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。
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、人行征信5个维度对客户综合评级，运用大量的指标构建多重模型，以快速识别客户的信用风险。
对于大数据风控的理论研究尚处于萌芽阶段，本文以“大数据风控”为主题在CNKI数据库进行搜索，与此相关的文献数量可以从侧面反映大数据风控的理论研究现状。
CNKI数据库中以“大数据风控”为主题的文献共46篇。在这些文献中，以报道性的文章较多，重要报纸全文库和特色期刊总共为33篇，占比72%；而理论研究的文章较少，中国学术期刊总库为12篇，占比26%；尚没有CSSCI2014—2015年的来源期刊（如图1）。
王强（2015）指出当前个人大数据征信的问题，一是数据的真实性，二是数据收集的法律障碍，三是坏账的不可预测性问题。
甚至有作者认为大数据风控是无效的，陈宇（2015）援引各种证据认为大数据风控是无效的。
总体而言，当前大数据风控有效性欠佳的原因主要有以下几个方面：
（一）数据的质量问题
当前大数据风控的有效性欠佳，其首要原因就是数据的真实性不高，包括社交数据和交易数据两个方面。
1.社交数据的真实性问题
美国lending club和facebook合作获取社交数据，在中国宜信也曾大费周折的收集借款人的社交数据，最后两者得出的结论都是社交数据根本就不能用。美国很多大数据征信公司的信息错误率高达50%，垃圾进、垃圾出。
2.交易数据的真实性问题。
当前许多电商平台的刷单现象非常严重，这将导致交易数据的严重失真。随着网购的火爆，有关电商平台“刷单”的报道屡见报端。
电商“刷单”有两种方式，一种是商家找所谓的消费者进行“刷单”。卖家买快递单号，其收件人和寄件人与实际的买家、卖家不一致。
另一种是快递公司发空包，但快递公司并未完成配送，而帮助商家完成平台上的物流信息。
（二）大数据风控的理论有效性问题
从IT技术层面论证大数据风控的实践性案例已经很多，但是在经济金融的理论层面，大数据风控还面临一些问题需要解决。
1.金融信用与社会信用的相关性不确定
目前大数据主要来源于互联网，而人们在网络中的表现并不能完全反映其真实的一面。相同的人群在不同场合呈现的特征是不一样的，尤其是目前人们在线上、线下割裂的状态，其行为方式往往会出现强烈的反差。
例如有些人不善交际，却将自己做的美食展示在微博上，吸引大量关注，粉丝暴增。因此网络并不能确切地证明某人的社交圈子，也就是说互联网的数据很难还原用户现实中的信息。
2.大数据对于“黑天鹅”事件的滞后性
在现实世界，总会出现不可预测的“黑天鹅”事件，一旦出现则有可能冲击大数据风控模型的基本假设，进而影响大数据风控的有效性。大到美国的次贷危机，小到个人意外事件的发生，在某种程度上大数据风控是无法预测的，但这些事件的发生，对宏观经济和微观主体都会产生重大的影响。
例如，2008年美国次贷危机后产生了一种“策略性违约”行为——贷款主体本身有能力还款，但是其在房价远低于贷款总额的时候，重新购买一套房子，并对之前的房贷断供，贷款者可以此方法进行“套利”。
虽然此类违约者会因此有不良信用记录，但是这对信用报告的影响有限，因为其他的债务按期偿还。而大数据对这种突变事件的预测能力则非常有限。
（三）大数据收集和使用的制度问题
在数据收集和使用的过程中也面临着合法使用的问题。如何高效、适度地开发和使用大数据，不仅仅是一个技术问题，也是一个社会问题，这些泄露的数据大量流入数据黑市，造成了用户安全、企业安全甚至国家安全方面的连锁反应。数据的收集和使用在很多时候都没有征得数据生产主体的同意，这导致了数据的滥用和隐私的泄露。
近年来，个人数据泄露事件频频发生，因个人数据泄露而造成损失的新闻屡见报端。猎豹移动安全实验室发布的《2015年上半年移动安全报告》显示，截至2015年上半年，猎豹共监测到496起数据泄露事件，影响超过544万人。2015年10月19日，乌云网发布消息称，网易的用户数据库疑似泄露。
图2 2005-2014年国内外数据泄密情况
尽管大数据风控的有效运用尚处在诸多障碍，但这并不能成为大数据风控无效的理由。因为对于数据这个资源的挖掘尚处于初级阶段，在消除障碍、解决问题中前行，是大数据风控发展的必然趋势。有效扫除当前大数据风控的障碍需要各方面的共同努力，其中金融企业、金融研究部门和政府监管部门的角色尤为重要。对于金融企业而言，要从基础数据上保证客户数据的多样化、连续性和实时性，确保数据真实可靠。
