随着移动互联网的兴起，新消费金融、移动支付、电子商务等行业也随之快速崛起，风口之下，也裹挟着大量风险和欺诈。信用缺失、风控能力不足成为牵掣很多企业发展的绊脚石。
【更多精彩内容关注公众号：MobTech官微】
以金融行业为例，传统风控高度依存征信数据及人工经验对信贷申请人进行信用评估，造成速度慢、效率低的体验，在信用体系尚不完善的情况下制约了金融机构的下沉发展，同时随着互联网业务的增加，网络诈骗团伙的恶意欺诈也层出不穷。
信用作为金融机构最大的资产，要维持信用，核心就是风控。当前，人工智能时代已经到来，智能风控带来了新的一轮变革。在金融与科技的融合加速下，金融机构更加重视金融科技对业务的赋能，通过与专业第三方数据平台合作以加速数字化转型，解决缺乏垂直行业数据、硬件设施、分析团队、技术能力等痛点。
近日，某消费金融机构针对信贷业务环节中，对风控规则、申请评分模型、授信额度模型、贷后监控等服务体系的搭建，与金融智能风控服务商MobTech达成合作。通过贷前—贷中—贷后的全生命周期智能风控解决方案，MobTech帮助合作方有效识别风险用户，风险设备，补充风控模型多维度数据，降低损失。（注：因涉及合作方商业机密，金融机构名称不便公布。）
01
贷前信用评估：全景标签模型+用户终端行为
贷前，基于某消费金融机构十年线上信贷业务经验，及缺少第三方数据的现状，MobTech打破金融机构数据孤岛困境，实现信息整合。通过线上+线下不同渠道的数据源打通，进行深度整合、清洗、分析，并挖掘金融机构自有数据的价值，完善其用户画像体系，助力后期风控场景的用户分层管理。
借助MobTech的全景大数据产品服务矩阵，使用联合建模的形式，以用户在App终端的行为变化为依据，对中小额贷款申请人的逾期概率进行预测。通过与金融机构自有数据结合，有效进行用户信用的评估。
02
贷中风险预警：用户特征筛选+场景化定制模型
贷中，还款人借贷意愿如发生改变，如何提前对有逾期风险的用户进行分析预测？
金融机构可筛选出贷前信用评分不高的用户，使用MobTech贷中特征预警模型进行评测，也可通过联合建模的方式，用同态加密的方式获取MobTech数据源，进行横向、纵向的联邦学习，实现多样定制化风控场景模型的搭建。
目前，MobTech联邦学习实践研究，用源数据和特征梯度建模，在风控领域进行建模，差异小于1%，在业内处于领先位置。
03
贷后监控管理：三方征信数据+企业信用评分
用户进行消费分期或提现后,建议金融机构从平台内部和外部分别进行实时监控：
对内，基于平台内部数据进行实时提醒，如用户是否按时还款，是否发生逾期，交易行为数据是否有异常等。若是正向变化，可给予适当地提额；若是风险发生，提醒注意还款。对外，基于三方征信数据进行实时监控，包含多重申请、多头借贷、失信记录、 执行记录、涉诉公告、风险分、高频查询等方面。
同时，基于用户额度使用情况、消费类别、还款情况等，可建立行为评分模型，用于额度调整、风险预警。
写在末尾，市场不断更新，风控永不停止。金融行业要想打好安全持久战，除了练好自身内功，完善风控算法模型，不断提高自身的科技水平外，还需加强与第三方数据平台的合作，引进不同的平台技术、实现经验互补，构建和谐的金融生态。
-END-
閱讀更多 MobService 的文章
