精华内容
下载资源
问答
  • 大数据风控
    千次阅读
    2018-05-29 10:59:24
    

    转载自:http://www.cnblogs.com/nxld/p/6364686.html 

    大数据能够进行数据变现的商业模式目前就是两个,一个是精准营销,典型的场景是商品推荐和精准广告投放,另外一个是大数据风控,典型的场景是互联网金融的大数据风控。

     

    金融的本质是风险管理,风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。

    传统金融的风控主要利用了信用属性强大的金融数据,一般采用20个纬度左右的数据,利用评分来识别客户的还款能力和还款意愿。信用相关程度强的数据纬度为十个左右,包含年龄、职业、收入、学历、工作单位、借贷情况、房产,汽车、单位、还贷记录等,金融企业参考用户提交的数据进行打分,最后得到申请人的信用评分,依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。

    互联网金融的大数据风控并不是完全改变传统风控,实际是丰富传统风控的数据纬度。互联网风控中,首先还是利用信用属性强的金融数据,判断借款人的还款能力和还款意愿,然后在利用信用属性较弱的行为数据进行补充,一般是利用数据的关联分析来判断借款人的信用情况,借助数据模型来揭示某些行为特征和信用风险之间的关系。

     

    互联网金融公司利用大数据进行风控时,都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估,借款人的信用风险就被揭示的更充分,信用评分就会更加客观,接近借款人实际风险。常用的互联网金融大数据风控方式有以下几种:

     

    1验证借款人身份

    验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号,借助银联数据来验证银行卡号和姓名,利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

     

    如果借款人是欺诈用户,这五个信息都可以买到。这个时候就需要进行人脸识别了,人脸识别等原理是调用国政通/公安局API接口,将申请人实时拍摄的照片/视频同客户预留在公安的身份证进行识别,通过人脸识别技术验证申请人是否是借款人本人。

     

    其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录,或者验证客户的学历证书和身份认证。

     

    2分析提交的信息来识别欺诈

    大部分的贷款申请都从线下移到了线上,特别是在互联网金融领域,消费贷和学生贷都是以线上申请为主的

    线上申请时,申请人会按照贷款公司的要求填写多维度信息例如户籍地址,居住地址,工作单位,单位电话,单位名称等。如果是欺诈用户,其填写的信息往往会出现一些规律,企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市,不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。

    如果企业发现一些重复的信息和电话号码,申请人欺诈的可能性就会很高。

    3分析客户线上申请行为来识别欺诈

    欺诈用户往往事先准备好用户基本信息,在申请过程中,快速进行填写,批量作业,在多家网站进行申请,通过提高申请量来获得更多的贷款。

    企业可以借助于SDK或JS来采集申请人在各个环节的行为,计算客户阅读条款的时间,填写信息的时间,申请贷款的时间等,如果这些申请时间大大小于正常

    客户申请时间,例如填写地址信息小于2秒,阅读条款少于3秒钟,申请贷款低于20秒等。用户申请的时间也很关键,一般晚上11点以后申请贷款的申请人,欺诈比例和违约比例较高。

    这些异常申请行为可能揭示申请人具有欺诈倾向,企业可以结合其他的信息来判断客户是否为欺诈用户。

     

    4利用黑名单和灰名单识别风险

    互联网金融公司面临的主要风险为恶意欺诈,70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回,另外的一些可以通过催收公司进行催收,M2逾期的回收率在20%左右。

     

    市场上有近百家的公司从事个人征信相关工作,其主要的商业模式是反欺诈识别,灰名单识别,以及客户征信评分。反欺诈识别中,重要的一个参考就是黑名单,市场上领先的大数据风控公司拥有将近1000万左右的黑名单,大部分黑名单是过去十多年积累下来的老赖名单,真正有价值的黑名单在两百万左右。

     

    黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户,其中很大一部分不再有借贷行为,参考价值有限。另外一个主要来源是催收公司,催收的成功率一般小于于30%(M3以上的),会产生很多黑名单。

