因工作需要，最近查阅了不少关于如何利用大数据建设支撑互金业务的智能风控平台，以下是我个人对所看资料的总结及个人拙见，与同道之士共享。
互联网金融平台聚焦互联网消费信贷业务场景，依托线上互联网为获客渠道，识别更好的客户群体，为客户提供更高效的响应时效以及更佳的业务体验。线上信贷业务普遍具有流程快捷、实时审批、极速到账等优点，同时服务的客群通常是传统金融不愿意服务的客群，这也对风险控制提出了更高的要求。
大数据智能风控平台作为金融资产类IT建设中最为重要的一个系统，其理念、内容、架构、流程反应出的内容已经不仅仅局限在一个IT系统的范畴之中。系统的扩展性、后台支撑的灵活性、安全稳定等会多方面影响互联网消费信贷业务发展，一个适应性强且基于大数据平台的风控系统是现代互联网消费信贷业务能够快速适应市场变化的重要保障。
互联网消费金融面临的风险主要是信用风险和欺诈风险两块。
欺诈风险
据统计，在中国，互联网金融50-70%的损失来自欺诈，这也可以说是风控业务中最困难的地方。造成这种现状的原因比较多，一方面是诸如现金贷类型的消费金融短期爆发式发展，大量创业公司涌入赛道以互联网获客运营的流量思路做金融，与此同时相应的风控经验和能力缺失，因此给专业的欺诈分子暴露了较大的风险敞口，通过简单研究业务规则漏洞，并通过互联网传播，可能带来较大的损失；另一方面也是欺诈产业链自身研究实力不断的完善有关，现在的欺诈已经从以往单一的个人欺诈演变为有组织、有规模的集团化欺诈，链条上盗号，数据泄露作为基础账号库，已衍生出一系列包括黑产交易、ID Mapping、定向攻击的完整产业链，其中的分工和技术也非常专业和精细化。
信用风险
信用风险，其定义是借款者违约的风险，换句话说，也就是借款人因各种原因未能及时、足额偿还债务或贷款而违约的可能性。通常从还款能力和还款意愿两个角度去分析信用风险，但在互联网消费信贷场景中，主要客群是包括中小企业和收入较低的白领、蓝领客户，在银行拿不到较好的贷款额度，不是银行的目标客户，其信用评分较低，传统金融认为这批客户还款能力较差；服务的客群大多属于信用白户，无法借助人行征信报告获取与客户还款能力和还款意愿相关的财产、学历、收入、贷款、信用卡、欠税欠费等信息。
大数据风控体系需要从下面三方面着手建设，首先要有技术平台支撑，能够快速的集成多维风险数据、反欺诈规则配置和风险模型开发；其次要从源头对端机进行欺诈识别；最后在信贷全生命周期通过反欺诈、信用评级模型等技术手段对进行风险控制。
1) 平台层面：建设集数据接入、反欺诈、风险执行引擎和模型训练引擎于一体的一站式风控平台。底层的数据服务统一整合所有风控、反欺诈所要用到的内外部数据接入；上层的反欺诈服务，可以对反欺诈规则进行定制和管理；风控执行引擎可以从数据服务或者其他数据源接入数据，管理和执行风控策略；风控训练引擎提供对建模样本数据做数据预处理，模型训练以及评价和监控功能。
2) 设备层面，通过在端机部署设备指纹SDK主动地收集与设备相关的信息和特征，通过对这些特征来为每一个操作设备建立一个全球唯一的设备ID。配合强大的决策引擎，精确分析出一个设备上的所有用户的操作行为，发现多用户之间的关联情况，描摹出一个基于设备的用户画像。通过设备指纹，更加精准的分析互联网欺诈者的行为轨迹，从蛛丝马迹中识别风险、预警风险，准确追踪定位风险产生的用户主体以及关联的所有用户。
3) 模型层面，建设涵盖贷中、贷前、贷后的全生命周期风控模型，比如反欺诈模型、信用评分模型、风险定价模型等，贷后催收模型等。贷前控制主要找到合格的借款人；贷中控制主要预防借款人还款能力下降，无法按时归还贷款；贷后控制，主要当贷款发生逾期时，通过有效催收策略降低银行损失。其中，贷前风险控制最为重要。
平台层
应该有四个部分构成： 大数据聚合平台，反欺诈规则引擎，模型训练引擎和风控执行引擎。
设备层
设备指纹是行之有效的设备层面的反欺诈手段，通过在页面或APP置入设备指纹SDK在线获取上网设备（ PC、手机、PAD等）的软件、硬件、网络、行为等多层次指纹信息，利用算法快速生成唯一的设备号，用于标识访问设备，可以判断用户网络行为的可信度，进而达到反欺诈的目的。
具体反欺诈应用场景包括：
注册场景：识别垃圾注册、羊毛党（设备黑名单、设备关联过多的账户信息、设备注册过于频繁、恶意绕过设备监控）；识别账户盗用（设备关联过多的账户信息）；
登录场景：识别拖库撞库；识别暴力破解（设备登录失败次数过于频繁、设备登录间隔过短）；识别账户盗用（非常用设备登录），
