隨著移動互聯網的興起，新消費金融、移動支付、電子商務等行業也隨之快速崛起，風口之下，也裹挾著大量風險和欺詐。信用缺失、風控能力不足成為牽掣很多企業發展的絆腳石。
【更多精彩內容關注公眾號：MobTech官微】
以金融行業為例，傳統風控高度依存徵信數據及人工經驗對信貸申請人進行信用評估，造成速度慢、效率低的體驗，在信用體系尚不完善的情況下制約了金融機構的下沉發展，同時隨著互聯網業務的增加，網絡詐騙團伙的惡意欺詐也層出不窮。
信用作為金融機構最大的資產，要維持信用，核心就是風控。當前，人工智能時代已經到來，智能風控帶來了新的一輪變革。在金融與科技的融合加速下，金融機構更加重視金融科技對業務的賦能，通過與專業第三方數據平臺合作以加速數字化轉型，解決缺乏垂直行業數據、硬件設施、分析團隊、技術能力等痛點。
近日，某消費金融機構針對信貸業務環節中，對風控規則、申請評分模型、授信額度模型、貸後監控等服務體系的搭建，與金融智能風控服務商MobTech達成合作。通過貸前—貸中—貸後的全生命週期智能風控解決方案，MobTech幫助合作方有效識別風險用戶，風險設備，補充風控模型多維度數據，降低損失。（注：因涉及合作方商業機密，金融機構名稱不便公佈。）
01
貸前信用評估：全景標籤模型+用戶終端行為
貸前，基於某消費金融機構十年線上信貸業務經驗，及缺少第三方數據的現狀，MobTech打破金融機構數據孤島困境，實現信息整合。通過線上+線下不同渠道的數據源打通，進行深度整合、清洗、分析，並挖掘金融機構自有數據的價值，完善其用戶畫像體系，助力後期風控場景的用戶分層管理。
藉助MobTech的全景大數據產品服務矩陣，使用聯合建模的形式，以用戶在App終端的行為變化為依據，對中小額貸款申請人的逾期概率進行預測。通過與金融機構自有數據結合，有效進行用戶信用的評估。
02
貸中風險預警：用戶特徵篩選+場景化定製模型
貸中，還款人借貸意願如發生改變，如何提前對有逾期風險的用戶進行分析預測？
金融機構可篩選出貸前信用評分不高的用戶，使用MobTech貸中特徵預警模型進行評測，也可通過聯合建模的方式，用同態加密的方式獲取MobTech數據源，進行橫向、縱向的聯邦學習，實現多樣定製化風控場景模型的搭建。
目前，MobTech聯邦學習實踐研究，用源數據和特徵梯度建模，在風控領域進行建模，差異小於1%，在業內處於領先位置。
03
貸後監控管理：三方徵信數據+企業信用評分
用戶進行消費分期或提現後,建議金融機構從平臺內部和外部分別進行實時監控：
對內，基於平臺內部數據進行實時提醒，如用戶是否按時還款，是否發生逾期，交易行為數據是否有異常等。若是正向變化，可給予適當地提額；若是風險發生，提醒注意還款。對外，基於三方徵信數據進行實時監控，包含多重申請、多頭借貸、失信記錄、 執行記錄、涉訴公告、風險分、高頻查詢等方面。
同時，基於用戶額度使用情況、消費類別、還款情況等，可建立行為評分模型，用於額度調整、風險預警。
寫在末尾，市場不斷更新，風控永不停止。金融行業要想打好安全持久戰，除了練好自身內功，完善風控算法模型，不斷提高自身的科技水平外，還需加強與第三方數據平臺的合作，引進不同的平臺技術、實現經驗互補，構建和諧的金融生態。
-END-
閱讀更多 MobService 的文章
