首页>>技术前沿>>网站/软件行业动态谈到如何更好的利用外部数据?很多人浮现在脑海里的肯定是大数据风控或大数据风控模型。而提到大数据风控（模型），很多人会想到AI、机器学习、数据挖掘，甚至会把Deep Learning（深度学习）也搬出来。大家潜意识都认为，大数据风控如果不提应用了DBDT、xgboost、神经网络等复杂模型，则默认这风控做得很low。个人感觉，“大数据风控“这个词现在有点被神化了。从实际风控业务来讲，当前还无法直接将AI或很复杂的数据挖掘算法直接应用到风控业务中来。受制于数据、正负样本、征信成本、产品体验等各方面原因，很复杂的模型或AI往往在实际业务中不能有效地跑起来。当然并不是否认AI或机器学习等在大数据风控中的应用价值，我相信未来AI、机器学习等将在大数据风控中发挥至关重要的作用。
在这方面，我想和大家分享下我们在大数据风控上的一些小小心得。我们没有一味地去追求建立或运用复杂的模型，但是我们的风控策略或风控模型却又一直灌注着机器学习和AI的思想。举例来说，黑名单数据深得各家互金公司的宠爱，几乎是来者不拒。但因数据污染等问题的存在，市面上各家黑名单的质量参差不齐，而且整体质量有不断下降的趋势。因此如果还遵循命中黑名单就拒绝这种强规则逻辑肯定不适合，且会将很多本质上优质的客户拒之门外。 借助这个算法原理，可以把每家黑名单当成一个弱分类器，随着接入外部黑名单数据源的不断增加，根据各家黑名单的表现赋予一定的权重，最终构成一个强的分类器。并根据不同的场景设置不同的阈值去判定某个用户是否准入。
针对互联网消费金融风险主要表现在欺诈风险和信用风险，因此核心的风险评估流程就是反欺诈和信用评估。对于反欺诈来说，信息核实、高危人群拦截和批量识别是其核心风控手段。而对于信用风险的评估，说到底还是对其收入进行认定，也就是衡量其偿还能力。
互联网消费金融风控在流程上与传统风控一样，可分为贷前、贷中、贷后，但又有差异，因为业务的特点就是线上实时审批，也称之为“秒批”；贷前我们主要关注的是准入和授信两个环节，通俗地说就是贷前实时反欺诈和实时信用评估；贷中主要关注的是贷中异常的监控和贷中运营，比如好的客户我们要不断的进行调额；贷后主要关注的是催收，因为催收做得好，很多信用风险问题都可以解决。 大数据风控听起来非常高大上，但在实际工作中也经常会遇到一味炒作概念的人，过分夸大其中机器学习和AI所能起到的作用，或者盲目追求高深复杂的算法。科学合理地利用好大数据，发掘大数据的价值，可以有效地帮我们控制金融风险。
【全文完】
版权声明:
1、陕西弈聪网站内容中凡注明“来源：XXX（非陕西弈聪网站）”的作品，转载自其它媒体，转载目的在于传递更多信息，其中涉及的网站建设，网站优化，百度关键词优化，西安软件开发等技术细节并不代表本站赞同支持其观点，并不对其真实性负责。对于署名“陕西弈聪”的作品系本站版权所有，任何人转载请署名来源，否则陕西弈聪将追究其相关法律责任。
2、本站内容中未声明为“原创”的内容可能源自其它网站，但并不代表本站支持其观点，对此带来的法律纠纷及其它责任与我方无关。如果此内容侵犯了您的权益，请联系我方进行删除。
企业动态
