1、大數據驅動在線信貸業務變革概述背景介紹大數據風控引擎商通貸總結小額信貸的人群背景介紹ABCD優質銀行客戶典型銀行客戶，但金融 需求無法全部被滿足無法在銀行獲取金融服務次級人群、質量不好， 非目標概述背景介紹大數據風控引擎商通貸總結數據是信貸的基礎有什么數據？如何獲取數據？如何存儲數據？如何使用數據？大數據風控引擎通過爬蟲從互聯網獲取個人和企業的公開數據， 并用知識圖譜的方式將其結構化，結合其他數據 源，自動分析進件的風險點，最后通過搜索引擎 技術提供企業和個人的風險數據查詢，為人工或 者機器決策提供信息大數據風控引擎FlumeCrawlerSqoopHDFSElastic SearchWebD

2、B信息抽取知識圖譜規則引擎機器學習搜索前端RESTful Client互聯網 數據宜信自有第三方 數據數據Gateway知識圖譜文檔知識圖譜實體關系實體查詢黑名單查詢：直接匹配 & 間接聯系客戶查重實體擴展通過屬性查詢實體 = 獲取實體的其他屬性獲取相似實體知識查詢例：XX公司的法人是否有失信記錄例：XX寫字樓中有多少家機構入駐個性化問答由客戶信息生成個性化問題根據客戶回答，檢測虛假身份等欺詐風險知識圖譜的應用十億實體，百億關系（屬性）HBase + ElasticSearch 實現HBase 存儲圖譜數據ElasticSearch索引需要查詢屬性知識圖譜概述背景介紹大數據風控引擎商通貸總結商

3、通貸面向中小電商全線上實時授信，最快8分鐘放款隨借隨還開放平臺業務流程獲客額度預 估進件申 請數據獲 取實時風 控反欺詐信用評 估人工審 核optional放貸提款撮合放款貸后管 理獲客進件轉化運營活 動電銷與 回訪合作伙 伴網絡 獲客通過爬蟲定向抓取平臺上所有的店鋪根據店鋪的創建時間，品類，評級，評價，上 架貨物，單價及訂單數等公開信息，過濾出符 合進件條件的店鋪，并制定相應的營銷策略通過站內信、自動聊天等方式進行第一輪自動 營銷，篩選出感興趣的客戶后，選擇不同的方 式進行轉化（主動進件、電銷等）網絡獲客基于店鋪的公開信息店鋪越多，額度越高實時預估額度預估店鋪的經營數據互聯網上個人的公開數據

4、個人授權數據（經營數據不夠時，用于增信）結合自有數據和第三方數據1分鐘之內完成數據爬取進件申請反欺詐信用評估實時風控反欺詐借款人是否是本人？姓名，身份證，手機號，銀行卡一致人臉識別，活體檢測借款人是本人，信息是否真實？家庭地址是否真實聯系人是否真實收入流水是否真實還款能力消費多是否代表有還款能力？高檔消費多是否代表有 還款能力？地位高是否代表有還款能力？工作好代表有還款能 力？住高檔小區代表有還款能力？ 在高檔寫字樓上班代 表有還款能力？程序員有還款能力？微博被關注的人多有還款能力？還款意愿信用卡及時還代表有還款意愿？銀行貸款及時還代表有還款意愿？考試不作弊代表有還款意愿？從來不闖紅燈代表有還

5、款意愿？信用評估風控系統反欺詐模型評分模型額度模型規則引擎知識圖譜政策規則拒貸批貸 需要更多數據身份：平臺賬號、行為：網絡活動、關系：知識圖譜搜個人身份信息、交叉驗證經營活動 索反欺詐模型樣本少（相對與廣告，推薦系統）每個樣本要通過放款來收集每個樣本需要相當長時間才能收集到表現特征多，大量的missing value（相對于傳統 的風控）上述兩點容易造成過擬合信用評估模型 難點特征工程基于原始特征和領域知識總結出新的特征模型選擇決策樹：早期樣本量少；可解釋性好；隨機森林：區分度強信用評估模型 方案額度模型主要特征月均 銷售額利潤率借款期 數經營時 間經營健 康度外部負 債無效銷 售定義了風險管理的邏輯去知識圖譜中查什么輸入的數據如何使用如何交叉驗證做什么樣的決策輸出：直接拒貸批貸：額度，風險定價需要更多數據增信支持邏輯運算和遠程方法調用規則引擎主要目的是反欺詐：核實是否本人，是否有虛假 信息優質用戶，無需人工審核，直接放款發現風險點，電話快速審核人工審核放貸信用額度一個月之內有效有效期內用戶隨時按需提款P2P撮合系統實時對接資金端，分鐘級完成撮合得益于高效的資金