如何“谨慎”使用“数据驱动”的风控模型（三）——监控篇

之前小编介绍了谨慎使用"数据驱动"的风控模型，需要"高质量的数据 + 审慎严谨的决策模型 + 实时全面的监控分析"动态闭环。动态闭环能够"动态"起来，需要最后一个步骤"监控"把关，全面、细致的分析、评估决策效果，使决策体系不断进化。

做好监控是"谨慎"原则至关重要的举措，需同时兼顾宏观与微观，并实现数据可视化。宏观上，定义好业务指标，能做到洞察业务趋势，预测整体盈利能力，区分不同风控决策的风险资产收益率（收益去除坏账/该决策下的到期资产总量）；微观上，能看到业务指标在时间或空间上的延伸、分布，实现在不同维度下的透视、下钻分析，发现业务异常、潜在风险或漏洞，总结新的规律。监控的最终目的是为了使公司的风控能力不断强化，帮助管理层做出明智、及时的战略决策。

监控的首要目标是选择合适的业务指标，单纯从风控角度考量的话，逾期率、催回率、通过率、风险资产收益率等指标更受关注。但如果作为一个CRO的话，其他指标也需要关注，例如业务量（包括注册、申请、放款、复贷等各个层面，异常的业务量往往更值得从风控层面关注），系统运行指标（系统运行不正常不仅是技术团队需要修复的，CRO需要对系统非正常运行造成的潜在风险了如执掌），数据质量指标（数据质量决定了风控模型的准确度与可信度），等等。

不同层级、不同部门业务人员的关注点会有不同，因此业务指标需要支持不同的"颗粒度"。以"通过率"为例，CRO会花一些精力关注每个产品从申请到放款的转化率，而风控策略经理需要对每个风控子决策、规则的正常通过率范围都了如指掌，任何出现的异常波动都可能是风险隐患。要实现业务指标在不同层级的"下钻"，得先做好一件事情：统一指标的标准化定义，口径、计算方式，建立变更机制，运用数据质量管理工具管好、监控好，并严格按照标准定义落地（数据仓库、BI应用、ETL等），避免管理者的错误或不一致的认知导致错误的决策。

数据可视化则是管理层所需的另外一项"数据驱动"的管理工具，可视化做的好，能帮管理层从纷繁复杂的业务数据中提炼出最有用的信息，更快速、精准的发现业务问题。结合风控场景，这里举例介绍一些可视化的做法：

趋势分析：关注业务量、逾期率（1日、7日、30日、90日等）、通过率、毛利率等指标的短期与长期趋势，评估风控决策的效能，洞悉潜在风险，掌控公司盈利能力。

漏斗分析：风控审批的各个组合，每个步骤、甚至每个规则都应该放进漏斗进行分析、监控，观察每个决策、步骤、规则的通过率的波动性，以及各决策之间的比较，发现可能的问题。

比对分析：选取一个维度（如时间、年龄、地域、用户评分等），比对某个指标（如逾期率）在该维度上的差异。

最后再回顾、总结一下三篇的内容：做到"谨慎"使用"数据驱动"的风控模型绝非一日之功，需要管好、用好"数据"，谨慎、灵活"决策"，全面、精细"监控"。在此过程中，除了需要有先进的理念外，运用先进的管理工具实现自动化，更可以极大提升运营效率，少走不少弯路，一些成熟的软件包括统一数据管理平台、数据质量管理工具、数据仓库、智能决策引擎、BI应用（管理驾驶舱）等。