決策引擎近幾年聽得比較多录择，那么優(yōu)秀的決策引擎到底是怎樣的呢勺阐？它包括以下幾點：
靈活可配——不但可配規(guī)則绊谭，還可配規(guī)則的字段和權(quán)重翻擒。業(yè)務(wù)友好就不用說了氓涣。
快速部署——配置好的規(guī)則模型可實時生效，如果涉及一般規(guī)則修改時陋气，可做一個灰度部署春哨。
決策流——可把不同的規(guī)則和模型串到一起，形成一個決策流恩伺，實現(xiàn)貸前、貸中椰拒、貸后的全流程監(jiān)控晶渠。它要可實現(xiàn)對數(shù)據(jù)的按需調(diào)用，比如把成本低的數(shù)據(jù)放到前面燃观，逐步把成本較高的數(shù)據(jù)放到后面褒脯。因為有些決策在前面成本較低的數(shù)據(jù)下已經(jīng)可以形成，就不必調(diào)用高成本的數(shù)據(jù)缆毁。
AB測試和冠軍挑戰(zhàn)——對于規(guī)則修改番川、調(diào)優(yōu)時尤其重要。兩套規(guī)則跑所有的數(shù)據(jù)，最終來比較規(guī)則的效果颁督。另一種是分流——10%跑新規(guī)則践啄，90%跑老規(guī)則，隨著時間的推移來根據(jù)測試結(jié)果的有效性沉御。
支持模型的部署——線性回歸屿讽、決策樹等簡單模型容易將其變成規(guī)則來部署，但支持向量機吠裆、深度學(xué)習(xí)等對模型支持的功能有更高的要求伐谈。
經(jīng)過以上手段，基本可具有一個很強的力度來排除信用風(fēng)險试疙，以下便是信用評估階段诵棵。
評分卡模型
評分卡分為申請、行為祝旷、催收評分卡履澳。申請評分卡用于貸前審核；行為評分卡作為貸中貸后監(jiān)控缓屠。它可通過歷史的數(shù)據(jù)和個人屬性等角度來預(yù)測違約的概率奇昙。信用評分主要用于信用評分過程中的分段，高分段可以通過敌完，低分段可以直接拒絕储耐。
因行業(yè)、客群與業(yè)務(wù)不同滨溉，評分卡標(biāo)準也有所不同什湘。對有歷史表現(xiàn)的客戶，我們可將雙方的XY變量拿出來晦攒，進行模型共建闽撤，做定制化的評分。構(gòu)建評分卡模型脯颜，目前傳統(tǒng)方法是銀行體系中使用的：數(shù)據(jù)清洗哟旗、變量衍生、變量選擇然后進行邏輯回歸這樣一個建模方式栋操。
核心技術(shù)與挑戰(zhàn)
在目前圍繞大數(shù)據(jù)闸餐、大數(shù)據(jù)決策為核心的風(fēng)控技術(shù)體系中，整體的數(shù)據(jù)量達到一定水平矾芙，存在的挑戰(zhàn)將會是數(shù)據(jù)的稀疏化舍沙。隨著風(fēng)控業(yè)務(wù)覆蓋的行業(yè)越來越多，平臺間的數(shù)據(jù)稀疏問題就越明顯剔宪。
此外拂铡，對于大數(shù)據(jù)來說壹无，具有數(shù)據(jù)和大數(shù)據(jù)決策，卻沒很穩(wěn)定的落地平臺也不行感帅。大數(shù)據(jù)應(yīng)用要做到完整斗锭，還需要符合以下要求的平臺：1.容納量，能容納特別多的數(shù)據(jù)留瞳；2.響應(yīng)：任何決策都能實時響應(yīng)拒迅；3.并發(fā)，在大量數(shù)據(jù)并發(fā)時也能保持調(diào)用她倘。
