對數據分析、機器學習、數據科學、金融風控等感興趣的小夥伴，需要數據集、代碼、行業報告等各類學習資料，可關注微信公衆號：風控圏子（別打錯字，是圏子，不是圈子，算了直接複製吧！）
關注公衆號後，可聯繫圈子助手加入我們的機器學習風控討論羣和反欺詐討論羣。（記得要備註喔！）
相互學習，共同成長。
第一部分 額度申請
筆者是招商銀行的信用卡老客戶，首次申請大概是2006的一個炎熱夏天，當時在某IT公司做程序員，當時申請的時候公司簽署在職證明，招行發放的金卡，但是額度不高。目前的工資卡也是招商銀行的，所以筆者認爲閃電貸授信參考額度至少有如下兩條規則
1、信用卡額度及信用卡歷史
2、工資流水及交易歷史
另外，筆者的股票賬戶綁定的是招行的卡，目測應該不會與股票賬戶有關，從政策的角度認爲銀行信貸類應該看不到筆者股票賬戶的數據。
還有一點，對於‘招聯-好期貸’的額度與閃電貸的額度差距太大，同樣提交的材料一樣，閃電貸是親兒子，招聯是後媽生的？(閃電貸給我的額度高，利率3%%，招聯只有萬元額度利率4.5%%)這是爲什麼呢？另外，在閃電貸給出額度的時候填並未填寫過多的信息，授信額度大概半小時左右（授信額度時間有些不確定）招聯好期貸額度非常快的出來額度，而且無填寫任何信息。由此推測，閃電貸爲招行內客戶授信，招聯好期貸需要招行引流後按照普通模式授信。
關於授信額度的一些粗糙做法
招商銀行信用卡在剛開始起步的時候推出來yong卡（針對大學生市場的低額度信用卡，額度1000-3000）當時就僅僅因爲大學生的信用卡，把一個招商銀行區域性小銀行變成國際大行。
對於做資產的朋友，由於初期在授信額度量化之前，推薦採用招行yong卡模式【底額度，循環授信】，允許養額度人的存在，當他把額度養成之後，你的數據與風控體系已經建成，完全可以對此類人氣進行細分定向的風控與分類營銷。
如果不想拍拍腦袋盲目做額度，可以考慮使用信用卡額度係數，例如，某人有招行信用卡額度一萬塊，可以簡單授信額度=1萬0.4 =4000塊。具體爲什麼是0.4不是0.5或者0.3？特別簡單，信用卡的取現額度是總額度的0.5。假設借款人逾期還不起，可以讓他用信用卡的取現來還款。畢竟，借款利率比信用卡利率高，兩者相害選其輕，具體的操作，你懂得。。。。
最後關於額度再說幾點：
1、授信額度中有一個非常重要的指標，就是借貸次數和歷史借貸情況。俗稱多頭和歷史信用。這些數據都可以通過授權後以查徵信、接三方數據等方式來獲取，具體細節這裏就不討論了。
2、如果某客戶已在其他平臺借貸過2次，這次在你的平臺上借款，你給的額度高了和利息低了，也可能會存在這麼一件事情，“客戶可以用你的錢還別人的借款，而且不太着急還給你的錢”。
第二部 開始借款
第一步 填寫緊急聯繫人
有2種方式， 一種是從通訊錄聯繫人中讀取，另一個是手工填寫。
不要小看緊急聯繫人，裏面實際上在操作中隱含了很多的風控策略，因爲筆者不爲招行工作，所以不知道招商現金貸是否採取爬取通訊錄的風控策略。以筆者的應用經驗來談，通過sdk爬取通訊錄相關信息可以非常方便的獲得機主的通訊錄名單、通話詳情等，由此可以對機主的通訊錄、通話對象進行分析。
以筆者所採用的三方電話類產品，他們的產品爬取聯繫人通訊錄和通話記錄後會在號碼庫中匹配相應的電話的信息，給出相應比如，快遞、催收、信用卡、營銷類的標籤後方便做風控策略。
舉個栗子。比如機主的常聯繫第三人近三月有半小時以上通話記錄，說明這個有正常社交行爲；如果催收公司催款較爲頻繁，說明貸款逾期較多；如果快遞送貨電話比較多，說明購物能力不弱，等等的相關屬性。這種基於電話號碼的分析對做風控是非常有幫助的，更甚者還可以在貸後資產處置中對借款人的數據修復，具體應用還需要根據自身產品的風控策略來決定。
另外，筆者目前所服務的公司月放貸餘額超過600億，有一條現金貸線，10億/月,其中制定通訊錄類風控策略中有這麼幾條，針對於通訊錄的交叉驗證及黑名單匹配。
簡單地說就是，通過對內部黑名單的建立後，讀取通訊錄號碼，若號碼庫中有黑名單重複人員，策略一：進件人與黑名單人的關係或者圖譜。策略二，黑名單庫與進件聯繫人的關係與圖譜。策略三。。算了不說了，再說就裸奔了。。第一版六條規則，第二版十多條，目前已經到了第四版了，規則隨着數據量和關係發生變化，未來還會變化。
