P2P平台如何基于大数据做风控

P2P平台如何基于大数据做风控？

目前，大部分的网贷平台业务模式都是与第三方的机构合作开展的，比如担保公司担保、小贷公司、商业保理公司、融资租赁公司债权回购等。虽然网贷平台标榜双重风控，但是主要的风控还是外包给了这些机构，网贷平台的那一重风控变为了形式，因为如果真的要控制风险的话就要养很多具体操作业务的人，这对平台本已居高不下的运营成本无疑是雪上加霜。

银行是如何来控制风险的？

银行的业务组织结构分为很多条线，核心是风险管理条线，此外还有公司业务条线、个人业务条线、会计条线等；还有直属于总行的同业金融条线和信用卡条线等。风险管理条线之所以被称为核心，是因为金融的核心就是风险控制，所有银行业务中的风险把控操作都由这个部门来具体操作，在其之上还有审批委员会，委员会的成员是由各个与业务相关部门的一把手组成，委员会的最终决策人被称为首席风险官，这个角色没有一票通过权，只有一票否决权，可有效避免一人独裁的局面。此外，风险管理条线还分为授信审批中心、授信管理中心、资产保全中心，职能分别是负责贷前、贷中、贷后的操作。

纵观现在整个网贷行业，风控模式基本沿用了传统银行的风控模式，但比起银行的风控模式还有很大的差距，只是一些皮毛而已，形式单一，只停留在了表面。

如何基于大数据做风控？

与传统模式下的风控体制不同，大数据风控模式正成为行业热点，基于大数据下的风控分为两个方面：一个是内部风控；一个是外部风控。

内部风控主要是防范一些操作上的风险，尽量的将主观人为的操作系统化，这就要求网贷平台加大技术开发的投入，对后台系统功能不断完善以及操作员与管理员的权限尽可能细化，而外部风控主要体现在项目端上，就是要抓住借款人的信用情况、借款资金流向等因素。

P2P平台无法直接查询客户的征信，这降低了行业平台对借款人的震慑力，导致违约成本的降低和重复借贷现象的增加。平台想要获得借款人的个人信用报告，需要花费很多时间，很多年轻人、自由职业者等并未使用信用卡人群无任何信用记录。在这背景下，大数据的作用凸显出来，从某种意义上说，大数据征信与风控将是互联网金融未来发展的命脉。

业内人士认为，大数据征信能够降低信息不对称、数据不及时以及还款能力判断不足的问题，可以增加反欺诈能力，同时更精确的进行风险定价。毕竟，相比于央行的征信，大数据征信因为数据来源、数据内涵、模型思路的不同，信用评价更趋于对人的一些本性的判断，可以运用于借贷以外更广的场景，生活化、日常化的程度更高。原银监会副主席蔡锷生表示：“有大数据的创新和支撑，在风险控制方面会带来很大的变化，这恰恰能体现出来它对传统金融缺失的补充，甚至是小微企业、个人消费信贷的一种金融支持。另外，大数据在未来建立社会征信

的作用也会逐渐地发挥作用。”

征信的问题解决了，其实只解决了所有问题的一部分，对借款资金流向的监控也是非常重要的一环。要形成整个风控的闭环，这个环节不可或缺，就像电商企业要解决物流最后一公里的问题同样重要。目前，银行与第三方支付机构只能监控到本行与本机构内的资金流向数据，一旦资金转出到其他银行和其他结算机构后，就无法监控到了。这些机构间的资金流监控还没有形成联网。资金在清算机构间的转账是通过人民银行的大、小额支付系统实现的，如果人行能够建立一个统一的，跨机构查询资金流向的系统，使资金流向也没有了死角，那么，大数据下的风控就可以形成有效的闭环了。

