如何建立大數(shù)據(jù)風控的框架

在金融風控領域，數(shù)據(jù)有五個屬性，
1、人口屬性
性別，年齡，電話號碼、姓名、家庭住址，主要是為了怎么找到這個用戶
2、消費特征
電商用戶經(jīng)常買什么，在什么時候買東西，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(fā)言，經(jīng)常上什么網(wǎng)站，就可以判斷出這個人是否經(jīng)常出去旅游，愛好汽車
4、信用屬性
收入的情況，資產(chǎn)的情況、職業(yè)、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(jīng)常出入一些商業(yè)區(qū)、住宅區(qū)可以判斷這個人的授信額度情況
可以判斷這個人是否經(jīng)常換工作，比如半年經(jīng)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(shù)據(jù)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。
要基于業(yè)務模型來決定需要哪一些數(shù)據(jù)，數(shù)據(jù)是服務于業(yè)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，還款能力和還款意愿
2、欺詐風險：很多互聯(lián)網(wǎng)金融公司早期面臨的主要挑戰(zhàn)就是欺詐風險，欺詐風險主要發(fā)生的原因有以下幾點：
（1）用戶數(shù)據(jù)被泄露，就會有用戶來冒充其他用戶
（2）風控缺失、業(yè)務上有漏洞，很多互聯(lián)網(wǎng)公司沒有經(jīng)驗面對這些風險，銀行已經(jīng)有很多經(jīng)驗，所以很多羊毛黨都來到互聯(lián)網(wǎng)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里騙了之后到另外的地方騙，羊毛黨抓住了業(yè)務的漏洞
（4）黑色產(chǎn)業(yè)鏈，金融詐騙集團的出現(xiàn)

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(lián)網(wǎng)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(fā)生在什么地方，才能有效預防風險。
主要依靠大數(shù)據(jù)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(xiàn)模型，虛擬交易模型（最容易出現(xiàn)洗錢套現(xiàn)）
6、還款意愿模型
7、判斷是否會過度借貸
8、馬甲養(yǎng)號識別模型

傳統(tǒng)金融機構是如何做風控的：
1、傳統(tǒng)金融機構會要求提供很多憑證
2、傳統(tǒng)的金融機構沒有消費特征數(shù)據(jù)等數(shù)據(jù)的優(yōu)勢

要判斷是否是用戶本人的真實意愿
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

建立防范欺詐風險引擎
1、建立風險特征庫：非常駐地點、非常見行為
2、基于反常行為，建立風控專家規(guī)則集
3、利用規(guī)則集建立機器學習模型，讓規(guī)則集不斷完善