发帖
雷达卡
虽然单一的变量特征即使有很强的区分度，但是工作中需要多个分箱的时候单一特征会显得力不从心。比如：一条规则“手机设备指纹关联手机号码个数”，业务过程中规则值分布是：①（对应坏账2%），②（对应坏账15%），③（对应坏账25%），
虽然这条规则很有效，当我们需要将变量更细致分箱时，因为规则值不可变也就无法再细致切分超3个的箱体。但是我们使用多规则进行投票制的决策方式就可以有效解决这样的问题。下面将方法分享给大家。
第一步，以坏账等级切分客户：
参考模型分的切分效果，初步定义：
①<20%为A，
②20%-25%为B，
②25%-35%为C，
③35%-45%为D，
④>45%为E；
当我们利用坏账把风险划分了5个等级之后，这样每个规则对应的规则值都会有一个风险等级的归类。
[backcolor=rgba(18, 18, 18, 0.5)]
编辑
添加图片注释，不超过 140 字（可选）
第二步，将现有需要执行投票制的规则进行风险等级的归类：
这样我们就得到了每个规则值的风险等级，像标记黄色的部分是需要注意规则值合并的，同时也会发现MX_037并没有太强的区分效果，见下图。
[backcolor=rgba(18, 18, 18, 0.5)]
编辑
添加图片注释，不超过 140 字（可选）
第三步，使用风险等级对每个用户订单进行分类统计：
[backcolor=rgba(18, 18, 18, 0.5)]
编辑
添加图片注释，不超过 140 字（可选）
当流程做到这里，我相信大家已经清楚了多规则决策策略的主线应该怎样做了，下面我们来评估下效果：
1、对比原有单规则策略，逾期率低于20%的客户订单更多了：
原有：101
现有：204；
2、对比原有单规则策略，高于逾期率44%的客户订单更多了：
原有：118
现有：137；
在风控策略工作中权衡规则好坏的很重要的标准“区分度”，做到这里我们就已经达到了提高区分度的效果了。我们已经增强了区分客群的维度，那么在授信决策上、在额度管理上、在费率优化上等等方面也就有了新的抓手，更好的完成风险管理了。
策略生成过程中，还有很多的关于多规则策略执行中的细节。
有兴趣的童鞋，可关注：
[backcolor=rgba(18, 18, 18, 0.5)]
编辑切换为居中
添加图片注释，不超过 140 字（可选）
...
~原创文章
京公网安备 11010802022788号
