對於風控決策引擎，或多或少都有聽過或者見識過。如果問，決策引擎最大的用處就是：解放開發同學的壓力，減輕系統的複雜度。提到決策引擎，處處離不開大數據。
決策引擎起源於規則引擎，規則引擎起源於基於規則的專家系統，而基於規則的專家系統又是專家系統的其中一個分支。專家系統屬於人工智能的範疇，它模仿人類的推理方式，使用試探性的方法進行推理，並使用人類能理解的術語解釋和證明它的推理結論。
整個決策引擎的發展，伴隨着近年來大數據技術的發展，海量數據的處理、分析、挖掘、決策成為了迫切需求。在傳統的規則引擎基礎上，數據計量、數據建模、模擬、數據可視化、冠軍/挑戰者（AB測試）等功能應運而生，甚至部分決策引擎加入了機器學習的功能，使原來需要數據科學家、深度建模工具的場景也變得更加親民起來。決策引擎將「機器替代人工操作」進化到了「機器替代人工決策「的境界。
而在整個風控的細分內容上，我們可以將整個風控的決策流程上分為最小特徵因子、風控規則、策略集、引擎這四個模塊。以下我們來介紹裏面相關的內容分別是：
一.最小特徵因子：
年齡
性別
申請時間
A多頭數量
B多頭數量
二.風控規則：
20<年齡<60
性別==男 且 20<年齡<55
性別==女 且 20<年齡<60
B多頭數量>5A多頭數量>6
三.策略集：
新戶准入策略集
舊戶准入策略集
反欺詐策略集
設備指紋類策略集
知識圖譜策略集
四.引擎包括：
預授信引擎
反欺詐引擎
提額引擎
是否可營銷引擎
是否允許多筆借款引擎
金融的核心是風控，風控的核心是數據，不管是傳統風控還是大數據智能風控，風控數據都是風控的基礎。大數據智能風控的發展歷程中，三方風控數據扮演着重要的角色，當前互聯網金融浪潮下大數據智能風控技術的應用已經相當成熟，三方風控數據廠商和風控數據類型豐富，風控數據涵蓋基礎信息、驗證信息、歷史信用、消費行為、履約能力、社交信息、公眾信息、資產負債信息、黑/灰名單、關係信息、設備信息等（這裡主要列舉個人類風控數據）類型。
豐富的三方風控數據從接入、測試、使用、運營都需要全流程的系統管理，只有從數據的開始接入就做好數據的全流程管理，才能夠讓風控數據的接入變的更加有條不紊，風控數據的風控效力儘可能大。
而在上面介紹的策略規則中，強規則、弱規則，規則多多，並且規則間層層關聯；還有一個大家鮮為聽過的Hunter類策略，其作用相當於軟規則策略，即不同於HC(Hard Check)和准入，具體的策略的內容有：
編輯切換為居中
添加圖片注釋，不超過 140 字（可選）
Hunter類策略在具體的決策引擎中如何實現部署與設計，Hunter類策略應該佔多大的權重，如何讓Hunter類策略融入到具體的風控流程中，風控決策流又該如何設計才能更好的攔住高風險客群，並且如何使用決策引起進一步提高效率、減低系統壓力。
關於這些內容，番茄風控在假期給各位同學準備了一個將近四十分鐘的視頻課程，幫助大家對相關內容進行理解，詳情如下：
編輯切換為居中
添加圖片注釋，不超過 140 字（可選）
（詳細視頻可見下篇） 另外關於實戰部署的規則，本次番茄風控還為大家準備了一個相關的決策引擎的平台幫助大家進行真實規則模型上線，具體部署的規則有以下內容：
①黑名單類規則：
編輯切換為居中
添加圖片注釋，不超過 140 字（可選）
②多頭借貸類規則
編輯切換為居中
添加圖片注釋，不超過 140 字（可選）
③其他反欺詐等相關規則，詳見決策引擎實操平台
實操平台相關頁面如下：
編輯切換為居中
添加圖片注釋，不超過 140 字（可選）
關於該實操平台，有興趣的童鞋可關注視頻實操教程：
編輯切換為居中
添加圖片注釋，不超過 140 字（可選）
...
~原創文章
