第四章：专家规则体系搭建
规则体系这东西，说白了就是风控的「老中医经验方」。
我做了这么多年风控，见过太多团队一上来就堆机器学习模型，结果冷启动阶段数据稀疏，模型根本跑不动。这时候，专家规则就是你的救命稻草。
4.1 基于业务经验的规则设计
规则设计不是拍脑袋。我个人习惯，先拉一份「业务黑名单」——就是那些明显有问题的客户画像。
核心原则：规则要可解释、可迭代、可量化。
举个例子，我在项目中遇到过这样一个场景：某消费信贷产品刚上线，没有历史数据。我们怎么定规则？
- 身份特征类：年龄<18岁或>60岁，直接拒绝。为什么？年轻人收入不稳定，老年人还款能力下降。
- 收入负债类：月收入<2000元，或者负债收入比>50%。说白了，你赚的钱都不够还债的，谁敢借？
- 行为异常类：申请时间在凌晨2点-5点，或者一天内申请超过3次。嗯，这里要注意，这种往往是撸贷团伙的特征。
我的经验：规则设计初期，宁可严一点，别太松。我曾经因为一条「年龄放宽到22岁」的规则，导致逾期率直接翻倍。后来我学乖了，冷启动阶段先保守，等数据积累够了再逐步放开。
4.2 规则阈值设定方法
阈值怎么定？这是个技术活。我见过有人直接拍脑袋定个「500分」，结果模型一跑，一半客户都被拒了。
我个人常用的方法有三种：
| 方法 | 适用场景 | 操作方式 |
|---|---|---|
| 分位数法 | 有少量历史数据 | 取变量分布的5%或95%分位点 |
| 业务经验法 | 完全无数据 | 参考行业标准或监管要求 |
| 试错迭代法 | 有部分线上数据 | 先设宽松阈值，观察一周再收紧 |
你想想看，如果完全没有数据，怎么办？我建议用业务经验法。比如监管要求「贷款年化利率不得超过36%」，那你的规则阈值就定在36%以下，留点安全边际。
避坑指南：我曾经犯过一个错误——把「收入>5000元」作为硬性规则。结果发现很多优质客户（比如公务员、教师）实际收入不到5000，但还款能力很强。后来我改成「收入/当地平均工资>0.8」，效果就好多了。
4.3 规则冲突处理与优先级排序
规则多了，难免打架。比如一条规则说「年龄>45岁拒绝」，另一条说「公积金缴纳>3年通过」。那45岁以上的公积金用户，到底过还是不过？
我的处理思路是这样的：
- 按风险等级排序：欺诈类规则 > 信用类规则 > 行为类规则。为什么？欺诈是主观恶意，信用是还款能力问题。
- 按通过率排序：通过率低的规则优先级高。比如「命中黑名单」直接拒绝，优先级最高。
- 按业务影响排序：涉及监管合规的规则，优先级最高。这个没得商量。
实战技巧：我习惯用「规则矩阵」来管理冲突。把每条规则的优先级、通过率、拒绝原因都列出来，一目了然。
举个例子，假设我们有两条冲突规则：
规则A：年龄>50岁 → 拒绝（优先级：高）
规则B：公积金连续缴纳5年 → 通过（优先级：中）
冲突处理逻辑：
1. 先判断规则A是否命中
2. 如果命中，再看规则B是否满足
3. 如果规则B满足，则「人工复核」而非直接拒绝
4. 如果规则B不满足，直接拒绝嗯，这里要注意，规则冲突处理不是非黑即白。我建议留一个「人工复核」的缓冲地带，避免误杀。
4.4 规则体系的知识图谱
下面这张图，是我自己总结的规则体系搭建流程。你仔细看看，应该能理解整个逻辑。
这张图的核心逻辑是：规则设计 → 阈值设定 → 冲突处理，然后通过数据反馈不断迭代。说白了，就是「先跑起来，再优化」。
我的建议：冷启动阶段，规则数量控制在10-15条就够了。太多规则容易冲突，太少又覆盖不全。我曾经见过一个团队搞了50条规则，结果线上跑起来，一半的请求都进了人工复核，业务根本扛不住。
好了，这一章的内容就到这里。规则体系搭建是风控的基石，你把它搞扎实了，后面的模型才能跑得稳。