本周創作組的小C同學跟大家分享了從傳統信貸審批到線上的數據分析轉型的内容（傳送門：星球分享|如何從審批到轉型到數據分析），并且詳細闡述了線上數據分析過程中具體所提及的具體細節分析。本文我接着再往下面進行梳理，線上數據分析中更多細節内容。

今天會跟大家分享，風控貸前模塊中所涉及的數據異常分析報告。

在進行數據異常分析報告前，我們先梳理下常用的風控貸前規則有這些變量，詳情如下：

工作地區限制/工作時長限制/公司限制/黑名單/居住地區限制/年齡限制/數據傳參/通訊率數限制/通訊錄未獲取拒絕/月薪限制

我們一般會将上述的規則轉化成拒絕率分析（即通過該規則的數/申請該節點的數），并繪制成以下圖表：

看完上述圖表後，大家可以結合上述的所提及的規則内容。現在問題來了，請思考哪一條是最需要調整的規則，這個就是數據異常分析報告需要梳理的内容了，也是本文會嘗試解決的問題。

熟悉風控的同學都了解，貸前的自動化審批流程中最關注以下幾個内容：第一個是轉化率，第二個是通過率，第三個是逾期率。當然第三個逾期率指标偏向貸後，會有滞後性。從時效性來講，不夠前兩者快和及時。而且貸後逾期的内容，之前我們也分析較多，本文就着重介紹轉化率與通過率。

一.轉化率

常規的轉化率是由申請人與注冊人數兩者共同決定，轉化率=申請額度人數/新增注冊人數

大部分情況下，轉化率偏低都是由于沒有活動推廣缺乏流量造成，或者因為産品已經上線但因為體驗不佳而造成沒有轉化。根據上述數據畫出下面圖線走勢：

在常規的分析上，單單分析某細節的轉化率還不充分，我們會一起引入波動率的情況。

波動率的計算公式為：(某值-均值）/均值

二.通過率

通過率是把控風控跟渠道營銷兩者利益相關的指标。風控卡嚴了，通過率下降，渠道會找上門。風控卡得太松，通過率提高了，但随之的風險也顯現升高，嚴重影響資産。所以好的風控一定是損失與利益的平衡。

那通過率如何分析？

跟上述稍有不同，通過率我們一般會采用拒絕率分析，

其中：通過率=1-拒絕率

而：拒絕率=風控拒絕人數/申請額度人數

在拒絕率分析中，我們同樣會分析拒絕率跟拒絕波動率情況：

拒絕波動率(公式同上)：

根據上述兩則内容，我們可以大緻得到兩個結論：

1.從2018-04-16至2018-05-06共10500人申請額度，其中自有風控拒絕3千人人,外部渠道風控拒絕6千人，實際通過率1千人，通過率為10%；

2.注冊申請轉化率20180505-20180506明顯下降，經确定為前段頁面無法點擊導緻申請額度人數減少

3.自有風控拒絕率未見明顯波動，均在20%以内；近期拒絕率下降，具體原因還需要通過一個不同規則的拒絕情況查看，于是我們引入了一個規則拒絕明細數據：

将上述的指标拉長到一個月的數據來分析，可以分析道，年齡限制規則在近期有非常大的波動，之前的拒絕率普遍在10%的幅度，而近期已經下降至4%。

進一步我們可以分析不同渠道的進件客群，觀察哪些渠道的客群上較之前有非常大的差異。

一般數據分析到了這裡就停止了。但作為一個合規的數據分析人員。如果後續更想在風控的線條上提升自己不妨多問自己幾個問題：

1.渠道的客群變化是自然的流程引發的還是其他原因造成的？

2.在上面第一點上有沒有顯著的判斷标志？比如之後的逾期分析能否監控到位？

3.如果未能識别這一風險的情況下，風控又該如何調整？是否需要将年齡限制更嚴，或者該渠道稍微控制進件量？

一個優秀的風控人員我覺得多問自己幾個問題，多嘗試站在業務角度思考，對自己的提升肯定是最快的。

以上，我們提到了通過率跟拒絕率，是自己業務流程的風控環節。但在真實的業務場景下，我們經常需要跟外部渠道方合作聯合貸款，關于外部渠道風控其實也有相應的觀察指标，比如：

所以觀察這些指标，統計這類數據，就是對外部渠道的篩選把關，其中我們又該考慮哪些風控細則？

各位有機會可以先看看學習這份數據異常分析報告，也是份标準的數據分析素材，看完公式跟計算邏輯會對貸前風控有個更深入了解，我們也将上傳至知識星球上供大家學習。而最後一點所提及内容，後續有機會也抽時間跟大家分享，謝謝！

~~~~end~~~~

注：以上圖文資料均來自番茄學院《番茄風控大數據》知識星球與相關專題課内容

我們堅持為大家帶來輸出系列風控幹貨内容，歡迎廣大風控愛好者關注 : 番茄風控大數據

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!