如何使用風控產品

A. 如何做風控策略

風控決策引擎本質上是一系列規則的集合。風控規則也叫做風控政策、風控策略。欺詐、盜號、作弊、套現以及營銷活動惡意刷單、惡意搶占資源等都是風險，都需要復雜但高效的規則引擎。這里我們只關注信貸風控。

風控規則的制定原則：

監管層面
監管會約束機構禁止對未成年發放貸款，執行起來，准入規則就會強制要求用戶年齡大於等於 18 周歲。
學生貸也會有較多監管要求，因為學生群體大多沒什麼穩定的經濟收入來源，按時還款的能力不足，容易滋生過度借貸和詐騙。
公司層面
准入通常也會設定一個年齡上限，例如 60 歲。設定年齡上限往往是出於輿論的考慮，老年人貸後事故可能會更大，例如遇到催收反應過激。這一般並不在監管范疇，而是公司層面的原則。
高危地區 也是如此，某些區域歷史上出現過集中詐騙，為了防止被團伙攻擊，在公司層面直接不對這些高危地區准入的做法也是存在的。
另外，公司也會規定同一申請人被拒絕一個月內不能再次申請借款。這是因為短時間內用戶的信息不會發生明顯變化，用戶的風險評估結果不會前後差異過大，前次被拒絕，再次評估往往還會被拒絕。而評估一個人是有成本的，低效地去重復查詢數據是不可取的。
風控層面
根據行業經驗，制定欺詐類、黑名單類、多頭類、信用不良類的強規則是不言而喻的。
欺詐 主要可分為一方欺詐和三方欺詐。一方欺詐是指申請人自身的欺詐行為；三方欺詐是第三方盜用、冒用他人身份進行欺詐，申請者本人並不知情，比如團伙利用非法收集的身份證進行欺詐。
其實還有兩方欺詐，是內部人員勾結的欺詐，一般不在考慮范圍。
一方欺詐往往較難定義，它跟信用不良的表現結果無二。可以先驗地設置一些專家判斷，例如手機號入網時長一般限制最小值為 6 個月或 12 個月。新號來注冊申請，顯然更可能是欺詐騙貸，當然這些規則很容易被擼口子大軍繞過。道高一尺，魔高一丈。
人臉識別 顯然是一個很有效的三方欺詐防控的辦法，但也是一個很笨重很傷用戶體驗的辦法。三方欺詐防控更大程度地依賴於大數據挖掘，盜用冒用在設備行為和關系網路上一般是有跡可循的。基於大數據的反欺詐模型是風控中重要的內容之一。
黑名單 一般分產品內部黑名單和行業外部黑名單，內部黑名單指的是歷史用戶中的欺詐用戶和嚴重徵信不良用戶，外部黑名單指的是三方數據提供的命中信貸逾期名單或法院執行名單或其他高風險的用戶。黑名單防控和一方欺詐有交叉重疊。
命中黑名單的客群一般會直接拒絕。業務持續發展過程中，黑名單客群數量可能積累過大，這往往是由於入黑規則過於嚴格，誤殺會較嚴重。將其根據風險差異再拆分黑名單和灰名單是必要的，對灰名單用戶可以測試放開。從而實現名單優化。
多頭 指的是用戶在多家平台借款，存在借新還舊、以貸養貸的風險。用戶也許能夠從其他平台借到款來還自己平台的款，但對任何單一平台來說，賭自己不會成為受害方就跟賭比特幣自己不接盤一樣，不是風控該允許的做法。
行業的共識就是制定多頭規則。多頭指標往往是制定成可變規則，因為多頭是一個程度問題，閾值可以調整，多頭規則是整個風控規則中調整頻率比較高的。
實際上，基於數據分析的規則制定是方便易行的。基於特徵庫，挑選出一些風險區分度高的變數是一個單變數分析的過程。 只要遵循三個指標，准確率、召回率和穩定性，就能找出有效可用的規則集。
准確率 是說命中的人當中壞用戶佔比要盡量高。
召回率 指的是命中的壞用戶要足夠多，一條規則只找出了幾個人，即使都是壞人，也沒有意義。
穩定性 當然很重要，命中的人數、命中的人當中壞用戶佔比，都需要持續穩定。否則要頻繁跟蹤調整。
需要說明的是，模型也可以理解成一條規則，只不過它是將許許多多的弱變數組合成一個強變數。強變數用於規則，弱變數用於模型。
他們的本質都是將用戶分層，方便我們將用戶一分為二，將其通過或拒絕。
對於一些可變規則，應定期檢測規則的時效性，有些規則是經常需要更新的。另外還需要保密，尤其是反欺詐規則。

