江西華章漢辰融資擔保集團股份有限公司
江西華章漢辰融資擔保集團股份有限公司

干貨分享丨金融機構該如何利用大數據做好風控管理

最近頻發的黑天鵝事件讓許多企業對風險控制的關注變得越發強烈,畢竟黑天鵝事件背后透著一個組織真正的抗風險能力、透著一個企業的風險管控能力,而后者就是我們通常說的“風控”。

一般來說,風險控制包含了兩類工作,即風險管理和內部控制,但在不同類型的企業中,風控的管理及控制的方向也會有所不同。


如今許多企業都開始在內部設立風險管理或內部控制部門,對可能遇到的各種風險因素進行識別、分析、評估。不過,總體來說,企業中的風控工作大都集中于事后的檢查評價。因此需求度最高、體系最完善的風控工作往往體現在金融領域。

金融領域的風控工作規劃在中臺部門中,需要參與到具體業務的事中風險評估及審核過程,而非僅僅事后的檢查評價。通常涵蓋的范圍包括金融行業特色的信用風險、市場風險、操作風險等。

今天就來說說大數據在金融風控領域中的應用,以及金融企業該如何利用大數據做好風控管理。


ed263d67a504418e9c4d4acb2406f9ec.jpeg


01

金融機構的命脈能力:大數據風控能力


大數據風控能力重要到可以稱為金融行業公司之命脈。眾所周知,金融機構普遍肩負著社會經濟的穩定健康發展的部分責任,同時又要作為商業單位存活,機構需要在兼顧監管層對金融機構的風險防控能力提出的高標準與嚴要求的同時提升盈利水平,靠的就是風控。


金融的本質是將風險偏好不同的資金供給方和風險不同的資金需求方匹配起來,因此風控是所有金融業務的核心。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,其核心競爭力就是風控能力。


典型的金融借貸業務例如抵押貸款、消費貸款、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。因此大數據風控能幫助銀行的風控業務,從資產負債、信用風險、反欺詐、反洗錢等方面提供全方位完整的風險控制方案,利用數據挖掘模型、外部征信模型、欺詐偵測模型等功能模塊幫助金融企業更好的預測及管理風險,從而使得金融企業在風險和收益中尋求平衡。


02

什么是大數據風控?


傳統金融的風控主要利用了信用屬性強大的金融數據,一般采用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愿。


t0129c37d0669d8d344.jpg


與信用相關程度強的數據緯度有10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,最后得到申請人的信用評分,依據評分來決定是否放貸以及放貸額度。其他與信用相關的數據緯度還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。


而大數據風控并不是完全改變傳統風控,而是豐富傳統風控的數據緯度,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愿,然后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,借助數據模型來揭示某些行為特征和信用風險之間的關系。


最終利用大數據的能力,促進金融企業在金融業務的全生命周期中,不斷提升效率和服務能力。


03

大數據在金融風控領域中的應用方向


d843e069b08d47abbe6f5498daaf8a40.jpeg


總的來說大數據在金融風控領域的主要應用在于兩點:


-01-


一是利用用戶社交行為記錄實施信用卡反欺詐。例如:用戶信息是否被盜用或虛假注冊。在反欺詐上,通過大數據儲存用戶與各種ID對應的數據庫,在用戶進行借貸時進行身份匹配,能夠及時辨別潛在的欺詐嫌疑用戶。并對卡組織交易數據進行清洗補齊,提取風險特征,再將風險特征載入神經網絡和業務規則,對交易進行欺詐判斷,對可疑交易實施攔截,并發送驗證碼核實。

-02-


二是利用數據分析報告實施產業信貸風險管理。在風險管理上,依托基于用戶行為分析的風險引擎,實時快速分析網絡金融渠道客戶交易行為細節,建立電子化、流程化、規范化的管理方式,對海量的數據進行比對、甄選,主動識別異常行為,采集異常行為數據,進行實時分析判斷,挖掘欺詐團伙作案特征和規律,根據風險形勢變化,實時動態部署智能化監控策略,擴大風控覆蓋范圍和攔截半徑,實現精準識別高風險網絡金融交易,有效保障客戶資金安全。


04

金融機構該如何做好大數據風控?



金融機構所包含的業務種類較多,做大數據風控首先需要梳理業務邏輯,也就是將傳統金融機構信貸審批流程,讓計算機自動計算替換原來需要人為判斷的規則,所以最基礎的一步就是定義抽象出傳統人工審批的業務流程及方法論。


Img307522896.jpg


人工審批的方法論分為以下幾個環節:

①準入政策(做的客戶在法律范圍內);

②反欺詐(防止客戶騙錢);

③信用評估(對于好用戶能借給他多少錢)。

基于這樣一套業務邏輯,大數據風控的基本流程分為4個部分:數據收集、數據建模、構建用戶畫像和風險定價。


數據收集


數據是大數據風控的核心,數據的量級大、維度多、迭代快才能體現數據的真正價值。大數據風控所用到的數據包羅萬象,主要是以下幾個方面:

①基礎信息數據:最基本的用戶四要素信息(姓名、身份證、銀行卡、手機號),除此之外可以搜集用戶學歷、收入、家庭地址等基本信息;

