2017年-Talkingdata_【T112017-智能金融分会场】用户行为大数据助力金融风险管理_17页_18mb

行为大数据助力金融用户风险管理总结

核心内容

行为大数据在金融风险管理中发挥着重要作用，通过分析用户在各种设备和平台上的行为数据，可以更全面地了解用户的风险特征，从而提升风控能力。本文主要围绕行为数据的应用场景、技术实现及业务流程展开，探讨了如何利用行为数据优化金融信贷业务的各个环节。

主要观点

• 行为数据的重要性：行为数据覆盖范围广，获取难度低，能够提供更丰富的用户信息，帮助金融机构更精准地评估用户风险。
• 数据应用的层次：行为数据的应用可以分为多个层次，从基础的用户行为记录到深层次的风险评估，形成一个“数据应用金字塔”。
• 行为数据的多维度分析：包括用户在APP、网站、网银等平台上的行为轨迹，以及设备相关的数据（如加速计、陀螺仪、环境光感应等），这些数据能够反映用户的日常活动、消费习惯和潜在风险。
• 行为数据在风控中的应用：可用于营销反欺诈、授信辅助、用户画像构建、用户分群等场景，提升风控效率和准确性。
• 智能引擎的作用：通过科学建模和智能决策，行为大数据能够实现从数据采集到风险控制的全周期管理，为金融机构提供智能化解决方案。

关键信息

金融业务与风险管理

• 金融产品：消费贷、信用贷、信用卡、循环贷等。
• 业务流程：包括营销运营、客户运营、风控管理等环节。
• 风险控制场景：
  • 申请反欺诈：识别异常申请行为，防止欺诈。
  • 授信辅助：基于用户行为数据进行信用评分和授信决策。
  • 用户信息管理：构建用户画像，进行用户分群管理。
  • 大数据平台：整合内外部数据，支持智能数据处理和分析。

行为数据的应用场景

• 动静有常：分析用户在不同时间段的行为模式，识别异常行为。
• 时境变迁：通过时间序列分析，了解用户行为的变化趋势。
• 交互探索：研究用户与金融产品的交互方式，优化用户体验和风险控制。
• 知行合一：结合用户行为与金融产品使用情况，实现精准营销和风险识别。

数据应用金字塔

• 基础层：数据量大、覆盖广、获取难度小。
• 中间层：数据复杂度较高，运用难度较大。
• 顶层：对风控的作用强，能够实现深度分析和智能决策。

智能引擎技术

• 核心技术：TD数据智能引擎，支持金融风控业务的全周期管理。
• 应用场景：
  • 营销运营：精准营销、营销反欺诈、存客营销。
  • 贷业务：客户运营、个性化推荐、漏斗优化。
  • 风控管理：内部管控、用户信息管理、申请反欺诈。

数据标签与用户分类

• 基本分类：健康、健美。
• 基本需求：一个好身体。
• 其它标签：日常记录、目标训练、运动社交。
• 深度需求：自我实现。
• 金融标签：待进一步探索。

行为数据类型

• 设备数据：加速计、距离传感、指纹感应、湿度计、姿态感应、环境光感应、屏幕触碰、重力感应、磁力计、陀螺仪、气压计等。
• 平台数据：手机APP、直销网站、个人网银、直销银行等。

业务流程与数据流

• 页面流：记录用户在金融平台上的页面访问路径，分析用户行为轨迹。
• 事件流：捕捉用户在金融产品中的关键操作事件，用于风险识别和行为分析。
• 设备流：通过设备传感器数据，分析用户的使用习惯和潜在风险。

风险人群分析

• 深度游戏人群：营销响应指数为1.51，风险指数为2.35。
• 一般游戏人群：营销响应指数为1.06和1.03，风险指数为1.02。

总结

行为大数据在金融风险管理中具有广阔的应用前景。通过多维度的数据采集和智能分析，金融机构能够更精准地识别用户风险，提升风控效率和用户体验。TD数据智能引擎作为核心技术，为金融业务的全周期管理提供了强有力的支持，助力金融机构构建更完善的风控体系。