大數據應用風控

Ⅰ 如何利用大數據做金融風控

大數據能夠進行數據變現的商業模式目前就是兩個，一個是精準營銷，典型的場景是商品推薦和精準廣告投放，另外一個是大數據風控，典型的場景是互聯網金融的大數據風控。

金融的本質是風險管理，風控是所有金融業務的核心。典型的金融借貸業務例如抵押貸款、消費貸款、P2P、供應鏈金融、以及票據融資都需要數據風控識別欺詐用戶及評估用戶信用等級。

傳統金融的風控主要利用了信用屬性強大的金融數據，一般採用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意願。信用相關程度強的數據 緯度為十個左右，包含年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等，金融企業參考用戶提交的數據進行打分，最後得到申請人 的信用評分，依據評分來決定是否貸款以及貸款額度。其他同信用相關的數據還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。普惠在線

互聯網金融的大數據風控並不是完全改變傳統風控，實際是豐富傳統風控的數據緯度。互聯網風控中，首先還是利用信用屬性強的金融數據，判斷借款人的還 款能力和還款意願，然後在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，藉助數據模型來揭示某些行為特徵和信用 風險之間的關系。

互聯網金融公司利用大數據進行風控時，都是利用多維度數據來識別借款人風險。同信用相關的數據越多地被用於借款人風險評估，借款人的信用風險就被揭示的更充分，信用評分就會更加客觀，接近借款人實際風險。

常用的互聯網金融大數據風控方式有以下幾種：

驗證借款人身份
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以藉助國政通的數據來驗證姓名、身份證號，藉助銀聯數據來驗證銀行卡號和姓名，利用運營商數據來驗證手機號、姓名、身份證號、家庭住址。

如果借款人是欺詐用戶，這五個信息都可以買到。這個時候就需要進行人臉識別了，人臉識別等原理是調用國政通／公安局 API介面，將申請人實時拍攝的照片／視頻同客戶預留在公安的身份證進行識別，通過人臉識別技術驗證申請人是否是借款人本人。

其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。
分析提交的信息來識別欺詐

大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸和學生貸都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往 往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相 同、單位名稱相同、甚至居住的樓層和號碼都相同。還有一些填寫假的小區、地址和單位名稱以及電話等。

如果企業發現一些重復的信息和電話號碼，申請人欺詐的可能性就會很高。

分析客戶線上申請行為來識別欺詐

欺詐用戶往往事先准備好用戶基本信息，在申請過程中，快速進行填寫，批量作業，在多家網站進行申請，通過提高申請量來獲得更多的貸款。

企業可以藉助於SDK或JS來採集申請人在各個環節的行為，計算客戶閱讀條款的時間，填寫信息的時間，申請貸款的時間等，如果這些申請時間大大小於 正常客戶申請時間，例如填寫地址信息小於2秒，閱讀條款少於3秒鍾，申請貸款低於20秒等。用戶申請的時間也很關鍵，一般晚上11點以後申請貸款的申請 人，欺詐比例和違約比例較高。

這些異常申請行為可能揭示申請人具有欺詐傾向，企業可以結合其他的信息來判斷客戶是否為欺詐用戶。
利用黑名單和灰名單識別風險

互聯網金融公司面臨的主要風險為惡意欺詐，70%左右的信貸損失來源於申請人的惡意欺詐。客戶逾期或者違約貸款中至少有30%左右可以收回，另外的一些可以通過催收公司進行催收，M2逾期的回收率在20％左右。

市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。

黑名單來源於民間借貸、線上P2P、信用卡公司、小額借貸等公司的歷史違約用戶，其中很大一部分不再有借貸行為，參考價值有限。另外一個主要來源是催收公司，催收的成功率一般小於於30%（M3以上的），會產生很多黑名單。

灰名單是逾期但是還沒有達到違約的客戶（逾期少於3個月的客戶），灰名單也還意味著多頭借貸，申請人在多個貸款平台進行借貸。總借款數目遠遠超過其還款能力。

黑名單和灰名單是很好的風控方式，但是各個徵信公司所擁有的名單僅僅是市場總量的一部分，很多互聯網金融公司不得不接入多個風控公司，來獲得更多的 黑名單來提高查得率。央行和上海經信委正在聯合多家互聯網金融公司建立統一的黑名單平台，但是很多互聯網金融公司都不太願意貢獻自家的黑名單，這些黑名單 是用真金白銀換來的教訓。另外如果讓外界知道了自家平台黑名單的數量，會影響其公司聲譽，降低公司估值，並令投資者質疑其平台的風控水平。

