編輯導語：處于大數(shù)據(jù)時代的我們，離不開數(shù)據(jù)分析，風控行業(yè)也是如此。本文以風控數(shù)據(jù)分析為例，拆解其數(shù)據(jù)分析過程，由此說明，風控中的數(shù)據(jù)分析跟其他的互聯(lián)網(wǎng)業(yè)務是互通的，而數(shù)據(jù)分析技能在任何互聯(lián)網(wǎng)行業(yè)都是通用的。

大數(shù)據(jù)領域就沒有不做數(shù)據(jù)分析的，大數(shù)據(jù)風控也不例外。我的觀點是風控和其他互聯(lián)網(wǎng)業(yè)務都是互通的，本文介紹下風控中必做的數(shù)據(jù)分析，用以說明數(shù)據(jù)分析是一通百通的。

工欲善其事，必先利其器。先說下數(shù)據(jù)分析的工具。分析工具，最通用的包括 Excel、SQL 和 Python。

即使大家是技術(shù)崗位，也沒有必要技能歧視，用 Python 并不會比用 Excel 和 SQL 高級。算法工程師都自嘲 SQL boy。SQL 是數(shù)據(jù)分析師以及算法工程師用的最多的技能。

能不能從海量的業(yè)務數(shù)據(jù)中取出正確的數(shù)據(jù)，是解決問題的前提。而 Excel 透視表強大到萬物皆可透視。不夸張地說，我就沒見過透視表解決不了的問題。

數(shù)據(jù)分析平臺，開源的有 metabase，收費的有 tableau，都可以連接數(shù)據(jù)庫實時交互，并提供豐富的智能儀表盤。

個人推薦開源的 BI 工具 Metabase，它具有可視化操作界面的數(shù)據(jù)分析和查詢功能，讓不懂 SQL 的用戶可能夠快速掌握業(yè)務數(shù)據(jù)，也支持團隊共享業(yè)務數(shù)據(jù)，是一個很不錯的 BI 解決方案。

一、業(yè)務理解

如果一家金融機構(gòu)聘請你給他們的風控業(yè)務做咨詢，你知道怎么辦嗎？

別告訴我，你想硬搬風控建模比賽的那套東西。不要掉價。

解決方案一定是針對當前業(yè)務和用戶客群獨家定制的。你可以嫁接 kaggle 比賽的經(jīng)驗，但要站在巨人的肩膀上。好比你訓練一個人臉識別工具，你不能找到了經(jīng)典的網(wǎng)絡結(jié)果就萬事大吉了，你需要去 fine-tune。

那么怎么理解業(yè)務？

這個問題等同于怎么理解你的客戶。客戶是你業(yè)務唯一重要的資源。Know your customer！

用戶畫像是了解你的客戶的有效方式，常見的用戶畫像包括但不限于年齡、性別、手機歸屬地、學歷、職業(yè)、婚姻狀態(tài)、機型、銀行卡、消費、app 偏好等?；ソ鹩脩暨€有新老戶比例、額度、息費、多頭程度、借款次數(shù)、借款金額、展期次數(shù)、逾期次數(shù)、逾期升期等。

客戶的城市分布就可以通過統(tǒng)計作圖如下，從而對業(yè)務覆蓋范圍有清楚的認識。

客群基礎信息的畫像適合于任何一個互聯(lián)網(wǎng) to C 的業(yè)務場景，可以據(jù)此了解自己的客群分布。如果要拓展新用戶，它就幫你確定了投放渠道和產(chǎn)品定價等。

但要想真正對業(yè)務提供 sense，與業(yè)務直接相關的數(shù)據(jù)是最重要的。上面的新老戶比例、額度息費、多頭、借款次數(shù)與金額、展期次數(shù)、逾期次數(shù)、逾期升期等就是這樣的數(shù)據(jù)。

我們可以圍繞這些數(shù)據(jù)構(gòu)建出對業(yè)務的理解，例如統(tǒng)計出如下數(shù)據(jù)結(jié)果。

需要說明的是，對于業(yè)務的理解，需要分析的絕不止以上內(nèi)容。

通過 KYC，你可以大致知道發(fā)力的方向在哪里，是拓展新戶還是挖掘存戶，是提升風控能力還是優(yōu)化產(chǎn)品設計，等等。

二、漏斗分析

進件漏斗分析可以幫助我們定位到產(chǎn)品設計的薄弱位置，從而針對優(yōu)化。

不失一般性，進件漏斗可以是，點擊->下載->點擊申請->個人信息->運營商認證->人臉識別->規(guī)則通過->模型通過->綁定銀行卡->開始借款—>放款。

在這，申請流程假設為填寫個人信息，再手機號認證，再人臉識別，再進行強規(guī)則審批，再到模型審批，通過之后再綁卡，后進行借款。這套流程設計控制了客戶轉(zhuǎn)化鏈路，審批前除必要的信息外，綁卡操作進行了后置，盡量減少轉(zhuǎn)化損失。

這個漏斗分析很容易就可以計算出來，我們可以區(qū)分關注的渠道，在貸前場景中我們一般很關注不同渠道的轉(zhuǎn)化情況，以便對渠道進行優(yōu)化。轉(zhuǎn)化鏈路還可以往后追加。

