一般地，金融风控平台利用联通数据资源优势和领先的数据建模能力，提供反欺诈、信息核验和风险评估服务。帮助合作伙伴解决事前预防、事中防控、事后失联客户复联等业务流程相关的风险控制问题，达到降低业务风险，避免损失的效果。做好风控，不仅仅能够给金融行业(如银行、保险)提升各种利润，还能给整个金融系统带来稳健性，防范大规模金融风险的发生。

金融科技领域之风控的类别

1、信贷风控

银行的主要收入或者利润来源来自贷款和信用卡，简称信贷。贷款和信用卡，我们统称为信贷。他们都有着相似的风控逻辑。

1.1、贷款

银行借出去的钱，通过收取利息来赚取利润。但借出去的钱会有收不回的风险，因此风控在银行来说，是一个重要的研究课题。对于贷款的风控一般包括几个部分：

贷前风控	贷前调查是风控的第一道防线。主要是确认客户还款能力，是否存在欺诈等行为。举个例子，例如你贷款买房前，银行需要查看你的征信记录。
贷中风控	监督你的贷款使用情况，例如有没挪用，例如你贷的学费款竟然拿去买房，那银行发现了肯定就会找你。
贷后风控	管理实质贷款发放后指导完全收回之间的过程，即是有效回款的过程。其中也包括当还款人出现逾期时，如何去进行催收。

(1)、贷后风控

背景	当客户出现逾期时，如何催收才能保证成功率最大化，是一个值得研究的问题。
意义	债务催收是个数以千亿计的生意，催收成功率提高一点点，就能使得银行挽救数百万美元的资产。
意义	某个银行，在一个人口千万级别的发展中国家，每个月的信贷也有数十亿美元。这里就取10亿美元吧，如果坏账率为3%，这就是3000万美元的坏账。现在如果某银行设计了策略A，能使坏账率减少到1.5%。后来又设计了策略B,使得坏账率减少到了0.9%。看起来这没有很大差别，都是很小的数字，但换个说法，策略A只能把50%的马上要变成坏账催的收回来，而策略B能把70%的坏账催收回来，那么，就能每个月给银行多创造600万美元的利润。如果一个跨国银行能把同样的催收策略铺开到多个国家，覆盖十亿以上人口，那么就能每个月多创造数亿美元利润。其实，如果某个国家所有银行都能把催收能力提高一点点，那么整个国家的金融坏账将减少数千亿，这对于金融系统的健康来说，是一个重大的贡献。
2008年的次贷危机	次贷，全称次级抵押贷款，是指一些贷款机构，向信用程度较差和收入不高的借款人提供的贷款(贷前风控没做好)。
2008年的次贷危机	美国等国家放松购房信贷标准，形成次级房贷市场。次级房屋信贷经过贷款机构及华尔街用财务工程方法，加以估算、组合、包装，就以票据或证券产品形式，在抵押二级市场上出卖、用高息吸引其它金融机构和对冲基金购买(贷后风控可谓没有)。美国的房地产市场开始在2006年转差，美元利率多次加息，令次级房屋信贷的拖欠以及坏帐增加(需要贷后风控介入了)，次级房屋信贷产品的价格大跌，直接令到欧美以及澳洲不少金融机构都出现财政危机，甚至面临破产。著名的雷曼兄弟就是这时候倒闭的。因此，搞金融风控的同行们，应该给自己的工作一点自豪感，这个世界因为有你们，金融危机发生的概率已经降低了。

1.2、信用卡

发卡前	审核资质，防止欺诈。有的人开卡就是为了拆东墙补西墙
用卡中	监测你使用情况，例如有没盗刷，有没套现等等
卡还款	每个月都要还款，如果逾期未还，则催收；

更新中……

金融科技领域之风控的案例应用

创建数据仓库→ETL(Extract Transform Load)→上云→数据科学→BI

图来自：

网络异常，图片无法展示

实际上，整个流程并非都是我们挨个去做，例如Serving Infrastruture，运维部会帮我们弄好。但是，作为一个风控领域的数据科学家，要统筹全局，其实，写机器学习模型代码的时间占用日常工作时间不到十分之一。

1、定义目标变量(good/bad)—全局考虑性价比

在风控项目中，目标变量虽然只有good和bad，即0和1两种，但定义目标变量的整个过程其实是非常复杂的，要充分考虑业务逻辑，与实际情况相结合。比如在Kaggle的信用卡数据集案例中，2年内逾期超过90天的客户定义为bad，否则都为good。可以看出，定义的label是由两个因素决定：

