财务指标异常分析（数据异常分析报告）

本周创作组的小C同学跟大家分享了从传统信贷审批到线上的数据分析转型的内容（传送门：星球分享|如何从审批到转型到数据分析），并且详细阐述了线上数据分析过程中具体所提及的具体细节分析。本文我接着再往下面进行梳理，线上数据分析中更多细节内容。

今天会跟大家分享，风控贷前模块中所涉及的数据异常分析报告。

在进行数据异常分析报告前，我们先梳理下常用的风控贷前规则有这些变量，详情如下：

工作地区限制/工作时长限制/公司限制/黑名单/居住地区限制/年龄限制/数据传参/通讯率数限制/通讯录未获取拒绝/月薪限制

我们一般会将上述的规则转化成拒绝率分析（即通过该规则的数/申请该节点的数），并绘制成以下图表：

看完上述图表后，大家可以结合上述的所提及的规则内容。现在问题来了，请思考哪一条是最需要调整的规则，这个就是数据异常分析报告需要梳理的内容了，也是本文会尝试解决的问题。

熟悉风控的同学都了解，贷前的自动化审批流程中最关注以下几个内容：第一个是转化率，第二个是通过率，第三个是逾期率。当然第三个逾期率指标偏向贷后，会有滞后性。从时效性来讲，不够前两者快和及时。而且贷后逾期的内容，之前我们也分析较多，本文就着重介绍转化率与通过率。

一.转化率

常规的转化率是由申请人与注册人数两者共同决定，转化率=申请额度人数/新增注册人数

大部分情况下，转化率偏低都是由于没有活动推广缺乏流量造成，或者因为产品已经上线但因为体验不佳而造成没有转化。根据上述数据画出下面图线走势：

在常规的分析上，单单分析某细节的转化率还不充分，我们会一起引入波动率的情况。

波动率的计算公式为：(某值-均值）/均值

二.通过率

通过率是把控风控跟渠道营销两者利益相关的指标。风控卡严了，通过率下降，渠道会找上门。风控卡得太松，通过率提高了，但随之的风险也显现升高，严重影响资产。所以好的风控一定是损失与利益的平衡。

那通过率如何分析？

跟上述稍有不同，通过率我们一般会采用拒绝率分析，

其中：通过率=1-拒绝率

而：拒绝率=风控拒绝人数/申请额度人数

在拒绝率分析中，我们同样会分析拒绝率跟拒绝波动率情况：

拒绝波动率(公式同上)：

根据上述两则内容，我们可以大致得到两个结论：

1.从2018-04-16至2018-05-06共10500人申请额度，其中自有风控拒绝3千人人,外部渠道风控拒绝6千人，实际通过率1千人，通过率为10%；

2.注册申请转化率20180505-20180506明显下降，经确定为前段页面无法点击导致申请额度人数减少

3.自有风控拒绝率未见明显波动，均在20%以内；近期拒绝率下降，具体原因还需要通过一个不同规则的拒绝情况查看，于是我们引入了一个规则拒绝明细数据：

将上述的指标拉长到一个月的数据来分析，可以分析道，年龄限制规则在近期有非常大的波动，之前的拒绝率普遍在10%的幅度，而近期已经下降至4%。

进一步我们可以分析不同渠道的进件客群，观察哪些渠道的客群上较之前有非常大的差异。

一般数据分析到了这里就停止了。但作为一个合规的数据分析人员。如果后续更想在风控的线条上提升自己不妨多问自己几个问题：

1.渠道的客群变化是自然的流程引发的还是其他原因造成的？

2.在上面第一点上有没有显著的判断标志？比如之后的逾期分析能否监控到位？

3.如果未能识别这一风险的情况下，风控又该如何调整？是否需要将年龄限制更严，或者该渠道稍微控制进件量？

一个优秀的风控人员我觉得多问自己几个问题，多尝试站在业务角度思考，对自己的提升肯定是最快的。

以上，我们提到了通过率跟拒绝率，是自己业务流程的风控环节。但在真实的业务场景下，我们经常需要跟外部渠道方合作联合贷款，关于外部渠道风控其实也有相应的观察指标，比如：

所以观察这些指标，统计这类数据，就是对外部渠道的筛选把关，其中我们又该考虑哪些风控细则？

各位有机会可以先看看学习这份数据异常分析报告，也是份标准的数据分析素材，看完公式跟计算逻辑会对贷前风控有个更深入了解，我们也将上传至知识星球上供大家学习。而最后一点所提及内容，后续有机会也抽时间跟大家分享，谢谢！

~~~~end~~~~

注：以上图文资料均来自番茄学院《番茄风控大数据》知识星球与相关专题课内容

我们坚持为大家带来输出系列风控干货内容，欢迎广大风控爱好者关注 : 番茄风控大数据