决策科学苑 | 算法优化规则的实例

在之前的文章中已经探讨了使用算法对规则进行优化的基本思路，本文将举一个具体的规则优化的例子，进一步说明使用算法，而不是依赖人工对算法进行优化的必要性。

真实的企业运营中通常会存在一些已有的规则，业务人员会根据市场、或者企业战略战术的变化频繁的对这些规则进行调整。以下假定一个金融机构需要根据贷款申请人的特征进行自动审批（接受或者拒绝），在无法自动决策的时候由人工进行审批调整。为了讨论的简便，我们假设这个审批仅根据申请人的年龄、学历和收入作为LHS(Left Hand Side)设定规则。其内在的审批逻辑为：一个人的年龄越高，学历越高，其收入也应该越高，更具有偿还贷款的能力。

表1 信用审批规则LHS

Table1 LHS of credit approval rules

如图1，在业务刚刚开展的时候，业务人员制定了一套业务规则。首先将年龄分为三类，对应学生（刚步入社会的学生）、具有一定工作经验的普通员工以及资深员工。对于学生群体，业务人员倾向于选择高学历的人群，并不考虑他们是否有收入；对于普通员工，他们的学历应当与收入成正相关，拒绝低于某个收入（根据经验）的申请，否则接受；对于资深员工，审批不再关注申请者的学历，完全根据他们收入判断：过低收入者未来偿还贷款可能存在风险，而过高收入者则可能存在欺诈风险，需要人工核实，对于正常收入返回的申请一律予以通过。

图1 旧业务规则

Fig1. Previous Business Rules

业务在持续一段时间之后，业务人员发现原有的规则存在一些问题。例如许多申请者没有接受进一步教育，较早开始工作，因此他们的收入应当考虑。另外原有的年龄划分存在问题，在中国一般上大学的年龄是18岁，毕业是22岁，因此原有的学生规则覆盖不到绝大部分的本科生。

图2 新业务规则

Fig2. New Business Rules

另外根据合规方面的要求，发放贷款一定要参考申请人的收入水平，于是业务人员又在规则中加入了一些关于收入的条件。图2是根据新业务变化重新设定的业务规则，按照公司管理层的要求，业务部门需要分析新规则与旧规则的差异，说明调整的合理性。

比较图1和图2很容易看出，首先在年龄的划分上存在差异，旧策略中的年龄分割点为24，30；而新策略则为22，28，35，为了进行对比分析，需要在新旧规则中按照最细的尺度（分割点为22，24，28，30，35）重新划分，对齐后进行比较。

图3 新策略改变了年龄分割的尺度

Fig3. New Calibration of Age Caused by New Strategy

新策略还为规则加入了收入的判别条件，因此除了年龄需要重新划分和对齐，对于其他变量也需要这样做，可以想象，这种划分和对齐会形成一张非常巨大的表，以下仅对原有学生群体规则变化进行比较。如表2，原有学生群体以22岁为分割点进行了分割，并增添了关于收入的条件。可以看出，新策略并不完全合理，例如对于22-24岁，高中学历，收入>3k的人群，新策略的审批结果为“接受”，这部分人群的历史平均坏率为16%， 可能是存在业务问题的。另外，新规则还将原有拒绝客群直接予以接受，这会带来很大的风险，因为新的决策规则没有数据的支持，很可能存在审批漏洞。关于这类问题的解决方法，将会在下一篇文章中介绍。

表2 新旧规则比较

Table2 Comparison of New Rules and Previous Rules

通过这个简单的例子可以清晰的感受到，规则的迭代优化是不太可能靠人工完成的。规则变量的重新划分和对齐形成了大量的检查项，有些新的决策会缺乏数据支持，还有一些则需要根据数据不停的重新计算和评估，这种单调而冗长的任务更适合由算法来完成。

文章作者

余锴  

曾在华为、惠普、SAP合作伙伴从事市场、咨询和数据科学领域工作，并在互联网金融行业有丰富的大数据建模、智能算法研发以及决策引擎设计经验。