银行也“地域歧视”?金融风控中的用户画像其实很重要

2018-07-20|小象 974

几年之前,一家地方银行拒绝了福建某地几乎所有用户的服务申请,理由是该地域的用户向该银行骗取巨额贷款,无力偿还之后形成大量坏账,让这些银行损失惨重。尽管这种简单、粗暴,带有一丝“地域歧视”色彩的规定使得区域不少正常用户无法获得贷款,但由于确实能够在一定程度上避免坏账损失,最终还是推行了起来。

undefined

这项措施执行依据是当地银行的风控。银行风控,狭义讲,是信贷业务贷前授信过程中的风险识别与预防,贷后本息催收过程的风险识别与控制。银行认为名单里的单位或个人存在违约的风险,就会慎重贷款或拒贷,或提高贷款利率。

用户征信、用户数据及“用户画像”等等都是银行风控的重要组成部分。

用户画像已经成为金融风控的重要依据

传统的“用户画像”的逻辑是标签化,来源是用户的数据。用户数据主要分为静态数据和动态数据两种,静态数据是指用户相对稳定的信息,如性别、年龄、籍贯、职业等,这类的数据与业务风险相关度低,但是由于其无需深入的建模预测,所以在过去被大量金融机构广泛使用。动态数据指的是用户不断变化的行为信息,如用户的消费金额、消费场所、收入组成、通话记录等等,这些数据能够动态的展示用户的行为特征,在经过多维度的组合之后,能够较为准确的反映特定用户的真实风险状况。

由于用户行为数据对应着不同的量化评估,例如学历、职业等数据维度与风险程度的相关性并不一定很高,但是用户的历史逾期次数、与借贷公司的联系频率与风险程度的相关性就很高了,这些不同维度的数据在风控系统中的评分并不一样,因此对银行风控模型构建带来的影响也不一样。

undefined

顶象的深度画像技术运用深度学习处理高纬复杂关系网络,通过对数据的多维度、精细化、关联性的挖掘,避免了单一维度的、标签化的现象,实现了对个体目标纵深的分析,对群体目标更精确的解析、回溯和预判。由于它支持多维度、小样本和无样本的数据分析,满足了企业个性化、多元化的数据挖掘和分析需求。

同时,它提供的可视化的数据展示及在线用户交互,不仅带来直观的体验,更让开发人员操作更简便。由此帮助银行轻松构建贴合业务、满足应用场景的风控模型,从而更精确满足风险管控和个性化营销需求。基于深度画像的银行风控系统,其风险判别准确率可以达到95%以上。

除了增强金融风控能力外,深度画像技术也能够提升业务运营能力。业务运营的核心是用户,是“拉新,促活,留存”,这些就需要深层次了解、熟知用户。通过深度画像能够深入了解用户需求,并提供更具针对性的服务,可以更好的提升业务运营的质量与效率。

回到文章开头。假如那家地方银行采用了顶象技术的深度用户画像系统,那么用户所归属的地域将只会成为风险判断的一个维度,而非唯一标准。既可以更好的降低风险,也能够避免对该区域优质用户的“误杀”。

400-8786-123