量化风控审核过程中的通过率在贷前策略中是一大重要的内容，另外一个是逾期率。二者之间的因果关系就是通过率高低变化决定了逾期率风险的走势，通过率决定了逾期率的结果，而逾期率又对通过率起到了一个制衡的作用。
很多的风险管理人员常常会遇到的一种情况：优化贷前通过率的提升带来的收益与贷后逾期率增长带来的损失相比有些得不偿失，所以怎样最优的提升通过率也就成为了每一个风控人不得不面对的难题。
今天要跟大家介绍一种日常工作中屡试不爽的提升通过率技巧，具体优化内容层层递进，其核心步骤主要有：
①筛选策略规则
②贷后数据拆解
③综合以上两大步骤后生成具体的策略规则
前两步“筛选策略规则和贷后数据拆解”是基于贷前数据和贷后数据结果找到可以释放通过率的规则（规则值），而第三步的具体"方法"，则是结合数据和策略人员经验生成的可行性比较高的释放通过率的条件，下面我们就开始逐一介绍相关内容。
一、筛选策略规则
筛选策略规则的模块又分为三个环节，具体可以参考以下图示内容：
​

1.1、机审报表分析
在做机审报表分析之前我们要保证我们的决策策略中有组合报表与单一报表，这两者番茄风控之前内容也有提到，今天再做一下解释：
组合报表：是指所有客户在执行某一个策略规则后被拒绝的客户的量/所有执行客户的量；
单一报表：是指所有客户在执行所有规则之后唯一命中某一条策略规则被拒绝客户的量/所有执行客户的量。
在此小节内主要将单一报表内拒绝率比较高的策略规则提取出来，这里是一个投票制的思路，多数规则判定的坏客户不应该作为调优通过率的主要目标（这里需要敲黑板，画重点）。
1.2、单一/组合比值计算
在我们已经初步筛选出待调整规则后，需要将这些规则的单一拒绝量/组合拒绝量，这样我们就可以计算出，此策略规则中唯一命中此规则客户在所有此规则拒绝客户中的占比数据情况了，占比越高说明规则可调整的空间也就越大。
示例如下图：

1.3、规则变量含义分析
此环节需要策略人员根据对规则的背后含义进行分析，根据业务的风险情况判定上图中标记绿色（比值较高）的规则是否具备调整的可能，偏向政策或偏向欺诈的策略规则我们就不能优先调优，偏信用类的规则就可以进行调优，具体要根据业务风险偏好进行再筛选。

二、贷后数据拆解
贷后数据拆解分为两个部分：
第①部分是已知历史规则值的贷后表现；
第②部分是未知历史规则值贷后的表现；
这两者区分就是待优化的规则中，被拒绝那部分的客户是否有可参考的贷后数据。
如果是第①种情况，则可以参考历史规则值贷后，并进行逾期率表现的正序排列，便可以知道提升通过率的规则值的优先级；
如果是第②种情况没有历史贷后表现，则需要对每个待调整的规则（规则值）进行单调性分析，优先调整贷后单调性弱和贷后单调跨度小的规则；
​

这里我们将以具体的案例跟大家介绍具体的规则命中阈值下，当在第①种情况(没有贷后的历史的参考规则值情况下)，因为缺乏及时贷后数据，我们该如何选择哪类规则进行放开，尤其是当规则集身处异常复杂的决策体制时。更进一步，当确定了具体规则后，具体的规则阈值在数据缺乏下又该如何操作？

同样的，在详细的内容中，当在有历史贷后参考规则值情况下，根据数据对相关的规则值进行评估能否放开会稍微容易，但这里仍会遇到上述同一类问题就是规则应该放宽到哪种阈值才是最适合的？在这个部分中，我们有相关的案例数据跟大家进行展示。
​
三、根据以上两大步骤后生成策略规则的方法
在完成了前两步的策略规则值筛选之后，如果对贷后逾期率包容性比较强，在这个节点就可以进行通过率的释放了;如果对贷后逾期率的要求更加精准的，就需要继续执行这一步(第3⃣️个步骤)的筛选了。在这里我们将利用一个策略规则的方式，从待释放的客群中找到更优的客户进行释放通过率。
在这里我们也将构造一个风控策略中最经典的策略组合衍生方式，来生成具体可以可控的规则。在这个规则中，我们将按照组合结果生成三类客群订单，这三类订单分别是：
①目标订单
②次目标订单
③非目标订单
有了，这三类客群清单便是对其进行具体的规则操作了。
综上，释放通过率就是对未知风险的一次博弈，尤其是在如果没有历史参考的贷后数据时，那就是对策略工作的一次挑战。在这个调整过程中，需要我们有丰富的实战经验和丰富的知识储备，在没有数据参考的情况下也能做出合理的策略优化内容。

…
~原创文章