标签：欺诈 策略 验证 导图 信息 风控 身份证 整理 数据

       前几天在群里看到一张风控策略框架的脑图，文档为18年的，觉得整理得很棒，于是将脑图中的内容搬运下来记录成文章。

       这张风控策略导图一共涉及准入、反欺诈、信用评分、人行征信、额度、行为评分和催收评分这几块。之前整理过一篇策略类的文章：最全贷前策略整理

 

一、政策准入

       准入阶段使用自有数据做规则，数据服务商提供的数据后置。

1.年龄

      确定年龄段和是否为学生群体。

2.职业

      主要来自人行征信职业，但并不准确，一般需要工资为代发放。特定职业不做或者限额。

3.地域

       新疆、西藏、青海以及其他特定敏感或者高风险区域不做。

4.学历

       学信网可查。

5.行业

       特定行业不做或者限额。比如单位名称中含有"贷"字。

6.民族

       可考虑汉族及部分少数民族通过，其余少数民族有学历的通过。

 

二、反欺诈

       反欺诈分为身份核实、要素验证(银行卡、运营商)以及反欺诈策略和模型。

 

2.1反欺诈-身份核实

       优先用活体识别+公安联网核查，如果没有公安联网核查则使用活体识别+人证对比+实名认证。

1.活体识别：

如：FACE++人脸比对结果小于误识率为0.00001的置信度阈值

2.公安联网核查

      本人照片与公安公安系统照片比对，且核对身份证号码和姓名。此外还有身份证号与姓名在公安系统是否存在、身份证是否在有效期。

3.人证对比

       本人照片和身份证照片进行比对。

4.实名验证

      身份证、姓名是否一致。

 

2.2反欺诈-要素验证

      要素验证有运营商三要素验证和银行要素验证。

1.运营商三要素验证

      姓名、身份证、手机号是否一致。

2.银行要素验证

      三要素验证：姓名、身份证、银行卡。

      四要素验证：姓名、身份证、银行卡、手机号。

 

2.3反欺诈策略

     它这里的反欺诈和黑名单混在了一起，都放在反欺诈策略里面。

1.黑名单

      法院失信、法院执行、信贷逾期、欠税名单等。

2.多头借贷

      XX时间内申请人在多个平台申请借款数。

3.手机在网时长、在网状态、消费档次

4.稳定性评估

      如申请人身份证6个月内关联的手机号过多。

5.欺诈行为识别

      如申请人手机号3个月内关联的设备中检测到隐身模式。

6.联系人风险

      如第一联系人手机号命中虚假号码。

7.IP画像

      如使用代理IP申请、申请人IP地址归属国外。

8.设备画像

      设备缺失、设备获取异常、短时间移动距离位置异常、近24小时内设备关联过多身份证或手机号、

9.地址核验

      家庭地址以及工作地址核验。

10.运营商规则

      运营商消费统计(网络费用、话费)、月均消费—排除小号、静默状态(三天内是否有无通话行为)、通话高峰时间段(是否为12点以后)、通话地区、判断手机号对应账户是否处于正常使用状态。

11.复杂网络—团体关联欺诈

       一方面可以将某盾关联风险分应用于策略，另一方面可测试用于复杂网络规则的策略。比如身份证命中信贷逾期名单群体核心节点、身份证命中法院犯罪名单群体核心节点、身份证命中信用异常群体核心节点。

12.知识图谱

 

2.4反欺诈模型

1.基本信息—年龄、性别

2.申贷信息

3.其它行为—注册、还款、绑定等

4.位置信息—IP/WIFI、基站

5.关联信息—朋友圈、黑名单

6.设备信息

 

三、人行征信策略

1.客户基础信息

      一般和反欺诈策略结合在一起。

2.逾期类信息

      包括贷款以及信用卡(贷记卡、准贷记卡)。当前逾期情况、历史逾期情况(近24个月连3累6)、逾期金额(针对下沉类产品)。

3.账户状态信息

      是否为止付、呆账、冻结。

4.账户五级分类。

      是否为关注、次级、可疑、损失。

5.对外担保

      出问题容易被其它银行追偿，关注的点同234。

6.特殊交易

      是否出现过以资代偿、担保人代偿以及展期。

7.信贷需求

      申请次数(近24个月超过4次)、额度使用率(超过80%)、多头借贷(贷款机构数超过5个)、信用卡账户数(账户数超过20个)、经营性贷款笔数(大于2笔)、公共信息欠税、民事判决、强制执行、行政处罚(大于0次)。

8.历史还款情况

      是否出现过B(违约)、D(担保人代还)、Z(以资抵贷)、G(结束)。

9.小额贷款贷款记录。

 

四、信用评分模型

1.多头类数据

2.社交、关联类数据

3.经济能力类数据

4.设备类异常类数据

5.地理活动类数据

6.信贷生命周期类数据

 

五、额度模型

      有场景的一般不干预额度，无场景的额度影响因素如下。

1.收入

      代发工资、金融资产、大额存单、住房贷款、公积金、消费指数。

2.多头结合学历

      有学历，7天内多头>=20或者无学历，7天内多头>=15客户限额或者拒绝。

3.是否为农村地区

4.机型—IOS/Andriod

5.性别

6.城市风险等级—自有数据

7.智信分

8.公积金数据

       公积金是否断缴以及断缴月数。

9.社保数据—同公积金数据。

10.航空消费等级、铁路出行信息、房产及车辆价值评估等。

11.职业稳定性

       近期职业稳定性(12个月)及长期职业稳定性(36个月)，主要根据社保公积金缴纳情况进行评估。

12.授权爬取

       主要包括电商数据、资产信息以及学历认证信息。

 

六、行为评分

1.客户还款行为类数据

2.多头类数据

3.关联性类数据

4.经济能力类数据

 

七、催收评分

分为账龄滚动模型和失联模型。

7.1账龄滚动模型

1.性别、年龄等信息

2.在全信贷行业的借贷信息

3.在全信贷行业的注册行为

4.历史征信记录

5.互联网行为偏好

 

7.2失联模型

1.常用联系人信息等

2.位置行为变动信息等

3.银行卡类信息、资产类信息等

4.性别、年龄等信息

5.线上注册、登录等信息

6.历史征信行为

>【作者】：Labryant  
>【原创公众号】：风控猎人  
>【简介】：某创业公司策略分析师，积极上进，努力提升。乾坤未定，你我都是黑马。  
>【转载说明】：转载请说明出处，谢谢合作！~

 

 

 

 

 

标签：欺诈,策略,验证,导图,信息,风控,身份证,整理,数据
来源： https://blog.csdn.net/lc434699300/article/details/111192614

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。