信数金服:缓释规则

在我最近发布了关于“例外处理”的文章之后,决策管理社区之前发布的一个挑战引起了我的关注,其中提及了实际政策之外的缓释规则。这与例外处理的概念略有不同。我认为描绘如何解决这个挑战将会是非常有趣的。

       以下是关于这个挑战的定义:

       决策模型:“在缓释标准下借款通过/拒绝的决策”

Rule # 1:

New Borrowings cannot exceed 30% of Total Assets.

Mitigation Criteria:

If the executive committee flag is set to “Y” and the executive committee exposure override is set to a percentage

higher than the new borrowings/total assets ratio then PASS

Otherwise FAIL

Rule # 2:

New Borrowings cannot exceed 1-4 Threshold.

Mitigation Criteria:

The new borrowings is less than the non-repo collateral available for the customer

then PASS

Otherwise FAIL

Test Data

Customer #200: ABC Bank

Total Assets = 20,000,000

Executive Committee Flag = “Y”

Executive Committee Exposure Override = 35%

1-4 Threshold = 1,000,000

Non-Repo Collateral = 2,500,000

Customer #500: Bank One

Total Assets = 50,000,000

Executive Committee Flag = “N”

Executive Committee Exposure Override = 0%

1-4 Threshold = 3,000,000

Non-Repo Collateral = 3,250,000

       上述模型大致描述了:

规则#1

新增借款(金额)不得超过总资产的30%,否则拒绝。

缓释规则:

如果变量ECF的设置为“Y”,且变量ECEO值超过新增借款/总资产的比例,则通过,否则拒绝。

规则 # 2:

新增借款(金额)不得超过1-4阈值。

缓释规则:

若新增借款(金额)少于客户所能提供的非回购抵押品价值,则通过,否则拒绝。

信数明策决策引擎的解决方案

       首先,我将从数据开始。作为全新项目的一部分,我可以定义数据结构 -- 我们称之为表单,并开始填写测试用例。我将创建业务规则,并实时更新数据以反映业务规则所执行的结果。

       我决定将所有测试数据存储在客户(Customer)区块,而后创建一个请求(Request)区块,用于存放新増借款请求以及基于业务规则计算出的决策结果。

       您可能会注意到,我创建了一个计算公式以反映新増借款与总资产的比率。虽说我可以通过业务规则计算出来,但通过计算公式,我可以反复使用它,并观察它值的变化。

       下一步是开始捕获业务规则(数据)。我把2个规则集序列分拆成决策流程中的两个单独决策步骤来表明多步骤流程。每个步骤之间的连接会对当前申请做一次t条件判定,假定一次判定失败就中断决策流程,并拒绝借款请求。或者,你也可以让任一申请对所有规则都进行一遍判定,从而进行结果输出。上述任意一种方式都是可行的。

       每个活动的热力图呈现出了测试用例流经各个分支的情况。可以看到,我创造了4个测试用例,其中2个最终被拒绝,还有2个被批准。

       第一条规则规定,新增借款不得超过总资产的30%。由于我们对该比率创建了计算公式,因此,此时我只需要检查该比率是否低于30。而当该比率超过30时,如果ECF(变量:executive committee flag)标志为“Y”,则缓释规则可能会覆盖原始规则,前提是上述比率低于设定的ECEO值(变量:executive committee exposure override)。

       在这个快照中,我们展开了核心业务规则,以帮助我们理解它的工作原理。规则表示:如果这个比例(借款/资产)大于30,那么拒绝申请,但是现在这个值为7.5,显然没有触发此条规则。由于这个请求未触发相关规则,所以默认的决策是通过,并自行进行到下一步规则判定(1-4Threshold)。

       在下一个规则判定中,您可以看到核心业务规则被触发(绿色球被点亮)。实际上,新增借款(金额)超过了1-4阈值(1-4 Threshold)。然而同时,缓释规则也被触发,因为新增借款仍然低于非回购抵押品价值(non-repo collateral)。因此,最后的决策结果仍然是批准这个申请。

       将相关字段拖拽到仪表盘页面后,您可以看到4个测试用例的分布情况:2个被批准,2个被拒绝。任何输入字段,输出字段或计算公式都可以添加到仪表板中以获取数据的汇总视图。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,874评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,102评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,676评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,911评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,937评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,935评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,860评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,660评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,113评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,363评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,506评论 1 346
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,238评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,861评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,486评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,674评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,513评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,426评论 2 352

推荐阅读更多精彩内容