互联网金融的迅猛发展，对线上线下金融机构的风险控制带来了更多的挑战，数据分析逐渐成为当前金融机构加强风险控制的重要补充手段。
2016年的SODA大赛聚焦“城市安全”主题，同时设有专项命题——“号百金融安全奖”，由号百信息服务有限公司提供上海地区的电信用户样本数据（脱敏），覆盖维度包括：基础类数据、通话类数据、位置类数据、终端类数据、移动互联网行为类数据等5类数据，并抛出以下关于金融安全问题，定向众筹征集数据应用解决方案。
专项题目：基于用户在电信消费中的行为及状态数据，对人群的信用特征进行综合建模及分析，具体可以分为两个方向：
1. 构建人群的信用风险分析模型，设计信用风险评价指数，并对样本人群进行信用评分。
2. 鼓励通过可以公开获取的互联网数据，并结合电信数据维度，设计提供面向金融风控领域的模型及解决方案。
由于人们在互联网上产生的数据越来越多，金融机构也逐渐涉足大数据风控领域。让我们来看看一些目前大数据在金融风控领域的应用案例：
案例#1 阿里小贷利用大数据进行风控
应用背景
自 2003 年淘宝网、支付宝上线开始，阿里巴巴集团开始打造其自营线上平台，并以“诚信通” 指数等形式来建立信用评价数据库数据，阿里利用平台积累了海量数据。
此后，阿里巴巴通过与建行、工行合作开展“网络联保贷款服务”，与建行合作“ 支付宝卖家贷款业务” ，并与格莱珉银行信托基金开展“ 格莱珉中国项目” 等，在信用贷款、风险控制等方面获取了大量经验。
根据以上两个阶段经验积累，阿里需要利用自身数据优势，独立经营小额信用贷款业务，扩大阿里金融领域的业务版图，提升自身的利润效益。
数据源
互联网数据：消费能力数据、消费偏好数据、征信等数据。
其他数据：银行资产数据、第三方催收机构数据、社保、纳税、公积金、个人严重行政处罚数据、刑事犯罪记录、交通违章数据等。
实现路径
阿里小贷的信贷通用决策系统（ A-GDS—Ali-Generic Decision Service）借助大数据的分析，将电商平台上所有的小微企业进行透析，根据其分析结果选择向风险可控的企业开放信贷服务，从而将风险管理前置。
而大数据的动态管理和监测，拉平了贷前、贷中、贷后的业务流程，提高了集约化管理的效率，便于灵活调整，及时处理信贷风险。
同时，阿里系统考虑在为客户授信时，结合水文模型，通过该店铺自身数据的变化，以及同类型店铺数据的变化，判断客户未来店铺的变化。
阿里小贷主要是淘宝贷款和阿里贷款，提供的服务主要是淘宝(天猫)信用贷款、订单贷款以及阿里信用贷款，和传统小额贷款公司不同，阿里的客户主要是淘宝、阿里巴巴上的店铺，由于这些店铺通过淘宝和阿里巴巴平台经营，所以阿里小贷可以轻易获得客户的历史数据。
应用效果
阿里小贷通过信贷通用决策系统和利用各种大数据模型，能够对每个客户制定“最优定价” ，并区分出好坏客户，决定准入客户，细化客户授信，实现贷前小额贷款风险管理控制。阿里信用贷款部分客户的贷款年化利率能低至 12%，即比原来的 18%减少 6 个百分点。
依靠平台和数据优势，阿里小贷在风险控制方面已形成了一个多层次、全方位的微贷风险预警和管理体系。
阿里小贷按照巴塞尔银行要求建立了自己的风险管理体系框架，其设定的不良贷款容忍率最高为 3%，在财务系统达到 450%的拨备覆盖率。实际运作中，阿里小贷的不良贷款率一直是保持在 1%以下，远低于其设定值，以及传统银行的不良贷款率。
（来源：老虎财经）
案例#2 美版阿里小贷Kabbage：用大数据征信做风控
应用背景
09年成立的美国Kabbage公司目前有三块业务:小企业短期贷款、个人消费贷以及风控技术外包。在旧金山4月举办的Lendit互联网金融大会上，Kabbage合伙人VictoriaTreyger分享了美版阿里小贷-Kabbage的业务精华。