对于金融研究者而言，可从经济学、数学等多个角度综合论证大数据风控的有效性，为大数据风控提供理论支持。
对于政府监管部门而言，需要从法律制度、会计制度等方面进行建设，构建数据合理运用的良好环境体系。
（一）对于金融企业而言，要构建多样化、连续性和实时性的基础数据
1.多维度的收集数据，互联互通，打破数据的孤岛
美国征信系统的完善是因为美国政府对其拥有的大数据资源的开放程度日益透明化。
目前我国的大数据风控系统还没有实现互通互联，阿里、银联、平安、腾讯以及众多的P2P公司，都是各自为政，P2P公司拿不到央行的数据，几家大的互联网平台在相关大数据的分享上彼此也未互通有无。
因而，各金融企业要建立互联互通机制，打破数据孤岛，从而能多维度地收集数据，确保数据之间能够相互验证。
2.从供应链交易环节获取数据
获取真实数据最好的途径就是要切入客户的交易环节，尤其是稳定可持续的交易环节，即供应链。
一方面，经过了几十年的发展，当前的供应链都有一套完整上下游进入和退出机制，数据的真实性对于核心企业而言至关重要，因而这些数据的质量非常优异。另一方面，这些数据和数据维度对于供应链中的企业评价是可靠的，金融企业可以此为基础，加上自身的风险控制经验，构建一套全新的基于数据的信用评价机制。
3.积极布局“物联网+”
物联网覆盖了产品生产、交易和使用的环节，因而互联网只是物联网的一部分。在物联网下，不仅要获取交易环节的数据，更重要的是获取生产环节和使用环节的数据。
因而，金融企业要积极布局“物联网+”，为获取更为全面的数据打下基础。例如，企业机器运行数据，可以收集客户汽车驾驶数据，可穿戴设备的身体状况数据，等等。这些数据都是大数据风控不可或缺的部分。
（二）对于金融研究部门而言，可从经济、金融等多个角度综合论证大数据风控的有效性，为大数据风控提供理论支持
当前对于大数据风控模型的构建大多是从技术的角度探讨的。但是，从经济、金融角度进行的探讨亟待加强，不同的经济假设会使模型推导的结果产生截然不同的变化。因而，从经济、金融等角度对大数据风控有效性的研究就显得很有必要了。比如大数据风控如何顺应经济周期的变化，如何从统计上论证过去的数据对于未来行为判断的准确性，如何解决道德风险所带来的不确定性。例如，唐时达（2015）提出要把数据提升至与传统抵质押品同等重要的高度，建立“数据质押”风控体系。
（三）对于政府监管部门而言，要推动和完善与数据相关的制度建
1.法律制度的建设，对数据的收集和使用予以法律上的保护
我国对于数据保护的制度性举措散见于多部法律中，如宪法、刑法、侵权责任法等，多是以保护个人隐私、通信秘密等形式出现，尚缺乏一部数据保护的专门性法律。这导致了数据的法律边界不明，数据保护法律的操作性不强、数据保护执法机制滞后等问题，制约了数据收集和运用的发展。
对此，最理想的状况是出台一部《信息保护法》。在完善个人信息保护法律制度的道路上，应出台《个人信息保护法》，明确国家机关、商家和其他法人、自然人掌握个人信息的边界和使用的范围[6-7]。齐爱民、盘佳（2015）认为要构建数据主权和数据权法律制度[8]。2014年最高人民法院颁布的《关于审理侵害信
息网络传播权民事纠纷案适用法律若干问题的规定》（以下简称《规定》）就是此领域的进展之一，《规定》首次明确了个人信息保护的范围。
2.会计制度建设，对数据资产予以明确的计量
随着数据重要性的提升，数据列入企业资产负债表只是时间问题，数据将和土地、劳动力和资本一样，成为一种生产要素（Viktor Mayer-Sch?nberger，2013）。越来越多的理论界和实务界的研究者都倾向于认为数据将成为个体的财产和资产。
2012年达沃斯世界经济论坛发布的《大数据，大影响》报告认为，数据已经成为一种新的经济资产类别。
姜建清在2014达沃斯世界经济论坛上发表观点，其认为个体的数据其实就是个体财产的一部分，没有经过本人同意不应该被滥用。
因此，需要建立相应的会计制度对于数据价值进行科学有效的评估。有学者对此进行了初步研究。例如，刘玉（2014）从会计的角度对数据的资产可行性进行了分析，探讨了数据资产的计量方法，研究了大数据资产的折旧、披露等问题。
参考文献：
[1]王强“.垃圾进垃圾出”：大数据征信的难题[EB/OL].财新网，2015-04-23.
