一、当前风力控制模式现状
近年来信用风险管理的发展呈现出数据化、建模、系统化、自动化和智能化的特点。 传统的人工专家经验逐渐被模型和算法所取代。
因此，科技领先的金融服务公司选择采用模型方式完成借款人的自动评估和审批。 目前，以贷款审核为基础的风控模式有IPC、贷款工厂、大数据三种，每一种都有自己不同的重点。
二、最核心的风控模式分类
1.IPC模式
IPC模式起源于德国邮政储蓄银行。 该模式重视实地调查和信息验证，主要通过对客户经理的调查访问、信息交叉检查等方面。 必须对客户经理进行至少2个月以上的专业技术培训，提高客户经理识别虚假信息的能力和编制财务报表的技能，防范信用风险。
IPC公司融资技术的核心是评估客户偿还融资的能力。 主要包括三个部分。 一是考察借款人偿还贷款的能力，二是衡量借款人偿还贷款的意愿，三是银行内部操作风险的控制。 在每个部分，IPC都是为目的而设计的。
该模型主要应用于数据不足、财务管理环境不健全、银行流程不完善、信用记录空白等零星企业，其中信用代表负责全流程，从客户申请受理到信用检查、现场信用、风险评估、匹配融资人对专业技能要求较高，融资人核查了整个融资流程，在一定程度上确保了项目的真实性。 但由于以贷款人为主，基于贷款人的判断，存在一定的操作风险和道德风险。
2 .信用工厂模式
信用工厂模式是新加坡淡马锡控股(Temasek Holdings )为解决零星企业信用流程的弊端，推出了改善零星企业信用流程的“信用工厂”模式。 “信用工厂”是指银行像工厂的标准化制造产品一样统一处理信用。
具体来说，就是银行按照“管道”工作方式批量操作中小企业贷款的设计、申报、审批、发放、风控等业务。 在信用工厂模式下，信用审批发行必须首先标准化，每个流程都有既定的人员分工，如客户经理、审批人、贷后监管人员的专业化分工等。 然后，采用产业链调查方法监测风险，从不同角度对贷款企业进行交叉核查。
信用工厂模式的特点是效率高，可以量化审核。 过程之间关系密切，每个环节都有专人具体控制。 因此，会消耗很多人力成本，每个过程都需要支持对口的人。
3 .大数据模式
大数据风控模式是指收集、组织、分析和挖掘海量、多样化、实时、有价值的数据，利用大数据技术重新设计征信评估模型算法，多维度地刻画信用主体的“图像”
大数据模型基于互联网的兴起，该模型利用互联网数据的连通性，筛选出存在接触风险的数据，大大降低人工审核的时间成本，同时保证了数据结果的真实性。
三. P2P公司个人信用评估卡模型
首先，探讨如何从实际业务出发，用什么样的开发流程可以建立有效、有用、有价值的模型。 我希望读后能给你一定的启发。
1 .记分卡是什么？
什么是记分卡？
记分卡是个人客户的多个维度信息(如综合基本情况、偿债能力、信用状况等，重点关注偿债能力、还款意愿)，基于这些信息综合运用数学分析模型，赋予个人综合得分，是判断违约可能性的工具
生活中有很多“显性”或“隐性”的“评分卡”。
例如购买汽车综合价格、油耗、安全系数、性能、外观等因素。 -要买吗？ 还是不买？
就分析方法而言，目前分类算法有很多种，决策树、逻辑回归、支持向量机、神经网络等可以达到这一目的。
2 .记分卡的含义
在互联网金融风控系统中，量化分析需要连贯进行，记分卡模型是其中重要的一环。
3 .记分卡的发展APP应用
在互联网金融评估卡的开发过程中，我们仔细研究了企业的风控操作流程，反复推敲了模型构建步骤，最后从业务应用的角度出发，认为评估卡开发应用应该遵循。
财务定义风险定义风险分解风险策略
a .业务定义
为什么要把业务定义放在最底层呢？
从商业智能的角度来说，模式、分数、策略都是为业务服务的，远离业务场景的模式和分数是无本之木、无源之水。 脱离业务场景谈论模型的正确性，是没有意义的。