小企业短期贷款是Kabbage的主营业务，贷款期限为6-12个月，等额本息还款，允许提前还款，超过期限需要偿还后重新申请。额度为2000至10万美元不等。利率因个体而异，月息从1.5%至12%不等（合APR为18%至144%），据Victoria表示，36%至50%的APR最为常见。
数据源
互联网数据：消费能力数据、消费偏好数据、社交网络数据、网店经营数据。
其他数据：银行资产数据、第三方催收机构数据、社保、纳税、公积金、个人严重行政处罚数据、刑事犯罪记录、数据等。
实现路径
Kabbage平台一直以“7分钟放款”的口号闻名。之所以能做到这么快，就在于它独特的大数据信用评级系统。该系统按照行业制作不同模型，应用超过300个参考变量。
除了美国最普及的FICO信用评分，Kabbage还分析了一些非信用评分数据——例如亚马逊和易趣网的用户评级，还有传统银行和支付平台的操作流程等。通过将各项指标汇集在一起，Kabbage的平台可以立即进行运算，仅在几分钟内，就能够分析出贷款价值，从而告知借款人合理的信贷额度和利率。
在向eBay、Yahoo、Amazon等电商平台提供服务时，Kabbage已经可以掌握一些经营数据，如在线网店访问量、交易量、用户评价、物流信息、税务登记号等。2011年，UPS旗下基金入股又带来了客户配送数据的共享。
同年，Kabbage颠覆性地推出了SocialKlimbling商家信用评分体系，通过关联Facebook、Twitter和Linkedin账户，社交网络信息数据竟然也能引入到商家信用评分体系。在中国就相当于，你在新浪微博账户的评论、转发以及微信朋友圈的“赞”都能成为考察指标，颠覆了传统信用评分体系的理念。
应用效果
Kabbage的商业模式展现了信用数据化和数据资产化的发展趋势。未来， 随着数据规模的快速膨胀，数据资源的获取将不再成为企业竞争的关键优势，数据的分析利用能力成为竞争的焦点。
大数据征信产品日益丰富精确，这也就意味着风控的难度将会有效得到降低，有效连接精选数据，已是平台降低运营成本提升风控的必备手段。
目前，Kabbge的自营业务运转良好，尽管互联网金融行业自从2015年下半年起开始在美国减速（参见“LendingClub首席执行官：2016年美国P2P将大洗牌”），但Victoria表示“Kabbage业绩越来越好。”Kabbage还和美国小企业局（SBA）合作，帮SBA给小企业主进行培训，同时也是SBA推荐给小企业主的融资渠道之一。
（来源：蜜蜂数据-云征信）
案例#3 芝麻信用：互联网+大数据模式下的征信
应用背景
2015 年 7 月 18 日，央行等十部委出台《关于促进互联网金融健康发展的指导意见》，标志着互联网金融正式告别监管缺位、无序发展的时代，拉开了规范化健康发展的序幕。互联网征信作为互联网金融体系中重要一环，引发了业界对征信领域的高度关注。
芝麻信用通过深度融合传统信用评估与创新信用评估，开创了大数据征信模型。在模型中，包括信用历史、身份特质、履约能力、行为偏好和人脉关系这五大维度。
通过这五大维度，建立了刻画个人信用全貌的模型。基于大数据 7×24 小时在线运算能力，通过账户行为分析等，能够准确地刻画个人的行为，以此判断是否出现行为异常，帮助合作伙伴进行反欺诈识别。
数据源
互联网数据：消费能力数据、消费偏好数据、征信等数据。
法院、公安数据：个人严重行政处罚数据、刑事犯罪记录、交通违章数据等。
其他数据：银行资产数据、第三方催收机构数据、社保、纳税、公积金、犯罪记录、医疗、交通、出行、出境等数据。
实现路径
“芝麻信用” 通过分析大量的网络交易及行为数据，可对用户进行信用评估，这些信用评估可以帮助互联网金融企业对用户的还款意愿及还款能力做出结论，继而为用户提供快速授信及现金分期服务。
应用效果
通过云计算、机器学习等技术客观呈现个人的信用状况，已经在信用卡、消费金融、融资租赁、酒店、租房、出行、婚恋、分类信息、学生服务、公共事业服务等上百个场景为用户、商户提供信用服务。
