신용 빅 데이터 마이닝:
대량의 인터넷 데이터에서 위험 통제와 관련된 데이터.
전자 상거래 사이트 빅 데이터: 알리, JD.COM, 쑤닝 등. 을 눌러 섹션을 인쇄할 수도 있습니다
신용카드 사이트 빅 데이터: 저는 카드, 은속도 카드 등을 좋아합니다. 을 눌러 섹션을 인쇄할 수도 있습니다
소셜 네트워킹 사이트 빅 데이터: 시나웨이보, 텐센트 위챗 등.
작은 대출 사이트 큰 데이터: 인신대출, 징신보 등.
지불 사이트 빅 데이터: 이보, 금전 지불 등.
생활 서비스 웹 사이트 빅 데이터: 핑안 장 yingtong 등. ...
데이터 처리 전에 비즈니스 및 데이터에 대한 이해는 데이터 마이닝을 위해 선택할 데이터 소재를 결정하는 데 매우 중요합니다. 데이터 공장에 들어가기 전의 작업량은 일반적으로 전체 프로세스의 60% 이상을 차지합니다.
데이터 원자재에 점점 더 많은 인터넷 온라인 동적 대용량 데이터를 추가하다. 예를 들어, 사이버 행위의 흔적을 분석하여 허위 대출 신청자 정보를 식별할 수 있으며, 실제 인터넷 사용자는 항상 인터넷에 단서를 남깁니다. 유용한 데이터의 적시성도 중요합니다. 일반적으로 정보 업계에서 인정하는 효과적인 동적 데이터는 지금부터 24 개월로 거슬러 올라가는 데이터입니다.
여러 채널의 대용량 데이터 원본 자료를 수집하여 수학 연산 및 통계 모델로 분석하여 차용인의 신용 위험을 평가할 수 있습니다. 국내의 전형적인 기업은 신주 융달 데이터 풍제어 플랫폼이다. 빅 데이터 분석을 통한 위험 통제는 이보예의 핵심 기술이다. 그들의 원시 데이터 출처는 매우 광범위하다.
그들의 데이터 공장의 핵심 기술과 비밀은 그들이 개발한 학습기를 기반으로 한 다양한 분석 모델로, 각 신용대출 신청자의 원시 정보 데이터를 3000+ 이상 분석하여 그 행동을 측정할 수 있는 지표를 얻었습니다. 이 과정은 5 초 안에 완성할 수 있다.
위험 관리 작업:
대출 전 마케팅: 1, 기존 고객 개발, 신규 고객 개발 2. 사전 승인 및 신청 점수 3. 사전 승인, 고객 액세스 및 사전 신용 한도 평가
대출 승인: 1, 사기 검진, 사기 방지 모니터링 2. 재 분류 신청; 3. 신용 승인. 4. 대출 가격.
대출 후 관리: 1, 행동 점수 모델 할당량 관리; 위험 조기 경보 및 사전 접수; 4. 수집 점수와 수집 전략.
현재 대출 승인의 온라인 속도가 돌파를 이루었고 대출 승인률도 눈에 띄게 높아졌다. 같은 유형의 사용자의 경우 담보물, 소득증명서 등 조잡한 기존 풍통제방식을 사용하는 경우 대출 승인률은 약 15% 이고, 대형 데이터 모델을 함께 사용하면 승인률이 30% 이상에 달할 수 있다. 대출 연체율의 경우 12 개월의 위약 위험을 예로 들면, 중국 인터넷 대출 승인 모델이 선별한 사용자 연체율은 필터링되지 않은 사용자보다 절반 낮다.
신주융은 빅데이터 풍통제체계에서 힘을 발휘한 최초의 인터넷 금융기업이다. 이와 함께 참깨 신용과 앤트파이낸셜 산하의 일부 P2P 인터넷 대출 플랫폼은 이미 빅 데이터 신용 평가 모델을 개발하기 시작했다.