目录
一：了解信贷风险：
1： 了解信贷业务：
- 1： 如何获利？通过放款收回本金和利息，扣除成本后获得利润
- 2：信贷如何把控？贷款平台预测有信贷需求用户的还款情况，然后将本金借贷给还款概率大的用户。
2：了解信贷业务中的风险控制：
问题一： 你了解的信贷吗？
答：信贷业务中，使用信用来预支金钱，在小额贷业务中往往没有抵押物，那么贷款方就会承担一定风险（用户不还钱）
问题二：说说啥叫风控？
答：风控就是对用户的信用风险进行管理与规避，对于预测信用较差的人，不向其放款，即便放款，也会是较小的贷款额度和较高的利率。
问题三：你了解信贷领域有哪些风险？
答：1：信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险（想还还不上）
2：欺诈风险：压根不想还钱，以欺诈为目的。
问题四：风控中如何针对这两类风险？
答：信用风险—信用评分系统。欺诈风险—反欺诈系统。
问题五：机器学习的风控模型与传统的人工审批的区别？
人工审批：效率低，对业务员的要求高。
机器学习模型：批量，迅速，准确，同时处理大量的请求。
二：信贷产品与风险？
2.1：说说你知道哪些信贷产品？
2.2：说说上面的信贷产品都有哪些风险？
1：现金贷
对于银行的风险比较高，利润的来源主要是利息。
2：消费贷：
消费贷的利润来源：1：商家的提成。 2：超期利息。
常见的风险？
三：风控常见的术语：
- 1: DPD : 逾期天数 DPD1:逾期一天， DPD2：逾期两天， DPD3: 逾期三天。
- 2：FDP： 首次逾期天数
- 3：M1 : 逾期一个月以内。
- 4：M1+: 逾期一个月以上。
- 5：default : 坏账。
- 6：delinquency : [dɪˈlɪŋkwənsi] 拖欠：
- 7：flow rate: 流动率：
- 8：bad rate: 坏账率：
- 9：vintage: 账龄分析：[ˈvɪntɪdʒ]
四：信贷审批业务的基本流程：
- 1：信贷业务的四要素：银行卡姓名，身份证号，姓名，手机号。
- 2：除此之外，学历信息，贷款信息等。
1：审核过程：
首先用户注册，然后审核用户的四要素是否正确，然后授信与定价，也就是会给一个额度（这个额度不一定就是最终的额度，不一定申请下来），然后进入审批过程。
审批过程首先经过反欺诈引擎，看看该用户是否在别的平台的黑名单中。然后进入信用评估引擎，也就是看看给用户是否在失信名单中，法院的自信名单中，以及银行的条件限制等等，如果在审核不通过。然后进入申请评分卡中（A卡），他会将用户的信息，转化成一个信用卡的评分。最后经过人工审核，审核通过/不通过。
2： 再次审批流程：
用户可能申请没有通过，他经过一段时间后还可以再次申请，用户如果申请成功，不使用我们的消费额度，则我们的用户就流失了。
3：给用户放款后没有逾期的流程：
用户提款后按时还款，如果用户不用了，则表示用户流失，如果用户继续使用，则再次放贷，进入复贷审批流程：
同样类似审核过程，只不过此时我们有了用户的行为信息（历史贷款信息），此时我们会有行为评分卡，会评估我们历史贷款信息，如果按时还款，则提升额度，如果没有按时还款，则降低额度。
4：如果给用户放贷之后，用户逾期了（1/2天，或者一星期），则进入催收引擎，如果用户联系不上了，就会联系朋友/家人的联系方式，p2p可能会让用户上传所有通讯录，如果失联，会给所有的人打电话。失联修复后，进入催收评分卡，内催和外催，内催催不回来，则将用户信息交给催收公司，催收公司帮助催收，然后付给催收公司费用。
五：互联网金融风控体系三大组成部分：
- 1：用户数据：用户基本信息，用户行为信息，用户授权信息，外部接入数据。
数据采集：埋点（用户在网站上的操作）和爬虫技术（爬用户手机上的信息，手机设备信息，安装的软件，通讯录，短息）。免费的运营商数据，收费的征信数据（央行直接拿到的），外部黑名单（例如蚂蚁花呗的失信名单）。现金贷和消费贷自有的数据，（例如：京东金融肯定要使用京东商城的数据，看看你买了什么，花呗额度跟 你淘宝的购买力也有关系， 滴滴的司机贷，肯定查看滴滴的司机数据）。
