精华内容
下载资源
问答
  • 疫情期间,在公共场所怎样有效的进行防疫防护工作是人们关注的焦点,受近期北京突发疫情的影响,各地防控等级逐步提升,更为注重各公共场所的体温测量和筛检工作。近期,人脸识别测温一体机应用广泛,那在公共场所...

    疫情期间,在公共场所怎样有效的进行防疫防护工作是人们关注的焦点,受近期北京突发疫情的影响,各地防控等级逐步提升,更为注重各公共场所的体温测量和筛检工作。近期,人脸识别测温一体机应用广泛,那在公共场所方面有哪些场景?
    在这里插入图片描述

    公共场所测温场景应用

    1. 在学校、社区、写字楼、园区等出入场景可设置人脸识别测温一体机实现体温测温应用。进出各个场所的人员都需要测量体温,该设备的应用可实现“刷脸”测温,快速筛查体温异常人员。
    2. “刷脸测温”无需与设备直接接触,与传统测温相比更为快速,降低人员滞留、聚集的风险,提高疫情防控工作的安全性和效率。

    公共场所门禁场景应用

    1. 在学校、社区、企业等出入场景安装人脸识别测温一体机,可通过人脸识别系统升级传统门禁,实现智能门禁管理、考勤管理和访客管理。
    2. 在门禁管理方面,提前在系统录入相关人员的人脸等信息,建立数据库,人员在出入场景时即可“刷脸”通行,比如在社区。对于非社区人员,系统识别到陌生人可有效拦截,同时预警提示安保人员处理。
    3. 在企业、学校应用该设备,人员刷脸进出的同时进行人脸识别考勤。系统精准记录人员考勤数据,“刷脸”考勤可有效保证人员考勤数据和人员身份的一致性,防止考勤作弊的现象,提高考勤管理效率。
    4. 同时可结合访客系统,对外来人员进行访客管理。人员来访客通过访客系统进行线上预约登记信息,或是现场采集身份信息及人脸等信息进行系统录入登记。访客即可在人脸识别测温一体机上刷脸通行,记录访客来访记录,方便进行访客管理。

    公共场所身份验证应用

    在车站、高铁站、火车站等场景可部署人脸识别测温一体机进行身份验证应用。通过使用人脸识别系统对进站通行的旅客识别身份,验证身份证车票等多项方式核实身份,防止他人冒充。有效提高身份核验效率,使身份验证更精准,节省时间。

    人脸识别测温一体机适合应用在各个场景,疫情期间实现测温防疫防护工作应用,在平时可以实现门禁考勤、访客管理等智能应用,根据场景需求在刷脸进出的用时实现更多功能应用。

    展开全文
  • 与传统风控相比,它又是怎样进行风险识别的呢?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...

    前言

    在互联网金融迅猛发展的背景下,风险控制问题已然成为行业焦点,基于大数据的风控模型正在成为互联网金融领域的热门战场。那么,大数据风控到底是怎么一回事呢?与传统风控相比,它又是怎样来进行风险识别的呢?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:

    一、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。

    二、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。

    三、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。

    四、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。

    五、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。

    六、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。

    七、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。

    八、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。

    九、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。

    总结

    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。

    展开全文
  • 有研究者对全球1000多位总监、经理、首席信息安全官、首席安全官、首席技术官进行了一项独立调查,超过一半(51%)的受访者表示他们的组织需要三个多小时才能检测和识别一次DDoS攻击。自2016年以来,这些数字变得...

    随着互联网技术的发展,DDoS防护的难度也不断加大,现在许多商业组织难以及时有效地检测分布式拒绝服务(DDoS)攻击,大部分组织每分钟的停机成本可能超过500美元,这并不只是风险。DDoS越来越被用作更广泛的攻击活动的一部分,这些攻击活动包括以窃取重要信息资产为目标的勒索软件和下载型恶意软件。
    有研究者对全球1000多位总监、经理、首席信息安全官、首席安全官、首席技术官进行了一项独立调查,超过一半(51%)的受访者表示他们的组织需要三个多小时才能检测和识别一次DDoS攻击。自2016年以来,这些数字变得越发严重。接近一半(48%)的受访者表示,检测到DDoS攻击后他们需要三个多小时进行DDoS防护响应,较2016年增加了8%。
    DDoS攻击的规模和频率发生了巨大变化,更重要的是,攻击变得越来越复杂,持续时间也发生了变化,因此相应的DDoS防护也越来越困难。例如,根据NETSCOUT Arbor的第13次年度《全球基础设施安全报告》,2017年,DDoS攻击的平均持续时间为46分钟左右,较前一年的55分钟有所降低,但持续时间缩短并不等于风险降低,因为攻击产生的影响会延续更长时间。例如,一个前端网站遭到了DDoS攻击,依靠它进行通信的多个后端系统可能会用30多分钟进行同步并恢复正常。而且与恶意软件在组织内部一次潜伏好几个月不同,DDoS攻击在攻击前没有警告,对组织产生的是直接影响。
    对于DDoS攻击越来越高的复杂性,从利用物联网(IoT)的多层僵尸网络的出现便可窥见一斑。连接到互联网的数百万不安全设备为大规模的动态僵尸网络创造了绝佳的“繁殖环境“,这让传统的防护策略难以招架。据估计,仅Mirai一种僵尸网络就危害了全球50多万台IoT设备。
    僵尸网络不仅能发起大容量攻击,而且会形成更为复杂的混合攻击,包括:
    • SYN洪水攻击
    • UDP洪水攻击
    • 阀蒸汽机(VSE)查询洪水攻击
    • GRE洪水攻击
    • CK洪水攻击(包括旨在破坏智能DDoS缓解系统的变体,或IDMSes)
    • 伪随机DNS标签内容添加攻击(也称为DNS“水刑”攻击)
    • HTTP GET攻击
    • HTTP POST攻击
    • HTTP HEAD攻击
    这些攻击技术远远超过直白的容量耗尽攻击,Mirai及其衍生攻击可以同时对以下目标发起攻击:
    • GRE隧道(在一些DDoS防护的缓解架构中用于清洗流量)
    • 可能受到攻击的第三方向量(如DNS服务)
    • 直接通过第7层(HTTP GET/POST)实施的应用
    所以,DDoS防护在面对巨大变化的DDoS防护时也需要及时跟进升级,这样才能更有效的保护企业网站或服务器的安全运行。
    本文转自:http://www.heikesz.com/ddos1/3980.html

