基于大数据分析的实时风控体系解决方案（风控大数据）ZQ1

1、基于大数据的风控系统解决方案,ontents,1,2,3,4,我们的挑战,Aegis系统架构,核心模块介绍,风控模型和策略,我们的挑战,1,Part,业务类型和数据量增长 需要更加自动化和智能化 用好设备和行为数据 跨海外网络的数据延迟,金融风险分类与概述,从风险的本质上认知互联网金融,金融风险分类与概述,操作风险-有规律的分布,信用风险-转化概率矩阵,市场约束,金融风险分类与概述,金融风险防范：巴塞尔协议III（2010） 三大支柱,最低资本充足率,监管部门检查,金融风险分类与概述,最低资本充足率要求（8%12,根据平台发展战略，客观规划风险准备金（核心资本,根据风险准备金规模，合理控制业务发展,采取合理的管理方法降低风险发生概率，可有效降低风险敞口,风险缓释机制和工具的使用，可有效降低风险敞口,压力测试有助于提前准备好防范措施，专家智库、系统与模型，能有效风险预警,金融风险分类与概述,监管部门检查,业务开展、产品开发的合规性,风控体系建设的合理性- 包括组织结构、人员构成与职责,主管部门检查的可行性和完备性,风险报告机制建立，主动性与监管部门沟通，有助于全面风险控制,持续性风险监测

2、、流动性监测、建立风险损失库,金融风险分类与概述,市场约束,信息披露的政策、内容,信息披露数据集市,信息披露报告模板,信息披露流程管理,信息披露反馈的处理与响应,面临的业务风险,风险,我们的挑战,1,Part,风控面临的挑战,风控挑战,我们的挑战,1,Part,大数据驱动风控体系,Aegis 运行框架,2,Part,风控系统架构,Aegis 运行框架,2,Part,2,Part,Aegis 运行框架,四大模型-司南,司南”风险控制模型体系，囊括了申请评分模型、欺诈评分模型、套现识别模型、交易监测模型、催收评分模型等十几个模型，每一个模型都还将持续进行优化和迭代，帮助识别和管理金融业务的风险,风险行为识别,用户行为,风控决策,首页,浏览商品评论,搜索,比对,购物车,登录,下单,支付,首页,搜索,购物车,登录,下单,支付,修改密码,实时收集点击流,实时计算风控指标,实时风控模型决策,异常行为,日处理点击流50TB,数千个指标毫秒计算,几百个模型毫秒级决策,手机号,正常行为,四大模型-火药,火药”量化运营模型体系，从价格敏感度、用户活跃度、消费购买力到信贷需求潜力等多个方面，构成了最具爆发力

3、的运营推广、收益定价等核心竞争力,风险定价地址模型,用户地址风险定价系数,四大模型-活字,活字”用户洞察模型体系，通过这套体系可以实现识别、发掘、认识用户，从个人资产评估、身份特征画像、履约历史的评估、用户行为偏好甚至用户关系网络的构建，支撑起对用户的画像和社交关系构建，帮助提升精准识别、社群管理等用户运营效率,身份特征画像,日常购买商品,日常浏览记录,收货地址,收货人信息,购买商品评论,四大模型-造纸,造纸”大数据征信模型体系，XX也透露了其打造信用评分产品“白热度”，依托大数据征信，目前已经完成了超过一亿的用户评分，未来白热度将从身份特征画像、个人用户评估、履约历史评价、关系网络评估、网络行为偏好及信用风险预测六个维度刻画用户，为用户进行风险评估时提供 更多有价值的参考，也增强了风险管理模式的有效性和可控性,2,Part,Aegis 系统架构图,业务数据仓库,风控引擎,审核中心,案件中心,外部客户数据,合作伙伴数据,社交数据,外部账户数据,数据贴源层,实时数据流,ETL,基础数据采集,外部数据采集,数据采集层,数据计算层 实时数据计算平台 离线数据集市 元数据中心 数据健康度管理,

