金融大数据信用风险控制项目.pdfVIP

融据用风控制介

金大数信险项目简

XX科技股份有限公司编制

目录

一、金融大数据信用风险控制项目背景3

二、户情况及市场情况4

1.户情况4

2.市场情况5

三、技术选型6

四、项目团队构成7

五、团队成员技能需求7

、金融大数据信用风险控制项目背景

通过解决金融企业的信息不对称，大数据可以帮助金融企业解决

由于信息不对称而带来的营销、定价、风险、欺诈以及催收等问题。

大数据时代，金融机构之间的竞争将在网络信息平台上全面展开，说

到底就是“数据为王”。谁掌握了数据，谁就拥有风险定价能力，谁

就可以获得高额的风险收益，最终赢得竞争优势

金融大数据信用风险控制项目依托大数据技术及来自互联网、金

融机构、线下零售、社交、媒体、航空、教育、运营商、品牌商等

多维数据源，创新性地为信贷，保险，投资理财等行业企业提供获

引流、精准营销、群分析、风控管理、反欺诈、贷前信审、贷后管

理等服务，提升金融行业整体运营管理水平。坚持开放、互补的数据

联盟战略，致力于运用新技术、新手段，为金融机构搭建营销与风控

体系，成为国内金融领域最大的第三方风控及营销服务提供商。

序数衡量法：只能反映企业间信用风险的高低顺序，如bbb级

高于bb级，但其间的级差无法进行观量化。

Creditmetrics；CreditRisk+；CreditPortofolioView+：是

组合投资的分析方法，注重直接分析企业间信用状况变化的相关关系,

但是它局限于投资组合分析。

KMV：从单个授信企业在股票市场上的价格变化信息入手，着重

分析该企业体现在股价变化信息中的身信用状况，但对企业信用变

化的相关性没有给予足够的分析。

FICO：FICO在方法上通常采取逻辑回归和决策树。然而，这两

类方法是存在很大缺陷的。例如，逻辑回归一般只能包含至多10T5

个风险因子，且各变量必须服从正态分布；决策树要求对所有申请者

的分类是完全互斥的。显然，这些要求是难以满足的，由此产生的结

果是“偏误”还是“错误”也很难评价。

ZestFinance：ZestFinance包含70,000个变量，利用10个预

测分析模型进行集成学习或者多角度学习，并得到最终的消费者信用

评分。然而，ZestFinance进行信用评估时，传统征信数据要占到至

少30%清晰的用户定位，完善的征信体系支撑，是ZestFinance在

美国生存的土壤。中国没有集中的征信所，金融体系也尚不完善。很

难适应中国目前的信贷业务。

国内大部分中小银行信用风险管理仍停留依靠经验判断传统阶

段，以感觉、经验、关系决策:缺乏对客户信用评级、统一授信风险量

化信息系统；缺乏对公司类客户、个人客户优劣的判别统一标准；缺

乏对客户风险量及授信边界系统科学的模型

二、客户情况及市场情况

1.客户情况

预测中国绝大部分人的还款能力与还款意愿，更多地需要依赖于

分析金融行业之外的海量用户行为数据（弱变量），从中挖掘出具有

可以多次复用的规律。

客户信用风险评估如下：

还能力有限c消费水平与收入水平不匹配，且借未被用来提

升自己的收入水平：2-4线城市、在游戏、动漫等类目消费水平过高

的用户，不良率偏高还意愿较强。受教育程度较高、道德水平较高：

在财经、管理、科技等类型媒体上活跃度较高的用户，不良率偏低还

能力与还意愿都较强：坐过商务舱以上、或者一年乘坐飞机不少

于4次的用户，不