本文目录
大数据风控用了什么模型有效性如何
大数据风控模型主要包括：反欺诈模型、二元好坏模型、资产包风控模型等。其有效性主要包括以下三个方面：
1、有效提高审核的效率和有效性：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。
2、有效降低信息的不对称：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。
3、有效进行贷后检测：
通过大数据技术手段对贷款人进行多维度动态事件（如保险出险、频繁多头借贷、同类型平台新增逾期等）分析，做到及时预警。
大数据风控同传统风控在本质上没有区别，主要区别在于风控模型数据输入的纬度和数据关联性分析。据统计，目前银行传统的风控模型对市场上70%的客户是有效的，但是对另外30%的用户，其风控模型有效性将大打折扣。
大数据风控作为传统风控方式补充，主要利用行为数据来实施风险控制，用户行为数据可以作为另外的30%客户风控的有效补充。
什么是数据分析的漏斗模型
1、什么是漏斗模型？
漏斗模型是数据分析较常使用的一种方法，其适用的场景主要是对 经过一连串用户操作才能完成任务，同时需要监控和分析任务最终完成的效果，以及每一步可能存在的问题。其场景具有以下2个本质特点：
- 用户操作链路长，步骤多，每一步用户均有可能放弃或者继续
- 存在一个最终的用户行为，该行为的完成情况是产品核心指标，用于衡量整个产品效果
漏斗模型的核心思想，是从最终目标入手，找出每一步用户的转化或者流失情况，配以每一步的转化率或者流失率指标来监控效果，并最终通过提升用户转化率，或者降低用户流失率，从而优化最终指标并实现商业价值。
对业务流程和用户场景的理解广度和深度，是漏斗模型能否正确使用的前提。以下结合互联网产品常用的4个场景进一步探讨漏斗模型的使用。
2、漏斗模型如何使用？场景化案例分析
实际在进行漏斗模型的分析时，结合不同的业务场景和产品类型，漏斗模型大致可分为以下几种：
- 用户获取模型
- 消费漏斗模型
- 电商漏斗模型
- 功能优化漏斗模型
用户获取漏斗模型（AARRR）：AARRR从整个用户生命周期入手，包括Acquisition用户获取，Activation用户转化，Retention用户留存与活跃，Revenue用户产生收入，到发起传播Refer。
互联网产品的新用户获取流程很长，从获客成本和用户质量两个核心指标入手，需要拆解用户获取的每一个环节，并观察和优化其核心指标，从而实现低获客成本，且高用户质量的商业诉求。在利用AARRR模型分析用户获取，需要从宏观和微观角度进行，宏观有助于对整体业务效果的监控，微观分析则有利于找出优化环节并为产品优化提供数据决策依据。
消费漏斗（流量分布图）
消费漏斗一般用于页面结构和内容较为复杂的业务，从用户内容消费和流量走向的角度，宏观层面用于回答用户消费什么内容，微观层面则用于分析影响用户消费的问题是什么。
结合今日头条APP的例子，宏观层面的消费漏斗，用于回答用户使用今日头条，都去哪些地方进行内容消费了（数据属于假设）。总体的消费漏斗，有助于查看产品信息架构是否合理，用户行为走向是否符合产品设计的预期：
电商购买转化漏斗
用户商品的购买属于决策行为，将整个用户购买流程进行拆分，从浏览商品到支付订单，期间需要经过至少要经过以下4个环节，每一个环节用户均有可能因为各种原因流失掉，通过分析每个步骤的转化率，有利于发现问题，提升整体的交易成功率：
功能优化漏斗
漏斗分析也适用于产品功能自身的优化，从最终目标入手，拆分业务环节，提取和优化核心指标，从而提升整体功能的转化率。
以手机消息推送为例子，消息推送初看是一个非常复杂的，且技术难度很高的产品功能，但是利用漏斗模型，层层拆解各环节，可发现一个完整的消息流程需要经过至少5个环节，通过观察和分析各个环节的转化率，优化每个环节的折损，从而达到更多用户点击查看消息的产品目标。
