首页 > 商业资讯

人人信:解析互联网金融“技术控” 打好反欺诈之战

商业资讯 零壹财经 零壹财经 2017-07-27 阅读:3256

关键词:反欺诈互联网金融

为了有效保护金融平台投资者的资金安全,专注于大数据风控的“人人信” 自主研发了反欺诈模型体系“信用盾”。
历经了多次洗牌的互联网金融开始进入合规发展的时期,大数据、人工智能、移动支付在互联网金融领域的渗透,推动了互金业务手段的创新升级,同时也让风险成倍增长。欺诈手段和方式也越来越科技化,欺诈行为开始呈现团体化、规模化的趋势,在合规发展的大趋势下,金融欺诈已经成为了行业健康发展不可忽视的风险,大数据反欺诈势在必行。

传统P2P贷款审批业务主要基于审贷人员的主观判断,初步的定性分析以及政策制度来实现。由于目前征信及监管环境的限制,P2P平台很难获得充裕的数据、信用记录用于信贷管理环节,一定程度上推高了行业的信贷风险。如今,风险控制能力和作业效率将成为未来的核心竞争力。


然而,对于P2P平台来讲,数据量化风控体系不是简单的数据堆积,而是一种发现有效数据、数据间的相互关系以及挖掘数据背后隐藏的信息的能力,从而更好地对个人信用风险进行评估。

大数据模型发现"好人"

现在,低廉的线上造假成本和层出不穷的信用诈骗手段,大大降低了网贷申请过程中诈骗难度,给P2P平台风险识别带来了很大的挑战,网贷行业存在严重造假行为的原因包括:线上造假成本低廉、诈骗技术不断更新,包装代办公司迅速崛起,社会个人征信体系不完善,大量平台对风控的重视程度低等。

信用借款坏账大致分为两类:一类是借款人在借款时主观上就不想还款,这被称之为欺诈;另一类是借款后,还款能力出现了问题而还不起款。由于国内个人征信体系尚不完善,中国欺诈违约比例明显高于国外。

为了有效保护金融平台投资者的资金安全,专注于大数据风控的"人人信"自主研发了反欺诈模型体系"信用盾"。该模型体系沉淀金融信贷领域千余条专家规则和数十张专家评分卡,覆盖了机器注册、团伙欺诈、多头申请、中介代理、可疑操作行为、申请评分、额度指引等多维度,可根据业务场景灵活配置,全方位甄别欺诈风险和信用风险。


为了分析、清洗建立反欺诈模型所需的数据,人人信建立了自己的数据库。反欺诈模型的数据基础主要来自于:兄弟单位阳光保险集团;网贷行业共享征信数据;互联网平台上的开源数据;以及移动、联通、电信三大运营商,淘宝、京东等电商平台数据等等。

这些数据包括借贷人群的自然属性、家庭信息、房产、工资、银行信息、网上交易信息、手机通话记录、网上行为数据等多维度多层次数据类型。对搜集到信息,技术团队会做初步分析,例如识别哪些变量有缺失、哪些数据在不正常范围,并根据统计规则对这些数据进行精细筛选、审核、填补,通过系统化的科学手段提高数据质量。

在高质量数据的基础上,运用关联、分类、聚类、异常挖掘等方法构建了多层、多维、多结构反欺诈和量化风控模型,将传统银行信贷中的欺诈规则融入到模型体系中,并对模型进行集成,通过数以百计的人群行为变量重现借款人的社会特征,实现对欺诈行为更为准确地识别。


人人信会根据历史数据,分析"坏人"(逾期借款人)有哪些共同特征,"好人"(优质借款人)又有哪些共同特征,将这些数据做成评分卡,用统计学建立模型,预测一个借款人未来可能做出的行为,把这个模型套用到新进来的客户上,"好人"甚至可以当天获批贷款,而"坏人"会被标黑,有些数据存疑的借款人会被标灰,留待再进行人工审核。

由于P2P目标人群属于社会信用领域的次级人群,具有信用行为的特殊性和复杂性,无法参考传统银行的基于抵押为核心的贷款模式,在进行反欺诈甄别过程中,需要考虑的变量数量更多,各变量之间的关联性更为复杂。"在我们的模型中,每个客户至少有几百个变量。未来还会增加更多的变量,以便更立体、细致的还原出贷款人的信用'画像'。"

除了上千万的资金投入外,复杂先进的数据模型同时也对人才提出了一定的要求,需要精通统计学、数学建模等相关专业的人才。人人信团队成员来自阿里巴巴华为、FICO、SAS、IBM等国内外知名企业,拥有丰富的大数据和数据分析从业经验。利用大数据平台和机器学习技术,在亿级实名用户和数万维度数据基础上建立起各类风控模型,其中"信贷风控模型"经过不断打磨和完善,已成功应用于互联网金融领域。

声明:本文系企业投稿,文章不代表零壹财经立场,亦不构成投资建议。   
 


零壹智库推出“金融毛细血管系列策划”,通过系列文章、系列视频、系列报告、系列研讨会和专著,系统呈现“金融毛细血管”的新状态、新功能、新价值、新定位。
 

上一篇>和信贷力推银联云闪付,深耕消费理财升级

下一篇>和信贷:“边理财边消费”或成民众日常



相关文章


用户评论

游客

自律公约

所有评论

主编精选

more

专题推荐

more

第四届中国零售金融发展峰会(共15篇)


资讯排行

  • 48h
  • 7天



耗时 142ms