作为一个风控策略从业者，在做风险管理的过程中一直在做的就是，不断的挖掘有效的变量特征来填充风控决策体系，使决策体系的功效变大变强，最终形成一套可变的稳定风险护盾。我们常见的一个场景比如如何筛选一些新策略来挑战老策略，并且筛选新策略后如何衡量新老策略的效果，今天我们综合案例来讲讲相关内容。
提到策略就需要讲到变量，变量是策略的最小组成单位。我们先从最基本的单一变量特征如何筛选规则说起。
虽然单一的变量特征即使有很强的区分度，但是工作中需要多个分箱的时候单一特征会显得力不从心。比如：一条规则“手机设备指纹关联手机号码个数”，业务过程中规则值分布是：
①（对应坏账2%），
②（对应坏账15%），
③（对应坏账25%），
虽然这条规则很有效，当我们需要将变量更细致分箱时，因为规则值不可变也就无法再细致切分超3个的箱体。但是我们使用多规则进行投票制的决策方式就可以有效解决这样的问题。下面将方法分享给大家。
第一步，以坏账等级切分客户：
参考模型分的切分效果，初步定义：
①<20%为A，
②20%-25%为B，
②25%-35%为C，
③35%-45%为D，
④>45%为E；
当我们利用坏账把风险划分了5个等级之后，这样每个规则对应的规则值都会有一个风险等级的归类。
第二步，将现有需要执行投票制的规则进行风险等级的归类：
这样我们就得到了每个规则值的风险等级，像标记黄色的部分是需要注意规则值合并的，同时也会发现MX_037并没有太强的区分效果，见下图。
在这里插入图片描述
第三步，使用风险等级对每个用户订单进行分类统计：
当流程做到这里，相信大家已经清楚了多规则决策策略的主线应该怎样做了，下面我们来评估下效果：
1、对比原有单规则策略，逾期率低于20%的客户订单更多了：
原有订单：101
现有订单：204；
2、对比原有单规则策略，高于逾期率44%的客户订单更多了：
原有：118
现有：137；
在风控策略工作中权衡规则好坏的很重要的标准“区分度”，做到这里我们就已经达到了提高区分度的效果了。我们已经增强了区分客群的维度，那么在授信决策上、在额度管理上、在费率优化上等等方面也就有了新的抓手，更好的完成风险管理了。
策略生成过程中，还有很多的关于多规则策略执行中的细节。如在相关的策略设计过程中，我们还有一个通过率的细节。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
详细的实操步骤，有以下这一二三个步骤的操作方法：
第一步、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：
然后通过机审报表分析来分析单一报表/组合报表的比值数据内容，做一步的目的就是找出需要优化的规则。
第二步、通过拆解贷后数据分析
通过拆解贷后数据分析，对已知历史规则值的贷后表现与未知历史规则值贷后的规则，进行深层次的更进一步的分析，找出哪些规则应该放开哪些规则应该收紧。特别放开对规则，应该深入分析直到，了解放宽至哪种阈值才是最适合的。
第三步、综合以上两大步骤后生成具体的策略规则
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，就需要继续执行更精细化的数据筛选了。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通过率释放。
策略生成过程中，还有很多的关于多规则策略执行中的细节，有兴趣的童鞋可关注：
《风控策略进阶篇—以最小化风险提升通过率的技巧》
…
~原创文章