第二步 ORC認證
填寫完通訊錄之後，確認借款合同的步驟，下一步就是開始面部識別
提示如下：
Step1
Step2
Step3：語音提示張嘴巴、眨眼下、等基本的活體檢測動作
通過簡單的三步之後，點擊確認，就可以借到錢了，而且在不到5分鐘的時間內，簡單方便快捷，借款金額不能用於房產投資，股票投資等用途。（比較好奇的是，憑本事借的錢，按時還就是了，管的着用在哪裏嗎？哈哈哈哈。。。）
看似簡單的三步，裏面隱含的不少的風控內容。這裏我就重點說明一些針對於OCR類風控規則的發表一下個人觀點。
第一點：OCR類檢測
OCR類檢測的最主要目的是用來證明是本人，而且是本人自願的借款行爲。目前的OCR識別技術已經比較發達，但是也出現了很多通過高清照片、活體面具的形式矇混過關的，網上有挺多老司機試驗過OCR技術檢查的BUG，筆者也相信假以時日，真正的活體檢查技術可以‘真的’做到是活體檢測。
若此項技術在不成熟的時候被我們應用，我們也可以採取BUFF方法，提升一下風控技能。比如採用虹膜技術、指紋技術，實在不行滴血驗親也行，就看你能接受的成本是多少了。至少我認爲支付寶的空付技術不錯，用在借款上很恰當。
第二點：語音提示
這一點我需要吐槽一下，既然已經授權了，爲什麼不加來個彈幕，讓借款者朗誦一段文字什麼的，比如“我是MJ，於2020年2月30號在Amc，手持蘋果18PPplus進行線上借款，於2100年1月32號還款，欽此！”。這樣也能增加互動性，也可以對借款進行隱形的威懾，如果朗讀的不好就放到內涵段子裏。。。。
在整個過程中進行錄像，預估視頻在1-3分鐘左右，也爲以後的資產處置做準備。
筆者在2014-2015賽季做大學生市場的時候就設計出了用小視頻方式來進度簽約、放款，小視頻3分鐘，放款5分鐘。真正做到了快速放款（話說當時趣分期、分期樂他們好像還沒啥。。。算了不說了，說多了都是淚水。。）
到此走完着重要的2步借款成功了，但是做爲風控人，總感覺這裏面缺少些什麼東西。。。。
筆者認爲，僅有單純的活體檢測還不夠，還需要進行合同的視頻簽訂過程的保存，以及證據留存等。最最重要的是，既然已經有視頻認證了，就應該把個人肖像和身份證驗證以及對於借款人肖像類風控接入。比如，做黑名單和反欺詐，查一下照片的人是不是通緝黑名單一類的數據，這些數據很多廠商都有；視頻中的人和身份證必須是同一人；在視頻中同意授權查個人徵信報告，並進行確認。
風控之我見
如果應用與做大額和場景類風控，這些貸前反欺詐和驗證手段還遠遠不夠的，筆者根據這幾年的工作經驗，簡單總結了六類體系：反欺詐體系，信審體系、風險定價與評級體系、風控管理體系、風險等級評估及資產處置評估六大風控體系，用這六大體系來完整的描述我們做的風控管理工作。六大體系簡單介紹如下：
題外話：
筆者爲 ‘某錢包’實施的風控策略也是基於相類似的風控手段來實現的，從今年年初僅用三個月多的時間，‘某錢包’就成爲一個業內小黑馬，月放款額超過億元，運營近半年以來的逾期及壞賬數據表現優於同行。
再聊一毛錢的
自此，招行的閃電貸貸前風控策略已分析完了，我相信閃電貸應該還有很多內容，那麼我們來猜測一下招行做的這個閃電貸還會做些啥? 他會給客戶做畫像嗎？應該會，因爲他有銀行交易數據、人行徵信數據、信用卡相關數據，甚至水電煤氣電信電話的各種數據他都有。
而且會有幾百人的建模工程師在背後給用戶做評價模型。可能會選擇幾十幾百個甚至幾千幾萬個變量來建模，給用戶做定價、做風險模型，做行爲預測與分析。也有着幾百幾千人的貸後處置團隊，養着幾百家各種類型的廠商、三方數據商。筆者近十年前就職的軟件公司專爲銀行做信貸業務系統，所以大概知道給銀行打工的各個廠商們的樣子。
所以也能想象得出爲有那麼多的人爲銀行工作，而且這些人大多是白領和精英羣體。但是，銀行的東西拿出來就能用直接嗎？未必，反而用銀行的東西來做消費金融可能會水土不服，比如北京某銀消費金融公司，網上就爆出，不僅虧損近20億，還被罰款900萬。這個問題有可能是不應該用‘一套策略萬事通’的鴕鳥風控哲學法（當然了，也是其他願意所造成，據說加盟商的這個大坑也貢獻不少力量）。