风控降本增效实战指南：从模型瘦身到策略精简

1. 风控“消费降级”的本质：不是砍预算，是换逻辑

这两年与同行交流，听到最多的不是“模型效果怎么样”，而是“ROI怎么算”“明年还能省多少”。有个在头部消金做风控的朋友说得很直白：以前团队提出的方案，只要能把坏账率降下来，预算基本都能批；现在同样的方案，得先回答一个问题——降这么多坏账，成本是多少？多长时间能回本？如果算不过来账，PPT做得再漂亮也白搭。

这就是当下风控领域正在发生的“消费降级”浪潮。以前行业扩张期，大家习惯用增量逻辑看风控：接更多数据源，堆更多模型，养更大团队，把每个环节做得越来越重。坏账下降0.1个百分点，可能就是几个亿的账面节省，所以投入产出比从来不是优先考虑的问题。但当增长放缓、利润承压、合规成本上升，风控变成成本中心之后，所有动作都要重新过一遍秤：这个模型真的有存在必要吗？这个外部数据源带来的边际增益，能否覆盖它的采购费用？这三层人工审核，能不能合并成一层加一个自动决策？

我建议先把“降级”这个词掰开看。它不代表放弃风控质量，而是从“不惜代价把风险压到最低”转向“在可接受风险范围内把成本压到最低”。这两种逻辑下，模型、策略、组织架构的优化方向完全不同。过去追求KS继续提升，现在要追求的是“提升KS所花的每一分钱都有对应的风险下降”；过去追求召回率最大化，现在要的是在拒绝率不失控的前提下，把有效特征的数量砍到最精简。

这个转变对从业者最直接的影响是什么？考核变了、话语体系变了、生存方式也得跟着变。 以前你可以用技术指标证明自己有价值，现在得多学一门“生意经”，能讲清楚每个模型每个策略在降本故事里的角色。这也是我写这篇内容的核心目的：从模型侧、策略侧、组织侧几个维度，聊一聊在风控预算吃紧的大环境下，具体怎么做才能既保住风险底线，又让老板看到成本账上的成效。

内容会尽量结合可落地的操作方法、可复用的分析框架，以及一些个人踩坑后的总结。适合同样在风控条线挣扎的模型同学、策略同学和团队管理者参考。

2. 模型侧降本的核心命题：用更少的模型，干更多的活

2.1 模型体系瘦身：先做减法，再做优化

大部分公司的风控模型体系都是历史包袱堆积出来的。想想你自己所在的团队，是不是有类似的场景：A卡一套、B卡一套、C卡一套，每套下面还有区域版本、渠道版本、产品版本，每个版本还有不同的分位数校准逻辑。模型数量动辄二三十个，看起来特别"专业"，实际上很多模型的上线时间是四五年前，期间客群结构早就变了，线上化渠道占比提升，旧的评分体系还顶着原来的变量和权重在跑。

降本增效下首先要做的不是训练新模型，而是对存量模型做一次清理瘦身。

具体做法可以分三步：

1. 模型冗余度盘点：列出所有线上模型，标注其上线时间、近期监控指标、使用频率、服务渠道。很多低频模型其实可以下线或合并。比如只服务于某个日申请量不足50件的长尾产品的专属A卡，完全可以迁移到主模型加一个偏移量的方案，省掉单独的开发和运维成本。
2. 模型结构审视：决策树模型动辄几十棵树的阈值、神经网络的上百个参数节点，在性能上带来的是几个点的提升，但每一次线上推理都要付出计算资源。实测中，把GBDT的树数量从300棵压到120棵，推理耗时能下降接近一半，而AUC的损失往往能控制在0.005以内——这个损失在很多实际场景中根本感知不到。
3. 跨场景统一评估：评估一套模型能否通用，不能只看整体指标，而要看分客群、分渠道的稳定性。典型的做法是做PSI和分群体KS的对比，如果两个产品客群的结构相似度高，那么共用一个主模型再加差异化策略阈值的方案，成本和效果好于各自维护一整套模型。

我见过一个很典型的案例：某消费金融公司把11套模型合并成了4套——1套主申请评分模型、1套行为评分模型、1套反欺诈模型、1套催收评分模型——再通过更细的策略分级来覆盖原先差异化的产品需求。整体KS没有明显下掉，模型相关的上线、监控、迭代成本降了接近六成。

2.2 特征工程做减法：留和业务直接挂钩的，砍“听起来很高级”的

很多风控团队有一个通病：特征数量越多越安心。建模时堆上几百个特征，哪怕其中很多相关性极高、稳定性存疑、覆盖率不到六成，也舍不得扔，理由是“模型能自动学到”。

但这里有几个隐藏成本容易被忽视：

• 覆盖率问题：特征覆盖率低意味着大量样本在该特征上是缺失值，模型推理时要走缺失值填充逻辑，计算链路变长；同时缺失逻辑的维护也要成本。
• 数据源成本：很多三方数据是按调用次数计费的，如果特征加工链路里接了七八个数据源，每个源都有调用费用，