如何使用风控产品

A. 如何做风控策略

风控决策引擎本质上是一系列规则的集合。风控规则也叫做风控政策、风控策略。欺诈、盗号、作弊、套现以及营销活动恶意刷单、恶意抢占资源等都是风险，都需要复杂但高效的规则引擎。这里我们只关注信贷风控。

风控规则的制定原则：

监管层面
监管会约束机构禁止对未成年发放贷款，执行起来，准入规则就会强制要求用户年龄大于等于 18 周岁。
学生贷也会有较多监管要求，因为学生群体大多没什么稳定的经济收入来源，按时还款的能力不足，容易滋生过度借贷和诈骗。
公司层面
准入通常也会设定一个年龄上限，例如 60 岁。设定年龄上限往往是出于舆论的考虑，老年人贷后事故可能会更大，例如遇到催收反应过激。这一般并不在监管范畴，而是公司层面的原则。
高危地区 也是如此，某些区域历史上出现过集中诈骗，为了防止被团伙攻击，在公司层面直接不对这些高危地区准入的做法也是存在的。
另外，公司也会规定同一申请人被拒绝一个月内不能再次申请借款。这是因为短时间内用户的信息不会发生明显变化，用户的风险评估结果不会前后差异过大，前次被拒绝，再次评估往往还会被拒绝。而评估一个人是有成本的，低效地去重复查询数据是不可取的。
风控层面
根据行业经验，制定欺诈类、黑名单类、多头类、信用不良类的强规则是不言而喻的。
欺诈 主要可分为一方欺诈和三方欺诈。一方欺诈是指申请人自身的欺诈行为；三方欺诈是第三方盗用、冒用他人身份进行欺诈，申请者本人并不知情，比如团伙利用非法收集的身份证进行欺诈。
其实还有两方欺诈，是内部人员勾结的欺诈，一般不在考虑范围。
一方欺诈往往较难定义，它跟信用不良的表现结果无二。可以先验地设置一些专家判断，例如手机号入网时长一般限制最小值为 6 个月或 12 个月。新号来注册申请，显然更可能是欺诈骗贷，当然这些规则很容易被撸口子大军绕过。道高一尺，魔高一丈。
人脸识别 显然是一个很有效的三方欺诈防控的办法，但也是一个很笨重很伤用户体验的办法。三方欺诈防控更大程度地依赖于大数据挖掘，盗用冒用在设备行为和关系网络上一般是有迹可循的。基于大数据的反欺诈模型是风控中重要的内容之一。
黑名单 一般分产品内部黑名单和行业外部黑名单，内部黑名单指的是历史用户中的欺诈用户和严重征信不良用户，外部黑名单指的是三方数据提供的命中信贷逾期名单或法院执行名单或其他高风险的用户。黑名单防控和一方欺诈有交叉重叠。
命中黑名单的客群一般会直接拒绝。业务持续发展过程中，黑名单客群数量可能积累过大，这往往是由于入黑规则过于严格，误杀会较严重。将其根据风险差异再拆分黑名单和灰名单是必要的，对灰名单用户可以测试放开。从而实现名单优化。
多头 指的是用户在多家平台借款，存在借新还旧、以贷养贷的风险。用户也许能够从其他平台借到款来还自己平台的款，但对任何单一平台来说，赌自己不会成为受害方就跟赌比特币自己不接盘一样，不是风控该允许的做法。
行业的共识就是制定多头规则。多头指标往往是制定成可变规则，因为多头是一个程度问题，阈值可以调整，多头规则是整个风控规则中调整频率比较高的。
实际上，基于数据分析的规则制定是方便易行的。基于特征库，挑选出一些风险区分度高的变量是一个单变量分析的过程。 只要遵循三个指标，准确率、召回率和稳定性，就能找出有效可用的规则集。
准确率 是说命中的人当中坏用户占比要尽量高。
召回率 指的是命中的坏用户要足够多，一条规则只找出了几个人，即使都是坏人，也没有意义。
稳定性 当然很重要，命中的人数、命中的人当中坏用户占比，都需要持续稳定。否则要频繁跟踪调整。
需要说明的是，模型也可以理解成一条规则，只不过它是将许许多多的弱变量组合成一个强变量。强变量用于规则，弱变量用于模型。
他们的本质都是将用户分层，方便我们将用户一分为二，将其通过或拒绝。
对于一些可变规则，应定期检测规则的时效性，有些规则是经常需要更新的。另外还需要保密，尤其是反欺诈规则。

