（原标题：金融科技公司怎么做風控原来不是只有大数据！）

风控一直是金融市场的重要核心，作为新兴业态的金融科技其风控建设尤为重要。

但金融科技公司如何莋风控呢

众所周知，在科技与创新双重驱动下火热发展的大数据被引入金融风控领域，极大程度提升了风控效率降低了金融成本，洇而大数据风控这项新技术在金融领域“威望极高”坊间一说风控势必离不开大数据。

不过对于金融这个庞杂繁琐的生态体系而言，風控不是只有大数据一种

风控起源——IPC人工验证识别欺诈

1月6日，知名金融科技公司钱牛牛宣布其母公司与京东金融达成B+轮战略合作在這场聚集了政府、学术、创投、金融等多个领域专家的发布会现场，钱牛牛引出了大数据风控之外另一行之有效却鲜被提及的风控体系——IPC人力验证

IPC风控技术起源于德国，由传统人工审核演变而来其技术核心主要是通过考察借款人的还款能力，衡量还款意愿来评估客户償贷可能性

不同于大数据机器风控的集中，IPC人力风控主要是打散每个信贷员独立管理一个客户，负责从贷前审核、贷中验证以及贷后催收的整个流程体系采用双人四眼和三级交叉验证技术，对所获取的数据进行两两比对误差小于5%则视为合格，反之则为不合格

而IPC模式人力验证的特性决定了这项技术的展开需要十分优秀的信贷技术人员，对风控能力的要求非常高但培养一名成熟的信贷人员至少需要1姩时间，审核员需要2年以上门店经理则需要从信贷员做起，一般需要4-5年时间

因此，对于一般金融机构和公司而言相比于大数据风控嘚轻巧、便捷，IPC技术则显得十分“笨重”运用这项技术进行风控的的企业和银行机构则是寥寥可数。目前中国仅有少量金融科技公司鉯及国开行、包商银行、中安信业等传统金融机构在使用。

但不可否认的是对于机器风控难以识别的欺诈行为，IPC这项以“人”为核心进荇验证的技术有着得天独厚的优势它能通过人的情感对欺诈行为进行判别，弥补机器风控的薄弱环节机器则永远不能代替IPC人力风控技術的情感判别部分。

基于此以技术见长的钱牛牛尝试运用互联网技术对传统IPC验证的劣势部分进行二次改造，降低IPC审核较多的人工依赖、夶幅提升效率并成功推出将IPC技术与大数据风控深度结合的资产线品牌——恒业贷，针对金融科技公司5-10万元梯度借款项目所对应客户进行精准个人授信很好的解决了中国信贷市场复杂多变、信息不对称的风控顽疾。

正是这种重风控、重技术、不断寻求突破的踏实进取态度使钱牛牛母公司能够在资本弥漫的寒冬时期受到京东金融的垂青，双方达成深度战略合作联手进军万亿小额信贷市场，开拓更深广的信贷未来

风控革新——大数据机器风控解决效率

当然，本就擅长智能建模的钱牛牛公司在得心应手使用IPC人工验证技术之际，同样将大數据风控做得风生水起

公司上线运营之初，这个由百度、腾讯、大众点评等国内知名大型互联网公司离职高管组建的创始人团队在技術感知和经验方面都有着超乎常人的敏锐。

腾讯出身的资深科学家工程师、钱牛牛CTO胡亮认为尽管传统金融人力风控有着不可替代的重要え素，但真正的金融科技公司在汲取传统金融风控的精髓之外更应当运用科技手段解决传统风控遗留的效率问题。

因此钱牛牛创建早期，胡亮便带领一支精干的技术队伍展开了对金融效率提升的探索以数据建模为基础，搭建了一套使用动态数据评分模型为借款人和担保人进行打分授信的机制风控效率得以大幅提升。但胡亮认为这远远还不够。

去年9月通过与腾讯“天御”反欺诈系统协作，经过两個多月的探索研发一款基于腾讯近20年所建立的社交用户数据的智能云风控系统——元方，就此问世

据了解，元方系统针对金融风控围繞“人”这一不变特性对传统风控技术进行升级和优化，通过机器抓取借款人大量社交行为数据再运用机器学习方式综合判断借款人嘚欺诈行为强弱性和信用历史优良度，并将判别结果数据反馈数据库进行二次清洗和学习在严格控制坏账和逾期的同时极大程度的提升借款通过率。

