“互联网金融及大数据风控”结合的九大维度.docxVIP

“互联网金融与大数据风控”结合的九大维度大数据能够进行数据变现的商业模式,目前最常见的主要是两个，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、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个维度左右的数据，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维度为十个左右，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。?一、验证借款人身份验证借款人身份的五因素是姓名、手机号、身份证号、银行卡号、家庭地址。企业借助多种数据渠道可以验证借款人姓名、银行卡号、手机号、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，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?目前在互联网金融领域，贷款申请日趋向线上转移。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、利用风险名单识别欺诈?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征信相关工作，其主要的商业模式是风险名单识别以及客户信用评分。?风险名单一方面来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，另外一个主要来源是催收公司。风险名单还意味着多头负债，即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。? 目前有很多征信机构将自己的信贷数据与同行业分享，旨在降低行业风险。以致诚阿福为例，致诚阿福是致诚信用率先将宜信10年累计的1100万真实借贷数据、逾40万风险名单与全行业共享，为P2P、消费金融、小额信贷等众多机构提供的风控解决方案，包括借款记录查询、风险名单查询、致诚评分等服务，旨在防范多头负债与恶意欺诈，有效降低行业风险。?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，另外还可以根据设备安装的应用活跃度来识别多头负债风险。?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