最近是面试的黄金期，诸多银行，持牌照消费金融公司在大量校招。各位同学要抓紧时间参加最近招聘。如果到了年底，将是金融机构业务收紧时间段，不仅不会招人，还会按照计划优化部分员工，除非是特殊情况，比如某个项目急需招人。错过这次机会就要等到来年开春招工季节。

最近有用户在给Toby老师留言，咨询风控贷后策略数据分析岗位。此岗位在金融领域不同场景和不同公司含义可能有较大区别。Toby老师主要做一般性阐述，具体细节要看招聘单位对岗位详细描述。Toby老师强调，很多公司HR不一定懂岗位细节，招聘描述也不一定和真实岗位需求完全一致。大家看到诸多招聘需求时也不必过于恐慌。

之前发布过相关文章《银行面试-风险政策和风险模型岗位区别？》大家也可以收藏了解。

下面我谈谈风控贷后策略数据分析岗位面试时具体准备的内容。

银行等金融机构倾向于财经类大学招生，例如：

上海财经大学
中央财经大学
对外经济贸易大学
西南财经大学
中南财经政法大学
东北财经大学
江西财经大学
首都经济贸易大学
浙江工商大学
北京工商大学
山东财经大学
天津财经大学
上海对外经贸大学
南京财经大学
浙江财经大学
安徽财经大学
云南财经大学
南京审计大学
广东财经大学
山西财经大学
内蒙古财经大学

金融行业喜欢财经类院校因为有金融业务基础。后来金融机构发现风控策略和模型开发除了业务知识，统计学，数学，计算机才是硬茬。然后金融机构招录了大量统计学，数学，计算机专业人才。总之金融，统计学，数学，计算机专业是金融机构最喜欢专业。如果学校是国内财经类院校，被录用概率更高。虽然海龟（特别是美国派系，尤其有华尔街工作经验），985和211有优先录取优势，但有双非学员反馈Toby老师也被大公司录取。因此面试影响因素很多，大家要对自己有信息，并认真准备。

对于学历，银行等大型金融机构起步门槛是硕士研究生学历，有的技术岗位急着招人会放低学历，比如招本科。如果你是本科也不要着急，可以曲线救国，先去小型金融公司积累经验，有了工作经验后也有跳槽到大型金融公司机会，而且机会很大，特别是你领导去一个新的金融公司后会带走一波小弟。

无论贷前还是贷后，必须熟悉业务上三张表内容：客户信息表，合同信息表，还款计划表。

在风控领域，三张核心的数据表：客户信息表、合同信息表和还款计划表，对于理解信贷业务和进行风险管理至关重要。以下是每张表的概述：

1. 客户信息表：

• 这张表收集了客户在申请信贷产品时主动填写的信息。

• 结构包括基本信息（如姓名、年龄、性别）、单位信息（单位名称、地址）、教育程度、工作信息（工龄、职位）、收支情况和家庭信息（户籍地址、子女数量）等。

• 部分可验证字段可以直接用于风控规则，而无法验证的字段在没有贷后表现的情况下只能作为参考。

• 合同信息表记录了客户完成申请流程、审批通过后生成的贷款合同信息。

• 结构包括放款信息（放款时间、期限、放款金额）、合同状态、利率（贷款利率、逾期利率、提前还款利率）、逾期信息（逾期次数、首次逾期日期、累计逾期天数）、贷款用途和还款信息（还款方式、约定还款日）。

• 这张表在做产品推广和客户经营时尤为重要，可以根据分析结合逾期和利率数据来调整产品策略。

• 还款计划表记录了客户的还款轨迹，对于定性客户信用状况、计算逾期率、账龄以及定义建模时的目标变量至关重要。

• 这张表是策略迭代、建模、数据分析中最为重要的表，因为它直接关联到客户的还款行为和信用表现。

这三张表构成了信贷业务数据体系的基础，围绕它们可以开发出数据集市和信贷数据仓库，支持金融机构信贷业务的运行和管理。我们无论在数据分析还是建模时，SQL取数绕不开这三张表。我们往往会从这三张表里整合大量字段，外加外部数据源，然后建立一张宽表用于业务分析或建模。