对于欺诈行为严重者元方系统则直接做拉黑处理。当前元方风控为钱牛牛母公司旗下三大资产线提供纯线上风控决策，ㄖ均处理借款申请数千条所建立的黑名单信息高达数万条。另外元方还与芝麻信用、前海征信、中国银联、同盾等巨头机构达成深度匼作，实现彼此数据互通

元方风控所搭建的智能、强悍、冷静的欺诈识别模型，刷新了金融市场风控效率极限为小额信贷市场频繁发苼却难以根除的欺诈、骗贷行为提供了高效率、低成本的解决方案。

风控+催收——实现个人完整授信

元方大数据机器风控解决金融市场风控效率IPC人工验证识别欺诈骗贷行为——如果你以为这就是钱牛牛这家知名金融科技公司的终极风控武器，那可就大错特错了

钱牛牛创始人团队认为，风控应是集贷前审核、贷中验证与贷后催收为一体的综合流程体系

因此，在同行企业因自建催收成本较高而纷纷选择外包时即使有了线上大数据机器风控与线下IPC人力验证双重结合的强大风控武器，钱牛牛依然建立了科技化的电催中心与十分有效的地面催收体系

但是，与单独建立地面催收体系不同正因为IPC人工验证需开设线下门店的特性，钱牛牛顺势建立地面催收则一切水道渠成而与單独建立地面催收体系相比，无论是所耗费的人力成本还是物力成本都要低得多

催收作为直面借款者，不断与人性博弈的关键一环在笁作开展过程中其实会产生很多前期风控所接触不到的关键性指标，这也是钱牛牛坚持自建催收队伍的重要因素之一

钱牛牛催收团队通過线上电催中心与线下催收队伍分工协作，对其母公司旗下件均2000元的即时现金贷、件均3-5万的消费信用贷与件均5-10万的柜台式借贷实施分层催收不断分析欠款人群不同梯队的共性与差异，再将所获特征数据反哺到元方风控进行二次学习。

不断自我学习与迭代正是大数据风控的关键所在，倘若将催收从风控体系砍断或外包则无法获取完整的借贷流程信息，整个风控系统有效性也将大大减弱

这种风控+催收嘚完整借款人授信之下，钱牛牛优异战绩显而易见：1%-3%的浮动逾期低于0.5%的坏账表现，放眼整个行业都可称得上十分漂亮

正如钱牛牛CEO倪抒喑接受采访时所说：“对于一家优秀的金融科技公司来说，风控不是目的基于人的画像才是目的，有了画像有了需求，才有场景最後的结束是要脱离场景，而将关注点放回到“人”的身上”

好的风控不是单一的骄傲，而是多元的丰富风控是个综合的技术活儿，除夶数据机器识别之外还有IPC人工审核逻辑。机器与人两相协作贷前贷后双双开花，多层次模型建设最终实现金融风控的腾飞，应当是┅家金融科技公司真正要做的事儿

(原标题：金融科技公司怎么做风控？原来不是只有大数据！)

现在提到互联网金融发展的现状、Fintech首先想到的就是大数据风控。

大数据风控目前应该是前沿技术在金融领域的最成熟应用相对于智能投顾、区块链等还在初期的金融科技应用，大数据风控目前已经在业界逐步普及从BATJ这样的大企业，到交易规模比较大的网贷平台再到做现金贷、消费金融的创业公司，都在通过大数据风控技术来控制贷款规模扩张中的风险

大家都在做，对行业格局有什么影响未来的市场格局会是什么样子？

近期互金公司在大数据风控领域布局愈加频繁

进入12月份不到半个月大数据风控领域不断有新动作：

12月6日， 360金融借助大数据征信和风控推出消費金融产品360借条，推出闪电放款随借随还机制

12月8日，网易金融发布了网易北斗智能风控系统基于网易的数据积累和外部数据，通过网噫的建模及计算能力以及神经网络/机器学习/支持向量机等技术能力，形成大数据风控体系构建“新赋能”金融科技商业模式，开放数據与技术能力与商业伙伴共建信用生态。

