在風控模型的開發(fā)與優(yōu)化中，許多從業(yè)者常常陷入無盡的特征挖掘、標簽調(diào)整和模型迭代中，卻忽略了核心問題：如何高效地提升模型的價值。本文從風控模型的三大痛點出發(fā)，指出模型開發(fā)中真正值得投入的優(yōu)化方向，供大家參考。

模型訓(xùn)練，就是模式識別，模型本身是一個復(fù)雜的函數(shù)。模型越復(fù)雜，你就可以理解這個函數(shù)最強，模式識別地越精準。

一個想法值不值得做，你只需要判斷它有沒有信息增益，以及大概有多大，后者尤其重要。建模是其實現(xiàn)，想法本身的價值是模型價值的上限。

而判斷一個想法有多大的信息增益，基本都可以在事前，不需要建模去試。

如果你知道這一點，并且掌握基本的事前判斷能力，你的風控模型工作就必然是如此之簡單。

本文要做的就是闡述這兩點。如果此番決策邏輯被清晰地闡述，就必然得出了一個讓很多人羞愧的結(jié)論：如果你做模型做得很忙很累很頭大，不僅不能說明你牛逼你努力，反而說明的是你不懂風控。

很好，我寫了一個很有力的開頭。?

常常引發(fā)無數(shù)模型同學(xué)熬夜加班掉頭發(fā)的困擾，大概都在三點優(yōu)化上：特征、標簽和客群。

我們一個一個說。

一、特征優(yōu)化

開發(fā)新特征、引入新的數(shù)據(jù)源，在已有的特征域上進一步衍生特征，都在此列。這三點優(yōu)化，對模型KS有多大的提升？你可以結(jié)合你的經(jīng)驗思考這個問題。

如果說引入一個新的數(shù)據(jù)維度，模型效果提升10%，那么對該數(shù)據(jù)維度過度衍生特征，其增益還得乘10%。??????????????

例如你引入了銀聯(lián)銀杏分，把它融合進你的A卡模型里，效果提升10%，這是很合理的大致范圍，KS從30變成了33；假如你去銀聯(lián)聯(lián)合建模，定制一個模型，再把它融合進你的A卡模型里，也許KS能更高一點，例如34；假如你嫌棄銀聯(lián)底層變量不夠，你硬要強行衍生更多變量，再建模型，融入A卡，那KS幾乎還是34，可能是34.1、34.3、34.5，絕對不會變成35。????????????

再例如征信數(shù)據(jù)，從幾百個變量，衍生到幾千個變量，到幾萬個變量，對KS的提升，頂多有一次10%，很快就邊際遞減到1%，到忽略不計。??????????????????????????

因為信息增量隨著特征數(shù)量邊際遞減。緯度爆炸的價值是那個1%，不是10%。

1%的價值做還是不做？如果不麻煩，當然可以做。但如果這個1%只能用在很小的客群分支上，那就不用做了。

例如，一個很新奇的想法，它可能有點用，但是因為做法過于奇怪，有較大的操作風險，策略最多會在一個特別小的分支流量上應(yīng)用，1%的增益，疊乘一個10%的流量，再加上策略應(yīng)用對模型性能的折損，這個項目你做嗎？

二、標簽優(yōu)化

涉及標簽優(yōu)化的模型工作，主要就是換不同標簽做不同的模型。長期風險表現(xiàn)做一個模型，短期風險表現(xiàn)做一個模型，例如mob12和mob6，甚至mob3、FPD。

既然有長期短期，進一步就有長短期，短期好長期壞怎么辦？是不是要建三個模型？???????????????????

長短期、長期、短期，它們有等式關(guān)系，這意味著其中任意兩個的信息量就是全部的信息總量。建兩個模型就等于三個模型，f_長短期=g(f_長期, f_短期)，這個g是簡單的，留給策略就好了。

甚至我們還可以這樣理解，短期的壞最壞，長期的壞比短期的壞略好，長期的好最好，二分建模的時候，長期還是短期，無非是二分的gap大小的問題。

長期和短期的信息量也不過是10%這個級別的差異而已。兩個模型相比一個模型，也不過是10%這個級別的增益而已。

基于此邏輯，如果一個模型在一個標簽下好于另一個模型，那就是各種標簽下都好。你不用關(guān)心他們的建模目標是什么。當然，我們說的是一般情況。

從樸道、百行那里給你10個評分產(chǎn)品，你去測試，完全不需要考慮這些產(chǎn)品是基于什么樣的標簽做成的。你只關(guān)心絕對效果及其可靠性，和價格。???????????????????????????

