首页 > 商业资讯 > 正文

向前金服深挖数据信息 助力征信体系建设

    内容摘要:向前金服智能风控引擎能够对弱数据进行处理、加工、清洗,最终将数据输入学习模型以提炼出对风控决策有价值的信息,降低信用风险。向前金服基于大数据和云计算构建的智能风控引擎,补充传统征信数据的不足。

向前金服深挖数据信息  助力征信体系建设

多年来,国内的金融机构很大程度上依赖央行征信报告来决定是否给个人客户授信。但对互联网金融机构来说,央行征信报告获取难度大、客群覆盖率较低,往往还需要依赖大量的外部征信数据用于开发风控体系,对抗各类欺诈风险、信用风险。而一个信贷产品的风控体系常需要使用十几家以上的外部数据,这些数据需要对接、清洗、衍生,最后转化为规则与模型。

随着互联网金融业务的不断发展,风控管理面临着对海量数据进行去伪存真的挑战。传统意义上的风控,往往是通过人工方式进行处理,风控规则及模型以编码的方式嵌入到各个业务系统,而一个信贷产品往往需要部署几十条甚至数百条规则,几个甚至十几个模型。这些模型的落地给开发部门带来了非常大的工作量。而且,面对外部环境的变化和日益壮大成熟的专业欺诈团伙,一成不变的规则很容易被识破,风控体系需要持续优化迭代。不断切换规则、规则组、模型的参数、逻辑、优先顺序等,也需要投入大量人力,使得风控规则及风控策略调整的周期性长、时效性低、响应速度慢、缺乏灵活性,无法跟随业务发展的步伐。

向前金服深挖数据信息  助力征信体系建设

为解决以上问题,向前金服投入大量资源,打造了自己的智能风控决策引擎。这一风控决策引擎基于大数据和云计算构建,除了央行征信信息、行业信贷信息、社保公积金缴纳信息等强数据外,还深挖电商购物信息、社交信息、出行信息等弱数据,通过对弱数据进行处理、加工、清洗,进而补充传统征信数据的不足,最终将数据输入学习模型以提炼出对风控决策有价值的信息,降低信用风险。

向前金服智能风控决策引擎集线上审批、用户信用评分及群体细分、信贷决策为一体,通过可视化的界面操作,风控业务人员可以进行风控规则集合设置及调整。同时智能风控决策引擎可以整合内部基础数据和外部海量数据,并进行数据加工、数据分析、数据挖掘,通过风控模型不断训练及迭代验证,完善风控模型,提升模型的有效性及准确性。

   作为向前金服大数据智能风控平台听风者的核心工具,智能风控决策引擎除了帮助向前金服不断降低逾期率,推动平台稳健发展的同时,其深挖数据价值并加以有效运用,则有助于进一步提升征信在金融机构信用风险管理中的作用,在征信体系完善,信用评级、信用评分等发挥着巨大价值。