北京市官方网站网络平台运营是做什么的
01、信贷场景中所谓风控是什么？
从一个小故事说起：
“风控是什么？”
“你走过大桥么？”
“桥上有栏杆么？”
“有”
“你过桥时会扶栏杆么”
“一般不扶”
“那栏杆是不是没必要有呢”
“那还是得有啊，不然我可能会掉下去”
——那么，风控就类似桥上的栏杆，拥有风控，金融才会有所保障，更加安全。
风控部门是金融业务的核心部门，而从事风控行业的人即称之为风险管理者，风控就是这些风险管理者通过采取各种措施，管理业务的风险，将风险控制在合理的、可承受的范围内。
为什么说要将风险控制在合理的、可承受的范围内，而不是通常理解的尽量避免或杜绝可能发生的风险事件呢？
这就要说到风控要解决的第一个核心问题：平衡好风险和资产规模（一般指在贷余额或AUM）。
如果要完全规避风险，最简单的做法就是你拒绝所有的客户，那么你的资产逾期一定是0，但这样又有什么意义呢？风险管理的重点在于管理，而管理的最终目标不是“风险”而是“收益”。
通过率过高会导致业务规模的快速扩张，但逾期指标也会相应提高，带来难以承担的坏账损失；通过率过低尽管可以保证客群的质量，但整体业务规模过小，相应的收益绝对值也较小，所以风控的首要目标就是尽力找到边际效应为0的点，达到收益最大化（如何实现？这就是风控的学问之所在）。
风控要解决的第二个核心问题是平衡好机器和人的作用。
现在各行各业都在讲数字化转型，风控也不例外，传统风控主要以人力为主，包括人工审核、人工催收等等，而量化风控则是依赖大数据和智能化的手段来给风控赋能，比如通过引入风控模型来辅助策略的制定，通过搭建智能风控系统来提高业务效率和用户体验等等，现如今AI技术的迅猛发展更是给风控的未来带来了无限可能。不难看出，量化风控是未来必然的发展趋势。
当然这不意味着人力就会被取代，二者各有利弊，机器的优势在于可以24小时不间断工作不会疲惫和懈怠、成本相对低、标准统一、工作不带感情、客户体验也好，缺点是可能出现系统或机器bug、识别不出来特殊情况下的异常情况、需要人来提前配置好。人的优势在于不死板、可以根据业务灵活的调整和优化，缺点在于成本高、人得休息效率低以及每个人的标准或感知存在偏差。所以风险管理者需平衡在人与机器中做好平衡，取长补短，机器能完成的审核交由机器，机器完成不了或无法判断的再由人工介入。
风控岗位薪酬水平
作为金融业务的核心部门，风控岗位整体的薪酬水平还是非常可观的，上面是BOSS上找到的一些数据统计，可以看出在一线城市平均的月薪都能达到10-15k。（说明：以上统计数据中是包含了大量传统审批和催收等岗位的，这些岗位的薪资普遍会低一些，如果只统计量化风控的岗位，那么得到的数字只会更高。）
从收入的分布我们也可以看出，风控岗位的年薪中位数大约在17.5w左右，随着你的工作年限和资历的增长，岗位从初级-中级-高级的晋升，整体的薪酬带宽也是非常可观的。
不要以为中位数很难达到，因为我们提过前面的统计中是包含了大量传统岗位和初级岗位的，从具体的岗位信息来看，风控策略分析师其实只要有3年左右的经验，年入就已经可以达到30W左右，远超中位数的水平了。
我们整理了几个大城市的风控岗位信息，感兴趣的同学可以联系科科（kk2_fal），回复对应“城市”领取。
风控业务流程与岗位架构
在讲风控的岗位架构之前，先简单介绍一下风控的业务流程。如下图，从客户的申请到获额，最后到借款和还款，整个流程大致可以分为三个阶段，即所谓的贷前、贷中、贷后。
