科技猎风控策略产品经理：金融风控的业务规则和策略模型（七）
这篇文章主要从金融+风控PM的角度，重点分析几个金融风控策略模型，帮助大家消化这些内容。下面就来看看吧，同时大家也要多多思考哦，这样才能真正掌握这些内容。
下面以金融+风控PM角度去看，重点分析几个金融风控策略模型
重要金融风控策略模型1：A卡（贷前信用风险模型）
（1）PM要分析会遇到的风险问题
贷前主要解决用户准入和风险定价问题（大白话去理解就是：即面对一个新申请的进件用户，判断用户是否符合产品的放款条件及相应的放款额度、价格、期限等问题。）
补充1：（面试会经常问答的）
PM面试，回答从来离不开业务+业务遇到的问题，没有这个为前提的任何思考和需求都是比较虚的，没有支撑点。
细分问题，PM所重点关注侧策略模型，要解决的关键点：
反欺诈识别：根据用户提交的材料进行身份核实，确保用户不存在欺诈行为；
信用评级：与传统银行的信用评分卡原理类似，数据维度更加丰富，综合用户的社交数据、行为数据、收入数据等，判定用户的信用风险等级，评估用户的履约能力；
风险定价：根据用户的负债能力和收入稳定性，判断用户可承担的月供金额，确定用户的放款额度、偿还期限等，并根据用户风险等级确定用户的费率。
这三个问题往往是互相影响、互为前提的。
（举个简单的例子，对一个月收入3000的用户来说，月供在1000左右，用户可能履约良好，信用等级良好；但如果月供提高到4000，严重超出了其收入水平，即便不是有意欺诈，也可能出现断供的情况，从而得到比较差的信用等级）
（2）模型举例分析
从PM角度去看，以携程金融为例，看看信用风险建模（A卡）做了关键点。
首先从模型的源头，建模开始。
PM会对A卡建模工作的侧重点，主要包括如下几方面：（前两点比较口水话，个人价值一般般，面试也比较少深挖的。第三和第四点重要，此类PM实践工作会较多的，遇到问题也是这些环节出现较多，可以重点mrak）
1.确保策略的一致性。就是尽量减少人工干预，并利用机器学习的优势提升决策效率；
2.准确反映并量化用户的风险级别。策略人员可以控制和减少风险损失，因此对评分卡等级的排序能力、稳定性要求会比较高。
3.对好坏用户定义。（这部用户画像PM会参与进来的）这个很有意思，因为风控是对抗性，所以这里的用户心理和传统PM所想的不一样。（这个我在后面补充了）
4.样本规模筹备、算法迭代推进。简单说就是不断找新的数据去测试，测试好了又不断升级。同时不仅仅是数据量不断更新，当有了新的业务，那么发展起来的风控也是需要不同的。（这个也比较核心，后面补充了）
那么，该如何定义好坏用户呢？下篇文章继续给大家分享干货，都是自己的经验总结，希望能帮助到大家。
以上就是“风控策略产品经理：金融风控的业务规则和策略模型（七）”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
下面以金融+风控PM角度去看，重点分析几个金融风控策略模型
重要金融风控策略模型1：A卡（贷前信用风险模型）
（1）PM要分析会遇到的风险问题
贷前主要解决用户准入和风险定价问题（大白话去理解就是：即面对一个新申请的进件用户，判断用户是否符合产品的放款条件及相应的放款额度、价格、期限等问题。）
补充1：（面试会经常问答的）
PM面试，回答从来离不开业务+业务遇到的问题，没有这个为前提的任何思考和需求都是比较虚的，没有支撑点。
细分问题，PM所重点关注侧策略模型，要解决的关键点：
反欺诈识别：根据用户提交的材料进行身份核实，确保用户不存在欺诈行为；
信用评级：与传统银行的信用评分卡原理类似，数据维度更加丰富，综合用户的社交数据、行为数据、收入数据等，判定用户的信用风险等级，评估用户的履约能力；
风险定价：根据用户的负债能力和收入稳定性，判断用户可承担的月供金额，确定用户的放款额度、偿还期限等，并根据用户风险等级确定用户的费率。
这三个问题往往是互相影响、互为前提的。
（举个简单的例子，对一个月收入3000的用户来说，月供在1000左右，用户可能履约良好，信用等级良好；但如果月供提高到4000，严重超出了其收入水平，即便不是有意欺诈，也可能出现断供的情况，从而得到比较差的信用等级）
（2）模型举例分析
从PM角度去看，以携程金融为例，看看信用风险建模（A卡）做了关键点。
首先从模型的源头，建模开始。
PM会对A卡建模工作的侧重点，主要包括如下几方面：（前两点比较口水话，个人价值一般般，面试也比较少深挖的。第三和第四点重要，此类PM实践工作会较多的，遇到问题也是这些环节出现较多，可以重点mrak）
1.确保策略的一致性。就是尽量减少人工干预，并利用机器学习的优势提升决策效率；
2.准确反映并量化用户的风险级别。策略人员可以控制和减少风险损失，因此对评分卡等级的排序能力、稳定性要求会比较高。
3.对好坏用户定义。（这部用户画像PM会参与进来的）这个很有意思，因为风控是对抗性，所以这里的用户心理和传统PM所想的不一样。（这个我在后面补充了）
4.样本规模筹备、算法迭代推进。简单说就是不断找新的数据去测试，测试好了又不断升级。同时不仅仅是数据量不断更新，当有了新的业务，那么发展起来的风控也是需要不同的。（这个也比较核心，后面补充了）
那么，该如何定义好坏用户呢？下篇文章继续给大家分享干货，都是自己的经验总结，希望能帮助到大家。
以上就是“风控策略产品经理：金融风控的业务规则和策略模型（七）”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
