大数据风控指标----查准率与查全率
大数据风控指标介绍
1查准率与查全率
先说个例子，申请人有400个，其中有160个是好人，240个是坏人。我们用一个模型A，挑出了100个好人，其中真正的好人是80个，剩下20个是漏网之鱼。
我们定义一个“查准率”（precision），为挑出来的好人中，真正是好人的比例。即：
同时，我们定义一个“查全率”（recall），为查出来的好人占总的好人的比例。即：
“查准率”和“查全率”是一对矛盾的概念。通俗来讲，要想“查准率”高，要把标准卡的严苛一些（模型的分数阈值取的高些，让绝大多数申请人都判断为坏人，只有极少数特别好的人判断为好人）。但同时，因为通过的人较少，占总的好人的比例必然降低。即，“查全率”会降低，更多的好人被误判为坏人了。
反过来，如果标准卡的松些，更多的好人被挑了出来，“查全率”提高了。但是，漏网之鱼也更多了，“查准率”自然会降低。
2查准率，查全率和通过率，坏账率的关系
“通过率”和“坏账率”是风险控制上的术语，而“查准率”和“查全率”是机器学习的专业数据。他们表达的意思是一致的，但具体的含义是不同的。
“坏账率”的意思是，判断为好人的群体中，真正的坏人所占的比例。即：
可见
即“坏账率”与“查准率”的和就是100%，两个指标只是从正反两个反面来考察同一个物理意义。
“通过率”为模型判断为好人的人数占总人数的比例，即
本例中，通过率为100/400=25%。
为什么业内很少用“查全率”，而用“通过率”这个概念呢？
这是因为，在真实的业务中，我们拒绝掉的那一部分申请中，有多少是好人，我们是不清楚的，所以“查全率”的概念，只能在模型训练的时候使用（训练的用例都是已知结果的）。而“通过率”则可以直接度量，简单易算。从物理意义上将，两者度量的目标是一致的。
3评价风控的指标是什么呢？
谈起一家金融公司的风控能力，外行往往只谈论“坏账率”这一个指标。这是不全面的。不过作为第三方，谁又关心它的“通过率”呢？尤其是以这样的资产理财的人，巴不得坏账率为零，自己遭受损失的风险是最小的。但从内控来讲，风控部门的人员，是希望“坏账率”降低的，这提现了他们的风控能力是很强的，并且他们的收入，往往也跟坏账是挂钩的。
但是，如果“坏账率”很小了，“通过率”也很小，金融公司均摊到单个成交客户上的运作成本就很高。在真实的业务中，获取客户和审核客户都是有很高的成本的。如果没有成交，这些成本都白费了。业务人员的绩效中，也往往以成交作为度量的，成交越多，每月领的薪水就越多。所以从业绩的考虑，业务人员是有动力希望“通过率”变高的。
另外，“通过率”还会影响用户的体验。如果申请的贷款被拒绝的比例很高，客户很可能费了很多功夫，却不能借到钱，怨气就会很大，用户体验变差。但如果“通过率”很高，往往意味着风控能力比较弱，骗子们就会扎堆来钻空子，造成“坏账率”的急剧增高。
所以，“通过率”和“坏账率”这一对矛盾的指标，是金融公司业务部门与风控部门斗争的直观体现。而最终的结果，往往是两者之间的平衡，即在一定的坏账率范围内，争取更高的“通过率”，在一定的“通过率”的情况下，让“坏账率”尽量更低。这个平衡，不仅对内部的管理非常重要，也对公司的金融产品设计和用户体验有重大的影响。