以上从解决征信和资金流两个方面入手来达到风控目的进行了分析，但对于现实而言，仍存在一些问题，比如监控资金流的问题，一旦通过银行柜台进行取现操作，资金流监控就会出现断档，就无法准确的统计资金的真正流向。所以，大数据时代的风控才刚刚起步。相信随着未来互联网技术手段的不断创新，这些目前困扰我们的问题会迎刃而解。业内知名大数据风控平台服务商神州融已对接多家电商平台、征信机构与第三方支付公司，实现了业界最佳实践的大数据征信接入和风控模型运用，并可使P2P等小微金融机构零门槛拥有银行级全流程信贷管理系统，帮其实现资金流的安全与量化风控管理。

有业内人士曾这样表达自己对于大数据的看法：“大数据不是万能的，没有大数

据是万万不能的，大数据在信用决策、风险控制中发挥着重要作用，而传统的信用和金融数据在今天和看得见的未来还是主要决策信息来源，大数据起着越来越重要的辅助作用。”

大数据风控建模标准流程

大数据风控建模标准流程 一、风控建模标准过程 （一）数据采集汇总 2、评估数据真实性和质量，数据质量好的变量进入后续步骤 （二）模型设计 1、时间窗和好坏客户定义 时间窗：根据获取数据的覆盖周期，将数据分为用来建模的观察期数据，和后面用来验证表现的表现期数据； 好坏客户定义：分析客户滚动和迁移率，来定义什么程度逾期的为“坏客户”，例如定义M3为坏客户就是定义逾期3个月的才是坏 客户； 2、样本集切分和不平衡样本处理 样本集切分：切分为训练集和测试集，一般7/3或8/2比例； 不平衡样本：最理想样本为好坏各50%，实际拿到的样本一般坏 客户占比过低，采取过采样或欠采样方法来调节坏样本浓度。 3、模型选择 评分卡模型以逻辑回归为主。 （三）数据预处理及变量特征分析 1、变量异常值、缺失值处理：使用均值、众数等来平滑异常值，来填补缺失，缺失率过高的变量直接丢弃； 2、变量描述性统计：看各个变量的集中或离散程度，看变量的 分布是否对样本好坏有线性单调的相关性趋势； （四）变量筛选

1、变量分箱：变量取值归入有限个分组中，一般5个左右的分 箱数量，来参加后面的算法模型计算。分箱的原则是使得各箱内部 尽量内聚，即合并为一箱的各组坏样本率接近；使得相邻分箱的坏 样本率呈现单调趋势。从方法上一版采取先机器分箱，后人工微调。 2、定量计算变量对于识别坏样本的贡献度（WOE和IV） （1）WOE是统计一个变量的各分箱区间之间的好占总好比值坏 占总坏之比，不同分箱之间差异明显且比例成单调趋势，说明分箱 的区分度好； （2）IV是在WOE基础上进一步加权计算这个变量整体上对于区 分好坏样本的识别度，也就是变量影响因子。数越大说明用这个变 量进行区分的效果越好，但IV值过大容易引起模型过拟合，即模型 过于依赖单一变量，造成使用过程中平衡性健壮性不好； 3、计算变量之间的相关性或多重共线性，相关性高于0.5甚至0.7的两个变量里，就要舍弃一个，留下iv值较高的那个。例如 “近一个月查询次数”、“近三个月查询次数”、“近六个月查询 次数”这三个变量显然明显互相相关度高，只保留其中一个变量进 入模型即可。 （五）变量入模计算 1、以最终选定的若干变量，进入回归模型算法，机器自动计算 其中每一个X就是一种变量，这个计算就是为了算出每种变量的最终权重，也就是算出所有的b。 2、客户违约概率映射为客户分数。以上公式一旦计算确定，则 给出一个确定的客户，就可以算出其违约概率，下面公式是把概率 进一步再映射计算成一个客户总评分。 3、计算确定每种变量每个分箱所应该给的得分 某一变量在一个分箱的得分该组WOE 1、模型区分好坏客户能力评价

