优秀的决策引擎是怎样的？

决策引擎近几年听得比较多，那么优秀的决策引擎到底是怎样的呢？它包括以下几点：

灵活可配——不但可配规则，还可配规则的字段和权重。业务友好就不用说了。

快速部署——配置好的规则模型可实时生效，如果涉及一般规则修改时，可做一个灰度部署。

决策流——可把不同的规则和模型串到一起，形成一个决策流，实现贷前、贷中、贷后的全流程监控。它要可实现对数据的按需调用，比如把成本低的数据放到前面，逐步把成本较高的数据放到后面。因为有些决策在前面成本较低的数据下已经可以形成，就不必调用高成本的数据。

AB测试和冠军挑战——对于规则修改、调优时尤其重要。两套规则跑所有的数据，最终来比较规则的效果。另一种是分流——10%跑新规则，90%跑老规则，随着时间的推移来根据测试结果的有效性。

支持模型的部署——线性回归、决策树等简单模型容易将其变成规则来部署，但支持向量机、深度学习等对模型支持的功能有更高的要求。

经过以上手段，基本可具有一个很强的力度来排除信用风险，以下便是信用评估阶段。

评分卡模型

评分卡分为申请、行为、催收评分卡。申请评分卡用于贷前审核；行为评分卡作为贷中贷后监控。它可通过历史的数据和个人属性等角度来预测违约的概率。信用评分主要用于信用评分过程中的分段，高分段可以通过，低分段可以直接拒绝。

因行业、客群与业务不同，评分卡标准也有所不同。对有历史表现的客户，我们可将双方的XY变量拿出来，进行模型共建，做定制化的评分。构建评分卡模型，目前传统方法是银行体系中使用的：数据清洗、变量衍生、变量选择然后进行逻辑回归这样一个建模方式。

核心技术与挑战

在目前围绕大数据、大数据决策为核心的风控技术体系中，整体的数据量达到一定水平，存在的挑战将会是数据的稀疏化。随着风控业务覆盖的行业越来越多，平台间的数据稀疏问题就越明显。

此外，对于大数据来说，具有数据和大数据决策，却没很稳定的落地平台也不行。大数据应用要做到完整，还需要符合以下要求的平台：1.容纳量，能容纳特别多的数据；2.响应：任何决策都能实时响应；3.并发，在大量数据并发时也能保持调用。

壹诺便是满足这些要求的大数据风控平台，其核心产品“智犬风控云”，拥有一套精准全面的数据科学与数据技术相结合的大数据商务智能分析系统，为金融机构客户提供借贷全流程的数据服务。其风险控制水平行业领先，现已跻身国内领先的大数据智能服务提供商行列。众多银行及非银行金融机构用户都在用“智犬风控云”实施风险管理，有需要的朋友可以体验一下！ (责任编辑：海诺)