可复制、接地气，大数据——华瑞银行的利矛、坚盾大数据下的风控、反欺诈与精准精准营销

导读

在上海华瑞银行和神州信息金融软件业务板块联合主办的“科技驱动普惠金融——中小银行Fintech实践高峰论坛”上，上海华瑞银行大数据中心副总经理张鲲就华瑞银行如何在风控、反欺诈和精准营销方面有效利用大数据进行精彩演讲。

主题演讲

《大数据下的风控、反欺诈与精准精准营销》

上海华瑞银行

大数据中心副总经理张鲲

大数据下的风控、反欺诈和精准营销的基础是用户体系，首先要做好用户画像，这要提到用户ID归一化，即一切ID都要关联，比如把微博、微信、QQ开放平台提供的ID关联后做用户标签，再通过用户标签做顶层数据应用。

在SDK模式下如何做用户画像？除了前面提到的传统银行都会有的客户资金资产、金融属性，还有客户在各种平台上的兴趣爱好分析。如果某用户今天在合作的电商平台买了尿不湿，两年以后可以为他推安全座椅。银行推什么呢？银行可以推儿童牙齿保险，原来不知道客户有什么属性，处在人生哪个阶段，现在通过用户画像可以做更精准的推荐。

有了用户画像后就可以建模。人的兴趣会改变，所以要考虑衰减因子。通过基本用户分群，获取客户属性，就可以分客户进行推荐。

反欺诈风控是大数据应用的主要场景之一，风控分贷前、贷中和贷后，反欺诈是贷前的上一步。反欺诈有很多种手段，每种手段都要不停迭代。从黑名单开始，除了网贷名单，还要做IP黑名单、手机号黑名单等等。IP、设备、WIFI都有高度关联性，这些黑名单一边收集一边共享。

筛过黑名单后再做数据比对，数据比对是将客户申请贷款时填写的信息，包括家庭、住址、工作单位、配偶、紧急联系人等，与其他渠道的数据做验证。

通过这一关卡后，再看行为数据，比如黑中介批量做贷款申请时，很多信息批量复制粘贴，当你捕获一个客户提交速度毫秒级，那肯定是有问题的。反欺诈的规则匹配比较多，主要是针对客户连续的异常操作设立一系列规则。识别客户异常点主要是指通过聚类等算法来识别隐私欺诈客户。

前面提到的反欺诈手段主要是识别真实客户身份，除此之外还要识别客户是否有真实贷款意愿，最常用的手段有电核，人脸识别还有电子签名。这些手段加起来，我们认为等同于面签。

在SDK展业模式下如何做大数据风控？人行征信加上融入场景的数据。以车贷为例，要提供车辆相关信息；装修贷可把房屋楼层、小区均价作为模型变量；消费贷使用消费记录、产品价格等。延伸场景，车贷可推广到物流贷，装修贷之后可以做实施工程装修队的商户贷，消费贷向后延伸可以知道电商流量，做电商贷。SDK植入各个场景后，从每个场景获取特色数据，为每个场景分别建模。

即便没有数据损失，还款意愿还是比较难识别。在大数据里，很多弱变量可筛选出强变量，作为还款意愿的辅助识别。比如车贷，会从保险出险情况、GPS轨迹，车辆安全状况进行识别；装修贷，会参考手机定位，是否在装修小区，如果申请贷款装修房子，却从来没在小区周围出现过，这就有风险；消费分期，可以看手机是否停机、收货地址是否经常变化等。

如何防范贷后风险？还是要基于用户场景数据的收集，包括经常出现的位置、常用设备，当客户的行为发生异常时，比如突然换一个地方登陆，就要对他进行动态安全策略验证，原来提现需要短信验证码，现在就要语音验证码。这个思路是不让黑产摸透你的模式，他可能认为就是一条短信验证，突然使用语音他就无法获取。

风控离不开信用评估。信用评估分两类，一是有监督的机器学习、另一种是无监督的机器学习。目前还有的说法叫做半监督机器学习，这其实是有监督和无监督机器学习的混合，此外还有迁移学习和强化学习。举例说明，如果训练出一个AI能做一般图象识别，应用到医疗上用做病理图片识别，这就是迁移学习。大家比较熟悉的阿尔法狗，自己和自己下了几千盘棋后逐渐学习，就是强化学习。无监督机器学习，是完全不告诉AI什么好、什么不好，让他自己发现，最后对结果进行评价。金融行业用的比较多的是有监督和无监督学习。

不管是什么模型，我们讲到场景数据的建模一定要把场景数据加入模型里。不同场景相对独立，当内部数据结合了外部场景数据，变量更加丰富，每一个产品模型可分客群迭代，最终的目标是让模型更加精准。

点击下列 关键词 即可查看往期内容

ESB丨ESC丨IT架构丨IT治理

核心系统丨分布式丨民营银行丨大数据

互联网金融创新丨互联网金融平台

金融IT圈微信ID：JinrongIT

长按识别二维码即可关注