初識(shí)大數(shù)據(jù)風(fēng)控

現(xiàn)在負(fù)責(zé)一款風(fēng)控產(chǎn)品的開(kāi)發(fā)弟胀,想跟大家聊一下關(guān)于大數(shù)據(jù)風(fēng)控的話題,下面是我整理的一些材料孵户,歡迎討論...

什么是大數(shù)據(jù)風(fēng)控夏哭?

簡(jiǎn)單來(lái)說(shuō),就是在互聯(lián)網(wǎng)時(shí)代何址,人們大量的信息都被數(shù)字信息記錄了下來(lái),形成一個(gè)龐大的數(shù)據(jù)庫(kù),通過(guò)一些技術(shù)手段可以將傳統(tǒng)金融風(fēng)控所需要的信息提取出來(lái)项钮,通過(guò)機(jī)器的大規(guī)模數(shù)據(jù)運(yùn)算希停,完成大量用戶的貸款申請(qǐng)審核工作,提升工作效率亚隙。同時(shí)也可以依據(jù)這些數(shù)據(jù)及網(wǎng)上驗(yàn)證身份主體的手段违崇,建立一套針對(duì)互聯(lián)網(wǎng)人群的小額貸款風(fēng)控體系,最近炒的比較熱的大數(shù)據(jù)風(fēng)控渣淳,主要是通過(guò)“數(shù)據(jù)庫(kù)”做好反欺詐入愧、身份核實(shí)嗤谚、失聯(lián)修復(fù)、用戶資質(zhì)授信旁赊、還款意愿評(píng)估渗钉、還款能力評(píng)估及穩(wěn)定性評(píng)估等,決定是否放貸以及放貸額度声离、貸款利率瘫怜。

數(shù)據(jù)來(lái)源

對(duì)于大數(shù)據(jù)風(fēng)控業(yè)務(wù)而言鲸湃,數(shù)據(jù)來(lái)源主要包括幾部分:

一是用戶申請(qǐng)時(shí)提交的數(shù)據(jù)信息子寓,如年齡笋除、性別垃它、籍貫、收入狀況等国拇,這些數(shù)據(jù)可以了解用戶的基本情況酱吝,驗(yàn)證用戶的身份;

二是用戶在使用過(guò)程中產(chǎn)生的行為數(shù)據(jù)忆嗜,包括資料的更改崎岂、選填資料的順序该镣、申請(qǐng)中使用的設(shè)備等,可以通過(guò)用戶的行為來(lái)進(jìn)行特征挖掘省艳;

三是用戶在平臺(tái)上累積的交易數(shù)據(jù)嫁审,如果公司運(yùn)營(yíng)比較久的話,可以累積比較多的用戶借款相關(guān)數(shù)據(jù)辐烂,這類數(shù)據(jù)對(duì)于判斷用戶信用會(huì)有很高的價(jià)值纠修;

四是第三方數(shù)據(jù)厂僧,包括來(lái)自政府、公用事業(yè)辰妙、銀行、運(yùn)營(yíng)商等機(jī)構(gòu)的數(shù)據(jù)蛙婴,以及用戶在電商尔破、社交網(wǎng)絡(luò)呆瞻、網(wǎng)絡(luò)新聞等互聯(lián)網(wǎng)應(yīng)用上留存的數(shù)據(jù)径玖。這類數(shù)據(jù)可以從多角度展示用戶的特征梳星,利用這些數(shù)據(jù)進(jìn)行建模分析,可以找出不同特征與信用水平之間的相關(guān)性前域。

建模分析

大數(shù)據(jù)風(fēng)控模型構(gòu)建的兩個(gè)必要步驟韵吨,一是發(fā)現(xiàn)不同特征與違約之間是否有相關(guān)性归粉,二是為不同的特征賦予權(quán)重或違約概率,以確定擁有多項(xiàng)特征的用戶的信用狀況届榄,決定是否提供金融服務(wù)倔喂、具體的額度以及利率水平席噩。

建模的技術(shù)主要包括logistic回歸、決策樹(shù)鲁捏、普通線性回歸、分層分析假丧、聚類分析动羽、時(shí)間序列等機(jī)器學(xué)習(xí)算法,隨著人工智能技術(shù)的進(jìn)步渴邦,神經(jīng)網(wǎng)絡(luò)谋梭、強(qiáng)化學(xué)習(xí)等前沿的算法也已經(jīng)運(yùn)用到大數(shù)據(jù)建模過(guò)程中倦青。

模型開(kāi)發(fā)出來(lái)后产镐,應(yīng)用到具體的信貸等金融活動(dòng)中,等若干個(gè)放款周期結(jié)束后丑掺,會(huì)有結(jié)果數(shù)據(jù)出來(lái)述雾,這時(shí)候需要依據(jù)這些運(yùn)營(yíng)數(shù)據(jù)對(duì)模型進(jìn)行修正玻孟,經(jīng)過(guò)一次次的迭代菇肃,模型的有效性、實(shí)用性會(huì)逐步提升取募。