     

    灰名单是逾期但是还没有达到违约的客户(逾期少于3个月的客户),灰名单也还意味着多头借贷,申请人在多个贷款平台进行借贷。总借款数目远远超过其还款能力。

     

    黑名单和灰名单是很好的风控方式,但是各个征信公司所拥有的名单仅仅是市场总量的一部分,很多互联网金融公司不得不接入多个风控公司,来获得更多的黑名单来提高查得率。央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台,但是很多互联网金融公司都不太愿意贡献自家的黑名单,这些黑名单是用真金白银换来的教训。另外如果让外界知道了自家平台黑名单的数量,会影响其公司声誉,降低公司估值,并令投资者质疑其平台的风控水平。

     

    5利用移动设备数据识别欺诈

    行为数据中一个比较特殊的就是移动设备数据反欺诈,公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实,另外来可以根据设备安装的应用活跃来识别多头借贷风险。

     

    欺诈用户一般会使用模拟器进行贷款申请,移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征,例如很多设备聚集在一个区域,一起申请贷款。欺诈设备不安装生活和工具用App,仅仅安装和贷款有关的App,可能还安装了一些密码破译软件或者其他的恶意软件

    欺诈用户还有可能不停更换SIM卡和手机,利用SI;6利用消费记录来进行评分;大数据风控除了可以识别出坏人,还可以评估贷款人的;按照传统金融的做法,在家不工作照顾家庭的主妇可能;常用的消费记录由银行卡消费、电商购物、公共事业费;互联网金融的主要客户是屌丝,其电商消费记录、旅游;据分析,只要客户授权其登陆电商网站,其可以借助于;7参考社会关系来评估信用情况;物以类聚,人与群分。一般情况下,信用好的人,他的朋友信用也很好。信用不好的人,他的朋友的信用分也很低,

     

    欺诈用户还有可能不停更换SIM卡和手机,利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。另外欺诈用户也会购买一些已经淘汰的手机,其机器上面的操作系统已经过时很久,所安装的App版本都很旧。这些特征可以识别出一些欺诈用户。

     

    6利用消费记录来进行评分

    大数据风控除了可以识别出坏人,还可以评估贷款人的还款能力。过去传统金融依据借款人的收入来判断其还款能力,但是有些客户拥有工资以外的收入,例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持,拥有较高的支付能力。

    按照传统金融的做法,在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款,但是其丈夫收入很高,家庭日常支出由其太太做主。这种情况,就需要消费数据来证明其还款能力了。

    常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式。例如头等舱乘坐次数,物业费高低、高尔夫球俱乐部消费,游艇俱乐部会员费用,奢侈品会员,豪车4S店消费记录等消费数据可以作为其信用评分重要参考。

    互联网金融的主要客户是屌丝,其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析,只要客户授权其登陆电商网站,其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。

     

    7参考社会关系来评估信用情况

    物以类聚,人与群分。一般情况下,信用好的人,他的朋友信用也很好。信用不好的人,他的朋友的信用分也很低,

    参考借款人常联系的朋友信用评分可以评价借款人的信用情况,一般会采用经常打电话的朋友作为样本,评估经常联系的几个人(不超过6六个人)的信用评分,去掉一个最高分,去掉一个最低分,取其中的平均值来判断借款人的信用。这种方式挑战很大,只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别,利用其经常通话的手机号在黑名单库里面进行匹配,如果命中,则此申请人的风险较高,需要进一步进行调查。

     

    8参考借款人社会属性和行为来评估信用

    参考过去互联网金融风控的经验发现,拥有伴侣和子女的借款人,其贷款违约率较低;

    年龄大的人比年龄低的人贷款违约率要高,其中50岁左右的贷款人违约率最高,

    30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人,其贷款违约率低;

    声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率高;

