风控体系是玖富普惠网贷风险管控全流程中的核心体系。一般情况下，借款人出现信用风险，可通过风险定价策略等手段进行防范，风险可控性较大。而借款人在一开始，就以骗贷为目的进行借贷并且借款成功，则出借人会承受相当比例的损失。因此风控体系主要考虑两大类风险：一类是信用风险，一类是欺诈风险。

风险人群中很少能自然地找出几类在业务上具有显著差异的人群，可以人为分类，但是类和类之间往往是没有清晰边界的。因此风控场景下的建模多为分类算法模型，实际上做的事情往往是给出用户违约的预测概率，对各种风险场景有个统一的量化评估。模型设计的目的就是把好样本和坏样本尽可能区分出来。搭建风控分类模型通常有两类算法：

大数据是风控的基础，做风险评分模型这个项目前，先得积累足够多的数据（样本和特征），不然真是巧妇难为无米之炊。对借款人全方位的理解，一般可将风控数据分为四部分，自上而下，这些数据与逾期信用风险的相关性逐渐降低。通常，我们也称为强金融属性和弱金融属性数据。

使用上述数据，采用传统逻辑回归和XGBOOST等机器学习多样化的技术方法进行模型开发，采用最先进的算法组合选择，确定最终决策模型。同时线上采用冠军和挑战者模型策略进行比较优化。下表为完整建模流程和使用的技术：

风险模型是一个概率模型，一般是希望求出一个和真实概率分布最接近的概率分布函数，而不是寻找一条干净的边界把人群分为两类。在对风险人群建模的时候，人群在空间中是连续的，人群的标签由一随机事件决定。人群样本在空间中是一片连续的点云，不同位置的云代表了采集到的不同的人群信息，不同的人群有不同的逾期概率，概率随空间的变换是连续的。但为了直观易于理解，我们用下面的二维图对建模原理做出解释。如示意图红色代表坏样本，绿色代表未好样本，黑色直线代表模型分类器。可以直观的看出，分类器很难100%对好坏样本做出区分，总有部分样本因为分类器的局限性导致对样本的判断错误，这也就是为什么坏用户会被放进来的原因。另外，距离分类器越远的样本越纯，越近则约混淆。当然，越好的模型生成的分类器对用户判断越准确，从而降低整体分类空间的坏用户比例。

根据开发出来的评分模型，我们对验证样本做打分预测，其评分等级分布如下表和图。评分等级越高，则该等级的坏样本占比越少。模型分类器的区分能力越强，其不同等级坏占比所形成的斜率就越大，但很难实现好的评分等级的用户没有坏样本。因此风险模型与经过数据挖掘的风险政策相结合，可以进一步提升风控系统对风险的判断能力，从而达到风险收益和用户成本的平衡。如下表所示：我们的评分模型有很好的区分度，最高等级的坏样本占比仅为最低等级的1/25。