樣本數據，將逾期用戶的身份、行為與數據特征進行提煉，從概率學的角度上進行剔除，從而保障到剩余用戶群的逾期概率處于一個相對較低的區間。而對數據的提煉與作用過程，將使用到“參數”的定義?！皡怠睕Q定了區間和上下限范圍，一條風控規則通常作用于某一數據類型，依據此數值是否滿足“參數”的定義范圍，得出是否可通過風控的結論。

由于風控最終還是數據“喂出來”的結果，而非主不雅觀臆斷的設限，故而，隨著數據樣本與內容的不停發展，一定將會涉及到一些動態的調整，后期可能會發現原本設定的“參數”過于嚴謹而導致審核通過較低，或者是設定得過于寬松而導致逾期率較高等。所以，整個風控決策引擎的搭建設計思路，基于可調整與可維護的注意要點如下：

非剛需與須要的風控規則，能夠“開關化”

舉例說明：一些須要的風控規則，如用戶的銀行4要素驗證是否一致性，這是須要規則，就無需可開關。而一些如校驗用戶的芝麻信用分是否高于500分，則可做成“開關”。待該規則上線后，可通過分析此項規則的觸發率得出是否合理的判斷。因為芝麻信用分是否可作為決策依據將主要取決于業務標的目的與用戶群體，因為理論上芝麻信用分的凹凸主要與用戶在芝麻信用體系內的數據綁定維度的多與少相關，并不必然絕對反映用戶的信用程度。

風控規則上的“參數”可調整與靈活配置

舉例說明：很多風控體系通常會加入對手機運營商的校驗，所以有一些風控規則，諸如校驗用戶手機號的使用時間長度是否大于6個月。其中的“6個月”即是所定義的參數，此處最好可調整與配置。因為去驗證用戶的不變性，是否用“6個月”，還是用“3個月”的長度更合適？具體合理的參數是需要通過數據分析的結論進行得出，如果由于定義“6個月”長度的要求而發現其他一些手機使用時長雖然短一些，并未與用戶是否逾期形成直接一定因素，那么可將該參數放松調整到“3個月”。

記錄與統計

風控最終到底是“跑出來”的，所以，整個風控系統對所有差別風控規則的觸發需進行有效的記錄與統計，以便后期可支持數據分析與風控模型調整的相關工作。

具體的記錄與統計內容，主要如下：

觸發的具體風控規則

標簽：九江 鹽城 林芝 烏魯木齊 東營