大数据风控的现状、问题及优化路径

大数据风控的现状、问题及优化路径 2016-04-11巴曙松侯畅唐时达互联网金融互联网金融 iefinance互联网金融与金融互联网、互联网等模式，主要包括（p2p网贷、虚拟货币、众筹模式、第三方支付、互联网银行、电商小贷、金融服务等）进行研究与分析。发布的内容也请转发到朋友圈。本账号编辑转载目的在于传递信息对真实性不负责，版权及观点归原作 者所有。4:54 Yiruma - Do You来自互联网金融 文/巴曙松；侯畅（东北大学工商管理学院）；唐时达（北京大学光华管理学院博士后流动站） 摘要：在互联网技术和信息技术的推动下，大数据在金融行业的风控中获得了引 人注目的进展，但是在实际运用中其有效性还需进一步提高。当前大数据风控有效性不足既有数据质量的障碍，也有大数据风控的理论性障碍，还有数据保护的制度障碍。消除这些障碍、提高大数据风控的有效性，需要金融企业、金融研究部门和政府监管部门的共同努力。 关键词：互联网金融；大数据；风险控制 大数据已经撼动了世界的方方面面，从商业科技到医疗、政府、教育、经济、人文以及社会其他各个领域。早在1980年，阿尔文?托夫勒（Alvin Toffler，1980）在《第三次浪潮》一书中就预言大数据将成“第三次浪潮”。奥巴马政府将大数

据定义为“未来的新石油”。凯文?凯利（Kevin Kelly，2014）认为所有的生意都是数据生意。2013年互联网金融将“大数据”推向了新的高度。金融的核心是风险控制，将风控与大数据结合、不断完善和优化风控制度和体系，对于互联网金融企业和传统金融企业而言都同等重要。 一.大数据风控发展迅速，但有效性不佳 在应用层面，金融行业利用大数据进行风控已经取得了一定的成效。使用大数据进行风控已成为美国等发达国家互联网金融企业的标准配置。 美国Zest Finance公司开发的10个基于学习机器的分析模型，对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。 为网上商家提供金融信贷服务的公司Kabbage主要目标客户是ebay、Amazon、PayPal等电商，其通过获取这些企业网店店主的销售、信用记录、顾客流量、评论、商品价格和存货等信息，以及他们在Facebook和Twitter上与客户的互动信息，借助数据挖掘技术，把这些店主分成不同的风险等级，以此来确定提供贷款金额数量与贷款利率水平。 中国互联网金融企业对于大数据风控的运用也如火如荼。

细数大数据风控那点事_光环大数据培训

https://www.wendangku.net/doc/a87089742.html, 细数大数据风控那点事_光环大数据培训 大数据风控同传统风控在本质上没有区别，主要区别在于风控模型数据输入的纬度和数据关联性分析。据统计，目前银行传统的风控模型对市场上70%的客户是有效的，但是对另外30%的用户，其风控模型有效性将大打折扣。 大数据风控作为传统风控方式补充，主要利用行为数据来实施风险控制，用户行为数据可以作为另外的30%客户风控的有效补充。大数据风险控制的作用就是从原来被拒绝的贷款用户中找到合格用户，识别出已经通过审核的高风险客户和欺诈客户。 一、银行信用风险控制的原理 金融行业中，银行是对信用风险依赖最强的一个主体，银行本质就是经营风险，不同的风险偏好决定了银行的经营水平。在经济结构调整周期过程中，信用风险管理也是各个银行面临的巨大挑战。 1.两种常见的信用风险管理方式 银行信用风险管理有两种方式，第一种方式是从大量申请人中找到合格的贷款客户，将贷款放给这些人。第二种方式是从申请人中识别出有潜在风险的贷款客户，不将贷款发给这些人。可以简单地认为是找到好种子和识别出坏种子 2.如何找到合格的贷款人？ 银行在找好种子时，一般会对好种子进行一些基本限定，从贷款人的学历、年龄、收入、职业、资产、负债、消费等几个方面进行打分，最后综合评级，依

