大Alibaba Antifraud Service模型

標籤：欺詐   類型   分析   關聯   能力   注意   處理   通過   模型   

基本流程：

資料收集、資料建模、構建資料畫像、風險定價。

資料收集：網路行為資料、企業服務涵蓋範圍內行為資料、使用者內容偏好資料、使用者交易資料、授權資料來源、第三方資料來源、合作方資料來源、公開資料來源。

資料建模：文本挖掘、自然語言處理、機器學習、預測演算法、聚類演算法。

資料畫像：基本屬性、購買能力、行為特徵、興趣愛好、心理特徵、社交網路。

風險定價：申請模型、行為監控模型、違約模型、催收策略模型。

 

目前國內90%以上的建模團隊使用logistic迴歸做評分卡，少數使用決策樹。

 

應用案例：

1、欺詐風險用到的模型：社會關係網路模型。

    通過每筆案例之間的關係，判斷新案例是欺詐申請的可能性。

2、信用風險主要用到的模型：logistic迴歸建立評分卡。

    量化新申請人可能違約的機率，根據評分高低制定不同的授信規則和催收策略。

3、貸後管理用到的模型：也是行為評分卡。

    例如額度調整和客戶風險分池管理等。

 

注意：

使用者資料需要進行規整處理，轉化為相同維度特徵向量，然後演算法才能派上用場。

對於結構化資料而言，特徵提取工作往往都是從給資料打標籤開始的。比如購買渠道，年齡性別等等。

對於已經打好的標籤，根據不同的分析情境進行離散化，或將分類類型的標籤拆成多個0/1標籤，就可以進行一些機器學習的建模，比如聚類、分類、預測、關聯性分析，最終產生的向量維度在數千個。

 

實際建模案例：http://blog.csdn.net/l18930738887/article/details/50662900

 

大Alibaba Antifraud Service模型