日韩中文字幕一区|亚洲成色最大综合在线|91亚洲国产系列精品|91福利国产在线观看网站|国产精品三级久久久久久久|亚洲一区二区三区在线国产|欧美性视频一区二区三区四区|国产一区二区三区精品99久久

隨著金融企業(yè)業(yè)務(wù)的深入，以及消費金融業(yè)務(wù)競爭的白熱化，針對信用白戶進行快速有效的信用評級風(fēng)控顯得尤為重要。

一、電商社交數(shù)據(jù)的數(shù)據(jù)覆蓋度：

下圖為各類金融機構(gòu)的互聯(lián)網(wǎng)行為數(shù)據(jù)整體匹配情況。 

可以看出傳統(tǒng)的農(nóng)商行主要面對線下人群，線上數(shù)據(jù)的匹配率很低，要利用電商社交數(shù)據(jù)做信用評估基本不可行，利用大數(shù)據(jù)引流獲客倒是一個值得關(guān)注的方向；

對于大型股份制銀行以及消費金融公司特別是網(wǎng)貸平臺，數(shù)據(jù)匹配率可以達到50%及以上，具有較大的大數(shù)據(jù)風(fēng)控分析潛力。

二、電商社交數(shù)據(jù)的反欺詐應(yīng)用

基于電商和社交數(shù)據(jù)，依照傳統(tǒng)的反欺詐和信用評估兩個方向進行分析體系構(gòu)建，也得到了一些很有意思的分析結(jié)論：

電商數(shù)據(jù)反欺詐

下面是獲取到的一批典型案例：

根據(jù)對一批用戶的互聯(lián)網(wǎng)行為特征進行跟蹤，發(fā)現(xiàn)了一些很有趣的特征。建模分析過程如圖所示：

對于其中發(fā)現(xiàn)的一批關(guān)鍵詞，進行term weight分析，聚類如下圖所示所示：

經(jīng)過對近十萬逾期和欺詐用戶的百萬條互聯(lián)網(wǎng)行為記錄進行分析，按關(guān)鍵詞不同可以分為三個客群：

1、老賴客群：典型的諸如讓銀行頭疼的老賴、資產(chǎn)糾紛用戶會關(guān)聯(lián)到法律糾紛等關(guān)鍵詞；

2、多頭借貸：這些用戶會關(guān)聯(lián)到新口子、套現(xiàn)、京東白條、螞蟻花唄、蘇寧金融等關(guān)鍵詞 ，通過薅羊毛的手法走各種新平臺，拆東墻補西墻；

3、黑產(chǎn)中介：這些用戶則會關(guān)聯(lián)到周卡、零配件設(shè)備號等關(guān)鍵詞。從黑產(chǎn)中介的跟蹤情況看，當(dāng)前黑產(chǎn)已經(jīng)形成一條極度隱蔽而且設(shè)備高度自動化的產(chǎn)業(yè)鏈。

利用這批關(guān)鍵詞，結(jié)合業(yè)務(wù)知識以及機器學(xué)習(xí)算法挖掘，找到上千個異常關(guān)鍵詞，幾十萬量級的黑產(chǎn)商品，并通過商品關(guān)聯(lián)到百萬量級異常用戶。這批數(shù)據(jù)通過分析發(fā)現(xiàn)很多并不在傳統(tǒng)的多頭借貸、網(wǎng)貸黑名單數(shù)據(jù)庫當(dāng)中，可以作為黑名單庫的一個補充，同時在幾家合作公司測試也得到良好反饋。

社交數(shù)據(jù)反欺詐                                

社交領(lǐng)域數(shù)據(jù)是另外一個比較有趣的話題，除了直接關(guān)注貸款類、涉黑類話題的用戶，通過圖數(shù)據(jù)庫、PageRank算法等社交分析工具找到一批刷單刷帖用戶。

具體過程如下：

這中間有意思的就是號碼的重疊度，現(xiàn)有公布的的黑產(chǎn)名單與分析的社交刷單刷帖灰名單用戶有極大的重疊度，結(jié)論就是：物盡其用！實名制的普及帶來的是號碼資源稀缺，化價值利用是黑產(chǎn)平臺的主要特點，這也給基于大數(shù)據(jù)的反欺詐提供了線索。

