|
作为数据产品经理，经常会碰到这种情况：费了很大功夫，做了复杂的模型产品后，业务人员却觉得不好用、不会用、不愿用，对于这个问题有没有什么好的解决办法？ 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。 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，不容易立刻确认的套现欺诈行为，还可以通过人工方法检出查证，事后处理。 这种情况下，最早支持风控的数据产品是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欺诈的商户。 从人们分析和决策流程上来看，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：
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。 这个阶段要解决的问题是如何让风控人员更快速的处理每一个线索。 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，包括高风险、中风险、低风险等判定结果。 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。经过一段时间通过数据分析发现，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控覆盖率的问题。 3模型预测 为了解决覆盖率低的问题，设计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较高风险线索，至少不要漏掉严重的高风险问题。 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，又有判定结果，也有线索特征，这就是建模的好材料，有Y变量，也有X变量，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。 为了让模型推行的更平稳顺利，在正式给业务人员用之前，还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。在模型相对稳定后，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。 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，还要继续通过数据分析寻找可以改进的环节。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？这就是成了需要解决的问题。 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，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。 接着将这些规则部署到系统中之后，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人机合一 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，有些原来做简单重复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大量重复的体力劳动，而是思考风控工作改进的措施，这样既提高了工作的满意度，降低了流失率，也提高了工作的效率。 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。 从上面的小例子可以总结几点：
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。 |
|
|
来自： 昵称36913164 > 《数据分析》
