金融智能风控思维导图模板_ProcessOn思维导图、流程图

0.信用管理基础

信用

指先买后付，即使用信用值来预支金钱以购买相应服务

管理

指通过策略对用户信用度进行评估并进行决策

策略：风控建模

风控术语

基础指标：年化百分率，账龄，逾期天数...

风险指标: 延滞率，不良率，负债比,...

目标：指运用技术手段，对信息风险进行规避，利用模型输出未来事件的期望轨迹

数据采集

资质类数据

比较典型的有年龄，性别，家庭状况，此外还有收入，资产信息

借贷类数据

包括多头和征信，分别指在其他平台可能有负债严重的倾向和征信机构分析出的分数

授权信息

用户授权后由贷款平台或第三方数据源采集的数据，包括指纹，通讯商，电商，出行数据等

平台表现

包括用户在借款平台的行为评分卡，催收评分卡，历史还款表现等

埋点数据

贷款平台在APP中抓取的贷款行为

架构

信贷风控架构

2.机器学习模型

基本概念

定义

通过构建任务形式通过机器迭代经验风险来降低结构风险来达到学习的策略

模型学习

模型，策略，算法

模型分类

生成方法

给定输入X产生输出Y的生成关系

判别方法

由数据直接学习决策函数或者条件概率分布

算法选择

结果是否离散

分类

回归

是否有标签

监督学习

半监督学习

无监督学习

策略

极大似然估计，矩估计等

模型评价

误差值=偏差+方差+噪声

偏差：度量了模型的期望预测与真实结果的偏离程度

方差：度量了同样大小的训练集变大导致的学习能力的变化

噪声：刻画问题本身的难度

训练程度与误差值

算法分类

分类

KNN,LR,SVM,DT,RF,XGboost,lightGBM....

回归

GLM(广义线性回归），LASSO回归，knn回归，RFR...

聚类

kmeans，DBscan，均值偏移，EM算法,GMM...

特征工程

特征清洗

清洗异常

业务专家识别

统计推断

采样，权重

过采样，欠采样

权重平衡

预处理

单个特征

归一化，离散化，哑变量处理，one-hot，数据变换

多个特征

降维

PCA降维，LDA降维

特征选择

Filter

方差选择

相关系数

卡方检验

互信息法

Wrapper

递归特征消除

Embedded

基于惩罚项的特征选择

基于树模型的特征选择

衍生变量

数据加工，生成特征

特征监控

特征重要性，权重

度量

性能度量

混淆矩阵，P-R曲线，ROC曲线，KS曲线，R方值，MSE...

业务评价

稳定性，有效性，负样本抓获能力，排序能力...

4.用户分群

定义

按照特定维度将样本空间划分为多个子空间

原因

不同子群往往差异很大，性质相差很远，得到的结果泛化性不强

辛普森悖论：整体性质可能与子群性质完全相反

方法

经验分群

依照客群身份分别建模：教师模型，学生模型，工作族模型

依场景建模：小额现金贷模型，大额分期模型

是否有房建模，消费是否活跃建模...

技术分群

监督分群

决策树分群

knn分群

无监督分群

K均值聚类

混合高斯模型（GMM）

均值偏移

DBScan

结果

游戏达人

网购达人

理财专家

说明

用户分群是非必要建模流程，一般用在机器学习模型效果较差情况下

6.模型校准与决策

意义

使得判断样本属于目标类的概率，确实有该概率的样本属于目标类

校准方法

通用校准

使用分箱处理和WOE编码形式的评分卡模型

多模型校准

不同模型加权需要对分数，权重进行标准化

将多个模型合并结果作为自变量，标签为因变量，建立LR模型

错误分配

产生原因

采样引起的样本分布变化导致的模型偏移

权重还原

采样概率校准

决策与应用

最优评分切分

选择最大KS值作为切分点

交换集分析

分析新旧模型是否替换，主要从信贷通过率，坏账率角度分析

人工干预

考虑模型以外的因素，政策性规则，模型误差，数据风险，白户风险

1.评分卡模型

目的：通过统计手段实现贷款人群额度的风险刻画

使用分类

<ul><li>申请评分卡: 用于贷前客户的进件审批</li></ul>

<ul><li>行为评分卡：用于贷中客户的升降</li></ul>

<ul><li>催收评分卡：用于贷后管理，使用催收记录进行建模</li></ul>

<ul><li>流失预警评分模型：预测平台现有存量用户在某时间节点流失概率</li></ul>

<ul><li>营销评分模型：目标客群收到营销后申请金融服务的概率</li></ul>

<ul><li>欺诈评分模型：预测用户的借款目的不正当程度的评分模型</li></ul>

...

建模流程

模型设计

业务问题转化

一般将目标抽象为二分类问题

因变量设计：数据建模，转化为近似可解问题

账龄分析，时间窗口设计

表现窗口：表现期

<span style="font-size: inherit;">过小则风险暴露不充分, 过长则风险暴露，损失发生</span><br>

观察窗口：观察期

过小变量效果显著下滑，过长则变量信息丰富，周期长观察成本高

一般通过账龄来分析账户成熟期，给出表现期，观察期合理划分

数据集切分

<ul><li>观察样本（develop）</li></ul>

<ul><li>验证样本（valuation）</li></ul>

<ul><li>时间外样本（out of time）</li></ul>

样本选择

代表性：必须充分代表总体，不能用不同客群作为样本来建模

充分性：样本集数据量满足一定条件，若过小，无法满足统计的显著性

时效性：样本的观察期与实际应用节点越接近越好

排除性：某些用户不应作为样本，如无还款用户，欺诈用户不应作为行为评分样本集

采样与加权

通常正样本较少

随机过采样：对小群体进行复制，达到平衡效果

分层抽样：保证开发样本，验证样本，时间外样本正负样本比例相同

算法抽样：使用聚类算法，使用簇平均值代替，或使用分类算法欠采样

采样后要对新样本进行加权

模型开发

特征构造，特征变换，特征筛选，模型评估

模型上线

持续追踪，模型迭代，重构更新

3.特征工程

意义：数据和特征决定了机器学习的上限，而模型和算法只是尽可能逼近这个上限而已

数据探索

数据质量分析

缺失值分析，异常值分析，一致性分析

数据特征分析

分布分析，对比分析，统计量分析，周期性分析，贡献度分析，相关性分析

特征处理

一般类型：值填充，归一化，编码，分箱，值转化，哑变量处理，多项式组合

文本型：词袋模型，TF-IDF,word2vec

特征筛选

初步筛选

缺失率

非业务默认缺失下，一般缺失较多特征的表示该特征没有携带充分的信息

信息量

特征对标签的可能性与不可能性影响程度表明其携带信息量