三、客群優(yōu)化

這里主要包括，分客群建模和常規(guī)化的迭代模型，他們本質(zhì)上都是樣本即客群的差異化。??????????

兩個完全不同的客群分別建模是有必有的，例如12%、24%、36%這樣不同定價的客群，例如花唄、借唄這種不同類型的產(chǎn)品。???????????????????????????????????????????????????????????

但如果你沒有資源這樣分別建模的話，你把不同客群的樣本合在一起建模也是可以的。復(fù)雜模型會自動解決樣本差異問題，當你合理增加模型復(fù)雜度，一個模型相比多個模型的信息量的減少會越來越小。

如果你不太相信，我們換一個說法，以樹模型為例：分客群建模可以看作第一層分裂進行了手動分群，合并建模就是留給算法自己分。如果你保證后者的復(fù)雜度和前者一樣，樹深+1或棵樹x2，模型的信息量能有多大區(qū)別？?

當然，有別的原因限制你不同產(chǎn)品各自建模，例如它們背后的可衍生特征不一樣，組織架構(gòu)權(quán)責有別。????????????

所以，如果你有多個產(chǎn)品，多個客群，要和某個數(shù)據(jù)源聯(lián)合建模，完全不需要分客群建立多個模型，你只需要合理構(gòu)建你的樣本組合。??????????????

模型迭代也是一樣，其客群差異由時間界定。把新樣本加入進來，不要只要新樣本。該話題我們已經(jīng)討論足夠多了，到此為止吧。如你需要，請看《什么是好迭代》及文中指向的三篇文章。????????????????????????

到了該建立方法論的時候了。

我們的討論有兩個關(guān)鍵詞：信息量和邊際遞減。我們做更多模型的努力，只會帶來邊際遞減的信息增量。

我要借助結(jié)構(gòu)力學(xué)中一階和二階的概念。結(jié)構(gòu)在受力后會產(chǎn)生形變，一般而言結(jié)構(gòu)變形是微小的，可以忽略變形對內(nèi)力分布的影響，這就是一階分析。如果我們考慮形變Δ，結(jié)構(gòu)在承受豎向荷載P時因形變會產(chǎn)生附加彎矩（即P-Δ效應(yīng)）從而導(dǎo)致結(jié)構(gòu)進一步變形，這是二階效應(yīng)。??

一階是直接的，二階是間接的；一階是先的，二階是后的；一階是好做的，二階是不好做的……??????

我要總結(jié)的底層邏輯是，模型開發(fā)存在一階效用和二階效用，一階效用值得做，二階效用不值得做。?

一階的增益是你決策的依據(jù)，二階不是，二階的價值不是你決策的依據(jù)，是你資源過?？梢园才鸥傻氖虑?。

當你的業(yè)務(wù)目標，例如余額規(guī)模和風險指標，還有很大差距的時候，你肯定要找一些事情做，但不是什么都有用，去找具備一階效用的事做，不要找二階效用的事做。

如果你業(yè)務(wù)玩不下去了，卻提需求給模型同學(xué)說必須靠你這個二階優(yōu)化，不然業(yè)務(wù)就黃了，那不是壞就是蠢，你應(yīng)該去尋求其他的解決方案。

例如去找更好的流量，去找更有效的三方數(shù)據(jù)，不要去做無窮個特征，做無數(shù)個模型。

我見過很多無效的項目，浪費了很多人無數(shù)的時間。那些辛辛苦苦加班熬夜的時間，不僅毫無意義，還起到了反重用：它讓你對工作是如此的厭倦和疲憊，以至于你的成長還不如一天就上八小時可以獲得的那么大。

當你把時間都花在沒有意義的建模試驗和調(diào)優(yōu)上，你不焦慮嗎？對于只有二階效用甚至更高階效用的任務(wù)，最好的做法就是拒絕掉這樣的項目。拖黃掉不會有多大的損害，做好了也沒有多大的益處。

不幸的是，大部分團隊，80%的時間都在做只有二階效用的東西，20%在做一階效用。

前面我說：如果你做模型做得很忙很累很頭大，不僅不能說明你牛逼你努力，反而說明的是你不懂風控。好吧，我承認，我太嚴格了。你說你身不由己，但既然如此，何必內(nèi)耗？

再一次強調(diào)，經(jīng)驗讓工作更輕松。如果你沒有，你一定心存懷疑，請務(wù)必相信你的懷疑。

我可以下這個斷言：任何人，如果模型工作做得累得要死，都是因為違背了本文所提的決策邏輯。你應(yīng)該知曉這件事情，想清楚這個違背是因為什么，再想辦法改善自己的處境。

最后，讓我們給我們的決策邏輯起一個宏大的口號，就像AI大模型那樣：

Less work, more value.