金融機構大數據風控

『壹』 常見的金融大數據風控有哪些

主要場景有：P2P 、 小貸 、 現金貸 、 分期 、 第三方支付 、 汽車消費金融風控等等
目前國內大數據風控領域做的比較好的企業有通付盾等企業。

『貳』 銀行機構也用大數據風控嗎

隨著民間借貸的興起，借款人越來越容易通過非銀行途徑獲得貸款。而民間借貸機構無須向人民銀行上報數據，非銀行體系的貸款申請情況、負債情況和逾期情況等信息不清晰、不透明、無法提前預知的矛盾愈發突出，往往到了借款人逾期甚至失聯，銀行才被動了解到借款人在民間借貸領域的部分歷史逾期借貸情況或負債過高等不良行為信息。
貸款欺詐問題也是銀行面臨的另一個問題，尤其是在信用卡領域和部分運用信貸工廠模式運作的貸款產品。銀行固化的發卡審核流程以及信貸工廠運作模式已經不再是秘密。
目前信用卡、貸款的包裝、組團欺詐騙貸的情況屢見不鮮，尤其是在信用貸款領域，約有60%的信用貸款來自於欺詐，這其中有一半以上是由於身份造假和資料包裝。目前一些開展消費金融業務的銀行都在與大數據風控公司神州融合作。
在數據維度不全面的情況下，銀行等放貸機構也需要第三方大數據支持，進行充分和有效的交叉核驗手段，然容易被組團騙貸者鑽空子。

『叄』 大數據風控如何提高金融機構的反欺詐能力

大數據風控通過升級、豐富傳統風控體系來提高金融機構的反欺詐能力。傳內統金融的風控容主要依據信用屬性強大的信息進行信用評分，來識別客戶的還款能力和還款意願，以此來決定是否放貸。互聯網金融的大數據風控豐富傳統風控的數據維度，通過數據關聯分析來判斷借款人的信用情況，藉助模型來預測某些行為特徵和信用風險之間的關系。正如華策數科智能評分產品，它是一種應用在信貸場景中，以分數的形式來衡量風險幾率的技術手段，能夠根據不同的場景採用不同的評分卡類型。
為了提高金融機構的反欺詐能力，華策數科智能評分產品在貸前的風險識別期採取的是風險類評分，它可以實現對未來一段時間內違約/逾期/失聯概率的預測，通常評分越高越安全。而智能評分產品的反欺詐評分卡則通過評分形式，客觀呈現個人信用狀況，為客戶實現快速決策提供風控支持。
由華策數科智能評分產品可見，互聯網金融的大數據風控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，同時應用於風控模型中，評價客戶的風險水平，提高企業的決策能力，並提升金融機構的反欺詐能力。

『肆』 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。

(4)金融機構大數據風控擴展閱讀：

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

『伍』 大數據如何助力金融機構搭建風控模型

"Mo‌b‌Te‌ch是一家大數據智能科技公司，為金融機構提供不同場景下的解決方案。拿小額專貸款的案例來看，他屬們的一站式風控建模大數據平台，提供數據匹配，特徵篩選，模型迭代，自定義模型開發功能，模型管理部署，自動化模型上線API輸出等產品服務；提供針對小額借貸，消費金融、車貸等場景的成熟特徵，可定製化各類場景衍生特徵；覆蓋90%android設備。
可在雲端輕松構建出獨屬於自己的數據智能解決方案，也可通過私有化部署，加強數據的安全性。

『陸』 大數據風控系統在金融領域有沒有什麼案例

我們公司就是有做大數據風控系統開發，在金融行業也有案例，可以到網站上去看看。
大數據風控流程的建立主要分為四個階段：數據收集、數據建模、構建客戶評分體系及監測分析。
收集到海量數據後，需經過大量的清洗、探索與抽樣，運用靈活策略來交叉匹配並綜合分析，構建出客戶評分體系。
基於先進的風控分析模型，以及准確、穩定、實時更新的豐富數據源，利用精密演算法和靈活策略進行綜合高效的監測分析，保障業務平台健康穩定運行。