简单概括，贷后主要工作是分析客户贷款后是否出现逾期，这是贷后核心。开发用户贷后逾期风险预警模型和策略规则是贷后重点。每日查看和分析客户或产品报表也是日常工作。

贷后工作比较杂乱，例如模型开发团队的贷后模型包括：客户流失预警模型，交叉销售模型，沉默客户挖掘模型，VIP客户挖掘模型等等。

银行贷后策略数据分析岗位的工作范围涉及多个方面，主要包括但不限于以下几个核心领域：

1. 催收运营分析：负责电话催收、质量检查、业务培训、投诉处理等数据分析工作，以优化催收效率和效果。

2. 属地催收分析：涉及属地电话、外访上门、属地资源的数据分析，以提升属地催收的效率。

3. 委外管理分析：包括外包引入、标准制定、日常对接的数据分析，以确保委外催收的效果和质量。

4. 贷后策略制定与分析：涉及数据分析、系统管理、策略部署、需求管理等工作，通过数据分析来制定和调整贷后策略。

5. 贷后产品分析：负责系统搭建、迭代优化、项目对接的数据分析，以提升贷后产品的效能。

6. 法务催收分析：涉及诉前调解、诉法诉讼、网络仲裁的数据分析，以提高法务催收的效率和效果。

7. 资产处置分析：包括资产转让、资产重组、核销的数据分析，以优化资产处置流程和结果。

8. 催收项目分析：负责智能外呼、智能质检、互联网法诉等项目的数据分析，以提升催收项目的智能化水平。

9. 逾期分布分析：分析信贷产品的用户群体中逾期状况的分布，包括不同逾期程度的逾期时间长短的数据分析。

10. 坏账表现分析：根据不同金融机构对坏账的定义，展现新、老用户的坏账表现，进行数据分析。

11. 账龄表现分析：分析客户贷款的账龄分布，以评估贷款的风险状况。

12. 滚动率表现分析：分析贷款的滚动率表现，以评估贷款的稳定性和风险。

13. 贷后画像分析：通过贷后数据分析，构建客户的贷后画像，以更好地理解客户的还款行为和信用状况。

这些工作内容涵盖了贷后管理的各个方面，从策略制定到执行，再到效果评估，都需要数据分析岗位的专业技能和深入分析。

不同金融领域公司贷后岗工作范围差异也很大，比如某些大型金融企业，催收部门是独立的，有独立催收数据分析师团队。

无论数据分析还是模型开发，都离不开SQL取数和Python数据分析。面试时候很可能问到SQL和pandas常见语法。

这个网站有sql基础语法学习，可以比较快速了解相关知识，https://www.runoob.com/sql/sql-tutorial.html。

我方公司自研课程《呆瓜半小时入门Python数据分析》有部分sql和Python pandas基础数据分析知识讲解。

大型银行更倾向使用SAS，虽然收费，但稳定，有售后支持。中小型银行和民营公司更倾向于使用Python，R编程语音，其中Python语音占比高于R语音。Excel也是用的很多工具，由于太基础了，有些招聘不会说，但Excel有很多高级语法是数据分析常用。

面试时候，容易考到风控业务指标，特别是社招。Toby老师已经把业务指标汇总到文章<风控中英文术语手册(银行_消费金融信贷业务)_v11>。

另外Toby老师强烈建议面试者熟悉巴塞尔协议和中国版巴塞尔协议，这是风控的灵魂。相关文章参考《巴塞尔协议（I,II ,III） - 意义、解释、历史、类型，确保金融系统的稳定性和安全性》。

风控贷后策略数据分析岗位一般不涉及建模，但绝大多数模型工程师是数据分析师转行的。数据分析师工资一般在6-8k左右，好的公司可以上万，但超过2万的很少。模型开发工程师就不一样了，工资上万是家常便饭，混到模型经理上十万的也有。

风控贷前，贷中，贷后模型核心是逻辑回归。逻辑回归因解释性强，无法被其它算法取代，是面试常见问题。近年来业务方要求多算法比较，择优选择模型，因此集成树算法，神经网络算法也需要学习。

如果大家想学习风控建模方法和代码，可关注我们公司自研课程《python金融风控评分卡模型和数据分析》。教程包含逻辑回归，集成树，神经网络等常见算法介绍和代码，有大量实战案例，模型性能优越，适用于企业模型，工作项目，论文，作业，专利，模型竞赛。欢迎大家收藏，以备工作和学习使用。

Toby老师提醒一下，如果你面试岗位涉及风控模型，还需要了解外部数据源，相关信息参考文章《免费和收费外部数据源汇总》。

最后为各位同学附上银行和马上消费金融公司之前的面试题，大家可以模拟面试实战。

部分银行数据分析师面试题