https://www.wendangku.net/doc/a87089742.html, 据评估分数进行贷款审批，可以简单地认为是风险定价（RBP）。 贷款销售人员主要的任务是找到好种子的用户，通过KYC和风险评估等方式的找到潜在合格客户。这个阶段的风险控制可以认为是一个基线控制，经过风险评估之后，会得到客户的评估分数或风险评级。在控制基线之上的客户会被放进来，认为是潜在合格客户；风险管理部门进一步验证，如果审核通过之后，就会依据分数和级别发放贷款。 3.识别出潜在风险的人 利用数学模型来识别风险客户，目的是找到欺诈客户和未来不会还款的用户。在识别坏种子时，数学模型和坏种子是关键，数学模型决定风控方式是否科学，数据纬度是否全面，结论是否科学。坏种子是用来修正风控模型参数，提升模型的鲁邦性，同时让模型可以不断完善自己。在预防欺诈用户时，行业共享的黑名单也起到了很大的作用。 坏种子对识别出欺诈用户和潜在违约用户十分关键，风控模型是否有效的一个前提就是是否有足够多的坏种子。 4.个人消费金融授信的5P原则 信用贷款分为抵押贷款和无抵押贷款，其中抵押贷款的风险相对较低，风险评估过程中主要关注抵押品的自身价值和贷款覆盖率，贷款用途和还款能力占信用审批权重比例较低。银行过去大量的个人贷款，都是抵押贷款，其中按揭房贷占了很大的比重。 无抵押贷款称为信用贷款，时髦的称呼为消费金融。贷款人无需进行财产抵押，仅仅依靠自身信用分数或还款能力申请贷款。相对于抵押贷款，其风险较高，

互联网金融的做大数据风控的九种维度

互联网金融做大数据风控的九种维度 在互联网金融迅猛发展的背景下，风险控制问题已然成为行业焦点，基于大数据的风控模型正在成为互联网金融领域的热门战场。那么，大数据风控到底是怎么一回事呢？与传统风控相比，它又是怎样来进行风险识别的呢？本文对此进行了探讨。 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。

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： 1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。

什么是大数据风控

什么是大数据风控 相信大家都听过大数据，大数据到底是什么？研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。随着大数据的普及应用，大数据风控的概念随之而生。互联网金融与传统信贷公司对于大数据风控的态度有褒有贬，有认为大数据风控是一剂济世良药包治百病的，也有认为大数据风控无法适应当前市场现状的等等。本文就从五个问题展开，简单的谈一谈大数据风控。 一、什么是大数据风控：大数据风控即大数据风险控制，是指通过运用大数据构建模型的方法对借款人进行风险控制和风险提示。在现阶段，绝大多数的小微金融企业，特别是小额贷款公司，基本处于凭借人工手段（Excel表格、纸质报告）来管理公司的各项数据，往往无法归纳并利用基础数据进行有效分析（或者作最简单的统计分析）。与原有人为对借款企业或借款人进行经验式风控相比，大数据风控通过采集大量借款人或借款企业的各项指标进行数据建模分析，效率更高、统计结果更有效。 二、大数据风控还离我们多远：早在1997年，中国人民银行的开始创建企业信息基础数据库，并于2006年7月份实现全国联网查询；而中国人民银行个人信用信息基础数据库建设最早始于1999年，2005年8月底完成与全国所有商业银行和部分有条件的农信社的联网运行，2006年1月，个人信用信息基础数据库正式运行。截至2015年底，该数据库收录自然人数共计6亿多人，其中1亿多人有信贷记录。传统的贷款审核无不依托于人民银行征信系统的数据库，随着信息技术的高速发展，当前的大数据风控对于信息收集、统计、审核的要求早已超出了人行征信记录这一范畴，“大数据”+征信已经是行业内的基本审核手段。 现如今，大数据风控在互联网金融领域的运用已经不是新鲜事。在这里，不得不提阿里小贷，依托于阿里巴巴庞大的数据库，阿里小贷通过云计算来对用户数据进行分析处理，最终产生用户的信用数据。阿里数据库的数据种类之多、容量之大，使得阿里小贷能够通过现有数据来对用户违约概率进行较为精准的预测，迅速确定用户授信，真正实现信贷扁平化。目前，各大互联网金融企业均已采用大数据风控分析这一手段，蚂蚁金服、融360、拍拍贷、点融网等均开发有独立的大数据风控系统。 三、大数据风控能解决什么问题 1.有效提高审核的效率和有效性：在传统的风控审核过程中，申请人信息调查审核最为费时、费力、也最难管控，基于传统的经验审核也会造成审核结果的偏差与非有效性。引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。 2.有效降低信息的不对称：信贷市场是典型的信息不对称市场，即表现为信贷公司与申请人的信息不对称，也表现为各信贷公司之间的信息不对称。信贷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。欺诈者能够骗取贷款，利用的正是这种