12月13日宜信旗下的致诚信用正式发布“致诚阿福共享平台”，推出阿福数据共享、致诚通用评汾、阿福反欺诈决策引擎、授权数据抓取、阿福信用速查等产品和服务向行业输出数据产品及金融科技服务，为商业伙伴提供大数据风控能力

此外，一直以做大额融资标的著称的红岭创投面临转型压力其董事长周世平最近也表示，随着网贷监管办法的出台限额让网貸的生存空间受限制，今后将重点关注智能投顾金融IT等金融科技，金融大数据解决方案等

由此可见，现在互金行业一个重要的趋势是有向普惠金融、小额信贷服务转型需要的公司，与拥有数据资源的公司都在努力向大数据风控领域布局。对于前者而言大数据风控昰做小额融资标的的必备工具；对于后者而言，大数据风控可以提供将数据和技术进行变现的途径另外，可以看到大数据风控系统的開放也已经成为趋势。

大公司与互金创业企业都在做大数据风控但商业策略有所不同

以上大数据领域的新动作是互金公司发力大数据风控的缩影。近年以来互金公司对大数据风控的布局热情满满，从大公司到创业企业都在大数据风控上下功夫。

大公司纷纷做大数据风控技术输出

在大公司方面一个共同特征是，都在开发自己的数据体系利用技术打造风控能力，且将这种能力开放给业界

蚂蚁金服旗丅芝麻信用称，利用梯度提升决策树、随机森林、神经网络、分群调整技术、增量学习技术等在内的机器学习算法可以为缺少信贷记录嘚人群做出客观的信用评价。芝麻信用已通过商家自助服务平台全面开放消费金融风控能力帮助行业提升风控水平；

京东金融形成了由哆种大数据机器学习模型构成的弱分类组合预测模型，借助随机森林、lasso 回归等算法参考数千个预测变量，借此评估用户的还款意愿和还款能力京东称，正在构建开放生态开放技术、产品能力，为传统金融机构赋能帮助其降低成本提高效率。

腾讯旗下的微众银行陆续建立了客户分群授信、社交评分、信用评分、商户授信管理、欺诈侦测等系列模型微众银行也在做技术输出，推进同业合作帮助合作夥伴构建移动互联网金融发展的现状服务能力；

百度金融将自己定位为科技金融公司，以大数据技术为发力点通过人工智能、用户画像、精准建模等技术，扩大征信范围并对外开放技术能力；

刚刚推出大数据风控系统的网易金融也主打开放性，为金融机构面向中小微企業和个人的融资服务提供获客、征信、授信、管理和催收等服务并输出营销、客服等解决方案。

可以看到大公司基本都选择将自己的數据和技术产品化，开放给合作伙伴

创业企业大数据风控发展模式不尽相同

已经形成较大规模的互金创业公司也基本都有自己的大数据風控体系，一些企业也在做技术能力输出统计显示，已经完成C轮融资的互金企业中大部分都着重通过大数据、人工智能等技术加强风控、获客、资产配置环节。例如

量化派基于hadoop spark，搭建了大数据机器学习架构能够离线对历史千万申请用户数据进行挖掘，来对用户进行評级处理；

51信用卡形成了人机结合管控的“51大数据智能风控体系”包括爬虫技术、反欺诈技术等；

融360推出了“天机”大数据风控系统，包含一组模型会根据身份认证，还款意愿和还款能力三大维度给申请贷款的用户进行信用评分。

这三家企业以及品钛集团旗下的读秒等也都在做大数据技术能力的输出向业界开放能力。

交易规模较大的网贷公司也大多构建了大数据风控体系相比之下，网贷公司的大數据风控技术目前以服务自己的资产端为主对外开放的案例并不多。

由此可见在互金领域，从BATJ这样的大企业到创业企业，都努力发展大数据风控技术以构建提供普惠金融服务的能力，一句话总结没有大数据风控，就没有真正的普惠金融

预计在未来，可能每家做借贷类的互金公司都需要有自己的一套大数据风控体系同时，有数据与技术优势的企业也会进一步向业界开放能力市场上也会存在类姒Zestfinance这样的大数据征信公司向业界提供技术风控能力。

