什么是决策引擎?

上周,您在信贷政策会议上敲定了一项变更:新增收入阈值和转人工审核区间。决策已经定下,放贷系统却要等到下一次发布才能上线。有人请您了解一下决策引擎,于是您在会议结束后、规划发布期间查看了几家供应商的介绍。一家称它为规则引擎,另一家称它为决策平台,还有一家称它为决策引擎。其中一家重点介绍评分卡。您想弄清这些说法与桌上这项待落实的变更有什么关系。这个收入阈值实际上会有哪些变化?

把收入门槛纳入决策流

决策引擎运行决策流:接收传入的数据,执行配置好的决策逻辑,并返回结果。如果决策流在得出结果前停止,也会报告停止情况。决策引擎把授信策略及其所需数据放进每次决策中运行。

放贷系统会发送信贷申请数据,包括收入信息,决策流中的数据源则会调用征信机构获取相关信息。规则集执行硬性规则,包括已经确定的收入阈值。评分卡计算分数,决策表再按分数区间确定结果。决策表可以用来设置这些区间。如果授信策略中使用了机器学习模型,模型也可以在决策流中计算分数。

转人工审核区间,以及批准和拒绝区间,决定申请通过这些检查后的处理方式。收入门槛会改变哪些申请通过这条规则,以及哪些申请会被批准、转人工审核或拒绝。

评分卡和决策引擎各自负责什么

评分卡根据申请人的特征计算分数。决策引擎运行围绕这项计算展开的完整决策流,从数据和授信规则到申请结果。评分卡本身不会制定申请的授信策略,也不会规定分数如何决定结果。

规则集执行硬性规则,例如已经确定的收入门槛。评分卡根据申请人的特征计算分数,并将分数写入数据,供决策流后续部分使用。决策表再根据评分区间,将申请划分为批准、转人工审核或拒绝。

完整的决策流会规定需要调用哪些数据、评分前执行哪些规则,以及评分区间如何对应处理结果。它也会规定外部数据调用失败时如何处理。

缺少输入或评分区间未覆盖,都可能改变结果

要判断决策流是否符合授信策略,先检查申请走出预期路径时会返回什么结果。下列情况依据产品文档说明的行为整理。

在收入示例中,数值比较会把空值按零处理。如果征信机构调用失败,对应的数据源步骤会标记为失败,决策流其余部分仍会继续运行。如果评分为 35,进入一个区间为 0 至 30、40 及以上的分支判断,就不会匹配任何分支。日期比较中,缺失日期无论按哪个方向比较,都不会匹配。文档决策运行结果说明了这些情况与无法完成的步骤之间的区别,后者会使本次运行报错并停止。

发生的情况含义返回结果处理方式
数据源没有响应数据源没有响应、返回错误,或无法使用其凭证。该任务会将自身结果标记为失败,决策流其余部分仍会继续运行返回一项决策,该任务带有错误添加一条根据该任务错误进行分支的规则
数值为空、为 false 或为 null在数值比较中按 0 处理返回按数值为 0 作出的决策先添加「is not a number」条件
日期缺失日期比较的两个方向都不会匹配返回一项决策先检查日期是否缺失,再根据检查结果设置分支
决策树没有分支匹配运行在该决策树处结束返回 HTTP 200,包含运行到该处为止的计算结果添加最后一个分支,使用「any value」条件,并指向人工审核
任务无法完成运行在该任务处停止返回 HTTP 500 和原因,不会返回决策结果根据发送的数据检查指定任务的属性映射

征信机构调用失败时,响应中仍会返回一项决策。决策树没有分支匹配时,会返回 HTTP 200,结果只包括该分支之前已完成的计算。任务无法完成时则会返回 HTTP 500。检查响应状态和内容,确认决策流是否得出了结果。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。

在授信策略中规定异常处理方式

这些情况都需要在决策流中设置相应规则。处理收入时,应先判断数值是否缺失或不是数字,再进行阈值比较,因为比较会把空值按零处理。之后再定义授信策略如何处理这笔申请。

处理征信机构调用时,先检查数据源调用是否失败,再按授信策略选择下一步。可以调用其他服务商、采取审慎处理,或转人工审核。如果决策流没有检查调用是否失败,规则可能会把缺失的征信信息当作没有命中记录。

