决策引擎近几年听得比较多，那么优秀的决策引擎到底是怎样的呢？它包括以下几点：
灵活可配——不但可配规则，还可配规则的字段和权重。业务友好就不用说了。
快速部署——配置好的规则模型可实时生效，如果涉及一般规则修改时，可做一个灰度部署。
决策流——可把不同的规则和模型串到一起，形成一个决策流，实现贷前、贷中、贷后的全流程监控。它要可实现对数据的按需调用，比如把成本低的数据放到前面，逐步把成本较高的数据放到后面。因为有些决策在前面成本较低的数据下已经可以形成，就不必调用高成本的数据。
AB测试和冠军挑战——对于规则修改、调优时尤其重要。两套规则跑所有的数据，最终来比较规则的效果。另一种是分流——10%跑新规则，90%跑老规则，随着时间的推移来根据测试结果的有效性。
支持模型的部署——线性回归、决策树等简单模型容易将其变成规则来部署，但支持向量机、深度学习等对模型支持的功能有更高的要求。
经过以上手段，基本可具有一个很强的力度来排除信用风险，以下便是信用评估阶段。
评分卡模型
评分卡分为申请、行为、催收评分卡。申请评分卡用于贷前审核；行为评分卡作为贷中贷后监控。它可通过历史的数据和个人属性等角度来预测违约的概率。信用评分主要用于信用评分过程中的分段，高分段可以通过，低分段可以直接拒绝。
因行业、客群与业务不同，评分卡标准也有所不同。对有历史表现的客户，我们可将双方的XY变量拿出来，进行模型共建，做定制化的评分。构建评分卡模型，目前传统方法是银行体系中使用的：数据清洗、变量衍生、变量选择然后进行逻辑回归这样一个建模方式。
核心技术与挑战
在目前围绕大数据、大数据决策为核心的风控技术体系中，整体的数据量达到一定水平，存在的挑战将会是数据的稀疏化。随着风控业务覆盖的行业越来越多，平台间的数据稀疏问题就越明显。
此外，对于大数据来说，具有数据和大数据决策，却没很稳定的落地平台也不行。大数据应用要做到完整，还需要符合以下要求的平台：1.容纳量，能容纳特别多的数据；2.响应：任何决策都能实时响应；3.并发，在大量数据并发时也能保持调用。
