MobTech | 如何借助大数据构建完善的金融风控体系？

2021-03-15 22:02:39 来源：中国经济导报

传统金融风控主要利用了信用属性强大的金融数据，一般采用20个维度左右的数据，利用评分来识别客户借贷风险，其中包含还款能力和还款意愿。而随着互联网科技的发展，借助更多维数据来识别借款人风险变得关键。

不管是传统金融还是互联网金融，常见风控流程中，客户准入时提供的资信材料有限，业务机构风控数据体量不足，仅仅根据内部风险数据进行风险评估会非常片面，无法全面的把控某位客户的风险情况。因此，基于用户进件数据、内部系统数据和外部数据三位一体的风控数据源就尤为重要了，理想的风控数据体系应该是这样的：

图片来自：正阳能力场

对三方数据的使用，必须从贴近业务的角度出发。首先要先了解业务类型、其次梳理风险类别、制定风控流程、构建风险画像，才能选择合适的风控数据。

业务角度出发理清风控关键环节

金融机构，一般分为银行机构，包含传统银行、网络零售银行、信用卡（类信用卡）等；以及非银机构，包含持牌小贷、持牌消费金融、持牌汽车金融、持牌融资租赁等。根据了解的不同业务类型、不同场景，所对应的信贷生命周期可以分为“贷前-贷中-贷后”：

贷前：恶意注册；欺诈风险；准入风险；信用风险；多头风险；定价风险；提现风险等。

贷中：偿债风险；共债风险；投诉风险；额度管理等。

贷后：催收级别；失联风险等。

所有金融机构的风控流程有共通性，基本如右：注册信息提交——准入规则判定——身份信息验证——三方数据核验——授信定额定价——用户确认提现——贷中行为监测——额度利息管理——贷后管理等。抓住不同业务场景下的风控关键点，着力解决，才能创建更完备、高效的风控体系。

每一个金融机构在进行风险管理时，必不可少的则是构建风险画像，包含用户基本属性，人口属性（性别、年龄段、职业、学历、收入水平、房车等），家庭属性，消费属性（消费水平、消费偏好等），行为属性（生活行为、金融行为、旅游行为、社交行为等），兴趣属性、设备属性、信用评分等等；依据风险画像来更加全面的评估用户信用等。

三位一体的数据源助力构建完善的用户画像

因此风险画像的完善与否，与用户风险评估息息相关。画像越精准，则风险评估越精确，而精准的用户画像构建离不开全面、高效、稳定的数据。金融机构的数据应用原则都是先内部后外部，先简单后复杂，先强后弱，先规则后模型。内部数据主要是包含，用户进件数据，以及系统内用户的行为数据，包含订单信息、审批信息、登录信息、还款信息等。

外部数据分类，只列举常见并且在金融领域能够起到一定风险识别作用的数据。包括不限于征信数据、报告数据、民间信用、移动端用户行为数据（包含网络消费数据、社交数据等。根据产品性质和要求接入，评估内部数据能否构建足够的用户画像，观察是否需要扩展数据，接入时需要考虑合规性、覆盖度，是否高效、稳定、可靠等因素。

业内专业的企业也有很多，例如，MobTech袤博自成立起依靠专业团队，对市场全渠道数据应用需求的敏锐度，先人一步布局数据智能产业。经过8年之久的沉淀，从数据的统计、分析、处理、应用，已形成一套完整的全景大数据服务体系，从线上到线下覆盖多场景的智能解决方案，成功赋能旅游、零售、金融、地产、医疗健康、创投、政府等诸多领域企业，助力打通数据孤岛，提供数据生态化布局。

尤其在金融领域的应用，MobTech自主研发智能风控体系，推出一套全方位、精细化的反欺诈服务体系，实现用户信用评分，以及设备风险、位置风险、行为风险等的识别，提升金融机构信贷业务服务能力。以AI技术贯穿金融风控及反欺诈全业务链条，大幅提高金融机构金融风控能力以及欺诈应对效率。

针对中小银行、保险公司及其他金融机构面临线上风控经验少、建模能力弱、无专业团队、用户数据单薄等问题，MobTech袤博可整合线上线下数据，补充金融机构风控模型数据维度，助力完善金融机构风控体系的搭建。

在风险用户识别环节，MobTech袤博结合自有业务数据库与部分合规合作机构数据源为金融机构提供服务，例如，识别网贷灰名单、电商消费风险数据、社交媒体欺诈数据等，使得交易有风险的“黑名单”与“灰名单”（高欺诈风险用户）无处遁形，将交易风险降低到可控范围内。

在用户借贷场景下，MobTech袤博可对信贷业务环节中，例如，风控规则、申请评分模型、授信额度模型、贷后监控等服务体系的搭建赋能。贷前，对个人的信用评分、行为数据、个人资产迁移率等进行风险评估；贷中，进行实时风控及预警；贷后，定期更新用户投后的管理，提示是否有不良以及不良资产处置等等。