②用戶的征信數據:這里的征信數據包括該用戶是否在其他平臺有過多頭借貸行為,在非銀機構是否有過逾期行為、有沒有上過征信系統的黑名單等等;

③運營商數據:通過運營商數據可以判斷用戶的設備是否有異常,比如入網時長、入網狀態、每月消費情況、通話記錄、短信情況等。

④用戶行為數據:包括用戶的搜索記錄、購買記錄、社交數據等,通過這些數據可以判斷識別該用戶是一個什么樣的人、有多強的消費能力、社會關系如何等等。

數據建模


153827577457301a02210f2.jpg


數據建模是大數據風控重點的核心,幫助我們最終輸出拒絕這個申請或是借多少錢。

1

模型包含四大方面的數據:

①個人/公司的基本信息:包括個人資歷、個人/公司的信用信息、公司財務指標、家庭結構關系、家庭社會地位關系、個人社交關系、工商注冊信息等;

②個人/公司商務信息:包括線上零售交易信息、專利信息、個人/公司資質、土地出讓/轉讓信息、質押抵押信息等;

③個人/公司社會公眾信息:包括涉訴信息、專利信息、被執行人信息等;

④個人/公司社會關聯方信息:包括自媒體、證券社區、行政監管/許可、行業背景、商標、招中標、行政處罰、抵押擔保等。

2

常使用的模型:

①聚類:比如常見的相似文本聚類,大量用戶發相似帖子是常見的灌水行為,需要處理;

②分類:比如我們根據已經識別的有風險和無風險的行為,去預測現在正在發生的行為,根據關鍵字動態去識別預測效果不錯;

③離群點檢測:比如登錄行為,當同ip登錄大量登錄失敗,這種行為可能是暴力破解,當同ip登錄基本全部成功,這種行為可能是機器登錄,采用離群點檢測發現這兩類行為并處理等。

3

應用案例:

 ①欺詐風險用到模型主要是社會關系網絡模型,通過每筆案件之間的關系,判斷新案件是欺詐申請的可能性;

②信用風險主要用到模型是邏輯回歸建立評分卡(也有的用決策樹),量化新申請人可能違約的概率,根據評分高低制定不同的授信規則和催收策略;

③貸后管理也用到行為評分卡,例如額度調整和客戶風險分池管理等。

4

風控數據分析對模型的挑戰:

①模型的泛化能力:復雜的特征和模型可以增強模型的泛化能力,采用復雜特征和更多維度的特征是很有效的;

②模型的可解釋性:風控模型識別出來的數據需要做相應的處理,任何機器識別處理都不可能完全避免用戶的投訴和異義,對于模型一定要了解業務特征,能夠轉化為客服和用戶可以理解的語言去解釋,使得任何處理我們都有理有據;

③模型的更新速度:高對抗性場景下,模型快速更新是關鍵。


構建用戶畫像

用戶畫像的底層是機器學習,那么無論是要做客戶分群還是精準營銷,都先要將用戶數據進行規整處理,轉化為相同維度的特征向量,諸多華麗的算法才可以有用武之地,像是聚類,回歸,關聯,各種分類器等等。對于結構化數據而言,特征提取工作往往都是從給數據打標簽開始的,比如購買渠道,消費頻率,年齡性別,家庭狀況等等。

風險定價

t013e6bc42f651454ce.jpg


量化風險管理的一個核心是風險定價,根據銀行自身的風險偏好來對資產進行定價,高風險資產定價較高,低風險產品定價較低,根據風險高低來制定資產收益,RBP(基于風險定價)已經成為主流。雖然對技術的應用日趨成熟,但現實的情況是,行業的業務模式仍然大量基于人海戰術,與上世紀八九十年代傳統金融企業的業務模式類似,在信用評級和風險定價方面過多依賴人的經驗,總的來說風險定價可以采取以下兩種方式:

(1) 多維度的風險定價系統

通過對數據的整合、補充、調用、評判等,多維度評判個人信用數據,使風控模型運算結果更加準確。

(2)定制化的風險定價系統

不同的業務場景,產生了不同的數據,不同的數據包含的規律,體現在數據分析中就是模型、參數和評分。這也要求評分的模型在設計之初,就要考慮如何更加智能。


小結

總而言之,大數據風控本質上是基于數據的力量防范欺詐,它可以靈活多變地采取不同的應對策略,甄別出有欺詐風險的用戶,幫助機構為真正有需求的用戶提供高體驗的金融服務。


但是對于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,就必須降低準入標準,想在低標準下防范風險就要借助技術手段,就要求金融機構具備強大的大數據風控底層技術架構能力、良好的企業級產品輸出能力,未來還需要結合Al等技術形成智能的風控和反欺詐能力。


除此以外,理財、保險、汽車金融、現金貸等金融服務對應的場景是不同的,因此對建模的要求也不同,模型并非“萬金油”,只有對客戶的業務場景非常理解的模型才能符合公司定位與需求。




上海时时乐基本走势 北京福利彩票福彩论坛 期货配资平台_杨方配资开户 新浪股市十大名博排名 安徽快3今天开奖结果查询 金贝棋牌 秒速赛车计划数据 浙江11选五5一一定牛 微信理财 9号内蒙古快3开奖结果 河内5分彩组选走势图