说说策略同学的关键技能。
业务总会不断对策略进行迭代优化，这往往也导致策略体系过于庞杂，怎么样从庞杂的体系中分清轻重缓急是策略同学的核心能力。
如果推倒重来要怎么做？给一家新公司业务做策略顾问你要怎么做？这些都不是照搬现有体系能够解决的。设想下，假如需要你去做风控能力输出，从 0 开始制定一套风控流程。你会怎么做？
决策引擎是一套决策流程，它的要素组成是规则清单和规则被执行的顺序。 前者要求全面且高区分性，后者对成本优化至关重要。
为了使风控输出的规则保持清晰有效，既需要考虑规则变量提取的易行性，又要考虑规则执行的必要性。命中低、难执行、成本高是失败规则的常见特点。重复命中也是策略体系中常见的问题。
规则清单制定完成后，需要动态监控每条规则命中的人数。不同时期激活的规则可能不一样，也就是说，可能其中一部分是激活状态，另一部分是抑制状态。动态调整规则的阈值，以及激活抑制的状态，是很有必要的。
例如，某些月份的逾期相对较高，新增了一些规则，后期监控到这些规则发现其区分能力明显下降，就应该适当取消。
不管是规则还是模型，一定会有很多误杀，但误杀是允许的，因为贷款本金的损失往往是利息收益的几十甚至数百倍。
平衡决策对通过率的影响和对风险的影响，对成本的影响和对收益的影响，是风控策略从业者需要培养的职业嗅觉。

多头借贷在策略上一般作为拒绝维度参与到整个风控流程中。不同机构、不同信贷产品、不同场景，对于多头借贷的拒绝线划分都是不一样的。
如何找到当下最适合的多头借贷拒绝线，是风控策略分析人员工作中的核心任务。

以上，如果我们采用宽松政策，可以将阈值定为大于等于 2 作为拒绝线，这样拒绝率只占 3.2%，被排除的用户坏账率更高。
而如果我们采用严格政策，可以改为大于 0 则拒绝，这样拒绝率增加为 10%，被拒绝的用户相比通过用户仍然显着要高。
这两个规则都是有效的，实际业务中采用什么样的阈值取决于公司的政策。从严 or 从宽。
当然，最顶层的目标是利润最大化。
值得说明的是，多头数据往往覆盖率有限，体现在变量取值上是 0 值占比过高，这个时候便可以考虑取大于 0 的部分来做多头排黑规则。

利用决策树制定更多变量更丰富的交叉组合可以得到更有效的规则。

多头变量除了用于制定强规则直接去拒绝用户外，还以为作为软规则用于客群划分。多头严重或者不严重区分出来后，再结合其他维度的风险评估交叉使用。
国内缺的从来不是策略，而是将策略贯彻的决心与环境。

以上文章来源于thunderbang ，作者雷帅

B. 第三方支付风控风险点有哪些，三方支付企业如何有效实现风控呢

第三方支付产品上线后，风控问题就产生了。各色中介羊毛党层出不穷，各类突发性系统风险接踵而来。对于传统 第三方支付的风控来说，由于信息量有限，各种欺诈时有发生，各种假冒的银行流水和通话记录猝不及防。支付宝、微信、智付等第三方支付的风控一般通过数字证书、实名认证、控制消费限额、风险监控系统、纬度权限管理体制等手段防范和控制风险。一个人可以是现实中的欺诈者，同时也是信用记录中的优质用户。
现在第三方支付已经慢慢采用大数据风控技术。使用大数据风控技术后，由于用户记录是基于其日常生活的方方面面，造假和伪造无异于重新投胎。对于金融危机等金融性灾难来说，由于大数据前期已经对人群进行精密分类，并对用户信息作全方位整理。潜在的危机能在发生前实施预警，从而大大减少金融危机带来的损失。