处理评分的决策树时,在末尾添加一个使用 any value 条件的分支,并将其指向人工审核。这样,其他评分区间存在空档时,例如评分为 35,也会有对应处理方式。

上线前测试发布版本

将已经确定的收入阈值和转人工审核区间纳入一个版本,并在上线前测试常规路径和例外情况。一个版本包含整条决策流的逻辑。您可以用样例申请进行测试,先部署到测试环境的接口,再部署到生产环境。

准备包含收入门槛和转人工审核区间的样例申请,还要覆盖收入为空、征信机构调用失败和评分为 35 的情况。逐项检查预期规则是否运行、申请是否到达指定结果,以及没有匹配的评分是否转到了人工审核。每个样例都要检查这些情况。

您可以把决策写入所在机构的数据库,并开启决策流任务记录,供后续检查。部署前,使用回测新发布版本,与已经作出的决策进行对比。查看每项可能发生变化的决策,判断新策略是否本来就要改变它。如果历史记录中包含处理结果,也要一并比较。对于不希望发生变化的回测结果,调整相应门槛、区间或异常规则,再发布新版本并重新测试。回测会报告可能发生的变化,是否接受这些变化由策略负责人决定。

判断收入门槛调整是否可以上线

针对待处理的收入门槛和转人工审核区间,按以下流程编写授信策略、检查异常情况,并判断是否可以上线。

  1. 选定一项有书面政策的常规决策,列出输入项、阈值和可能的结果。
  2. 逐项标明输入来自系统发送的请求,还是由决策流调用的数据源。
  3. 在一个决策流中配置这项政策。硬性规则用规则集,评分用评分卡,按分数区间确定结果用决策表,政策中用到模型时则加入模型。
  4. 每项输入都要先设置缺失值规则,再设置任何使用该输入的规则。
  5. 每个数据源之后都要加入调用失败时的规则,并确定政策如何处理,例如改用其他服务商、采取审慎的决策结果或转人工审核。
  6. 每个分支判断都要添加一个指向人工审核的最终任意值分支。
  7. 发布决策流,用样例申请进行测试,再部署到测试环境,之后再部署到生产环境。
  8. 将每笔决策保存在贵机构自己的档案中,并在测试时记录决策流的执行步骤。
  9. 下一次政策变更上线前,用新版本回测已作出的决策。检查哪些决策会发生变化,在历史记录包含结果时核对这些结果,并调整政策,使其符合预期的变更。

关于决策引擎的常见问题

什么是决策引擎?它和评分卡有什么区别?

信贷评分卡将申请人或账户的特征转换为一个用于衡量信用风险的分数。决策引擎则运行围绕这个分数展开的完整决策流,包括数据调用、授信规则和产生处理结果的逻辑。评分卡提供后续流程所需的分数,决策流则决定这个分数如何影响最终决策。

规则引擎和决策引擎有什么区别?

规则引擎根据事实执行规则。决策引擎运行更完整的决策流,可以组合使用规则、评分、数据源和结果处理逻辑。

查看规则引擎架构,了解规则如何存储、管理、部署和执行,版本如何管理,以及为什么要在发布前测试。

决策引擎如何工作?

系统向决策流发送输入,决策流按顺序执行已配置的组件。根据运行情况,可能返回决策、部分响应或错误。

决策应该实时运行还是批量运行?

每笔交易到达时都需要决策,就采用实时处理。需要对一批数据作出决策时,例如对客户组合进行预评分,就采用批量处理。了解实时决策和批量处理还是实时处理。

决策引擎能使用机器学习模型吗?

可以。训练好的模型可以导入决策流,用于计算分数。

决策引擎无法获取所需输入时应该怎么处理?

为这种情况明确规定处理方式。使用数据前先检查数值是否缺失,针对数据源调用失败设置分支,并为每棵决策树添加最后一个分支,例如转人工审核。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。