說說策略同學的關鍵技能。
業務總會不斷對策略進行迭代優化，這往往也導致策略體系過於龐雜，怎麼樣從龐雜的體系中分清輕重緩急是策略同學的核心能力。
如果推倒重來要怎麼做？給一家新公司業務做策略顧問你要怎麼做？這些都不是照搬現有體系能夠解決的。設想下，假如需要你去做風控能力輸出，從 0 開始制定一套風控流程。你會怎麼做？
決策引擎是一套決策流程，它的要素組成是規則清單和規則被執行的順序。 前者要求全面且高區分性，後者對成本優化至關重要。
為了使風控輸出的規則保持清晰有效，既需要考慮規則變數提取的易行性，又要考慮規則執行的必要性。命中低、難執行、成本高是失敗規則的常見特點。重復命中也是策略體系中常見的問題。
規則清單制定完成後，需要動態監控每條規則命中的人數。不同時期激活的規則可能不一樣，也就是說，可能其中一部分是激活狀態，另一部分是抑制狀態。動態調整規則的閾值，以及激活抑制的狀態，是很有必要的。
例如，某些月份的逾期相對較高，新增了一些規則，後期監控到這些規則發現其區分能力明顯下降，就應該適當取消。
不管是規則還是模型，一定會有很多誤殺，但誤殺是允許的，因為貸款本金的損失往往是利息收益的幾十甚至數百倍。
平衡決策對通過率的影響和對風險的影響，對成本的影響和對收益的影響，是風控策略從業者需要培養的職業嗅覺。

多頭借貸在策略上一般作為拒絕維度參與到整個風控流程中。不同機構、不同信貸產品、不同場景，對於多頭借貸的拒絕線劃分都是不一樣的。
如何找到當下最適合的多頭借貸拒絕線，是風控策略分析人員工作中的核心任務。

以上，如果我們採用寬松政策，可以將閾值定為大於等於 2 作為拒絕線，這樣拒絕率只佔 3.2%，被排除的用戶壞賬率更高。
而如果我們採用嚴格政策，可以改為大於 0 則拒絕，這樣拒絕率增加為 10%，被拒絕的用戶相比通過用戶仍然顯著要高。
這兩個規則都是有效的，實際業務中採用什麼樣的閾值取決於公司的政策。從嚴 or 從寬。
當然，最頂層的目標是利潤最大化。
值得說明的是，多頭數據往往覆蓋率有限，體現在變數取值上是 0 值佔比過高，這個時候便可以考慮取大於 0 的部分來做多頭排黑規則。

利用決策樹制定更多變數更豐富的交叉組合可以得到更有效的規則。

多頭變數除了用於制定強規則直接去拒絕用戶外，還以為作為軟規則用於客群劃分。多頭嚴重或者不嚴重區分出來後，再結合其他維度的風險評估交叉使用。
國內缺的從來不是策略，而是將策略貫徹的決心與環境。

以上文章來源於thunderbang ，作者雷帥

B. 第三方支付風控風險點有哪些，三方支付企業如何有效實現風控呢

第三方支付產品上線後，風控問題就產生了。各色中介羊毛黨層出不窮，各類突發性系統風險接踵而來。對於傳統 第三方支付的風控來說，由於信息量有限，各種欺詐時有發生，各種假冒的銀行流水和通話記錄猝不及防。支付寶、微信、智付等第三方支付的風控一般通過數字證書、實名認證、控制消費限額、風險監控系統、緯度許可權管理體制等手段防範和控制風險。一個人可以是現實中的欺詐者，同時也是信用記錄中的優質用戶。
現在第三方支付已經慢慢採用大數據風控技術。使用大數據風控技術後，由於用戶記錄是基於其日常生活的方方面面，造假和偽造無異於重新投胎。對於金融危機等金融性災難來說，由於大數據前期已經對人群進行精密分類，並對用戶信息作全方位整理。潛在的危機能在發生前實施預警，從而大大減少金融危機帶來的損失。

