風(fēng)險控制是數(shù)據(jù)挖掘中最為常見的應(yīng)用，通常通過以往歷史數(shù)據(jù)判斷用戶違約的概率。

?

據(jù)統(tǒng)計，銀行傳統(tǒng)風(fēng)控模型對市場上70%的客戶有效，但另外30%的用戶，其風(fēng)控模型效果大打折扣。

大數(shù)據(jù)風(fēng)控作為補充，利用行為數(shù)據(jù)來實施風(fēng)險控制，可作為另外的30%客戶風(fēng)控的有效補充。

?

那么，大數(shù)據(jù)風(fēng)控中，是如何進行行業(yè)數(shù)據(jù)分析的呢？

?

首先，讓我們了解一下風(fēng)控模型的開發(fā)流程

?

↘???????數(shù)據(jù)抽取

↘???????數(shù)據(jù)探索

↘???????建模數(shù)據(jù)準(zhǔn)備

↘???????變量選擇

↘???????模型開發(fā)與驗證

↘???????模型部署

?

?

接下來，以個人信用評分為例，看看哪些用戶行為數(shù)據(jù)能夠進行進行統(tǒng)計分析

?

在用戶行為數(shù)據(jù)中，風(fēng)控效果最好的是用戶個人金融屬性數(shù)據(jù)，例如：

↘???????年齡

↘???????收入

↘???????職業(yè)

↘???????學(xué)歷

↘???????資產(chǎn)

↘???????負(fù)債

這些數(shù)據(jù)信用相關(guān)度高，還可以有效的反映用戶還款能力和還款意愿。

?

除此之外，部分用戶行為數(shù)據(jù)對于信用風(fēng)險評估也具有較大的影響，甚至在某些條件下這些行為數(shù)據(jù)是決定用戶信用風(fēng)險事件的強相關(guān)因素。

?

過去，這類用戶行為數(shù)據(jù)并沒有被信用風(fēng)險評估模型采用，也沒有參與客戶的信用風(fēng)險評估。然而，隨是互聯(lián)網(wǎng)日漸成熟，金融企業(yè)、互聯(lián)網(wǎng)金融企業(yè)在信用風(fēng)險事件事后分析中發(fā)現(xiàn)，用戶行為信息在多次風(fēng)險事件中起到關(guān)鍵的作用。

?

用戶行為數(shù)據(jù)產(chǎn)生于互聯(lián)系金融的的各個環(huán)節(jié)。物以類聚、人以群分，一些群體性的行為特征規(guī)律是值得關(guān)注的，因此，通過標(biāo)簽獲取的用戶行為數(shù)據(jù)，通常傾向于分析用戶群體的規(guī)律行為的相近性判斷。

? ? ? ? ? ?

? ? ? ? ? ? ? ?

行為數(shù)據(jù)在風(fēng)控中的應(yīng)用

?

用戶畫像

用戶畫像即為用戶打標(biāo)簽，區(qū)分不同屬性的用戶。如：

↘???????性別標(biāo)簽

↘???????年齡標(biāo)簽

↘???????消費偏好標(biāo)簽

?

用戶畫像包括人口統(tǒng)計學(xué)特征、消費能力數(shù)據(jù)、興趣數(shù)據(jù)、風(fēng)險偏好；企業(yè)客戶畫像包括企業(yè)的生產(chǎn)、流通、運營、財務(wù)、銷售和客戶數(shù)據(jù)、相關(guān)產(chǎn)業(yè)鏈上下游等數(shù)據(jù)。

用戶畫像在電商行業(yè)被廣泛運用。其原理是通過樣本數(shù)據(jù)分析不同標(biāo)簽用戶的行為特征，再根據(jù)分析獲得到的知識對未知標(biāo)簽的用戶進行分類。

?

用戶畫像在互聯(lián)網(wǎng)金融的風(fēng)險控制上可用于征信評級，反欺詐風(fēng)險控制、動態(tài)調(diào)整級別和監(jiān)控(增收和降低壞賬率)、快速放貸等業(yè)務(wù)中。

金融機構(gòu)擁有的客戶信息并不全面，基于平臺自身擁有的數(shù)據(jù)有時候難以得出理想的結(jié)果，甚至可能得出錯誤結(jié)論。

因此，大部分的金融機構(gòu)不僅僅收集自身業(yè)務(wù)中產(chǎn)生的用戶數(shù)據(jù)，己經(jīng)開始整合更多其它渠道的行為數(shù)據(jù)，更全面的對客戶進行了解，豐富用戶畫像。

?

例如：

↘???????社交媒體上的行為數(shù)據(jù)（光大銀行就建立了社交網(wǎng)絡(luò)信息數(shù)據(jù)庫）。

↘???????客戶在電商網(wǎng)站的交易數(shù)據(jù)，如建設(shè)銀行將自己的電子商務(wù)平臺和信貸業(yè)務(wù)結(jié)合起來

↘???????企業(yè)客戶的產(chǎn)業(yè)鏈上下游數(shù)據(jù)。

可以看到，對于個人，銀行打通內(nèi)外部數(shù)據(jù)，與社會化數(shù)據(jù)融合，獲得更完整的用戶拼圖，從而為更精準(zhǔn)的用戶營銷服務(wù)；

同時，對于企業(yè)客戶，銀行也在收集企業(yè)所在的產(chǎn)業(yè)鏈上下游的數(shù)據(jù)，掌握企業(yè)的外部環(huán)境發(fā)展情況，從而預(yù)測企業(yè)未來的狀況；

?

風(fēng)險管理的核心是反欺詐。通過分析用戶社保數(shù)據(jù)、運營商數(shù)據(jù)、網(wǎng)絡(luò)行為數(shù)據(jù)(職業(yè)、收入等預(yù)測)進行規(guī)避己經(jīng)十分普遍。

?

實時監(jiān)控系統(tǒng)內(nèi)的各類數(shù)據(jù)，通過實時分析數(shù)據(jù)結(jié)論監(jiān)測潛在風(fēng)險并做好預(yù)警防范。如：

用戶操作

交易流水

訪問記錄

某內(nèi)部工作人員在某段時間內(nèi)操作存貸/匯交易的時間大幅度快于其歷史水平；

?

通過對用戶行為數(shù)據(jù)的采集和分析，找出欺詐者留下的蛛絲馬跡，預(yù)防欺詐行為的發(fā)生。其現(xiàn)實意義在于在欺詐行為發(fā)生之前就將其制止。