[2]陈宇.风吹江南之互联网金融[M].上海：东方出版中心，2014，（6）：234-240.
[3]梁宵.企业数据安全“乌云”密布：难以估量的“未来”危机[N].中国经营报，2015-11-01（6）.
[4]本报记者朱剑红.打破信用信息“孤岛”（政策解读）[N].人民日报，2015-06-26（2）.
[5]唐时达，李智华，李晓宏.供应链金融新趋势[J].中国金融，2015，（10）：40-41.
[6]叶文辉.大数据征信机构的运作模式及监管对策——以阿里巴巴芝麻信用为例[J].国际金融，2015，（8）：18-22.
[7]本报见习记者韩天琪.个人信息保护圈如何划[N].中国科学报，2014-11-02（5）.
[8]齐爱民，盘佳.数据权、数据主权的确立与大数据保护的基本原则[J].苏州大学学报（哲学社会科学版），2015，（1）：64-70.
[9]刘玉.浅论大数据资产的确认与计量[J].商业会计，2014，（18）：3-4.（完）
文章来源：《金融理论与实践》2016年02期（本文仅代表作者观点）
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 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。
银行大数据解决方案
一、项目背景 2015年8月31日，国务院印发了《促进大数据发展的行动纲要》，这一战略性文件为我国大数据发展与应用提供了指导纲领和政策保障。在数据已成为银行重要资产和宝贵资源的形势下，《纲要》也为银行利用大数据推动转型发展指明了方向和实施路径，带来了发展新机遇。 当前中国银行业正在步入大数据时代的初级阶段。经过多年的发展与积累，目前银行业的数据量已经达到100TB以上级别，并且非结构化数据量正在以更快的速度增长。银行业在数据方面有天然的优势：一方面，银行在业务开展过程中积累了包括客户身份、资产负债情况、资金收付交易等大量高价值密度的数据，这些数据在运用专业技术挖掘和分析之后，将产生巨大的商业价值；另一方面，银行具有较为充足的预算，可以吸引到实施大数据的高端人才，也有能力采用大数据的最新技术。 总体来看，尽管大数据在银行业的应用刚刚起步，目前影响还比较小，但是从发展趋势来看，应充分认识大数据带来的深远影响。银行业需要进行统一的大数据平台建设，建立综合预测分析体系，整合生产系统数据资源。在此基础上与《纲要》规划的信用信息共享交换平台和公共机构数据统一开放平台有效对接，双管齐下扩展数据来源和采集渠道。这可以一方面高效收集、有效整合企业和社会公共数据，掌握企业真实需求，实现精准营销。尤其可通过农业农村信息综合服务和农业资源要素数据共享，获取三农数据和小微企业数据，解决数据挖掘和分析难点，提升三农和小微金融服务水平。另一方面利用平台动态监控企业经营及个人信用变化情况，强化信用风险智能化管理和预警，降低信用评估、风险控制的难度和不确定性，实现风险管控和精准营销的双重收益。
https://www.doczj.com/doc/3010910119.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.doczj.com/doc/3010910119.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。
证券行业大数据解决方案 前言 随着互联网及移动互联网的高速发展，传统证券业也逐步走向市场化和网络化，行业在快速变化中也面临着激烈的竞争，一方面国家监管层面逐步放开管制，加强监督，鼓励创新。另一方面，证券行业内部各公司也在不断的与时俱进，从经纪、资管业务的网络化，到证券版银联的发展，再到个性化、移动化、社交化的客户服务。 证券公司要在这样竞争激烈市场中保持领先地位，需要在满足监管层合规审计的要求下，以客户为中心，对内深化运营和服务，提高现有客户体验和单客户价值；对外实时了解市场和上市企业等信息，加强跨界合作，对潜在客户精准定位和营销。 在这样背景下，数据成为券商提供内外竞争力的关键，只有及时准确地获得客户在内部和外部的交易、行为，媒体偏好，社交内容的信息数据，才能更好的了解客户，做好营销和服务，并不断优化产品设计和运营。 证券行业大数据问题及解决方案 1、哪些数据需要纳入到大数据平台上来？ 证券公司内部在经纪业务、资管业务、投行业务和自营业务中存在各个系统，例如股票交易系统、理财交易系统、用户开户系统、客服系统等。同时，在各个业务中又存在各种角色，如用户，上市公司、融资方、出资方、托管行等。这些角色在各个系统每时每刻都在产生着各种结构的数据，这些数据产生的不但数量大，类型多，速度快，而且可能会存在各个系统的不一致。
