对于风控决策引擎，或多或少都有听过或者见识过。如果问，决策引擎最大的用处就是：解放开发同学的压力，减轻系统的复杂度。提到决策引擎，处处离不开大数据。

决策引擎起源于规则引擎，规则引擎起源于基于规则的专家系统，而基于规则的专家系统又是专家系统的其中一个分支。专家系统属于人工智能的范畴，它模仿人类的推理方式，使用试探性的方法进行推理，并使用人类能理解的术语解释和证明它的推理结论。

整个决策引擎的发展，伴随着近年来大数据技术的发展，海量数据的处理、分析、挖掘、决策成为了迫切需求。在传统的规则引擎基础上，数据计量、数据建模、模拟、数据可视化、冠军/挑战者（AB测试）等功能应运而生，甚至部分决策引擎加入了机器学习的功能，使原来需要数据科学家、深度建模工具的场景也变得更加亲民起来。决策引擎将“机器替代人工操作”进化到了“机器替代人工决策“的境界。

而在整个风控的细分内容上，我们可以将整个风控的决策流程上分为最小特征因子、风控规则、策略集、引擎这四个模块。以下我们来介绍里面相关的内容分别是：

一.最小特征因子：

年龄

性别

申请时间

A多头数量

B多头数量

二.风控规则：

20<年龄<60

性别==男 且 20<年龄<55

性别==女 且 20<年龄<60

B多头数量>5A多头数量>6

三.策略集：

新户准入策略集

旧户准入策略集

反欺诈策略集

设备指纹类策略集

知识图谱策略集

四.引擎包括：

预授信引擎

反欺诈引擎

提额引擎

是否可营销引擎

是否允许多笔借款引擎

金融的核心是风控，风控的核心是数据，不管是传统风控还是大数据智能风控，风控数据都是风控的基础。大数据智能风控的发展历程中，三方风控数据扮演着重要的角色，当前互联网金融浪潮下大数据智能风控技术的应用已经相当成熟，三方风控数据厂商和风控数据类型丰富，风控数据涵盖基础信息、验证信息、历史信用、消费行为、履约能力、社交信息、公众信息、资产负债信息、黑/灰名单、关系信息、设备信息等（这里主要列举个人类风控数据）类型。

丰富的三方风控数据从接入、测试、使用、运营都需要全流程的系统管理，只有从数据的开始接入就做好数据的全流程管理，才能够让风控数据的接入变的更加有条不紊，风控数据的风控效力尽可能大。

而在上面介绍的策略规则中，强规则、弱规则，规则多多，并且规则间层层关联；还有一个大家鲜为听过的Hunter类策略，其作用相当于软规则策略，即不同于HC(Hard Check)和准入，具体的策略的内容有：

编辑切换为居中

添加图片注释，不超过 140 字（可选）

Hunter类策略在具体的决策引擎中如何实现部署与设计，Hunter类策略应该占多大的权重，如何让Hunter类策略融入到具体的风控流程中，风控决策流又该如何设计才能更好的拦住高风险客群，并且如何使用决策引起进一步提高效率、减低系统压力。

关于这些内容，番茄风控在假期给各位同学准备了一个将近四十分钟的视频课程，帮助大家对相关内容进行理解，详情如下：

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

（详细视频可见下篇） 另外关于实战部署的规则，本次番茄风控还为大家准备了一个相关的决策引擎的平台帮助大家进行真实规则模型上线，具体部署的规则有以下内容：

①黑名单类规则：

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

②多头借贷类规则

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

③其他反欺诈等相关规则，详见决策引擎实操平台

实操平台相关页面如下：

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

关于该实操平台，有兴趣的童鞋可关注视频实操教程：

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

...

~原创文章