OceanMind金融大数据解决方案

一方面企业可以充分利用自身存储的巨大体量的数据信息进行风险管控转型，将大数据技术运用于信贷业务风险预测等业务场景中，有效提高风险感知水平。另一方面可以积极整合工商注册信息、法院公告、信贷报告等外部数据以及企业网络流量、设备日志等DPI数据，通过打通客户线上线下行为的结构化、非结构化信息，打破数据边界，有效降低信息不对称风险，提升业务效率。

OceanMind金融大数据解决方案总体架构：

基于金融系统中客户基本信息、贷款协议信息、交易流水信息等数据，借助大数据技术建立设计逾期风险预警模型，有效降低逾期（不良）贷款的风险。将原来银行贷后风险管理以人为本变成以数据为本，将原来80%的人工经验判断加上20%的数据分析反过来，变成80%的数据分析和20%的人工判断。逾期（不良）贷款风险预警模型构建流程如下：

基于银行内部数据提取多维度特征数据，选取80%的样本用于构建模型，剩下20%用于验证模型。采用线性回归、Logistic回归、SVM、神经网络、决策树等机器学习的方法对客户进行初筛选，然后再通过网络/时间序列集成学习，获得更好的分类效果。进一步地，利用复杂网络方法和时间序列分析技术筛选数据。不断地迭代以上两个步骤，直到算法达到最优。将构建好的模型置于用于验证的20%样本数据中进行验证，达到预期目标值之后，即可将模型用于真实业务中进行检验。反复进行如上过程，不断调整算法优化模型。

借名贷款是指实际需求贷款人因各种原因不能正常程序在金融部门获得贷款，从而采取借他人名义在金融部门获取的贷款。存在的问题表现在化整为零、关联类大户，加大了信贷风险。这类贷款主要表现在借款主体与用款主体不一致，多人贷款一人使用，个人贷款单位使用，未按照贷款合同签订的用途使用资金，挪用贷款用途，甚至资金使单位叫本企业员工来贷款，由于经营不善，企业倒闭，银行找不到借款人，导致风险程度加大。

借名贷款一旦实际用款人丧失偿债能力，就会形成贷款风险，严重影响了银行发放小额信用贷款的积极性，甚至导致部分银行产生不同程度的“惧贷”心理。

OceanMind逾期（不良）贷款的预警主要有裸贷预警模型、结算量变化预警模型及交易量变化预警模型等，通过对预警企业各项命中率的分析，不断迭代调整优化算法模型直到算法达到最优。

裸贷预警是当前较为流行的不良预警方法。裸贷顾名思义，即为有贷款无存款的客户。但若将一个月末存款为0的客户视为裸贷客户，显然不够科学。参照各行标准，将裸贷客户定义为月均存贷款余额比小于0.05的客户。

以某一个自然月为基期，选择该月未有逾期和不良贷款，且结算量同比无锐减的对公客户(结算量同比较好的客户)，选取后两个月作为比较期，该批客户中发生业务量锐减(结算量同比相对较差的客户)的客户就是我们锁定的预警目标客户。

针对企业客户，以三个自然月为基期，选取三个月交易金额及交易笔数同比、环比指标，贷款总额及贷款余额与注册资本比率指标，及开户日期、客户年龄等参数进行建模，分析挖掘出可能出现逾期的目标客户。

精准营销的本质就是给合适的用户推荐合适的产品。对于银行不同业务的具体需求，精准营销所选取的数据源，算法，营销方式(辅助营销，自动化营销或其它)会有所差别。但从大的方向来看，一个通用的精准营销系统流程如下图所示，通过融合用户画像，产品画像，用户-产品的历史交易记录等等信息并通过机器学习方法而最终得到用户偏好不同产品的概率值。

简单地讲，用户画像是指通过对用户打一系列标签来准确描述用户。例如，我们可以通过年龄，性别，职业，婚姻状态，收入情况等等的基本属性标签来描述用户。另外，根据具体业务需求，我们也可以从数据中挖掘去与业务强相关的深层次的标签，例如用户类型，爱好，兴趣等等，从而给用户打上例如稳健型投资者，风险型投资者，科技产品发烧友，摄影爱好车，汽车爱好者，境外游爱好者等等标签。产品画像与用户画像类似，即通过一些标签来描述产品。把用户画像，产品画像以及用户与产品的历史交易记录作为机器学习模型的输入，最终我们会得到用户对每个产品的偏好，基于用户对产品的偏好，我们就可以实现精准营销。

OceanMind网络风险控制解决方案能够对实时网络数据进行深度协议报文解析，通过对解析结果运用大数据技术处理，实现网络流量分析、网络异常行为分析、网络故障分析、网络关键服务质量、用户内容审计及用户行为审计等网络风控业务，切实提升IT网络运行质量。其中任意业务均可通过一键式Plugin/Plugout方式实现快速部署和卸载，可实现对网络运行态势有一个全面的感知，全面有效控制网络风险，可动态自动生成网络运行状态基线，并对该基线实时刷新，实时、准确识别传统杀毒软件、漏扫软件、防火墙等风险控制系统不能够发现的问题。OceanMind网络风险控制解决方案总体架构：