金融风控解决方案
业务痛点
传统风控模型不能迅速迭代更新，难以满足业务需求，模型或策略开发周期长，开发门槛高 ，建模效率低，传统机器学习模型仅输出评分，业务人员难以理解和信任模型，也不符合监管要求，模型部署难，开发周期长，模型上线时间长。
方案详情
通过MP平台针对信贷场景快速高效建立风控业务指标体系，生成海量客户特征和指标，成为风控策略和模型开发建立丰富的“素材库”。
通过ME平台快速建立高精度可解释的机器学习风险评分模型和策略，自动模型上线SDK包，实现模型快速上线。1）在在营销获客阶段，通过前置风险预筛和营销响应模型进行客户初筛，选出高响应、低风险客户；2）在反欺诈阶段，可以生成串行的反欺诈策略，根据客户风险区分不同链路审核，不同链路审核流程不同，按风险级别分群风控。同时可以将反欺诈策略和模型联动，策略、信用模型、欺诈模型，递进审核。同时针对不同的信贷产品，快速制定不同的政策策略，提升审核效率、控制风险。3）在贷前阶段建立授信评分模型：A卡模型；利率模型；额度模型等，4）在贷中贷后阶段建立贷中贷后管理模型：B卡模型；催收模型等。
通过MM平台对于风控策略及模型的持续跟踪监控，包括策略和模型本身的可视化监控，以及对于相关业务指标的可视化监控。当模型指标下降到警戒线下，实时预警并可自动更新模型。
建立前置反欺诈策略的最大挑战在于如何定义目标变量，或者说是如何定义欺诈者。 一般的定义方法有以下两种：1、首期逾期；2、事后判断的欺诈者。
信用风险评估主要采取评分卡模式，用于评估新客户在一定期限内达到某种逾期程度的概率，使得客户风险可以被量化评估。
信用风险评估主要采取评分卡模式，用于评估新客户在一定期限内达到某种逾期程度的概率，使得客户风险可以被量化评估。
在贷中阶段对客户信息、交易流水、第三方数据等进行数据挖掘，建立交易风险的评分模型和策略，设立贷中预警方案。
催收模型既可帮助管理层合理分配催收任务，评估坏账风险，也可以帮助一线人员提升催收成功率。
