客户痛点

风险快速上升

犯罪手段翻新快，金融机构信息不对称，无应对措施。信息泄露，资金损失。

成本压力

市场化和信贷新规，导致利差收窄，但外采数据成本高,合规压力大。

时效性差

内部机制、样本不足等原因导致策略更新及模型升级效率低。线上业务快速发展，风控能力响应速度跟进困难人工成本高，效率低。

客户体验不佳

传统反欺诈方式，客户需录入大量信息后方可判断。现有反欺诈手段误杀率高，客户需要大量的附加认证。新型犯罪手段，单一的反欺诈能力解决不了。

产品简介

芯盾时代智能风控决策系统-信贷版Online Fraud Detection For Credit (COFD)，通过计算指标、规则集、评分卡、决策树、决策矩阵和决策流等功能组件，实现针对不同业务风控策略的灵活配置，为客户提供贷前准入、申请反欺诈、信用评估、额度授信、风险定价、贷中监控和贷后催收、预警的全信贷风控生命周期管理，帮助客户有效降低中介欺诈、团伙欺诈、伪冒申请、虚假资料包装和恶意违约等信贷欺诈风险。

产品功能

决策流配置

可视化管理平台提供决策流设计器，业务人员可将专家知识、行业经验和数据模型等落地到系统中，通过鼠标点选和拖拉拽，快速便捷地实现对规则集、评分卡、机器学习模型、决策树、三方数据服务等各决策组件的单独/组合使用，按照逻辑进行流程式的风控，有效降低信贷业务风险。

风险评估报告

通过多维度风险核查，全方位展示贷款申请人风险评估结果，形成风险报告，包含：申请人基本信息、申请人风险评分、命中的风险规则详情和运行的决策流程等，为信贷机构决策提供科学依据。

原子化指标管理

预置了上百种计算指标模板，通过鼠标点选和简单的参数填写，即可衍生出丰富的计算指标和风控规则。同时沉淀了基于实战经验的标准规则和模型，客户可以开箱即用，快速冷启动。

产品特色

丰富决策组件

平台内置丰富决策组件，含规则集、评分卡、决策树、决策矩阵、决策流等，充分适配不同业务类型、不同决策点、不同生命周期阶段和不同风险类型的风控需求。

可视化管理界面

用业务语言实现风控策略和风控模型可视化，提供面向不同业务生命周期阶段的丰富图报表。

专家风控规则库

芯盾时代深耕金融行业，具备专业的安全团队和风险管理经验，可贴合客户业务，提供专业咨询服务和部署实施服务。

场景化AI模型

具有基于实战经验的信贷风控领域AI模型，包含申请评分卡、行为评分卡、骗贷团伙检测模型等。

应用场景

防信贷欺诈

防止中介欺诈、团伙骗贷、伪冒申请、虚假资料包装和恶意违约等各类信贷欺诈风险行为。

信用风险评估

通过专家风控规则，申请评分卡模型联合防控，实现信用风险的有效控制。

额度授信

通过平台内置的决策树、决策矩阵等功能，客户可以便捷的设置授信策略，提升市场竞争力。

风险定价

通过风险定价，对于信贷资信差的客户提高费率，对于资信优质的客户降低费率，一方面覆盖更多的人群，实现普惠金融；另一方面实现资金的优化配置。

信贷风控平台功能介绍 icon

设备反欺诈
设备环境风险检测操作行为异常检测

贷前准入
欺诈不良信息核查验证管理关系图谱用户行为画像风险决策

用户评分
反欺诈评分信用评分联合建模

机器学习
新规则发现模型规则权重/阈值动态调整关联图谱挖掘冠军挑战模型

贷中监控

贷中风险恶化检测欺诈不良信息检测贷中监控预警定期监控

贷后管理

人工智能催收地址信息核验

适用客群

银行

银行信用卡或类信用卡循环授信业务

线上消费分期

在线上有消费场景的商品消费分期业务

汽车金融

汽车金融，购车客群

线上现金分期

线上现金分期业务

线下消费分期

在线下门店有消费场景的商品消费分期业务

线下现金分期

线下现金分期，如车主贷、保单贷、精英贷、工薪贷等

信贷风控平台业务审批流程 icon

1.反欺诈规则：包含设备反欺诈、实名反欺诈和信息验证等九大规则集； 2.准入规则: 支持不同贷款产品准入规则的调配； 3.评分：反欺诈评分、信用评分、客制化评分模型； 4.贷中监控：包含黑名单风险、多平台借贷等规则集，支持定期监控和短信邮件预警。 5.贷后管理：包含人工智能催收和地址关联信息。

