点击上方“卡方训练营”,选择“设为星标”
第一时间获取最实用的应统资讯
26 成 绩
全文由卡方训练营往届学员一手创作,禁止转载。
BG:985硕
岗位:风控策略
offer情况:秋招拿了4个offer(2互金,2互联网),为了钱途选择了强度最大的某互联网企业
实习经历:本科期间有过一段银行与一段行研(均非常水,每天唯一工作是等干饭,增添了履历但并没有得到成长)、研究生一段互联网中厂风控(6个月)
01
岗 位 介 绍
在“数据分析”热潮下,比起千军万马过独木桥,风控策略似乎成了小众而又精美的岗位之一,该岗位在工作要求上与数分相差不大,因此笔者身边有不少原本专攻数分但“卷又卷不动,躺又躺不平”的好友转换了赛道。本牛马结合个人履历以及先验知识定向选择了风控策略岗位进行投递。在此先对风控策略岗位做一个简单介绍(仅个人理解,若有错误敬请谅解)。
岗位背景:
风控策略在不同领域有不同的专精方向,主流的方向有电商风控和信贷风控,下面也将按这两个岗位进行介绍。在电商领域,风控并不属于核心地位,但是出于合规性考量,是各大电商平台不可或缺的bu。而在信贷领域,风控策略就是核心中的核心,风控水平的高低直接影响着自己甚至协作部门的业绩考核。像是背负着全村人的希望。
岗位内容:
电商风控聚焦于平台交易安全与用户行为风险防控,主要涉及:
1)交易监控:识别虚假交易、刷单、套现等欺诈行为,通过规则引擎实时拦截风险订单。
2)反欺诈策略:构建用户画像,利用机器学习模型检测异常行为。
3)营销活动风控:防止薅羊毛、黑产攻击,保障促销活动的公平性。
信贷风控的核心是评估和管理金融机构在贷款业务中的风险,确保资金安全。具体包括:
1)信用审核:通过审查借款人资料判断其还款能力与信用风险。
2)风险建模:开发信用评分卡、风险计量模型,量化违约概率,优化审批策略。
3)贷后管理:监控已放款客户的还款情况,识别逾期风险并制定催收或处置方案。
岗位特点:
电商风控主要去向为各大电商平台(拼多多、字节、小红书、快手等等)。这些公司大家都耳熟能详的“毒辣”,优势是工资高,锻炼人,通常更看重能力而非学历;缺点也显而易见:加班严重,内卷严重,适合卷王。(实习and转正岗位都比较多)
信贷风控主要去向为各大银行的金融科技部门以及消金、互金公司(度小满、360借条)。银行相对来说稳定,大部分情况下可以wlb,缺点如下:学历是第一入场券、晋升空间有限、工资较互联网低不少。(总行进入难度大,关系户另说)
消金公司的工作强度以及工资水平介于上述二者之间。但消金公司很少校招(或推出实习岗位),因此投递时出于岗位稀缺性找实习会比较漫长。
技能要求:
风控策略在技能上与常见的数分无异,主要需要sql取数+简单的python做一些分析,偶尔需要调个包跑一些机器学习模型,电商风控可能需要一些算法基础。
就职准备:
如果想首次来风控相关岗位,在项目经历上可以参加kaggle上的模型比赛(曾有过评分卡开发相关的比赛),也可以自己找寻一些风控相关的书籍或者项目(例如信贷可以搜索A/B/C卡的建模过程,电商可以搜索反欺诈项目)自行做一下。同时发挥在过往的实习经历(若有)中积累的业务sense,注重业务的逻辑梳理。
当成功踏入风控大门后,我意识到构建业务逻辑闭环的优先级高于技术细节雕琢。为此我提炼出四维认知迭代法则:“多聊多看多问多记”:
多聊:通过跨层级沟通获取行业图谱,构建宏观视角
多看:解构优秀策略报告以提升思考的维度
多问:通过询问并深挖现行策略细节,快速弥补思维漏洞
多记:建立动态知识库对新学习的内容进行相应记录
这套方法论的本质是将碎片信息升维为决策智能——当你能用驱动思维解构风险策略,用因果推断框架验证规则有效性时,便实现了从执行者到架构师的认知跃迁。
02
心 路 历 程
与其复述心路历程寻求共鸣,我更倾向以问题为手术刀解剖求职黑箱——当每个职业迷思都能被拆解为可操作的决策树模型,那些曾让我在节点间徘徊的困惑,或许正是照亮他人路径的反光棱镜。
1、实习越多越好吗?
