?壹、用戶信用畫像構建
說到用戶信用畫像的構建對於整個風控體系的作用毋庸置疑，不同的金融平臺可以根據自身的業務場景以及能力構建自己用戶畫像，畢竟有些畫像的數據自身沒有也很難從其他的三方平臺獲取，所以構建的時候要根據自身的業務場景和公司情況量力而行。
用戶信用畫像的組成體系包括但不限於以下幾點：用戶身份信息、婚戀社交數據、芝麻信用、用戶認證數據、消費收支數據、用戶行為數據、人行征信報告、互金和銀行黑灰名單、設備相關數據等。
1.1 用戶身份信息
該信息的獲取是這九大數據裏邊比較容易獲取到的數據，其中包括用戶的三身或四身數據、居住地、婚姻狀況、子女情況、工作單位、職位、房產、收入、聯系人數據等，該數據用途多用於貸前信用評估、用戶平臺入駐前的認證。
1.2 婚戀社交數據
婚戀社交數據在整個信用體系裏邊承擔著壹個什麽樣的角色呢？
其他數據類型可以看出壹個人的信用水平、還貸能力，消費水準、用戶行為等等，但是涉及到人格品質方面的評估就略顯乏力了，壹個人在家庭的的責任、社交的言論、人生的規劃、社交圈子等種種產生的行為的數據，更能反映壹個在當下社會主流的人格品質範疇屬於什麽角色定義。
在婚戀社交情況裏邊有幾點數據尤為重要：家庭情況、房產情況、學歷情況、生活作息、愛情規劃、愛情賬戶等級、婚戀社交信用度、社交人脈圈等。
1.3 芝麻信用
芝麻信用在現有的信用體系裏邊也是占據了壹定的地位，很多涉及到資金壹塊的信用認證多數會將芝麻信用列為評判標準之壹。
其中主要包括信用評分、行業關註名單、申請欺詐評分、欺詐信息驗證、欺詐關註清單、企業信用評分。
1.4 用戶認證數據
現在用戶的認證數據主要有幾塊，公積金社保、運營商通信、學歷數據（學信網）、職業數據（脈脈、獵聘、BOSS等職業招聘平臺的認證數據）
1.5 消費收支數據
消費數據在幾個數據裏邊是比重比較重的壹個，關系到個人的經濟水平、償還能力、以及消費行為的判斷，消費收支數據主要包括以下幾點：線上電商和線下消費、銀聯消費、銀行卡收支、航旅出行數據等。
1.6 用戶行為數據
用戶行為數據可以將申請表單的填寫時間和借款協議頁面停留時間，作為參考數據之壹。
1.7 人行征信報告
人行征信的數據就不用多說了，是金融征信取證的重要依據之壹，包括用戶的貸款信息、信貸交易信息、個人公***信息。
1.8 互金和銀行黑灰名單
互金和銀行的黑灰名單可以作為搭建風控裏邊黑灰名單的壹個重要依據，黑灰名單裏邊包含信貸逾期名單、司法不良名單、多頭申請和多頭負債名單、團隊欺詐名單等。
1.9 設備相關數據
設備的相關數據有幾個維度的數據比較重要，設備的指紋和面部識別、設備硬件信息、GPS定位、設備安裝APP數據。
二、反欺詐服務
不同的金融應用場景，有著不同的業務流程和環節，需要設計不同的風險檢查環節和風控策略，構建完成基於場景、事件和規則驅動下的欺詐風險判別服務，通過靈活配置就能滿足不同場景下、不同業務環節欺詐風險判定的能力。
理財應用：激活事件、註冊事件、登錄事件、認證事件、綁卡事件、活動時間等場景；
借貸應用：註冊事件、登錄事件、綁卡事件、充值事件、授信事件、放款提現事件等場景。
通過反欺詐模型、用戶行為分析、風險信息庫和反欺詐規則庫判定客戶的信用度。
2.1 評估維度
（1）身份評估模塊
設備異常評估： 設備綁定認證、設備相似度評估、跨機構設備註冊。
地理位置評估： GPS ip評估、陌生交易地區評估、跨地區跨機構、GPS定位與申請地址不符；
客戶環境異常： IOS越獄、安卓ROOT、公***WIFI、疑似木馬應用；
習慣相似度評估： 大小寫習慣、閱覽時間、客戶輸入法行為；
客戶身份核查： 姓名、身份證、手機號、人體活體驗證。
（2）信貸交易行為評估
交易行為：交易時間習慣、交易頻率、短時間交易數量、交易金額；
（3）信用評估
欺詐信息庫：設備欺詐庫、IP欺詐庫、賬號欺詐庫；
失信信息庫：信貸逾期名單、司法不良名單、多頭申請多頭負債名單、團夥欺詐名單；
欺詐關聯圖譜：欺詐關聯圖譜。
2.2 反欺詐策略
（1）七大策略
（2）信貸全流程
用戶註冊： 三要素核身、客戶端環境檢測、註冊設備是否關聯多用戶；
登錄： 異常設備登錄檢測、異常登錄地檢測、異常登錄IP檢測、登錄異常人臉識別
開戶綁卡： 四要素核身、人臉識別、設備是否綁定多銀行卡開戶、銀行卡是否涉及欺詐；
申請授信： 欺詐名單對比、失信名單對比、多頭申請貸款對比、多頭逾期負債名單對比、關聯人欺詐名單對比；
確認用信： 虛假用信效驗、信用行為記錄；
提現： 同卡同出監控。
三、最後
本文章是作者學習內容的壹些整合，最近在研究風控這塊，有感而發，如果有什麽好的建議可以下方評論，互相探討下。