基于大数据的信用评分模型

基于大数据的信用风险评分模型辨析 作者：中国XX银行风险管理部 ZLP 信用风险评分模型是银行等信贷发放机构应用较为成熟的风险计量工具。本文通过比对、分析传统信用风险评分模型和基于大数据的信用风险评分模型的差异，总结分析大数据信用风险评分模型的优缺点，并提出了若干建议。 信用风险评分模型是银行等信贷发放机构应用较为成熟的风险计量工具。早在20世纪40年代，美国有些银行就开始尝试性研究信用评分方法，用于快速处理大量信贷申请。 1956年，工程师BillFair和数学家EarlIsaac共同发明了著名的FICO评分方法。该方法基本以Logistic回归方法为技术核心，是当前业界应用最成熟的信用风险评分模型。在20世纪60～80年代，随着信息技术的进步和业务的快速发展，信用评分模型在信用卡、消费信贷、住房抵押贷款和小企业贷款中得到了广泛应用。 近几年来，随着大数据和互联网金融的兴起，某些新颖的机器学习算法走出了学术领域，开始在部分互联网金融机构的信用风险评分模型中得到应用。以Zestfinance公司为例，该公司将机器学习算法应用于信用风险评分模型中，这是大数据信用风险评分模型领域的早期探索之一，也是业界讨论热点。然而，在讨论基于大数据的信用评分模型过程中，经常见到的是出于公关需要的炒作、宣传文章，对技术方法本身的讨论较少，不利于应用方正确辨析和恰当应用大数据信用风险评分模型。 本文通过比对、分析传统信用风险评分模型和基于大数据的信用风险评分模型的差异，总结分析大数据信用风险评分模型的优缺点，并提出了若干建议。 一、基于大数据的信用风险评分模型和传统信用风险评分模型的差异分析

大数据风控的现状、问题及优化路径

摘要：在互联网技术和信息技术的推动下，大数据在金融行业的风控中获得了引人注目的进展，但是在实际运用中其有效性还需进一步提高。当前大数据风控有效性不足既有数据质量的障碍，也有大数据风控的理论性障碍，还有数据保护的制度障碍。消除这些障碍、提高大数据风控的有效性，需要金融企业、金融研究部门和政府监管部门的共同努力。 关键词：互联网金融；大数据；风险控制 大数据已经撼动了世界的方方面面，从商业科技到医疗、政府、教育、经济、人文以及社会其他各个领域。早在1980年，阿尔文?托夫勒（Alvin Toffler，1980）在《第三次浪潮》一书中就预言大数据将成“第三次浪潮”。奥巴马政府将大数据定义为“未来的新石油”。凯文?凯利（Kevin Kelly，2014）认为所有的生意都是数据生意。2013年互联网金融将“大数据”推向了新的高度。金融的核心是风险控制，将风控与大数据结合、不断完善和优化风控制度和体系，对于互联网金融企业和传统金融企业而言都同等重要。 一.大数据风控发展迅速，但有效性不佳 在应用层面，金融行业利用大数据进行风控已经取得了一定的成效。使用大数据进行风控已成为美国等发达国家互联网金融企业的标准配置。 美国Zest Finance公司开发的10个基于学习机器的分析模型，对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。 为网上商家提供金融信贷服务的公司Kabbage主要目标客户是ebay、Amazon、PayPal等电商，其通过获取这些企业网店店主的销售、信用记录、顾客流量、评论、商品价格和存货等信息，以及他们在Facebook和Twitter上与客户的互动信息，借助数据挖掘技术，把这些店主分成不同的风险等级，以此来确定提供贷款金额数量与贷款利率水平。 中国互联网金融企业对于大数据风控的运用也如火如荼。 阿里推出了面向社会的信用服务体系芝麻信用，芝麻信用通过分析大量的网络交易及行为数据，对用户进行信用评估，这些信用评估可以帮助互联网金融企业对用户的还款意愿及还款能力做出结论，继而为用户提供相关的金融和经济服务。 腾讯的微众银行推出的“微粒贷”产品，其风控核心就是，通过社交大数据与央行征信等传统银行信用数据结合，运用社交圈、行为特征、交易、基本社会特征、人行