    贷款次数多的人,其贷款违约率低于第一次贷款的人。 

    经常不交公共事业费和物业费的人,其贷款违约率较高。

    经常换工作,收入不稳定的人贷款违约率较高。

    经常参加社会公益活动的人,成为各种组织会员的人,其贷款违约率低。

    经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

    午夜经常上网,很晚发微博,生活不规律,经常在各个城市跑的申请人,其带贷款违约率比其他人高30%。

    刻意隐瞒自己过去经历和联系方式,填写简单信息的人,比信息填写丰富的人违约概率高20%。

    借款时间长的人比借款时间短短人,逾期和违约概率高20%左右。拥有汽车的贷款人比没有汽车的贷款人,贷款违约率低10%左右。

    9利用司法信息评估风险

    涉毒涉赌以及涉嫌治安处罚的人,其信用情况不是太好,特别是涉赌和涉毒人员,这些人是高风险人群,一旦获得贷款,其贷款用途不可控,贷款有可能不会得到偿还。

    寻找这些涉毒涉赌的嫌疑人,可以利用当地的公安数据,但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在赌博场所或赌博区域例如澳门,其申请人涉赌的风险就较高。另外中国有些特定的地区,当地的有一部分人群从事涉赌或涉赌行业,一旦申请人填写的居住地址或者移动设备位置信息涉及这些区域,也要引起重视涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入,如果申请人经常换工作或者经常在某一个阶段没有收入,这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊,经常半夜在外面活动,另外也经常住本地宾馆,这些信息都可以参考移动大数据进行识别。 

    总之,互联网金融的大数据风控采用了用户社会行为和社会属性数据,在一定程度上补充了传统风控数据维度不足的缺点,能够更加全面识别出欺诈客户,评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险,将资金借给合格贷款人,保证资金的安全。

    更多相关内容
  • 大数据风控实践

    2021-06-16 07:59:31
    本课程从实践出发,系统总结互金行业个人小额信贷使用的量化风控方法和技术手段。...本课程作为入门级教程,深入浅出揭开大数据风控神秘面纱,给从业人员以参考。 主要面向对象风控政策人员/现金贷创业人员/程序员。
  • 基于知识图谱构建商业银行大数据风控体系的研究与实践.pdf
  • 大数据风控调研报告.pdf
  • 消费金融大数据风控整体解决方案
  • SAS大数据风控审批策略应用
  • 大数据风控.xmind

    2019-09-26 19:00:25
    大数据风控.xmind 贷前(精准营销等) 贷中(设备监控等) 贷后(监控等)
  • 互联网金融大数据风控全文共27页,当前为第1页。 互联网金融大数据风控全文共27页,当前为第2页。 互联网金融大数据风控全文共27页,当前为第3页。 互联网金融大数据风控全文共27页,当前为第4页。 互联网金融大数据...
  • 大数据风控 张孝昆 著
  • 介绍大数据风控背景下的反欺诈技术,包括核身、多头借贷、黑名单等
  • 大数据风控那点事儿

    2018-04-10 21:41:01
    金融大数据风控 原理。核心风控要素。个人消费金融授信的5P 原则
  • 大数据风控体系如何搭建,分为哪些架构及原理,文档中有详细解释
  • 最近两年,各行各业都在大刀阔斧的进行数字化转型,对于金融行业的信贷业务来讲,数字化转型的落脚点基本是营销、风控这两个领域,又信贷业务本身就是经营风险的业务...今天来看看做大数据风控,需要哪些基本条件。...

    不定期更新信贷大数据风控的相关内容(命名为#大数据风控手册#),一是对工作的沉淀和总结,二是为对大数据风控感兴趣的大家提供参考。今天来看看做大数据风控,需要哪些基本条件。

    欢迎加微“huaiping595468”,一起探讨风控课题。

    转载请注明出处。

    ----------------------------------------------------以下是本文正文-------------------------------------------------------

    最近两年,各行各业都在大刀阔斧的进行数字化转型,对于金融行业的信贷业务来讲,数字化转型的落脚点基本是营销、风控这两个领域,又信贷业务本身就是经营风险的业务,所以一般会花大力气落在数字化风控上。

