正如之前一文我曾讲到，如果说信贷类产品的80%风控核心在贷前（文末关联阅读放链接），那么剩下的20%精髓则在如何设计并稳定运行风险监控预警体系。

　　接下来，我们就聊聊贷前、贷中和贷后的监控预警体系思路，且以贷中为例，详解贷中监控体系指标。

　　各个流程环节的转化率；具体授信给了多少额度，具体的放款有多少额度；放款额度的回款情况；

　　整体资产组合的表现KPI。风险监控则重点关注风险指标的变化：指标是指业务指标和它的变化趋势；风控策略本身的表现，以及它的变化趋势；

　　业务监控的主要对象是关键业务指标，以及它的变化趋势。比如申请量转化率，主要目的是基于这些业务指标的实时变化，和我们历史同期的经验值进行对比，帮助我们快速地发现异常申请，尤其是当有一些团伙作案，集中申请这样的实时风险发生的时候，业务监控指标，如申请量会在当天集中性突增，超出往期监控合理波动阈值区间。我们通过业务指标的监控，能及时的发现这些异常，从而防范住这些潜在的风险。

　　策略监控主要对象是我们风控策略的通过率，命中率、催回率等目标指标。比如反欺诈规则的命中率，信审通过率、催收的催回率以及黑名单的命中率等，对他们进行监控，我们主要关注两点。

　　基于风控策略的实施结果，和同期的经验值进行一些比对之后，我们能够迅速的发现已有风控策略的异常表现，防止有些策略是不是被泄露了或者失效，警示我们及时发现并做调整。

　　监控上线的规则和模型的性能，指导我们对策略进行优化。我们可以去设定不同的时间力度，然后对于地域、进件渠道这些维度进行细分，结合算法指标和业务经验设定一个预警范围。

　　用户的监控主要有两个层面，一个是申请监控，一个是账户监控，以申请监控为例，主要包括两种。

　　第一种，埋点。在我们的申请借贷页面埋点监控用户的一些行为指标，比如申请贷款时间、页面停留时间等，这些埋点数据除了用于构建信用风险模型外，更多的可以用来防范一些机器操作，防止恶意申请。

　　第二种，我们通过后台可以获取到的用户各类属性，基于这些用户属性，我们可以进行统计分析，建立自有黑名单库，然后通过这种技术和统计方法来防范团伙作案和恶意申请的一些行为。

　　当有了监控目标后，需要设置量化流程性的预警体系。通过建立预警指标数据集市，预警规则，预警方式（如邮件），泛亚电竞以便快速监控指标有效性变化，及时预警。预警阈值规则设计可以是：

　　监控之后，一定会发生预警，预警本身并不能解决问题，预警之后重要的是我们应该怎样去处置这样的一个预警。

　　对于个人信贷的整个信用周期，我们可以将其分为三个大的阶段：贷前、贷中、贷后。贷前对应于Acquisition阶段，贷中是指对于已经成为我们用户的老客经营Portfolio阶段（由于不同公司的成熟度，体量，风险偏好不同，对于老客以及可经营性人群的定义不一样。例如有些金融机构会定义距首次vintage月已经有三个月的用户为老客，有些可能会更长）。

　　对于已经被贷中列为可进入催收阶段的客群例如逾期超过30天，那么就对应与前文所说的贷后阶段collection。一般美国银行会有对应三个阶段的风控模型，风控策略，以及产品营销团队。对于国内金融公司而言贷后的定义基本包括了上述贷中和催收阶段。

　　不同公司对于具体逾期率或者坏账率的定义会有不同，例如有的银行定义逾期超过30天为M2有些则为60天。同时根据不同的金融产品，对于逾期的定义也会有所差异。比如信用卡产品定义用户未还最低还款额为逾期，而现金贷产品定义用户未还清当期应还款额为逾期。常用的逾期率指标有放款逾期率，余额逾期率，人头逾期率。

　　贷中除了密切关注风险纬度的指标外很多金融机构的风控部门也会监控与经营收益相关的指标，如留存率，通过率。根据信贷产品种类的不同，相应指标也会有一定的产品特性。

　　例如对于循环类产品，借贷人在结清借据之后不用重新授信可以选择是否继续贷款。这时留存率（有些金融机构可能叫续贷率）用来衡量用户粘性，常用的有两种：人头留存率，余额留存率。

　　对于贷中环节，区别于贷前准入阶段的通过率，贷中同样有针对例如循环类产品老客的通过率指标。老客在额度范围内新开借据，不同于贷前阶段受限于用户行为数据的缺失，贷中阶段的交易可以利用用户已有账单层面的还款行为，征信情况等重新评估其逾期风险进而判断其通过与否。同时风控策略的调整迭代同样也要评估对于通过率、未来风险水平的影响。

　　对于获得授信的客户，额度提现使用的客户占比与金融机构未来收益相关。对于获得授信的客户，如果额度长期未提现使用，金融机构在贷中管理中可能会采取降额或冻额处理。

　　同时一般授信额度会有一定的有效期，对于获得授信额度但超过有效期仍未使用的客户，有些金融机构会增加这类客户的二次授信要求或停止对其授信。（如微粒贷即会停止二次授信）

　　在金融机构贷中管理环节，授信客户对于自己信用额度的使用率不仅可以作为额度调整的参考维度，还可以作为老客户交叉营销的重要依据，又或是建立贷中行为评分模型时，历史额度使用率也是常构建的指标之一。

　　打个比方，通过历史数据分析可以发现对于额度使用率长期处于80-100%的客户，其违约风险的可能性会大于额度使用率处于20-30%。从业务层面不难解释，对于额度使用率只有20-30%的客户普遍有较好的财务能力，这类客户对信用资质比较重视而且现金流比较充足，虽然其二次营销授信后违约率低，泛亚电竞但其信贷需求同样较低，从收益角度也许不是最佳客群。

　　通过将额度使用率区间化，可以按照违约概率，营销成本，新额度使用预测概率等维度矩阵测算出较优质客群，在贷中老客户交叉授信时给予优先级策略。

　　复借率指标使用场景主要是循环贷产品，表现是客户在完成往期的借款后立刻借出新贷款，这种情况往往与借旧还新现象挂钩。当某客户长期历史借贷复借率较高时，从策略角度建议分析其多头借贷数、评估当下还款能力，判断是否会在下一笔借贷时发生违约逾期的风险。

　　资金用途的监控不仅是监管的要求，同时也能预防交易风险、系统性风险的发生。银行对于资金用途的账户监控比较严格，如果客户申请借款后将资金用于理财、炒股或者买房等限制领域，银行会及时冻结客户借款。

　　从监控到发生预警再到处置，当有这样一个完善的预警机制后，我们仍需要一个高效的处置流程。在这个流程里会涉及到公司不同的岗位职责，明确的分工体系，最终实现“找问题，发现问题并解决问题”的思维逻辑。

　　只有这样，才能够让风控精髓：监控，真正对于我们的业务运行有一个良性循环作用。

　　对于没有接触过监控预警体系，没有体系性总结全线条量化风险管理的指标及策略分析逻辑，或者没有项目机会开展实操的小伙伴们，基于此，FAL为大家设计了「风控数据分析师训练营」和「量化风控全线条训练营」