银行金融风控大数据分析

『壹』 常用的互联网金融大数据风控方式有哪些

1：验证借款人信息
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以通过借助银联数据来验证银行卡号和姓名。
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：大数据分析提交的信息
大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷一般都是以线上申请为主的。
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。
3：分析客户的消费信息
从客户的电商消费记录、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。有的互联金融公司专门从事个人电商消费数据分析，只要客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。
4：参考客户的社会属性和行为进行评估
参考过去互联网金融风控的经验发现，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。经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

5：调查客户是否进入黑名单
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，重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1000万左右的黑名单，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。
涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

『贰』 大数据风控系统在金融领域有没有什么案例

我们公司就是有做大数据风控系统开发，在金融行业也有案例，可以到网站上去看看。
大数据风控流程的建立主要分为四个阶段：数据收集、数据建模、构建客户评分体系及监测分析。
收集到海量数据后，需经过大量的清洗、探索与抽样，运用灵活策略来交叉匹配并综合分析，构建出客户评分体系。
基于先进的风控分析模型，以及准确、稳定、实时更新的丰富数据源，利用精密算法和灵活策略进行综合高效的监测分析，保障业务平台健康稳定运行。

『叁』 常见的金融大数据风控有哪些

主要场景有：P2P 、 小贷 、 现金贷 、 分期 、 第三方支付 、 汽车消费金融风控等等
目前国内大数据风控领域做的比较好的企业有通付盾等企业。

『肆』 如何利用大数据做金融风控

大数据能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、P2P、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个纬度左右的数据，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 纬度为十个左右，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。普惠在线

互联网金融的大数据风控并不是完全改变传统风控，实际是丰富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，判断借款人的还 款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用 风险之间的关系。

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险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，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：

验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

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，人脸识别等原理是调用国政通／公安局 API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。
分析提交的信息来识别欺诈

大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
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。

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。
利用黑名单和灰名单识别风险

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，重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1000万左右的黑名单，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贷、线上P2P、信用卡公司、小额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，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。

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能力。

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量的一部分，很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，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单 是用真金白银换来的教训。另外如果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。

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，另外来可以根据设备安装的应用活跃来识别多头借贷风险。

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。

利用消费记录来进行评分

大会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，例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。

按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。这种情况，就需要消费数据来证明其还款能力了。

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。例如头等舱乘坐次数，物业费高低、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重要参考。

互联网金融的主要客户是屌丝，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。有的互联金融公司专门从事个人电商消费数据分析，只要客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。

参考社会关系来评估信用情况

物以类聚，人与群分。一般情况下，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，

参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（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，取其中的平均值来判断借款人的信用。这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。

参考借款人社会属性和行为来评估信用

参考过去互联网金融风控的经验发现，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。贷款用于家庭消费和教育的贷款人，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1万5千的人贷款违约率 高；贷款次数多的人，其贷款违约率低于第一次贷款的人。

经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式，填写简单信 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。

利用司法信息评估风险

涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

寻找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。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在 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 移动设备位置信息涉及这些区域，也要引起重视。涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有 收入，这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，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用了用户社会行为和社会属性数据，在一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，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。

『伍』 大数据如何助力银行业金融机构舆情防控

金融企业运用大数据和机器学习算法，对欠款客户进行人群聚类并根据聚类的结果识别骗贷、恶意欠款、恶意透支、盗刷盗用、对交易有疑问拒绝还款、经济状况恶化无力还贷、遗忘还贷等多种欠款类型；从而准确预测客户的还款概率和金额，从而进行催收策略评估，最大限度降低催收成本。
中国建设银行资产总行风险管理部/资产保全部副总经理谭兴民曾详尽分析大数据何以帮助银行提高征信水平和风险管控能力：
首先，一站式征信平台可以进行贷前客户甄别。目前，银行查询客户的情况既费时、费力，又增加银行费用，而利用企业的一站式征信平台，则可以最大限度地节省银行的人力、物力及时间，并确保数据有效、及时、准确。
其次，风险量化平台可以助力贷后风险管控。平台基于企业日常经营数据，结合平台数据模型，采用动态、实时的云端数据抓取技术，对企业的发展进行分析和评测，给出风险量化分数，并第一时间发现企业的生产经营异动，在风险触发前3到6个月预警，使银行等金融机构能够及时采取相应措施，防止和减少损失发生。
同时，利用“企业族谱”查询，对不良贷款进行监控。如一些企业通过关联交易转移利润、制造亏损的假象，为不偿还银行贷款寻找理由；或者通过关联交易制造虚假业绩，为继续获得银行贷款提供依据，这些假象通过关联交易查询，都可以很快发现蛛丝马迹，让企业造假暴露原形，可防止银行上当受骗。
大数据风控相对于传统风控来说，建模方式和原理其实是一样的，其核心是侧重在利用更多维的数据，更多互联网的足迹，更多传统金融没有触及到的数据。比如电商的网页浏览、客户在app的行为轨迹、甚至GPS的位置信息等，这些信息看似和一个客户是否可能违约没有直接关系，但实则通过大量的数据累积，能够产生出非常有效的识别客户的能力。
在运行逻辑上，大数据风控不强调较强的因果关系，看重统计学上的相关性是大数据风控区别于传统金融风控的典型特征。传统金融机构强调因果，讲究两个变量之间必须存在逻辑上能够讲通因果。
在数据维度这个层级，传统金融风控和大数据风控还有一个显著的区别在于传统金融数据和非传统金融数据的应用。传统的金融数据包括上文中提及的个人社会特征、收入、借贷情况等等。而互金公司的大数据风控，采纳了大量的非传统金融数据。
相对于传统金融机构，互金公司扩大了非传统数据获取的途径，对于新客户群体的风险定价，是一种风险数据的补充。当然，这些数据的金融属性有多强，仍然有待验证。
巨头优势明显，并不代表创业公司的路已被堵死。大公司不可能面面俱到，布局各种场景。在互联网巨头尚未涉及的领域，小步快跑，比巨头更早的抢下赛道，拿到数据，并且优化自己的数据应用能力，成为创业公司杀出重围的一条路径。

