全文总计3.6K字，平均阅读时长15mins，建议读者结合底部关联推荐整体阅读。
PS：全文所有内容仅参考引用自FAL金科应用研院内部公号，FAL公号所有内容未经许可，不得转载！
目录
贷前贷中和贷后环节的运营监控主要有以下五个方面的目的：
运营类的各项风险指标，比如客户的数量、申请量、通过量等；
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；
关注一些与用户相关特征的统计以及其变化的趋势；
1.业务监控
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。
2.策略监控
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。
3.用户监控
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。
4.预警和处置
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），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：
IV，Gini前10%
存在分组逾期比率高于平均值1.5倍，或低于平均值0.5倍
连续周期内IV，GINI，分组逾期率上升或下降5%
周期内逾期样本数超过N
预警阈值规则明细示例：
周内存在指标分组逾期比率FPD10高于平均1.5倍
连续三周指标存在分组逾期比率FPD10增长超过10%
周内IV值前10%的指标
在完成上述预警机制设置后，可以实现如下效果的量化预警监控：
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。
在风险纬度，常用逾期率指标来衡量，例如M1，M2，M3。
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。
#逾期率：
放款逾期率=逾期余额/放款金额
余额逾期率=逾期余额/总计余额
人头逾期率=逾期人数/总人数
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。
#留存率：
人头留存率：例如结清用户未来90天内新开借据人数占总结清人数的占比。
余额留存率：例如结清用户未来MOB余额留存占初始余额的比例
联系客服
