1）基于行为数据的消费信贷反欺诈方案
运用行为数据重构线上反欺诈方案，一方面，它基于设备通用参数采集与查得，可规避数据隐私问题；另一方面，它能够覆盖营销、贷前、中、后四阶段，运用数学、统计学以及人工智能的方法，精确识别异常行为 。
这一方案设计的大前提是，“事出异常必有妖”——认为在欺诈过程中，一定存在异于常人的行为，且能够被清晰捕捉。
数据获取
基于行为数据的反欺诈方案设计的基础是用户行为数据的积累，在实践中通过设备埋点获取。
对基于用户行为的数据平台来说，发生在用户界面的、能获取用户信息的触点就是用户数据的直接来源，而建立这些触点的方式就是埋点。
通过埋点，我们能够获取账户注册、认证行为、登陆行为、借贷申请行为、网络信息等五大类信息，经过加工形成变量，为后续策略设计提供了大量数据基础。数据加工
策略设计
这一步是整个反欺诈方案设计的重中之重，需要将具象化的、各异的行为数据进行抽象化、总结性、标准化的清洗和描述，综合数学、统计学、网络工程学、生物学、社会学等多学科知识，结合专家判断，进行量化研究和策略设定。
策略提取后，还需对各规则进行具体量化设计，设定阈值，并综合运用聚类分析、AHP 等统计学方法，对规则进行“高中低”不同风险等级的分类，在实际运行中不断校正，为后续模型构建和决策建议设计做准备。模型构建和决策建议
开发反欺诈模型并制定评分规则，指定标准评分，优化设备行为策略。
模型、也可以理解成一条规则，只不过它是将许许多多的弱变量组合成一个强评分。强变量用于规则，弱变量用于模型。他们的本质都是对用户分层，方便我们将用户一分为二，使其通过或拒绝。
策略数据服务需求
特征变量需求
信贷业务风控指标体系
风险管理的理念： 以终为始。
这句话可以这样理解：所有的风险指标分析，都是为了信贷业务能够盈利这个最终目标而服务的。
风控指标是现象，风控策略是手段；通过现象（风控指标）定位问题，并运用手段（风控策略）实现盈利（风控目标）。一个优秀的风险策略管理人员需要具备的职业素养
1. 他清楚的明白，评估信贷业务的健康状况，需要监控哪些指标；
2. 他能够通过这些指标展现出来的现象，拆解、分析和定位问题；
3. 他能够基于分析结果针对性调整风控策略，或影响业务流程，以达到目标（也许是更好的资产质量、也许是提升通过率、也许是一个合理的客群结构）。在一个典型的信贷业务周期中，客户需要经过注册，授信、申请、审批、还款等环节，直至结清。以这个
流程为基础，我们就能够提炼出各环节所需的分析维度以及相应的风险监控指标。
申请
申请环节的分析目标：了解在风控干预还没有开始之前，业务吸引的客群是怎么样的。
审批
审批环节的分析目标：监控风控审批是否有效和有效率地筛选出目标客群，并且提供了合理且足够的授信额度。
1. 审批效度，即应用的审批策略是否有效。我们需要评估在一定程度的准确率基础上，审批的拒绝率是否可接受。一般来说，想要抓住更多“坏客户“，就避免不了降低准确率，同时不得不拒绝更多的好客户。
2. 审批效率，一般主要关注人工运营审批效率（因为系统审批一般已经满足秒批）。在经过系统审批环节后，对于评分中段的客户，我们认为系统策略的判断不够精准时，一般会借助于人工审批还款
还款环节的分析目标：监控业务风险表现，理解逾期率恶化或者变优的原因，以及监控业务表现和策略调整行为是否相匹配。
但如果想要监控不同放款月的资产表现，比如说调整审批策略后，需要对比当前月和上月的风险水平，则推荐使用 Vintage 口径计算逾期率，一般长这样：
Vintage 口径的数据非常好用，因为它能够帮助我们观察策略调整、市场变化、催收效果等。以上图为例，2018 年 10 月的放款的风险表现显著优于 2018年 11 月以及 12 月；同时，三条曲线在最后一期都出现了翘尾，因此应该关注这个时期的还款是不是出现了异常，比如说节假日影响了客户还款以及催收作
业。催收
催收环节的分析目标：管理催收效能，最大程度利用好催收资源