前言
无论是数据分析还是数据建模分析的工作属于前期工作，后期的维护还需要严格监控来维持。日常的监控数据一方面会让我们更加了解公司的业务、流程以及整个产品的概况，另一个更加重要的方面是当生产或者某个环节出现问题时，能让我们及时了解，快速定位到问题进而解决问题，避免给公司造成更大的损失
如何做数据监控
信贷风控中的业务指标
数据监控的指标一般思路是产品的流程及与Kpi相关的核心指标。遵循的基本原则基本上是顺着产品流程线的基础上先总体再个体。以下图信贷大体流程图做简单介绍：
一、总体
对于任何公司利润是第一位的。从风控的角度来说信贷公司通过率越大（放款越多），还款的人越多（贷后逾期越低）公司的总收入会越多。（在实际中通过率和逾期会有一个平衡点，也就是保持一定逾期范围内使得通过率最大能达到信贷公司利益最大化，并不是说单纯保持逾期这越底越好或者通过率越高越好。这个平衡点与利率、成本等多方面因素有关）
二、个体
一个公司的产品（或者不同客群）可能不止一个，所部署的策略、模型及反欺诈各不相同。总体的通过率和逾期率的监控可能并不能反映每个产品的情况。因此需要从不同产品（或者不同客群）来进行监控
三、流程线
上图是信贷行业一个大致的流程图，主要会涉及运营、风控和贷后3个主要的大部门。在进件前到进件这一块运营部门需要注重转化率的提高（成本投放出去，运营过来的人需要带来最大化业绩量）；在进件到发标放款阶段风控部门需要识别风险客户做好准入及额度制定；在放款后至还款的阶段贷后部门需要制定好优秀的分案策略保证催收的效果
四、确定监控指标（以风控部门为例）
流程线的基础上监控
（1）总体+流程线： 进件量、实名认证失败比例、反欺诈拒绝比例、风控规则拒绝比例、模型拒绝比例、通过率、发标率、放款金额、T0逾期、T3逾期、T7逾期、T30逾期、vintage曲线
（2）个体+流程线： 在总体+流程线的监控指标的基础上，分人群来监控这些指标。例如ios与安卓进来的人群特征，所部署的策略差别很大。需要将这2波人群分别拆开监控
监控部署
监控指标的部署按照上述的流程及顺序部署。可以根据需求（领导的要求）按小时、天、周、月等时间维度来进行监控
（1）监控软件。每个公司都有自己的开发或者购买的监控软件。很多时候也是需要自己开发实现。这里推荐python。python可以实现大数据平台连接（pyhive）、与excel连接（xlwt）、写出html（pyecharts）以及自动化邮件（smtplib、email）等接口。如果是实时监控业务指标推荐使用datav与数据库的结合
（2）监控细节的部署。整个流程的风控指标基本满足，风控部门下有很多小部门。例如：
a)反欺诈部门中在反欺诈比例这一个业务指标的监控中可以细化到黑名单、地域等规则的详细拒绝比例
b)模型组前端（进件、放款）：进件量、评分卡均值、评分卡分10档分组占比、评分PSI波动；变量均值、缺失率、PSI波动，变量分bin
c)模型组后端：每周放款件及对应逾期率、auc、ks、Lift图、变量分bin、变量iv、变量TP图
（3）特定需求监控。除产品流程外，可能还有一些特定的分析。例如在信贷中放款人在一个月之后才会有表现，希望能够在进件时就能了解人群大概情况，做到风险前置。进件或者放款人群的变量分布或者均值（如年龄、模型分、性别、多头等）监控
监控数据异常分析（思路可衍生到传统数据分析）
监控的部署主要是为了及时发现异常问题，及时处理避免损耗。上图展示的是当数据产生波动时需要做的分析。每天都会有某指标突然升高等数据分析的需求，需要快速定位并决定是否有深入研究的必要来提高工作效率并保证不会出现重大生产事故。以信贷中总体通过率突然升高为例做分析：
（1）判断总体通过率异常是否正常波动。例如总体通过率在工作日要比周末要低一个点，并且以往的监控中都是呈现这样的周期性。那么周一观察到的周末通过率升高一个点属于正常，可暂时放弃深入分析，等周二监控周一数据是否有所下降决定是否进一步深入分析。如果无法判断是否正常或者判断是异常就需要进一步升入分析（对业务熟悉的人基本可以大体判断数据波动是否是正常波动）
（2）通过拆解的方式精准定位问题。总体通过率上升可以拆人群，定位到是ios还是安卓渠道通过率上升带来总体通过率的上升（例如定位到了ios）
（3）提出假设、数据支撑。当定位到ios渠道后，可以提出下图的一些假设，提出假设后去寻找相关数据支持我们的假设进而得出结论，如果数据都支撑不了提出的假设，需要提出新的假设重新寻找数据来支撑
（4）得出结论，制定解决方案。找到数据支撑定位出问题之后，需要制定有效的可行性方案。例如通过率上升是由模型分的偏移造成的，需要让模型组去检验一下模型分上升的原因，模型部署的是否准确，以及接口调用的是否正常等，然后针对问题进一步解决
总结
- 监控的目的可以帮助我们了解业务，及时发现问题进行止损（最重要）
- 监控的数据分析可以通过拆与假设2方面高效的解决问题
- 具有业务的数据分析才称得上一个好的数据分析，产生的效益更明显（工作中）
注：监控的搭建过程也能提高我们的思维与技术能力