前言

互聯(lián)網(wǎng)金融的爆發(fā)特別這幾年互聯(lián)網(wǎng)信貸的快速增長及多元信貸業(yè)務(wù)的開展，信貸業(yè)務(wù)特別是現(xiàn)金貸行業(yè)內(nèi)用戶逾期率、多頭共債率不斷攀升，這一系列問題顯現(xiàn)出數(shù)據(jù)缺失、風(fēng)控盲點、信用隱患等問題。平臺的風(fēng)控能力成為對業(yè)務(wù)的嚴(yán)峻考驗，傳統(tǒng)風(fēng)控通過客戶經(jīng)理面簽和初審，對用戶的資質(zhì)要求和嚴(yán)格篩選，風(fēng)控內(nèi)部過會和基于制式數(shù)據(jù)的評價卡來評估用戶的風(fēng)險承擔(dān)能力?，F(xiàn)金貸產(chǎn)品通過大數(shù)據(jù)風(fēng)險在數(shù)據(jù)體量維度上進行分析和評估，核心是分析大數(shù)據(jù)所衍生出的多維度變量，通過變量分析群體客戶行為，建立一定的模型，來預(yù)估新客戶的身份信息、還款能力、還款意愿。

一、使用大數(shù)據(jù)風(fēng)控

在線貸款沒有人員審核、面簽、審貸會等環(huán)節(jié)來作風(fēng)控，主要是依靠大數(shù)據(jù)進行風(fēng)控控制。

大數(shù)據(jù)：以API接口、網(wǎng)絡(luò)爬蟲、批量購買、設(shè)備抓取、用戶提交等形式獲得的數(shù)據(jù)。

設(shè)備信息抓取：第三方API接口驗證設(shè)備黑名單、IMEI信息。

通訊錄抓取：決策引擎(通訊錄個數(shù)、通訊錄異常字符、通訊錄號碼異常識別)。

用戶身份信息驗證：身份API公安接口認證、照片人臉識別、銀行卡驗證。

用戶行為數(shù)據(jù)：填寫時間、修改次數(shù)、跳出次數(shù)、分享情況。

用戶運營商數(shù)據(jù)：爬取用戶六個月通話記錄。

用戶電商數(shù)據(jù)：爬取用戶歷史至今電商交易數(shù)據(jù)。

1、我們首先需要基于自己特定目標(biāo)客群、行業(yè)、場景等做風(fēng)控。由于針對特定人員、行業(yè)等垂直目標(biāo)做深耕，較為容易建立對應(yīng)的風(fēng)險點及風(fēng)控策略。

例如：針對工薪階層的消費貸，主要針對工薪人群的特征。針對公務(wù)員具行業(yè)的。針對公積金的信貸。

2、基于自有平臺身份數(shù)據(jù)、歷史交易數(shù)據(jù)、支付數(shù)據(jù)、信用數(shù)據(jù)、行為數(shù)據(jù)、黑名單/白名單等數(shù)據(jù)做風(fēng)控 身份數(shù)據(jù)：實名認證信息（姓名、身份證號、手機號、銀行卡、單位、職位）、行業(yè)、家庭住址、單位地址、關(guān)系圈等等。

交易數(shù)據(jù)/支付數(shù)據(jù)：例如B2C/B2B/C2C電商平臺的交易數(shù)據(jù)，貸款平臺的借款、投資的交易數(shù)據(jù)等。

信用數(shù)據(jù)：例如貸款平臺借款、還款等行為累積形成的信用數(shù)據(jù)，電商平臺根據(jù)交易行為形成的信用數(shù)據(jù)及信用分（京東白條、支付寶花唄），SNS平臺的信用數(shù)據(jù)。?

行為數(shù)據(jù)：例如電商的購買行為、互動行為、實名認證行為（例如類似新浪微博單位認證及好友認證）、修改資料（例如修改家庭及單位住址，通過更換頻率來確認職業(yè)穩(wěn)定性）。

黑名單/白名單：黑灰名單、白名單等。

3、基于第三方平臺服務(wù)及數(shù)據(jù)做風(fēng)控，第三方數(shù)據(jù)平臺（如同盾、百融等數(shù)據(jù)）。

Maxmind服務(wù)IP地址庫、代理服務(wù)器、盜卡/偽卡數(shù)據(jù)庫。

二、貸款申請流程如何風(fēng)控

一、貸前

1、貸款申請

此環(huán)節(jié)把不符合最基本要求的人進行申請階段攔截，節(jié)約成本，提高效率，增強體驗。對于進入的用戶，往后會有一系列的數(shù)據(jù)判斷，進行過濾。

2、貸款審批

?

風(fēng)控建模需借助于函數(shù)的定義，此外也可以借助評分卡的機制進行補充。而評分卡的模式在另外一方面也作用于系統(tǒng)審核與人工信審，譬如高于X評分的訂單申請，系統(tǒng)直接通過；處于X與Y之間的評分，則需人工審核，甚至通過電話聯(lián)系；而低于Y評分的，則系統(tǒng)直接拒絕。

?

