传统的信审人员，凭着传统的经验对客户的资质把关，信审分为审核跟审批，两者的职位互相把关，传统的信审岗都是由二道防线组成。在知识星球上，我们看到很多从信审要转型到为信用分析师的同学。特别是转型做信用分析师的同学，最开始的一步是做相关的资产分析，今天我们再来聊一聊相关的资产分析的内容。

要做好风险评估以及数据分析等方面的工作，掌握各类操作工具技能固然重要，而更加重要的是清晰灵敏的分析思路，以及对产品、业务的理解。从实际应用来说，我们在做评分卡之前，会对客户表现情况进行分析，找到违约率分布等特征。这时，针对不同的客户数据，需要找到更为适合的维度进行分析，否则，得到的结果可能远远偏离实际情况，从而对后续的工作带来负面影响。下面以几个例子来说明：

例1：年龄分布

某公司将客户按年龄进行分段后，得到的违约分布情况如下：

年龄段好客户数坏客户数<22岁2603023-30岁175510531-40岁746823741-50岁15653251-60岁94115>60岁841

如果将坏客户的分布数量直接分析，数据表现如下：

从图中的信息可以得出结论：31-40岁的坏客户数量最多，所以此年龄段的客户质量最差。但事实真的是这样吗？

分析时，不能只以绝对值的分布为参考项，更应该对占比情况加以关注，我们可根据每一段客户总量先计算分段坏客户占比，再对占比情况进行重点观察：

年龄段好客户数坏客户数客户总量坏客户占比<22岁2603029010.34%23-30岁175510518605.65%31-40岁746823777053.08%41-50岁15653215972.00%51-60岁941159561.57%>60岁841851.18%

由此可以看出，31-40岁的坏客户数量较多，只是因为其放款客户较多，当转化为坏客户占比后，30岁以下的客户质量相对更差，尤其是低于22岁的客户，年龄与违约率呈明显的反比。

例2：客户进入时间

下面以类信用卡产品进行举例说明，这里简单介绍一下类信用卡产品的含义：像银行发放的信用卡一样，金融机构通过对每个申请客户的信用评估后，给出客户“拒绝”或一定额度的授信结果，客户在获得授信后可直接提取授信额度内款项或在指定商家消费（对公司来说即放款），放款时一般不会再进行严格审核。由于这样的客户有很多不会在获得授信时立即提款或消费，而是会在授信之后的一段时间内再去提款，甚至有些一直不会提款使用。

所以观察相同时段的授信与放款客户，不会完全相同，且授信客户数往往会高于放款客户数。

某公司类信用卡客户按放款时间违约分布情况如下：

放款时间好客户数坏客户数客户总量坏客户占比2018年1月501285295.29%2018年2月277152925.14%2018年3月549305795.18%2018年4月872469185.01%2018年5月735377724.79%2018年6月610316414.84%

各月份的坏客户占比较为平稳，好像没有明显特征，我们真的在这段时间内没有做出任何改变吗？这时，我们想到，类信用卡客户是在授信时进行一系列资质审核，那么我们的风控策略对客户质量的影响主要应表现在授信节点，而非放款节点。因此，我们再以授信时间的对客的对客户情况进行观察，得到数据如下：

授信时间好客户数坏客户数客户总量坏客户占比2018年1月846679137.34%2018年2月348293777.69%2018年3月715267413.51%2018年4月582206023.32%2018年5月691227133.09%2018年6月573195923.21%

这里可以很明显看到， 2018年3月开始授信的客户质量得到了明显提升，违约率明显下降。而回溯授信策略发现，2018年3月初对授信策略有大幅的调整，说明此次调整是成功的，可对后续策略调整产生积极的借鉴意义。

例3：变量交叉

有时，我们希望观察已有的规则对坏客户的甄别效果时，可能对命中一些非拒绝类规则的客户违约情况进行分析：

命中情况命中数好客户数坏客户数坏客户占比命中规则A548518305.47%命中规则B357336215.88%

看上去每个规则单独对坏客户的甄别效果好像都不太明显，那么，这两条规则真的就没有使用意义了吗？这时，还可以试试一些变量之间的交叉情况，如：同时命中两条规则的客户表现是怎样的：

命中情况命中数好客户数坏客户数坏客户占比命中T公司中风险名单548518305.47%命中B公司7天多头357336215.88%同时命中T公司中风险名单、B公司7天多头124853931.45%

可以看到，同时命中两条规则的客户中，坏客户占比明显偏高，对坏客户的甄别效果较为明显。这时，可以考虑是否将“命中T公司中风险名单且命中B公司7天多头”的情况加入拒绝项中。

综上所述，数据分析的思路多种多样，没有最好，只有最适合，这里只是抛砖引玉，难以详尽展示。也希望大家在实际操作中多思考，多尝试，以不同切入角度，对比观察其分析结果，为风控或其他的工作结果提供更为有力的支撑。

~~~end~~~