第三小说网

5 大数据金融为行业构筑一道反欺诈防线（第1页）

5。大数据金融，为行业构筑一道反欺诈防线

近年来，大数据已经撼动了各行各业，科技、经济、商业、教育、医疗、政府、人文及社会其他各个领域。大数据成了有价值的公司资产、经济投入和新商业模式的基石。

有人这样比喻“大数据犹如新时代的石油”，用业界的话说，就是得大数据者得天下。如今在大数据时代，数据比以往任何时候都更加植根于我门生活的方方面面。

我们用数据去解决问题，改善福利，并促使新的经济繁荣，这在互联网金融领域尤其突出。

大大数据风控，已经成为互联网金融的核心竞争力。

我们知道，在传统金融时代，银行作为信贷市场上最大的资金提供方，享有垄断业态下的多重生态优势，但是互联网金融时代，这个格局发生了根本的变化，利用大数据技术，将网络借贷的信用甄别从传统的人力中解放出来，在传统银行征信的基础上加入对用户的社交信息、电商消费信息等网络行为大数据的分析，完成了对用户的信用评级和风险定价，从而提升了信用审核的效率，提高了控制信用风险的能力。

如果研究互联网金融与大数据之间的必然联系，那就是来源于风险控制。

互联网金融的核心环节是风控，行业的健康发展离不开风控。互联网金融不能简单地将传统金融模式搬上网络，其核心竞争力不是营销获得客户的能力，而是大数据风控能力。

（1）什么是好的风控

纵观互联网金融行业，大数据风控成为一个时髦的词汇，众多互联网金融公司都宣称开发了大数据风控模型。大数据、风险评级、低逾期率、零坏账率等概念随之而来。

风控成为互联网金融公司的一个招牌，那么，什么是好的风控？

首先，风控是一个整体，涉及各个业务和流程环节，一个部分好不算好，好的风控一定要兼顾整体中的各个部分；其次，风控应该是灵活的，具有应对动态环境的能力，因为各个部分的风险管理既独立又彼此协调。

互联网金融作为一种全新的融资工具，其平台像一条管道，除了自身的质量风险外，还有来自信息流的风险。

新型风控比传统风控可靠性更强。比如，很多网络借贷平台采用信贷工厂体系，即照搬银行对中小企业贷款设计的线下风控体系，包括申报、评估、审批、发放、贷后追踪流程，美中不足的是，虽然能让网络借贷平台反复审核，评估中严格把控来自借款端的信用风险，但是网络借贷平台需要花费大量的人力来审核，耗时耗力，成本巨大。

所谓大数据风控，其实质是对大数据的采集和分析，找出诈骗的蛛丝马迹，从而预防诈骗发生的可能。而这些大数据的来源，包括电商大数据、社交网站大数据、小额贷款大数据、信用卡大数据、第三方支付大数据、生活服务类大数据等。

通过大数据作为基本原料，将数值输入网络行为评分模型，从而对贷款者进行信用评级。事实上，大数据风控并不能改变金融的本质和风险，而是作为一种风控的工具，更加高效透明地去控制风险。

纵观整个互联网金融行业，创新是其发展的核心动力，而大数据恰恰是互联网金融创新发展的基石。大数据是有价值的资产，互联网金融机构通过对大数据的分析和挖掘，获得更有价值的信息。大数据的利用，正成为提高金融机构核心竞争力的关键因素，是互联网金融风控的必然方向。

（2）大数据征信优势凸显

近年来，随着中国互联网金融的迅猛发展，风险及问题频发，引入大数据征信成为破解互联网金融风控难题的关键。而走在最前面的，比如阿里、腾讯等，这些互联网金融公司具有数据来源广、类型多样化的优点，再通过大数据计算以后，能全面反映个人信用情况。

互联网征信可以通过互联网技术及海量的数据优势和用户信息，从消费、守约、财富、安全、社交等几个纬度来评判，为用户建立信用报告，形成以大数据为基础的海量数据库，这就是大数据的优势之所在。

大数据风控成为目前各个互联网金融平台创新信用管理和风险管理的一种新思路，其核心理念在于通过大数据的核心算法和信用模型，在收集各种纬度数据的基础之上，结合互联网评分和信用管理模型，来达到控制风险的目的。

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，大数据风控可以很好地起到降低成本、提高效率和优化客户服务的作用。

目前，各大互联网金融公司都已采取大数据风控这一手段，融360、蚂蚁金服、点融网、拍拍贷等均开发有独立的大数据风控系统。互联网的高效性和爆发性使我们能以较低的成本、较短的时间，积累大量的用户数据，为分析建模提供足够的样本量。这种大样本量、多维度、非结构化的数据非常适合各类大数据分析处理和机器学习技术的运用。

（3）大数据风控能解决什么问题

第一，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。

第二，对欺诈风险的防范。恶意欺诈用户一般不会采用真实身份借款，身份真实性识别是反欺诈的核心。身份证、银行卡、姓名、手机号四要素如果无误，欺诈概率是其他群体的13左右。通过大数据储存用户与各种ID对应的数据库，在用户进行借贷时进行身份匹配，能够及时辨别潜在的欺诈嫌疑用户。这些数据库包括：姓名、身份证号的实名ID、手机号、地址、银行卡号等准实名ID，QQ号、微博号、设备指纹（PC或手机硬件设备编号）等的匿名ID。

第三，对信用风险的防范。主要指还款能力（经济实力）与还款意愿（道德风险）。

大部分用户在申请阶段并非恶意，这就考验借款人对信用风险的判断，而行为数据挖掘是信用风险防范的核心。要预测借款人的信用风险，更多地需要依赖于分析海量用户的行为数据（强弱变量），从中挖掘出可以多次复用的规律。数据显示，坐过商务舱以上或一年乘坐飞机四次以上的客户违约率较低；在本地生活方面花钱越多的人违约率越低；访问财经媒体天数越多，违约率风险越低；同一手机号使用九年以上的用户违约率大概仅为6‰；而三四线城市打游戏花钱较多的人违约率比较高。

第四，贷中管理及不良催收。贷中管理方面，通过及时监测借款人信用的变化、共债的新增、流水的异动、联系状态的异常等数据，采用全自动的风险识别流程，提早识别风险，提高人工处理效率。消费金融不良资产，主要由道德水平不高和还款能力不强造成。据统计，70%-80%的不良资产是因为债务人失联导致，大数据网络可重新建立起与债务人的联系，通过关联匿名ID、联系家人朋友追回欠债，从而降低整体不良率。