一、政策风险
房地产三条红线，恒大债券违约、教培行业的政策打压、贸易战的影响等。
二、风险控制流程
KYC（个人信息验证）--> 信用风险评估（还款能力、还款意愿_历史信用表现）--> 人工排查 --> 授信（风险定价）--> 客户管理（贷中风险监测、营销） --> 逾期催收。
反欺诈
略。
贷前（准入）
人行征信是非常重要的数据源，“信息概要”、“信贷明细”、“查询次数”都是重点模块。
信贷明细，一是贷款机构，二是贷款总金额，三是贷款类型，四是当前还有多少贷款未还，五是每个月要还的贷款额度是多少，六是贷款逾期情况。
贷中（监测）
略。
催收
先有模型，再定策略。不同的模型可通过风险矩阵识别不同风险等级的客户，基于识别的风险等级进行策略的开发、对照。
实践中，我们做过客户处在DPD0的状态下滚动到DPD1+的模型A、滚动到DPD30+的模型B，参考资料1中从1+ 滚动到10+、30+的模型感觉更复核业务场景一点。我们当时发现的一个很好玩的数据结论是，A模型预测逾期概率较低的客户，只要发生逾期，那么以很高的概率进行30+。
具体的催收策略制定，是需要分组对照，视回收率的情况进行动态调整。一般来说，对照组分配的客户都是最多的，不同的测试组适量分配。
催收手段的强弱（成本同样递增），仲裁 > 律师函 > 上门催收 > 委外 > 手工外呼 > 自动外呼 > ivr催收 > 短信。
想提的是，对于持牌机构，仲裁是可用的、有效的手段之一，且在进行自动化仲裁的基础设施建设，老赖未来越来越难。
某些机构会收购外部资产包，既可盈利，还能合规的获取数据，很会玩。
三、常用风险模型
业务中一系列环节都可以采用模型方案，我们说风控中哪些模型可做，就变相地在讨论业务上有哪些环节可以做精细化策略。
1、风险类模型
申请准入模型（借出去的钱泼出去的水，贷中管理只是减少损失，但贷前管理能避免损失；根据评分高低制定差异化初始额度）、行为模型（贷中管理，基于客户发生的行为，重新评估客户风险）、提额模型（促进授信客户提款，准入后不光管理逾期率，还要管理利润率，获客成本是很高的）、息费敏感模型（降息提高提款率、升息对提款率的影响）、催收评分卡（要不要催、什么时候催_缓催\积累样本、什么方式催_策略\AB测试，如本地号码呼叫、呼叫时段、谁去催，机器人催可降低成本，减少没必要的呼叫也能降低成本）、多头风险模型（多头共债角度预测客户违约风险，一旦有平台拒借，客户就丧失了还款能力，还款意愿同时丧失；催收时就可能遇到“哪家催得急，就优先还哪家”的情况，可用于催收策略的制定）。
强烈推荐参考资料4催收模型文章，如何进行催收模型的开发的思路，非常赞，贴图以示尊敬：
多头风险模型的一个重要好处，以多头程度为目标变量，可以利用申贷样本建模，因为不需要有滞后的风险表现，可以更早的进行风险预警（行为模型的风险预警晚于收入模型，从业务上亦可理解）。还可以分贷前多头、贷后多头去建模，并根据多头的时间变迁进行客群细分。
特定子模型\变量的预测，收入模型（月可支、核额，客户还款能力；判断客户是否多头，以贷养贷，收入是很重要的维度）、负债模型（客户真实负债，有点难）、破产模型（也很难，企业的同质样本较个人少，且税报的财务数据并不完全真实反应企业经营情况）、其他（职业模型_客户稳定性、有房模型、有孩模型等）。
2、非风险模型
主要应用于客户管理、风险定价，用户量化增长场景，增长和风险分开能够使得效率最大化。
营销响应模型、资金需求预测模型、提款预测模型（多次借款覆盖成本并盈利）、客户流失模型（流失前挽回，重新唤醒的难度不亚于一个纯新户的获客）、模型分有效性预测模型（评分的效用是群体有效，而非个体有效，识别出评分无效的客户；和FOF似的，感觉不是特别靠谱，想法值得鼓励）。
但风险侧，本职工作还是更加准确的预测风险，其次是风险定价，最后才是客户管理。
3、反欺诈模型
略。
附，参考资料：
1、催收策略来一套，https://zhuanlan.zhihu.com/p/71750208。
2、互联网金融中必做的17个模型，https://zhuanlan.zhihu.com/p/384662757
3、多头借贷风险分析与建模，https://zhuanlan.zhihu.com/p/109649516
4、贷后风险管理（催收）模型框架搭建，https://zhuanlan.zhihu.com/p/109912499