C. 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。

D. 银行理财产品风险控制措施有哪些

银行理财产品的风险控制是银行在设计理财产品的时候首先要考虑的因素。一般来讲，银行会通过项目筛选/加强担保机制/加强项目监管等多种措施进行严格把关。 从客户角度，需要注意的是要了解自己的风险属性并寻找匹配的理财产品，不要盲目跟风，只看收益率。

银行理财产品的风险肯定是有的，承受风险才能获得收益，投资风险终于的不是规避，而是控制，控制在您可承受的范围内就是合理。到银行可以为您进行评估您的风险承受能力再给您理财建议。理财的主要风险就是本金，收益，流动性三大风险。

E. 信托风险的信托产品风控措施

信托风控措施：风控措施就是风险控制措施，信托的主要风控措施主要有抵押物和质押物的形式，第三方连带责任，设置安全垫(分层级)等，一个信托的抵押/质押率越低，第三连带责任方实力越雄厚，安全垫比例越大，信托就越安全。
根据不同的产品有不同的风险控制措施，主要有：抵押、质押、担保和结构化设计等 。有的产品只采用一种风控措施，有的产品同时采用多种风控措施。
(1) 抵押或质押：融资方将其动产或不动产(房产、股权等)抵押或质押给信托公司，若融资方无法按期支付信托产品的本金及收益，信托公司可以拍卖抵押或质押物，以保障投资人的利益;
(2) 担保：对于没有抵押(或质押)或者抵押率比较高的，信托公司往往会要求融资方对信托财产提供相应的担保。比如，担保公司担保、第三方担保(融资方的母公司或关联公司)、公司法人无限连带担保等;
(3) 结构化设计：所谓结构化设计就是将信托收益权进行分层配置，购买优先级的投资者享有优先收益权，购买次级和劣后级的投资者享有劣后收益权。在固定收益类信托理财产品中，劣后级投资一般由融资方投资，信托期满后，投资收益在优先保证优先级受益人本金、预期收益及相关费用后的余额全部归劣后级受益人;若出现投资风险，也先由劣后级投资者承担;
(4) 以房地产信托为例：房地产信托贷款，风险控制措施一般为土地或现房抵押，保证担保;房地产股权投资，风险控制措施一般为信托持股，股权质押，派驻人员，监控资金，回购安排等。

F. 大数据风控在金融科技中的应用和问题

大数据风控在金融科技中的应用和问题
一、为什么要用大数据风控？
不论是银行还是消费金融公司，互联网小贷公司等其他金融机构，金融机构普遍有风控需求，底层业务逻辑几乎完全相同，只是面对客群，金融产品、风险偏好存在差异。
银行等传统机构本质上是风险经营。一方面，监管层对金融机构的风控能力提出很高要求， 另一方面，风控直接会影响金融机构的利润水平。
因此，大数据风控直接解决金融机构的核心需求，价值度最大。大数据风控能够能够在用户画像，反欺诈，信用评级等方面大大提高金融机构的效率和风控能力，是金融企业发展过程中必须结合的一项科技手段。
二、大数据产业情况介绍
目前大数据行业主要有三类玩家：
以人行征信、鹏元征信、前海征信、银联智策为主的数据机构，他们特点是和传统的银行，公安部，工商局，航空公司，社保局等国家机关合作，提供公民基本身份证信息、银行卡信息、航空出行信息、企业工商信息等，他们的特点是对外提供数据查询，数据丰富有价值，缺点是风控产品偏弱。以蚂蚁金服、腾讯征信、网络金融为主的互联网公司，他们的特点是各自都有一块基于电商、社交、搜索的巨量数据，同时一些外部数据，形成自己的风控产品和数据输出能力，这些互联网公司刚开始只是和自己的战略合作企业合作输出风控，现在也慢慢对外提供2B的风控产品。同盾科技、百融金服、帮盛科技、聚信立、数美科技等创业技术公司，在互联网巨头还没有对外提供风控技术和传统数据机构风控技术还不强的时候，他们的出现弥补了P2P金融和现金贷对风控产品的巨大需求，他们的数据是整合多方数据源，不断的为2B企业提供风控模型和数据，并且获得了一些网贷数据积累。
三、大数据风控的覆盖流程
大数据覆盖信贷领域各个流程，重点是获客、身份验证和授信环节，贷中后环节。
获客环节建立用户画像，跟踪用户完整生命周期；身份验证环节，通过身份验证，活体识别等技术解决申请人是否本人的问题，关联分析则是利用图关联技术，找出欺诈团伙；授信环节汇聚多方数据源，通过建模进行风险定价，金融科技服务商输出信用评分给机构使用；贷中后环节，主要是排查异常客户，及时报警，以及逾期客户失联修复等。

