银行信用卡或类信用卡循环授信业务

在线上有消费场景的商品消费分期业务

汽车金融，购车客群

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。