信贷白名单，即在金融公司在展业时，为了前期风险可控而对一批特定客群开辟的绿色通道的人群名单，业内俗称的“白名单”。设计一道白名单非常有必要，特别是在前期展业，可以迅速帮我们了解市场，积累数据，并为后续的大规模展业打下基础。所以如何设计一道优秀的白名单策略，本文谈谈这个问题。
设计一道优雅的白名策略流程，本文分成三个部分阐述，分别是：
一.初始设计白名单策略二.优化白名单策略三.检验白名单策略的有效性以下详细阐述
一.初始设计白名单策略
既然是白名单策略就必须是策略的组合。初始的白名单，我们放置的是一些硬规则 软规则 大B卡，三条策略组成的，注意这里大B卡也算是此次白名规则策略的一部分。白名单规则就像一个漏斗。与白名单相对应的就是大名单。比如我们对一批存量2000万左右的客群，就是大名单，在实现白名单策略筛选后，最终才得到4万目标客群。
这里所提及硬规则，HardCheck，就是产品进入的门槛，如年龄在25岁~45岁。不在这个年龄范围的一概拒绝。其余的还有地区跟职业的限制，比如此次开放的客群只限定在珠三角地区的客群，经过这一层硬规则的筛选，上述漏斗可能会只剔剩800万人群。
软规则，即命中多条规则，对应的软规则都有一个规则分的内容。软规则包括：不接受讯息、历史逾期、高风险行业、降额等客群等。
关于这两个部分的内容，更详细可以参考我们之前的文章：额度策略矩阵，贷中的调额策略如何开发？
二.优化白名单策略
在经过一段时间跑数后，上述的白名单确实能帮助我们做客群的筛选。但在进一步的业务开展后，我们逐渐发现以下两条规则内容需要进一步优化。
1.软规则的使用，随着时间的推移，其衰减效果的速度非常快。如这一条“有条不接受讯息”这条策略，是客户不接受来访电话的数据，其效果结合逾期率分析越来越差。同样的策略还有历史逾期与行业信息，这两个维度。
2.大B卡模型的表现效果也逐渐不如人意。考虑到大B卡模型，其开发时间为2010年。当时开放的时候特征变量源数据较少。模型按照10分段后逾期客群占比趋势仍呈单调递降，但模型整体KS已由开发初期的50%下降至30%。所以优化这张卡也成为必要。
优化是必然的。那该如何优化？方向在哪？
考虑到模型开放的周期，以及想在尽量不过度调整目前白名单的策略的基础上，我们启用了一条优化方式，将上述的白名单策略：硬规则 软规则 大B卡，改为：：硬规则 大B卡 小B卡。即将上述的软规则调整为小B卡。
对于小B卡的建模目标，我们着重使用机器学习方法，识别(预估)已持卡6个月以上信用卡客户未来逾期风险。并且跟大B卡着重开放，具体的B卡的建模细节流程，可以参考文末提及的直播课程的内容。
新开放的小B卡模型，跟大B卡结合，形成互补模型。以大B模型分数的得分纵轴，以小B模型分数区间为横轴，我们能得到下述图表数据。
【图：白名单客群占比情况】
图中为虚线为之前大B评分模型用一个风险分数来区分客群。如虚线所示：比如这里选择640分以下的置出，640分以上的置入的策略，两者用虚线切分。
显然，这样一刀切的划线方式向来并不是最好的风险把控手段。我们可以进一步在下述的风险逾期数据中，看到虚线上部仍有风险较高的客群被准入(灰色部分客群)，下部风险较低(黄色部分客群)的被误拒。这两类细分客群没有被识别出来。
【图：白名单客群不良率情况】
比如上述数据中，得到在老B卡模型中的620~639%区间中，在小B卡模型中，得到区间却在760~hig的区间，并且划分后此部分客群的基本捕鱼器。结合之前所设定的风险策略，此部分（黄色部分）的客群都应该准入。相对应的，在之前老B模型中得分在620~639%区间，但此次得分却在小B模型的的low~559区间中。所以这批客群（灰色部分），此部分都应该拒绝，但却在之前的评分模型中被放入了。
三.检验白名单策略
优化好的白名单策略较之前的策略能有多少的风险提升度呢？在上述分析中，我们可以得到四种情况，也即四种不同策略的交集，分别对应着上述图表中的白色、黄色、灰色与红色。a.新老白名单策略均置入（白色）b.新白名单策略置出，老白名单策略置入（灰色）
c.新白名单策略 置入，老白名单策略置出（黄色）d.新老白名单策略均置出（红色）
最终我们将得到二维的风险矩阵如图：
有了这个风险名单如何去判断新老白名单策略所筛出的客群的风险情况？我们对比新白名单策略与老白名单策略的筛出来的客群的逾期情况，综合上表，将进一步得到下述结论：
在老白名单策略中，我们可以看到其客群的筛出来的不良率为0.72%
而在新白名单策略中，筛出来的客群的不良为0.56%，较老白名单降低0.14%个百分点。
与此同时，在对客群的准入量上，新白名单数量在980万，也较之前的老名单增加了一百多万的客群。 此次优化的的新白名单策略在这两个不良率与客群数量上，都非常优秀（优雅）。
四.结语
本篇文章，我们就贷中策略中的白名单的相关策略做了一次梳理，对于其中相关的技术细节，如这里的白名单有效性指标还需要结合哪些维度判断，B卡的目标定义以及开放流程，并且B卡相关的入模的显著变量有哪些都没有提及，这部分的内容，我们将会在本周的贷中模块相关的星球课堂中为各位同学解答。
当然贷中模块的内容除了本文所提及的白名单策略还包括以下内容：
- 响应率模型(对产品成功营销的响应率模型，如营销产品成功办理，响应率就是一个非常重要的衡量指标)
- 贷中相关的提额\降息或降额\升息的策略参考，里面所设计的额度矩阵
- 贷中评分卡的细则（本文所提）
- 贷中的捞回规则（根据数据源类捞回、行为数据类捞回与资金攒标式捞回规则）
以上部分都会贷中的干货策略的星球直播课堂中为各位星球同学讲解，详细内容可以来回顾2020年11月29日/12月5号直播星球课堂，请参考以下：
目前星球课堂已经开了20门课程，从以下的课程列表大家可以看到，我们的课程涉及面非常广，从信用卡、模型、三方数据、汽车金融、审批流程、反欺诈、联邦学习、到用户特征工程，基本涵盖了风控全领域。而且星球课堂一直以一个月两三次直播的速度在高效拓宽我们在金融风控领域专业的知识面。毕竟世界这么大，时代变化这么快，谁也不知道哪一天哪一种知识和技能就帮上我们。
往期精彩：
风控打工人的逆袭之路
瞅瞅，番茄风控大数据的知识星球能看啥
线下金融与互金在模型与风控策略场景中的差异
本文来自番茄风控学院（深圳市一番网络服务有限公司）
我们坚持为大家带来输出系列风控干货内容，欢迎广大风控爱好者关注 : 番茄风控大数据
,