利用移動設備數據識別欺詐
行為數據中一個比較特殊的就是移動設備數據反欺詐，公司可以利用移動設備的位置信息來驗證客戶提交的工作地和生活地是否真實，另外來可以根據設備安裝的應用活躍來識別多頭借貸風險。

欺詐用戶一般會使用模擬器進行貸款申請，移動大數據可以識別出貸款人是否使用模擬器。欺詐用戶也有一些典型特徵，例如很多設備聚集在一個區域，一起 申請貸款。欺詐設備不安裝生活和工具用App，僅僅安裝和貸款有關的App，可能還安裝了一些密碼破譯軟體或者其他的惡意軟體。

欺詐用戶還有可能不停更換SIM卡和手機，利用SIM卡和手機綁定時間和頻次可以識別出部分欺詐用戶。另外欺詐用戶也會購買一些已經淘汰的手機，其機器上面的操作系統已經過時很久，所安裝的App版本都很舊。這些特徵可以識別出一些欺詐用戶。

利用消費記錄來進行評分

大會數據風控除了可以識別出壞人，還可以評估貸款人的還款能力。過去傳統金融依據借款人的收入來判斷其還款能力，但是有些客戶擁有工資以外的收入，例如投資收入、顧問咨詢收入等。另外一些客戶可能從父母、伴侶、朋友那裡獲得其他的財政支持，擁有較高的支付能力。

按照傳統金融的做法，在家不工作照顧家庭的主婦可能還款能力較弱。無法給其提供貸款，但是其丈夫收入很高，家庭日常支出由其太太做主。這種情況，就需要消費數據來證明其還款能力了。

常用的消費記錄由銀行卡消費、電商購物、公共事業費記錄、大宗商品消費等。還可以參考航空記錄、手機話費、特殊會員消費等方式。例如頭等艙乘坐次數，物業費高低、高爾夫球俱樂部消費，遊艇俱樂部會員費用，奢侈品會員，豪車4S店消費記錄等消費數據可以作為其信用評分重要參考。

互聯網金融的主要客戶是屌絲，其電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。

參考社會關系來評估信用情況

物以類聚，人與群分。一般情況下，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，

參考借款人常聯系的朋友信用評分可以評價借款人的信用情況，一般會採用經常打電話的朋友作為樣本，評估經常聯系的幾個人（不超過6六個人）的信用評分，去掉一個最高分，去掉一個最低分，取其中的平均值來判斷借款人的信用。這種方式挑戰很大，只是依靠手機號碼來判斷個人信用可信度不高。一般僅僅用於反欺詐識別，利用其經常通話的手機號在黑名單庫裡面進行匹配，如果命中，則此申請人的風險較高，需要進一步進行調查。

參考借款人社會屬性和行為來評估信用

參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高，其中50歲左右的貸款人違 約率最高，30歲左右的人違約率最低。貸款用於家庭消費和教育的貸款人，其貸款違約率低；聲明月收入超過3萬的人比聲明月收入低於1萬5千的人貸款違約率 高；貸款次數多的人，其貸款違約率低於第一次貸款的人。

經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。

午夜經常上網，很晚發微博，生活不規律，經常在各個城市跑的申請人，其帶貸款違約率比其他人高30%。刻意隱瞞自己過去經歷和聯系方式，填寫簡單信 息的人，比信息填寫豐富的人違約概率高20%。借款時間長的人比借款時間短短人，逾期和違約概率高20%左右。擁有汽車的貸款人比沒有汽車的貸款人，貸款 違約率低10%左右。

利用司法信息評估風險

涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。

尋找這些涉毒涉賭的嫌疑人，可以利用當地的公安數據，但是難度較大。也可以採用移動設備的位置信息來進行一定程度的識別。如果設備經常在半夜出現在 賭博場所或賭博區域例如澳門，其申請人涉賭的風險就較高。另外中國有些特定的地區，當地的有一部分人群從事涉賭或涉賭行業，一旦申請人填寫的居住地址或者 移動設備位置信息涉及這些區域，也要引起重視。涉賭和涉毒的人員工作一般也不太穩定或者沒有固定工作收入，如果申請人經常換工作或者經常在某一個階段沒有 收入，這種情況需要引起重視。涉賭和涉毒的人活動規律比較特殊，經常半夜在外面活動，另外也經常住本地賓館，這些信息都可以參考移動大數據進行識別。

