登录
首页精彩阅读大数据为企业外部风险管理带来的革命
大数据为企业外部风险管理带来的革命
2017-07-07
收藏

大数据为企业外部风险管理带来的革命

大数据的取样是全样本,从各个层面可以实现信息以及资源共享,减少部门之间因为壁垒而存在的隔阂。可见,只有共享数据才能带来巨大的价值。

在解决数据共享、打破数据孤岛层面,最行之有效的手段是跨行业联防联控和服务在云端。将传统本地化的风险分析的工作放到云端去做,这是一个创新之举,解决了以前很多专业分析公司解决不了的难题,同时也需要客户给予大数据公司极大的信任,因为如何建立这个信任感曾一度是个挑战。

大数据风控和传统的风控技术的区别在于前者在风控的各个环节里利用了云端数据的力量。一家基于云端的数据分析公司,将原来一些在本地的风险分析工作放到了云端,而且放大了在云端做数据分析的优势,可以做交叉验证和异常点分析,从而更加有效地发现风险所在。

目前,“跨行业联防联控”的理念,正被国内越来越多的金融机构所接受和推广。例如,我们在大数据风控领域通过联防联控建立“智能诚信网络”,在人与人、企业与人之间进行关联分析,便于提前预防各种社会风险。以近期正在尝试开展的实时动态展示全国各领域的欺诈情况为例,不仅能充分展现大数据的感知和预测能力,而且也能为放贷机构提供提前预警,弥补传统金融机构在数据分析上的盲区。与大部分同业机构不同,利用大数据进行风险管理,不仅可以服务金融机构,还为非银行信贷、保险、基金、第三方支付、航旅、电商、OTO、游戏、社交平台等行业服务;同时能揪出婚托、酒托、网购差评师等一系列“坏人”,构建跨行业联防联控的系统性能力。通过上述机构反馈回来的各种信息,均可纳入产品体系,成为智能诚信网络的一部分,从而有效解决数据孤岛问题。

重塑风控理念全生命周期保护的价值

在传统的风险管理理念中,比较注重制定相关的应对措施,但在预防和管理上存在一定的欠缺。使用大数据技术可以提高整体的整合能力,便于应对各个环节,同时在缓解,学习等环节上也十分有利。以金融企业风控为例,目前所提倡的“智能诚信网络”标准业务流程,通常包括前端页面用户资料申请提交和收集,反欺诈、合规、逻辑校验,核心决策授信,以及最后的逾期催款。

这种基于大数据的风险控制、反欺诈及数据核验服务,同时具备决策引擎、模型平台、复杂网络为代表的核心风控工具以及授权爬取、代理检测、人机识别、地址匹配、地理位置识别等核心风控技术。针对上述各个环节,利用这些大数据风控技术能够实现全流程的风控服务。

从用户资料开始的用户画像,到贷前的反欺诈、贷前的信用授信,再到贷后监控及最末端的逾期触达服务,整个金融业务流程置于大数据风控和智能分析服务之下,保护措施较为周全。同时,围绕事前、事中及事后,大数据所打造的闭环风控服务,可以事前通过监测和搜集一些黑产情报,提前发现潜在的风险。

变革风险体制独立和第三方的公信力

对于大多数企业来说,在面对风控体系建设时,仍要考虑效率和成本的问题,特别是人力、技术和管理上的成本。而大数据技术则可以将信息进行收集,提供专业的分工方法以及使得整个管理体制围绕危机事件形成一个数据流,有效提升团队的人员以及整个机构的运转能力,提高风险处理的应对效能。

一家独立第三方的大数据风控服务公司能为许多的企业机构服务,在提升效率之余还能降低企业成本,这就是第三方专业服务机构的价值。事实上,重点强调独立第三方专业服务机构的身份,已经成为一个重要的命题。2017年4月20日,在北京举办的“个人信息保护与征信管理国际研讨会”上,中国人民银行副行长陈雨露就曾强调过这项基本原则。

这个行业为什么需要独立第三方原则?好比不能既当运动员,又当裁判员。在市场分层方面,因为这样做没有利益冲突或利益关联,因而就没有行为的扭曲。此外,独立第三方没有利益竞争,有利于解决信息孤岛的问题。

独立第三方的标准主要包括以下三个方面:公司治理的独立,在公司独立运作过程当中它不能被个别股东操纵;数据来源多元独立,分析模型独立;业务独立,不参与信息源使用者同范围的业务。其中,特别值得注意的是,大数据风控行业,不仅要考验一家公司的技术和产品实力,也十分考验企业的专注力。

创新风控技术大数据和人工智能的力量

针对平台的资产获取、风险控制、信息披露、贷后管理、逾期催收等运营需求,大数据结合人工智能,已经能够提供个性化的智能解决方案,从而提高各行业产品质量及服务效率。实际上,人工智能是基于海量数据的深度学习系统,人工智能与大数据是相生相伴的两项技术,企业机构用好这两项技术,必然能使风控水平得到巨大的提升

以金融行业为例,大数据风控公司可以通过从网上收集用户的职业、学历、资产、负债等强相关数据,以及一些弱相关数据包括用户在社交网络上的发言、兴趣爱好、朋友圈、星座等,进行快速分析预测,从而对其进行信用评级。大数据风控通过对全面的数据(数据的广度)、强相关数据(数据的深度)、实效性数据(数据的鲜活度)进行整合分析,提升信用风险管理水平,客观地反映用户风险水平,让风险评估效果更精确。相比线下考察的方式,大数据应用更为便捷,它通过海量数据的分析,可以轻松完成一个借贷人的用户画像,并给该借贷人提供风控建议。

近年,金融行业在人工智能领域的探索一直不间断。在金融行业的支付、投资、贷款、个人理财、反欺诈、区块链、银行和保险等领域都出现了人工智能的身影。

在泛互联网的环境里,金融风控面临的传统个体欺诈已迅速演变为有组织、有规模的群体欺诈和关联风险。而传统反欺诈还停留在识别一度风险等这种简单规则方式,如联系人中借贷人个数等,对于二度、三度乃至更广范围的网络全局风险苦无良策。结合机器学习里面基于图谱的复杂网络技术很好地解决了这一诉求,可以依据申请人、手机号、设备、IP地址等各类信息节点构建庞大网络图,并可在此之上进行基于规则和机器学习的反欺诈模型实时识别。例如,复杂网络可监测相关设备ID在哪些借贷网站上进行注册、同一设备是否下载多个借贷App,可以实时发现多头贷款的征兆,把风险控制到最低。

目前,大数据和人工智能绝不仅仅是工具,作为一种技术革新,未来对于企业的作用也绝不仅仅体现在风控层面。大数据环境还将对审计思路、审计方式方法、组织模式及相关制度等方面产生深远的影响,促进整个行业健康发展。


数据分析咨询请扫描二维码

客服在线
立即咨询