据说答对这12道题，就能成为风控算法工程师

本文作者为【金融就业小班】讲师梅老师。梅老师最近看有些同学在找金融风控方面的工作。但对整个业务框架不是很了解，所以梅老师总结了平时面试聊的比较多的一些问题。

前九道题都是工作中一定会碰到的基本内容，如果有一些这方面的工作经验，基本上都会聊到。后面的因人而异，工作经验少的同学，面试官可能会重点看一下对算法的理解，以及一些SQL能力。

PS：课程协助大家做的项目非常精彩，也是我们的简历的核心内容，但是不要写的太过详细了，感觉像是在读一个完整的建模文档一样……最好是每一步写几个概括性的词语，细节留在面试的时候给面试官讲出来，不然面试的时候，就成了你背简历，他读论文......

你们公司的主要业务是什么？

1、属于什么类型的贷款产品。（现金贷、消费分期等等）

2、客户一般来自什么渠道，是特定的群体。（比如滴水贷只借给滴滴平台的司机），还是面向所有人的。（比如常规的p2p公司）

3、贷款额度、还款周期。

你们的业务做得怎么样？

1、通过率是多少。

2、pd0、pd7、pd30 大概是多少。

注意：这些都反应了你的模型做的如何，通过率越高，逾期率越低，模型越好。
PS：pd0指的是到期当天，pd1指的是逾期一天。

你都负责哪些业务？

1、准入策略。

2、风控模型。

3、贷后监控。

PS：我们要时刻关心模型的通过率和贷后表现是否有异常，警惕欺诈。

你模型是怎么做的？

1、确定y如何标记。（逾期几天为1，几天为0，每种产品不一样，如果不知道，我建议你说15天为分割点，没什么大问题）
2、前期数据准备。（数据来自 HIVE？MySQL？MongoDB？Spark？）

3、这里就可以接上学过的风控项目，包括各种算法，建模技巧，基本上都是这里引出的。

你是标记客户好坏的？

1、逾期天数作为标记好坏的依据。

2、因为本身样本不均衡，会偏向扩充坏人的数量。（比如以pd1来标记好坏，坏人肯定比pd15会多很多）

PS：很多公司建模的时候，去除一部分灰色客户。（比如去掉pd1~pd5的客户）

做模型时用到了哪些数据源？

1、征信数据。
2、运营商数据。

3、埋点数据。

4、平台自有数据。

5、用户手填数据。

6、数据有很多，每家都各有不同，小心点也可能问你数据来自哪家平台哦。

PS：见过很多小型公司都喜欢用运营商数据，因为便宜，很多都是免费的。

模型的效果怎么样？

1、测试集和跨时间验证集的KS和AUC是多少。
2、上线后一个月或者几个月后，模型的KS是多少，AUC是多少。

你们模型是怎么部署上线的？

我经历过的几种上线方法可以分享给大家：
1、最简单的，把评分卡每个区间加多少分减多少分，怎么做映射的逻辑，讲给开发小哥，他会帮你在线上写 if else。

2、生成一个pmml文件，给开发小哥调用。

3、公司自己做的决策引擎，或者是租的，自己写变量逻辑上线。

4、用flask或者Django自己写接口上线。

上线需要注意什么？

1、线上线下变量的逻辑必须完全一致，这是最重要的。
2、很多公司会做类似于A\B test，两套模型竞争。（一个champion做决策，和一个challenger空跑，也有可能champion 70%，challenger 30%）

推一下逻辑回归

对于别人可能有些难度，但我相信咱们平台的学员是完全没有问题的。

讲一下评分卡的分数映射公式

1、推导主要是换底公式，详见评分卡文档。
2、如果现在刻度区间过大应该如何调整。

PS：这里的逻辑要搞清楚，不然通过率出了问题，连怎么调整都不知道。

手写一下SQL代码

一般算法岗对SQL能力都是有要求的，稍加练习基本没有问题，这里放一个我们公司的笔试题。
“请取出每个班级所有课程，平均分大于80分的 学生名字。”

祝每一位七月在线的学员都能成长为offer收割机~~~