发帖
雷达卡
岗位职责和任职要求看起来都比较简单，大致如下：
然而据了解，这些岗位的招聘并不顺利。HR收到的简历不少，但真正符合要求的屈指可数。
而另一头，后台里我们经常会收到相关的职业规划应该怎么做，如风控小白职业发展规划，传统的审批/催收/信贷策略/传统银行业务的转型，甚至单一的风险计量岗位想要多学习更专业的金融知识，为更高端的复合型风控技术打好基础。
不免看出，风控岗的供需两方各自的需求很不一致，一方面是用人方求贤若渴虚位以待却难以找到相匹配的人才，一方面是求职者积极向上努力进步却始终迷茫找不到敲门砖。
很明显，人才市场依然像个金字塔，站在金字塔上端、能力强经验丰富的人才始终是供不应求炙手可热，然而对于站在下端，能力/经验待提高的小伙伴而言，却总因为专业度或经验未能匹配，迟迟无法找到上进的通道。这是gap，需要大家努力跨过去。
怎么破？我们先来梳理最开始的问题，从文中开篇提到的岗位要求出发。
解读上述招聘岗位，抛开具体岗位的细分要求不讲，以上这些岗位要求从头要尾都只有四个字的核心要素：数字驱动。整合为一句话是：数据驱动型岗位。
数据驱动型能力，说大很大，说小很具体。风控中的数据驱动能力，如果归纳起来我觉得有两个最核心的内容，分别是有数据分析能力以及能用全局观的风控思维去思考业务逻辑。数据型驱动岗位，就是做量化计量分析，每次做的调整数据都应该有数据沉淀，因为沉淀就可以进行数据的量化比对，更好地积累经验，而这是做传统的信贷工厂IPC模式无法积累的内容。
回看我们的日常工作，大家是否经常在信贷工厂中做着日复一日的周期性工作：面对任务单依旧是百年如一日标准化的电审话术/催收话术，日常从事的工种简单如螺丝钉般的提数或报表工作，算法只会LR打遍天下，模型开发过程中始终无法了解风险对目标定义的界限，特征衍生拟合的变量都只是机器反馈的数据......信贷工厂的作业模式容易让人造成惯性思维，久而久之在职业场中就会失去敏感度，慢慢地会发现自己困于系统里。
前不久有篇挺火的文章《外卖骑手，困在系统里》，里面提到骑手的时间被系统精确计算，美团的骑手们甘愿冒着闯红灯的危险，仅仅为了和系统赛跑、缩短两分钟、得到平台的奖励。系统有能力接连不断地吞掉时间，对于缔造者来说，这是值得称颂的进步，是AI智能算法深度学习能力的体现。但对于这些外卖骑手而言，最快已经没有用，更快，永远比系统快才能解决问题。
然而真的能每一次都快过系统吗？
对于系统的计算逻辑，除了加快自身速度，骑手们根本就没有别的办法与之抗衡。他们困在系统里。
回归在风控系统中，面临着金融行业的不断进步和转型，相信有不少同学就是困在这个行业的系统里，比如很多传统的信审岗同学，曾经这也是个风光无两的岗位，然而在第一波数字风控到来时，却已经优势不再。传统方式依靠人，不可复制，数据无法积累，风控模式无法迭代优化。量化模式无法走通，当数字风控上线后，依靠自动化进件跟策略的方式已经让风控从业者欲罢不能。数字风控自始开启，而做传统IPC的从业者呢？他们的位置略显尴尬。
站在另一个角度看看，其实企业也面临着这样的尴尬。当行业面临转型，过去的人才已经不足以满足发展的需求，而新型人才的缺口又迟迟无法补上。其实企业也是非常焦虑的，而且焦虑之下，更加重视和厚待能与之匹配的人才。相信大家也看到了目前各大金融机构对自身数字化转型的方向的努力，2016年开始各大银行在建设数字化的团队方面不留余力，特别是建行、招行等大行，更是加大了对数字化团队的建设，招收的多数都是具备复合能力、既懂数据分析又懂业务的人才。
数字驱动型目前已经是岗位的标配，而非加分技能。业务理解能力，一定是对所有从业人员的基础要求，如果不能站在业务的角度去理解内容一定不能做好策略跟模型，甚至连数据埋点都无法做好。因为随着监管对行业规范化管理，以及目前行业深耕的当下，信贷行业对数据驱动型人才的需求一定会保持越来越旺盛的增长趋势，并且对大家全面理解业务能力的要求也会不断提高。在岗位相对稀缺，用人单位可以尽情挑选候选人的当下，我们需要思考下什么才是我们的核心竞争力。
从风控的全流程生命周期来看，覆盖的核心岗位主要集中在政策、反欺诈、策略、模型以及数据产品等相关岗位。从目前招聘的岗位要求，对应到具体对候选人的要求上，具体需要有以下相关技能点：
政策从业者应该具备的能力至少有以下几点：能知晓产品的设计方法，能够清晰不同产品的生命周期的风险所在，能根据不同的产品制定差异化的风险定价；
做反欺诈相关的同学要能知道相关的欺诈场景与定义、了解数据埋点逻辑、反欺诈策略优化、反欺诈相关体系和反欺诈策略决策树、模型特征探索、反欺诈的监控报表开发；与策略相关的岗位，无论是贷前/贷中/贷后策略的同学都能就具体的数据需求就埋点与部署提供相应方案，能够解读相关的接口文档，能进行不同环节点中的调优数据，做好各自环节的监控报表；
而做模型的同学，除了常规的LR模型外，要能尝试使用其他机器学习算法，用决策树、随机森林以及其他的方法优化风控模型，能用XGB，LGM进行不同的特征验证，让自己的模型的稳定性进一步加强，并且模型开发评分卡不限于A卡，最好能涉及B/C/F卡场景，当然在全场景的模型中我们还有客户营销模型、客户流失预测模型等内容；
做外部三方数据岗位对接的同学一般也为策略相关性岗位，他们还要了解不同数据厂家的差异性，知道目前外部的三方大数据公司可以分成几类？做设备数据的头部厂家有哪一些？做多头的厂家有哪一些？做关系图谱反欺诈数据方案的厂家又有哪些？不同厂家的指标稳定性，指标有效性如何筛选….此处涉及的内容如果一个个项目地接触了解，做过数据对接的同学都清楚，摸清一家数据源至少也得1~3个月时间。
诺基亚说：我们并没有做错什么，但不知为什么，我们输了。很明显诺基亚困在系统里，自己浑然不觉。时代迭代的列车加速的时候，连一声招呼都不说就甩开了困于系统里的人。
那么，如何不被困在系统中？如何与时俱进？或者说，如何不被淘汰？
答案不言而喻，保持对行业发展的高度关注，持续、全方面、多角度学习，培养自己用大局观看待事物发展的能力。具体到工作中，只有懂得贷前、贷中、贷后每个模块对风控全链条及业务的影响，才能更通透地设计好本模块，让每一个链条都紧紧相扣。当然另一个要素是要想对地快，快速学习行业知识，快速地压缩学习路径，在系统迭代缓冲之时做好准备。
鉴于此，番茄学院也做了准备，我们特地花了整个2020年一年的时间，精心打磨了风控全体系的课程，覆盖风控政策、反欺诈模块、贷前策略、贷中策略、贷后策略、风控模型及三方数据等七大模块，从理论到实操，由浅及深，帮助小伙伴搭建全面的风控知识体系。目前课程已经到了最后打磨阶段，近期将会正式推出。有兴趣提前了解详细内容的小伙伴们，敬请关注番茄风控！
~原创文章
....
end
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
