风控做得好，离不开这一项核心能力

“如果能将业务问题定义清楚，那么就完成了70%的工作。“一位职场的老前辈道出这样哲言。

说到业务的定义问题，作为风控人最想来来谈谈这个内容，尤其是在数字化的风控内容上。数字化风控的标准化程度较高，在互金经过了一番喷薄的发展后，对于SOP守则，业务问题的定义及留给后续从业者可借鉴的资料、项目经验相对丰富，也使得这个行业的数据从业者相比其他的行业数据人士更“幸福些”。

同时也因为项目的关系，本人先后也接触到了一些差异化的行业，这些行业有些如开篇所提，要将问题定义清晰非个人能力问题，一个行业的标准化往往需要许多人的努力来制定一个相对规范，久而久之就称为标准。当然信贷风控行业也还有多一些不能定义清楚的难题，特别在供应链金融风控方面，但对比而言，问题的定义方面相比其他行业稍显清晰。

就拿欺诈的内容而言，常规的衡量指标是首逾，fstfpd的概念(分别对应fpd，spd，tpd，fpd等的概念)。当然这非绝对概念。因为就欺诈而言，有些线下渠道会有逾期考核率的指标，表现出来的数据情况是逾期后不会马上失联，而是先还个两三期后再直接失联。此场景特别在典型的消金场景中时有发生，比如某信，某飞，最开始的3C产品，因为他们对渠道总有逾期期数的兜底考核。

说完互金，再来谈谈银行。银行的卡业务中也有些场景较难把控，比如套现业务。套现是非常特殊的场景，像是欺诈而非欺诈，大部分人套现是有借款意愿也有还款意愿，只是没有借款渠道而走向套现。只有少部分人是属于欺诈的套现分子，根本没有还款意愿的人群。套现的治理就是找到这部分人。

套现在信用卡的整治也十分棘手。套现市场据说是个万亿市场，网上讨论套现的内容也非常多：信用卡套现可以投资买房、套现可以生意资金周转等等。曾几何时，银行内部也有类似套现应该适当鼓励，没有套现银行的卡业务无法存活。似乎在潜规则上，套现被暗暗打上了定义：合规且低息的现金贷款，大家心知肚明。

那我们是否应该鼓励套现？这是个老生常谈问题，要想得知结论还是一切从数据出发。

(网络公开的某银行的套现数据，套现指标=套现金额/总金额)

从这份银行的套现数据可看出来，套现指标较高的3、4、5行中，其逾期率跟坏账率也随之攀升。套现跟逾期有着一定的相关性。根据目前的一些统计资料也显示，通过分析套现金额与预期的相关性，发现相关系数达0.75+。总体而言，逾期金额随着套现金额的攀升陆续走高。

从数据的分析上也可以看出来，套现的确实该防该治。但套现的风险也应该需要区分，这里的套现我们可以划分为不同等级的套现。高风险套现、中风险套现、低风险套现。比如对于高风险套现，可能是资金极度饥渴，存在跟黑灰产相关联的套现用户或商户，在数据表现上表现为多头极高，地区在频繁活跃的黑产地域地带。而低风险套现，只是因为资金稍微紧张，不充裕而偶尔的套现行为。

对于不同风险的套现，在治理上手段也颇为不同：常见的有永久封禁、临时封禁、永久降额、临时降额等方式，对于不同等级的套现是需要处以差异化的对待。

这里提到的差异化风险定义，就是需要每家机构自行划分的标准线。具体的数据阈值也是每家机构自行划定。虽大同小异，但机构的风险能力跟水平也就是看谁能将这个差异化做得更优秀些。实力间的差距，就是体现在每一个小小的差异累加，然后这些小小差异累加形成了风险化的巨大的Gap。

信贷风控的问题的定义，对欺诈、对套现套现除了上面提到的内容外，在具体把控方面，还可以通过一些量化指标不断修正数据，如逾期率、不良率(常见的还有通过率指标)。以上这些都是有相关的量化指标可以辅助来将问题逐渐定义清晰的，那其他行业呢？做分析时候，又有什么标准可以参考判断？再稍微举例两个其他行业情况，大家或许有个直观认识。

其他行业的数据案例一：

笔者较早前接触其他的数据行业的工作。某大型B端软件服务商的客服中心的相关数据分析工作。工作中有一项内容是衡量对客服中心中的相关工作人员进行工作考量，在具体的落地实操时几乎是没有太多可量化的指标可以衡量的。

可能有同学会问，客户满意度不是一个能量化具体业务的指标吗？的确，客户满意度是还能勉强量化业务指标的。为什么称为勉强。用过10086的同学也许也能理解，即使服务非常好，愿意给10086打10分满意的人，其中的占比又有多少比例。10%的评价率，是在整体业内还算比较不错的水平。

后来在这个业务中心中，因为这样低的评价比例，我们就将指标稍作修改。凡是好的服务，只要客户不差评就是好的服务。所以在这样的情况做相关的分析又不是特别准确，因为这样会把很多不相干的数据代入。

其他行业的数据案例二：

还有另一个是在汽车生产线上的数据化的问题，这里的内容不是优化工艺的能力，而是如何优化生产线产能的能力。就像在这个项目中做了很久的一位童鞋坦言，他似乎做得很优秀，但因为从业的人太少，以至于没有比较性，对于每一道优化的工序都不确定是否真的是完美无差错。他感慨一个行业从业人员之少，没有可以判断的标准，因为他们行业的数据化标准过程还有相当漫长的一个过程需要经历。

总结：

在金融信贷领域，因为发展的历史相对较久，已经发展了一套套完整的方法论可以衡量相关风险。对于风险区分了贷款五级风险；在量化指标上，我们有量化风控指标的方法：资产减值法；对比不同的资产表现，我们可以用MOB+Vintage进行分析不同的资产质量，甚至金融学者还发明了lagged的算法，来削弱增不同期限的放款月份的增量数据来衡量资产情况；对于坏账定义，还区分了信用风控坏账和欺诈风险坏账，对应的指标更有dpd90+和首逾的概念。对于评分还有从业者还发明了风控评分卡、z-sorce等内容。以上种种的发展，真的是一代代金融从业者的呕心沥血之作。

正因为有了这些标准化指标的内容，在数字化风控方面上有了更为丰富可以参考学习的资料与内容。

原创文章

…

end

标签：定义,逾期,离不开,风控,指标,做得好,套现,数据
来源： https://blog.csdn.net/weixin_45545159/article/details/117969020