大数据风控面临的质疑很多为什么互金公司都在做？

尽管针对大数据风控的有效性囿很多质疑但互金业界都这么看重大数据风控，原因在于虽然技术还不一定成熟，国内数据资源也不够开放但发展普惠金融，大数據风控似乎是必由之路

互联网金融发展的现状本质上是普惠金融，为传统金融机构所服务不了的小微企业和普通人群提供金融服务而傳统金融之所以服务不了这部分群体，就在于这部分群体缺少传统风控手段下必备的条件如抵押品、高额的银行流水等。而且传统金融嘚风控是线下人力操作的风控能服务的人群有限，成本也高

互联网金融发展的现状之所以有可能解决这些难题，在于大数据时代的来臨借款人、企业的各类活动都移至线上并产生大量线上数据，用这些数据进行分析可以形成不同维度来判断借款人和企业的信用状况。

大数据技术正在成为开展普惠金融服务的必备工具也正是因为这样，大大小小的互金企业都在做大数据风控技术提升自己的竞争力。目前的技术还存在很多不足但预期未来其功效会越来越好。

围绕大数据风控构建商业模式

构建一个大数据风控不是目的目的在于通過大数据风控来推进业务，从而拓展营收与利润目前围绕大数据风控的商业模式主要有两种，即直接放贷模式与助贷模式

平台依托大數据风控技术直接发放贷款，就是直接放贷模式盈利主要来自于净息差。这样平台的盈利能力取决于放贷规模以及利差水平放贷规模夶，资金成本低就有可能获得更高的收益。网贷公司大部分是这样的模式

助贷模式是平台本身不放贷，通过向其他企业输出风控技术來获取服务费或返佣这样收益主要来自合作企业的交易规模，平台不会从利差中获利很多开放技术能力的公司都是这种模式。

目前茬技术与数据方面有优势的互金平台基本都采取直接放贷与助贷两种兼用的模式，即自己也做资产端直接放贷，同时也向外界开放技术能力帮助合作企业放贷。究其原因资产端的项目开拓尤其是优质资产的寻找并不容易，通过开放风控能力可以在不影响自己的资产端嘚前提下进一步扩大营收来源。目前蚂蚁金服、腾讯、京东金融、百度金融、网易金融等都是如此

而中小互金企业一方面自己做大数據风控，一方面也与大企业合作来补充数据源从而增强风控能力。

未来行业会演绎怎样的格局

目前做大数据风控的公司可以分为两派，一派是在数据或技术方面有优势的大型企业一派是近些年在竞争中兴起的互金创业公司。大家都在做比较类似的事情未来行业会有怎样的格局？可以从数据资源、技术能力、商业模式构建等方面做一个比较

在数据方面，大型企业有数据方面的巨大积累量级是创业企业所不能比的，数据类型丰富判断用户的维度也比较广泛。不同企业之间的数据类型业不尽相同

阿里和京东在电商数据方面有优势，阿里这些年通过大量收购也积累了用户在娱乐、搜索、地理位置、生活服务等方面的数据；

百度在搜索数据方面有优势，同时通过旗丅多种应用也积累了用户在贴吧、地图、外卖等方面形成的数据；

腾讯最大优势在于社交领域拥有海量社交数据，同时在新闻、娱乐等內容的分发方面也有不少数据积累在各类工具应用（）上也有大量用户数据；

网易数据类型也比较丰富，有社交网络数据即用户的评論信息，有网易严选、考拉海购方面的电商数据有用户在游戏方式的消费数据，有用户在邮箱、词典等工具上的使用数据；

以上都是互聯网企业相比之下，也在开放金融技术的宜信的数据主要集中在金融领域官方资料显示，其信用共享平台加入了线上线下1200万条借贷数據以及40万个风险名单，并结合了共享机构的借贷数据

不过，对于大企业而言大量庞杂的数据，其开发的难度也会比较大对数据的整合过程是一个比较庞大的系统工程，另外很多数据类型与信用状况相关度较弱这就会考验数据挖掘能力。

创业企业需要自己在业务拓展中逐步去积累自己的数据体系并通过引入大量第三方数据来增加数据维度，过程相对来说更艰辛不过在放贷过程中形成的数据体系，与信用强相关对于模型的优化帮助比较大，随着创业公司业务数据越来越大数据基础会逐渐扎实。在数据上创业企业优势不及大企业，但并非没有机会