同时，在互联网高速发展的今天，和证券公司相关的各个角色也在无时无刻不在产生大量的网络数据，例如用户的购物行为、媒体资讯浏览等，上市公司的投融资、并购活动等。各业务形态也都在大的市场环境下受到影响，例如政策法规、国内外金融形势、重大事件等。这些数据中哪些应该被纳入大数据平台呢，是根据最终的业务场景来决定，还是将所有能获取的数据全部纳入，深入挖掘，以数据说话呢？ 本方案的大数据理念是数据标准化和分层接入。对目前和将来可获取的数据类型、来源进行充分调研和理解，制定统一的数据接入标准、结构化标准、归一化标准、挖掘标准，以实现很好的系统扩展性。根据业务需求、数据类型、范围、来源、采集技术、实时性要求等进行分层接入，尽量保证原始数据完整性，整合数据一致性和挖掘数据价值度。 2、如何进行跨渠道的用户生命周期运营管理？ 移动端、PC端乃至类似Apple Watch等可穿戴设备都已成为用户数据触点。股票、投资理财、投顾服务等各个业务，涉及到交易、风控、清算等系统的数据都是用户在各个触点、场景下的痕迹，对这些数据进行拉通和分析，可以掌握用户在该券商所处的生命周期，从而可以有的放矢的。对用户进行针对性运营。
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
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
二、大数据平台建设 （一）大数据平台框架概述 大数据平台建设充分整合信息化资源，打破行业、部门之 间的信息壁垒，运用大数据技术进行采集、加工、建模、分析，将数 据价值融入到金融之中，从而提升创新能力和产品服务能力。 主要包括以下三部分： 1．大数据分析基础平台 按照功能划分数据区，设计数据模型，在统一流程调度下，整合各类数据，同现有的企业级数据仓库和历史数据存储系统一起，形成基础数据体系，提供支撑经营管理的各类数据应用，支撑上层应用。 2．大数据应用系统 基于基础数据平台，持续建设各类数据应用系统，通过数据挖掘、计量分析和机器学习等手段，对丰富的大数据资源进行开发使用，并将数据决策化过程结合到风控、营销、营运等经营 管理活动，充分发挥大数据价值。 3．大数据管控 建立数据标准，提升数据质量，加强元数据管理能力，为平台建设及安全提供保障 （二）大数据平台建设原则 大数据平台是大数据运用的基础实施，其设计、建设和系统实现过程中，应遵循如下指导原则： 经济性：基于现有场景分析，对数据量进行合理评估，确定大数据平台规模，后续根据实际情况再逐步优化扩
容。 可扩展性：架构设计与功能划分模块化，考虑各接口的开放性、可扩展性，便于系统的快速扩展与维护，便于第三方系统的快速接入。 可靠性：系统采用的系统结构、技术措施、开发手段都应建立在已经相当成熟的应用基础上，在技术服务和维护响应上同用户积极配合，确保系统的可靠；对数据指标要保证完整性，准确性。 安全性：针对系统级、应用级、网络级，均提供合理的安全手段和措施，为系统提供全方位的安全实施方案，确保企业内部信息的安全。大数据技术必须自主可控。 先进性：涵盖结构化，半结构化和非结构化数据存储和分析的特点。借鉴互联网大数据存储及分析的实践，使平台具有良好的先进性和弹性。支撑当前及未来数据应用需求，引入对应大数据相关技术。 平台性：归纳整理大数据需求，形成统一的大数据存储服务和大数据分析服务。利用多租户, 实现计算负荷和数据访问负荷隔离。多集群统一管理。 分层解耦：大数据平台提供开放的、标准的接口，实现与各应用产品的无缝对接 （三）基础数据来源 1．银行内部大数据资源
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。
