传统金融风控主要利用了信用属性强大的金融数 据，一般采用20个维度左右的数 据，利用评分来识别客户借贷风险，其中包含还款能力和还款意愿。而随着互联网科技的发展，借助更多维数 据来识别借款人风险变得关键。
不管是传统金融还是互联网金融，常见风控流程中，客户准入时提供的资信材料有限，业务机构风控数 据体量不足，仅仅根据内部风险数 据进行风险评估会非常片面，无法全面的把控某位客户的风险情况。因此，基于用户进件数 据、内部系统数 据和外部数 据三位一体的风控数 据源就尤为重要了，理想的风控数 据体系应该是这样的：
图片来自：正阳能力场
对三方数 据的使用，必须从贴近业务的角度出发。首先要先了解业务类型、其次梳理风险类别、制定风控流程、构建风险画像，才能选择合适的风控数 据。
业务角度出发理清风控关键环节
金融机构，一般分为银行机构，包含传统银行、网络零售银行、信用卡（类信用卡）等；以及非银机构，包含持牌小贷、持牌消费金融、持牌汽车金融、持牌融资租赁等。根据了解的不同业务类型、不同场景，所对应的信贷生命周期可以分为“贷前-贷中-贷后”：
贷前：恶意注册；欺诈风险；准入风险；信用风险；多头风险；定价风险；提现风险等。
贷中：偿债风险；共债风险；投诉风险；额度管理等。
贷后：催收级别；失联风险等。
所有金融机构的风控流程有共通性，基本如右：注册信息提交——准入规则判定——身份信息验证——三方数 据核验——授信定额定价——用户确认提现——贷中行为监测——额度利息管理——贷后管理等。抓住不同业务场景下的风控关键点，着力解决，才能创建更完备、高效的风控体系。
每一个金融机构在进行风险管理时，必不可少的则是构建风险画像，包含用户基本属性，人口属性（性别、年龄段、职业、学历、收入水平、房车等），家庭属性，消费属性（消费水平、消费偏好等），行为属性（生活行为、金融行为、旅游行为、社交行为等），兴趣属性、设备属性、信用评分等等；依据风险画像来更加全面的评估用户信用等。
三位一体的数 据源助力构建完善的用户画像
因此风险画像的完善与否，与用户风险评估息息相关。画像越精准，则风险评估越精确，而精准的用户画像构建离不开全面、高效、稳定的数 据。金融机构的数 据应用原则都是先内部后外部，先简单后复杂，先强后弱，先规则后模型。内部数 据主要是包含，用户进件数 据，以及系统内用户的行为数 据，包含订单信息、审批信息、登录信息、还款信息等。
外部数 据分类，只列举常见并且在金融领域能够起到一定风险识别作用的数 据。包括不限于征信数 据、报告数 据、民间信用、移动端用户行为数 据（包含网络消费数 据、社交数 据等。根据产品性质和要求接入，评估内部数 据能否构建足够的用户画像，观察是否需要扩展数 据，接入时需要考虑合规性、覆盖度，是否高效、稳定、可靠等因素。
业内专业的企业也有很多，例如，MobTech袤博自成立起依靠专业团队，对市场全渠道数 据应用需求的敏锐度，先人一步布局数 据智能产业。经过8年之久的沉淀，从数 据的统计、分析、处理、应用，已形成一套完整的全景大数 据服务体系，从线上到线下覆盖多场景的智能解决方案，成功赋能旅游、零售、金融、地产、医疗健康、创投、政府等诸多领域企业，助力打通数 据孤岛，提供数 据生态化布局。
尤其在金融领域的应用，MobTech自主研发智能风控体系，推出一套全方位、精细化的反欺诈服务体系，实现用户信用评分，以及设备风险、位置风险、行为风险等的识别，提升金融机构信贷业务服务能力。以AI技术贯穿金融风控及反欺诈全业务链条，大幅提高金融机构金融风控能力以及欺诈应对效率。
针对中小银行、保险公司及其他金融机构面临线上风控经验少、建模能力弱、无专业团队、用户数 据单薄等问题，MobTech袤博可整合线上线下数 据，补充金融机构风控模型数 据维度，助力完善金融机构风控体系的搭建。
在风险用户识别环节，MobTech袤博结合自有业务数 据库与部分合规合作机构数 据源为金融机构提供服务，例如，识别网贷灰名单、电商消费风险数 据、社交媒体欺诈数 据等，使得交易有风险的“黑名单”与“灰名单”（高欺诈风险用户）无处遁形，将交易风险降低到可控范围内。
在用户借贷场景下，MobTech袤博可对信贷业务环节中，例如，风控规则、申请评分模型、授信额度模型、贷后监控等服务体系的搭建赋能。贷前，对个人的信用评分、行为数 据、个人资产迁移率等进行风险评估；贷中，进行实时风控及预警；贷后，定期更新用户投后的管理，提示是否有不良以及不良资产处置等等。
【MobTech助力金融机构数字化转型】
MobTech袤博作为运用大数 据技术帮助金融机构有效识别风控风险，帮助企业将数 据转化为驱动增长、提升效率的洞察力。未来，MobTech袤博将积极探索大数 据深度应用及发展，以客户需求为导向，贴合更多应用场景探寻市场未知的可能性，为全行业用户构建和谐完善的数 据智能生态。
