一文看懂风险规则管理平台决策引擎

小编上篇对决策引擎的登陆、项目管理、规则管理、功能组件中的数据模型和一维表索引进行了贴图介绍，本篇章小编完成对决策引擎其他的相关组件介绍。

规则和规则集

风险管理系统内部就犹如社会体系一样，由不同的数据规则交织构成。在决策引擎中需要先配置每一条规则，再将规则任意组合即可形成规则集。

规则集可以分为串行规则集与并行规则集，也就是“And”和“Or”的关系规则集。对于串行规则集要判断先后顺序，比如数据先进行规则A的判断再进行规则B的判断，如果命中拒绝规则A后直接执行拒绝决策，规则B不再判断，即靠后的串行规则不再判断；

对于并行规则集跑完所有的规则后，有一条命中则拒绝，最终得出拒绝的结果可以是命中多条规则。

规则名称与规则代码对应，且可以进行自行配置。

举个简单的例子，现在有年龄、城市、收入三个数据字段，并将至分析成策略规则。可以如下：

IF Age orAge >55 THEN 决策结果=Reject 规则代码=A001；

IF City 一线城市and收入

规则代码=A002；

决策树

决策树组件构造类似机器学习算法里的决策树模型，通过一层层的规则树结构形成整个风控规则包，最终实现差异化审批。

图例中通过最高账龄规则可以将客户分层成老客户和新客户，之后再通过不同的评分判断进行不同的规则流程。

评分模型

评分模型组件可以实现评分卡开发后的部署以及模型版本记录、管理功能，在决策引擎中评分模型组件切记仅仅支持评分卡的上线部署，不支持评分卡的开发。

规则流和规则测试

在完成每一个组件的配置后，即可将组件按照预先设计的顺序组合起来，完成这一组合的组件就是规则流。规则流支持并行和分支等结构。

之后就要进入规则流的测试环节，通过规则测试可以实现这一目标。规则测试不仅可以测试规则流是否按照既定设计策略运行，同时支持对单个组件进行测试。

决策引擎实现策略最终落地

小编通过一文上下篇为大家讲解风险规则管理平台决策引擎的必要组件和应用、以及如何通过决策引擎实现策略最终落地，如有解释不到之处欢迎大家评论区讨论。更深度解析策略分析方法和部署，比如反欺诈策略可以参加研究院第一期：智能反欺诈（可扫下方海报二维码）。