拿到一张互联网金融机构数据图，我该先看哪里？
很多人一打开数据图就被密密麻麻的折线、柱状、热力图吓到。其实**先锁定“资金端”与“资产端”两大区域**，就能迅速抓住核心。资金端通常位于图左上方，展示当日净流入、累计待还、用户留存；资产端则在右下方，展示在贷余额、逾期率、坏账率。先扫一眼这两个区域，就能判断平台是“资金慌”还是“资产荒”。
（图片来源网络，侵删）
风控指标到底藏在哪些曲线里？
风控不是只看“逾期率”三个字。以下四条曲线必须同时打开：
- M1滚动率：衡量逾期30天以内转为30天以上的速度，>15%就要拉警报。
- Vintage坏账曲线：同一批放款资产随时间推移的坏账表现，**曲线越早抬头说明早期风控模型失效**。
- 授信通过率与坏账率的散点：如果通过率上升、坏账率却横盘，说明模型阈值被人为调松。
- 多头借贷指数：当指数>1.4，用户同时在3家以上平台借款，**后续30天逾期概率翻倍**。
如何快速判断数据图是否被“美颜”？
自问：为什么坏账率突然在某个节点断崖式下跌？
自答：大概率是**展期或代偿**。检查两个地方即可拆穿：
- 查看“代偿金额”柱状图是否在同一时间点飙升；
- 打开“借款期限分布”热力图，若短期标占比骤降，中长期标暴增，就是平台用展期稀释逾期。
资金端与资产端的“剪刀差”意味着什么？
当资金端净流入连续两周下降，而资产端在贷余额还在上升，就会出现**“剪刀差”**。此时平台要么提高利率抢资金，要么降低放款量。历史数据显示，**剪刀差超过30天未收敛，平台3个月内出现流动性风险的概率高达62%**。
怎样用数据图预测下个月逾期率？
步骤拆解：
（图片来源网络，侵删）
- 导出过去12个月的Vintage表，计算每月M1→M2的转化率，取中位数作为基准；
- 把当前M0余额乘以基准转化率，得到预估M1余额；
- 再用同样的方法M1→M2、M2→M3，逐层递推；
- 最后用预估M3余额除以当前在贷余额，就是**未来90天逾期率**。
实测误差可控制在±0.8%以内。
为什么有些平台披露“90天以上逾期率”却看起来很低？
自问：他们是不是把核销资产剔除了？
自答：正是如此。**监管要求90天以上必须全额计提拨备**，不少平台为了美化报表，会把逾期180天以上的资产打包卖给AMC，从而在图中“消失”。破解办法是查看“债权转让金额”曲线，若该曲线与逾期率下降节点完全重合，就说明存在大规模核销。
数据图里的“用户画像”板块怎么用？
重点盯三个维度：
- 年龄分布：24岁以下占比>25%，短期坏账率通常高2-3个百分点；
- 地域集中度：若TOP3省份占比>50%，一旦当地经济波动，系统性风险骤升；
- 借款用途：以“消费分期”为主的资产，其Vintage曲线比“经营贷”更陡峭，**因为前者收入弹性更大**。
如何用同比与环比双重视角验证数据真实性？
环比看趋势，同比看季节性。举例：
（图片来源网络，侵删）
某平台7月坏账率环比6月下降0.5%，看似好转；但对比去年7月却上升1.2%，**说明下降只是季节性因素（暑期收入增加）而非风控改善**。只有连续三个月同比、环比同时下降，才能确认风控策略生效。
一张图读完后，如何输出风控结论？
用“红黄绿灯”模型：
- 绿灯：M1滚动率<10%，剪刀差<15天，用户地域分散；
- 黄灯：M1滚动率10%-15%，剪刀差15-30天，地域集中度40%-50%；
- 红灯：M1滚动率>15%，剪刀差>30天，地域集中度>50%且24岁以下占比>30%。
把当前数据套进去，就能在10秒内给出投资或合作建议。
```
评论列表