积累：入行数据分析第二年

本文是作者在2018年10月16日众智汇社群分享的记录。由 @kellie  记录整理。

作者 ： 倪雪华 ，某 互联网金融公司资深分析师 。

2013年从985院校化学专业硕士毕业，进入化工厂成为实验员。2016年经过数月自学，转行成为互联网公司数据分析师。现在知名互联网金融公司，负责信用评分产品的建模工作。

雪华是我们众智汇社群从传统行业转行数据分析的成功范例！

之前曾分享转行经验，及入行第一年的奋斗经过：

• 《三个月，从化工实验员到数据分析师》

• 《 入行数据分析，十个月工资翻一番 》

如今，雪华为我们带来了入行第二年的经历分享：

从去年5月底入职目前所在公司后，一直从事互联网金融风控相关的建模工作，截止到今天大概有一年零五个月了。

这次分享的主题就是两个字——积累！ 这一年主要是在积累，积累经验、技术和职场软技能。

积累互金行业业务经验

对于互联网金融行业，经验的积累主要是指业务能力的积累。

互联网金融的业务类别

大家都知道互联网金融分很多类别：

• 抵押贷，就是房贷、车贷；

• 信用贷——信用卡以外的信用贷，比如宜人贷之类的信用贷；

• 消费分期贷，又分为很多细类：买衣服、买手机、买互联网课程的消费分期贷款等等；

• 小额现金贷——额度比较低的现金贷款，可能就500或者1000，最多1500块。

我在上一家公司，只做手机3C业务——手机的消费贷，接触的贷款类型单一， 进入现公司后，接触的业务类型明显多了，有了业务感觉上的积累。

信用模型 vs  欺诈模型

而且，在上家公司我做的是手机3C业务的信用模型，而 现在主要负责欺诈模型，这两者有很大的区别。

信用模型计算各项总分，看整体结果，但欺诈模型却紧盯短板。

如果你是一个学历比较低的人，那么学历这一项的信用分就会比较低，但是模型的综合输出可以通过其他特征进行补偿。

比如你是已婚，是女性，或者从事的工作是公务员之类相对有保障的职业，那么这些方面的分数会比较高。

最后累加各项得分得出信用分。即使一个人某一项分比较低，也可以通过其他项来得到综合高分。因此信用模型 会有补偿。

欺诈模型中不管各项指标有多么得好，只要有一项出现欺诈风险，就是欺诈。

现在我能够很轻松地跟大家解释清楚 两者区别 。但就这一点，我是狠狠地花了好几个月功夫，才了解清楚，知道欺诈模型的精髓的！

小额现金贷 vs 大额信贷

市面上面能看到的关于风控模型的书基本都是针对大额信贷的。大额信贷跟普通银行贷款、信用卡借款、房贷、银行信用贷款有很大相似。

而小额现金贷，则是和额度比较低的消费分期，例如手机分期类似。这方面的就资料非常少。

而且， 小额现金贷出现得很晚，是一种非常年轻的信贷产品，大概一直到去年春节前后才兴起。 所以市面上也没有什么现成的资料可以借鉴，就需要自己摸索。

小额现金贷刚出来的时候，鼓吹用机器学习整合弱相关变量训练模型。后来实践证明弱相关变量要跟强相关变量结合使用才可以。

开始的时候，大家都还不能确定小额现金贷的强相关变量，所以很难做。经过 一年多的积累，慢慢摸索出来一些强相关、预测力准的变量。

这个强相关变量摸索过程是各家机构、各个公司都必然经历的。我个人感觉，这个过程就是靠想象、靠灵感。

比如我刚进公司的时候做的一个社交关系网的模型——拿到的数据是所有客户的通讯录，要求我根据通讯录做一个社交关系网的模型出来。

整个建模的摸索过程非常痛苦，用了很长时间。最后摸索出来了：将联系人分为一阶联系人和二阶联系人，比如a打电话给b，b又打电话给c，那么b就是a的一阶联系人，c就是a的二阶联系人。

