因工作需要，最近查閱了不少關(guān)于如何利用大數(shù)據(jù)建設(shè)支撐互金業(yè)務(wù)的智能風控平臺，以下是我個人對所看資料的總結(jié)及個人拙見，與同道之士共享。

背景及現(xiàn)狀

互聯(lián)網(wǎng)金融平臺聚焦互聯(lián)網(wǎng)消費信貸業(yè)務(wù)場景，依托線上互聯(lián)網(wǎng)為獲客渠道，識別更好的客戶群體，為客戶提供更高效的響應(yīng)時效以及更佳的業(yè)務(wù)體驗。線上信貸業(yè)務(wù)普遍具有流程快捷、實時審批、極速到賬等優(yōu)點，同時服務(wù)的客群通常是傳統(tǒng)金融不愿意服務(wù)的客群，這也對風險控制提出了更高的要求。

大數(shù)據(jù)智能風控平臺作為金融資產(chǎn)類IT建設(shè)中最為重要的一個系統(tǒng)，其理念、內(nèi)容、架構(gòu)、流程反應(yīng)出的內(nèi)容已經(jīng)不僅僅局限在一個IT系統(tǒng)的范疇之中。系統(tǒng)的擴展性、后臺支撐的靈活性、安全穩(wěn)定等會多方面影響互聯(lián)網(wǎng)消費信貸業(yè)務(wù)發(fā)展，一個適應(yīng)性強且基于大數(shù)據(jù)平臺的風控系統(tǒng)是現(xiàn)代互聯(lián)網(wǎng)消費信貸業(yè)務(wù)能夠快速適應(yīng)市場變化的重要保障。

互聯(lián)網(wǎng)消費金融風險的理解

互聯(lián)網(wǎng)消費金融面臨的風險主要是信用風險和欺詐風險兩塊。

• 欺詐風險

據(jù)統(tǒng)計，在中國，互聯(lián)網(wǎng)金融50-70%的損失來自欺詐，這也可以說是風控業(yè)務(wù)中最困難的地方。造成這種現(xiàn)狀的原因比較多，一方面是諸如現(xiàn)金貸類型的消費金融短期爆發(fā)式發(fā)展，大量創(chuàng)業(yè)公司涌入賽道以互聯(lián)網(wǎng)獲客運營的流量思路做金融，與此同時相應(yīng)的風控經(jīng)驗和能力缺失，因此給專業(yè)的欺詐分子暴露了較大的風險敞口，通過簡單研究業(yè)務(wù)規(guī)則漏洞，并通過互聯(lián)網(wǎng)傳播，可能帶來較大的損失；另一方面也是欺詐產(chǎn)業(yè)鏈自身研究實力不斷的完善有關(guān)，現(xiàn)在的欺詐已經(jīng)從以往單一的個人欺詐演變?yōu)橛薪M織、有規(guī)模的集團化欺詐，鏈條上盜號，數(shù)據(jù)泄露作為基礎(chǔ)賬號庫，已衍生出一系列包括黑產(chǎn)交易、ID Mapping、定向攻擊的完整產(chǎn)業(yè)鏈，其中的分工和技術(shù)也非常專業(yè)和精細化。

• 信用風險

信用風險，其定義是借款者違約的風險，換句話說，也就是借款人因各種原因未能及時、足額償還債務(wù)或貸款而違約的可能性。通常從還款能力和還款意愿兩個角度去分析信用風險，但在互聯(lián)網(wǎng)消費信貸場景中，主要客群是包括中小企業(yè)和收入較低的白領(lǐng)、藍領(lǐng)客戶，在銀行拿不到較好的貸款額度，不是銀行的目標客戶，其信用評分較低，傳統(tǒng)金融認為這批客戶還款能力較差；服務(wù)的客群大多屬于信用白戶，無法借助人行征信報告獲取與客戶還款能力和還款意愿相關(guān)的財產(chǎn)、學歷、收入、貸款、信用卡、欠稅欠費等信息。

大數(shù)據(jù)智能風控平臺建設(shè)思路

大數(shù)據(jù)風控體系需要從下面三方面著手建設(shè)，首先要有技術(shù)平臺支撐，能夠快速的集成多維風險數(shù)據(jù)、反欺詐規(guī)則配置和風險模型開發(fā)；其次要從源頭對端機進行欺詐識別；最后在信貸全生命周期通過反欺詐、信用評級模型等技術(shù)手段對進行風險控制。

1) 平臺層面：建設(shè)集數(shù)據(jù)接入、反欺詐、風險執(zhí)行引擎和模型訓練引擎于一體的一站式風控平臺。底層的數(shù)據(jù)服務(wù)統(tǒng)一整合所有風控、反欺詐所要用到的內(nèi)外部數(shù)據(jù)接入；上層的反欺詐服務(wù)，可以對反欺詐規(guī)則進行定制和管理；風控執(zhí)行引擎可以從數(shù)據(jù)服務(wù)或者其他數(shù)據(jù)源接入數(shù)據(jù)，管理和執(zhí)行風控策略；風控訓練引擎提供對建模樣本數(shù)據(jù)做數(shù)據(jù)預(yù)處理，模型訓練以及評價和監(jiān)控功能。

