近日，算话征信与知名智能信贷服务商完成欺诈及早期风险识别联合建模项目。该信贷产品基于移动互联网、云计算、大数据分析和机器学习技术实现全流程线上信贷服务，联合建模项目有效实现了预期风控效果。

在当前普惠金融的市场环境下，线上欺诈风险变化非常频繁，以往单一的个体欺诈已迅速演变成有组织、有规模的团体欺诈和相应的关联风险。对于信贷机构来说，传统的欺诈及早期风险识别手段包括身份验证、客户信息逻辑校验、外部信息的对比校验、黑名单过滤等方式主要还是在识别个人风险，无法根据千丝万缕的关系挖掘潜在的群体欺诈，这就需要基于网络的全局风险识别能力来覆盖风险漏洞，算话征信利用关系网络来识别群体欺诈风险的技术十分贴合当前的风控需求。

双方此次合作项目是欺诈及早期风险识别产品，以识别高风险人群为目标，通过联合建模的方式实现模型定制化，通过算话征信的专业风控技术为合作金融机构提供更精准且高效的风险解决方案。据观察，产出的模型结果在开发数据集和时间外样本测试上，均获得了显著且稳定的效果。

双方合作的联合建模方式，是以相关产品的申请数据为基础，利用算话数据库中的复杂关系网络，衍生出一系列反映欺诈及早期风险的变量，由算话模型团队运用随机森林、神经网络等机器学习技术，为信贷产品定制个性化风险识别模型。该团队拥有丰富的跨行业国际建模经验，成员参与过国家征信、国内外银行、互联网金融、银联、保险、能源、高端市场等领域的众多数据分析、建模、策略及BASEL合规项目。

算话建模团队专家介绍，联合建模可以为合作机构提供更符合自身业务特点的定制模型，比如通过分析用户行为（User Behavior）和贷后表现之间的关系，建立相关信用评分模型。所谓用户行为包括APP下载来源、APP跳转频次、APP停留时间、填写资料时间及准确度等全方位的用户使用情况；而贷后表现就是用户的还款情况。其实用户行为和贷后表现这两类数据都是长期存在的，且随着业务的发展，这两类数据也会越发的完善和全面。但目前缺少的是通过正确的视角和方式建立精准的信用评分模型，把一直被当作弱变量的用户行为变为强变量，从而更好地辅助信贷审批流程。算话征信的服务介入恰好弥补了这一环节。

双方的联合团队历时数月梳理了海量的用户行为数据，共同完成了定制信用评分模型。建模采用传统评分卡的方式，经过模型设计、变量处理、逻辑回归、分数转换等过程后，可以得到评分值表。最终结果显示，该模型表现优异，评分结果稳定性很高。

据介绍，算话欺诈及早期风险识别产品自投入市场以来，很快取得客户认可，合作机构数量现已超过160家，在队列中申请进行联合建模合作的机构达到21家。在供不应求的情况下，为满足客户意愿，算话征信已对产品线再度进行扩充，目前欺诈及早期风险识别项目包括以下方式：

合作机构普遍认为，算话欺诈及早期风险识别服务更侧重于团伙欺诈的防范，通过知识图谱、风险信息交叉挖掘等技术，同时将个人信息与行为大数据相结合，通过多种欺诈形态样本，训练出多个有针对性的模型，最后结合多年反欺诈实战经验的专家策略加以整合；通过每笔信贷申请的具体资料，得出其欺诈概率，以及怀疑欺诈的具体原因点，使算话的服务与机构自身的风控策略更好地结合起来，达到最佳防范效果。

算话欺诈及早期风险识别服务正式上线以来，服务月均增长指数超过100%，截至2017年7月，已有超过160家机构使用，系统日访问量超过70万。