    展开全文
  • 与传统风控相比,它又是怎样进行风险识别的呢?本文对此进行了探讨。 大数据能够进行数据变现的商业模式目前就是两个, 精准营销:典型的场景是商品推荐和精准广告投放, 大数据风控:典型的场景是互联网金融的...

    在互联网金融迅猛发展的背景下,风险控制问题已然成为行业焦点,基于大数据的风控模型正在成为互联网金融领域的热门战场。那么,大数据风控到底是怎么一回事呢?与传统风控相比,它又是怎样来进行风险识别的呢?本文对此进行了探讨。

    大数据能够进行数据变现的商业模式目前就是两个,

    精准营销:典型的场景是商品推荐和精准广告投放,
    大数据风控:典型的场景是互联网金融的大数据风控。

    一、传统金融

    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。

    二、互联网金融

    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。

    三、九大方式

    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。

    展开全文
  • 在互联网金融迅猛发展的背景下,风险控制问题已然成为行业...与传统风控相比,它又是怎样进行风险识别的呢?本文对此进行了探讨。   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,
  • 与传统风控相比,它又是怎样进行风险识别的呢?本文对此进行了探讨。 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...
  • 项目管理精华总结

    2015-10-11 21:30:00
    老师展示的是这样的一张图: 这就是项目管理的九大领域:整合管理、...整合管理:包括识别、确定、结合、统一与协调各项目管理过程组内不同过程与项目管理活动所需进行的各种过程和活动。 范围管理:确保项目...
  • PMBok项目管理

    2013-11-07 14:48:00
    这就是项目管理的九大领域:整合管理、范围管理、时间管理...●整合管理:包括识别、确定、结合、统一与协调各项目管理过程组内不同过程与项目管理活动所需进行的各种过程和活动。 ●范围管理:确保项目包括成功...
  • “项目是怎样延迟了整整一年的时间?…一次一天。” 我认为对于开发团队,尤其是学生组成的开发团队,最大的风险就是拖延。我们经常习惯于把未完成的任务拖到第二天甚至更往后(比如这次我博客的发布),然而,一天...
  • 软件工程教程

    热门讨论 2012-07-06 23:10:29
    降低软件开发风险 有效地应对需求变更 何时使用迭代开发? 只对希望成功的项目使用 项目二 统一建模语言UML 任务1 UML概述任务2 UML静态建模任务3 UML动态建模 任务1 UML概述 UML的概念 UML的发展 UML的主要内容...
  • 2.4.2 实际中怎样识别AR模型 40 2.4.3 拟合优度 46 2.4.4 预测 47 2.5 简单滑动平均模型 50 2.5.1 MA模型的性质 51 2.5.2 识别MA的阶 52 2.5.3 估计 53 2.5.4 用MA模型预测 54 2.6 简单的ARMA模型 55 ...
  • 3.7 识别导出文件的字符集 161 3.8 使用csscan辅助字符集转换 166 3.9 乱码的产生 167 3.9.1 NLS_LANG字符集与数据库字符集不同 168 3.9.2 NLS_LANG字符集和数据库字符集相同 169 3.10 “靠”字的困惑 ...
  • A) 软件需求 B) 软件设计 C) 风险分析 D) 软件实 现 5. 下列属于面向对象开发方法的是(A B C D)。 A) Booch B) UML C) Coad D) OMT 6. 软件危机的主要表现是(B D)。 A) 软件成本太高 B) 软件产品的质量...
  • 其次列为综合课程,因为它把各门职能课程结合在一起,不仅阐明了各种职能在企业争取达到经营目标的过程中如何相互作用,而且指出了企业与其所处的环境怎样互相影响。 表2.1.2 企业管理学的学科分类 ────...
  • 无论你怎样做组件,都会有人给你抱怨:要是这里支持 xxx 参数就好了。 毕竟使用了组件,就一定不如自己定制的拓展性更强,节省了劳动力,就要付出被约束的代价,Fit 作为一个...

空空如也

空空如也

1 2
收藏数 26
精华内容 10
关键字:

怎样进行风险识别