4、数据使用层 规则引擎 决策模型 变量工场 运营平台 数据产品,数据质量/数据监控/数据建模/数据优化/数据调度,服务能力,千台集群,P级存储,上万变量,99.9%稳定 性,Aegis,2,Part,数据采集框架,Aegis 笔支付请求的背后,黑白名单 数据预处理 / 变量衍生 1000-2000个 执行规则 400条+ 执行模型 5-10个 结果计算及后处理,实时,异步,Aegis 性能和稳定性,日亿级交易处理能力 支付风控平均处理时长小于150ms，99.9%线600ms 支持DR灾备，数据分级存储，724H监控&预警 通用性强： 支持支付风控、业务风控、外部合作伙伴风控支持,Aegis核心服务和模块,3,Part,规则引擎 模型执行器 变量服务,设备指纹,实时流量,用户画像,行为分析,Aegis 规则引擎,Rule Engine 规则分布式并行执行 支持按业务分组 支持动态调整分组和 扩容 基于Java，高吞吐量、 低延迟 使用gRPC互联,Aegis 模型执行引擎,特性： 使用Java完全自主实现的dot模型执行器，执行耗时只有 Python版本的10% 拥有完善的模型运行监控和

5、熔断机制,Aegis 审核自动提示,Aegis 实时流量服务,Counter 日查询量超100亿次 支持分钟、小时、日、月等 多级精度，支持动态配置 支持3个月以上的超大时间 窗口 流量数据实时推送，1秒级 延迟 适用于限额限次、Velocity 变量和Ratio变量的实时计算,Aegis 设备指纹,Aegis 实时用户行为分析,Aegis 交易关联排查,订单/交 易,账号,设备,卡,人,数据用于规则、模型、 和人工案件排查,基于HBase自主实现的 Graph存储，50亿+交易 数据，1秒级返回关联 结果,Graph 基于交易、人、设备、 卡、账号等多个维度的 大数据关联分析，确定 关联交易,Aegis 交易关联排查,模型,规则,风控模型和策略,4,Part,OR,模型规则化 规则模型化,Big Data,姓名 国籍,酒店,机票,设备 指纹,邮箱 异常,批量 注册,设备 指纹,声纹识 别,Machine Learning,Deep Learning,风控模型和策略,4,Part,Xma n,账户,位置,电话,电子邮箱,IP,支付账户,卡信息,多维度关联刻画用户行 为 设备指纹,风控模

6、型和策略 海量交易数据信号衍生,下单和起飞时间之间的天数 手机和ID与ADcity是否冲突 保费，订单金额,单人游,常旅客卡 订单金额 往返航班,家庭游,航班类型 国内国外游,好友游,持卡人非出行人 是否同省,情侣游,20.1,3%2.2%11.2% 5.0% 56.9,国内因公,单人游,家庭游,风控模型和策略 特征工程,文本处理,文本,分词,去字尾,词性标注,过滤,N元组语义 分析,NL P / 文本分析技术,词汇库 开发词/词组库，并关联到 相关主题和目标 考虑同义/下位词 使用: 对特定目标识别问题焦 点 为模型特征工程做预备,实体识别 识别特殊实体类别，如人 名，地点，时间，问题类别， 关键名词 使用: 识别特定种类实体 对特定实体对相关词组 分组,基于文本模型 统计分析对特定目标字词 的相关性,根据标签的可用性应用业 界最新的无监督或有监督 算法 使用: 模型特征库萃取,语音识别 声波数据预处理 音频采样 分解频带 傅立叶变换创建识别码 RNN识别音频片段字符 文本数据对深度学习发音 预测矫正,风控模型和策略 文本信号挖掘,建 模 数 据,数据去重,train data,提取