现在这种方法在市场上比较多，但是一开始都是大家在摸索。当时幸亏有 我们老板带着，以我自己当时的水平肯定做不出来的。

在工作的过程中，会发现一些 反业务直觉的事情。 举个例子——

我们原本认为：如果一个人借过小额现金贷（比如曾经借过500块或者1000块钱），再来借1万块钱的大额信贷，这个人很大概率上就是一个坏客户！

为什么呢？我们这么想：因为这1万块钱的额度就算分12期还，每个月要还的钱也有一两千块。如果这个人连500到1000块钱都需要借，说明其还款能力是有问题的。

那么反过来，如果一个人先借了大额信贷，再来借小额现金贷，我们也认为此人会是一个坏客户！

这种情况下我们想的是：这个人已经借了大额贷款，都有这么多钱了，还来借小额现金贷，连500、1000块钱都仍然想要，说明这个人就是来骗钱、套现的。

以上是我们直觉的考虑。 但实际上，通过数据分析发现，小额现金贷人群的表现并不是这样的，是否借过大额信贷跟小额现金贷的还款行为没有强相关关系！

这些都在长期的实践过程中，日积月累下来的业务经验。没有什么捷径可走，只能是自己一点一滴地慢慢地积累。

积累 数据分析技术、工具

除了经验，技能的积累也非常重要。主要包括： 模型、代码，和数据库。

模型

我们常用的模型有：逻辑回归、Lasso、随机森林、决策树等。

在动手做项目前，单纯从书本上学习到的对模型的理解，和反复调模参以获得更高 预测准确率 过程中认识到的模型，是不一样的。

对模型的参数的理解，以及衡量指标（比如准确率、ROC之类）的认识，都是很不同的。

需要在长时间的实践中，多次建模、调参的过程中慢慢积累， 实践、探索、琢磨，才能够比较深刻地理解它们的意义。

代码

我习惯用的数据分析 工具 是SAS。做数据分析的很多人都用 Python 和R。

现在我也开始用Python和R了，主要是因为：

• 一方面有些机器学习模型SAS支持得不好；

• 另一方面SAS无法并行工作，一旦开始跑一个需要很长时间的程序，SAS就不能在接受新任务了，只能等着。

在等SAS的间隙，我会用Python来做一些简单的工作，这样就会比较充分地利用时间。

其实我也没有系统地学过SAS，最开始就是拿前辈写好的现成代码自己慢慢改，想要什么功能就去百度，这样一点一点学的。

这样做固然上手快，但基础很不扎实。 SAS运行的原理不是很清楚，随之而来的问题是：写出来的代码可以跑出结果，但是运行速度不够快。

工作任务繁重的时候，需要快速地计算出结果，这就要优化代码。我优化代码的能力也是在实践的过程中慢慢地学习和积累的。

数据库

我们公司用的数据库是Oracle。

上一家公司虽然也用Oracle，但是因为业务也比较单一，IT的同事负责把我们风控建模可能用到的所有数据做成了一个大表（table），我只要查找单一table就可以了。

来了现在公司之后，发现数据库里有各种各样的表，各种各样的关联方法。光数据之间的关联，我都理解了很长时间。

经过一段时间，对于Oracle的数据库慢慢熟悉起来，对它们互相关联的套路也比较了解了之后，查找数据库就简单多了。

工作流程和方法

每次老板给了一个新任务之后，需要：

1. 快速地熟悉和了解数据；

2. 结合老板的目标，自己的业务感觉和数据库里能够拿到的数据，迅速地找到能够完成这个目标的路径或者方法；

3. 沿着自己的思路一步一步去实现这个目标。

如果出现了问题，能够想到用什么样的方法去解决这个问题。如果问题解决不了，能够找到解决问题的方法，或者能知道去哪儿找。

这些都是在实践中慢慢积累的。

积累 职场软技能

业务和技术属于硬技能，沟通、协调、向上管理等职场软技能，也是必须积累的。

说来惭愧，我已经工作五年了。按理来说，工作五年的人应该比较能够信手拈来了，但是我 还在学习职场的套路。

沟通和协调

沟通和协调能力比较重要， 尤其是当你独当一面的时候。

比如，要推动一个产品上线，要协调的部门就会很多——要协调产品部，既要完成预计的功能，又要保证产品质量和性能；要协调IT部，讨论资源上的分配问题；还要协调BD部门，收集客户的反馈，保持与客户的顺畅沟通；其他还有运维等部门，都要协调。

