消费金融大数据风控架构

Posted 2022-01-25 liushiqiang123

1.1 信用风险

根据银行业的风险理论，信用风险是指借款人因各种原因未能及时、足额偿还债权人或银行贷款而违约的可能性。

信用风险的风控重点在于，甄别客户违约的原因究竟是还款能力，还是还款意愿问题。如果客户真的由于各方面的原因，暂时不具备还款能力，这是概率问题。即使发生了，处置起来也不会有什么损失。而如果是还款意愿问题，存在较大的资金损失概率。

1.2 欺诈风险

在风控中，欺诈风险比信用风险要大得多，所以反欺诈是重中之重。一般来说正常的客户，如果不是刻意骗贷的，只是因为家里出现突发事故、生意出现问题、暂时失业等等原因而导致资金周转不过来而逾期的，这毕竟是少数，而且借款只是逾期，能够还款的概率还是比较高。

消费金融行业绝大多数不良是因为欺诈引起的，如果反欺诈能够比较有效的情况下，信用风险控制在5%以内没有太大问题。

消费金融发放的借款都就小额分散的，没有任何抵押和担保的情况。随着消费金融行业的崛起和规模扩大，整个行业面临的欺诈问题越来越严重，一批批的羊毛党和欺诈等黑产团体接踵而来。黑产团队的规模越大，意味着消费金融机构的损失越大。

欺诈风险目前是整体消费金融风控的重点，目前整个行业75%甚至以上的风险都是来自欺诈风险。形式有很多种，如常见的身份伪冒、中介黑产、伪造材料、恶意套现等。欺诈主体一是申请本人或亲戚朋友，二是借用或盗用别人的身份信息进行欺诈。欺诈主体的不同，防范风险的手段和形式也不同。

架构实践

• 自动决策

风控流程自动处理案件，访问第三方合作伙伴的接口，获取用户黑名单、欺诈数据和多头借贷等数据，查询名单数据，决策引擎输出各环节处理结果。自动决策后出三个结果，自动通过、转人工、拒绝。

• 人工信审

根据决策引擎输出的结果进行转人工处理，人工通过初审和复核岗，给出具体信审结果，信审通过的案件给出风险等级和具体额度。

• 拒绝

被自动或者人工拒绝的案件通知到用户，建议补充资料、过段时间重新申请或者推荐到第三方机构

分布式、微服务架构

分布式架构目前是互联网行业成熟应用的架构，这里不详细讨论。

微服务架构下，比较成熟的使用Spring Framework，使用MyBatis、Hibernate等数据映射框架。

RPC架构

RPC是分布式架构的核心，解决服务分布和服务解耦问题，目前我们使用的是Dubbo, RPC框架解决序列化、反序列化、网络框架、连接池、收发线程、超时处理、状态机等“业务之外”的重复技术劳动。

分布式消息

分布式系统中重要的组件，解决应用耦合，异步消息，流量削锋等问题，是分布式系统不可缺少的中间件。目前在生产环境，使用较多的消息队列有ActiveMQ，RabbitMQ，ZeroMQ，Kafka，MetaMQ，RocketMQ等。

分布式缓存

高并发环境下，大量的读写请求涌向数据库，磁盘的处理速度与内存显然不在一个量级，从减轻数据库的压力和提高系统响应速度两个角度来考虑，一般都会在数据库之前加一层缓存。由于单台机器的内存资源以及承载能力有限，并且，如果大量使用本地缓存，也会使相同的数据被不同的节点存储多份，对内存资源造成较大的浪费，因此，才催生出了分布式缓存。常用的分布式缓存是Redis。

 分布式日志

分布式情况下，每个日志分散到各自服务所在机器，日志的收集和分析需要统一处理。日志框架主要这几块内容：

• 业务日志埋点

• 日志收集处理系统

• 日志处理系统

• 日志分析系统

ELK（ElasticSearch, Logstash, Kibana）平台可以实现日志收集、日志搜索和日志分析的功能。

原文链接：https://mp.weixin.qq.com/s/qrKShX7Uth79zuAGVyk5dQ