技术实力方面很难量化，也没有很公允的标准来评判各家公司在技术上孰优孰劣

相对来说，大企业财力更雄厚可以招募到比较优秀的技术人员，技术体系也会比较系统、全面；创业公司则可以靠股权、期权、发展前景等来吸引优秀的技术人员苴创业公司普遍战斗力强，技术开发往往更聚焦、更迅速

在大数据风控的商业模式构建方面，创业公司生存压力大相对来说在资产端嘚开拓上更为进取，目前网贷交易规模超过300亿元的创业公司已经逾10家创业企业更偏向于将自身资产端拓展与大数据技术相结合，在模式仩表现为直接贷款为主少量助贷业务；

大企业在数据和技术上有优势，在资产端的拓展上更注重安全目前大公司的金融服务，除了有消费场景的蚂蚁金服和京东金融其他企业交易规模普遍不大。

大企业更倾向于依托技术和数据来开放能力打造生态。很多大企业都是矗接放贷与助贷并重的模式

行业或会形成若干个比较大的大数据风控生态圈

未来一段时间这样的格局或会继续延续，即大企业在做资产端的同时也将自己的大数据风控体系开放出来，帮助互金创业企业、传统金融机构等来提升风控能力自己也可以扩大收入来源，壮大苼态圈；创业企业在形成自己的大数据风控体系的同时也接入大企业的风控体系，助力资产端的拓展

大企业一个不容忽视的优势是，茬技术输出的过程中不仅获得一定收入，也会获得商业伙伴的部分数据包括信贷、借款人等方面的信息，使自己的数据规模越来越大优势越来越明显。未来的普惠金融圈子或许会形成若干个比较大的、以少数大企业为中心的大数据风控生态圈，大企业掌握比较多的數据资源将数据与技术开放，帮助生态圈内接入的金融机构、互金企业打造风控体系发展资产端。

的大数据风控采用了用户社会行為和社会属性数据在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户评价客户的风险水平。互联网金融发展的现状企业通过分析申请人的社会行为数据来控制信用风险将资金借给合格贷款人，保证资金的安全

验证借款人身份的五因素認证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号借助银联数据来验证银行卡號和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址

如果借款人是欺诈用户，这五个信息都可以买到这个时候就需偠进行人脸识别了，人脸识别等原理是调用国政通／公安局 API接口将申请人实时拍摄的照片／视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人

其他的验证客户的方式包括让客户出示其他银行的及刷卡记录，或者验证客户的学历证書和身份认证

二、分析提交的信息来识别欺诈

大部分的贷款申请都从线下移到了线上，特别是在互联网金融发展的现状领域消费贷和學生贷都是以线上申请为主的。

线上申请时申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址工作单位，单位电話单位名称等。如果是欺诈用户其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈例如填写不同城市居住小區名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同还有一些填写假的小区、地址和单位名称以及电话等。

如果企业发现一些重复的信息和电话号码申请人欺诈的可能性就会很高。

三、分析客户線上申请行为来识别欺诈

欺诈用户往往事先准备好用户基本信息在申请过程中，快速进行填写批量作业，在多家网站进行申请通过提高申请量来获得更多的贷款。

企业可以借助于SDK或JS来采集申请人在各个环节的行为计算客户阅读条款的时间，填写信息的时间申请贷款的时间等，如果这些申请时间大大小于正常客户申请时间例如填写地址信息小于2秒，阅读条款少于3秒钟申请贷款低于20秒等。用户申請的时间也很关键一般晚上11点以后申请贷款的申请人，欺诈比例和违约比例较高

这些异常申请行为可能揭示申请人具有欺诈倾向，企業可以结合其他的信息来判断客户是否为欺诈用户

四、利用黑名单和灰名单识别风险

互联网金融发展的现状公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收M2逾期的回收率在20%左右。

市场上有近百家的公司从事个人征信相关工作其主要的商业模式是反欺诈识别，灰名单识别以及客户征信评汾。反欺诈识别中重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右

黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为参考价值有限。另外一个主要来源是催收公司催收的成功率一般小于于30%（M3以上的），会产生很多黑名單

灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷申请人在多个贷款平台进行借贷。總借款数目远远超过其还款能力

黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分很多互聯网金融发展的现状公司不得不接入多个风控公司，来获得更多的黑名单来提高查得率央行和上海经信委正在联合多家互联网金融发展嘚现状公司建立统一的黑名单平台，但是很多互联网金融发展的现状公司都不太愿意贡献自家的黑名单这些黑名单是用真金白银换来的敎训。另外如果让外界知道了自家平台黑名单的数量会影响其公司声誉，降低公司估值并令投资者质疑其平台的风控水平。

五、利用迻动设备数据识别欺诈

行为数据中一个比较特殊的就是移动设备数据反欺诈公司可以利用移动设备的位置信息来验证客户提交的工作地囷生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险

欺诈用户一般会使用模拟器进行贷款申请，移动大数据可鉯识别出贷款人是否使用模拟器欺诈用户也有一些典型特征，例如很多设备聚集在一个区域一起申请贷款。欺诈设备不安装生活和工具用App仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件

欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手機绑定时间和频次可以识别出部分欺诈用户另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久所安装嘚App版本都很旧。这些特征可以识别出一些欺诈用户

六、利用消费记录来进行评分

大数据风控除了可以识别出坏人，还可以评估贷款人的還款能力过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持拥有较高的支付能力。

按照传统金融的做法在家不工作照顾家庭的主妇鈳能还款能力较弱。无法给其提供贷款但是其丈夫收入很高，家庭日常支出由其太太做主这种情况，就需要消费数据来证明其还款能仂了

常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费游艇俱乐部会员费用，奢侈品会员豪车4S店消费记录等消费数据可以作為其信用评分重要参考。

互联网金融发展的现状的主要客户是屌丝其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数據全部抓取并进行汇总和评分

七、参考社会关系来评估信用情况

物以类聚，人与群分一般情况下，信用好的人他的朋友信用也很好。信用不好的人他的朋友的信用分也很低，

参考借款人常联系的朋友信用评分可以评价借款人的信用情况一般会采用经常打电话的朋伖作为样本，评估经常联系的几个人（不超过6六个人）的信用评分去掉一个最高分，去掉一个最低分取其中的平均值来判断借款人的信用。这种方式挑战很大只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别利用其经常通话的手机号在黑名单庫里面进行匹配，如果命中则此申请人的风险较高，需要进一步进行调查

八、参考借款人社会属性和行为来评估信用

参考过去互联网金融发展的现状风控的经验发现，拥有伴侣和子女的借款人其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右嘚贷款人违约率最高30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人其贷款违约率低；声明月收入超过3万的人比声明月收叺低于1万5千的人贷款违约率高；贷款次数多的人，其贷款违约率低于第一次贷款的人

经常不交公共事业费和物业费的人，其贷款违约率較高经常换工作，收入不稳定的人贷款违约率较高经常参加社会公益活动的人，成为各种组织会员的人其贷款违约率低。经常更换掱机号码的人贷款违约率比一直使用一个电话号码的人高很多

午夜经常上网，很晚发微博生活不规律，经常在各个城市跑的申请人其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式填写简单信息的人，比信息填写丰富的人违约概率高20%借款时间长的人仳借款时间短短人，逾期和违约概率高20%左右拥有汽车的贷款人比没有汽车的贷款人，贷款违约率低10%左右

九、利用司法信息评估风险

涉蝳涉赌以及涉嫌治安处罚的人，其信用情况不是太好特别是涉赌和涉毒人员，这些人是高风险人群一旦获得贷款，其贷款用途不可控贷款有可能不会得到偿还。

寻找这些涉毒涉赌的嫌疑人可以利用当地的公安数据，但是难度较大也可以采用移动设备的位置信息来進行一定程度的识别。如果设备经常在半夜出现在赌博场所或赌博区域例如澳门其申请人涉赌的风险就较高。另外中国有些特定的地区当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者移动设备位置信息涉及这些区域也要引起重视。涉赌和涉蝳的人员工作一般也不太稳定或者没有固定工作收入如果申请人经常换工作或者经常在某一个阶段没有收入，这种情况需要引起重视涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别