1703654730
1703654731
•透支情况；
1703654732
1703654733
1703654734
1703654735
•额度占用情况。
1703654736
1703654737
1703654738
1703654739
此外电商中的购买行为、分期行为，客户在互联网上的浏览行为、点击行为对于客户价值的判断也非常有帮助，习惯分期或是循环的客户一般收益率比较高。
1703654740
1703654741
初始额度模型主要用于解决客户的授信问题，通常和申请模型一起使用，它们分别反映了客户风险和收益，通过风险和收益的二维矩阵确定客户的授信。风险低、收益高的客户额度授信高，风险高、收益低的客户额度授信低，从而使金融机构的资源得到合理配置，提高金融机构的收益率。另外，额度授信策略还需要考虑另一个问题，即过度授信问题，初始额度在考虑风险和收益的同时，需结合客户的收入、负债情况，防止出现客户过度授信。
1703654742
1703654743
大数据对额度策略的影响
1703654744
1703654745
大数据同样对初始授信模型及策略产生了重大影响。这源于大数据为金融机构在申请审批阶段就带来了更多的客户行为数据，使得金融机构能够更为全面、客观地评价客户的授信额度需求，从而优化现有初始额度策略。
1703654746
1703654747
1703654748
1703654749
通常授信策略会同时考量客户的风险和收益情况，从而确定其授信额度，但同样关键的客户需求因素，由于较难收集到相应的数据，并没有体现在授信额度策略中。在申请审批阶段，金融机构还未与客户建立直接业务关系，因此难以明确获知客户的日常支出水平，因此授信策略考虑的是客户的收入、负债、收益率等要素。但大数据为金融机构评估客户的授信需求提供了解决方案。金融机构可以在初始授信阶段就引入外部数据，如银联卡交易流水、互联网线上支付数据等，从中获取到客户的消费支出数据，进而较为准确地评估出客户的授信额度需求。虽然这些数据在很大程度上还是没有全面反映出客户的需求，但是通过引入部分大数据，仍然可以在授信策略中增补客户需求这一维度，优化初始额度策略。
1703654750
1703654751
1703654752
1703654754
三、申请欺诈模型
1703654755
1703654756
在申请阶段金融机构除关注信用风险外，对欺诈风险也非常重视。虽然欺诈客户的比例较小，但如果发生损失很难追回，对金融机构会造成很大损失。申请欺诈模型即通过客户填写的申请信息来判断客户欺诈的可能性。
1703654757
1703654758
在申请阶段金融机构能够获取的信息主要是申请信息和央行征信信息，预测变量主要通过以下几方面来反映。
1703654759
1703654760
•客户单位名称是否在征信的单位列表中；
1703654761
1703654762
1703654763
1703654764
•客户家庭地址、单位地址是否在征信的地址列表中；
1703654765
1703654766
1703654767
1703654768
•过去一段时间同一联系人、同一单位地址是否有多次进件；
1703654769
1703654770
1703654771
1703654772
•申请人、单位是否曾经发生过欺诈进件。
1703654773
1703654774
1703654775
1703654776
由于央行征信的信息时效性和完备性均无法完全满足开发欺诈模型的需求，同时因为互联网创新模式在很大程度上依赖于互联网，互联网的相关数据对申请欺诈预测有很大的帮助：
1703654777
1703654778
•同一Cookie或相近IP地址是否在短时间内频繁进件；
1703654779
[
上一页 ]
[ :1.70365473e+09 ]
[
下一页 ]