近年來，互聯網金融發(fā)展如火如荼，借貸形式發(fā)生了翻天覆地的變化，新形勢下各借貸機構的風險控制也面臨著新的挑戰(zhàn)，無論是技術還是思想都要經歷一場革新。聚信立服務于近千家新金融機構，在風控，尤其是互聯網風控方面累積了眾多經驗。

新金融形勢下風控面臨的挑戰(zhàn)

傳統金融機構的風險管理，用申請人身份特征、借貸歷史、央行征信報告等信息來評判個人信用等級，廣泛用于貸款審批、貸后管理，并且也起到了不錯的效果。隨著互聯網金融的快速發(fā)展，申請人借貸歷史或央行征信報告等個人信息往往不能滿足放貸機構的需求。比如，在聚信立每天處理的60多萬次借貸申請查詢中，近30%的人既沒有借貸歷史，也沒有央行征信報告，這個群體對于借貸機構而言相當于“白戶”，對這個群體的風控成了機構的一大痛點。另外，職業(yè)詐騙分子的“專業(yè)水平”越來越高，他們清楚地知道銀行等借貸機構的審批條件，可以很好的偽造正常人的行為、習慣，機構單憑審核單個個體的行為數據很難區(qū)分出惡意欺詐。對于“白戶”、團伙欺詐，社交網絡分析都可以提供很好的解決方案。聚信立依托于申請人的通話關系，構建了基于通話的社交網絡，并在風控中起到了很好的作用。

社交網絡分析方法概述

這里簡要介紹一下聚信立的社交網絡分析方法。聚信立處理了超過3200萬申請人的查詢申請，通過觀察申請人及其聯系人的聯系網絡，可構成一張覆蓋申請人及其聯系人在內的總共7億人的巨大網絡，同時覆蓋90%以上借貸人群。如何能給這個龐大網絡中的每個個體精準評分呢?我們相信“近朱者赤，近墨者黑”的原則同樣適用于借貸人群，本著這一理論基礎我們衍生出了自己的基于社交網絡的算法。

首先給出一些概念：

- X階聯系人：聯系人可分為直接和間接聯系人，直接聯系人是指和申請人有過直接通話記錄的號碼，我們稱其為一階聯系人，間接聯系人是指聯系人的聯系人，依次可以分為二階聯系人、三階聯系人等，顯然直接聯系人比間接聯系人更能影響種子號碼，越高階聯系人，影響力越弱。

- 聯系強度：根據兩個號碼之間通話頻次、周期性、主被叫關系等來判斷兩個號碼之間緊密的程度，用于衡量兩個人之間可以互相影響的程度。

- 有效聯系人：聯系強度達到某個特定值以上的聯系人

- 黑號個數/比例：在某個特定網絡中被標為黑名單的號碼個數/比例

Google的PageRank 是個很好的計算網頁排名的算法，我們借鑒其能量傳輸的理念，并在此基礎上做了些針對性的改進：對于聯系人我們只考慮5階以內，并對聯系強度設定了閥值，只考慮大于特定強度的聯系人，同時區(qū)分主被叫關系，在此條件下可以得到初始網絡，通過聚類、能量傳輸等模型把7億人群分割成若干個子網絡，然后計算各價聯系人中黑號個數、比例、網絡大小等指標，并根據聯系強度等信息差異性賦權，最終得出每個號碼和黑號的緊密程度。聚信立依此計算出了特有的“灰度分”，經機構測試KS可達20%+，被廣泛應用于眾多機構風控建模中并占了很高權重。

社交網絡分析的解決方案

前面提到金融借貸機構目前面臨的兩個難題：1)金融白戶：無任何征信信息;2)團伙欺詐，下面分別看一下如何用社交網絡分析方法來解決這些難題。

一、金融白戶，這一類人沒有自身數據，傳統模型已失效。但“近朱者赤，近墨者黑”，在一個人的緊密朋友圈中，如果有些人借債不還，但并未受到應有懲罰，這種行為經常可以傳遞給其周邊的人，同樣好的行為也會傳遞。我們相信，同一圈子里人的經濟、生活狀態(tài)往往趨于相近，信用等級也會趨同。對于白戶，用其緊密朋友圈的數據填補其自身空白是個不錯的選擇。另外，根據一個人在某個子網絡中的主被叫頻次、比例等，可以計算出每個人在網絡中的位置、影響力，進而得到其可以影響其他人的權重，最終，我們用“白戶”緊密聯系人的加權信用等級來代表他自己的信用等級。這個方法在實戰(zhàn)中得到了很好的驗證。

二、團伙欺詐，現在機構面臨的欺詐很多都是組織有序的團伙欺詐，他們一旦發(fā)現某些平臺的風控漏洞，就會集中作案，以及短時間內獲得巨額利潤。舉個例子，聚信立的蜜蜂報告已被數百家機構采用，并廣泛應用到風控流程中，有些犯罪團伙對放貸機構如何根據聚信立報告做審批有深入了解，就會偽裝大量符合機構審批條件(如穩(wěn)定的賬單、合理的聯系人個數、通話時長等)的個體進行騙貸，從單個申請人看，很難發(fā)現其欺詐性，但如果看整個網絡，就會發(fā)現某些圈子里的人的開戶時間、聯系人個數、通話時間、通話頻率等方面都驚人的相似，類似的欺詐行為往往有相似的網絡結構，比較容易判斷這些號碼是被一個團伙整體運作，我們通過計算特定網絡內個體的同質性或高度一致性以及網絡結構，來抓團伙欺詐就容易的多。

除了風控領域，社交網絡也可以有廣泛應用，如精準營銷等，這不是今天話題的重點，就不再贅述。

大數據風控的發(fā)展方向

風控技術經過數十年的發(fā)展，無論是基于個人身份信息(如年齡、收入、職業(yè)等)還是個人設備信息(如使用手機、電腦的行為數據)的數據挖掘，都有了長足的進展，分析方法上，從評分卡、決策樹到神經網絡、機器學習，技術也日漸成熟。而基于社交網絡分析的風險控制才剛剛開始，隨著互聯網金融的快速發(fā)展，團伙欺詐也日趨專業(yè)化同時迅速膨脹，社交網絡分析結合大數據處理技術必將是應對新形勢下欺詐的一個利器。聚信立也將繼續(xù)投入巨大科研成本，致力于打造更健康的互聯網金融網絡，幫助每一個誠實的借款人，也不放過一個欺詐分子。