大数据风控竞争格局分析

BAT、网易、京东等如何做大数据风控的？ 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，相对于智能投顾、区块链等还在初期的金融科技应用，大数据风控目前已经在业界逐步普及，从BATJ这样的大企业，到交易规模比较大的网贷平台，再到做现金贷、消费金融的创业公司，都在通过大数据风控技术来控制贷款规模扩张中的风险。 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，相对于智能投顾、区块链等还在初期的金融科技应用，大数据风控目前已经在业界逐步普及，从BATJ这样的大企业，到交易规模比较大的网贷平台，再到做现金贷、消费金融的创业公司，都在通过大数据风控技术来控制贷款规模扩张中的风险。 现在提到互联网金融、Fintech，首先想到的就是大数据风控。随着网易北斗大数据风控平台的上线，业内包括BAT、网易在内的主要国内互联网巨头都开始在大数据和金融衍生应用领域进入了金融科技化阶段，和互联网金融第一阶段相比，目前产生了以大数据金融、风控、智能投顾、个性化产品等为代表的新阶段，伴随着监管的深入和全国性互联网金融政治风暴的规范化推进，1.0时代的互联网渠道和通道金融将逐步被融合了大数据、人工智能和机器深度学习的金融科技所替代。大家都在做，对行业格局有什么影响，未来的市场格局会是什么样子? 模型、资金、场景，互联网与金融机构各取所需 在大数据风控领域，核心的三个要素是风控模型、场景和资金。传统商业银行往往拥有低成本资金优势，在线下场景也具有长期客户积累，但是在线上大数据和数以千、万计的风控因子方面却稍显吃力;而BAT、网易在内的互联网IT巨头，则在海量的数据、金融云、线上场景和用户精准分析方面优势领先，但是需要一定的资金对接和金融牌照服务资质。于是乎，在目前金融监管收紧，而双方都有迫切需求的情况下，通过互联网IT巨头的技术、数据、模型对接线下传统金融的资金，成为了一个标准化的产业链合作模式。 近期互金公司在大数据风控领域布局愈加频繁 进入12月份不到半个月，大数据风控领域不断有新动作： 12月6日， 360金融借助大数据征信和风控，推出消费金融产品360借条，推出闪电放款随借随还机制。 12月8日，网易金融发布了网易北斗智能风控系统，基于网易的数

TalkingData大数据风控解决方案

TalkingData 大数据风控解决方案及成功案例 一、 行业背景 随着“互联网+”、互联网金融、金融大数据、金融科技等领域的持续创新和快速增长，众多金融企业开始掘金以个人消费者为中心的新兴市场，P2P金融、消费金融、现金贷等创新金融业务持续推出。与此同时，各类金融风险不断涌现，传统的数据及风控手段难以及时和准确地发现个人用户的潜在风险。企业亟需着手建立基于大数据的智能化决策能力，依托拥有海量数据资源的第三方机构，在保证数据全面、公正的前提下，持续优化风控和营销等关键决策效率。 二、 TalkingData大数据风控解决方案 TalkingData以稳定、合规、安全可靠的数据为基础，围绕金融用户这一核心，为金融企业提供数据采集、接入、加工、分析、决策为一体的金融风控数据服务，帮助金融企业构建营销反欺诈、用户反欺诈、用户授信辅助等业务决策能力。