设备反欺诈

设备反欺诈可以提高金融机构风险防控能力，同时满足监管机构的要求，在登录、注册、借款等环节可以更好的来识别和防范日益严重的来自互联网欺诈（批量虚假注册/薅羊毛、账户盗用/账号信息窃取等）。在不降低客户体验满意度的前提下实现快速、动态和全面控制金融机构业务风险，推动线上业务快速、健康、安全地发展。

最精准得特征数据

经过实验室上万台真机测试认证，上亿现网真实用户使用认证，即使在刷串号、刷机等极端条件下，也可确保设备指纹的如下功能：稳定性，抑制冲突率。

威胁情报数据

通过获取威胁情报，加之芯盾专业安全团队分析，形成情报的处置决策，提升企业对未来攻击的免疫力。百万级恶意设备数据。

终端威胁感知能力

通过对海量数据进行多维度快速、自动化的关联分析发现本地的威胁和各类异常行为。识别欺诈设备，识别系统潜在风险，识别模拟器，识别恶意ip，识别攻击框架，识别攻击事件。

贷前准入—OCR、活体检测 icon

客户服务活体检测技术

通过摄像头直接获取，可以非接触的方式完成识别过程，方便快捷。目前已应用在金融、教育、景区、旅运、社保等领域，尤其是在金融行业，活体检测技术已逐渐用于远程开户、取款、支付等，涉及用户的切身利益。快速检测人脸，准确识别人脸属性，高适应实际操作环境，攻击识别率达98%，实现秒级验证。

OCR识别

基于业界领先得深度学习技术为客户提供多场景、多语种、高精度得整体文字检测识别、身份证识别及银行卡识别服务，帮助金融机构提升给业务处理效率。身份证识别，通用文字识别，银行卡识别，稳定性好，识别率高。

贷前准入—反欺诈规则 icon

预置规则集

根据行业经验，拥有详尽且经过检验的预置规则集，对于不同的业务场景，可以基于测试效果，选择适用规则进行使用。

客制化规则集

可以通过对客户具体应用场景和客群的特征分析，开发客制化规则并检验效果，择优选用、部署，确保贷前反欺诈效果。

规则集覆盖维度

实名反欺诈

个人欺诈信息风险检测，包括黑名单风险规则集、多平台借贷风险规则集、人行征信风险规则集。

设备反欺诈

在登录、注册、修改密码和借款等场景下识别设备风险，设备环境风险规则集、设备交易风险规则集。

信息验证

申请人信息验真，包括身份认证风险规则集、银行卡信息风险规则集、手机运营商风险规则集、地址信息风险规则集。

关系图谱

通过关联分析和大数据可视化技术，展示用户之间关联关系，直观有效地分析复杂关系中的潜在风险。以身份证/手机号/设备指纹等数据作为关键字段，构建关系网络，区分关系类别，提供关联列表及关系。

机器学习模型

机器学习模型可完成规则阈值/权重动态调整、欺诈新规则发现、欺诈团伙定位、欺诈样本标注等功能。通过规则引擎和机器学习引擎互补，大幅度提升侦测率、降低误报率。

欺诈样本标注模型

通过异常检测算法，通过Iforest、DBScan、Kmeans，在没有或仅有少量标注样本情况下，发现异常样本数据，并通过领域专家分析最终确认欺诈样本，为有监督学习提供样本支撑。

欺诈新规则发现模型

在充分的标注数据场景下，通过GBDT、XGBoost、LR、FM、Smote、RandomForest、LDA学习欺诈模式，形成丰富的欺诈规则链知识库；增强对抗未来新欺诈模式的能力。

规则权重/阈值动态调整

在充分的标注数据场景下，通过GBDT、XGBoost、LR、FM、Smote、RandomForest、LDA学习欺诈模式，形成丰富的欺诈规则链知识库；增强对抗未来新欺诈模式的能力。

