-
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。
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
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