C. 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。

D. 銀行理財產品風險控制措施有哪些

銀行理財產品的風險控制是銀行在設計理財產品的時候首先要考慮的因素。一般來講，銀行會通過項目篩選/加強擔保機制/加強項目監管等多種措施進行嚴格把關。 從客戶角度，需要注意的是要了解自己的風險屬性並尋找匹配的理財產品，不要盲目跟風，只看收益率。

銀行理財產品的風險肯定是有的，承受風險才能獲得收益，投資風險終於的不是規避，而是控制，控制在您可承受的范圍內就是合理。到銀行可以為您進行評估您的風險承受能力再給您理財建議。理財的主要風險就是本金，收益，流動性三大風險。

E. 信託風險的信託產品風控措施

信託風控措施：風控措施就是風險控制措施，信託的主要風控措施主要有抵押物和質押物的形式，第三方連帶責任，設置安全墊(分層級)等，一個信託的抵押/質押率越低，第三連帶責任方實力越雄厚，安全墊比例越大，信託就越安全。
根據不同的產品有不同的風險控制措施，主要有：抵押、質押、擔保和結構化設計等 。有的產品只採用一種風控措施，有的產品同時採用多種風控措施。
(1) 抵押或質押：融資方將其動產或不動產(房產、股權等)抵押或質押給信託公司，若融資方無法按期支付信託產品的本金及收益，信託公司可以拍賣抵押或質押物，以保障投資人的利益;
(2) 擔保：對於沒有抵押(或質押)或者抵押率比較高的，信託公司往往會要求融資方對信託財產提供相應的擔保。比如，擔保公司擔保、第三方擔保(融資方的母公司或關聯公司)、公司法人無限連帶擔保等;
(3) 結構化設計：所謂結構化設計就是將信託收益權進行分層配置，購買優先順序的投資者享有優先收益權，購買次級和劣後級的投資者享有劣後收益權。在固定收益類信託理財產品中，劣後級投資一般由融資方投資，信託期滿後，投資收益在優先保證優先順序受益人本金、預期收益及相關費用後的余額全部歸劣後級受益人;若出現投資風險，也先由劣後級投資者承擔;
(4) 以房地產信託為例：房地產信託貸款，風險控制措施一般為土地或現房抵押，保證擔保;房地產股權投資，風險控制措施一般為信託持股，股權質押，派駐人員，監控資金，回購安排等。

F. 大數據風控在金融科技中的應用和問題

大數據風控在金融科技中的應用和問題
一、為什麼要用大數據風控？
不論是銀行還是消費金融公司，互聯網小貸公司等其他金融機構，金融機構普遍有風控需求，底層業務邏輯幾乎完全相同，只是面對客群，金融產品、風險偏好存在差異。
銀行等傳統機構本質上是風險經營。一方面，監管層對金融機構的風控能力提出很高要求， 另一方面，風控直接會影響金融機構的利潤水平。
因此，大數據風控直接解決金融機構的核心需求，價值度最大。大數據風控能夠能夠在用戶畫像，反欺詐，信用評級等方面大大提高金融機構的效率和風控能力，是金融企業發展過程中必須結合的一項科技手段。
二、大數據產業情況介紹
目前大數據行業主要有三類玩家：
以人行徵信、鵬元徵信、前海徵信、銀聯智策為主的數據機構，他們特點是和傳統的銀行，公安部，工商局，航空公司，社保局等國家機關合作，提供公民基本身份證信息、銀行卡信息、航空出行信息、企業工商信息等，他們的特點是對外提供數據查詢，數據豐富有價值，缺點是風控產品偏弱。以螞蟻金服、騰訊徵信、網路金融為主的互聯網公司，他們的特點是各自都有一塊基於電商、社交、搜索的巨量數據，同時一些外部數據，形成自己的風控產品和數據輸出能力，這些互聯網公司剛開始只是和自己的戰略合作企業合作輸出風控，現在也慢慢對外提供2B的風控產品。同盾科技、百融金服、幫盛科技、聚信立、數美科技等創業技術公司，在互聯網巨頭還沒有對外提供風控技術和傳統數據機構風控技術還不強的時候，他們的出現彌補了P2P金融和現金貸對風控產品的巨大需求，他們的數據是整合多方數據源，不斷的為2B企業提供風控模型和數據，並且獲得了一些網貸數據積累。
三、大數據風控的覆蓋流程
大數據覆蓋信貸領域各個流程，重點是獲客、身份驗證和授信環節，貸中後環節。
獲客環節建立用戶畫像，跟蹤用戶完整生命周期；身份驗證環節，通過身份驗證，活體識別等技術解決申請人是否本人的問題，關聯分析則是利用圖關聯技術，找出欺詐團伙；授信環節匯聚多方數據源，通過建模進行風險定價，金融科技服務商輸出信用評分給機構使用；貸中後環節，主要是排查異常客戶，及時報警，以及逾期客戶失聯修復等。

