互联网金融做大数据风控九种维度.docx

《互联网金融做大数据风控九种维度.docx》由会员分享，可在线阅读，更多相关《互联网金融做大数据风控九种维度.docx（8页珍藏版）》请在第壹文秘上搜索。

1、互联网金融做大数据风控的九种维度在互联网金融迅猛发展的背景下.风险限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.大数据风控究竟是怎么一回事呢？及传统风控相比，它又是怎样来进行风险识别的呢？本文对此进行了探讨.大数据笺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,典型的场景是商品举荐和精准广告投放,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,风控是全部金融业务的核心。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、以及票据融资都须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

2、属住强大的金融数据，一般采纳20个纬度左右的数据，利用评分来识别客户的还款实力和还款意愿。信用相关程度强的数据纬度为十个左右，包含年舲,职业、收入、学历、工作单位、借贷状况、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,最终得到申请人的信用评分,依据评分来确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变更传统风控,实际是丰?三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,推断借款人的还款实力和还款意愿,然后在利用信用,腐性较弱的行为数据进行补充,一般

3、是利用数据的关联分析来推断借款人的信用状况，借助数据模型来揭示某些行为特征和信用风陵之间的关系。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检。同信用相关的数据越多地破用于借款人风险评估,借款人的信用风险僦极揭示的更充分,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龄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、假行卡号、家庭地址。企业可以借助国政通的数据来脸证姓名、身份证号.借助银联数据来蛉证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。假如借款人是欺诈用户,这五个信息都可以买到。这个

4、时候就须要进行人脸识别了,人脸识别等原理是调用国政通/公安局AP1.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A1.t来识别欺诈大部分的贷款申请都从线下移到了战上，特殊是在互联网金融领域.消费贷和学生货都是以线上申请为主的.线上申清时,申请人会依据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。假如是欺诈用户，其填写的信息往往会出现一些规律，企业可依据异样填写记录来识别欺诈。例如填写

5、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.假如企业发觉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分析事户线上申请行为来识别欺诈欺诈用户往往事先打算好用户基本信息,在申请过程中，快速进行填写，批作业，在多家网站进行申请，通过提高申请量来获洱更多的贷款.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，假如这些申请时间大大小于正常客户申请时间，例如域写地址信息小于2秒,阅读条款少于3秒仲,

6、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。这些异样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推断客户是否为欺诈用户.4利用祟名单利灰名单识别风融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,歪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

7、100o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货、线上P2P、信用卡公司、小颔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,催收的胜利率一般小于于30%（M3以上的），会产生许多黑名单.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实力。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的一部分,许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

8、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，但是许多互联网金砧公司都不太情愿贡献自家的黑名单,这些黑名单是用真金白银换来的教训。另外假如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利用移动设警数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厦信息来验证客户提交的工作地和生活地是否真实.另外来可以依据设备安装的应用活跃来识别多头信贷风险。欺诈用户一般会运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运用模拟器。欺诈用户也有一些典型特征，例如许多设备聚集在一个区域,一起

9、申请贷款。欺诈设备担心装生活和工具用App,仅仅安装和贷款有关的App.可能还安装了一些宓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实力。过去传统金微依据借款人的收入来推断其还款实力,但是有些客户拥有工资以外的收入,例如投资收入、减问询问收入等.另外一些客户可能从父母、伴侣、挚友那里获得其他的财政支持,拥有

10、较高的支付实力。依据传统金融的做法，在家不工作照看家庭的主妇可能还款实力较弱.无法给其供应贷款，但是其丈夫收入很高,家庭日常支出由其太太做主。这种状况，就须要消费数据来证明其还款实力了。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。例如头等能乘坐次数.物业费凹凸、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点要参考。互联网金融的主要客户是篇丝.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。有的互联金融公司特地从事个人电商消费数据分析，只要客

11、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状况物以类聚,人及群分。一般状况下，信用好的人，他的挚友信用也很好。信用不好的人,他的单友的信用分也很低，参考借款人常联系的球友信用评分可以评价借款人的信用状况，一般会果纳常常打电话的挚友作为样本.评怙常常联系的几个人（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，取其中的平均值来推断借款人的信用。这种方式挑战很大，只是依非手机号码来推断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其常常通话的手机号在黑名单库里面进行匹配,假如命中，则此申请人的风险较高.须要进一步进行调查

12、.8*借款人社会性和行为来评估Ii用参考过去互联网金融风控的阅历发觉，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。费款用于家庭消费和教化的贷款人，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1万5千的人货款违约率高；货款次数多的人，其贷款违约率低于第一次货款的人。常常不交公共事业费和物业费的人,其贷款违约率较高.常常换工作，收入不稳定的人贷款违约率较高。常常参与社会公益活动的人，成为各种蛆织会员的人，其贷款违约率低。常常更换手机号码的人贷款违约率比始终运用一个电话号码的人高许多.午夜常常上

13、网,很晚发微博，生活不规律，常常在各个城市跑的申请人，其带贷款违约率比其他人高30%0刻意隐瞒自己过去经验和联系方式，填写简洁信息的人，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修涉毒涉赌以及涉嫌治安惩罚的人.其信用状况不是太好，特殊是涉赌和涉毒人员,这些人是高风险人群，一旦荻得货款，其货款用途不行控，贷款有可能不会得到偿还。找寻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.也可以采纳移动设备的位置信息来进行肯定程度的识别。假如设备常常在半夜出现在

14、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麓信息涉及这些区域，也要引起束视。涉赌和涉雳的人员工作一般也不太稳定或者没有固定工作收入，你如申请人常常换工作或者常常在某一个阶段没有收入，这种状况须要引起重视。涉赌和涉毒的人活动规律比较特殊.常常半夜在外面活动,另外也常常住本地宾馆,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纳了用户社会行为和社会属性数据，在肯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，评价客户的风检水平。互联网金电企业通过分析申请人的社会行为数据来限制信用风险，将资金借给合格贷款人，保证资金的平安.