- 2：策略体系：
欺诈规则:诈骗信息，诈骗团伙。
准入规则：用户年龄不符合，地域不能是在诈骗村，诈骗团伙聚集地，通讯录中没有不还款的人，以及诈骗人的联系方式，行为规则就是是不是填写信息的时候很快，一看就是用脚本跑的。
运营商规则：是不是有催收公司给你打电话，通讯录中有欠我钱的。
网贷：短信中是不是催收，是不是APP中有大量的网贷软件。
- 3：机器学习模型：
六：风控模型的流程？
1：评分卡的介绍：
一般采用逾期天数区分正负样本，也就是目标值Y的取值（1/0）
C卡因为用途不同可能Y的取值可能不同
如果是内催可能是用逾期天数，如果是外催，则可能使用（0/1），能催回来就是正样本，否则就是负样本。
- 贷款前：申请评分卡。（白户）信息不清楚的用户。
- 贷款中：行为评分卡。
- 贷款后：催收评分卡。
2：机器学习模型的完整的工程的工作流程：
样本设计：B卡肯定不能有逾期的用户，C卡肯定不能有未逾期的用户。
特征工程：标准化，归一化，降维操作(主成分分析，PCA降维),缺失值和异常值处理。
特征构建：年龄分组，查看每组的统计。。。
特征评估：新生成的特征跟之前的有没有相关性特别大的，或其他的几个特征能够表示这个特征就考虑把这个特征给去掉。
七：项目准备期：
整个流程是： 项目准备期—>特征工程—>模型构建期---->上线运营。
7.1：明确需求：
例如：全新客户开放的小额现金贷产品，抢占新市场。
目标人群：新客；
给与产品：额度（小额） 利率（高）
市场策略：开拓市场
使用期限：紧急使用
7.2：模型设计：
1： 业务抽象成分类/回归问题？
2：模型采用什么算法？
规则模型：
逻辑回归：
集成学习：GBDT
融合模型：
3：模型输入什么？：
数据源
时间跨度（股票每个时间段的数据是不同的）
4：Y标签如何定义？：（重要）
5： 样本如何选取？
6： 观察期和表现期：
观察期：对于B卡来说，用户再次进行申请放贷款，我要往前推一段时间，看看有没有逾期情况，如果有则不进行放贷。
表现期：用户到期三个月没有还款，则3个月为表现期。
7：数据集如何划分？
开发样本：开发样本与验证样本使用分层抽样划分，保证两个数据集中负样本占比相同
验证样本：开发样本与验证样本的比例为6:4
时间外样本：通常使用整个建模样本中时间最近的数据, 用来验证模型对未来样本的预测能
力，以及模型的跨时间稳定性。
八： 特征工程：
8.1： 数据调研：
1： 数据调研：（明确目标人群有哪些可用的数据，数据之间的逻辑）（数据质量，覆盖度，稳定性）
8.2：特征构建：
- 特征构建的误区：拿到数据，立刻做特征。
1： 根据数据源对应的数据表，画出ER图：
2：评估特征的样本集（哪些数据该有，哪些不该有）
例如：B卡样本集不能包含逾期数据，C卡样本集不能包含按时还款的数据。
3：特征框架，特征如何用（跟组内的成员进行讨论）
每个属性都可以从（RFM三个维度考虑：R:最近的， F:最经常的（最大最小值，平均值）， M :其他的）
4：明确数据是哪里来的？（数据来源必须一致，不能训练用这个，测试用那个）
数仓原始表
数仓重构表
5： 特征构建有哪些方法？（如何生成新的特征列）
8.3：特征评估：
1： 什么样的是好的特征？
覆盖度高：这个特征我们80%的数据都有。
稳定性高：后期可以长时间使用。
2：模型评估的指标有哪些？
单特征的AUC指标。
KS估计模型的效果。
3：最后我们要生成评估报表：
九：模型构建：
- 1：设计实验（目的:判断哪些特征是能够提升我们模型的效果）
- 2：模型训练（机器学习的方法进行训练）
- 3：模型评估（稳定性（长时间能够使用），AUC,KS,GINI值来判断）
十：上线运营：
- 1：模型交付
- 2：模型部署
- 3：模型监控