大數據在信貸過程中的應用
四、大數據風控的價值點分析

1.數據
大數據風控中什麼是最重要的？
答案是：數據。
數據的大數據風控中的核心中的核心，沒有什麼比數據直接告訴金融機構某個目標客戶是黑名單客戶，逾期嚴重客戶更簡單和高效的事情了。
數據最好能有海量數據，覆蓋足夠多的用戶；用戶數據價值密度高、噪音少，數據清洗容易；用戶數據維度多，能夠形成豐富的用戶畫像；自身業務場景能夠獲取有價值數據 。
2.技術
對於有些金融機構來講，如果風控標准很嚴格，其實排查不能准入的客戶其實是不難的，但是對於大部分金融機構來講，風控和業務是互斥的，為了提高業務量，就必須降低准入標准，但是又要防範風險，這就需要藉助技術手段，通過反欺詐建模和信用建模方式，對一下白戶進行評估，以及評估客戶信用水平，以決定是否准入。
技術要求有強大的底層技術架構能力，良好的企業級產品輸出能力和大數據清洗和建模能力，未來還需要結合Al等技術，形成智能的風控和反欺詐平台。
3.場景
理財，保險，汽車金融，現金貸等金融服務，對應的場景不同，對建模的要求也不同，建模能力要求對客戶的業務場景非常理解，模型才能適合行業特徵。需要經驗豐富的建模團隊和行業專家隊伍；服務過行業標桿客戶，了解客戶的業務場景；深度理解業務需求。
五、大數據風控的在信貸中應用
我們以百融系統為例，介紹大數據風控在信貸過程中的流程：

百融大數據風控應用貸款流程
當前的信貸審批流程主要分為人工審核和自動審核，對於客戶資質好，信用好的客戶，只要能通過負面信息，欺詐信息，信用評估，那麼系統自 動審批通過。對負面信息和欺詐風險沒有通過的客戶，系統可以自動拒絕或者申請人工復核，對於信用評分不高的客戶，需要人工介入審核。
六、常用的大數據行業數據
央行徵信報告：一般持牌金融機構有央行徵信介入許可權，包括個人的執業資格記錄、行政獎勵和處罰記錄、法院訴訟和強制執行記錄、欠稅記錄等。司法信息：最高法以及省市各級法院的最新公布名單，包括執行法院、立案時間、執行案號、執行標的、案件狀態、執行依據、執行機構、生效法律文書確定的義務、被執行人的履行情況、失信被執行人的行為等信息。公安信息：覆蓋公安系統涉案、在逃和有案底人員信息，包括案發時間、案件詳情如詐騙案/生產、銷售假葯案等信息。信用卡信息：銀行儲蓄卡/信用卡支出、收入、 逾期等信息。航旅信息：包含過去一年中，每個季度的飛行城市、飛行次數、座位層次等數據。社交信息：包含社交賬號匹配類型、社交賬號性別、社交賬號粉絲數等。運營商信息：核查運營商賬戶在網時長、在網狀態、消費檔次等信息。網貸黑名單：根據個人姓名和身份證號碼驗證是否有網貸逾期，黑名單信息。還有駕駛證狀態，租車黑名單，電商消費記錄等等。
七、大數據行業存在的問題
目前整個大數據行業面臨的問題主要是客戶隱私泄露問題，像公安，法院等信息由於信息敏感，其實是遊走在法律監管空白地帶。
在百行徵信成立之前，各家數據機構的數據其實沒有打通，數據的有效性會打折扣，預計百行徵信數據出來之後，因為結合了各家數據之長，數據連貫性會好一些。
各個大數據公司在數據收集和清洗方式不同，會造成數據污染，這樣輸出的數據會有一定的不準確性。
目前公民數據主要來自於線下收集和網路行為記錄，數據的存在一定的滯後性，單純線下收集的數據存在一定的延遲性。
大數據還處於發展初期，目前比較大的問題還是數據量不夠大，不夠全，以及如何協調數據開放和公民隱私之間的矛盾，未來還需要結合人工智慧和區塊鏈，物聯網等技術，實現數據的不可篡改，數據收集及時等能力，從而更好為金融服務。