    信贷业务风控经历了传统风控、信息化风控,目前正在加速进入数字化智能风控。每个阶段各有特点。

    传统风控——即依靠人力和纸质档案方式进行风险排查和管理;

    信息化风控——借助信息系统、电子影像等手段实现风控数据和信息的系统化,这个阶段一定程度上实现了流程的标准化,但风险排查技术和手段还是依靠人力,具有比较多的主观性;

    数字化智能风控——依靠海量大数据,运用大数据技术、数据挖掘技术,通过建设数据模型实现风险防控的一种风控方式。

    从上述特点不难发现,做大数据风控需要同时具备数据、人力、能力三个基本条件

    一、数据

    我们把数据比作人体的血液,它在业务流程中无处不在,不可或缺,在风控中更加如此。

    在风控工作中,数据的应用也随着风控的发展经历了几个阶段:

    • 使用银行内部数据

    最开始能用到的数据,大部分是客户经理收集的客户基本信息、收入信息、经营信息等。

    • 引入人行征信

    2006年由中国人民银行征信中心开发的征信报告正式上线使用,使得数据在风控方面的应用有了很大的提升,征信报告经过十多年的发展,在2020年切换到二代征信。相对于一代征信,二代征信有了扩展性、连通性、及时性等方面的提示,并对报告内容、时间长度等方面进行了优化,征信报告在反应客体的信用方面更加全面了。

    • 引入商用数据

    2014年左右,互联网+开始进入金融领域,带动着大数据蓬勃的、野蛮的发展起来,耳熟能详的数据包括:多头数据、运营商数据、消费画像、网购画像、出行、欺诈网络、工商信息、司法诉讼、税务欠税、网络舆情等等。就像互联网金融(如p2p)一样,任何事物的发展都会经历从野蛮到规范的过程,2019年开始,国家逐步升级了对数据的监管,基于数据安全和个人信息保护的原则,商用数据需要由持个人征信牌照的单位对外输出和使用。

    征信进入新时代,各地政务部门在“数据可用不可见”的基本要求下,通过征信建设、数据整合等工作,努力提高政务数据的应用效能。

    二、人力

    做数字化转型的时候,各行业基本都会引入成熟的、高级的数字化人才,借助人才的力量组建数字化团队,借助数字化团队的力量推进和落地数字化进程。大数据风控一般需要至少两类人才:风险策略、风险建模,两者是合作互补的关系。

    • 风险策略

    是一个比较综合的岗位,既要求有比较强的业务感,也要求有一定的数据分析能力。一般一套策略搭建初期需要半年到一年的时间,之后需要一段时间的风险表现和策略分析进行策略迭代,这个阶段大概需要1年到2年时间。也就是一个策略人员进行完整的一个信贷业务产品的策略搭建大概需要3年左右,又因为每个产品的客群不同,所以风险点不同,要求的风险策略也不一样。基本上需要经过3-4个产品(最好是不同业务类型,比如既有个人消费、又有小微企业等)的策略搭建,可以提炼出比较完整的策略搭建方法论,用于支撑新业务建设风险策略。所以,一个成熟的风险策略岗位需要有8-10年的持续的策略搭建经验。

    • 风险模型

    侧重于对数据的分析、挖掘,建模人员利用数据,借助算法,建立对客户的评价模型,通常是概率预测模型或评分模型。不管是哪种形式的模型,其目的都是实现对人群的分层分群。对于模型的结果需要通过数据解读给出风险策略建议。

    有了这两类人才,就可以开展基本的大数据风控业务。如果有能力,还可以吸纳产品经理、数据开发等人才。产品经理,主要是对大数据风控的产品进行调研、需求分析、产品设计和推动开发工作,这是因为无论是风险策略还是风险模型都需要有系统或平台进行承接才能实现上线并完成后续的监控。数据开发主要是对常用的数据指标进行开发和固化,为策略和模型的建设减负、提效。