支付/转账场景：识别盗卡盗刷（设备关联过多银行卡信息）；识别洗钱（设备累积交易金额过大、设备累积交易频次过多、设备给过多账户转账）；
信贷场景：识别黑中介（设备关联申请贷款人过多）。
模型层
风险管理需要贯穿信贷业务的全生命周期，实现全流程风险管理目标。如下表展示了全生命各个信贷业务相应的风险管理对策，其中预授信，身份核查，申请反欺诈，信用风险评估，风险定价，用信反欺诈属于风控贷前环节，风险预警属于风控贷中环节，贷后催收属于风控贷后环节。
贷前风控
（一）预授信
基于行内自有客户数据和合作平台客户数据通过预授信评估模型进行初步的信用评估，形成预授信白名单和预授信额度，通过营销短信的方式将预授信额度通知客户。一旦客户提交授信激活申请，其额度将会重新评估，预授信额度不会作为最终的授信额度。
举例：预授信评估模型可依据申请人所在城市，工资收入，公积金，工龄，年龄，单位性质，单位规模，职务级别等信息给出相应的风控决策和预授信额度。
（二）身份核查
建立基于四要素验证，活体识别，人脸识别，联网核查，实名验证，学历验证等技术手段的身份核查模型。在用户申请贷款时通过身份核查技术手段对用户身份的真实性进行核查，确保借款人的身份信息真实有效，排查欺诈风险。
（三）反欺诈
用户在授信申请和用信时，需要进行反欺诈把控，利用风险名单，风控规则和欺诈模型，对用户可能的欺诈风险进行风险评估，主要完成用户行为信息和风险名单的欺诈判定。具体包括：用户申请行为欺诈规则分析，用户历史逾期风险、跨行业信贷风险、欺诈团伙的名单和数据分析，用户伪冒，中介或欺诈团伙风险模型预测分析。
（四）信用风险决策
信用风险决策的核心是用户信用风险评估。信用评估模型是近年来兴起的一种为了保障银行和其他金融部门的金融安全而设立的一种关于人身金融权限的划定模型，模型运用数理统计模型技术，通过对消费者信用历史记录和业务活动记录的深度数据挖掘、分析和提炼，发现蕴藏在纷繁复杂数据中、反映消费者风险特征和预期信贷表现的知识和规律，并通过评分的方式总结出来，作为管理决策的科学依据。模型以客户的信用历史资料，例如客户的基本信息、工作情况、与银行关系等方面的指标作为输入，利用一定的信用评分模型，建立定量化、自动化的评估系统，用量化的数值来体现所评估客户的信用风险，根据客户的信用分决定该客户所可以持有的金额权限，由此来保证还款等业务的安全性。
（五）风险定价
基于风险分级给予不同人不同的产品定价（不同人申请同一款产品选择一样的贷款参数，获得的利率和额度可能不一样），以获得更精准的客户，带来更多的粘性客户和更高的转化率。给予客户的授信额度，应当综合客户的风险、还款能力等多方面考虑。在贷款业务的实际操作中，对个人信用贷款利率和额度的主要考虑因素为以下几点：贷款人情况（如贷款人信用情况、个人财力、银行往来记录），资金用途，还款来源等。
贷中风控
贷中风控作为信贷风险管理的核心组成部分，是控制风险、防止不良贷款发生的重要手段。采用大数据智能贷中预警服务，分析监控对象的可能失信或负面异常信息，可在不需人工干预的情况下，第一时间掌握贷款客户的关键信息。风控平台借助贷前风控数据、信贷业务过程数据、行内自有数据和外部数据，对所有在途放贷事件进行贷中监控分析，定时跑批，筛选出新增危险客户。基于底层的大数据框架，高效的对贷款全量进监控。跑批的过程中会通过规则策略和风险预警模型来实现智能预警。
贷后风控
建立催收评分卡模型。根据客户的综合行为信息，应用数据挖掘和统计学方法，建立可以客观准确预测客户风险程度、损失程度、响应可能性、还款款可能性的催收评分模型。根据催收评分对早期逾期客户的风险情况进行评估，将客户分为高风险、中等风险、低风险三类，再根据逾期时间长短，逾期金额，将客户分为高风险(H)、中等风险(M)、低风险(L)和不催收(N)四类，并制定不同的催收策略（电话催收、短信催收、上门催收、信函催收等）。
个人认为，大数据智能风控平台建设的难点主要有一下几块。
数据的获取和整合
风控是一个复杂的过程，数据的获取和整合是智能风控的基础，智能风控体系利用数据对风险进行管控，因此数据可获得性、数据质量及数据处理能力非常关键。
场景如何融合
如何将大基于大数据分析产生的知识嵌入到信用风险、操作 风险、欺诈风险等风险管理的各个领域中。
如何进行管理支持
智能风控平台与传统的风控体系的管理欧式差别较大，在传统的风控体系下建立的业务制度、业务流程势必无法适应智能风控体系。因此及时调整优化业务流程，转变业务思路，如何将之适应智能风控体系将是一个难点。
引用百度金服图片
联系客服
