在风控的领域,哪些技术是纯噱头?怎样才能落地真正运用?

(墨菲/文)风控领域,大数据等一些先进技术的应用场景和方向在哪里?在一本财经举办的风控闭门课程上, ZrobotCEO乔杨表示,技术第一步,是实现自动化,减少人工主管臆断。他从营销、反欺诈、催收等多个领域,介绍如何进行风控模型开发、搭建。以下是他现场分享的部分干货,在正式分享前,我们需要讨论确定两个观点:一个是模型开发。目前在国内,包括BAT,都没有一个完善的模型开发标准流程,这些东西,在国内还不规范。另一个是,在风控领域,大数据等一些先进技术的应用场景和方向在哪里。首先,要能做到自动化,尽量减少人工的干预,减少主管臆断。其次,通过大数据能实现“差异化”,做到客制化产品设计,客户画像补全,客户需求的深度挖掘。再次,就是做到精准度,这些需要模型驱动,包括交易成本评估、差异化定价、反欺诈等。最后,是创新性的评估。比如,现在行业最大的一个瓶颈,是底层数据不能共享,如何实现数据安全的共享。01基于试验设计的营销相应策略现在营销有两种方式:一个是覆盖式营销,主要是借助电视、广播、报纸德国传统媒介,他的优势是覆盖面广,单成本非常高,但营销效果,比如我们把转化率做为评估,它是非常难以量化评估。另一个是精准营销,你的触达方式,是电销、运营商的网运营商的网络或者是社交网络传播,他可以根据人群的特点需求,做一个定制化的投放,定制化的投放最大好处,他可以做到极致化,可能是千人千面这么一个营销方式,那么每个人需求是不一样,他的消费能力能力是不一样,而且他最大的优势,他的效果可以做量化的。我们经常会面临三类场景:一是,你面向众多营销对象,你如何选取需要触达的目标客户,提高你的营销响应率。二是,针对不同的客户,怎么选取合适的营销渠道,降低过渡成本。三是,在营销资源有限的情况下,如何选择合适的产品,做个性化投放,这就是要基于你对这个客户的精准理解。我们是提倡“test&learn”的方式,就是你对目标客群的理解,不基于你的营销人员,他完全是通过我们实验设计,通过我们的数据来说话,那通过,营销实验的方式,你最小的成本来测试,那么最终你可以通过你测试到的基本数据来建模,来准确判断用户的一个画像,可以精准预估转化率。02第一方欺诈欺诈分为三种:第一方欺诈,是客户本人是欺诈的实施者,他进行消费的时候没有还款欲望,提供虚假的信息;或者刻意提高自己的信用体系,不断地提高信用额度,当自己的信用额度达到一定程度以后,就忽然爆发。第二方欺诈,是非常不常见的,它犯罪主体是受害人的亲戚或者公司的雇员,通常被当作第三方欺诈处理。第三方欺诈,客户是受害人,不主动实施欺诈,欺诈方式包括身份盗用或账号盗用。第一方欺诈分为几类:一是深度欺诈,用自己的身份申请贷款,但没有偿还意愿。二是first payment default,这在现金贷首轮是非常普遍的,比如,第一天首轮客户达到30%,第二天可能降到20%,这批客户有好利润,但欺诈的频率是非常高的。三是余额欺诈(bust-out)。国内平台都有自己的提额策略,一个增长性的收信方式,一种方式是客户主动提出申请;另一种是平台通过判断策略判断用户是否达到提额的要求,做一个被动提额。只要存在提额的空间,就可以给欺诈份子一个动机。现金贷用户经常会遇到,有些用户会借了还,但不是在还款到期时还,可能借了三四天之后就还了。这里面有一部分人,就是在测试,他们通过不停的提前还款、按时还款,把额度在很短时间内刷到他认为比较高的阶段,他可能一次把钱取出来,就消失了。第四种是空头支票,这在国外比较常见,但在国内,大家不接受支票付款的,所以这种欺诈方式还未出现。国内,风控还处在校验阶段,通过身份验证、识别,在前端防范欺诈。比如你要求用户提供银行卡流水,三要素、六要素验证,甚至是眨眼等活体验证,这都是有可能被攻破的。所以通过交验的方式,是目前国内是比较普遍使用的方式。在无意偿还的这一块,有效的方式就是黑名单,进一步做风险信用评级,用户画像。但针对还款意愿的判断是非常难的。first payment default识别难度在于数据较少,判断周期长,但耗费大量催收资源,主要也以黑名单判定为主。余额欺诈,可用会在多家借贷机构同时发生,如果能掌握多头申请的信息,可以对余额欺诈做一个前期的保障。进入欺诈期,用户先是正常消费、按时还款,之后多家同时申请调高额度,会短时间内高频消费,最终消失。余额欺诈,在实施欺诈之前,假装自己是好人,正常消费、正常还款,在初中期,90%正常交易比较多,高危交易、大额交易比较少,后期交易行为发生明显变化,大额交易明显增多。判断用户交易的真实性,需要非常大的计算量,对系统、预算的要求非常高,比如信用卡的,要求在毫秒进行判断。交易监控,需要监控是否有高频小额交易、大额异常交易。余额欺诈,会频繁的申请额度提升,最有效的是建立恶意提额识别模型,设置恶意提额识别策略,在实施大额提现时,平台能拦截异常交易。另外可以结合其他维度进行监控,社交网络、网上浏览数据、其他行为数据等。03常见的欺诈类型及防控措施第三方申请欺诈,有账户盗用、资料造假,恶意违约;交易欺诈,包括账户冒用、养卡、套现。他们的防控难度和危害程度,都比较急迫。具体要如何防范呢?1 .最常用的方法是建立“漫网”体系识别,通过多元数据交叉比对,搭建模型建立精准的客户画像。