金融風控01-風控業務解析
- 風控業務解析
-
- 信用卡風控流程
-
- 資料采集:
-
- 反欺詐引擎(模型、無标簽)
- 規則引擎(政策)
- 風控模型
- 催收
- 入門資料推薦
- 補充
-
- 四要素驗證:
風控業務解析
信用卡風控流程
資料采集:
資料采集會涉及到埋點和爬蟲。
反欺詐引擎(模型、無标簽)
反欺詐引擎主要包括兩個部分,反欺詐規則(主要)和反欺詐模型。傳統的監督模型較少的使用到,主要涉及到無監督算法、社交網絡算法、深度學習、異常檢測、知識圖譜。
規則引擎(政策)
主要通過資料分析、挖掘手段以及一些監督、無監督算法,得到不同字段、各個區間的壞賬率,找到最佳分段區間,然後篩選信用較好的一批特定人群進行放款。通常是模型與規則組合使用。
風控模型
主要通過監督算法建構違約機率預測模型。但由于實際業務中資料品質問題,通常使用深度學習、無監督或弱監督學習等方法去輔助傳統監督學習算法。
風控模型中包含了A/B/C卡,其三者的差別如下表所示。
A卡 | B卡 | C卡 | |
---|---|---|---|
時間不同 | 貸前 | 貸中 | 貸後 |
資料要求不同 | 一般可做貸款0-1年的信用分析 | 在申請人有了一定行為後,有了較大資料進行的分析,一般為3-5年 | 對資料要求更大,需加入催收後客戶反應等屬性資料 |
Y的定義 | 使用者曆史逾期天數的最大天數 | 可以多期借款中逾期最大一次的天數 | 用途不同,定義不同 |
催收
催收是風控的最終手段。這個環節可以産生很多對模型有幫助的資料,例如催收記錄的文字資料、觸達率、欺詐标簽等。
入門資料推薦
《機率論與梳理統計第四版(浙大)》
《統計學習方法第二版(李航)》
《機器學習(周志華)》
《利用Python進行資料分析(第二版)》
《信用評分模型》
補充
四要素驗證:
姓名、身份證、銀行卡、手機号