總之，互聯網金融的大數據風控採用了用戶社會行為和社會屬性數據，在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，評價客戶的風險水平。互聯網金融企業通過分析申請人的社會行為數據來控制信用風險，將資金借給合格貸款人，保證資金的安全。

Ⅱ 大數據風控在金融科技中的應用和問題

大數據風控在金融科技中的應用和問題
一、為什麼要用大數據風控？
不論是銀行還是消費金融公司，互聯網小貸公司等其他金融機構，金融機構普遍有風控需求，底層業務邏輯幾乎完全相同，只是面對客群，金融產品、風險偏好存在差異。
銀行等傳統機構本質上是風險經營。一方面，監管層對金融機構的風控能力提出很高要求， 另一方面，風控直接會影響金融機構的利潤水平。
因此，大數據風控直接解決金融機構的核心需求，價值度最大。大數據風控能夠能夠在用戶畫像，反欺詐，信用評級等方面大大提高金融機構的效率和風控能力，是金融企業發展過程中必須結合的一項科技手段。
二、大數據產業情況介紹
目前大數據行業主要有三類玩家：
以人行徵信、鵬元徵信、前海徵信、銀聯智策為主的數據機構，他們特點是和傳統的銀行，公安部，工商局，航空公司，社保局等國家機關合作，提供公民基本身份證信息、銀行卡信息、航空出行信息、企業工商信息等，他們的特點是對外提供數據查詢，數據豐富有價值，缺點是風控產品偏弱。以螞蟻金服、騰訊徵信、網路金融為主的互聯網公司，他們的特點是各自都有一塊基於電商、社交、搜索的巨量數據，同時一些外部數據，形成自己的風控產品和數據輸出能力，這些互聯網公司剛開始只是和自己的戰略合作企業合作輸出風控，現在也慢慢對外提供2B的風控產品。同盾科技、百融金服、幫盛科技、聚信立、數美科技等創業技術公司，在互聯網巨頭還沒有對外提供風控技術和傳統數據機構風控技術還不強的時候，他們的出現彌補了P2P金融和現金貸對風控產品的巨大需求，他們的數據是整合多方數據源，不斷的為2B企業提供風控模型和數據，並且獲得了一些網貸數據積累。
三、大數據風控的覆蓋流程
大數據覆蓋信貸領域各個流程，重點是獲客、身份驗證和授信環節，貸中後環節。
獲客環節建立用戶畫像，跟蹤用戶完整生命周期；身份驗證環節，通過身份驗證，活體識別等技術解決申請人是否本人的問題，關聯分析則是利用圖關聯技術，找出欺詐團伙；授信環節匯聚多方數據源，通過建模進行風險定價，金融科技服務商輸出信用評分給機構使用；貸中後環節，主要是排查異常客戶，及時報警，以及逾期客戶失聯修復等。

大數據在信貸過程中的應用
四、大數據風控的價值點分析

1.數據
大數據風控中什麼是最重要的？
答案是：數據。
數據的大數據風控中的核心中的核心，沒有什麼比數據直接告訴金融機構某個目標客戶是黑名單客戶，逾期嚴重客戶更簡單和高效的事情了。
數據最好能有海量數據，覆蓋足夠多的用戶；用戶數據價值密度高、噪音少，數據清洗容易；用戶數據維度多，能夠形成豐富的用戶畫像；自身業務場景能夠獲取有價值數據 。
2.技術
對於有些金融機構來講，如果風控標准很嚴格，其實排查不能准入的客戶其實是不難的，但是對於大部分金融機構來講，風控和業務是互斥的，為了提高業務量，就必須降低准入標准，但是又要防範風險，這就需要藉助技術手段，通過反欺詐建模和信用建模方式，對一下白戶進行評估，以及評估客戶信用水平，以決定是否准入。
技術要求有強大的底層技術架構能力，良好的企業級產品輸出能力和大數據清洗和建模能力，未來還需要結合Al等技術，形成智能的風控和反欺詐平台。
3.場景
理財，保險，汽車金融，現金貸等金融服務，對應的場景不同，對建模的要求也不同，建模能力要求對客戶的業務場景非常理解，模型才能適合行業特徵。需要經驗豐富的建模團隊和行業專家隊伍；服務過行業標桿客戶，了解客戶的業務場景；深度理解業務需求。
五、大數據風控的在信貸中應用
我們以百融系統為例，介紹大數據風控在信貸過程中的流程：