“漫网”体系识别是我们内部提出来的一个概念,是通过机器分析社交网络额度一个方式,通过地址关联,设备关联等建立网络图谱,当建立起来全网关联后,你看到的不是欺诈的个体,而是一个消费群落,可以快速定位欺诈团伙行为。2 .多种数据来源的交叉对比,包括地址、移动设备行为等各种用户信息进行交叉对比,产生置信度。3 .模型的方式,建立精准的客户画像,这被认为是最有效的,通过身份特质、购物历史、交易特征,构建千人千面的模型,可以根据交易进行画像对比,符合就通过。客户画像模型构建分为三个部分:第一,用户档案,与传统风险模型不同,为每一个客户建立一套专有的行为档案。第二,数据光滑,当客户自身的历史行为不足以支撑是,需要用行为近似的数据进行补充。第三,时间衰减,对于我们服务的年轻客群,变化非常快,需要及时更新行为档案。04反欺诈在整个信贷授信环节,身份验证,欺诈识别,信用评估和后期的风险预警,每个环节都有技术突破。比如,在批量注册识别领域,通过用户行为模式分析,尤其是相似性分析,比如多头申请、关系网络、高相似信息等,有效区分机器注册用户和正常使用客户,最大限度减少对正常客户的影响和拦截无效客户。最大的劣势在于,很可能误伤,需要极强的场景理解能力和丰富的业务经验,能利用流式处理技术,实时判断客户在注册及使用流程的异常现象。举个例子,判断客户是否属于批量注册,可以通过路径分析的方式,比如网页跳转路径、网页类型与停留时间等。第一,是刷单识别。通过多个维度,可以识别刷单团体。比如通过商户和客户两个维度,进行信用评估,建立商户之间,客户之间,以及商户与客户之间的关联关系,有效提升团体刷单的识别率。进一步,可以由点带面发现整个可疑集团,并减少对正常用户的影响和购物体验。需要制定一个惩罚机制,对刷单的严重程度,进行差异化处理。第二,是漫网扩散,构建一个关系网络。这是基于个体之间,多样性的关联方式,关联频率等信息,有筛选的建立关系网络,同时根据已知的黑名单,建立有效的传染规则与免疫规则,实现涉黑程度的量化度量,提升黑产团伙识别率。根据已知的黑名单,建立有效的传染规则与免疫规则,实现涉黑程度的量化度量。最终,以图谱的形式,实现关系网络可视化,方便业务人员对关系网络整体进行把控。第三,是中介识别,就是根据用户在网络中留下的言论信息,来判断该用户是否具有中介特征,这是对黑名单模型的补充。信贷中介识别的难点在于,对于黑产一些隐蔽的代称,无法进行有效地识别。比如,聊天记录和论坛言论是零散的,针对多人对话需要进行结合上下文的语义理解,对文本和词性的辨识度要求很高。中介识别基本建模步骤:1 在人工指导下,针对网络进行有效爬取,建立结构化数据库。2 利用监督学习,针对爬取素材进行语义分析和情感分析。3 实现自动化网络爬取和语义分析。主要采用的标注模型有二元文法(bigram),基于字符的隐马尔科夫模型(HMM),词三元文法(word Trigram)和字符三元文法等。05催收策略首先明确,催收关键目标,包括早起催收、后期催收、保全。催收,需要催收模型的支持,通过对客户“排序”,统计建模,来帮助进行业务决策。统计建模的优势在于客观、准确、公平、稳健、法律合规。模型开发需要对历史信息和当前信息,进行分析和预测,主要是预测未来表现的催收模型可以使用的数据来源有:金融机构自身数据、征信数据(人行征信或第三方征信)、客户针对催收反馈数据、其他外部数据等。催收模型搭建同时,还需要制定催收策略。催收策略是一个不断循环,自适应优化的过程,需要不断收集反馈信息,并调整策略。设计策略的时候,需要关注“什么时候,由谁,对哪些账户,采取何种催收方式”,他最终是一个资源配置效率的问题,有限的资源如何做到最好。催收策略严重依赖于系统,在评分与策略之外,强大、高效、符合业务需求的系统 是重要的基础条件。催收需要考虑三个维度,催收账户分类、产品分类、催收行动信息。催收账户分类,包括新帐户、首次还款逾期帐户、联系方式或地址失联、习惯性逾期、违背还款承诺等。催收行动信息,包括逾期期数、天数,还款承诺,还款承诺未兑现等。另一点需要讲的是,催收需要结合有效结合账户数和金额的考虑。一个公式是,Balance at Risk 风险余额= Probability of Bad 坏账概率(评分) * Balance余额。而在催收行动考量时,需要将催收工作可能得到的客户反馈考虑在内,通过行动细分对催收工作及客户反馈进行细分,进一步完善策略。这里要提到催收对象的“敏感度”,即采取一定的催收行动后,客户反应如何,依据其”反应情况”和”敏感度”采取不同催收行动。

版权声明

本文仅代表作者观点,不代表零壹财经立场。

本文系作者授权零壹财经发表,未经许可,不得转载。

极客网企业会员

免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。

2017-06-23
在风控的领域,哪些技术是纯噱头?怎样才能落地真正运用?
(墨菲 文)风控领域,大数据等一些先进技术的应用场景和方向在哪里? 在一本财经举办的风控闭门课程上, ZrobotCEO乔杨表示,技术第一步,是实现自动化,减少人工主管臆断。他从营销、反欺诈、催收等多个领域,介绍如何进行风控模型开发、搭建。 以下是他现场分享的部分干货

长按扫码 阅读全文