我身边有不少同学研一刚入学便开始卷实习,一些数分卷王不乏有5~6段实习,可见数分的激烈程度。这让研一时一心搞科研(现在看来是在制造学术垃圾)的我倍感焦虑。现在回看过往履历,虽然我只有一段实习,但这段实习确实让我得到了丰富的成长性。有人说专硕就要不断的卷实习,刷的越多越有利,每一段待个2~3个月就跑路。也有人只有那么1、2段实习,但每段实习的时长比较久,这二者本无对错之分,而在于核心诉求不同!卷实习数量能让你看到更广阔的世界,让你对不同的岗位有所了解,如果你有快速学习的能力,你对各行各业的知识储备会非常丰富,同时你也可以了解自己真正想做的工作是什么(当然也可能会萌生“要不考个公吧”的念头),核心在于“泛”与“广”。而一段长时间的实习能让你在某一特定领域更加专精,对一项业务有更系统的了解与思考,核心在于“精”与“深”。
2、如何确定合适的时间“润”?
通常大家在一段实习2-3个月的时候就已经对业务有了全面的宏观了解了,那么此时大部分同学便会思考到底要不要“润”。假如要我只用一个指标去衡量,我会用一个词--“成长性”。如果你认为待下去,你的成长性会很快收敛,或者说环境自己不喜欢(别没苦硬吃),那我会劝你尽早离开考虑未来。如果你认为你的工作很有意思,或者你的领导对你逐渐开始委以重任,未来的成长性是线性甚至指数型暴增的,那我一定会鼓励你留下来。这里要说的一点是,许多同学抱怨实习刚进去就是打螺丝的,天天干dirty work而无法大展宏图,没干多久就有了跑路的想法。首先我会为你的不幸遭遇感到痛惜,接着我会希望同学去接受他。假如我是一位团队的leader,我也很难在不确定同学是否了解业务的情况下放心大胆的把项目全权交予一位实习生的手中,而捅破这扇偏见的窗户就需要做好向上管理,建立信任感(如果这段话爹味重了,忽视即可)。
3、实习过程最需要提升的是什么?
仅就风控策略岗位而言,我认为一定是业务的理解!!!更深的业务理解能让你对风险的洞察与识别能力更敏锐,我分享身边的一个案例,我身边曾有一位专家和一位实习生(不是本人)利用相同的一数据集建模,专家仅凭专业的业务经验进行数据预处理,通过逻辑回归便打败了实习生利用各种网络制成的fancy方法。此外,我个人能在仅有一段面上过得去的实习经历情况下,拿下了4+offer(厚脸皮的吹一下自己),与我在实习期间积累的业务经验是息息相关的。如果你希望不断地往上爬从而不面临“35岁危机”,风控的业务sense一定是最重要的。其次,便是一些老生常谈的内容:代码能力,表达能力,人际交往(宫斗)能力等等。
03
一 些 结 语
如果用统计模型拆解求职过程,可以把它看作一个回归方程:Offer = X’β+ ε。X由一些客观因素构成,例如过往履历、个人技能、岗位匹配度等,而这里的ε就像天气预报中的误差——既包含大环境波动,也涵盖运气等不可控因素。
过往的实习求职中,我和身边同学都经历过模型失准的时刻:投递简历如同做假设检验,明明计算好了P值却等不来显著性结果;面试反馈像是模糊的置信区间,让人在归因时反复自我质疑。
但数据轨迹终会给出答案——如果把时间维度拉长,求职本质上是个带噪声的渐进过程。就像时间序列分析中的趋势项,个人成长始终是主成分;而短期波动终将被时间平滑,绝大多数人最终都会收敛到属于自己的局部最优解。
因此想对正在焦虑的同学说:
1、接受ε的存在:黑天鹅扇动翅膀可能颠覆整个决策树,当遭遇与预期相悖的困境时,不必过度内归因;
2、专注提升β值:正如计量经济学教父Granger所言:"预测者的尊严在于不断缩小条件期望的均方误差。"通过技能学习增大能力系数方为良药。
3、保持稳健估计:用长期主义对抗随机扰动,像LASSO回归筛选重要变量般聚焦核心成长。
出色的统计学家从不奢望消除误差项,而是通过扩大样本量让估计值渐进真实。当你完成自己该做的参数优化,剩下的不妨交给大数定律——足够多的伯努利试验中,成功频率终将逼近概率,事物的发展终将是螺旋式上升的。
彩 蛋
欢迎同学们来【1V1免费咨询】详聊,授课+择校老师免费为大家答疑解惑~
如果你:
1.择校困难
2.对我们课程有兴趣但不知道报哪个
3.犹豫二战
4.想了解真题风格
都可以来戳小助手拉1V1群!买不买课不重要,主要是交个朋友~


欢迎点赞、转发、收藏、在看~