互联网公司中，分析师的价值是如何体现的？

作者介绍：蔡主希，目前就职于京东金融-金融科技业务部，哥大统计数据狗，京东金融算法工程狮，可代码可软文的非典型理科男一枚，知乎号： @JovialCai。

作为公司的“现金牛”业务，风控一直是公司创收的核心能力。我是大数据风控模块“玉衡”服务的数据分析和模型建立工作项目组中的一员，就简单地从信贷风控角度给大家分享下数据分析师是如何帮助公司创收的。

总体而言，信贷风控可以分为贷前、贷中、贷后三个环节，其中数据分析师的工作主要集中在贷前的风险识别和贷中的风险监控及预警。

贷前环节主要从信用、多头、欺诈三个角度考虑，良好的识别能力可以有效降低整个信贷业务中超过70%的坏账发生几率；贷中监控主要监控运营指标、风险指标和模型效果三方面，能够帮助风控人员掌握整个信贷业务的风险状况和及时调整贷前审批策略；贷中预警则是提前给出资产池和个人两个维度的预警，通过一系列贷中调节措施及时止损。

玉衡风控服务概述

对于贷前风险识别，我们整合了京东侧数据和外部数据，利用机器学习算法，给出了每个用户申请节点的信用评分、风险等级、多头等级、欺诈等级、建议额度利率以及40个风险画像，利用这些丰富的数据工具，不同资方的风控人员可以定制化信贷审批和定价策略。

同时我们知道，在贷前环节通过率和坏账率是一个tradeoff：通过率过高的话坏账率自然提高造成损失，通过率过低的话虽然控制了坏账率，但是也浪费了很多优质信贷客户。

这个时候数据分析师们，会基于丰富的历史数据，给出建议的玉衡使用策略，帮助资方实现创收。

在下面的这个实际案例中，某城商行在今年7月份设置的风控系统挡板，拦截信用评分较低的用户，单申请用户收益环比提高44%；8月份在挡板基础上进行用户分群策略，针对高分用户放松其他审批策略从而提高通过率，单申请用户收益环比提高了62%。

贷中监控及预警功能作为贷前风险识别的补充，以统计看板的形式，对运营、风险、模型三方面进行监控，在这一模块中数据分析师的能力更加不可或缺。

有经验的分析师可以根据统计看板中的关键指标变化，例如UV转化率、申请通过率、提现通过率、首逾率等，了解目前整个信贷业务的运营情况，并且给出相应的解决方案提升收益。

对于UV转化率低的问题，分析师可以建议更多的营销活动来吸引用户到信贷平台上来点击和申请；对于申请通过率低的问题，分析师可以给出高净值用户放松审批策略的建议；而对于首逾率升高的问题，分析师则可以制定相应的贷中动作，比如降低额度甚至冻结账户，将预期到的资产损失扼杀在萌芽中。

贷中功能各家资方目前还都刚刚接入处于试运营阶段，后期有典型案例的话可以再给大家分享。不过下面这张图已经很好的总结了我们风控服务中，贷中模块的功能。

贷中监控功能

以上内容虽然是以我自己比较熟悉的信贷风控领域为切入讲述了数据分析师是如何帮助公司创收的，但是抽象一下可以总结为如下工作闭环：

基于历史数据制定业务策略—>监控线上业务数据—>积累更多历史数据优化业务策略，这也就是现在很多互联网公司强调的量化运营的能力。

诚如正如最高赞的答案所言，大多数公司的创收暂时还不需要数据分析师的介入，但是在一些数据化程度相对较高并且业务发展遇到瓶颈的行业比如金融和互联网，越来越多的人开始讨论所谓精细化运营的下半场，也更需要我们数据分析师们在公司的创收大计中添砖加瓦。