2) 設(shè)備層面，通過在端機部署設(shè)備指紋SDK主動地收集與設(shè)備相關(guān)的信息和特征，通過對這些特征來為每一個操作設(shè)備建立一個全球唯一的設(shè)備ID。配合強大的決策引擎，精確分析出一個設(shè)備上的所有用戶的操作行為，發(fā)現(xiàn)多用戶之間的關(guān)聯(lián)情況，描摹出一個基于設(shè)備的用戶畫像。通過設(shè)備指紋，更加精準的分析互聯(lián)網(wǎng)欺詐者的行為軌跡，從蛛絲馬跡中識別風險、預(yù)警風險，準確追蹤定位風險產(chǎn)生的用戶主體以及關(guān)聯(lián)的所有用戶。

3) 模型層面，建設(shè)涵蓋貸中、貸前、貸后的全生命周期風控模型，比如反欺詐模型、信用評分模型、風險定價模型等，貸后催收模型等。貸前控制主要找到合格的借款人；貸中控制主要預(yù)防借款人還款能力下降，無法按時歸還貸款；貸后控制，主要當貸款發(fā)生逾期時，通過有效催收策略降低銀行損失。其中，貸前風險控制最為重要。

平臺層

應(yīng)該有四個部分構(gòu)成： 大數(shù)據(jù)聚合平臺，反欺詐規(guī)則引擎，模型訓練引擎和風控執(zhí)行引擎。

設(shè)備層

設(shè)備指紋是行之有效的設(shè)備層面的反欺詐手段，通過在頁面或APP置入設(shè)備指紋SDK在線獲取上網(wǎng)設(shè)備（ PC、手機、PAD等）的軟件、硬件、網(wǎng)絡(luò)、行為等多層次指紋信息，利用算法快速生成唯一的設(shè)備號，用于標識訪問設(shè)備，可以判斷用戶網(wǎng)絡(luò)行為的可信度，進而達到反欺詐的目的。

具體反欺詐應(yīng)用場景包括：

• 注冊場景：識別垃圾注冊、羊毛黨（設(shè)備黑名單、設(shè)備關(guān)聯(lián)過多的賬戶信息、設(shè)備注冊過于頻繁、惡意繞過設(shè)備監(jiān)控）；識別賬戶盜用（設(shè)備關(guān)聯(lián)過多的賬戶信息）；

• 登錄場景：識別拖庫撞庫；識別暴力破解（設(shè)備登錄失敗次數(shù)過于頻繁、設(shè)備登錄間隔過短）；識別賬戶盜用（非常用設(shè)備登錄），

• 支付/轉(zhuǎn)賬場景：識別盜卡盜刷（設(shè)備關(guān)聯(lián)過多銀行卡信息）；識別洗錢（設(shè)備累積交易金額過大、設(shè)備累積交易頻次過多、設(shè)備給過多賬戶轉(zhuǎn)賬）；

• 信貸場景：識別黑中介（設(shè)備關(guān)聯(lián)申請貸款人過多）。

模型層

風險管理需要貫穿信貸業(yè)務(wù)的全生命周期，實現(xiàn)全流程風險管理目標。如下表展示了全生命各個信貸業(yè)務(wù)相應(yīng)的風險管理對策，其中預(yù)授信，身份核查，申請反欺詐，信用風險評估，風險定價，用信反欺詐屬于風控貸前環(huán)節(jié)，風險預(yù)警屬于風控貸中環(huán)節(jié)，貸后催收屬于風控貸后環(huán)節(jié)。

貸前風控

（一）預(yù)授信

基于行內(nèi)自有客戶數(shù)據(jù)和合作平臺客戶數(shù)據(jù)通過預(yù)授信評估模型進行初步的信用評估，形成預(yù)授信白名單和預(yù)授信額度，通過營銷短信的方式將預(yù)授信額度通知客戶。一旦客戶提交授信激活申請，其額度將會重新評估，預(yù)授信額度不會作為最終的授信額度。

舉例：預(yù)授信評估模型可依據(jù)申請人所在城市，工資收入，公積金，工齡，年齡，單位性質(zhì)，單位規(guī)模，職務(wù)級別等信息給出相應(yīng)的風控決策和預(yù)授信額度。

（二）身份核查

建立基于四要素驗證，活體識別，人臉識別，聯(lián)網(wǎng)核查，實名驗證，學歷驗證等技術(shù)手段的身份核查模型。在用戶申請貸款時通過身份核查技術(shù)手段對用戶身份的真實性進行核查，確保借款人的身份信息真實有效，排查欺詐風險。