你的產(chǎn)品形式也許需要關注的點會和上面有所差異，但思路應該沒有區(qū)別。漏斗轉(zhuǎn)化能幫助你了解到用戶容易在什么環(huán)節(jié)發(fā)生流失。轉(zhuǎn)化流和行業(yè)一般情況做對比，就可以快速了解你的產(chǎn)品設計有沒有大的問題。

不同時期業(yè)務的重心可能不同，需要關注的轉(zhuǎn)化也可能不同。

三、前端分析

前端指的是用戶在申請時就可以統(tǒng)計得到的數(shù)據(jù)，例如申請量、通過率、PSI、CSI 和拒絕瀑布流等，漏斗分析一般也是前端分析。

申請流量和質(zhì)量的變化，可以關注到天的粒度，甚至可以是小時的粒度。一張折線圖就可以表現(xiàn)出來，不同渠道可以放在同一張圖里方便對比。用戶質(zhì)量可以通過模型分的分布或者查詢的重要變量的分布衡量出來，如多頭、收入等。

PSI是群體穩(wěn)定性指標（Population Stability Index），刻畫了不同期樣本在各分數(shù)段分布的穩(wěn)定性。每個月申請流量的評分分布差異大不大，直接影響了決策結(jié)果的分布。

CSI是特征穩(wěn)定性指標（Characteristic Stability Index），用來衡量特征層面的變化。PSI 對應模型分，CSI 對應特征變量。特征有時候不像模型分能分布地那么開，像性別就只有男、女，如果還有未知，也就三種。

因為模型分是由特征經(jīng)過一套算法流計算出來的，模型分是一系列特征的表現(xiàn)。PSI 異常的話，必然是某個或者某些特征發(fā)生異常，通過 CSI 分析就可以定位到哪些特征出現(xiàn)了問題。后續(xù)就是針對性排除原因。

在申請環(huán)節(jié)，拒絕是一個瀑布流的過程。反欺詐拒絕的人，不用往后進入到政策審批環(huán)節(jié)，政策拒絕也不用在考慮模型拒不拒絕，因而這個流程可以統(tǒng)計出來，以監(jiān)控拒絕瀑布流的穩(wěn)定性。

四、后端分析

后端指的是用戶在申請時，你無法得知，需要后延一個表現(xiàn)期才能計算得到的數(shù)據(jù)，例如逾期率、模型效果等。表現(xiàn)期可長可短，也可以是首逾，取決于具體的業(yè)務目標和數(shù)據(jù)情況。

逾期率，各家定義可能不太一樣，例如當季逾期貸款剩余本金/當季度放款總剩余本金，可以用來從橫向比較一下壞賬的波動。對于模型層面，逾期率往往指的是壞用戶占比，是人數(shù)而非金額的比例。

這個指標計算是需要經(jīng)過一個時間窗口的，今天的用戶會是什么風險，需要以后才能知道。這也就是為什么前端分析很重要了，申請通過用戶的質(zhì)量通過模型分和重要特征分布已經(jīng)進行了一輪刻畫了。當然，這些前端信息并不能完全衡量出后端的風險。

Vintage分析是反映不同賬齡周期用戶的風險情況，直白地說，是各個時間階段（如月份）申請人在往后各個賬齡下有沒有出現(xiàn)過 M1+逾期（或其他）的統(tǒng)計結(jié)果。

vintage 分析把不同期的樣本放在了一起，可以用來觀察不同期客群風險的變化，然后確定是流量本身的變化，還是宏觀形形勢的變化，還是風控策略的變化等等。

另外，vintage 最常見的用途是確定表現(xiàn)期，因為你觀察到了各個賬齡下的風險表現(xiàn)，取一個合適的賬齡長度就有據(jù)可循了。

遷徙率和滾動率，我都覺得它倆本質(zhì)上并沒有說很么區(qū)別，是反應用戶狀態(tài)變化的比例。遷徙率呢，貸款從某一狀態(tài)進入到下一個狀態(tài)，如正常還款到 M1 期還款狀態(tài)，M1 變化成 M2 期還款狀態(tài)。

滾動率呢，首逾的用戶有多少會變成逾期 7+，然后有多少會變成 M1+，到 M2+，到 M3+等。逾期狀態(tài)的滾動分析有助于我們確定建模目標。假如逾期 7+的人有很多人還會還，但逾期 30+的人基本就不還款了，那我們就可以以 30+為壞定義。大抵如此。

排序性和準確性，用來量化模型效果，主要通過 Lift、Odds、KS、AUC、Gini 等指標進行反映，其中 KS 值應用尤為場景。KS 值的優(yōu)勢在于它反應的就是取最優(yōu)決策點時好壞用戶被拒絕掉的差異，和策略制定是直接相關的，可通過 SQL 和 Excel 計算。

如大家所見，在風控領域所在的數(shù)據(jù)分析，應該和其他互聯(lián)網(wǎng)領域的數(shù)分并無本質(zhì)區(qū)別。

因為風控和其他業(yè)務一樣，本質(zhì)都是用戶生命周期管理?；谙嗤牡讓舆壿?，數(shù)據(jù)分析必然也并無二致。

本文由@雷帥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議