隨著金融企業(yè)業(yè)務(wù)的深入,以及消費(fèi)金融業(yè)務(wù)競爭的白熱化,針對(duì)信用白戶進(jìn)行快速有效的信用評(píng)級(jí)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(jī)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(duì)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(píng)估基本不可行,利用大數(shù)據(jù)引流獲客倒是一個(gè)值得關(guān)注的方向;
對(duì)于大型股份制銀行以及消費(fèi)金融公司特別是網(wǎng)貸平臺(tái),數(shù)據(jù)匹配率可以達(dá)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(píng)估兩個(gè)方向進(jìn)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(duì)一批用戶的互聯(lián)網(wǎng)行為特征進(jìn)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(duì)于其中發(fā)現(xiàn)的一批關(guān)鍵詞,進(jìn)行term weight分析,聚類如下圖所示所示:
經(jīng)過對(duì)近十萬逾期和欺詐用戶的百萬條互聯(lián)網(wǎng)行為記錄進(jìn)行分析,按關(guān)鍵詞不同可以分為三個(gè)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(huì)關(guān)聯(lián)到法律糾紛等關(guān)鍵詞;
2、多頭借貸:這些用戶會(huì)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(tái),拆東墻補(bǔ)西墻;
3、黑產(chǎn)中介:這些用戶則會(huì)關(guān)聯(lián)到周卡、零配件設(shè)備號(hào)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(dòng)化的產(chǎn)業(yè)鏈。
利用這批關(guān)鍵詞,結(jié)合業(yè)務(wù)知識(shí)以及機(jī)器學(xué)習(xí)算法挖掘,找到上千個(gè)異常關(guān)鍵詞,幾十萬量級(jí)的黑產(chǎn)商品,并通過商品關(guān)聯(lián)到百萬量級(jí)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(gè)補(bǔ)充,同時(shí)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(gè)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(hào)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(shí)名制的普及帶來的是號(hào)碼資源稀缺,化價(jià)值利用是黑產(chǎn)平臺(tái)的主要特點(diǎn),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(píng)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(píng)估領(lǐng)域應(yīng)用時(shí),先普及幾個(gè)基本知識(shí)。
模型評(píng)估維度
模型特征
業(yè)務(wù)經(jīng)驗(yàn)法的例子包括根據(jù)品牌商品占比、主動(dòng)評(píng)論占比、用戶購物類目的分布占比情況等特征進(jìn)行分析。一般購物類目分布越廣,說明這個(gè)用戶線上消費(fèi)越強(qiáng),刷單用戶的可能性也就越低。
機(jī)器學(xué)習(xí)法的經(jīng)典案例就是使用Pagerank計(jì)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(kuò)散法,通過黑名單庫計(jì)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(jià)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(xiǎn)越小,還需要根據(jù)其貸款產(chǎn)品進(jìn)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(yàn)以及機(jī)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(gè)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(diǎn),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(gè)特征IV值分布情況。相比銀行信用卡等特征會(huì)偏弱一點(diǎn)(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(jī)配件、零食、男女內(nèi)衣類目等類目特征IV值較高。這種不對(duì)外顯露的類目,能很好的區(qū)分一個(gè)人的消費(fèi)水平。
模型算法
傳統(tǒng)的評(píng)分卡一般采用邏輯回歸,因?yàn)檫@類模型可解釋性強(qiáng),便于溝通交流以及上級(jí)部門的監(jiān)管。但采用的是可解釋性雖然一般,但性能更強(qiáng)、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(dá)到0.28,再加上傳統(tǒng)貸款的申請(qǐng)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(dá)到0.36。
四 經(jīng)驗(yàn)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(fèi)分期領(lǐng)域。對(duì)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(píng)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(píng)估建模的效果不錯(cuò),但是達(dá)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(jià)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(píng)估更直接。識(shí)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。
違法和不良信息舉報(bào)投訴電話:0377-62377728 舉報(bào)郵箱:fbypt@m.4729d.com
網(wǎng)絡(luò)警察提醒你 a>
中國互聯(lián)網(wǎng)舉報(bào)中心
網(wǎng)絡(luò)舉報(bào)APP下載
掃黃打非網(wǎng)舉報(bào)專區(qū)