发帖
雷达卡
相比，跟小K同窗的L就幸运多了。他两是大学同学，来自同一学校都是校招进入我前司。但不同的是，因为我前司还有些影响力，所以L很容易就申请到了一张额度8W的信用卡。
虽然不清楚花花银行的具体的风控逻辑，但小K因为读书早且跳级相比同龄人小了好几岁。凭着老骑士的嗅觉，年龄肯定是逃不过的了。
对于某些公司而言，政策就是公司的生命线，是不能让步的准绳是底线。回归到风控，总有那么一群人。他们或是因触碰到强规则而被拒之门外的客群，或是因政策从一开始进件就不被准入的人群。如对于政策中某些产品，其年龄限制是在25~40岁的范围内。但相比刚才提到的政策中的年龄，比说小K，压线值在24岁，难道就不能作为准入么？拒绝了小K，无疑拒绝了一个优质的客户。
于是捞回策略就显得格外重要，这个不仅仅是能得到市场同事欢迎，捞好了能积累数据，相反，捞错了虽然会多交些学费。但通过犯错来积累宝贵的经验，获得数据经验，也同样值得尝试。拒绝捞回也就在一些风控整体策略已经全面布控，且有调优区间的过程中，持续改进的过程。当然拒绝捞回的方法也很多，今天我们介绍其中一种拒绝捞回——已经有一些前期数据积累的拒绝捞回。
一.拒绝捞回前的数据分析
在拒绝捞回的前期，我们通过一部分的数据分析，已经做好了部分拒绝策略的分析情况。假设在最前期，我们仅仅就命中了1~2条规则的客群进行回捞。一般在最前期的拒绝捞回中，建议以命中1条具体的规则捞回即可。当然这个是在数据量较大的情况下的建议，尤其是在以现金贷为主流的产品中。在拒绝捞回的实操中，需要对目前待捞规则做相关的数据统计分析，具体如下：
MXC_001~MXC_237分别对应具体的策略内容，在命中了具体的策略后，我们需要分析出每一条策略的首逾情况(这里大家思考为什么是以首逾而不是以逾期为判断)，如在以上的命中规则中MXC_001的首逾率大概就是12.9%，远远低于首逾均值51/155=33%。所以MXC_001这个是可以作为首先第一条捞回的规则。
二.拒绝捞回的手段
常规上做拒绝捞回的客群分析中，我们用到的手段需要借助风险评分模型。假如现在有A、B两个维度的评分卡。A为偏贷前反欺诈评分，B为信用评分。如果甲用户命中的规则偏信用类，而非较强的反欺诈规则类，且在B评分卡中得分较高，如B评分卡的评分在500分以上。
于是首要考虑给这部分客群，直接做成拒绝捞回。在这里，需要分清楚哪些规则能捞，哪些规则不能捞。捞完具体的规则后，需要上线监控贷后表现。分析贷后数据情况，做好贷后监控，分析入催且有无逾期数据等等。
三.整体分析维度
确定以上的具体的某条规则为捞回后，可以同步对某些规则进一步加强整体分析。
比如这一条MXC_004规则，我们可以看到命中MXC_004的次数虽然不多，只有7条：
但基本上命中的客群都逾期了，所以这条规则在后续的处理中理应全部拒绝。优化后的首逾率为44/148=29.73，相比之前首逾率33%，稍微下降了3个多百分点。四.总结一般做拒绝捞回时间久了，有经验的策略同事，凭经验跟直觉就可以判断哪些规则是属于可操作的规则，值得一捞。比如以下这些规则
（属于可捞规则的： 具体会在训练营中答疑）
需要强调，拒绝捞回并不是根据指标生硬操作。拒绝捞回需要根据公司的对风险的包容性，从整体的盈利情况分析。比如有些公司运营强，贷后催收有实力，即使有些首逾也不怕，因为还可以从后续的复借中继续收获复借的盈利，继续利用复借去赚钱。
在本文即将结束的地方，也留几个问题供大家思考：1.文章提到了模型B信用评分，能不能考虑模型B进行降分捞回?2.文章提到了模型B评分，那模型评分A能否也做成捞回规则，如何操作好一些？3.目前除了模型捞回外，还有其他办法进行拒绝捞回吗？
以上的问题以及关于本文中提及的拒绝捞回更全面且详细的方法及实操案例，将在第三期的训练营中有详细的案例供大家学习：
~原创文章
...
end
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
