海纳数科消费金融业务解决方案_支付风险智能防控_用户信用评估系统-云巴巴 -云巴巴

立即咨询

立即试用

商务合作

海纳数科消费金融业务解决方案

海纳数科消费金融业务解决方案为消费金融行业提供全面的数字化转型方案，包括智能风控、模型定制开发、数字平台建设等。通过人工智能和大数据技术，海纳数科帮助金融机构提升风险管理效率，优化客户体验，并推动普惠金融服务的高质量发展。

立即咨询

以支付数据为特色的大数据资源整合优势 icon

三方支付数据

聚焦用户放款、还款和逾期等行为表现

整合同业支付数据，提高风险识别能力

互联网行为数据

补充用户互联网多维行为表现数据
适用更多业务场景

品牌类数据

整合大厂数据生态资源
发挥支付数据特有的贷后表现大样本优势

支付数据底层结构主要特征 icon

扣款日期：推算用户当前借贷产品期数、履约日期/逾期日期、还款比例、...
扣款时间：实时监控用户当前还款状态
扣款机构：评估用户当前贷款笔数、机构数、机构类型、...
扣款金额：推算用户单笔授信额度、大致利率、授信总额、用信额度、偿还能力、...
扣款状态：判断用户当前还款能力、逾期状态、逾期笔数、...

海纳标准产品及服务体系 icon

消费金融业务全流程服务解决方案

反欺诈评分 | 基于公安不良数据的反欺诈评分产品 icon

履约指数 | 基于支付数据的反欺诈风险识别产品 icon

风险等级指数 | 基于支付数据的反欺诈风险评估产品 icon

综合指数 | 基于支付数据的用户风险画像产品 icon

综合指数标签的贷前审批策略应用 icon

支付行为指数 | 融合多家支付数据的用户风险画像产品 icon

支付行为指数测试及分析建议 icon

测试说明

入参条件

姓名+身份证号+手机号
加密方式
MD5/SHA256/SM3
抽样时间

2023年四季度及其以后的样本效果更理想
样本分层

按渠道区分流量样本评估更准确

抽样建议

好样本定义
≤MOB6DPD3或不逾期样本
坏样本定义
样本充足：MOB6DPD30+

样本不足：MOB3DPD30+
坏样本浓度
占整体样本量20%-30%效果最佳
最低浓度占比应不少于15%
*坏样本浓度过低影响数据排序性

评估建议

标签分析
针对单标签进行效果评估

分析指标：查得率、 IV值、尾部lift

分箱后逾期率排序性
定制建模
基于产品标签构建风控评分模型

技术路径：XGB、LGB、LR

定制支付行为评分更具优势 icon

百纳指数 | 融合多家支付数据的用户风险及资质画像产品 icon

多头共债指数实时版 | 基于支付数据的贷中实时风险订阅产品 icon

产品特点

产品更新频率 10 分钟
数据丰富度 100 维标签
线下查询最大时间跨度 365 天
人群覆盖度 50% 以上

多头共债指数实时版实时订阅模式 icon

多头共债指数贷中风险拒绝策略应用 icon

项目背景

1. 业务现状
卡中心贷中风险识别不足,为提升贷中调额、预警等风控策略有效性,优化信用卡存量资产质量,引入定制化外部资信数据,应用于贷中风险管理场景。
2. 项目内容
定制贷中风险评分
基于支付数据对行方的数据样本做贷中风险定制评分。
坏用户拒绝规则策略应用
根据贷中预警产品标签的命中率选取有效标签应用于坏用户的命中拒绝策略应用。

方案成效

A贷中风险识别提升

通过贷中风险数据的引入对现有存量信用卡用户风险的识别有了明显提升。
B贷中实时风险监控

本次贷中风险引入实时监控数据，数据更新时效一小时对贷中交易的实时风险做到交易实时阻断，同时也对存量用户实时借贷申请的用户进行用卡营销，促进不活跃用户提高用卡频率。

百川分 | 融合多数据源的综合风险评分产品 icon

百川分应用效果评估

风险评分定制建模数据抽样建议 icon

好客户样本

表现期6个月内历史逾期最大天数

≤ 3 天
建议按生产坏客户率的固定比例抽样

（如生产坏客户率的10倍）

坏客户样本

表现期6个月内历史逾期最大天数

≥ 30 天
建议全部抽样

灰样本

介于好客户和坏客户中间，表现期6个月内历史逾期最大天数>3天且<30天

单模型样本总量

建议不低于10w条

样本回溯时间

建议在近1年内
视业务开展时长调整

样本抽取分布

按月均匀分布抽样
好坏客户占比保持稳定

样本连续性

尽量避开生产波动较大时期

在一定的时间窗内连续抽样

风险评分定制建模数据抽样建议 icon

1. 样本准备

• 样本抽取
建议样本容量：10万条

建议样本浓度：10倍生产坏率

要素加密方式：MD5
• 样本发送
甲方通过征信机构转至我方
• 时间周期
甲方样本发出后1~2天

2. 数据测试

• 数据测试
支付数据：提取用户全部变量
补充数据：部分变量或评分结果
数据回溯：建模特征回溯
• 结果返回
测试结果通过征信机构转至甲方
• 时间周期
外部数据返回周期3~5天

3. 驻场开发

• 条件准备
甲方将数据传至建模专用机器
甲方指派项目对接老师全程沟通
我司将派驻1~2名模型人员驻场
• 建模训练
建模方式：XGB、LGB、LR等

建模内容：三方、人行征信、业务
• 时间周期
驻场建模开发时间5~10天

4. 成果交付

• 交付产物
模型分析报告、模型部署文件、

开发文档及代码、测试文件
• 项目汇报
建模过程及成果汇报答疑
• 时间周期
项目汇报时间0.5天

多渠道差异化定制评分建模贷前审批应用 icon

偿债能力评分 | 基于多维数据对用户还款能力的评估产品 icon

资质画像V2 | 基于支付消费数据的用户资质画像产品 icon

模型算法体系覆盖消费金融业务全流程 icon

贷前

反欺诈模型
申请评分模型
拒绝回捞模型
收入负债模型
额度模型
利率模型

贷中

风险复审模型
交易风险模型
贷中回捞模型
贷中风险模型
监控预警模型

贷后

逾期还款预测模型
投诉概率预测模型
失联预测模型
触达时间预测模型

经营

营销响应模型
权益敏感模型
利率敏感模型
流失预警模型
营销厌恶模型
用户资质模型

模型算法体系助力全流程业务优化 | 贷前 icon

模型算法体系助力全流程业务优化 | 贷中 icon

贷中模型体系

额度复审模型：授信有效期失效后，综合各类有效数据对用户风险评级变化做评估。
交易风险模型：综合各类风险数据对用户提现交易环节的风险状况评估拒绝高风险用户。
贷中回捞模型：通过不同维度数据评估用户风险状况，与风险模型交叉验证，回捞拒绝用户。
贷中管理模型：包含贷中风险模型和实时监控预警模型，对用户贷中风险状况评估管理。

模型算法体系助力全流程业务优化 | 贷后 icon

逾期还款预测模型

预测用户还款能力和概率,并结合支付特色数据对逾期还款可能性做评估。

失联预测模型

预测客户失联概率，改进案件分配、沟通策略和催收方案，提高资金回收的效率。

投诉概率预测模型

预测客户投诉概率,优化触达渠道、内容、方式等,降低潜在的投诉风险。

触达预测模型

预测触达用户时间、方式的有效率，逐步优化触达策略，确保催收资源的有效配置。