不同的业务场景产生不同的数据，不同数据中包含的规律体现在数据分析中，即不同的模型、不同的参数、不同的评价。
例如，同样网上个人无担保贷款主要包括个人和企业主两种客群。 在中国，由于零星企业融资困难，如果零星企业有融资需求，一般企业主会以个人名义在网上融资，但这类客户明显与一般的个人无担保贷款客户不同，因此这类客户的属性信息一般包含资产、流向公共、民间等企业的信息我们做模型的时候，把他们分开。 个人消费信用模式和企业主信用模式。 企业主模型包含反应零星企业财务状况的变量。
但是，互联网金融所包含的业务种类不仅仅是这两种，简单的无担保贷款类，是有专门向学生贷款的学生在朋友圈贷款的朋友贷款； 向外资企业白领贷款的白领贷款……
如果把学生贷款的模式用在农民贷款的顾客身上，把上海白领开发的模式用在甘肃和西藏的白领身上会怎么样呢？ 我不说你也明白了。
定义业务后，还有业务模式稳定性的要求。 也就是说，在一定的时间范围内，用于建立模型的数据依赖的业务模式相对不变，前后一致。 只要满足该条件，历史数据所模拟的模型与之后的数据就一致
配的。这在学术上有个术语，稳定性，Stationary/stability。同理，我们也假设，符合同一类属性特征的个体，其表现行为也是一样的，即打分相同的人，表现也相同。这也回答了有人提出的另一个问题“我以前从没贷过款，也没信用卡消费记录，能用你的模型打分么？”
B.风险定义
简单地说就是判定哪些是好客户，哪些是坏客户。
互联网金融业务模式的多样性，导致了对好客户和坏客户的定义标准也不尽相同。 这里有人会问：“怎么会呢？欠钱不还的不就是坏客户么。”好吧，我来举个例子。
在我们清洗数据的时候，看到对客户信用评价中有这么一类“少量逾期”，这个类别占了相当大的比重，而且在模型中作用也比较显著，和其它类别“信用好”“信用差”等比肩。
一开始我们的技术人员对这个“少量逾期”这个分类很疑惑，不能理解这个分类到底是好还是坏。直到我们和某P2P公司的风控经理实际交流后才明白这其中的含义。在传统银行信用卡业务中，是很喜欢这类少量逾期的客户的，因为他们能给银行创造罚息，但是又不是恶意违约那种客户。但对于P2P公司来说，是不敢养这类客户的,一旦有了逾期情况，就必须马上采取措施……
说到这里您可以明白了吧，“少量逾期”是传统银行信用卡业务中经常出现的一个分类，而且算一个银行比较喜欢的类别，但是你把它也用到互联网金融试试？
C.风险分解
风险分解，就是用模型把目标客户分类。
举个例子：
某跨国IT北京研发的总裁，提到发生在自己身上的案例：由于家里有急事，临时用钱，想申请某行的信用卡多给5万额度，但是某行不批。为什么呢? 因为朴素的水池用这个卡主要是发工资的，每月到账后，夫人就会把钱拿去购买理财产品。因此卡上一般没多少钱。但是朴素的水池是不是高风险客户呢？
显然，依据某行简单的分类方法，朴素的水池被划为不能多给5万额度的类别了。长此以往，类似朴素的水池这类高质量、低风险客户就有可能流失。
因此，选择正确的方法，合理分类，才能为进一步采取合理的商业策略提供正确有力的数据支持。评分卡是其中一个比较有效的工具。
在信用风险管理领域，评分卡是简便易行的风险管理工具。
D.风险策略
在给客户正确分类之后，即准确地风险分类。我们就可以采取相应的商务策略，优化业务： 流程简化：通过模型对客户分层，降低审核人员的工作量，提高审批速度。风控优化：以客观分数代替主观评断，保证审批标准及风险偏好一致性。风险定价：按照模型计算的违约率进行产品的定价。
E.应用场景