2.2???貸中

對額度內(nèi)交易進行風(fēng)險預(yù)判，以借款人為核心關(guān)系對其社交網(wǎng)絡(luò)的分析，以借款人的交易行為、還款行為、設(shè)備使用等行為等第三方數(shù)據(jù)等數(shù)據(jù)和信息項作交叉驗證，提前發(fā)現(xiàn)用戶的風(fēng)險，對借款人的帳戶和額度作實時管控，對用戶進行凍結(jié)、降額、止付、提前催收、黑灰名單等管理手段。

?

2.3???貸后

管理借款人的新增風(fēng)險，多頭、其它平臺逾期、失聯(lián)、地址變動。信用惡化監(jiān)控和借新還舊監(jiān)控。對用戶的失聯(lián)修復(fù)。

?

反欺詐平臺

?

風(fēng)控主要控制信用風(fēng)險和欺詐風(fēng)險，信用風(fēng)險的經(jīng)驗已經(jīng)相對成熟很多，但是基于在線貸款的欺詐風(fēng)險是各家機構(gòu)的投入防范對象。個人的欺詐風(fēng)險主要是第三方欺詐和個人欺詐，第三欺詐主要是團伙欺詐和身份冒用等，個人欺詐多種各樣地址偽裝、申請數(shù)據(jù)作假、養(yǎng)流水等。

如基本的反欺詐邏輯：

身份信息校驗：人臉比對、ocr、活體識別、人證有源比對。

手機號驗證與識別：運營商、二次放號，虛假，未實名等等。

地址定位：驗證居住地和工作地真實性和真假。

設(shè)備指紋：其他設(shè)備指紋相關(guān)的規(guī)則、設(shè)備關(guān)聯(lián)不同姓名（年齡，地區(qū)）的身份證等。

銀行卡：銀行卡號歸屬地在高危地區(qū)、銀行卡號命中盜卡黑名單等。

多頭檢測：檢測申請人最近是否多次申請貸款等。

風(fēng)險名單庫：內(nèi)外部黑名單，司法數(shù)據(jù)，逾期名單，失聯(lián)名單，貸款黑中介名單是否命中。

設(shè)備反欺詐：設(shè)備指紋一種可以識別設(shè)備唯一性的技術(shù)。它通過采集移動端和PC端設(shè)備基礎(chǔ)信息、操作系統(tǒng)信息、時間、網(wǎng)絡(luò)、應(yīng)用、電池、位置、插件、瀏覽器等各種客戶授權(quán)信息，并且通過一定的算法，生成設(shè)備的唯一標(biāo)識。設(shè)備指紋采集的信息主要包括，設(shè)備的品牌，操作系統(tǒng)，IMEI，IP地址，APP列表，瀏覽器本身的特征，用戶輸入習(xí)慣，解鎖習(xí)慣，頁面操作時間等等。

社交圖譜：用戶的社交關(guān)系是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(Point)和邊(Edge)組成。在知識圖譜里，每個節(jié)點表示現(xiàn)實世界中存在的“實體”，每條邊為實體與實體之間的“關(guān)系”。

?

不一致判斷：不一致性驗證可以用來判斷一個借款人的欺詐風(fēng)險，這個跟交叉驗證類似

團伙欺詐：相比虛假身份的識別，組團欺詐的挖掘難度更大。這種組織在非常復(fù)雜的關(guān)系網(wǎng)絡(luò)里隱藏著，不容易被發(fā)現(xiàn)。當(dāng)我們只有把其中隱含的關(guān)系網(wǎng)絡(luò)梳理清楚，才有可能去分析并發(fā)現(xiàn)其中潛在的風(fēng)險。

小結(jié)

信貸業(yè)務(wù)的風(fēng)險暴露有一定的滯后性，特別是現(xiàn)金貸大跟進中潛藏的風(fēng)險也需要一定的周期才能所有展現(xiàn)出來。尤其是消費金融和現(xiàn)金貸業(yè)務(wù)后面所謂的技術(shù)公司、保險公司、融資擔(dān)保公司和銀行金融機構(gòu)等金主，更處于風(fēng)險傳導(dǎo)的后端。信貸型業(yè)務(wù)除了欺詐就是多頭的風(fēng)險最大，拆東墻補西墻的模式只能增加用戶還款能力的風(fēng)險，共債客群資產(chǎn)質(zhì)量出現(xiàn)惡化的后果，會波及到整個金融行業(yè)包括信用卡、傳統(tǒng)信貸和互聯(lián)網(wǎng)信貸業(yè)務(wù)。與傳統(tǒng)的風(fēng)控相比，大數(shù)據(jù)風(fēng)控在一些企業(yè)應(yīng)用比較多，有時候并不是大數(shù)據(jù)風(fēng)控有多么好，而是大數(shù)據(jù)風(fēng)控在同樣的條件下，極大的降低了風(fēng)險管理的成本。

總結(jié)

以上是生活随笔為你收集整理的【采用】【科技金融】互金风控大数据盘点的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。