    三、能力

    在上面人力部分根据不同的岗位已经提到了要求的能力,这里不再赘述。只是再强调一下,不论哪个岗位都应该深入了解业务,要与业务人员有同频对话的能力,不能业务想希望我们做一件事,我们连要做的模型的目标都get不到。始终牢记:风控来源于业务,并服务于业务。一个模型做的再花哨、再高深,如果无法应用到业务,等于零。

     

    展开全文
  • 大数据风控在做什么”是个很大的课题,先从框架上看看,所谓大数据风控包含了哪些内容。

    不定期更新信贷大数据风控的相关内容(命名为#大数据风控手册#),一是对工作的沉淀和总结,二是为对大数据风控感兴趣的大家提供参考。今天来看看做大数据风控,到底做什么。

    欢迎添加微信“huaiping595468”,一起探讨风控课题。

    转载请注明出处。

    ----------------------------------------------------以下是本文正文-------------------------------------------------------

    “大数据风控在做什么”是个很大的课题,先从框架上看看,所谓大数据风控包含了哪些内容。

    一、风控规则

    举个例子,年龄在22周岁(含)至60周岁(含)的客户才被允许申请某贷款产品。“年龄在22周岁(含)至60周岁(含)区间内”便是一条风控规则,更确切的说,这是一条单变量准入规则(只有一个变量:年龄)。

    风控规则便是由一系列的单变量规则和多变量规则组合而成。通常风控规则包含以下几类:

    (一)准入规则

    除了包括基于贷款管理办法约定的规则,例如年龄、地域、关系人、行业等基本规则,还包括行内信用表现相关规则,例如在行内当前是否逾期、是否有某类贷款余额等。

    (二)反欺诈规则

    分为个人反欺诈规则和团伙反欺诈规则,从维度上又包括设备、地址、ip等的黑名单、聚集性、变化规律、行为习惯等方面。

    (三)多头借贷防控规则

    多头借贷规则主要借助外部三方数据的多头借贷数据、人行征信的多头借贷数据进行规则的分析和设定,具体规则的阈值一方面可以参考业务经验,一方面可以用置信区间方法。

    (四)人行征信规则

    尽管近几年外部数据的应用越来越普遍,对于银行信贷业务来讲,人行征信始终处于无可替代的作用,由人行征信可以进行很多规则的建设,比如多头借贷、当前逾期、历史逾期、征信查询、收入偿债等等。

    二、风控模型

    模型是一种运用数据挖掘技术和统计分析方法,通过对客户的人口特征、信用历史记录、行为记录、交易记录等大量数据进行系统的分析,挖掘数据中蕴含的行为模式、信用特征的一种量化评分工具,可以利用借款人特征变量计算出一个数值(得分)来代表借款人的信用风险,并将借款人归类于不同的风险等级。

    在信贷全流程风控中一般包括贷前申请评分模型(a卡)、贷中行为评分模型(b卡)、贷后催收评分模型(c卡)、欺诈评分模型(f卡)四个。由于数据收集的局限性,在具体落地建设时,以a、b两卡最为常见。

    (一)模型价值

     信贷风控中引入了风控模型,使得在对客户的信用评价上,由原来的主观判断转变为客观的量化评价,减少了人工决策的偏差。由于模型运行机制的自动化和智能化,也明显的提升了业务的审批效率。

    (二)几种模型的差异

    几种模型的差异主要体现在应用场景、模型所使用的数据、运行频率几个方面。

    三、风控策略

    策略在百度百科的定义是:可以实现目标的方案集合。这一定义非常精准的描述了风控策略的含义,即风控策略是实现风险防控的风控规则、风控模型组合方案的集合。

    (一)串行策略

    举个例子,仍然以上述年龄为例,大于60周岁的客户在申请时给予“拒绝”这是一条拒绝策略;年龄在55周岁至60周岁的客户需要经过“人工审批”,这也是一条策略。

    (二)累积策略

    除了上述策略:拒绝、通过、人工审批(有时也叫做审慎审核),还可以通过对每条策略进行打分的方式进行策略制定,例如:近1个月多头借贷申请次数>7拒绝;7=>近1个月多头借贷申请次数>5,计2分,通过;5=>近1个月多头借贷申请次数>3,计1分,通过;贷申请次数<=3,直接通过。同样针对其他比如历史逾期等方面也可以设定类似策略。最后,对所有规则的策略命中的情况进行统计,例如累积命中得分>10,拒绝;累积命中得分>=8,人工审批,等等。

