作為公司的“現金?！睒I務，風控一直是公司創收的核心能力。我是大數據風控模塊“玉衡”服務的數據分析和模型建立工作項目組中的一員，就簡單地從信貸風控角度給大家分享下數據分析師是如何幫助公司創收的。

總體而言，信貸風控可以分為貸前、貸中、貸后三個環節，其中數據分析師的工作主要集中在貸前的風險識別和貸中的風險監控及預警。

貸前環節主要從信用、多頭、欺詐三個角度考慮，良好的識別能力可以有效降低整個信貸業務中超過70%的壞賬發生幾率；貸中監控主要監控運營指標、風險指標和模型效果三方面，能夠幫助風控人員掌握整個信貸業務的風險狀況和及時調整貸前審批策略；貸中預警則是提前給出資產池和個人兩個維度的預警，通過一系列貸中調節措施及時止損。

玉衡風控服務概述

對于貸前風險識別，我們整合了京東側數據和外部數據，利用機器學習算法，給出了每個用戶申請節點的信用評分、風險等級、多頭等級、欺詐等級、建議額度利率以及40個風險畫像，利用這些豐富的數據工具，不同資方的風控人員可以定制化信貸審批和定價策略。

同時我們知道，在貸前環節通過率和壞賬率是一個tradeoff：通過率過高的話壞賬率自然提高造成損失，通過率過低的話雖然控制了壞賬率，但是也浪費了很多優質信貸客戶。

這個時候數據分析師們，會基于豐富的歷史數據，給出建議的玉衡使用策略，幫助資方實現創收。

在下面的這個實際案例中，某城商行在今年7月份設置的風控系統擋板，攔截信用評分較低的用戶，單申請用戶收益環比提高44%；8月份在擋板基礎上進行用戶分群策略，針對高分用戶放松其他審批策略從而提高通過率，單申請用戶收益環比提高了62%。

貸中監控及預警功能作為貸前風險識別的補充，以統計看板的形式，對運營、風險、模型三方面進行監控，在這一模塊中數據分析師的能力更加不可或缺。

有經驗的分析師可以根據統計看板中的關鍵指標變化，例如UV轉化率、申請通過率、提現通過率、首逾率等，了解目前整個信貸業務的運營情況，并且給出相應的解決方案提升收益。

對于UV轉化率低的問題，分析師可以建議更多的營銷活動來吸引用戶到信貸平臺上來點擊和申請；對于申請通過率低的問題，分析師可以給出高凈值用戶放松審批策略的建議；而對于首逾率升高的問題，分析師則可以制定相應的貸中動作，比如降低額度甚至凍結賬戶，將預期到的資產損失扼殺在萌芽中。

貸中功能各家資方目前還都剛剛接入處于試運營階段，后期有典型案例的話可以再給大家分享。不過下面這張圖已經很好的總結了我們風控服務中，貸中模塊的功能。

貸中監控功能

以上內容雖然是以我自己比較熟悉的信貸風控領域為切入講述了數據分析師是如何幫助公司創收的，但是抽象一下可以總結為如下工作閉環：

基于歷史數據制定業務策略—>監控線上業務數據—>積累更多歷史數據優化業務策略，這也就是現在很多互聯網公司強調的量化運營的能力。

誠如正如最高贊的答案所言，大多數公司的創收暫時還不需要數據分析師的介入，但是在一些數據化程度相對較高并且業務發展遇到瓶頸的行業比如金融和互聯網，越來越多的人開始討論所謂精細化運營的下半場，也更需要我們數據分析師們在公司的創收大計中添磚加瓦。