例如琐谤,一家企業(yè)完成了100萬(wàn)單的信貸記錄,這就意味著在貸款陸續(xù)到期后玩敏,其大數(shù)據(jù)風(fēng)控體系將收獲100萬(wàn)的數(shù)據(jù)樣本斗忌,這些數(shù)據(jù)樣本與用戶信用高度相關(guān),具有很高的價(jià)值旺聚,使用這些數(shù)據(jù)對(duì)風(fēng)控模型進(jìn)行進(jìn)一步的優(yōu)化织阳,可以提升風(fēng)控的有效性。由此可見(jiàn)砰粹,大數(shù)據(jù)風(fēng)控需要與具體業(yè)務(wù)緊密結(jié)合,不斷“學(xué)習(xí)”,才能夠穩(wěn)定弄痹、可持續(xù)的升級(jí)饭入,對(duì)業(yè)務(wù)有進(jìn)一步的指導(dǎo)意義。

總體來(lái)說(shuō)肛真,目前大數(shù)據(jù)風(fēng)控還在發(fā)展初期谐丢,未來(lái)行業(yè)一個(gè)可能的演化路徑是:一些擁有數(shù)據(jù)資源和技術(shù)算法優(yōu)勢(shì)的企業(yè)在市場(chǎng)規(guī)模上具備了一定優(yōu)勢(shì)后,擁有更多的數(shù)據(jù)資源來(lái)支持模型的優(yōu)化迭代蚓让,強(qiáng)化其技術(shù)優(yōu)勢(shì)乾忱,從而可以在控制風(fēng)險(xiǎn)的基礎(chǔ)上提高貸款申請(qǐng)的通過(guò)率,使自己技術(shù)支持下的交易規(guī)模越做越大历极。在不考慮黑天鵝事件的前提下窄瘟,行業(yè)可能出現(xiàn)強(qiáng)者恒強(qiáng)的馬太效應(yīng)。

就我所見(jiàn)到的數(shù)據(jù)分析維度比較全面的公司是蝙蝠征信

http://www.bianfuzhengxin.com/dataCenter/1.html

大數(shù)據(jù)風(fēng)控企業(yè)


就線上小額貸款來(lái)說(shuō)最關(guān)鍵的還是數(shù)據(jù)來(lái)源和數(shù)據(jù)的真實(shí)性趟卸,風(fēng)控模型的構(gòu)建和優(yōu)化都是建立在前期不斷的試錯(cuò)上蹄葱,而這確是需要很大的資金投入。技術(shù)都是在數(shù)據(jù)基礎(chǔ)上的應(yīng)用衰腌,只有構(gòu)建好底層數(shù)據(jù),技術(shù)才能發(fā)揮優(yōu)勢(shì)觅赊。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末右蕊,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子吮螺,更是在濱河造成了極大的恐慌饶囚,老刑警劉巖,帶你破解...
    沈念sama閱讀 223,126評(píng)論 6 520
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件鸠补,死亡現(xiàn)場(chǎng)離奇詭異萝风,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)紫岩,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,421評(píng)論 3 400
  • 文/潘曉璐 我一進(jìn)店門(mén)规惰,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人泉蝌,你說(shuō)我怎么就攤上這事歇万。” “怎么了勋陪?”我有些...
    開(kāi)封第一講書(shū)人閱讀 169,941評(píng)論 0 366
  • 文/不壞的土叔 我叫張陵贪磺,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我诅愚,道長(zhǎng)寒锚,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 60,294評(píng)論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮刹前,結(jié)果婚禮上泳赋,老公的妹妹穿的比我還像新娘。我一直安慰自己腮郊,他們只是感情好摹蘑,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,295評(píng)論 6 398
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著轧飞,像睡著了一般衅鹿。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上过咬,一...
    開(kāi)封第一講書(shū)人閱讀 52,874評(píng)論 1 314
  • 那天大渤,我揣著相機(jī)與錄音,去河邊找鬼掸绞。 笑死泵三,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的衔掸。 我是一名探鬼主播烫幕,決...
    沈念sama閱讀 41,285評(píng)論 3 424
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼敞映!你這毒婦竟也來(lái)了较曼?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 40,249評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤振愿,失蹤者是張志新(化名)和其女友劉穎捷犹,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體冕末,經(jīng)...
    沈念sama閱讀 46,760評(píng)論 1 321
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡萍歉,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,840評(píng)論 3 343
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了档桃。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片枪孩。...
    茶點(diǎn)故事閱讀 40,973評(píng)論 1 354
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖藻肄,靈堂內(nèi)的尸體忽然破棺而出销凑,到底是詐尸還是另有隱情,我是刑警寧澤仅炊,帶...
    沈念sama閱讀 36,631評(píng)論 5 351
  • 正文 年R本政府宣布斗幼,位于F島的核電站,受9級(jí)特大地震影響抚垄,放射性物質(zhì)發(fā)生泄漏蜕窿。R本人自食惡果不足惜谋逻,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,315評(píng)論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望桐经。 院中可真熱鬧毁兆,春花似錦、人聲如沸阴挣。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 32,797評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)畔咧。三九已至茎芭,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間誓沸,已是汗流浹背梅桩。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 33,926評(píng)論 1 275
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留拜隧,地道東北人宿百。 一個(gè)月前我還...
    沈念sama閱讀 49,431評(píng)論 3 379
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像洪添,于是被迫代替她去往敵國(guó)和親垦页。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,982評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容