    对于信用评分的策略也可以用上述两种方式进行搭建,两种方法的底层框架都是决策树

    四、决策流程

    • 决策流程

    模型和策略分别建好后,如何应用到风险决策呢?这时轮到决策流程出现了。基本上决策流通过下图所示的方式将模型和规则策略串起来用于决策。

    串决策流的时候需要考虑:1、策略之间是并行还是串行;2、串行时考虑成本最小化,即将0成本、低成本的规则串在前面,随着流程往下走漏斗筛选剩下的人越少,需要调用的高成本数据也越少。

    决策流程在上线时,建议先采用abtest或冠军挑战者方法进行试验,运行一段时间并分析效果后,再进行全流量切换。

    展开全文
  • 数据是金融业务的基石,监管集中清查大数据公司...银行金融科技转型,方向很多,但最紧要可行的,还是大数据风控。万事开头难,从传统风控到大数据风控,银行做得怎样呢? 大银行相对容易,不缺用户,不缺数据,也不缺

    数据是金融业务的基石,监管集中清查大数据公司,不仅大数据公司人心惶惶,处于下游的金融机构也受池鱼之殃——尤其是那些缺乏自主风控能力的机构,甚至不得不下线或暂停贷款发放。

    数据清查终会过去,但很多东西在发生根本性改变,资金方做“甩手掌柜”的好日子不会重现。那些缺乏自主风控能力的金融机构,在未来的行业竞争中,恐无以立足了。

    大数据风控,该从何抓起?

    银行金融科技转型,方向很多,但最紧要可行的,还是大数据风控。万事开头难,从传统风控到大数据风控,银行做得怎样呢?

    大银行相对容易,不缺用户,不缺数据,也不缺人才。传统零售业务足够强势,有足够的空间和时间推新产品、小步快跑做实验,模型先跑起来,慢慢完善,自主风控能力就算有了。

    难的是小银行,尤其是偏居低线城市的农商行、城商行,没数据、没人才,存量用户也缺乏互联网属性,线下迁线上都难,更何论做新业务的试验田。这类银行的科技转型往往陷入两个误区:

    一是做助贷和联合贷款的资金方,虽独立决策却无力决策,至多花钱请人搭一套模型做做样子,缺乏数据输入,也没有模型迭代,只为满足合规要求;

    二是被风控外包厂商的一站式方案吸引,“三天对接、一周上线”,上线后却不管不问,做了甩手掌柜。

    一旦陷入这两个误区,无论转型多少年,银行的自主风控能力仍等于零。是助贷和联合贷款害了这些银行吗?非也,助贷平台提供初步风控审查,降低了金融机构二次风控压力,可若金融机构因此不再做二次风控,却也怨不得别人,要从自己身上找原因。

    一些银行缺乏转型意愿,管理层只想在任期内靠助贷做做业绩,不计长远,那也只能这样了,装睡的人,不妨继续睡吧;如果还愿意为长期发展着急,当务之急,就是行动起来,迈出第一步。

    大数据风控,说到底就两项,一是数据,一是风控模型。

    (1)数据

    数据分为内部数据、外部数据;也可分为历史数据和实时数据,后者包括用户设备信息、位置信息、业务交互信息等。

    对小银行而言,随着数据环境趋严,全面拓展外部数据源的必要性愈发有限,一则是信息隐私踩雷风险,二则是业务量有限,盲目撒网在经济上吃不消,按需索求更为现实。

    小银行要做的,是激活内部数据,用好实时数据。激活内部数据,涉及到打破部门壁垒,构建数据中台,形成统一的用户视图;而用好实时数据,要靠专业人才,把这些数据融入到业务流程和风控模型中去。

