消費信貸風控背後的秘密

來自專欄知識市場編輯推薦11 人贊了文章

線上金融業務的發展帶來了大量的技術變革和思想變革，互聯網的發展使得金融與用戶接觸的方式呈現虛擬化、碎片化的特點，使得整個產品設計、用戶運營、風險管理都在發生劇烈的變化。

具體來說，從獲取一個用戶，到對應用戶的存續經營，甚至非正常的退出，每個環節都在考慮風險的因素，企業、機構在進行線上金融管理過程中可能遇到以下問題：

如何基於風險因素去定位客群？

如何根據資方風險需求去推薦產品？

如何基於弱數據進行用戶授信？

如何基於他們的行為管理他們的額度？

如何做欺詐用戶同風險識別的差異？

如何安排逾期資產管理計劃？

基於解決以上行業痛點，京東金融進行了大量風控技術及創新運用，提出「全鏈路風控」的概念。

全鏈路風控是指，在線上金融獲客、推薦、授信、定價、反欺詐和不良資產管理六大階段，通過全新的技術手段+思維方式，進行風控管理的全新方法。

目前，京東金融已經初步實現了全鏈路的風控管理，使用的技術不再只局限於評分卡技術。點擊率預估、推薦引擎、知識圖譜、自然語言處理、深度學習、強化學習等新的技術已經在金融場景下與風險業務深度結合。

下面，我們就看看全鏈路風控是如何解決六大痛點的吧。

痛點一：如何基於風險因素去定位客群？

這裡需要綜合考慮響應率與逾期概率的問題。我們通常會先從這兩個維度同時構建模型。然後，在實踐中，考慮分別將響應率和逾期率這兩個模型的預測結果作為特徵輸入給一個優化整體收入的模型。

痛點二：如何根據資方風險需求去推薦產品？

很多因素會給金融產品的風險和收益帶來變數，比如產品生命周期的不同。在實踐中，短周期的產品往往歷史數據較少，可以考慮為類似冷啟動的問題。而「冷啟動」問題又是一個經典的強化學習問題。基於對強化學習技術的應用，可以盡量讓短期存在且缺乏歷史數據的活動效果達到最優。另一方面，對於長周期活動，我們又可以讓模型「在線化」來充分利用各個活動數據的同時，減輕工程壓力。

痛點三：如何基於弱數據進行用戶授信？

很多時候弱數據效果之所以弱，是因為沒有一個強大的演算法充分挖掘這些數據的信息。數據的非線性效果和交叉效果是傳統的模型無法充分學習的，但這些信息對模型效果可以有明顯的提升；得益於當前的組合模型和深度學習模型強大的學習能力，我們能夠充分挖掘模型的信息，使用弱數據建立比傳統評分卡效果更好的模型。

痛點四：如何基於他們的行為管理他們的額度？

用戶對當前額度和歷史提額的表現，以及歷史的消費水平都可以學習出用戶當前額度是否滿足需求，以及可授信額度的上限是多少。但是每個用戶只會對自己有的額度有反饋，所以我們會對用戶的行為進行向量化處理，使用相近的用戶模擬該用戶對其他額度的反饋。

痛點五：如何做欺詐用戶同風險識別的差異？

欺詐用戶往往具有集中性，但是集中性的變數維度可能會比較多，而且可能需要通過多個指標組合才能確認。為了刻畫用戶多個維度的相關聯程度，我們使用Graph Embedding技術把網路信息轉化成結構化信息，方便使用經典的聚類演算法查找異常用戶。

痛點六：如何安排逾期資產管理計劃？

不同的用戶逾期的原因可能不一樣，比如大部分用戶可能是忘記還款或者設置了自動還款功能的銀行卡餘額不足，也可能是一時資金周轉不開，也有一小部分人心懷不軌，從借款一開始就不打算還錢，然而貸後人員就是要面臨這麼多種原因不同身份不同的逾期客群，為了不冤枉一個好人，也不漏掉一個壞人，我們就需要建立一個有效辨識客群逾期風險的模型來差異化貸後管理手段。

看完以上全鏈路風控體系解決風控痛點的方法概要是不是還意猶未盡？為了更系統、更生動的講述全鏈路風控，京東白條知乎機構號攜手知乎，特別邀請京東金融-個人服務群組-個人風險管理中心-智能模型實驗室聯手打造知乎live課程，讓你在1小時內，了解全鏈路風控體系。

點擊下方鏈接，今晚8點，我們不見不散！