三、電商社交數(shù)據(jù)的風(fēng)控建模應(yīng)用

信用評估一直是金融領(lǐng)域的重中之重。在介紹社交數(shù)據(jù)的信用評估領(lǐng)域應(yīng)用時，先普及幾個基本知識。

模型評估維度

 模型特征

業(yè)務(wù)經(jīng)驗法的例子包括根據(jù)品牌商品占比、主動評論占比、用戶購物類目的分布占比情況等特征進行分析。一般購物類目分布越廣，說明這個用戶線上消費越強，刷單用戶的可能性也就越低。

機器學(xué)習(xí)法的經(jīng)典案例就是使用Pagerank計算微博用戶的影響力，一般pagerank值越大，影響力越高，用戶失信的可能性也就越小。另外比如使用標(biāo)簽擴散法，通過黑名單庫計算相應(yīng)的用戶灰名單概率權(quán)重特征。這些特征IV值（即Information Value，信息價值）一般都在0.1以上。下圖為PageRank分段值在大額借貸和小額借貸中違約率中的關(guān)系。

PageRank得分不是越高風(fēng)險越小，還需要根據(jù)其貸款產(chǎn)品進行區(qū)分，大額貸款（5萬以上），越是高分用戶，逾期違約可能性越大；小額貸款（5萬及以下）則剛好相反。

通過業(yè)務(wù)經(jīng)驗以及機器學(xué)習(xí)方法，考慮購物品類的情況下，總共構(gòu)造了3萬多個指標(biāo)，下圖為篩選指標(biāo)的一般流程：

下圖為特征在樣本中的空置率表現(xiàn)。可以看出很大一部分特征都有缺失，這是互聯(lián)網(wǎng)數(shù)據(jù)的一大特點，也是目前的挑戰(zhàn)。通過一定的閾值過濾掉部分特別稀疏的特征。

下圖為挑選的50個特征IV值分布情況。相比銀行信用卡等特征會偏弱一點（我們測試基于銀行信用卡流水構(gòu)造的特征，通常IV值能到0.4左右），但也是不可多得的良好特征變量。

在有效特征中數(shù)碼配件、手機配件、零食、男女內(nèi)衣類目等類目特征IV值較高。這種不對外顯露的類目，能很好的區(qū)分一個人的消費水平。

模型算法

傳統(tǒng)的評分卡一般采用邏輯回歸，因為這類模型可解釋性強，便于溝通交流以及上級部門的監(jiān)管。但采用的是可解釋性雖然一般，但性能更強、效果更好的決策樹模型。

模型架構(gòu)圖  

KS值

通過電商以及社交數(shù)據(jù)，模型的KS值達到0.28，再加上傳統(tǒng)貸款的申請表里的用戶基本信息、資產(chǎn)信息授權(quán)信息，終的建模KS效果達到0.36。

四 經(jīng)驗總結(jié)

1、電商社交數(shù)據(jù)適合線上行為活躍的群體，尤其是適合現(xiàn)金貸及有場景用戶，比如3C數(shù)碼、醫(yī)美、教育等消費分期領(lǐng)域。對線上行為特別稀疏的傳統(tǒng)的線下人群，要利用電商社交數(shù)據(jù)做征信評估基本不可行。

2、特征不是越多越好，低值的特征多了反而降低模型整體的效果。并且特征越多，模型的可解釋性分析困難越大，所以優(yōu)質(zhì)特征的篩選必不可少。

3、電商和社交數(shù)據(jù)用來做信用評估建模的效果不錯，但是達不到直接使用的效果，因此電商和社交數(shù)據(jù)需要和其他數(shù)據(jù)配合使用，才能發(fā)揮的價值。

4、電商和社交數(shù)據(jù)在反欺詐領(lǐng)域的應(yīng)用來得比信用評估更直接。識別出的異常購物記錄和敏感行為用戶壞賬率比正?？蛻粢?.7倍。