܄

数据化决策丨如何让数据产品“生长”出来?

【数据猿导读】 数据产品其实不是一个孤立的系统,而是一个有机体,它在与数据,业务,人员结合中不断生长壮大。今天通过一个风控产品的小案例,来看看如何一步一步的了解用户需求,解决用户问题,推广数据决策的理念,让数据产品价值不断提升

数据化决策丨如何让数据产品“生长”出来?

1.记录数据

SC 公司是一家为商户提供支付,营销服务的创业企业,业务增长非常快,在其支付服务业务中,会出现套现,欺诈等风险问题,需要风控部分的人员侦测处理。

在支付环节,从交易成功到给商户拿到钱有一天左右清算时间,所以除了实时的拒绝交易之外,对于更加复杂的不容易立刻确认套现,欺诈行为,还可以通过人工方法检出查证,事后处理。

最早支持风控的数据产品可以提供的每日的交易明细数据,同时按照一些经验规则,把一些可疑的交易挑选出来供风控人员审查,每一个挑出来的交易就是一个欺诈行为的线索,通过这个线索去寻找确认做欺诈的商户。

从人们分析和决策流程上来看,如上图所示,这个阶段的数据产品提供的是“记录”功能,整个决策过程后几步都是要人工完成的:

汇总:将看到的各个数据在头脑里汇集,模糊计算历史金额,交易占比等信指标息;

预测:根据一些经验指标判断实际风险概率;

决策:根据金额大小,风险可能性来给出处理结果,比如关户,关卡等;

执行:根据决策,提取名单,通知IT团队来进行具体处理。

对于每次一条可疑线索,风控人员需要考察交易的多方面信息,还要翻找客户相关各个方面的信息,历史行为,地区,类型各个方面的信息,每个条线索判断时间较长,有时候风控人员也会漏看一些信息,造成判断失误。

这个阶段如何让风控人员更快速的处理一个线索是要解决的问题。

2.数据汇总

为了解决这个问题,通过和风控业务人员沟通,根据他们对每个线索要分析主要方向,为每个客户编制一个统一的用户画像标签体系,如上图中的 X1,X2 等标签,标签分为两类历史上的标签,比如历史交易金额,交易次数,中位数,交易类型等,这些可以在夜里预算好,对于当日的标签通过数据实时更新。

这样在出现一条线索的时候,风控人员就可以在一个页面快速的浏览所有的相关要素,同时给出对于线索的定性判断,高风险,中风险,低风险。

这个阶段,机器完成了数据记录和汇总工作,而风控人员依然要依靠人脑去建立模型,同时进行预测和决策。

增加这些功能后,风控人员处理每个线索的时间减少了,提高了效率。但是通过数据分析发现,未被处理的线索比例却依然在不断增加,原因是业务增加速度比人员增加的快,由于这些线索是随机分配给业务人员的,在没有被鉴别的线索里面,依然会有很多有风险的交易,风险覆盖率低。

接下来数据产品要解决的就是提高风险覆盖率的问题。

3.模型预测

为了解决覆盖率低的问题,可以通过评分模型的方法,对每一个线索进行评分,把风险高的排在前面,让风控人员首先首先处理高风险线索,至少不要漏掉高风险的问题。

这时候上一阶段积累的数据就发挥了作用,因为过去业务人员根据线索的各个要素,做过很多真实的判断和进一步的调查,有很多现实案例,又判定结果,也有线索特征,这就是建模的好材料啊,有 Y,也有 X,需要做的就是根据这些历史数据,进行分析建模,让机器给每个线索评分,评估轻重缓急。

但是在正式给业务人员用之前,要有一个试用的过程,这里重点的就是不能把评分给风控人员看,依然需要随机的分配线索,同时进行事后跟踪检测。在模型相对稳定的阶段,再让系统根据风险评分排序,让风控人员优先处理高风险的线索。

在做了这一步之后,在不增加风控人员的前提下,发现风险情况的效率大大增加,特别是有重大风险的情况,基本不会被漏掉。同时风控人员在分析线索之后,将采取,关闭商户,关闭卡交易等处置措施,这些也都会被记录在系统之中。

这个阶段机器可以解决数据的记录,汇总,综合预测的工作,而人从事决策和执行的过程。

这个流程采用之后,经过一段时间的数据分析,发现业务人员处置规则,也有不稳定之处,有人严格,有人比较松,如何才能让处置的规则也稳定下来,同时可以不断修订改进呢?

4.决策推荐

为了让处理规则稳定和统一,首先和风控部门一起讨论之后,梳理出了具体决策规则,比如根据风险分数和交易金额分为几个群组,有不同的处理方法。

部署到系统中之后,系统会根据规则推荐出不同的处理方法,风控人员如果觉的可行,可以选择同意;但是如果觉的不合适,给出改变的理由,并记录在案。

这个反馈结果可以帮助风控团队,不断总结,修订规则,同时也将风控人员的经验不断沉淀到系统中,就算有人员的变动,也只需要比较短的培训可以上岗工作。

5.人机和一

在以上的各个步骤都稳定可控之后,对于比较明显的风险线索,机器可以自动的进行拉黑卡,调整额度,关户等操作,人们所做的事情就是监督系统的运行状况,同时不断分析新的情况,优化系统。 一方面风控团队的人员减少了人员,有些原来做机械工作的人员转岗去了其他团队,而留下来的风控人员也不是每天进行重复的体力劳动,提高了工作的满意度,流失率降低,工作效率也提高了。 让机器的归机器,人工的归人工,机器可以帮助人们从事重复的,大量,高速的工作,而人工可以从事研究,管理,分析的工作,两边的结合才是最好的。

小结

从上面的小例子可以总结几点:

数据产品不必一步到位,可以循序渐进,在资源允许的情况下分批次来实现;

数据产品的需求,要根据当时条件,解决当时最紧迫的问题;

每一步都要考虑下一步的计划,为下一步打下基础,比如收集必要的数据,让业务人员接受新的工作方法等等。

这样通过和业务部门的不断协作,让数据产品不是从天而降,而是从业务土壤中慢慢生长出来的,这样才能设计出“接地气”的数据产品,真的让数据转化为价值。


来源:狗熊会

声明:数据猿尊重媒体行业规范,相关内容都会注明来源与作者;转载我们原创内容时,也请务必注明“来源:数据猿”与作者名称,否则将会受到数据猿追责。

刷新相关文章

大数据投融资周报(4月5日——4月7日,共9起)
大数据投融资周报(4月5日——4月7日,共9起)
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云平台Experience Cloud
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云...
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑者获资本青睐
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑...

我要评论

精品栏目

[2016/10/10]

大数据24小时

More>

[2016/09/26-7]

大数据周周看

More>

[2016/09/01-30]

大数据投融资

More>

[2016/11/28-2]

大咖周语录

More>

[2016/11/29-6]

大数据周聘汇

More>

[2016/12/06-13]

每周一本书

More>

返回顶部