『陆』 大数据金融风控解决方案哪些公司可以提供

我们就是可以的，大数据风控即大数据风险控制，是指利用数据分析和模型进行风险评专估，为金融行业和个属人用户提供全方位的安全保障。
大数据风控流程的建立主要分为四个阶段：数据收集、数据建模、构建客户评分体系及监测分析。收集到海量数据后，需经过大量的清洗、探索与抽样，运用灵活策略来交叉匹配并综合分析，构建出客户评分体系。
基于先进的风控分析模型，以及准确、稳定、实时更新的丰富数据源，利用精密算法和灵活策略进行综合高效的监测分析，保障业务平台健康稳定运行。

『柒』 银行或金融单位的数据分析岗需要具备什么能力

最重要还是数据治理和数据分析的能力！

近年来，随着大数据产业的蓬勃发展，企业和政府对于自身数据资产的价值也产生了重新的认识。但遗憾的是数据本身并不能直接产生价值。当我们想利用数据产生价值的时候，很多问题都会暴露出来，比如：数据标准缺失，数据源头不清晰，数据质量缺乏监管等。这就要求我们要有统一的数据标准和良好的数据质量来构成数据价值实现的基础。而数据治理恰是保障这一基础的存在。

国际数据管理协会（DAMA）对数据治理给出的定义是：数据治理是对数据资产管理行使权力和控制的活动集合。它是一个管理体系，包括组织、制度、流程、工具。

在国内企业的实际应用中，一般将数据治理和数据管理综合考虑，认为数据治理是将数据作为组织资产而展开的一系列的集体化工作，包括从组织架构、管理制度、操作规范、信息技术应用、绩效考核支持等多个维度对组织的数据模型、数据架构、数据质量、数据安全、数据生命周期等方面进行全面的梳理、建设以及持续改进的过程。

五、 数据和AI中台

随着金融业正在迈入第四个重大发展阶段--数字化时代，给各金融机构带来了发展机遇，同时也伴随着严峻的挑战。如何解决数据孤岛、新应用与老系统结合难？现有IT能力不足以支撑业务的快速变化？数据调用方式多样且标准不统一质量差？以及数据资源未被挖掘数字化能力得不到释放等问题，是企业面临的共同难题。数据集成和数据资产管理是解决这些问题的有效途径之一。

本课程将从如何进行有效的数据集成、各种数据平台建设介绍、如何有效开展数据治理，以及数据资产管理与数据中台的建设这四个大的方面进行开展。帮助企业在数字化进程中快速建立系统间的数据集成体系，支撑用户数据集成应用的快速实现；提供完善数据管理体系和有效的完成数据整合方案，支撑起上层数据的挖掘、分析应用；对企业的发展战略和业务创新提供有效的数据支撑，洞察企业的运营状态和市场趋势等，提高企业新业务灵活性，创建数据应用敏捷环境。

『捌』 大数据风控数据分析师有前途吗

大数据风控数据分析师是一个不错的岗位
首先，大数据技术扔在不断的发版展中，未来科技权必定是数据驱动发展的。
其次，大数据风控目前应该是前沿技术在金融领域的最成熟应用，有广泛的应用场景。
所以，这个岗位很不错，纵深发展或者转型其他数据领悟都是可以的。

『玖』 大数据怎么做金融风控

这个要分好几个点，一个是数据源的多样性和有效性；第二是建模方法的科学性。

『拾』 相比银行传统风控，大数据风控对比传统风控有优势吗

有很大的优势，传统的信贷风控主要以人工审批为主，人工审核一般需要2-3周以上时间才能实现放款，效率低下，流程繁琐，互联网金融往往小额量大，放款速度加快至关重要。面对个人信用体系不完善、恶意骗贷、坏账和逾期、债务收回成本较高等诸多挑战，用自动化的数据智能风控体系来提升整个流程的效率是必然的发展趋势。