7、特征值,测 试 数 据,数据去重,提取特征值,变量注释变量名,26个字母+10个数字+特殊字符频率 freq_,域名欺诈率 名字模式欺诈率 正常名字模式生成可能概率 名字复杂度 名字长度 生成概率（数字转移数字概率不为 1,domain_degree name_degree name_probability num_change length prob_prefix_num_no_1,生成概率（数字转移数字概率为1）prob_prefix_num_1,生成概率（只有字母,prob_prefix_alp,原 始 数 据,原 始 数 据,风控模型和策略 字母生成概率,数据管理和集成,信号侦测& 预测分析,应用,变量衍生和特征 工程,深度学习及机器 学习算法处理非 结构化数据,项目状态,传统数据库 +NoSQL保证ETL 速度,使用携程独创 Ageis系统高效获 取和存储建模所 需数据,多重数据仓库集 成,密切监测模型运 行情况,支持快速开发定 制特定算法,线上自适应调整 模型参数,快速部署支持数 亿交易量的业务,自动生成各产线 模型报警,实时/离线模型表 现业务监控报表,实时查看模型变 量

8、和模型评分分 布,项目状态,项目状态,项目状态,项目状态,初始,中间,完工,评估,基本原理,风控模型和策略,模型工厂 数据源获取平台加工,生产系统,数据仓库,ETL,其它数据源,模型部署,模型监控,模型调整,衍生变量,抽样,建模数据,奇异值分析,分箱,变形转换,稀疏格式转 换,模型训练,模型评估,模 型 开 发,数据准备,数 据 集 成,模型优化,风控模型和策略 模型生命周期,欺诈特征,Velocity E.g. 2 连续交 易发生在很多时间内,Distance to home E.g 持卡人地理位置和常 用地址距离很大,Compromise,Distributed,Home,Trans,Transaction time E.g. 发生在临晨的交易欺 诈率高,Etc,模型 & 评分,利用传统模型方法如逻辑回归，神经网络，矩阵 因子分解，K最近邻法等,Matrix Factorization,Random Forest,KNN,High Risk,Low Risk,风控模型和策略,基于统计分析&机器学习的欺诈策略 欺诈交易识别分二步: 1. 欺诈特征生成；2. 机器学习模式识别,风险 识

9、别,卡,交 易,位 置,关 系,自学习规则部署 将贝叶斯模型部署携程云平台，根 据欺诈形势自动更新相关特征变量， 第一时间对欺诈进行拦截,根据采集的用户击键时间间隔序列 通过序列统计方式分析此击键行为 是否来自此账户真实用户,按照AHP层次分析法依据专家经验 对不同策略分群，从而优化规则执 行路径，提供运行效率,用户行为分析,重点案件防御,应用专家经验,重点案件得到有效控制 机,票,酒 店 酒 店,火车票,机票,针对高发案件，通过多层次关联分 析，提炼特征，预防案件变种，使 火车,票,火 车 票,机 票,风控模型和策略 AI反欺诈策略-内卡规则,智能 策略的自我学习以及 效果迭代，策略的异 常自我熔断，能够智 能地进行自我管理,聚类 将规则进行策略集聚合， 有效地降低了系统耗时以 及规则管理成本 总体策略耗时200ms,稳定 实时的监控和报警系统， 确保策略系统的健康度； 策略的事故率为0,快速 针对生产突发案件，能 够通过观察规则进行及 时调整，第一时间对突 发案件进行及时的响应 响应时长控制在30min内,精确 针对案件进行个案针对和细 分，有效地覆盖每一个案件 特征，且较少对正常客人的 影响 客户影响率1,用户性质,交易行为,登陆行为,社交人脉,历史交易,策略因素,风控模型和策略,AI反欺诈策略-外卡规则,风险管理五大误区,5,Part,技术化 not 简单化 自动化 not 排他化 智能化 not 掉包化 多样化 not 单一化 战略化 not 短期化,谢谢

《基于大数据分析的实时风控体系解决方案（风控大数据）ZQ1》由会员取义分享，可在线阅读，更多相关《基于大数据分析的实时风控体系解决方案（风控大数据）ZQ1》请在金锄头文库上搜索。