（来源：网易财经）
案例#4 宜信宜人贷利用大数据打造借款“极速模式”
应用背景
大数据技术作为 P2P 行业用户获取、风险管理等各环节的重要技术支撑，持续推进着整个业务链条的各个环节创新。 P2P 借款服务的批贷速度，作为衡量 P2P 平台水平的重要标准，更与大数据技术有着千丝万缕的联系。
对 P2P 行业而言，更符合用户需求的产品，更人性化的服务，更安全的风控技术，是 P2P 行业发展的核心动力。依托不断发展的互联网技术，P2P 行业在批贷速度、借款服务流程设置方面，较传统线下借款服务都有了极大的改进，但用户对更高效服务的持续需求，始终刺激着整个行业对先进技术的不断探索。
数据源
互联网数据：电商消费记录、消费能力数据、消费偏好数据、征信等数据。
法院、公安数据：个人严重行政处罚数据、刑事犯罪记录、交通违章数据等。
其他数据：银行资产数据、贷款数据、企业运营数据、第三方催收机构数据、社保、纳税、公积金、犯罪记录、医疗、交通、出行、出境等数据。
实现路径
用户通过提交信用卡信息，授权“极速模式” 系统获得其电商交易记录，以及提交银行卡信息，即可迅速完成借款申请，完成整个流程不超过十分钟。
基于“极速模式” 精确快速的信审系统， “ 极速模式” 通过后台信审模型计算，在借款人提交申请信息的几分钟内，即对借款人的各项信息进行交叉对比，在数分钟内即可完成借款人资质审核，从而极大地提升了批贷速度。庞大的数据库，精准的信审模型，是“极速模式” 高效服务的关键所在。
应用效果
宜信宜人贷借款服务“极速模式” ，该服务利用大数据技术，成功实现了“1 分钟授信， 10 分钟批贷”的快速借款服务，如此高效的授信及批贷速度，在整个 P2P 业界，尚属首次，该服务也正是 P2P 行业对大数据技术利用的极佳示例。
（来源：国际商报）
案例#5 融360推出“天机”大数据系统
应用背景
多年来，金融机构很大程度上都依赖于央行征信报告来决定是否给个人客户授信。但我国仍有不少人没有信贷记录，加之个人客户贷款额度小、需求分散、个性化需求多，使得大多传统银行想在做零售贷款方面显得力不从心。
基于此，为了实现中国的普惠金融之路，互联网金融不单只能是把传统的金融服务模式照搬至线上，而更是应用大数据的风控能力，借助于更防范的数据，让那些在央行征信系统没有信用记录的个人消费者和小微企业主也有可能申请到贷款。
数据源
内部数据：借款人访问数据、用户申请资质信息、网站行为数据、批贷信息和贷后等信息。
互联网数据：电商消费记录、消费能力数据、消费偏好数据、缴纳水电费、征信等数据。
法院、公安数据：个人严重行政处罚数据、刑事犯罪记录、交通违章数据等。
其他数据：银行资产数据、贷款数据、企业运营数据、第三方催收机构数据、社保、纳税、公积金、犯罪记录、医疗、交通、出行、出境等数据。
实现路径
“天机” 大数据风控系统包含一组模型，会根据身份认证，还款意愿和还款能力三大维度，给申请贷款的用户进行信用评分，依据分值来决定是否应放款。
应用效果
通过“天机” 大数据风控系统，用户 5 万元以下的小额贷款申请，将在10分钟完成审批，最快当天放款。目前平台已供近百家贷款机构使用。
近日，在线金融搜索服务融360推出了大数据风控系统“天机”的2.0版本，与1.0相比，该版本不仅接入了近30家的信用服务供应商，还引进了人脸识别技术。宣称将人脸识别精准度提升至99.15%，不仅可以排除整容脸、冰山脸的干扰，还领先Facebook人脸识别算法DeepFace(97.35%)，也超过了人眼(97.53%)。
（来源：九次方大数据）
希望以上这些案例可以帮助参赛选手作为参考，积极挖掘数据价值，帮助金融机构从不同角度筛选客户，降低信用风险，实现全流程大数据风控。
2016SODA大赛初赛提交截止为21日（本周日）23时59分，最后的冲刺就是现在啦！
