产品
服务
关于
产品介绍
模型产品
风控系统
申请模型
违约模型
反欺诈模型
差异审批
例如:风险低的单子精简审核步骤风险高的单子增加审核步骤
人员管理
例如:风险低的申请件分给新同事风险高的申请件分给老同事
历史验证
例如:某公司历史数据跟同行历史数据对比,寻找差别
分单管理
例如:某员工历史数据跟IFRE反馈数据对比,寻找差别
输入展示
输入维度
基本情况
工作情况
历史情况
资产情况
负债情况
工薪族输入
9字段
7字段
6字段
2字段
7字段
企业主输入
8字段
11字段
7字段
2字段
8字段
举例
出生日期
公司行业
信用卡总额度
本人名下房产
车贷月供
工薪族共31个,企业主共36个
输出展示
风险等级A
安全性好、还本息能力强、低度风险;
获贷概率30%
风险等级B
安全性较好、还本付息能力一般、中低度风险;
获贷概率25%
风险等级C
安全性中等、短期内还本付息能力一般、中度风险;
获贷概率20%
风险等级D
安全性较低、不能确保投资安全、中高度风险;
获贷概率16%
风险等级E
安全性好、还本息能力强、低度风险;
获贷概率12%
个人消费信贷评分分布图
上图所示,输出包括信用评分分值,对应的风险等级,获贷概率及信贷评分分布图。 如:该客户评分为495分,对应风险等级为C级,获贷概率为20%。
IFRE违约模型是依托于P2P行业海量历史信贷数据通过高等分析手段建立预测模型,实现未来违约概率可预测。
该模型应用于审批环节,让坏账成本控制前置。
输入展示
输入维度
基本情况
工作情况
历史情况
资产情况
负债情况
工薪族输入
9字段
7字段
6字段
2字段
7字段
企业主输入
8字段
11字段
7字段
2字段
8字段
举例
出生日期
公司行业
信用卡总额度
本人名下房产
车贷月供
工薪族共31个,企业主共36个
输出展示
A
0%~5%
B
5%~15%
C
15%~35%
D
35%~65%
E
65%~85%
F
85%~95%
G
95%~100%
姓名:
张XX
分值:
234
等级:
E级
平均违约率:
29.42%
指针所指的位置即为评分分值。越接近A级分值越大,违约的概率越低;
左图共分为7个等级,对应不同平均违约概率,A级的违约概率最低,G级最高。
认定客观
量化欺诈风险
不再单纯靠人工主观判断
提升效率
多渠道数据整合,秒级响应
一键筛出欺诈分子
节约成本
大幅度降低人工排查的工作量
降低人才培养成本
减少损失
降低由欺诈做成的失联客户占比
减少坏账损失。
千万数量级黑名单库
1000万条贷款申请记录+5000万条法院诉讼和被执行记录+1000万条逾期/欺诈、高危号码
大数据的应用,不止是黑名单
数据源来自工商、电商、司法、银行卡消费等11个维度和13亿台设备信息
经过数据整合并结合业务规则加以使用
输入展示
输出展示
0
60
100
+∞
张XX反欺诈评分结果
客户张XX属于高风险,建议人工排查
1、本人有同行风险
2、家庭地址存疑
3、存在1-2家多头负债
分值范围及欺诈类型说明:
1、【100,+∞】认定为欺诈,建议直接拒绝
2、【60,100】认定为高风险,建议人工排查
3、【0,60】认定为底风险,建议正常审核