这三个阶段风控的着重点不同，工作内容也会存在差异，因此在岗位上也会有所区分。此外，还有一个特殊的反欺诈部门，贯穿在整个信贷业务流程的始终，传统的反欺诈可能会包含在贷前的部门中，但随着行业对于反欺诈的认识和需求不断强化，越来越多的金融机构已经将反欺诈作为一个单独的部门来设立了。
量化风控部门的岗位划分一个维度是刚刚我们介绍的贷前、中、后业务流程的划分，另一个维度就是策略（偏业务）与模型（偏技术）的划分：
量化风控整体都属于金融的中后台岗位，策略分析师着重于业务，他们是策略的最终制定者，尽管贷前、中、后和反欺诈的策略侧重点不同，但是整体的逻辑大致是差不多的。
模型工程师则是专精于技术，风控的模型岗位相比于互联网行业的程序员、算法工程师对于技术的要求相对低一些，主要负责的就是风控评分卡的搭建。当然要把简单的评分卡做好了也不是那么简单的事情，而且随着风控数字化转型的不断深化，也对于模型工程师有了更多新的要求，除了评分卡外，越来越多的领域都会引入量化模型来辅助分析，如客户流失预警，产品精准推荐，以及各种反欺诈模型等等。
策略和模型往往需要相互协作，策略因为对于业务更了解作为需求方，向模型部门提需求，而模型部门则负责风控模型的实现，部署等等，最终策略再综合模型的结果进行最终的策略制定。
无论是策略和模型，在量化风控岗位中不可缺少的都是数据分析的能力，因此在策略和模型中间也诞生了一个相对基础的岗位，风控数据分析，这个岗位很适合新人入行，先接触到实际的业务环境，最终根据自己的专长和兴趣可以选择往业务方向或者技术方向发展。
尽管不同的机构间可能组织架构和岗位的叫法五花八门，不太统一，但只要基于前面讲的两个维度，都可以找到对应的位置。以一个FAL讲师所在的银行为例，他们的智能风控部架构如上图所示。
而实际上：
策略中心就是做策略的，包含贷前中后的策略分析师和反欺诈策略分析师；
决策科学中心就是做建模跟数据分析的，即我们前面所说的模型部门；
风险科技中心就是做产品、管数据库、以及负责策略部署的；
资产监测中心则是资产追踪管理，偏贷后处置的。
风控岗位发展路径
风控岗位的发展路径和互联网行业一样可以分为专家（P）方向和管理（M）方向。
专家方向：
-
学习能力强，某一领域专精，能独当一面
有好奇心，善于探索，能反哺业务创造价值
能抗压、责任/压力相对较小
薪资上限可观
管理方向：
-
知识面的广度要求高，业务经验丰富，有较好的业务判断力
事业心强，抗压能力强，责任/压力较大
善于沟通和决策
薪资上限较高
以模型岗为例，可能工作8年左右就会遇到第一个瓶颈，这个时候要么纵向发展在技术上领先于同龄人，要么就要横向发展，补齐业务知识和管理能力往管理岗位发展。
风控岗位必备技能
量化风控，离不开量化两个字，因此只要基本的数据处理和代码能力是必须必备的。主要用的比较多的是SQL、Python，银行可能会需要用SAS，如果工作内容需要做数据报表展示还要用到类似Tableau、PowerBI等数据可视化工具。
在此基础上，策略分析师需要了解各种风控指标的计算和分析方法，并且能够深刻理解业务，能够结合业务场景，进行包括但不限于vintage分析、滚动率分析、首逾分析等；
而模型岗位则是需要具备完整的建模与模型部署、测试、调优等知识和能力，最好能对业务有一定的了解，可以更好地理解策略提的需求；
数据分析作为基础的岗位，大部分时间做的就是SQL取数和数据清洗、数据分析等基础工作，可能会涉及到一些简单的建模，如果你在这个岗位，那就建议什么都学一点懂一点，找到自己的兴趣的特长之后再专项发展即可。
FAL长期对外征稿，邀请各大风控人士加入我们，在风控圈分享你的经验与知识👉征稿