    这两项工作,考验的不是财力,而是决心和执行力。

    (2)风控模型

    大数据风控不仅仅指信用评分、反欺诈等贷前审查环节,而是一套流程体系,涵盖从用户入口端的精准营销到贷后回款或催收管理的全流程。

    一般来讲,只要夯实了内部数据基础,再结合外部黑灰名单和各类信用评分数据,要防范信用风险并不难,真正的难点在欺诈风险。

    欺诈风险多为团伙作案,在攻防对抗中,实力虽弱于一线巨头,但面对小型银行未必处于下风。加上欺诈团伙多从业务漏洞着手,一朝得手,往往金额很大,令金融机构防不胜防。从实践中看,无论是行业巨头还是中小银行,在反欺诈方面均需借助第三方公司的辅助支持。

    应把握的几个原则

    在建设自主风控能力的过程中,中小银行还应注意几个原则。

    (1)因地制宜,构建差异化能力,不求大求全

    在新的行业环境和监管环境下,无差异化大干快上的时代已经过去。中小银行在战略层面必须聚焦差异化,业务差异化,必然要求风控能力差异化。

    业务层面,要聚焦场景金融,关注消费用途;相应地,在风控层面,要夯实场景风控。从过往教育分期、租房分期等场景贷风波看,场景方的欺诈、乱收费、跑路往往是乱象之源。

    在场景贷业务中,金融机构的惯常做法是与场景方合作获客,却又疏于准入管理和贷后规范,致使风险不断。其实场景方多集中在线下,具有较强的区域色彩,区域银行深耕区域场景,只要愿意做,还是有优势的。

    用户层面,本地客户先行;在数据获取上,可重点发力本地社保、公积金、个税、房产、车产等信息,在区域市场建立数据优势,不必求大求全。

    (2)急用先行,重视反欺诈能力建设

    业务上线后,信用风控模型可以慢慢迭代优化,反欺诈能却等不得,一开始就要用最好的,否则根本吃不消。这个时候,就必须借助第三方反欺诈公司的力量,融合到自主风控的建设能力中。

    据业务安全公司顶象发布的《“关联网络+反团伙欺诈”白皮书》总结,信贷欺诈主要包括中介包装、资金用途挪用、信用卡养卡套现、伪冒骗贷和团伙骗贷等几种,其中团伙欺诈尤其难缠。数据显示,国内网络欺诈从业者超过200万,每年造成经济损失近千亿,其中仅针对金融机构的欺诈团伙就有3万多个。

    反欺诈手段,大致分为三类,一是通过活体识别、设备指纹、位置核验等核验身份、比对认证;二是对接黑灰名单及运营商、房产、车产、征信等外部数据核验;三是技术层面反欺诈,包括构建基于用户行为和业务流程的风险特征库,以及利用关联网络技术进行异常侦测。其中,关联网络最考验综合实力。

    以顶象关联网络为例。基于金融机构自身的数据积累,结合内部数据和业务场景、业务逻辑、产品流程、客群特征等做定制化设计,构建可视化和交互式监控平台,帮助金融机构搭建自主可控的风控体系。

    由于与金融机构内部数据关联,这样建设好的风控体系不仅可用于营销反欺诈、申请反欺诈、交易反欺诈、账户安全和数据反爬等纵深防御能力,本身也是实用的客户关系画像体系,在精准营销、交叉营销等方面也有用武之地。

    (3)构建敏捷组织,打破部门银行藩篱

    建设风控模型,可归为风控部门的事,但激活内部数据,则是全行的事,需打破部门壁垒,确保战略落地。这背后,涉及到部门利益协调、考核体系梳理、组织惰性激活、包容文化构建等一系列大问题。

