数据|风控中必做的数据分析

编辑导语：处于大数据时代的我们，离不开数据分析，风控行业也是如此。本文以风控数据分析为例，拆解其数据分析过程，由此说明，风控中的数据分析跟其他的互联网业务是互通的，而数据分析技能在任何互联网行业都是通用的。

【数据|风控中必做的数据分析】大数据领域就没有不做数据分析的，大数据风控也不例外。我的观点是风控和其他互联网业务都是互通的，本文介绍下风控中必做的数据分析，用以说明数据分析是一通百通的。
工欲善其事，必先利其器。先说下数据分析的工具。分析工具，最通用的包括 Excel、SQL 和 Python。
即使大家是技术岗位，也没有必要技能歧视，用 Python 并不会比用 Excel 和 SQL 高级。算法工程师都自嘲 SQL boy。SQL 是数据分析师以及算法工程师用的最多的技能。
能不能从海量的业务数据中取出正确的数据，是解决问题的前提。而 Excel 透视表强大到万物皆可透视。不夸张地说，我就没见过透视表解决不了的问题。
数据分析平台，开源的有 metabase，收费的有 tableau，都可以连接数据库实时交互，并提供丰富的智能仪表盘。
个人推荐开源的 BI 工具 Metabase，它具有可视化操作界面的数据分析和查询功能，让不懂 SQL 的用户可能够快速掌握业务数据，也支持团队共享业务数据，是一个很不错的 BI 解决方案。

一、业务理解如果一家金融机构聘请你给他们的风控业务做咨询，你知道怎么办吗？
别告诉我，你想硬搬风控建模比赛的那套东西。不要掉价。
解决方案一定是针对当前业务和用户客群独家定制的。你可以嫁接 kaggle 比赛的经验，但要站在巨人的肩膀上。好比你训练一个人脸识别工具，你不能找到了经典的网络结果就万事大吉了，你需要去 fine-tune。
那么怎么理解业务？
这个问题等同于怎么理解你的客户。客户是你业务唯一重要的资源。Know your customer！
用户画像是了解你的客户的有效方式，常见的用户画像包括但不限于年龄、性别、手机归属地、学历、职业、婚姻状态、机型、银行卡、消费、app 偏好等。互金用户还有新老户比例、额度、息费、多头程度、借款次数、借款金额、展期次数、逾期次数、逾期升期等。
客户的城市分布就可以通过统计作图如下，从而对业务覆盖范围有清楚的认识。

客群基础信息的画像适合于任何一个互联网 to C 的业务场景，可以据此了解自己的客群分布。如果要拓展新用户，它就帮你确定了投放渠道和产品定价等。
但要想真正对业务提供 sense，与业务直接相关的数据是最重要的。上面的新老户比例、额度息费、多头、借款次数与金额、展期次数、逾期次数、逾期升期等就是这样的数据。
我们可以围绕这些数据构建出对业务的理解，例如统计出如下数据结果。

需要说明的是，对于业务的理解，需要分析的绝不止以上内容。
通过 KYC，你可以大致知道发力的方向在哪里，是拓展新户还是挖掘存户，是提升风控能力还是优化产品设计，等等。
二、漏斗分析进件漏斗分析可以帮助我们定位到产品设计的薄弱位置，从而针对优化。
不失一般性，进件漏斗可以是，点击->下载->点击申请->个人信息->运营商认证->人脸识别->规则通过->模型通过->绑定银行卡->开始借款—>放款。