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？
基于相关的指标中涉及的业务相关的内容，番茄风控在本周的会员课程里即将给大家带来这样一节干货课程，详情如下：
![]()
目前我们的会员课程已更新到130+期，丰富程度毋庸置疑，对应学习这件事情我们是认真的：
往期的会员直播课程查看如下：
第2期 信用卡风控的基础知识介绍
第3期 第三方外部征信数据和各家拳头产品
第4期 汽车风控介绍与GPS经验分享
第5期 信用卡分期利率与利息介绍
第6期 税务类数据在小微风控的基本应用
第7期 纯线上审批流程进行资产组合分配
第8期 场景金融介绍与风险节点部署分析
第9期 风控数据分析指标全接触
第10期 信贷政策大数据安全与供应商选择
第11期 信用卡套现的整治
第12期 商业银行小微企业风控实务
第13期 设备欺诈风险防范-黑产欺诈工具
第14期 设备反欺诈供应商选择及应用策略
第15期 微众联邦学习
第16期 Applist特征工程介绍
第17期 Applist特征工程模型挖掘
第18期 贷前策略-风控策略部署与调优
第19期 贷前策略风控策略数据埋点与采集
第20期 贷中管理-电销外拨优先级策略
第21期 贷中风险管理-额度调整策略模型
第22期 贷中提降额方法与策略
第23期 东南亚现金贷产品及相关风险策略
第24期 信贷业务中的风险定价—基础端
第25期 信贷机构的智能语音应用实践
第26期 信贷机构智能语音供应商选择指标
第27期 贷后催收策略-M1名单催收管理
第28期 信贷风控模型——中小企业的额度模型探索
第29期 人行征信报名数字分解读
第30期 银行卡失联修复与清收手段介绍
第31期 信贷风险经营
第32期 信贷风控系统
第33期 反欺诈讲解之设备指纹实操与演练
第34期 决策引擎的决策流层次及策略架构
第35期 ECL模型与评级简介
第36期 设备关联数据在金融风控的应用
第37期 ECL系列之评级模型及财报解析
第38期 数据清洗与特征选择
第39期 小微风控之 策略方向与风险管理体系搭建
第40期 小白入职大数据工程师之银行金融大数据系统实战
第41期 小微风控策略体系的优化与调整
第42期 巴塞尔协议银行零售及资产分池上
第43期 巴塞尔协议下篇资本管理风险价值
第44期 二代征信报告与规则构建
第45期 征信规则的衍生技巧与避坑指南
第46期 实战篇|风控策略效率的测试、调优与评估
第47期 数据生命周期管理— 数据的引入、监控与管理
第48期 贷中反欺诈之 商户欺诈防范
第49期 策略分析之 数据监控与用户画像
第50期 银行中后台数据的建设——基于信用卡进件系统需求与扩展
第51期 模型训练/机器学习平台
第52期 精细化运营探索——运营着手点及响应模型场景化应用
第53期 基于SAS的三方数据风控产品测试评估
第54期 SAS的策略&模型之决策矩阵分析
第55期 基于二代征信的信用评分模型开发
第56期 基于二代征信的信用模型与策略的使用与监控
第57期 金融机构风险与预算评估
第58期 催收板块：逾期账款催收管理
第59期 二代人行征信的深度解读（上）：二代征信异议和接入及发展历程
第60期 二代人行征信的深度解读（下）——循环贷与非循环贷与衍生变量加工
第61期 风控人必学资产分析课—坏账预估
第62期 商户端风险定价—— 基于成本收益模型的风险定价
第63期 差异化的贷前进阶策略讲解━━拒绝捞回策略制定
第64期 拒绝捞回的效果评估与策略二次调用
第65期 风控人应该懂的金融知识
第66期 风控人必备的风险知识——贷款利率、还款方式与常用风险指标
第67期 金融人必知--市场风险入门：金融衍生品
第68期 拒绝演绎实战--拒绝推论描述、方法介绍与案例分享
第69期 银行信用卡拒绝推论的场景实操
第70期 逾期催收管理流程优化与催收系统配置——汽车金融逾期案件催收实操
第71期 海外现金贷产品形态及风控措施
第72期 海外现金贷提降额原理及思路
第73期 巴塞尔协议—发展历程、资本充足率、拔备率、杠杆率、流动性
第74期 巴赛尔协议—市场风险及信用风险度量
第75期 金融小伙伴必备知识—信用卡损益
第76期 风控授信额度策略调优
第77期 额度策略调优实战
第78期 信贷场景多维特征交叉策略实战分析
第79期 信贷风控策略体系效果评估与全面调优
第80期 海外与国内评分卡对比与应用场景介绍
第81期 智能推荐系统应用
第82期 风控策略中的模型须知-逻辑回归评分卡分箱与模型评估
第83期 多规则决策策略的搭建与实操
第84期 多规则决策策略实操与练习讲解
第85期 模型开发之特征选择
第86期 风控模型与策略探索发现
第87期 场景风控的贷中客户生命周期监控—基于商户的Tableau实 操
第88期 风控场景数据监控
第89期 财税票等企业数据在小微企业贷款中的应用
第90期 中小微企业风控中财税票的数据使用与模型开发