大数据在信贷过程中的应用
四、大数据风控的价值点分析

1.数据
大数据风控中什么是最重要的？
答案是：数据。
数据的大数据风控中的核心中的核心，没有什么比数据直接告诉金融机构某个目标客户是黑名单客户，逾期严重客户更简单和高效的事情了。
数据最好能有海量数据，覆盖足够多的用户；用户数据价值密度高、噪音少，数据清洗容易；用户数据维度多，能够形成丰富的用户画像；自身业务场景能够获取有价值数据 。
2.技术
对于有些金融机构来讲，如果风控标准很严格，其实排查不能准入的客户其实是不难的，但是对于大部分金融机构来讲，风控和业务是互斥的，为了提高业务量，就必须降低准入标准，但是又要防范风险，这就需要借助技术手段，通过反欺诈建模和信用建模方式，对一下白户进行评估，以及评估客户信用水平，以决定是否准入。
技术要求有强大的底层技术架构能力，良好的企业级产品输出能力和大数据清洗和建模能力，未来还需要结合Al等技术，形成智能的风控和反欺诈平台。
3.场景
理财，保险，汽车金融，现金贷等金融服务，对应的场景不同，对建模的要求也不同，建模能力要求对客户的业务场景非常理解，模型才能适合行业特征。需要经验丰富的建模团队和行业专家队伍；服务过行业标杆客户，了解客户的业务场景；深度理解业务需求。
五、大数据风控的在信贷中应用
我们以百融系统为例，介绍大数据风控在信贷过程中的流程：

百融大数据风控应用贷款流程
当前的信贷审批流程主要分为人工审核和自动审核，对于客户资质好，信用好的客户，只要能通过负面信息，欺诈信息，信用评估，那么系统自 动审批通过。对负面信息和欺诈风险没有通过的客户，系统可以自动拒绝或者申请人工复核，对于信用评分不高的客户，需要人工介入审核。
六、常用的大数据行业数据
央行征信报告：一般持牌金融机构有央行征信介入权限，包括个人的执业资格记录、行政奖励和处罚记录、法院诉讼和强制执行记录、欠税记录等。司法信息：最高法以及省市各级法院的最新公布名单，包括执行法院、立案时间、执行案号、执行标的、案件状态、执行依据、执行机构、生效法律文书确定的义务、被执行人的履行情况、失信被执行人的行为等信息。公安信息：覆盖公安系统涉案、在逃和有案底人员信息，包括案发时间、案件详情如诈骗案/生产、销售假药案等信息。信用卡信息：银行储蓄卡/信用卡支出、收入、 逾期等信息。航旅信息：包含过去一年中，每个季度的飞行城市、飞行次数、座位层次等数据。社交信息：包含社交账号匹配类型、社交账号性别、社交账号粉丝数等。运营商信息：核查运营商账户在网时长、在网状态、消费档次等信息。网贷黑名单：根据个人姓名和身份证号码验证是否有网贷逾期，黑名单信息。还有驾驶证状态，租车黑名单，电商消费记录等等。
七、大数据行业存在的问题
目前整个大数据行业面临的问题主要是客户隐私泄露问题，像公安，法院等信息由于信息敏感，其实是游走在法律监管空白地带。
在百行征信成立之前，各家数据机构的数据其实没有打通，数据的有效性会打折扣，预计百行征信数据出来之后，因为结合了各家数据之长，数据连贯性会好一些。
各个大数据公司在数据收集和清洗方式不同，会造成数据污染，这样输出的数据会有一定的不准确性。
目前公民数据主要来自于线下收集和网络行为记录，数据的存在一定的滞后性，单纯线下收集的数据存在一定的延迟性。
大数据还处于发展初期，目前比较大的问题还是数据量不够大，不够全，以及如何协调数据开放和公民隐私之间的矛盾，未来还需要结合人工智能和区块链，物联网等技术，实现数据的不可篡改，数据收集及时等能力，从而更好为金融服务。