百融大數據風控應用貸款流程
當前的信貸審批流程主要分為人工審核和自動審核，對於客戶資質好，信用好的客戶，只要能通過負面信息，欺詐信息，信用評估，那麼系統自 動審批通過。對負面信息和欺詐風險沒有通過的客戶，系統可以自動拒絕或者申請人工復核，對於信用評分不高的客戶，需要人工介入審核。
六、常用的大數據行業數據
央行徵信報告：一般持牌金融機構有央行徵信介入許可權，包括個人的執業資格記錄、行政獎勵和處罰記錄、法院訴訟和強制執行記錄、欠稅記錄等。司法信息：最高法以及省市各級法院的最新公布名單，包括執行法院、立案時間、執行案號、執行標的、案件狀態、執行依據、執行機構、生效法律文書確定的義務、被執行人的履行情況、失信被執行人的行為等信息。公安信息：覆蓋公安系統涉案、在逃和有案底人員信息，包括案發時間、案件詳情如詐騙案/生產、銷售假葯案等信息。信用卡信息：銀行儲蓄卡/信用卡支出、收入、 逾期等信息。航旅信息：包含過去一年中，每個季度的飛行城市、飛行次數、座位層次等數據。社交信息：包含社交賬號匹配類型、社交賬號性別、社交賬號粉絲數等。運營商信息：核查運營商賬戶在網時長、在網狀態、消費檔次等信息。網貸黑名單：根據個人姓名和身份證號碼驗證是否有網貸逾期，黑名單信息。還有駕駛證狀態，租車黑名單，電商消費記錄等等。
七、大數據行業存在的問題
目前整個大數據行業面臨的問題主要是客戶隱私泄露問題，像公安，法院等信息由於信息敏感，其實是遊走在法律監管空白地帶。
在百行徵信成立之前，各家數據機構的數據其實沒有打通，數據的有效性會打折扣，預計百行徵信數據出來之後，因為結合了各家數據之長，數據連貫性會好一些。
各個大數據公司在數據收集和清洗方式不同，會造成數據污染，這樣輸出的數據會有一定的不準確性。
目前公民數據主要來自於線下收集和網路行為記錄，數據的存在一定的滯後性，單純線下收集的數據存在一定的延遲性。
大數據還處於發展初期，目前比較大的問題還是數據量不夠大，不夠全，以及如何協調數據開放和公民隱私之間的矛盾，未來還需要結合人工智慧和區塊鏈，物聯網等技術，實現數據的不可篡改，數據收集及時等能力，從而更好為金融服務。

Ⅲ 大數據被風控了怎麼辦

大數據被風控了首先要了解造成風控的原因，比如信貸業務逾期造成的大數據風控時要及時的還款，在結清所有欠款後等待一段時間就可以自行解除風控，這時用戶申請各種貸款都不會受到影響。

在平時不論在網上借款還是通過銀行借款，在辦理借款後一定要按時還款，不要出現逾期還款的情況，而且為了防止逾期情況的出現，用戶最好在借款前衡量自己的收入，在收入比較多時才能借款，收入不多時要謹慎借款。

現在越來越多的人在網上借款，這時借款一定要選擇正規的平台，比如借唄、網商貸、京東金條、360借條等，在借款時不同的平台需要的條件是不一樣的。還有就是在借款時借款利率也有差別。

其實，在正規渠道借款後逾期還款對個人徵信也會產生影響，如果個人徵信變不良，那麼後續申請貸款會被銀行拒絕。而且逾期歸還後逾期記錄還會在徵信中保存5年，5年以後才會自動消失。如果一直不還，逾期記錄會一直在徵信報告中。

Ⅳ 大數據下的網貸風控，靠譜嗎

大數據查詢來到的風控指數還是很源有參考意義的。

現今查詢個人網貸大數據報告的話，在微信就能很快地查詢到，不僅全面詳細，還很安全方便，不用擔心會造成隱私泄露。

可以在微信查找：飛雨快查，進行查詢。
該資料庫與2000多家網貸平台合作，查詢的數據非常精準全面。
能夠查看到用戶的申請次數，網貸數據，網黑指數分，命中風險提示，法院起訴信息，仲裁案件信息，失信人信息等數據。

