前言
網際網路金融的爆發特别這幾年網際網路信貸的快速增長及多元信貸業務的開展，信貸業務特别是現金貸行業内使用者逾期率、多頭共債率不斷攀升，這一系列問題顯現出資料缺失、風控盲點、信用隐患等問題。平台的風控能力成為對業務的嚴峻考驗，傳統風控通過客戶經理面簽和初審，對使用者的資質要求和嚴格篩選，風控内部過會和基于制式資料的評價卡來評估使用者的風險承擔能力。現金貸産品通過大資料風險在資料體量次元上進行分析和評估，核心是分析大資料所衍生出的多元度變量，通過變量分析群體客戶行為，建立一定的模型，來預估新客戶的身份資訊、還款能力、還款意願。
一、使用大資料風控
線上貸款沒有人員稽核、面簽、審貸會等環節來作風控，主要是依靠大資料進行風控控制。
大資料：以API接口、網絡爬蟲、批量購買、裝置抓取、使用者送出等形式獲得的資料。
裝置資訊抓取：第三方API接口驗證裝置黑名單、IMEI資訊。
通訊錄抓取：決策引擎(通訊錄個數、通訊錄異常字元、通訊錄号碼異常識别)。
使用者身份資訊驗證：身份API公安接口認證、照片人臉識别、銀行卡驗證。
使用者行為資料：填寫時間、修改次數、跳出次數、分享情況。
使用者營運商資料：爬取使用者六個月通話記錄。
使用者電商資料：爬取使用者曆史至今電商交易資料。
1、我們首先需要基于自己特定目标客群、行業、場景等做風控。由于針對特定人員、行業等垂直目标做深耕，較為容易建立對應的風險點及風控政策。
例如：針對工薪階層的消費貸，主要針對工薪人群的特征。針對公務員具行業的。針對公積金的信貸。
2、基于自有平台身份資料、曆史交易資料、支付資料、信用資料、行為資料、黑名單/白名單等資料做風控 身份資料：實名認證資訊（姓名、身份證号、手機号、銀行卡、機關、職位）、行業、家庭住址、機關位址、關系圈等等。
交易資料/支付資料：例如B2C/B2B/C2C電商平台的交易資料，貸款平台的借款、投資的交易資料等。
信用資料：例如貸款平台借款、還款等行為累積形成的信用資料，電商平台根據交易行為形成的信用資料及信用分（京東白條、支付寶花呗），SNS平台的信用資料。
行為資料：例如電商的購買行為、互動行為、實名認證行為（例如類似新浪微網誌機關認證及好友認證）、修改資料（例如修改家庭及機關住址，通過更換頻率來确認職業穩定性）。
黑名單/白名單：黑灰名單、白名單等。
3、基于第三方平台服務及資料做風控，第三方資料平台（如同盾、百融等資料）。
Maxmind服務IP位址庫、代理伺服器、盜卡/僞卡資料庫。
二、貸款申請流程如何風控
一、貸前
1、貸款申請
此環節把不符合最基本要求的人進行申請階段攔截，節約成本，提高效率，增強體驗。對于進入的使用者，往後會有一系列的資料判斷，進行過濾。
2、貸款審批
風控模組化需借助于函數的定義，此外也可以借助評分卡的機制進行補充。而評分卡的模式在另外一方面也作用于系統稽核與人工信審，譬如高于X評分的訂單申請，系統直接通過；處于X與Y之間的評分，則需人工稽核，甚至通過電話聯系；而低于Y評分的，則系統直接拒絕。
2.2 貸中
對額度内交易進行風險預判，以借款人為核心關系對其社交網絡的分析，以借款人的交易行為、還款行為、裝置使用等行為等第三方資料等資料和資訊項作交叉驗證，提前發現使用者的風險，對借款人的帳戶和額度作實時管控，對使用者進行當機、降額、止付、提前催收、黑灰名單等管理手段。
2.3 貸後
管理借款人的新增風險，多頭、其它平台逾期、失聯、位址變動。信用惡化監控和借新還舊監控。對使用者的失聯修複。
反欺詐平台
風控主要控制信用風險和欺詐風險，信用風險的經驗已經相對成熟很多，但是基于線上貸款的欺詐風險是各家機構的投入防範對象。個人的欺詐風險主要是第三方欺詐和個人欺詐，第三欺詐主要是團夥欺詐和身份冒用等，個人欺詐多種各樣位址僞裝、申請資料作假、養流水等。
如基本的反欺詐邏輯：
身份資訊校驗：人臉比對、ocr、活體識别、人證有源比對。
手機号驗證與識别：營運商、二次放号，虛假，未實名等等。
位址定位：驗證居住地和工作地真實性和真假。
裝置指紋：其他裝置指紋相關的規則、裝置關聯不同姓名（年齡，地區）的身份證等。
銀行卡：銀行卡号歸屬地在高危地區、銀行卡号命中盜卡黑名單等。
多頭檢測：檢測申請人最近是否多次申請貸款等。
風險名單庫：内外部黑名單，司法資料，逾期名單，失聯名單，貸款黑中介名單是否命中。
裝置反欺詐：裝置指紋一種可以識别裝置唯一性的技術。它通過采集移動端和PC端裝置基礎資訊、作業系統資訊、時間、網絡、應用、電池、位置、插件、浏覽器等各種客戶授權資訊，并且通過一定的算法，生成裝置的唯一辨別。裝置指紋采集的資訊主要包括，裝置的品牌，作業系統，IMEI，IP位址，APP清單，浏覽器本身的特征，使用者輸入習慣，解鎖習慣，頁面操作時間等等。
社交圖譜：使用者的社交關系是一種基于圖的資料結構，由節點(Point)和邊(Edge)組成。在知識圖譜裡，每個節點表示現實世界中存在的“實體”，每條邊為實體與實體之間的“關系”。
不一緻判斷：不一緻性驗證可以用來判斷一個借款人的欺詐風險，這個跟交叉驗證類似
團夥欺詐：相比虛假身份的識别，組團欺詐的挖掘難度更大。這種組織在非常複雜的關系網絡裡隐藏着，不容易被發現。當我們隻有把其中隐含的關系網絡梳理清楚，才有可能去分析并發現其中潛在的風險。
小結
信貸業務的風險暴露有一定的滞後性，特别是現金貸大跟進中潛藏的風險也需要一定的周期才能所有展現出來。尤其是消費金融和現金貸業務後面所謂的技術公司、保險公司、融資擔保公司和銀行金融機構等金主，更處于風險傳導的後端。信貸型業務除了欺詐就是多頭的風險最大，拆東牆補西牆的模式隻能增加使用者還款能力的風險，共債客群資産品質出現惡化的後果，會波及到整個金融行業包括信用卡、傳統信貸和網際網路信貸業務。與傳統的風控相比，大資料風控在一些企業應用比較多，有時候并不是大資料風控有多麼好，而是大資料風控在同樣的條件下，極大的降低了風險管理的成本。