（三）反欺詐

用戶在授信申請和用信時，需要進行反欺詐把控，利用風險名單，風控規(guī)則和欺詐模型，對用戶可能的欺詐風險進行風險評估，主要完成用戶行為信息和風險名單的欺詐判定。具體包括：用戶申請行為欺詐規(guī)則分析，用戶歷史逾期風險、跨行業(yè)信貸風險、欺詐團伙的名單和數(shù)據(jù)分析，用戶偽冒，中介或欺詐團伙風險模型預(yù)測分析。

（四）信用風險決策

信用風險決策的核心是用戶信用風險評估。信用評估模型是近年來興起的一種為了保障銀行和其他金融部門的金融安全而設(shè)立的一種關(guān)于人身金融權(quán)限的劃定模型，模型運用數(shù)理統(tǒng)計模型技術(shù)，通過對消費者信用歷史記錄和業(yè)務(wù)活動記錄的深度數(shù)據(jù)挖掘、分析和提煉，發(fā)現(xiàn)蘊藏在紛繁復雜數(shù)據(jù)中、反映消費者風險特征和預(yù)期信貸表現(xiàn)的知識和規(guī)律，并通過評分的方式總結(jié)出來，作為管理決策的科學依據(jù)。模型以客戶的信用歷史資料，例如客戶的基本信息、工作情況、與銀行關(guān)系等方面的指標作為輸入，利用一定的信用評分模型，建立定量化、自動化的評估系統(tǒng)，用量化的數(shù)值來體現(xiàn)所評估客戶的信用風險，根據(jù)客戶的信用分決定該客戶所可以持有的金額權(quán)限，由此來保證還款等業(yè)務(wù)的安全性。

（五）風險定價

基于風險分級給予不同人不同的產(chǎn)品定價（不同人申請同一款產(chǎn)品選擇一樣的貸款參數(shù)，獲得的利率和額度可能不一樣），以獲得更精準的客戶，帶來更多的粘性客戶和更高的轉(zhuǎn)化率。給予客戶的授信額度，應(yīng)當綜合客戶的風險、還款能力等多方面考慮。在貸款業(yè)務(wù)的實際操作中，對個人信用貸款利率和額度的主要考慮因素為以下幾點：貸款人情況（如貸款人信用情況、個人財力、銀行往來記錄），資金用途，還款來源等。

貸中風控

貸中風控作為信貸風險管理的核心組成部分，是控制風險、防止不良貸款發(fā)生的重要手段。采用大數(shù)據(jù)智能貸中預(yù)警服務(wù)，分析監(jiān)控對象的可能失信或負面異常信息，可在不需人工干預(yù)的情況下，第一時間掌握貸款客戶的關(guān)鍵信息。風控平臺借助貸前風控數(shù)據(jù)、信貸業(yè)務(wù)過程數(shù)據(jù)、行內(nèi)自有數(shù)據(jù)和外部數(shù)據(jù)，對所有在途放貸事件進行貸中監(jiān)控分析，定時跑批，篩選出新增危險客戶?；诘讓拥拇髷?shù)據(jù)框架，高效的對貸款全量進監(jiān)控。跑批的過程中會通過規(guī)則策略和風險預(yù)警模型來實現(xiàn)智能預(yù)警。

貸后風控

建立催收評分卡模型。根據(jù)客戶的綜合行為信息，應(yīng)用數(shù)據(jù)挖掘和統(tǒng)計學方法，建立可以客觀準確預(yù)測客戶風險程度、損失程度、響應(yīng)可能性、還款款可能性的催收評分模型。根據(jù)催收評分對早期逾期客戶的風險情況進行評估，將客戶分為高風險、中等風險、低風險三類，再根據(jù)逾期時間長短，逾期金額，將客戶分為高風險(H)、中等風險(M)、低風險(L)和不催收(N)四類，并制定不同的催收策略（電話催收、短信催收、上門催收、信函催收等）。

建設(shè)難點

個人認為，大數(shù)據(jù)智能風控平臺建設(shè)的難點主要有一下幾塊。

• 數(shù)據(jù)的獲取和整合

風控是一個復雜的過程，數(shù)據(jù)的獲取和整合是智能風控的基礎(chǔ)，智能風控體系利用數(shù)據(jù)對風險進行管控，因此數(shù)據(jù)可獲得性、數(shù)據(jù)質(zhì)量及數(shù)據(jù)處理能力非常關(guān)鍵。

• 場景如何融合

如何將大基于大數(shù)據(jù)分析產(chǎn)生的知識嵌入到信用風險、操作 風險、欺詐風險等風險管理的各個領(lǐng)域中。

• 如何進行管理支持

智能風控平臺與傳統(tǒng)的風控體系的管理歐式差別較大，在傳統(tǒng)的風控體系下建立的業(yè)務(wù)制度、業(yè)務(wù)流程勢必無法適應(yīng)智能風控體系。因此及時調(diào)整優(yōu)化業(yè)務(wù)流程，轉(zhuǎn)變業(yè)務(wù)思路，如何將之適應(yīng)智能風控體系將是一個難點。

引用百度金服圖片