【独家】金融行业数据分析与建模的风控方法思享会纪要

［导读］ 清华大数据思享会数据分析系列之 “金融行业基于数据分析与建模的风控方法” 于20 17年4月6日下午在清数D-LAB成功举办。本次思享会邀请了 清数D-LAB首席数据科学家、美国中佛罗里达大学统计系数据挖掘专业主任、教授王中庆 老师 分享了他在金融行业数据分析与建模的案例，特别介绍了数据分析与建模的目的、数据基本情况、数据质量及处理方法、模型工具选择和模型表现与应用等内容。

来自银行、保险、小贷、互联网金融、消费金融、央行征信中心及其他金融大数据相关领域的30余位朋友参加了本次活动，大家结合各自的经验和背景积极分享和讨论业界的主要问题、现有解决方法等。会议纪要如下：

分享要点

数据基本情况描述： 原始数据共十几万条，其中五六千条逾期数据，主要数据字段40余个，衍生数据字段30余个，部分外部数据。

数据分析的目标 主要包括预测客户信贷违约概率、识别低风险高价值用户、给营销和市场发掘新用户提供依据三个方面。 数据分析的结果 是要服务于公司的业务人员，不仅仅是技术的问题，最终是要为公司发掘更多的新客户，降低公司运行的风险，长期使用模型来帮助公司运营，为企业创造更多的商业价值。

数据处理分析过程主要问题及对策：

1. 缺失值：针对数据处理过程中存在的缺失值问题，首先需要理解字段的含义，有些数据的缺失并非无意义的缺失，相反可能代表的是“正常”状态。

2. 离群值：个别字段数据可能少数几个异常值，数据建模分析过程中需要特别注意隐藏在数据中的异常值，通常需要将异常值剔除。

3. 高基数变量：这类变量对决策树类的模型的影响不大，但对于神经网络类的模型影响非常大。

4. 非线性数据：数据分析建模过程中，需要注意数据的非线性关系，对于非线性数据，使用线性模型的效果表现的瓶颈会很明显。

5. 数据的时间维度：在不同的时间上，客户的属性可能发生变化，忽略数据的时间维度，模型的准确性可能受到严重影响。

模型选择方面 ，建议尝试多种不同模型，预设单一模型的效果往往不佳，也通过数据本身的特性选出最合适的模型。随着时间的推移，数据的特性可能也会发生变化，模型也需要进行相应的调整，或者是调整参数，或者是变更模型，来适应数据的变化，以保证结果效果、稳定性和准确性。

建模工具的选择方面 ，可用的有SAS、Matlab、Mathematica 等商业软件，也有Python、R等开源工具，各种工具都有不同的特点，适用于不同的数据，建模过程中可以尝试用不同的工具，让数据反馈最合适的工具。

讨论要点

• 反欺诈是金融风控领域重要问题，骗贷利益相当可观，欺诈方式也层出不穷，特别是互联网借贷中不能面对面核实借款者，部分中介机构伪造客户信息的现象也时常发生，部分借款者或者诈骗团伙甚至可能通过“养账户”的方式提高信用额度之后进行骗贷，类似欺诈行为的有效甄别，是金融风控的反欺诈的重要内容。

  
  

• 由于数据的获取困难，线上数据的真实性存疑，技术手段和数据分析能力欠缺，许多小贷机构仍然依靠传统的线下征信和风控手段，主要是根据借款者提供的证明材料、信用卡账单等，以及配合实地走访了解等方式，建立风控和反欺诈规则等进行线下人工比较严格的筛查，虽然风控成本较高，但总体效果基本可以，不过同时也拒绝了许多潜在的合格借款人。

  
  

• 目前在风控方面结合大数据的技术和方法，在前端，可利用人脸识别，以及通过各种数据接口可以对借款申请人的各类信息进行核实；在后端，通过网银、电商等获取用户消费以及交易行为数据，并建立平衡卡模型等，通过技术改进贷款审核流程。

  
  

• 当前大数据风控手段仍处于发展阶段，数据共享、市场监管和隐私保护等问题需要加强立法完善。

  
  

• 车险业务平台覆盖了全国各个保险公司的车险业务，现在根据历史理赔数据等，研究推行车险业务的反欺诈系统，针对高价值车的碰磁事件分析等；大数据在车险定价改革方面的作用，包括区分营运车辆和自驾车辆，以及按年付费和按里程付费的支付方式差异等模式；车主也可以利用相应的大数据产品确定投保的车险险种等。