【T112017-智能金融分会场】用户行为大数据助力金融风险管理_18页_19mb

文档总结

核心内容

该文档主要围绕行为大数据在金融风控领域的应用展开，介绍了行为数据的多种来源、应用场景以及核心技术支持。内容涵盖了从数据采集到建模分析的全过程，并强调了行为数据在提升金融业务风控能力中的重要作用。

主要观点

• 行为数据的重要性：行为数据在金融风控中具有不可替代的价值，能够帮助金融机构更全面地了解用户行为模式，从而做出更精准的决策。
• 数据来源多样：行为数据来源于多种设备和平台，包括但不限于手机APP、直销网站、个人网银、直销银行等，涵盖了用户在不同场景下的行为记录。
• 数据应用金字塔：数据的应用分为多个层次，从基础的数据量大、覆盖广，到高阶的复杂度高、运用难度大，最终达到对风控作用强的效果。
• 行为数据分类与标签：行为数据可以按照用户需求分为“健康健美”等基本分类，同时具备“日常记录”、“目标训练”、“运动社交”等标签，深层需求则与自我实现相关。
• 行为数据应用场景：包括“动静有常”、“时境变迁”、“说短论长”、“交互探索”、“知行合一”等，分别代表了不同维度的行为数据分析。
• 行为数据对金融业务的支持：行为数据在金融信贷业务中具有重要作用，能够辅助授信决策、识别风险行为、提升营销效率等。
• 智能引擎的作用：TD数据智能引擎作为核心技术，支持金融风控业务的全周期管理，包括营销运营、客户运营、风控管理等环节。

关键信息

1. 行为数据来源

• 用户行为数据：包括手机APP使用、直销网站访问、个人网银操作等。
• 设备数据：如加速计、距离传感、指纹感应、湿度计、姿态感应、环境光感应等。
• 外部数据：来自大数据平台、智能数据平台、移动应用分析平台等。

2. 数据应用金字塔

• 底层：数据量大、覆盖广、获取难度低。
• 中层：数据复杂度中等，运用难度适中。
• 顶层：数据复杂度高、运用难度大，对风控作用显著。

3. 行为数据应用场景

• 动静有常：通过设备数据（如加速计、重力感应、陀螺仪等）分析用户行为模式。
• 时境变迁：通过时间序列数据（如不同日期的用户行为记录）分析用户行为变化。
• 说短论长：通过用户行为的深度分析，挖掘用户潜在需求和行为动机。
• 交互探索：分析用户与产品或平台的交互行为，以优化用户体验和产品设计。
• 知行合一：结合用户行为与金融产品（如理财产品、借贷产品）进行综合分析，识别高风险用户。

4. 金融标签与用户分类

• 深度游戏人群：具有较高的营销响应指数（1.51）和风险指数（2.35）。
• 一般游戏人群：营销响应指数和风险指数相对较低（1.06、1.03、1.02）。
• 金融标签：可用于识别用户信用状况、风险偏好等，辅助金融业务决策。

5. 智能引擎支持

• TD数据智能引擎：为金融风控业务提供全周期支持，涵盖营销运营、客户运营、风控管理等多个环节。
• 功能模块：
  • 营销运营：精准营销、营销反欺诈、存客营销。
  • 客户运营：个性化推荐、漏斗优化。
  • 风控管理：内部管控、申请反欺诈、授信辅助、用户信息管理（用户画像、用户分群、风控数据因子）。

总结

该文档系统地阐述了行为大数据在金融风控中的应用价值和方法，强调了行为数据在提升金融业务效率、识别风险行为和优化用户体验方面的重要性。通过智能引擎的支持，行为数据可以贯穿金融业务的全周期，为金融机构提供更精准、更智能的决策依据。