风控模型怎么接进决策平台：策略、模型和规则一体化

开发出一个风控模型是一回事，让它真正投入运行是另一回事。把机器学习模型接进决策流程，关键是让业务分析师在同一个决策平台里，把策略、模型和规则组合起来，并统一测试、发布和监控。SMARTS™ Washington 版本的重点正是机器学习和 AI 的落地运行，新增了上传和管理 Python 模型的能力。

为什么模型要从数据科学家交到业务分析师手里？

在自动化的运营决策中，机构通常会结合并分析显式和隐式的数据来做决策。例如，一家金融机构可能用多条业务规则来体现合规政策，同时用信用模型来预测风险。这些信用模型一般由数据科学家使用各种建模工具和技术开发。

开发模型和把模型投入运行是两件不同的事。模型最终要和业务规则一起进入决策流程，由负责决策的业务分析师来组合、测试和管理。

对国内和东南亚的意义：国内和东南亚的银行、消费金融机构普遍是“规则 + 评分模型”并用的风控架构。模型从建模团队交到策略团队、再上线到决策平台，这一段交接往往是效率瓶颈，也是本文讨论的重点。

Washington 版本之前，SMARTS™ 有哪三种接入模型的方式？

在 Washington 版本之前，SMARTS™ 已提供 3 种让数据科学模型投入运行的路径：

方式	做法
导入 PMML 模型	将符合 PMML 标准的模型导入 SMARTS™，与业务规则及其他逻辑形式组合进决策流，定稿后整体发布为决策服务
导入表格形式的模型	以电子表格形式导入并部署模型（原厂在 Excel 电子表格与决策管理的网络研讨会中有示例）
连接外部服务	SMARTS™ 连接到已经部署了模型的外部服务

PMML（Predictive Model Markup Language，预测模型标记语言）是由数据挖掘组织 Data Mining Group（dmg.org）制定的、用于交换预测模型的 XML 标准。借助 SMARTS™ 的决策分析（Decision Analytics）和生命周期管理（Lifecycle Management）能力，业务分析师既能管理整体决策，也能管理其中的单个模型。

业务分析师能自己建模吗？

可以。SMARTS™ 的 BluePen 工具让业务分析师自己创建模型，作为数据科学模型的补充：

• BluePen 会推荐要使用的数据属性（业务分析师可以进一步调整），并生成一个易于理解的模型。
• BluePen 的交互式树模型（Interactive Tree Model）组件，引导业务分析师构建决策树——一种常用的监督式机器学习算法。
• 与其他数据科学模型一样，任何 BluePen 模型都可以放进决策流。
• 在 Washington 版本中，业务分析师还可以对任意 BluePen 模型计算公平性和可解释性指标，发现隐藏的偏差、理解模型的工作方式。

为什么要支持 Python 模型？

Washington 版本的一项关键更新，是让业务分析师除了 PMML 和电子表格之外，还能上传、调用、监控和管理 Python 模型。

Python 是由 Guido van Rossum 创建的流行开源编程语言。它的应用很广，包括网站开发、软件开发和数学计算等，并已成为数据科学领域最流行的编程语言。Python 受欢迎的原因包括：

• 跨平台运行（Mac、Windows、Linux 等）；
• 为可读性而设计，语法简单，接近英语；
• 便于快速原型开发，写完即可执行。

总之，Python 很适合在海量数据上做复杂的数学计算，这正是数据科学家开发机器学习模型所需要的。

Python 风控模型接进决策平台后能做什么？

在 Washington 版本中，业务分析师可以上传这些 Python 模型，并把它们集成进决策流。与 SMARTS™ 支持的其他模型一样，业务分析师可以直接在 SMARTS™ 中管理这些模型的生命周期：

• 运行仿真；
• 开展冠军/挑战者（Champion/Challenger）实验；
• 创建发布版本；
• 监控模型表现；
• 设置模型漂移告警等。

此外，业务分析师和其他用户还能快速查看整个机构中所有 Python 模型的状态，包括 Python 版本、工作空间、项目、发布版本和模型版本等。

有了这些更新，从数据科学家到业务分析师的交接更加顺畅，机构可以在日常决策中充分利用机器学习和 AI。原厂在该系列的下一篇文章中讨论了 AI 偏差与公平性。