风控模型的应用场景非常广泛，只要牵扯互联网金融的行业就缺少不了风控模型的存在，从借贷的角度来看，平台要评估借贷者的个人征信和还款能力从而保证投资者的收益；从投资者的角度，要保证平台的资金安全，从而保证自己的投资或者本金获得合理的收益和保护。
另外，风控模型在不同的阶段体现的方式和功能也不一样。从资金的角度来看，风控模型是为了评估用户还款能力和还款意愿，反欺诈反作弊，防止用户薅羊毛和保证平台安全等功能；从行业的角度，互联网风控模型体现在消费金融／供应链金融／信用借贷／P2P／大数据征信等方面。
F.设计纬度
风控模型的设计其实就是多维度和多角度的设计方式，这里我们就简单的通过一个对于线上借贷用户进行资质审核的模型进行举例子；从下面的流程我们可以看到，风控模型的审核流程一般都是要经过机器审核和人工确认的相结合的方式。机器的模型审核同时大致分为三个阶段，它通过用户提交的数据，对用户的资质进行审核，最终得到一个评分卡的分数。
一般情况下风控模型需要过滤高危地区的黑名单，因为在市场上永远存在着这么靠金融欺诈而获利的人群，对于这类人群只要存在疑虑统统过滤掉；其次通过系统设置的评分规则对用户提交的个人信息进行评定，最后辅助一些其他的输入资料进行分数的微调，最终得到一个最终的评分卡的分数。
另外，很多金融公司的风控模型的设计不管是对于最终高评分的用户还是对于存疑的进见，都需要最后的人工进行确认。所以说，风控模型的计算策略和机制在一个公司属于绝密，规则除了核心的员工，其他人是不能知道风控规则的。
四、风控的核心
如果说金融产品的核心是风控，那么风控的核心是什么?答案其实就是：信用评估 + 模型规则。
信用评估的基础来自于用户本身的个人信息和数据，这也就是为什么很多信贷APP需要定位用户的位置，需要用户访问个人的通话和通讯录记录，需要用户上传和填写海量的个人信息资料；另外在获取这些资料之后对于这些资料的权重处理，分配不同的权重审核也是风控模型要处理的事情。
五、风控模型的设计步骤
总体来说风控模型的设计主要可以分为以下的几个步骤：
1.获取数据
信用评估来自于用户数据，模型规则其实就是用户数据规则，信息的纬度也比较广泛，大致可以分为基本信息／行为信息／信用信息／社交信息和消费信息等。
当然获取信息的方式也是千奇百怪，主要的来源有用户提交／接口用户授权／爬虫／信息购买／黑白名单等方法。
2.确定用户数据的变量
分配变量的计算权重 确定用户变量和分配权重，这个阶段其实是在获取数据之前就要考虑的事情，因为我们需要去定义用户去填写哪些个人信息。从而通过人工的定义规则对这些信息的权重和变量进行确认，当然这些权重和变量并不是一个人去口头决定的，这些变量和权重一般都是公司的某个权威和专家进行确认。
3.调整指标分数，给出评分
在风控模型建立的后期，我们必须要输入个人信息进行模型的测试，前面我们建立每个指标的评分规则，但是我们并不知道这些规则是否真的适用于市场。这个时候我们就必须要进行模型规则的自测，通过反复调试指标分，保证模型准确性。
4.产品上线，进行验证
产品上线进行验证其实是很有风险的，这个时候是对风控模型的终极检测，很可能产品的初期都会吸引一部分攻击者进行疯狂的进件攻击，所以在金融产品上线的初期我们就必须要考虑到可能出现的危机，一般来说活体检测是能够过滤到一大部分恶意欺诈人群的。
产品上线后，对于真实的用户，有很多信用记录会明显影响个人信用评分，如延迟付款额度变化、拖延付款时间的 严重程度、信贷账户数目增减、信贷余额变化、账龄、最近的查询记录等。当个人信用评分模型工作时，它会从个人信用档案中抽取不同因素来评价消费者的信用状态，一旦信用记录中有瑕疵出现，评分模型就会度量出瑕疵的大小，直接从现有的分数中扣除, 从而使信用评分的分值减小一些。