『柒』 優秀的互聯網金融公司，都是怎麼玩大數據風控的

現在一提起互聯網金融行業、Fintech領域，人工智慧、大數據風控的熱度就直線飆升。許多交易規模比較大的互聯網金融公司都在努力發展大數據風控技術，以構建提供普惠金融服務的能力。
那麼，這些優秀的互聯網金融公司，都是怎麼玩大數據風控的呢?
陸金所：KYC 2.0系統
精準判斷投資者的風險承受能力
陸金所自成立起就引進國際領先的第四代風險管理系統，借鑒平安集團經驗，形成了成熟的風險管理數據模型。其近日又推出了KYC 2.0系統，力求通過大數據技術、機器學習以及金融工程等方法，建立完整的互聯網財富管理平台投資者適當性管理體系，在資金端對投資者進行「精準畫像」，並提供智能推薦服務。
據了解，KYC2.0系統在原有的保守、穩健、平衡、成長、進取五大類型基礎上對投資者風險承受力評估結果進行量化，每位用戶都會獲得專屬的風險承受能力分值，又稱「堅果財智分」，對投資者風險承受能力的判斷更精準。
點評：量化數據信息，進行大數據建模。
風控最好的數據還是金融數據，例如年齡、收入、職業、學歷、資產、負債等信用數據，這些數據同信用相關度高，可以反映用戶的還款能力和還款意願，這些數據因子在風控模型中必不可少，權重也很高，是風險評估最好的數據。
所以，陸金所以平安集團經驗為基礎運用到的大數據風控，使用的是圍繞用戶周圍的信用數據，這些數據的特點是和用戶的信用情況高度相關，可以作為一個重要因子進行錄入，對其個人進行打分，再對其進行個體分析，最終得到一個綜合評分，這就對用戶進行了一個精準的風險承受能力評判。
民貸天下：拓寬數據維度
實現純線上智能化服務
民貸天下基於穩健、安全、規范的風控理念，其風控部門確定了「風控從嚴」原則，設定了借款審查、貸中管理、貸後跟蹤等風控流程。目前，民貸天下正全力推進全智能化建設，構造一個完整的、從資產端到平台端的全鏈路大數據風控系統，通過對人工智慧、大數據分析、知識圖譜、區塊鏈等技術的運用，為平台運營及業務發展提供強大動力。
在傳統數據之外，民貸天下還不斷拓展數據維度，如在用戶授權下，對用戶社交數據、訪問時間、相關認證、通訊記錄等數據整合分析，並且與螞蟻金服、芝麻信用、前海徵信、同盾等第三方機構緊密合作，進一步豐富對用戶的數據畫像，使民貸天下的大數據風控系統更加精準，從而實現從客戶申請、受理、審核、授信、放款到貸中貸後管理等純線上智能化服務。
點評：拓寬數據維度，是對傳統風控的補充。
傳統風控模型已經不能適應復雜的現代風險管理環境，特別在數據信息錄入維度上，影響用戶信用評分的信息較多，很多都沒有引入到風險評估流程。而大數據風控可以提供全面的數據(數據的廣度)，強相關數據(數據的深度)，實效性數據(數據的鮮活度)。
民貸天下利用這樣的大數據風控，通過與第三方合作等方式，將內部數據以及原有數據打通和整合之後，就會影響風險評估結果，提升信用風險管理水平，客觀地反映用戶風險水平。這些多維度、全面的信息正是大數據風控的優勢所在，同時也是對傳統風控一個很好的補充，進一步實現智能化服務。
真融寶：以數據介質為主
構建數據和模型演算法的核心技術
真融寶以數據介質為主，利用分布式計算處理數據，以公眾互聯網的全網為平台，以全網收集的數據來補充內部網集成的數據。並且在用戶數據方面，對每個新進用戶建立一份電子檔案，對每名用戶投資需求進行了解登記，並對每一筆資金進行多重備份，形成動態的用戶資金數據。
除此之外，真融寶還利用大數據進行決策，將金融活動轉化為智能數據處理活動，降低人為因素的干擾，提高風險評估、分析和預警能力，大數據提供的信息使得真融寶的決策更加科學智能化，對於風控的精準度控制起到非常大的幫助作用。
點評：數據和模型演算法，可建立實時風險管理視圖。
大數據的數據採集和計算能力，可以幫助企業建立實時的風險管理視圖。藉助於全面多緯度的數據、自我學習能力的風控模型、實時計算結果、壞種子數據，真融寶可以通過大量的數據累積，能夠產生出非常有效的識別客戶的能力，提升量化風險評估能力。
數據、技術、模型、分析將成為信用風險評估的四個關鍵元素，其背後的力量就是大數據的技術和分析能力。真融寶利用大數據的風控能力，實時輸出風險因子信息，提高了風險管理的及時性。
一直以來，風控都是金融機構的生命線。從陸金所、民貸天下、真融寶這三家互聯網金融公司為例，預計在未來，可能每家做借貸類的互聯網金融公司都會發展出屬於自己的一套大數據風控體系，並且隨著互聯創業公司的業務數據越來越大，數據基礎會逐漸扎實。

『捌』 大數據徵信提升金融機構風控能力有哪些招

大數據徵信說復白了制還是搞清以下兩點：還款意願、還款能力

通過工商、司法、運營商等多種維度（一般大數據徵信公司能做到20多種維度）收集借款人/機構的數據，再導入到模型中。以判斷還款意願及還款能力。

比如從銀行流水判斷收入，就可判斷他的還款能力。
再比如從公安部或法院調取涉案被執行數據，就可判斷他的還款意願。

現在如中誠信徵信、鵬元徵信等起步比較早的徵信公司已經開始做數據關聯和深度學習了，新技術層出不窮，一些看似和信用沒什麼關聯的數據都可以挖掘其中的風控價值。

『玖』 開發金融行業大數據風控系統的價格是多少

這種情況的話，是可大可小，目前針對大數據的應用領域來講，沒有一個固定的價格也就是說低成本也可以開發高層本也可以開發。所謂的大數據應用於金融風控需要的是及時快速的更新的節奏而這個花費的費用是比較高的，因為數據的更新主要在於時效性和它的可追溯性。

『拾』 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。