海量數(shù)據(jù)結(jié)合機器學(xué)習(xí) 算話聯(lián)合建模封殺早期風(fēng)險

2017-08-04 11:20:00

近日，算話征信與知名智能信貸服務(wù)商完成欺詐及早期風(fēng)險識別聯(lián)合建模項目。該信貸產(chǎn)品基于移動互聯(lián)網(wǎng)、云計算、大數(shù)據(jù)分析和機器學(xué)習(xí)技術(shù)實現(xiàn)全流程線上信貸服務(wù)，聯(lián)合建模項目有效實現(xiàn)了預(yù)期風(fēng)控效果。

在當(dāng)前普惠金融的市場環(huán)境下，線上欺詐風(fēng)險變化非常頻繁，以往單一的個體欺詐已迅速演變成有組織、有規(guī)模的團體欺詐和相應(yīng)的關(guān)聯(lián)風(fēng)險。對于信貸機構(gòu)來說，傳統(tǒng)的欺詐及早期風(fēng)險識別手段包括身份驗證、客戶信息邏輯校驗、外部信息的對比校驗、黑名單過濾等方式主要還是在識別個人風(fēng)險，無法根據(jù)千絲萬縷的關(guān)系挖掘潛在的群體欺詐，這就需要基于網(wǎng)絡(luò)的全局風(fēng)險識別能力來覆蓋風(fēng)險漏洞，算話征信利用關(guān)系網(wǎng)絡(luò)來識別群體欺詐風(fēng)險的技術(shù)十分貼合當(dāng)前的風(fēng)控需求。

雙方此次合作項目是欺詐及早期風(fēng)險識別產(chǎn)品，以識別高風(fēng)險人群為目標(biāo)，通過聯(lián)合建模的方式實現(xiàn)模型定制化，通過算話征信的專業(yè)風(fēng)控技術(shù)為合作金融機構(gòu)提供更精準(zhǔn)且高效的風(fēng)險解決方案。據(jù)觀察，產(chǎn)出的模型結(jié)果在開發(fā)數(shù)據(jù)集和時間外樣本測試上，均獲得了顯著且穩(wěn)定的效果。

雙方合作的聯(lián)合建模方式，是以相關(guān)產(chǎn)品的申請數(shù)據(jù)為基礎(chǔ)，利用算話數(shù)據(jù)庫中的復(fù)雜關(guān)系網(wǎng)絡(luò)，衍生出一系列反映欺詐及早期風(fēng)險的變量，由算話模型團隊運用隨機森林、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)技術(shù)，為信貸產(chǎn)品定制個性化風(fēng)險識別模型。該團隊擁有豐富的跨行業(yè)國際建模經(jīng)驗，成員參與過國家征信、國內(nèi)外銀行、互聯(lián)網(wǎng)金融、銀聯(lián)、保險、能源、高端市場等領(lǐng)域的眾多數(shù)據(jù)分析、建模、策略及BASEL合規(guī)項目。

算話建模團隊專家介紹，聯(lián)合建?？梢詾楹献鳈C構(gòu)提供更符合自身業(yè)務(wù)特點的定制模型，比如通過分析用戶行為（User Behavior）和貸后表現(xiàn)之間的關(guān)系，建立相關(guān)信用評分模型。所謂用戶行為包括APP下載來源、APP跳轉(zhuǎn)頻次、APP停留時間、填寫資料時間及準(zhǔn)確度等全方位的用戶使用情況；而貸后表現(xiàn)就是用戶的還款情況。其實用戶行為和貸后表現(xiàn)這兩類數(shù)據(jù)都是長期存在的，且隨著業(yè)務(wù)的發(fā)展，這兩類數(shù)據(jù)也會越發(fā)的完善和全面。但目前缺少的是通過正確的視角和方式建立精準(zhǔn)的信用評分模型，把一直被當(dāng)作弱變量的用戶行為變?yōu)閺娮兞?，從而更好地輔助信貸審批流程。算話征信的服務(wù)介入恰好彌補了這一環(huán)節(jié)。

雙方的聯(lián)合團隊歷時數(shù)月梳理了海量的用戶行為數(shù)據(jù)，共同完成了定制信用評分模型。建模采用傳統(tǒng)評分卡的方式，經(jīng)過模型設(shè)計、變量處理、邏輯回歸、分數(shù)轉(zhuǎn)換等過程后，可以得到評分值表。最終結(jié)果顯示，該模型表現(xiàn)優(yōu)異，評分結(jié)果穩(wěn)定性很高。

據(jù)介紹，算話欺詐及早期風(fēng)險識別產(chǎn)品自投入市場以來，很快取得客戶認可，合作機構(gòu)數(shù)量現(xiàn)已超過160家，在隊列中申請進行聯(lián)合建模合作的機構(gòu)達到21家。在供不應(yīng)求的情況下，為滿足客戶意愿，算話征信已對產(chǎn)品線再度進行擴充，目前欺詐及早期風(fēng)險識別項目包括以下方式：

合作機構(gòu)普遍認為，算話欺詐及早期風(fēng)險識別服務(wù)更側(cè)重于團伙欺詐的防范，通過知識圖譜、風(fēng)險信息交叉挖掘等技術(shù)，同時將個人信息與行為大數(shù)據(jù)相結(jié)合，通過多種欺詐形態(tài)樣本，訓(xùn)練出多個有針對性的模型，最后結(jié)合多年反欺詐實戰(zhàn)經(jīng)驗的專家策略加以整合；通過每筆信貸申請的具體資料，得出其欺詐概率，以及懷疑欺詐的具體原因點，使算話的服務(wù)與機構(gòu)自身的風(fēng)控策略更好地結(jié)合起來，達到最佳防范效果。