我感觉自己的沟通和协调做得不好，但是我在努力学。

最近刚刚 学会两招 ：

• 当其他同事的工作成果与你的预想相差甚远，甚至可能根本达不到要求时，首先要再在领导面前肯定他们的工作，毕竟人家努力了； 然后再提出改进意见。不然人家心里会有意见。

• 和其他部门沟通时，常会遇到一些问题，双方各有自己的考虑。怎么说服别人来达到你想要的目标呢？就要找对方的痛点！

比如，我喜欢爬山，想找同事陪我去爬山。有一个同事很犹豫，又想去玩，又没有动力，跟他怎么说他都一直在犹豫。

有一天我发现他是佛教徒，我就说：咱们可以去爬凤凰岭，那里有一个龙泉寺，可以去拜一拜。这样他就有动力了。

向上管理

向上管理，我也是最近才刚刚开始学。网络上有很多讲向上管理的课，大家也可以去听一听。

我个人的感觉：老板对员工是有期望的。可能一开始，老板的期望比较低，如果员工完成任务的水平超出了期望，TA就会调高期望。

那么对于员工而言，如果你想能够更进一步，就要在现有任务上超出老板的期望，TA调高期望，你再超出新的期望，如此迭代，就能够获得更进一步的可能。

这里有个向上管理失败的例子：

我们团队为了防止数据泄密，平时数据都放在虚拟机上，用的时候再临时导入到本地。之前负责将虚拟机上数据导入到本地机的同事离职了，老板就把这项工作交给了我，让我负责团队数据管理。

最初我非常不想接，因为一则接手这项工作经常会被打扰，本来正常地做自己的事，同事甲乙丙都来要求导数据，就要停下来帮他们；二则，这项任务付出很多，却看不到绩效，责任大——万一数据泄露了就是全责，功劳几乎没有。

我其实很想拒绝，可又不知道该如何在不影响老板对我的期望和印象的情况下拒绝，所以就把它接了。但其实心里很排斥 。

我还需要学习，职场必备技能一定要积累！可惜在这方面我还不能分享很多，因为自己还是个菜鸟。

记账——生活中的积累

除了工作中的积累，给大家分享一个我坚持了九年的习惯——记账。

我 从2010年上研究生，学校发补助开始，就在手机上下了app（那个时候还是 Java 手机，还不叫app），给自己设定结余目标。 每个月 拿到钱，先扣除结余数目，再在剩下的钱里消费。

哪怕今天才15号或者是10号，我发现我的钱花完了，或者剩下的钱就只够我剩下的20天吃饭了，这20天就强迫自己不再买东西，把钱省下来。

这个过程非常痛苦，尤其是刚开始的时候，控制自己真的很难。但这是我九年以来唯一坚持下来的一件事。

我工作前两年是在国企，第三年是在一家私有企业，收入并不多。我老公也因为某些原因在前两三年没有往家里拿过钱。

但即使是这样，因为我有储蓄的好习惯，坚持记账，坚持自律，每月严格执行储蓄目标。 到去年，工作四年多之后，就存了一笔钱，加上家里的资助，已经付了首付，买了房子。

北京的房价这么贵，首付怎么也要一百多万。虽然有家里支持，但如果没有我们自己存下的那一笔钱，是不可能在北京买上房子的。这就是坚持和积累的力量。

转行两年的心得总结

从传统行业转入数据分析已经两年了，总结一下两年来的心得：

第一，兴趣是原动力

知道我是转行的朋友，经常会问：在数据分析这行里，你的基础天然就不如别人，要比别人付出更多的努力，你是怎么持续不断地让自己保有热情的呢？ 我认为只有一点：兴趣。

你要对自己所作的事有兴趣，没有兴趣就去把兴趣培养出来。一定要从工作中找到乐趣才可以。否则，很难长时间压迫自己干一件不愿意做的事情，即使勉强做了，也不会有什么成就。

