前言

互聯網金融的爆發特別這幾年互聯網信貸的快速增長及多元信貸業務的開展，信貸業務特別是現金貸行業內用戶逾期率、多頭共債率不斷攀升，這一系列問題顯現出數據缺失、風控盲點、信用隱患等問題。平臺的風控能力成為對業務的嚴峻考驗，傳統風控通過客戶經理面簽和初審，對用戶的資質要求和嚴格篩選，風控內部過會和基于制式數據的評價卡來評估用戶的風險承擔能力。現金貸產品通過大數據風險在數據體量維度上進行分析和評估，核心是分析大數據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，來預估新客戶的身份信息、還款能力、還款意愿。

一、使用大數據風控

在線貸款沒有人員審核、面簽、審貸會等環節來作風控，主要是依靠大數據進行風控控制。

大數據：以API接口、網絡爬蟲、批量購買、設備抓取、用戶提交等形式獲得的數據。

設備信息抓取：第三方API接口驗證設備黑名單、IMEI信息。

通訊錄抓取：決策引擎(通訊錄個數、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。

用戶行為數據：填寫時間、修改次數、跳出次數、分享情況。

用戶運營商數據：爬取用戶六個月通話記錄。

用戶電商數據：爬取用戶歷史至今電商交易數據。

1、我們首先需要基于自己特定目標客群、行業、場景等做風控。由于針對特定人員、行業等垂直目標做深耕，較為容易建立對應的風險點及風控策略。

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

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

交易數據/支付數據：例如B2C/B2B/C2C電商平臺的交易數據，貸款平臺的借款、投資的交易數據等。

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

行為數據：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穩定性）。

黑名單/白名單：黑灰名單、白名單等。

3、基于第三方平臺服務及數據做風控，第三方數據平臺（如同盾、百融等數據）。

Maxmind服務IP地址庫、代理服務器、盜卡/偽卡數據庫。

二、貸款申請流程如何風控

一、貸前

1、貸款申請

此環節把不符合最基本要求的人進行申請階段攔截，節約成本，提高效率，增強體驗。對于進入的用戶，往后會有一系列的數據判斷，進行過濾。

2、貸款審批

?

風控建模需借助于函數的定義，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審核與人工信審，譬如高于X評分的訂單申請，系統直接通過；處于X與Y之間的評分，則需人工審核，甚至通過電話聯系；而低于Y評分的，則系統直接拒絕。

?

2.2???貸中

對額度內交易進行風險預判，以借款人為核心關系對其社交網絡的分析，以借款人的交易行為、還款行為、設備使用等行為等第三方數據等數據和信息項作交叉驗證，提前發現用戶的風險，對借款人的帳戶和額度作實時管控，對用戶進行凍結、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險，多頭、其它平臺逾期、失聯、地址變動。信用惡化監控和借新還舊監控。對用戶的失聯修復。

?

反欺詐平臺

?

風控主要控制信用風險和欺詐風險，信用風險的經驗已經相對成熟很多，但是基于在線貸款的欺詐風險是各家機構的投入防范對象。個人的欺詐風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、申請數據作假、養流水等。

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。

設備指紋：其他設備指紋相關的規則、設備關聯不同姓名（年齡，地區）的身份證等。

銀行卡：銀行卡號歸屬地在高危地區、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。

風險名單庫：內外部黑名單，司法數據，逾期名單，失聯名單，貸款黑中介名單是否命中。

設備反欺詐：設備指紋一種可以識別設備唯一性的技術。它通過采集移動端和PC端設備基礎信息、操作系統信息、時間、網絡、應用、電池、位置、插件、瀏覽器等各種客戶授權信息，并且通過一定的算法，生成設備的唯一標識。設備指紋采集的信息主要包括，設備的品牌，操作系統，IMEI，IP地址，APP列表，瀏覽器本身的特征，用戶輸入習慣，解鎖習慣，頁面操作時間等等。

社交圖譜：用戶的社交關系是一種基于圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的“實體”，每條邊為實體與實體之間的“關系”。

?

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。這種組織在非常復雜的關系網絡里隱藏著，不容易被發現。當我們只有把其中隱含的關系網絡梳理清楚，才有可能去分析并發現其中潛在的風險。

小結

信貸業務的風險暴露有一定的滯后性，特別是現金貸大跟進中潛藏的風險也需要一定的周期才能所有展現出來。尤其是消費金融和現金貸業務后面所謂的技術公司、保險公司、融資擔保公司和銀行金融機構等金主，更處于風險傳導的后端。信貸型業務除了欺詐就是多頭的風險最大，拆東墻補西墻的模式只能增加用戶還款能力的風險，共債客群資產質量出現惡化的后果，會波及到整個金融行業包括信用卡、傳統信貸和互聯網信貸業務。與傳統的風控相比，大數據風控在一些企業應用比較多，有時候并不是大數據風控有多么好，而是大數據風控在同樣的條件下，極大的降低了風險管理的成本。

總結

以上是生活随笔為你收集整理的【科技金融】互金风控大数据盘点的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。