從圖裡可以看見，在整個貸款業務裏，風控所涉及到的只有：

【數據採集、反欺詐、策略、模型、催收】

其中數據採集會涉及到埋點和爬蟲技術，基本上業內的數據都大同小異。免費的運營商數據，和安卓可爬的手機內部信息（app名稱，手機設備信息，部分app內容信息），以及收費的徵信數據，外部黑名單之類的。還有一些特定場景的現金貸和消費金融會有自有的數據可供使用，這裡就不多說了。

反欺詐引擎主要包括兩個部分，反欺詐規則和反欺詐模型。大部分的公司都使用的是反欺詐規則，這也是主要提倡的。一個原因是欺詐標籤不好得到，很難做監督學習的訓練。還有一個原因是傳統的機器學習對欺詐的檢測效果很差。因為所謂欺詐，就是一些黑產或者個人將自己包裝成信用良好的用戶，進行借款後失聯或者拒不還錢。既然都偽裝成了好客戶，基於風控人員主觀思考建立的統計模型，又怎麼可能有好的效果。但是經過一段時間的實驗，這一塊其實用深度學習反而有意想不到的效果，基本思想可以理解為，簡單評分卡解釋性強，帶來的壞處就是可以被逆向破解，而複雜模型的黑箱操作雖然解釋性差，卻有一定的安全性，尤其是搭配了在線學習等動態手段之後。後面到這一塊會具體說。

規則引擎其實就是我們常說的策略，主要通過數據分析手段統計不同欄位各個區間的壞賬率（badrate），然後得到篩選後信用較好的一批特定人羣進行放款。這一塊主要有單變數分析和一些關鍵指標的計算和監控，後面會講到。

風控模型就是我們這個專欄的主要內容了。當然前面提到的反欺詐模型也是重點之一。只其中包含了A/B/C卡。模型演算法之間並沒有顯著區別，而是根據其發生的時間點不同而進行劃分的（貸前/貸中/貸後），也就是y產生的方式不一樣。通常信貸領域都是用逾期天數來定義y。A卡可以用客戶歷史逾期天數最大的天數。B卡則可以多期借款中逾期最大的一次。C卡因為用途不同有不同的建立方法。比如你們公司有內催，有外催。外催肯定是回款率低，單價貴的。那麼就可以根據是否被內催催回來定義y。

催收是風控的最終手段。這個環節可以產生很多對模型有幫助的數據。比如催收記錄的文字描述、觸達率、欺詐標籤等等。並且壞賬的客戶會被列入黑名單。其實只要是能被催回來的，都不是壞賬。但是很多公司為了保險起見，逾期超過一定時間的客戶，即使被催回來，也會被拉入黑名單。

接下來會先講一下策略涉及的數據分析技巧、單變數分析方法等，以及一些業內比較好用的特徵工程方法。這一塊講完之後就會正式進入風控演算法的內容。

推薦閱讀：