Cómo hacer un plan de control de riesgos de big data
Generalmente se divide en dos partes: minería de big data de informes crediticios y operaciones de control de riesgos:
Minería de big data de informes crediticios:
Control de riesgos en Internet masivo big data Datos relevantes
Big data de sitios web de comercio electrónico: Alibaba, JD.com, Suning, etc.;
Big data de sitios web de tarjetas de crédito: I love card, tasa Yin tarjeta, etc.;
Big data de sitios web de redes sociales: Sina Weibo, Tencent WeChat, etc.;
Big data de sitios web de pequeños préstamos: Renrendai, Credit Bao, etc.;
Big data de webs de pagos Data: Yibao, Tenpay, etc.;
Big data de webs de servicios de vida: Ping An One Account, etc...
Antes del procesamiento de datos, la comprensión del negocio es muy importante, lo que determina qué materias primas de datos deben seleccionarse para la extracción de datos. La carga de trabajo antes de ingresar a la "fábrica de datos" generalmente representa más del 60% del total. proceso.
En términos de materias primas de datos, cada vez se agregan más big data dinámicos en línea a Internet. Por ejemplo, la información falsa de un solicitante de préstamo se puede identificar analizando los rastros de su comportamiento en línea. Un usuario real de Internet siempre dejará pistas en Internet. La puntualidad de los datos útiles para los informes crediticios también es muy crítica. Los datos dinámicos efectivos generalmente reconocidos por la industria de informes crediticios son datos que datan de hace 24 meses.
Al obtener materias primas de big data de múltiples canales y utilizar operaciones matemáticas y modelos estadísticos para el análisis, se puede evaluar el riesgo crediticio de los prestatarios. Una empresa nacional típica es la plataforma de control de riesgos de big data de Shenzhourong. El uso del análisis de big data para el control de riesgos es la tecnología central de Experian. 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, que analizan más de 3000 dimensiones de datos de información sin procesar para cada solicitante de crédito y dibujan indicadores que pueden medir. su comportamiento, y el proceso se puede completar en menos de 5 segundos.
Operaciones de control de riesgos:
Marketing previo al préstamo: 1. Desarrollo de clientes existentes y desarrollo de nuevos clientes 2. Aprobación previa, puntuación de la solicitud 3. Aprobación previa, cliente; acceso, marketing previo al préstamo Estimación del límite de crédito.
Aprobación del préstamo: 1. Detección de fraude y seguimiento antifraude; 2. Reevaluación de la solicitud; 3. Aprobación del crédito; 4. Precio del préstamo;
Gestión post-préstamo: 1. Modelo de puntuación de comportamiento; 2. Gestión de cuotas; 3. Advertencia de riesgos y precobro; 4. Puntuación de cobro y estrategia 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 se ha mejorado significativamente para el mismo tipo de usuarios, utilizando amplios métodos tradicionales de control de riesgos, como garantías y pruebas. del estado de resultados, la tasa de aprobación del préstamo es de alrededor del 15% y la tasa de aprobación puede alcanzar más del 30% utilizando un modelo de big data combinado con trabajo manual. En cuanto a la tasa de morosidad de los préstamos, tomando como ejemplo el riesgo de impago a 12 meses, la tasa de morosidad de los usuarios examinados por el modelo de aprobación de crédito de Chinarong Online es la mitad que la de aquellos que no han sido examinados.
Shenzhourong es la primera empresa financiera de Internet en desarrollar un sistema de control de riesgos de big data. Al mismo tiempo, Zhima Credit, una subsidiaria de Ant Financial, y algunas plataformas de préstamos en línea P2P han comenzado sucesivamente a desarrollar big data. Modelo de evaluaciones crediticias.