科技猎风控策略产品经理：金融风控的业务规则和策略模型（八）
前面给大家分享了重要金融风控策略模型，还留下了一个问题：如何定义好坏用户？下面我们就来具体的看一下这个问题。
补充1：如何定义好坏用户
所谓好坏用户，这一点可能是A卡甚至是互金大部分风控模型的最基础最核心的工作。
前面别小看这个，这个不是那么容易和简单解决的。虽然看就像性别标签，无非男抑或男。但是！在大数据大互联网背景下的风控，你要定义用户好坏，进而分配资源和权限资格给特定用户，其本质对公司产品业务是十分影响的。就如10个犯人中，但误捉了5个人导致冤狱，后果不仅仅是这5个人的被冤枉，更加反映是用户群和市场对这个产品的信心不足（对司法体系不信任）
PM对这个模型建立的核心工作：
是对样本标签的定义；
是与实际业务场景、策略目标相一致；
是综合考虑不同定义下的样本量。
补充：案例
上面比较虚，补充一下案例。
以下可以作为面试时的具体案例分享，或者你对风控案例的一些思考。可以作为面试的回答。如果有经验和把控，想获得强的把控，一定要学会设计提问和作答，让面试官下个问题会问到你预期设想的，注重社区的文章逻辑，如果有心，基本全部内容都可以变成面试回答点。当然，这是要分方向的前提。你不可能面试推荐PM回答风控PM的点。
比如1：在现金分期场景中，可以画一下用户回款率（或者滚动率）和逾期天数趋势分布曲线，用户逾期N天以后回款率或者滚动率便已经趋于稳定(梯度平稳)，则可以N天以上逾期作为筛选坏样本的依据。
比如2：在某些场景下，如曾经的Payday Loan，由于整个业务周期只有半月或1个月，为加快模型迭代速度，有时甚至会定义7+甚至1+逾期用户为坏客户。在一些银行场景中，出于坏账计提考虑，可能定义90天以上逾期为坏客户。总之，好坏用户的定义不能纯靠人工经验，应该以场景的数据为基础，进行数据分析之后确定。
那么，我们再来考虑另外一个问题：如何不断迭代算法？下篇文章继续给大家解答，感兴趣的话就赶紧去看看吧！
以上就是“风控策略产品经理：金融风控的业务规则和策略模型（八）”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
补充1：如何定义好坏用户
所谓好坏用户，这一点可能是A卡甚至是互金大部分风控模型的最基础最核心的工作。
前面别小看这个，这个不是那么容易和简单解决的。虽然看就像性别标签，无非男抑或男。但是！在大数据大互联网背景下的风控，你要定义用户好坏，进而分配资源和权限资格给特定用户，其本质对公司产品业务是十分影响的。就如10个犯人中，但误捉了5个人导致冤狱，后果不仅仅是这5个人的被冤枉，更加反映是用户群和市场对这个产品的信心不足（对司法体系不信任）
PM对这个模型建立的核心工作：
是对样本标签的定义；
是与实际业务场景、策略目标相一致；
是综合考虑不同定义下的样本量。
补充：案例
上面比较虚，补充一下案例。
以下可以作为面试时的具体案例分享，或者你对风控案例的一些思考。可以作为面试的回答。如果有经验和把控，想获得强的把控，一定要学会设计提问和作答，让面试官下个问题会问到你预期设想的，注重社区的文章逻辑，如果有心，基本全部内容都可以变成面试回答点。当然，这是要分方向的前提。你不可能面试推荐PM回答风控PM的点。
比如1：在现金分期场景中，可以画一下用户回款率（或者滚动率）和逾期天数趋势分布曲线，用户逾期N天以后回款率或者滚动率便已经趋于稳定(梯度平稳)，则可以N天以上逾期作为筛选坏样本的依据。
比如2：在某些场景下，如曾经的Payday Loan，由于整个业务周期只有半月或1个月，为加快模型迭代速度，有时甚至会定义7+甚至1+逾期用户为坏客户。在一些银行场景中，出于坏账计提考虑，可能定义90天以上逾期为坏客户。总之，好坏用户的定义不能纯靠人工经验，应该以场景的数据为基础，进行数据分析之后确定。
那么，我们再来考虑另外一个问题：如何不断迭代算法？下篇文章继续给大家解答，感兴趣的话就赶紧去看看吧！
以上就是“风控策略产品经理：金融风控的业务规则和策略模型（八）”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