公司风险控制管理制度 第一章总则 第一条为规范公司的风险管理，建立规范、有效的风险控制体系，提高风险防范能力增强风险识别、处置、应对和化解能力，确保公司系统运营能力、项目运营能力稳步提升，以过程管理、等级管理和责任原理为全面风险管理原则，根据《公司法》、《会计法》、《企业内部控制基本规范》等法律、法规和规范性文件的有关规定，结合本公司的实际情况，制定了风险控制管理制度。 第二条本制度所称风险管理是指公司依据总体战略和经营目标，确定风险偏好和风险承受度，通过识别潜在风险、评估风险，针对重大风险拟定风险管理策略并在企业管理的各个环节和经营过程中落实规范化的风险防控要求，从而将风险控制在企业风险承受度范围以内的过程和方法。 第三条按照公司目标的不同对风险进行分类，公司风险分为：战略风险、经营风险、财务风险和法律风险。 （一）战略风险：没有制定或制定的战略决策不正确，影响战略目标实现的负面因素； （二）经营风险：经营决策的不当，妨碍或影响经营目标实现的因素； （三）财务风险：包括财务报告失真风险、资产安全受到威胁风险和舞弊风险； （四）法律风险：没有全面、认真执行国家法律、法规和政策规定影响合规性目标实现的因素。 第四条按风险能否为公司带来盈利机会，风险可分为纯粹风险和机会风险。 第五条按照风险的影响程度，风险分为一般风险和重要风险。 第六条公司根据战略规划和经营目标制定风险管控原则。 （一）全面风险管控原则：公司风险管控工作应覆盖经营与管理过程中所面临的各种风险，并对其中关键风险实施重点管控； （二）分级分类管控原则：公司各级内控管理部门负责管控各自面临的风险，并根据风险的不同特点进行分类管理； （三）可知、可控、可承受原则：公司应对风险进行事前预测，做到风险可知，通过分析、评估并制定风险管理策略和措施加以防范和控制，将风险降至各自可承受范围之内； （四）风险收益匹配原则：公司不能单纯追求业绩而忽略风险管控，也不能因过度防范风险而制约公司的发展。 第二章风险管理及职责分工 第七条公司董事会负责公司全面风险管理工作，其主要职责为： （一）审议公司全面风险管理体系的建设规划、组织机构设置及其职责方案； （二）审议公司风险管理制度、业务风险控制制度和流程； （三）审议公司重大决策风险评估报告；
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 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》 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。
YUNRISK风控系统产品说明 大数据云风控系统全面解决方案 https://www.doczj.com/doc/3010910119.html, https://www.doczj.com/doc/3010910119.html,
https://www.doczj.com/doc/3010910119.html, (1) (2) 第一章概要 (3) 第二章行业背景 (3) 2.1风控行业背景 (3) 2.2国内外风控技术现状 (4) 2.3风控行业发展趋势 (5) 第三章武汉风控在线科技有限公司介绍 (6) 3.1武汉风控在线科技有限公司介绍 (6) 3.2研发团队介绍 (7) 3.3核心技术专利 (7) 第四章大数据云风控系统介绍 (7) 4.1产品描述 (7) 4.2产品和技术优势 (8) 4.3版本介绍 (12) 4.4产品使用说明 (12) 4.5操作流程 (14) 第五章风控管理全面解决方案 (21) 5.1业务流程 (22) 5.2授信审核流程（贷前流程） (23) 5.3借款审核流程（贷中流程） (24) 5.4贷后流程 (25) 5.5风险管理全面解决方案 (25) 第六章服务体系 (27) 6.1服务理念 (27) 6.2系统定制服务 (27) 6.3培训服务 (28) 6.4售后服务 (28) 第七章联系我们 (29)
第一章概要 YUNRISK风控系统是武汉风控在线科技有限公司经过长期风控行业深厚积累而精心研发出的面向小额贷款公司，P2P公司，融资租赁公司，供应链金融公司，商业银行等金融机构的风控业务管理系统。 本文目的在于帮助客户完整理解风控系统产品。 第二章行业背景 2.1风控行业背景 当前，经济下行导致中小企业经营成本不断增加，产品销售价格因结构原因和市场原因相对走低，企业利润空间被进一步压缩，许多中小企业陷入经营困境，导致企业经营风险加大、连锁性风险陡增、潜在信用风险上升、企业主的道德风险骤升。一些重点领域的银行等金融机构信贷风险进入了一个暴露期，一些地区的金融机构已经出现不良贷款回升苗头；不良贷款高危行业中，钢铁与建材等行业信用风险快速上升，制造业领域新增的不良资产已占到整体不良资产的七成以上，与此同时经济下行也使得个人信贷中的逾期率陡增，不良贷款率上升，如何防控信贷风险，已成为商业银行等金融机构亟待解决的课题。