Cómo formular un plan de control de riesgos de big data

Minería de big data crediticia:

Datos relacionados con el control de riesgos en datos masivos de Internet.

Big data de webs de comercio electrónico: Alibaba, JD.COM, Suning, etc. ;

Big data de sitios web de tarjetas de crédito: I love card, hoja de tarifas Yin, etc. ;

Big data de sitios de redes sociales: Sina Weibo, Tencent WeChat, etc.

Big data de webs de pequeños préstamos: Renrendai, Credit Survey, etc.

Big data de webs de pagos: Yibao, Tenpay, etc.

Big data de sitios web de servicios de vida: Ping An, Zhang Yitong, etc. ...

Antes del procesamiento de datos, es muy importante comprender el negocio y los datos, lo que determina qué materiales de datos se seleccionan para la extracción de datos. La carga de trabajo antes de ingresar a la "fábrica de datos" suele representar más del 60% de todo el proceso.

En términos de materias primas de datos, se agregan cada vez más big data en línea dinámicos de Internet. Por ejemplo, la información falsa de los solicitantes de préstamos se puede identificar analizando los rastros de comportamiento en línea, mientras que los usuarios reales de Internet siempre dejan pistas en línea. La puntualidad de los datos crediticios útiles también es fundamental. Los datos dinámicos efectivos que generalmente reconoce la industria crediticia son datos que se remontan a 24 meses a partir de ahora.

Al obtener materias primas de big data multicanal y analizarlas con operaciones matemáticas y modelos estadísticos, se puede evaluar el riesgo crediticio del prestatario. Una empresa nacional típica es China Rongda Data Risk Control Platform. El control de riesgos mediante el análisis de big data es la tecnología central de Iperian. Sus fuentes de datos primarias son extensas.

La tecnología central y el secreto de su fábrica de datos son los múltiples modelos de análisis basados ​​en máquinas de aprendizaje que desarrollaron. Analizan los datos de información originales de cada solicitante de crédito en más de 3000 dimensiones para obtener resultados que se puedan medir. sus indicadores de comportamiento, y el proceso se puede completar en 5 segundos.

Operaciones de control de riesgos:

Marketing previo al préstamo: 1. Desarrollo de clientes existentes, desarrollo de nuevos clientes 2. Aprobación previa y puntuación de solicitudes 3. Preaprobaciones, visitas a clientes y evaluaciones previas de límites de crédito.

Aprobación de préstamo: 1. Detección de fraude, seguimiento antifraude; 2. Solicitud de reclasificación 3. Aprobación de crédito. 4. Precios de los préstamos.

Gestión post-préstamo: 1. Modelo de scoring conductual; 2. Gestión de cuotas; 3. Advertencia de riesgos y cobro anticipado; 4. Puntuaciones de cobro y estrategias de cobro.

En la actualidad, la velocidad de aprobación de préstamos en línea ha logrado un gran avance y la tasa de aprobación de préstamos también ha mejorado significativamente. Para el mismo tipo de usuarios, utilizando amplios métodos tradicionales de control de riesgos, como garantías y certificados de ingresos, la tasa de aprobación de préstamos es de aproximadamente el 15%, mientras que utilizando modelos de big data combinados con trabajo manual, la tasa de aprobación puede alcanzar más del 30%. En cuanto a la tasa de morosidad de préstamos, tomando como ejemplo el riesgo de incumplimiento a 12 meses, la tasa de morosidad de los usuarios examinados por el modelo de aprobación de préstamos en línea de China es la mitad menor que la de los usuarios no examinados.

Shenzhourong es la primera empresa financiera de Internet que desarrolla un sistema de control de riesgos de big data. Al mismo tiempo, algunas plataformas de préstamos en línea P2P de Zhima Credit y Ant Financial han comenzado a desarrollar modelos de evaluación crediticia de big data.