• 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