欺诈关联图谱挖掘

通过图挖掘算法，如PageRank、Label Prapogation等算法在没有预先标注样本情况下，挖掘潜在欺诈团体，并发现欺诈团体作案特征。

用户评分—反欺诈评分 icon

在反欺诈规则环节分析的基础上，结合反欺诈等数据信息，以输出评分的形式对申请用户的欺诈风险进行定量判断的模型。

反欺诈评分样例

模型输入：

申请人姓名、身份证号、手机号。

模型输出：

反欺诈评分。

说明：

输出结果是申请人欺诈概率判断得反欺诈评分，该评分得返回区间在[0-100]之间，分数越高，该用户欺诈风险越大。模型的策略规则需要根据模型的结果以及金融机构风险控制的总体目标综合考虑。

评分包含数据维度：

人行征信数据、地理位置异常、关系图谱、实名反欺诈等数据通过机器学习算法有无监督学习得出。

用户评分—信用评分模型 icon

在反欺诈环节分析的基础上，结合用户行为、用户关系等数据信息，以输出评分的形式对申请用户的信用风险进行定量判断的模型。通过规则和评分综合考量用户的还款能力及还款意愿，有效区分出风险群体。在提高审批效率及通过率的同时，降低坏账率。

信用评分样例

模型输入：

申请人姓名、身份证号、手机号、银行卡号

模型输出：

信用评分

说明：

输出结果是申请人信用风险评分，该评分得返回区间在[300-1000]之间，评分越高，逾期风险越低，模型的策略规则需要根据模型的结果以及金融机构风险控制的总体目标综合考虑。

评分包含数据维度：

用户线上线下得消费习惯，线上阅览偏好，个人收支能力、用户资质和职业等维度数据。

贷前审批—应用效果

贷前审批—应用效果

实名反欺诈—更好的帮助金融机构进行贷前风险的精准识别。

评分模型—结合多维度数据信息，以输出评分的形式对申请用户的风险进行定量判断。

贷中监控—反欺诈规则 icon

贷中监控是信贷管理的最重要环节之一，对存量客户进行有效得风险管理，控制风险、降低逾期率、防止不良贷款发生。随着不良贷款总额的连年攀升，金融机构在加强贷前审批管理的同时，逐步扭转贷中“重贷轻管”的管理现状。

贷中规则集覆盖维度

多平台借贷风险规则集

通过观测客户从审批通过日到当前查询时间节点的申请数据，经过样本分析量化后，制定相应风险规则，对未来发生不良的可能性做出分析预测。

黑名单风险规则集

通过威胁情报数据核查借款人是否曾经进入各类黑、灰名单来判断其是否有命中过银行/消费金融/小贷/P2P的逾期、不良、欺诈等。通过观测历史信用情况来预测未来一段时间发生不良的可能性。

法院被执行人规则集

通过观测贷中客户是否命中法院被执行人或失信被执行人，来预测未来一段时间发生不良的可能性。

贷中监控—风险分级、处置建议 icon

风险分级：产品从还款能力和还款意愿两方面对逾期客户进行分级，并提供模型给出综合评分，通过对规则设置和模型校验，给出不同得处置策略，降低催收管理成本，提供催收效率。

贷中监控—功能亮点

全流程一键打通
贷前、贷中、贷后将实现从定义、识别、评估、决策、处理、干预、监测、反馈等优化的闭环自优化体系产品架构。

实时查询
一次性查询已放款人群风险走势，实时返回查询结果。

定期查询
支持按监控时长和监控频率对已放款人群进行风险监控，频率支持按周、月、季度。

风险预警
贷中风险预警用户通过短信或邮件等方式通知金融机构，及时采取逾期催收，避免企业受损。

贷中监控—应用效果

弥补贷前风控漏洞，决策引擎闭环管理，将逾期管理提前3-5个月。

风险前置，逾期前加强管理，有效提高催收回款率，减少企业损失。

贷中客户风险分层，针对性投放风险管理资源，节约管理成本。

贷后管理—智能催收

人工智能催收

传统催收：催收人员在接收分单后会进行第一遍逐个号码拨打操作，工作量较大，效率低、人工成本高、敏感信息易泄露。智能催收：通过人工智能大数据等先进技术，对电话号码进行自动化人工核查，例如关机、停机、欠费等状态。并对催收人员开案之前将待拨打的电话全部打上状态标签，使催收员可针对性拨打，盘活催收员的催收时间及资源，免人工干预，有效保护客户隐私数据。