用戶 產業 美容院 個人 經驗 信息 防範 第三方支付 銀行

在金融風控領域，數據有五個屬性，
1、人口屬性
性別，年齡，電話號碼、姓名、家庭住址，主要是為了怎麽找到這個用戶
2、消費特征
電商用戶經常買什麽，在什麽時候買東西，每個月消費多少，可以間接成為信用評分
比如有的客戶每個月可以消費幾千塊，買的東西也是中高端的商品，其實是可以進行一個小額放貸的
3、興趣愛好
微博上的發言，經常上什麽網站，就可以判斷出這個人是否經常出去旅遊，愛好汽車
4、信用屬性
收入的情況，資產的情況、職業、負債、學歷、工作、信用評分
5、社交屬性
通過用戶的朋友圈行為，如果一個人經常出入一些商業區、住宅區可以判斷這個人的授信額度情況
可以判斷這個人是否經常換工作，比如半年經常和這一些人交流，另外一段時間就換了工作換了朋友交流

可以將大部分的數據分到這五個類別，最重要的是 人口屬性和信用屬性來決定授信額度。
要基於業務模型來決定需要哪一些數據，數據是服務於業務和風控模型的

金融風險主要分為
1、信用風險：借錢不還，有錢不還，還款能力和還款意願
2、欺詐風險：很多互聯網金融公司早期面臨的主要挑戰就是欺詐風險，欺詐風險主要發生的原因有以下幾點：
（1）用戶數據被泄露，就會有用戶來冒充其他用戶
（2）風控缺失、業務上有漏洞，很多互聯網公司沒有經驗面對這些風險，銀行已經有很多經驗，所以很多羊毛黨都來到互聯網金融公司薅羊毛
（3）大家信息是不對稱的，所以羊毛黨能夠在這裏騙了之後到另外的地方騙，羊毛黨抓住了業務的漏洞
（4）黑色產業鏈，金融詐騙集團的出現

第三方支付中的一些主要的風險：
1、盜卡，盜刷，因為支付機構都是持牌機構，為了保護聲譽，一般會全額賠付
2、串謀騙貸，比如去美容，就會有人直接貸款到美容院
3、多頭借貸，多家平臺全部都去借
4、賬號欺詐

移動互聯網時代，大家都是用手機完成交易行為，一般都是手機驗證碼通過驗證，但是欺詐分子會通過×××攔截手機驗證碼來通過驗證。

要知道欺詐發生在什麽地方，才能有效預防風險。
主要依靠大數據風控模型落地

一般的風控模型：
1、身份驗證模型
2、信用評分模型
3、行為評分模型
4、欺詐模型
5、第三方支付的有套現模型，虛擬交易模型（最容易出現洗錢套現）
6、還款意願模型
7、判斷是否會過度借貸
8、馬甲養號識別模型

傳統金融機構是如何做風控的：

1、傳統金融機構會要求提供很多憑證
2、傳統的金融機構沒有消費特征數據等數據的優勢

要判斷是否是用戶本人的真實意願
需要在設備層面做欺詐風險的防控，手機需要綁定，換了手機需要認證
在登錄賬戶的時候，需要人工驗證，比如手動滑動。
指紋驗證，人臉識別

建立防範欺詐風險引擎
1、建立風險特征庫：非常駐地點、非常見行為
2、基於反常行為，建立風控專家規則集
3、利用規則集建立機器學習模型，讓規則集不斷完善

如何建立大數據風控的框架