TalkingData大数据风控解决方案将移动大数据技术与专业的金融风控业务相融合，既适用于需要拓展和下沉用户的传统金融机构，也适用于正在积极拓展创新金融场景的互联网金融企业，为这些企业提供独有数据和专业化风控技术。 三、 TalkingData风控解决方案在商业银行信用卡中心的案 例 某国内商业银行信用卡业务风控及反欺诈系统项目中，TalkingData作为数据及服务的供应商，提供了平台、数据、服务一体化解决方案，帮助客户实现了数据采集、外界数据接入、用户反欺诈和授信评分模型服务等数据决策系统。

具体实现内容包括： 1.风控数据采集、接入和加工服务：用户行为数据获取及应用 能力一直是制约客户采用新技术的主要障碍，TalkingData提供了完善的数据技术能力帮助客户建立风控数据能力 l●在用户申请客户端利用设备指纹技术，经过授权后，无干扰采集用户行为数据 l●基于用户行为标签的外部数据服务，形成面向用户分析的基础信息 l●依照业务场景定制风控标签服务，形成可用于风控分析建模的深度加工特征 l●数据特征加工及模型服务，形成数据决策基础。 2.用户反欺诈服务：欺诈用户的申请欺诈和交易是金融企业损失 的主要来源之一，TalkingData用户反欺诈方案通过综合多维数据对用户行为进行探测、评估及评分，帮助客户提升多类型欺诈行为的识别率。

大数据风控服务公司调研

一、91征信公司（91征信现已将品牌升级为智帆金科） 1.股东架构 法定代表人：薛本川。兼任91征信首席执行官，并入选2017福布斯中国30岁以下精英榜。注册资本：206.3909万元人民币。 成立日期：2015-06-12。 所属地区：北京。 2.投融资情况： 1) 2015年6月，经纬中国的千万级天使轮融资。公司以创新的不良资产处置方案获得市场及资本认可，并获得国际知名风险投资机构经纬中国的千万级天使轮融资，同年10月，致力于深层解决金融风险问题与征信数据共享问题的产品91征信正式上线。 2) 2016年2月，A轮融资，经纬中国跟投。91征信企业用户量超过200家，同期完成A轮融资，经纬中国跟投，2016年底公司实现全面盈利。 3) 2017年5月，完成由银之杰（股票代码300085）投资的B轮数千万融资。 3.公司概况 91征信是全国首家通过分布式数据库技术方案，从系统服务、场景应用、用户体验、业务交易等层面提供互联网征信数据服务的公司。在两年的迅速发展过程中，至今已服务包括中银消费、百度、玖富、中腾信、夸客金融在内的等近600家机构，为用户累计提供超过6600万人次的数据共享服务，产品每日为金融机构提供共享数据查询服务在50万次以上，全面覆盖了银行、消费金融、保险、三方支付、P2P、租车、保理等各类领域。 4.主打产品及数据底层组成 征信行业定位粗略根据业务类型可以分三大类，包括个人/企业数据接口整合报告，个人/企业数据接口批发商及个人/企业数据建模及分析系统搭建。91征信的定位显得比较专一,只做数据批发，为信贷行业提供信贷数据共享平台。 其主打的产品主要有同业征信报告，91征信分。

大数据风控那点事儿

大数据风控那点事儿 中国金融市场供给不平衡，很多人的金融需求不能够被满足，金融产品的风险定价也不科学，很多合格贷款申请人无法 得到贷款。这些客观情况造成了大数据风控拥有巨大的市场， 只要涉及到风控或征信的公司，必然会吸引资本市场的注意， 获得较高的估值。 普惠金融的发展对金融产品的风险控制提出了较大的挑战，银行已有的风控方式已经不适合很多年轻的客户。过于保守的 风控方法，在很大程度上，错误地拒绝了很多合格贷款人，同 时又放过了一些不合格的申请人。 大数据风控同传统风控在本质上没有区别，主要区别在于 风控模型数据输入的纬度和数据关联性分析。据统计，目前银 行传统的风控模型对市场上70%的客户是有效的，但是对另外30%的用户，其风控模型有效性将大打折扣。 大数据风控作为传统风控方式补充，主要利用行为数据来 实施风险控制，用户行为数据可以作为另外的30%客户风控的 有效补充。大数据风险控制的作用就是从原来被拒绝的贷款用 户中找到合格用户，识别出已经通过审核的高风险客户和欺诈 客户。