    这些问题,哪个都不易解决,但都不得不解决,否则不仅科技转型没有着落,即便仅仅是大数据风控建设,也会很快遇到瓶颈。

    除上述几个原则外,在大数据风控能力建设过程中,银行还会持续面临来自流程重组、团队建设、成本投入、监管合规等方面的挑战,需持续予以关注。

    新环境、新挑战

    作为一句口号,大数据风控已经喊了很多年。“狼来了”喊久了,危机感也就淡了,人们开始把它视作某种“重要而不紧急的事情”,不断给一些短期事务让路,一拖再拖、原地踏步。

    “一鼓作气,再而竭,三而衰”,当一件事持续几年缺乏重要进展时,大家也就疲了,这个时候,除非有大刺激,否则这事基本也就这样了。

    所幸,这种大刺激不远了。

    数据环境生变还只是前菜,后续,随着牌照监管收紧、合规阀门扎紧,大量的中小放贷机构会退出市场,多头借贷群体资金链断裂,逾期率会趋势性抬头。届时,助贷机构既兜不了底、也不敢再兜底,相应地,那些缺乏独立风控能力的资金方,做不了业务、也不敢做业务。

    中小银行要意识到,“搭助贷风控便车、做甩手资金方”的好日子正在远去,一去不回。再没有点紧迫性,真的来不及了。

    展开全文
  • 杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.docx杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.docx杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.docx杭州大数据风控行业数据挖掘工程师岗位介绍JD模板....
  • 杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.pdf杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.pdf杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.pdf杭州大数据风控行业数据挖掘工程师岗位介绍JD模板.pdf...
  • 银行大数据风控能力建设与实践.docx银行大数据风控能力建设与实践.docx银行大数据风控能力建设与实践.docx银行大数据风控能力建设与实践.docx银行大数据风控能力建设与实践.docx银行大数据风控能力建设与实践.docx...
  • 银行大数据风控能力建设与实践.pdf银行大数据风控能力建设与实践.pdf银行大数据风控能力建设与实践.pdf银行大数据风控能力建设与实践.pdf银行大数据风控能力建设与实践.pdf银行大数据风控能力建设与实践.pdf银行...
  • 导读:大数据风控业务的开展依赖智能风控平台,智能风控平台的技术基础是大数据技术,智能风控系统技术架构也是以大数据系统技术架构为基础演进而来的。智能风控系统技术架构主要分为访问层、展现层、系...
  • 与此同时 ,业务种类每年都在递增,依靠传统的专家规则评分卡模型很难应付复杂的风控场景,亟待借助大数据、实时计算、知识图谱等高新技术打造高质量的授信能力。另外,业务运营、操作流程、员工异常行为、资产及...
  • 互联网金融大数据风控.ppt该文档详细且完整,值得借鉴下载使用,欢迎下载使用,有问题可以第一时间联系作者~
  • 智能风控和评分卡二、机器学习介绍1.概念2.分类三、评分卡模型介绍1.申请评分卡2.读入数据总结 前言 提示: 这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,...
  • 大数据风控与权益保护研究报告
  • 大数据风控系统全面解决方案.pdf
  • 大数据风控九大技巧.pptx
  • 携程大数据风控实践.pdf
  • 大数据风控系统概述

    千次阅读 2020-01-19 10:14:06
    为什么要做风控系统 不做的话,会有以下风险: 各种小号、垃圾账号泛滥 撞库攻击、盗号、毁号、拖库等 拉新 10w 留存率不到 5% 百万营销费用,却增加不了用户粘性 投票票数差距非常悬殊 各种榜单被垃圾账号占领 ...
  • Python金融大数据风控建模实战

    千次阅读 2021-05-26 10:21:41
    Python金融大数据风控建模实战 Python金融大数据风控建模实战 https://blog.csdn.net/qq_40844276 原创《Python金融大数据风控建模实战》 第18章 模型融合 《Python金融大数据风控建模实战》 第18章 模型...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 15,730
精华内容 6,292
关键字:

大数据风控