今天是我在众智汇社群第三次分享。从我分享这个系列开始，就有很多小伙伴加我的微信，跟我讨论转行数据分析。

我觉得大家在转行之前，先要想清楚，不要只是觉得这个行业赚钱多，或者现在火、热门，就去干这个。以钱或者追热点为驱动的决定，这是没有后劲的。一定要有兴趣才可以。

第二，向着明确的目标持续努力

首先，目标一定要明确。

你不能有模棱两可的目标，一会儿向这个努力一会儿向那儿努力。

其次，持续努力。

一个人想要过得好，坐到比别人高的职位，比别人更体面，比别人收入多，就得打败别人。

而大家都是普通人，互相之间的才干能力资源都没有相差不大。 你怎么能打败别的人，自己脱颖而出呢？

方法就是向着一个确定的目标，坚持不懈地努力。坚持说来简单，但其实大部分人都做不到。而做到的那个，就能够脱颖而出了。

第三，放弃妄想捷径，坚持和积累才是正道

一夜暴富是不可能的；天上不会掉馅饼；就算天上掉了馅饼也不太可能正好砸在你我头上……

大家都是凡夫俗子，真的只有日复一日，年复一年，一点点慢慢的积累，才能让达到想要的目标， 过上想要的生活 。

大家不要小看坚持和积累的力量，这种力量其实是非常非常强大的，比你想象的要大很多。

最后，对自己的行为和选择负责

这一条，我前两次分享也都一直跟大家强调—— 对自己的行为和选择负责是一个人成熟的标志。

无论选择什么样的生活、爱人、行业或者工作，既然选了，就要承担后果，不要推卸、抱怨。

Q1 ：通常数据分析岗位面试的时候会问哪些风控的问题？

A1 ：其实，我两次换工作面试，面试官都没怎么问风控的问题。 我就把我曾经遇到过的一些风控上的问题，跟大家分享一下。

和风控相关的典型问题有：

• 你所在的公司坏账率是多少？

• 你所在的公司首逾有多少？（一般对于信用贷款，尤其是大额的信用贷款来说，会分几期，比如你借了1万块钱分12期，假设每期还2000块钱，你第一期就没有还，这就叫作首逾。）

和风控建模相关的问题有：

• 模型评价指标上的问题——KS它是什么含义，它是怎样算出来的？ROC是什么含义，是如何算出来的？

• MIS的问题，例如：怎样根据现有的数据预测未来公司的坏账率。

我觉得这些业务相关问题，如果你是干风控的一线人员，平时注意自己琢磨，都能答上来的。如果是一个新手，人家也不会问这么深，而主要看潜力。

Q2 ：坏账率大概在多少合适？

A2 ：这个没有一个严格的标准。

一般头部平台的信贷，坏账率很低，甚至能做到接近银行的水平。 但是，小额现金贷的坏账率就往往很高。做得比较差的平台/产品，比如车抵贷、3C产品卖手机的，坏账都非常高。

根据我有限的经验， 越是下沉的坏账率越高，从几个点到几十个点都有的。

Q3 ：面试的时候会问数据结构或者算法的问题吗？

A3 ：这些问题我没有碰到过。

我感觉面试官问什么和TA对面试者的预期有关，TA会问TA认为面试者应该懂的东西。

Q4 ：评分卡模型常用到的算法是什么？

A4 ：评分卡信用模型，目前市场上通用的是逻辑回归。

但是在做逻辑回归之前，做特征处理的时候会用到一些别的算法，比如Lasso、随机森林、决策树等。 会做一些mini model，再把这些mini model处理过的数据输入到逻辑回归里面去。