一银行信用风险控制的原理 金融行业常见的风险可以分为市场风险、信用风险、政策风险、流动性风险、操作风险等。其流动性风险和信用风险对金融行业自身生存影响最大，操作风险的影响也在增加。 金融行业中，银行是对信用风险依赖最强的一个主体，银行本质就是经营风险，不同的风险偏好决定了银行的经营水平。在经济结构调整周期过程中，信用风险管理也是各个银行面临的巨大挑战。 1.两种常见的信用风险管理方式 银行信用风险管理有两种方式，第一种方式是从大量申请人中找到合格的贷款客户，将贷款放给这些人。第二种方式是从申请人中识别出有潜在风险的贷款客户，不将贷款发给这些人。可以简单地认为是找到好种子和识别出坏种子 2. 如何找到合格的贷款人？ 银行在找好种子时，一般会对好种子进行一些基本限定，从贷款人的学历、年龄、收入、职业、资产、负债、消费等几个方面进行打分，最后综合评级，依据评估分数进行贷款审批，可以简单地认为是风险定价（RBP）。

大数据风控-2017

《大数据风控》 华博创始人张孝昆著作 --大数据颠覆传统企业管控模式 从信息化到智能化，从传统ERP到企业大数据 运用风险管控，给企业管控及大数据构建“灵魂”，从而把企业内外部数据整合，形成把数据输入、把问题输出的数据化管理新模式！ 仅以此书，献给正在转型中的企业管控人员，特别是风险管控、审计、管理会计、ERP实施人员。

目录 《大数据风控》 (1) 序................................................................................................................ 错误!未定义书签。前言 .......................................................................................................... 错误!未定义书签。思想篇 .................................................................................................... 错误!未定义书签。第1章企业大数据核心思想概述 ................................................. 错误!未定义书签。 1.1企业管控与大数据应用 ..................................................... 错误!未定义书签。 1.2企业管控中的风险、内控、审计手段融合 ..................... 错误!未定义书签。 1.3集团管控与风险管控的联动 ............................................. 错误!未定义书签。 1.4风险管控融入业务、融入信息化 ..................................... 错误!未定义书签。 1.5智能监控的思路及方式方法 ............................................. 错误!未定义书签。第2章运用大数据解决风险管控 ................................................. 错误!未定义书签。 2.1企业风险管控构建要点 ..................................................... 错误!未定义书签。 2.2应用大数据为风险管控服务 ............................................. 错误!未定义书签。 2.2.1 总体思路 ................................................................................ 错误!未定义书签。 2.2.2 企业内外部大数据构成 ........................................................ 错误!未定义书签。 2.2.3 大数据专项技术及措施 ........................................................ 错误!未定义书签。 2.3大数据风控落地运行新模式 ............................................. 错误!未定义书签。 2.4风险识别实务 ..................................................................... 错误!未定义书签。 2.4.1风险识别思路 ......................................................................... 错误!未定义书签。 2.4.2风险识别的方法 ..................................................................... 错误!未定义书签。 2.4.3风险识别的具体操作 ............................................................. 错误!未定义书签。 2.4.4风险识别成果 ......................................................................... 错误!未定义书签。 2.5风险评估实务 ..................................................................... 错误!未定义书签。 2.5.1风险评估的思路 ..................................................................... 错误!未定义书签。 2.5.2风险评估的方法 ..................................................................... 错误!未定义书签。 2.5.3 风险评估的具体操作 ............................................................ 错误!未定义书签。 2.5.4风险评估成果 ......................................................................... 错误!未定义书签。 2.6风险应对实务 ..................................................................... 错误!未定义书签。 2.6.1风险应对的思路 ..................................................................... 错误!未定义书签。 2.6.2风险应对的方法 ..................................................................... 错误!未定义书签。