命中風險提示可以幫助用戶更好的找到自身的資質問題，提高網貸平台的風控審核通過率。

Ⅳ 大數據風控是什麼

大數據風控指的就是大數據風險控制，是指通過運用大數據構建模型的方法進行風險控制和風險提示。通過採集大量企業或個人的各項指標進行數據建模的大數據風控更為科學有效。

大數據（big data），指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

大數據風控主要是通過建立數據風險模型，篩選海量數據，提取出對企業有用的數據，再進行分析判斷風險性。

(5)大數據應用風控擴展閱讀：

大數據風控能解決的問題：

1、有效提高審核的效率和有效性：

引入大數據風控技術手段分析，通過多維度的信息分析、過濾、交叉驗證、匯總，可以形成一張全面的申請人數據畫像，輔助審核決策，可以提高審核的效率和有效性。 

2、有效降低信息的不對稱：

引入大數據風控技術手段分析，通過多維度的信息分析、過濾、交叉驗證、匯總，可以形成一張全面的申請人數據畫像，輔助審核決策，可以提高審核的效率和有效性。 

3、有效進行貸後檢測：

通過大數據技術手段對貸款人進行多維度動態事件（如保險出險、頻繁多頭借貸、同類型平台新增逾期等）分析，做到及時預警。

參考資料來源：網路-大數據風控

Ⅵ 大數據風控有哪些優點

風控是金融行業的核心業務，大數據風控是對多維度、大量數據的智能處理，批量標准化的執行流程，通過全方位收集用戶的各項數據信息，並進行有效的建模、迭代，對用戶信用狀況進行評價，可以決定是否放貸以及放貸額度、貸款利率 。大數據風控更能貼合信息發展時代風控業務的發展要求；越來越激烈的行業競爭，也正是現今大數據風控如此火熱的重要原因。比如淺橙科技，他們有自主研發的HAS風控體系，以風控技術、大數據應用技術為核心，搭建了大數據機器學習架構，能夠用先進的人工智慧和機器學習技術進行自主挖掘，迭代更新，為金融機構和用戶提供更專業、更智能的服務。
大數據風控優勢

01 數據量大

這也是大數據風控宣傳的活字招牌。 根據公開資料，螞蟻金服的風控核心CTU 投入了2200多台伺服器，專門用於風險的檢測、分析和處置。每天處理2億條數據，數據維度有10萬多個。

02 數據維度多

傳統金融風控與大數據風控的顯著區別在於對傳統金融數據和非傳統金融數據的應用。傳統的金融數據包括上文中提及的個人社會特徵、收入、借貸情況等等。而互金公司的大數據風控，採納了大量的非傳統金融數據。比如阿里巴巴的網購記錄，京東的消費記錄等等。

03 雙重變數降低主觀判斷誤差

大數據風控在運行邏輯上不強調強因果關系，而是看重統計學上的相關性。

除了傳統變數（即傳統網貸公司房貸審批的經驗判斷），還納入了非傳統變數，將風控審核的因果關系放寬到相關關系，通過互聯網的方式抓取大量數據之後，進行系列數據分析和篩選，並運用到風險審核當中去。這樣不僅能簡化風控流程，提高審批效率，而且能有效避免因為認為主觀判斷的失誤。

04 適用范圍更廣

中國的互金服務的客群可簡單分為：無信貸歷史記錄者和差信貸歷史記錄者。他們沒有徵信報告或金融服務記錄，對傳統金融機構而言，他們的風控審核助力有限，同理，學歷、居住地、借貸記錄這些傳統的強金融風控指標可能在面對無信貸記錄者和差信貸記錄者時都會面臨同樣的問題。而互金公司可可以通過其他方式補充新的風控數據來源，並且驗證這些數據的有效性。

Ⅶ 大數據風控是什麼

大數據風控指的就是大數據風險控制，是指通過運用大數據構建模型的方法進行風險控制和風險提示。通過採集大量企業或個人的各項指標進行數據建模的大數據風控更為科學有效。

Ⅷ 為什麼要使用大數據風控大數據風控有什麼用呢

風控即風險控制，大數據風控是指通過運用大量多重數據構建模型的方法對風險內進行分析，以給客戶端容進行風險預警和風險控制。

傳統的風控技術，多由各機構自己的風控團隊，以人工的方式進行經驗控制（因為每個團隊不同，風控質量參差不齊，最關鍵人工的無限制是數據處理能力弱，數據中的異常分析能力差）；而大數據風控是藉助互聯網海量數據，對數據進行多維度，智能化，標准化處理，數據處理結果越來越精準。

（舉個簡單的例子，你去銀行貸款，傳統的人控，只去看下最近三年的貸款和銀行的流水記錄，但大數據風控，可以調查你最近10年的記錄，再分析你有沒騙貸的可能。）