G. 互聯網金融產品如何利用大數據做風控

我們來看一下傳統的信貸風控模式，貸前，貸中，貸後三部分中最看重的是貸前，而對貸中貸後並不是非常注重。而這樣的思想在互聯網金融上是絕對要不得的。互聯網金融的客戶什麼牛鬼蛇神都有，其降低風險的主要手段其實並不是完善而大量的數據收集、統計和分析。而是風險的分攤。這也是金融行業最簡單的貸款風險控制手段。如果我做十筆就可能會虧一筆，那我每九筆的利潤至少要能攤平這一次的虧損。大數據的使用對於確定盈虧出清利率提供了相對合理的手段。似乎這樣就已經可以了？只要事先選擇合理的利率和合適客戶就解決問題了？可惜事實總比你想的更奇葩。數據是靠譜的，分析卻可以不靠譜，人卻可以更不靠譜，這點我不多說，大家都明白。互聯網的大數據在這一點上是比不上傳統的信貸風控手段的。那位和我聊天的老師在這一點上說的很有意思。他說，互聯網金融做的客戶，多半是銀行不想做不願做的，它們只是撿了別人不要的東西，哪天銀行真想要了，買來就是。誠然這裡面多少有些一廂情願，不過前半句倒是事實。從一開始，互聯網金融就選擇了傳統信貸所難以下手的市場。謹記這點便引出了為什麼我要在前面說，互聯網金融絕對不能放鬆貸中和貸後的風控。而恰巧，大數據能幫互聯網金融做到的最棒的部分，還就是貸中和貸後。關於貸中管理，這位老師講了一個很有意思的案例。他提到有某家金融機構，使用大數據監控某個區域內企業的流水，如果某段時間流水出現了異常，那麼他們就會派人去調查具體發生了什麼事。

H. 互聯網金融風控模型一般是如何搭建的

風控模型是在良好的建立風控體系、風控評定方式、評分機制等基礎上，進行有效的數據分析及評分體系，就是建立常用的風控模型方式。我們以搜易貸的風控系統「風刃」為例。風刃系統不僅是在某一個模型上去判斷風險，更是在每一個環節予以應用來指導整個金融行為，在用戶申請貸款時判斷風險，在平台放款時判斷申請意願的真實性以及騙貸概率，在貸後判斷逾期的可能性，都是從用戶行為習慣來觀察。此外，風刃系統還運用人工智慧學習，在獲客管理上通過篩選用戶來源渠道及用戶特徵聚類的實時分析，去尋找正常人群中可能存在的小部分的異常人群，從而防範騙貸行為。風刃系統不僅是在某一個模型上去判斷風險，更是在每一個環節予以應用來指導整個金融行為，在用戶申請貸款時判斷風險，在平台放款時判斷申請意願的真實性以及騙貸概率，在貸後判斷逾期的可能性，都是從用戶行為習慣來觀察。此外，風刃系統還運用人工智慧學習，在獲客管理上通過篩選用戶來源渠道及用戶特徵聚類的實時分析，去尋找正常人群中可能存在的小部分的異常人群，從而防範騙貸行為。風刃系統不僅是在某一個模型上去判斷風險，更是在每一個環節予以應用來指導整個金融行為，在用戶申請貸款時判斷風險，在平台放款時判斷申請意願的真實性以及騙貸概率，在貸後判斷逾期的可能性，都是從用戶行為習慣來觀察。此外，風刃系統還運用人工智慧學習，在獲客管理上通過篩選用戶來源渠道及用戶特徵聚類的實時分析，去尋找正常人群中可能存在的小部分的異常人群，從而防範騙貸行為。