在探索建模的时候，可能会将各种各样的模型都试上一遍。但实际上最后上线的，据我所知，大部分都是逻辑回归。

Q5 ：你一般怎么找到解决问题的方法？向同事学习还是看书呢？

A5 ：解决问题的方法主要有三种来源：

1. 跟同事、跟老板讨论；

2. 平常要不间断地看书。这样，遇到问题的时候，你可能会想起来：“我在哪个地方曾经看到过”，就可以返回去找；

3. 找百度，如果还没有就找Google。

Q6 ：之前没有做过数据分析，想入行该怎么自学？

A6 ：首先你可以学一下Oracle DB，也不用学的很深，能把想要的数据从库里取出来就可以。

刚开始转行的话，可能人家也不会要求你的Python、R或者是SAS用得多好，只要Excel，VLOOKUP能用好，就可以去找工作了，在工作中再慢慢实践积累。

学代码就是实践积累，你写得多了自然就会写了。自己看书，或者报一个课程学的内容，通常转头就忘，在实践中一遍一遍写出来的代码，才可以记住。

Q7 ：从哪里可以获得好的数据用来学习建模？

A7 ：我知道在Kaggle上面会有数据，去下载吧。

Kaggle是一个数据建模、数据挖掘的一个平台，上面有很多比赛，有风控的比赛，也有别的方向建模的比赛。

Q8 ：Web前端开发适合转行数据分析师吗？

A8 ：我觉得，Web前端转行的，在做把模型布到系统里的工作时，还是有优势的。至少你知道怎么跟IT的人沟通。

我为了学习跟IT部门员工的沟通，费了很大的功夫。因为思维方式的差异，我认为他们懂，其实他们根本就不懂，他们认为我本来就应该完全懂，但是其实我根本也不懂，磨合了很长时间我才终于get到IT同事们的点。 如果你是干Web前端的话，可能就没有这个困扰了。

但是 我还是那句话： 适合不适合，你要找到自己的兴趣，兴趣才是一切的源动力。因为你会天然地面对没有基础的困境，所以你必须得有兴趣才能持续不断地努力。 

Q9 ：为什么要从国企辞职和转行？

A9 ：为什么转行我在我的第一篇 《三个月，从化工实验员到数据分析师》 里讲过了，大家可以去看一下。

为什么辞职？我只能用四个字来形容： 水土不服。 我无法认同国企的价值观，也无法适应国企的官僚文化。

Q10 ：四年存一百万，每年平均存有二十五万，请问是因为选择了好的理财方式吗？

A10 ：其实四年我只存了50万而已，家里支援了50万，又找亲朋好友借了40万左右。

能借到40万，就是平时人品上的积累吧。你平时跟人相处，别人就会对你有一个判断，你要让别人觉得你是一个靠谱、可信任、知恩图报的人，这样的话就借钱不会很难。

Q11 ：存钱需要大量理财知识去购买理财产品吗？

A11 ：理财的第一步是你得有钱，有钱的第一步是你得储蓄，储蓄的第一步是你得记账。

存下一笔钱，真的挺不容易的。这就是坚持和积累的力量，真的是积累的魔力，真的是我从小到大我唯一一件坚持了九年的事。

我自己都惊诧于积累原来可以这么强大。反正大家就从手边开始做起，每月记账强制自己存钱吧。

小编直通车：扫描下列二维码，发送“众智汇”加入社群

“众智汇” 愿景

尽职尽才，允公允能  ——  本社群不定期举行线上分享，组织群友分享知识、经验、资源，以达到 让我们每个人的职业生涯得到最大程度的发展 的目的 。

往期线上分享实例

让人人都能使用AI

大数据在舆情服务领域的应用

大数据在环保中的应用

大数据在工业界的应用

独角兽CTO是怎么炼成的

破解性别歧视，助力职业发展

又见一片星空——从外企技术管理者到公益组织创始人

从实习生到CEO——复盘我的职场进阶之路

阿联酋IT行业现状

如何成为人工智能（AI）产品经理

美国大学数据科学（Data Science）教育实践

互联网创业的苦与痛

微信公众号，真的有必要运营吗？

成全自己的热爱与疯狂——从医生到创业者+动漫创作者，梦想使然

从五百强到初创公司：生存指南+创业百态

入行AI，从职场社交开始

 程序员的前10年——职业发展建议

入行AI做数据是怎么一回事？

 高薪岗位是怎么炼成的

我，女生，程序员

 入行数据分析，十个月工资翻一倍

三个月，从化工实验员到数据分析师

 初心与成长——从零开始创建公益组织

欢迎扫面下列二维码关注“悦思悦读”公众微信号