信贷风控架构简介
风险的管控并非由一个模型或一条策略就能完成，通常需要多方人员配合，通过多环节把控，才能有效控制风险并最大化收益。
常见的准入模型、额度管理模型、营销模型、流失预警模型、催收模型等，仅仅作为相应板块的风险管控手段，嵌人在该板块的策略系统中使用。
流失预警模型分数处于不同阀值之间时，会使用不同的营销手段对用户进行挽留。
催收评分卡模型分数处于不同阈值之间时，会使用不同的催收手段，如简单的到期短信提醒或通过人工拨打电话来进一步提醒。

常见信贷风控架构



https://gitee.com/dyyx/hellocode/raw/master/webimg/credit-risk-arch.png



互联网金融的申请过程，通常由用户从移动端(如手机App、网页等)发起，
首次贷款用户会经历申请、四要素验证、授信与额度利率定价、多层审批、用户提款等多个环节。
不符合申请资质要求的用户，在其中的多个环节都有可能被拒绝。
而对于还款后再次贷款的复贷客户，平台通常会给予更好的信用评估结果，并根据历史还款表现对其进行额度管理。


用户四要素包括身份证号、姓名、手机号、银行卡号。
平台设置四要素验证，根据申请用户填写的信息，同时联系相关机构校验用户是否为信息所有人。
平台根据信用评分可以有效估计申请人的信用，并据此使用差异化定价手段为用户授信不同的额度。
通常，用户的信用评估结果越好，平台授予用户的可贷款额度就越高，且贷款利率越低。
为降低用户信用风险为平台带来的损失，通常平台会给予信用评分较低的用户更低的额度，
且在监管与法律规定内，使用相对较高的贷款利率来弥补风险损失。


首次贷款用户需要依次通过反欺诈引擎、信用评估引擎、人工审核的审批。
信用评估引擎主要包括政策规则筛选、信用规则筛选、申请评分卡评分等步骤。
政策规则包含用户年龄、身份是否满足法定贷款要求；
信用规则通常由风险分析方法得到相应的策略规则；
申请评分卡是用户授信的主要依据，建模人员根据用户的征信数据以及统计模型，对用户未来的还款情况进行预估。
在一些场景中，申请评分卡属于信用规则的子集，因为信用评分最终是用于构成部分策略的组件，并与其余策略共同部署在决策引擎之上。


审批通过的客户中，部分客户由于未提款而导致流失，这部分客户是流失召回系统的主要客群之一。
当用户提款成功后，如未在约定时间内还款，即产生逾期，通常会通过催收人员实施相应的处置手段。
失联客户通常需要根据关系网络寻找多度联系人，但部分平台由于不具有相关的社交数据，因此会选择使用第三方提供的失联补全服务。
逾期时间较长或拒绝还款的用户将被列入黑名单，无法再次借款。
催收评分卡通过预测用户的催收处置难度，将用户划分为平台催收和外部第三方催收。
通常，平台自有催收系统的催回率较高，而第三方催收的催回率较低，且需要支付相应的服务费。

首次还款周期结束且未列入黑名单的客户，平台允许其再次贷款。
由于用户历史还款行为较好，因此该类客户属于优质客户。
如果用户未再次贷款，则属于优质客户流失。
因此，在流失召回的过程中，需要对此类客户加以关注。
当用户再次申请贷款时，通常使用信用评分卡对用户进行额度管理。
如果历史表现较好，即使申请评分卡得分较低导致其额度较低，仍会通过行为评分卡进行升额调控，反之亦然。

外部征信数据是申请评分卡中用户的主要数据。
由于复贷客户具有历史平台表现，因此行为评分卡通常不会再次查询客户的外部数据，
而是只使用历史平台表现作为主要数据开发模型，以节约成本。
而催收评分卡同样不会再次查询客户的外部征信数据，而是主要使用历史贷款过程中催收人员记录的用户表现作为主要数据。