giac_2016_-_互联网金融风控中的数据科学-王婷-public_25页-10mb

互联网金融风控中的数据科学总结

核心内容

互联网金融风控是数据科学在金融行业的重要应用之一，尤其在P2P借贷和理财咨询服务领域。它结合了机器学习、知识图谱和实时架构技术，以应对传统金融难以处理的信用风险和欺诈风险。

主要观点

• 互联网金融行业面临的风险包括信用风险和欺诈风险，而传统风控手段在数据获取、特征挖掘和应对欺诈手段更新方面存在不足。
• 数据科学通过机器学习和图挖掘技术，提升了风控工作的效率和准确性。
• 知识图谱技术在金融风控中具有广泛应用，能够从局部特征提升到全局考量，增强风险识别能力。
• 实时架构支持大规模金融服务，提高风险控制的响应速度和可靠性。

关键信息

1. 互联网金融服务面临的风险

2. 知识图谱在金融风控中的应用场景

• 社交网络分析：识别用户之间的关联关系，提升欺诈检测能力。
• 反欺诈建模：通过分析用户的一度、二度关系，发现潜在欺诈行为。
• 组团欺诈识别：使用社区发现算法实时评估用户的风险。
• 失联用户找寻：利用图挖掘技术发现失联用户与正常用户的潜在关系链。

3. 大规模金融服务中的实时架构

• 实时数据采集和处理是关键，以确保风险特征的及时捕捉。
• 系统具备高可靠性，数据在采集、传输、存储时达到 $99.999%$ 的可靠性。
• 架构支持多种数据处理技术，如Spark、GraphX、Mlib、Streaming和TensorFlow。

4. FinGraph知识图谱平台

• 实体类型：包括电话、身份证、银行卡、信用卡、IP、设备号、地理位置等。
• 节点和边：约1.3亿节点，约10亿边关系，预计到2017年增长20倍。
• 应用场景：智能搜索、反欺诈、贷后管理、营销分析、运营支撑等。
• 系统支持：特征工程、模型开发、异常监控、推荐系统等。
• 数据整合：整合信用数据、金融消费数据、行为数据、社交数据、网络安全、第三方数据等。
• 图数据库：使用Neo4j进行数据存储和查询。

5. 风险分析实践

• 人以群分：通过PageRank算法，发现高分段用户的坏账率是低分段用户的3.3倍。
• 组团欺诈识别：使用社区发现算法，实时评估用户的组团欺诈风险。
• 失联用户找寻：通过最短路径算法，挖掘失联用户与正常用户的潜在关系链。

6. 数据科学在风控中的作用

• 风控建模是一个机器学习过程，涉及样本选取、特征工程、模型训练与验证。
• 数据科学已渗透到离线建模流程的多个环节，提升整体风控能力。
• FinGraph平台作为线上风控系统中的关键一环，提供了全面的风控能力，支持实时风险监控和分析。

结论

数据科学在互联网金融风控中发挥着越来越重要的作用，通过知识图谱和图挖掘技术，提升了风险识别和控制的效率与准确性。FinGraph知识图谱平台作为核心工具，结合了大规模数据处理和实时监控能力，为线上P2P借贷和理财咨询服务提供了强大的支持。