逾期天数：超过90天；
观察期：2年内；

那么，这两个数字是如何决定的呢？为啥还要这么麻烦，直接逾期第一天就去催收不行吗？在实际业务中，既要保证坏账最小化，也要保证催收的体验，你总不能人家到期第一天忘了还10块钱的账单就派人上门催收吧？客户都给你赶跑了。

1.1.1、定义目标里的逾期天数(利用迁徙率(Flow Rate)表)—“逾期天数：90天以上”

参考文章：DataScience&ML：金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略

1.1.2、定义目标里的观察期(利用elbow method手肘法则)—“观察期：2年内”

如果一个客户开始逾期后(即超过还款期限一天)，要达到90天以上的逾期少则需要3个月，多则可以无限多个月。

如果观察期很短，会漏抓了很多客户；
如果观察期太长，例如无限长，你确实能抓住100%的逾期在90天以上客户，但观察期太长了，逾期的客户一直没人理就会一直恶化。

所以，一个合理的观察期很重要。为了找到一个合理的观察期，我们需要分析逾期月数与逾期客户总数的情况，例如某个银行，通过分析逾期月数与逾期客户数的历史数据，可以得到情况表如下所示：

观察期(月数)	客户逾期超90天	客户逾期超90天占比
3	650	65.00%
4	800	80.00%
5	880	88.00%
6	950	95.00%
7	960	96.00%
8	967	96.70%
9	970	97.00%
10或以上	1000	100.00%
总计	1000

可以看到，逾期90以上的客户，95%的都发生在6个月内。但你也许会说，9个月能检测到97%，不是更好吗？但记得经济学里的“边际效用”这个词吗？意思是再增加投入，新增的产出会变少。用一个知乎上热门的词语来形容，就是“内卷”。我们分析时也是。再追加一个月观察期，对效用的提升不明显，反而引入更多风险。当“内卷”发生时，就不再增加观察期了。

所以，可以利用elbow method法，也就是寻找曲线的“转折点”，就像手肘一样。(如果你熟悉k-means，那么你可能记得，在k-means里，我们决定怎么选择k值的一个算法是elbow method法。把上表plot出来，得到下面一个图，其中转折点(或者说‘手肘)用红圈划出来了：

可知，当观察期为6个月时，就能够抓到很多的逾期客户。如果再加一个月，能抓到的增量也很少了，边际效用明显降低了很多。所以建议把观察期设置为6个月。

对于普通的信贷产品，一般情况下这个转折点还是很好观察到的。但看到这里你也许想问，如果没有明显的转折点(elbow)，该怎么抉择呢？这就复杂了。但如果你的信贷产品真的找不到一个明显的elbow point，你画出来的曲线比上面的曲线平滑得多，怎么办呢？

这确实是一个难题，且没有一个标准的答案。但你可以和商业部分探讨下面几个问题：当逾期超过90天的客户比例是多少时，我们的资产会出现亏损？然后你可以以这个比例作为嘈参照，选择响应的观察期。逾期90天是不是一个好的选择？能不收紧标准，把逾期天数检测缩短到60天，这样做对客户体验造成什么影响？

2、特征构建思路

在风控领域，进行特征工程的时候，其实并不像kaggle比赛中如group by那么简单。在实际应用中，有些特征是需要根据大量的业务经验进行构建。一般构建特征的思想有以下几种。

2.0、理论结合实际应用场景构建新特征

在实际应用场景，很多很根据业务背景，构造特征变量(或者称为衍生特征)，比如BMI(身体质量指数)计算逻辑如下：BMI=体重÷身高2。（体重单位：千克；身高单位：米。）

其实，构造衍生特征，似乎并没有可以套用的经验模板，只能靠数据的深度挖掘和探究了。

2.1、RFMV指标

2.2、WOE变换

2.3、Vintage分析

Vintage分析也是帮助构建特征的方法。

3、机器学习模型的稳定性分析

ML：机器学习模型的稳定性分析简介、常见的解决方法之详细攻略

参考文章：https：//zhuanlan.zhihu.com/p/144732622

DataScience&ML：金融科技领域之风控的简介、类别、应用流程(定义目标变量→特征构建思路等)、案例集锦之详细攻略

金融科技领域之风控的简介

1、风控指标相关概念或口径逻辑

金融科技领域之风控的类别