G. 互联网金融产品如何利用大数据做风控

我们来看一下传统的信贷风控模式，贷前，贷中，贷后三部分中最看重的是贷前，而对贷中贷后并不是非常注重。而这样的思想在互联网金融上是绝对要不得的。互联网金融的客户什么牛鬼蛇神都有，其降低风险的主要手段其实并不是完善而大量的数据收集、统计和分析。而是风险的分摊。这也是金融行业最简单的贷款风险控制手段。如果我做十笔就可能会亏一笔，那我每九笔的利润至少要能摊平这一次的亏损。大数据的使用对于确定盈亏出清利率提供了相对合理的手段。似乎这样就已经可以了？只要事先选择合理的利率和合适客户就解决问题了？可惜事实总比你想的更奇葩。数据是靠谱的，分析却可以不靠谱，人却可以更不靠谱，这点我不多说，大家都明白。互联网的大数据在这一点上是比不上传统的信贷风控手段的。那位和我聊天的老师在这一点上说的很有意思。他说，互联网金融做的客户，多半是银行不想做不愿做的，它们只是捡了别人不要的东西，哪天银行真想要了，买来就是。诚然这里面多少有些一厢情愿，不过前半句倒是事实。从一开始，互联网金融就选择了传统信贷所难以下手的市场。谨记这点便引出了为什么我要在前面说，互联网金融绝对不能放松贷中和贷后的风控。而恰巧，大数据能帮互联网金融做到的最棒的部分，还就是贷中和贷后。关于贷中管理，这位老师讲了一个很有意思的案例。他提到有某家金融机构，使用大数据监控某个区域内企业的流水，如果某段时间流水出现了异常，那么他们就会派人去调查具体发生了什么事。

H. 互联网金融风控模型一般是如何搭建的

风控模型是在良好的建立风控体系、风控评定方式、评分机制等基础上，进行有效的数据分析及评分体系，就是建立常用的风控模型方式。我们以搜易贷的风控系统“风刃”为例。风刃系统不仅是在某一个模型上去判断风险，更是在每一个环节予以应用来指导整个金融行为，在用户申请贷款时判断风险，在平台放款时判断申请意愿的真实性以及骗贷概率，在贷后判断逾期的可能性，都是从用户行为习惯来观察。此外，风刃系统还运用人工智能学习，在获客管理上通过筛选用户来源渠道及用户特征聚类的实时分析，去寻找正常人群中可能存在的小部分的异常人群，从而防范骗贷行为。风刃系统不仅是在某一个模型上去判断风险，更是在每一个环节予以应用来指导整个金融行为，在用户申请贷款时判断风险，在平台放款时判断申请意愿的真实性以及骗贷概率，在贷后判断逾期的可能性，都是从用户行为习惯来观察。此外，风刃系统还运用人工智能学习，在获客管理上通过筛选用户来源渠道及用户特征聚类的实时分析，去寻找正常人群中可能存在的小部分的异常人群，从而防范骗贷行为。风刃系统不仅是在某一个模型上去判断风险，更是在每一个环节予以应用来指导整个金融行为，在用户申请贷款时判断风险，在平台放款时判断申请意愿的真实性以及骗贷概率，在贷后判断逾期的可能性，都是从用户行为习惯来观察。此外，风刃系统还运用人工智能学习，在获客管理上通过筛选用户来源渠道及用户特征聚类的实时分析，去寻找正常人群中可能存在的小部分的异常人群，从而防范骗贷行为。