基于大数据技术的信用风险预警系统_光环大数据培训精选.pdfVIP

光环大数据--大数据培训知名品牌 基于大数据技术的信用风险预警系统_光环大数据培训 在银行传统风控人员的认知中，现有线下信贷业务风控手段相对比较成熟， 业务使用广泛，已能够满足内外部监管的要求，只要严格遵守则基本无需承担风 控不力的责任；而使用大数据技术风控，现有数据的完备性、准确性存在一定的 不足，风控模型效力仍有待时间验证，亦存在风险遗漏的情况，缺乏传统风控手 段的“可靠性”，对大数据风控技术的使用持有一定的怀疑态度。 而事实上不管是传统风控手段，还是大数据风控技术都只能最大限度地降低 风险而非杜绝风险，风控的效果指的是概率上的优劣。现如今互联网金融模式的 快速发展，需要我们不断创新风控思路，在不断试错、不断改进过程中完善风控 体系，而不能抱残守缺、墨守传统风控理念，停滞不前。此外，客户信息的完备 性、准确性永远是一个相对概念，没有绝对完整、准确的客户数据，只能是多方 位完善、选择性取舍。 （三）数据极度缺乏，数据接入困难超预期 当前金融产品日益多样化，客户准入门槛逐步下沉，商业银行对优质客户的 争夺愈演愈烈；而另一面，客户对商业银行产品越来越挑剔，对授信金额、审批 速度的要求也越来越高。为了能够在这场争夺战中占得先机，必须通过加强对客 户行内外信息的整合，全面、快速、准确识别客户风险，迅速做出授信决策。客 户行内数据在大数据平台构建过程中得到解决，而外部数据在接入过程中则遇到 较大困难： 首先，外部数据质量参差不齐、数据效用较难评估，需要较长时间进行沟通、 分析、确认； 光环大数据 光环大数据--大数据培训知名品牌 其次,对于线上常见的平台贷等业务，由于银行不直接面对客户，传统的埋 点等风控数据采集方法难以施行。 （四）案例库的缺少，大数据风控模型优势难以快速体现 对于很多中小型银行，因业务规模及信息系统建设滞后等原因，不良授信的 案例库要么缺失、要么案例较少，尤其是对于线上的互金等新生业务，不良案例 库更是少之又少。由于案例库的缺少，目前风头正劲的机器学习等新的风控技术 难有用武之地，大数据风控技术、模型的效果难以得到充分的验证，目前基本只 能通过对传统业务客户的历史逾欠情况进行分析，以此来评价风控模型效果。 实施过程/解决方案 恒丰银行信用风险预警系统主要分为基础数据层、基础技术服务层和应用层， 其总体架构如图一所示。 （一)基础数据层：风控系统数据引入 基础数据层主要负责行内行外数据接入、存储，通过自建爬虫体系、购买外 部服务数据API 或文件批量推送服务实现各类数据的接入，形成风控专用的风险 数据集市，如图二所示。根据获取权限不同，风控数据可分为四类： 第一类为行内数据，主要包括企业和个人的基础信息、授用信信息、还款信 息、账户信息及各类黑、灰名单等，均为结构化数据，可直接从行内的大数据平 台接入，数据准确、权威，但覆盖面相对较少； 第二类为用户授权数据，包括企信征信、个人征信、个人学历、个人车辆、 电商交易记录等数据，主要通过第三方提供的API 接口接入； 光环大数据 光环大数据--大数据培训知名品牌 第三类为第三方公司数据，包括工商、司法、手机验真等，这部分数据主要 以API 接口获取为主，以文本文件推送为辅； 第四类是来自于互联网的各类免费数据，包括企业的评级、资质、招聘、投 融资、市场价格、新闻、突发等数据，个人的设备指纹、微博等数据，这类数据 主要通过爬虫获取为主，文本文件推送、接口接入为辅。 在数据接入节奏方面，对于行内数据，主要以“数据驱动为主、业务驱动为 辅”的方式，提前将可能用到的数据全部接入进来；对于行外数据，则在充分评 估数据效用、接入周期、接入技术难度、更新频率等各种因素后，以“业务驱动 为主、数据驱动为辅；急用先行、分步接入”的方式逐步接入。 （二）基础技术服务层：风控系统数据处理 基础技术服务层主要对基础数据层