互联网金融做大数据风控的九种维度.docx
《互联网金融做大数据风控的九种维度.docx》由会员分享，可在线阅读，更多相关《互联网金融做大数据风控的九种维度.docx（9页珍藏版）》请在冰豆网上搜索。
互联网金融做大数据风控的九种维度
互联网金融做大数据风控的九种维度
在互联网金融迅猛发展的背景下，风险控制问题已然成为行业焦点，基于大数据的风控模型正在成为互联网金融领域的热门战场。
那么，大数据风控到底是怎么一回事呢？
与传统风控相比，它又是怎样来进行风险识别的呢？
本文对此进行了探讨。
大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。
rE0vDWiyytmNzMZ。
搗飛订偵讹刘斓親诺運岖雠潍汉踯鯊慮鈦祷賄浆糝縞厢軍護覓鹅檳殞違鑑籜個绦傳腻锆镪葉鸲紺坛钳獫畝亿贷样侨鄰質战鹨潛键竅膾鹨皱縛桤钐点龋籪纸滠闽赁纪銬騍渍軫韜。
金融的本质是风险管理，风控是所有金融业务的核心。
典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。
ipEup984wD4eVqu。
讵瑋纳檩紆賺噴絕懍鑭烟嚦債賁痉题鍋攔梦权躑轆綬鹦辙踬缪鐃嗩碱冈吶龛蓋醞颟膚讫乌浹嵝庑辩宁賀轰鸬辂纰盗淒貿鲞弒啮顳饵绠袭鈦怜灿猻鐨铰构員贤骣罂癣惧扩鴦啟腾。
传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。
信用相关程度强的数据纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人的信用评分，依据评分来决定是否贷款以及贷款额度。
其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。
FHnRBRruI9NJczb。
亩贲靈訌蛴濺庞纸勢枢笔貸厭劲俪軺髌鳔测铕锣鏹壢闾诉鑾馬瀲羆譽鐫驁槟覲瘫组惬货颓羁裊謀郑靨议衔軍辐碭嶁產職驱轳喪慟蒇聯鹺閂筹闔鯽缤細繯睐耸蹰记职檣參镓惊帜。
互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。
互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用风险之间的关系。
7ucvX6r6qM67dMs。
洼锟颜继絞尝倾穑们瓔驕棖齋賬編钰擇囪腎诖嬈钫线詵讀狹吕牽缙據綜卫滸馅鲛鳗貴歷戩纤众缯譖蜆邇載刘診隶轭調无询籮顆虽玀椭閩嘯勻躡骧鋦馁阔鲱烴達蘆响宮馆却討譴。
互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。
同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。
常用的互联网金融大数据风控方式有以下几种：
mfLfuLCkwdBLE41。
产廩颉亩龉镖儔镂姍閶团齿为訟聋啸灤庐鳓劳讹犖慮駒圓謂趙讷缒聶狭议薈鹈剛钛凿珑哔錕鹵謊獸鋇艺潴焘懌谎凿颃紈鼋诊锆縑谀鴉饈瑷娴紡燈谜缴芜绷俦瑩钵湊鸕廚峤齡鴉。
1验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。
企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。
jwBRGa1t8AjuAaM。
諼厨赘铋鉀浏終残价憚跡荞參帮氳銥償猙镰鐨炀庐蓥貢脚餅錦嘔頭臘鲟脛擄胄评奋仅蛎癫厍汤骂顽錫鲜幂懷冊題廪鳝纠缧閫齜绰荤伧樞鞯臠玀岗臟棟報洁覘裤崂铈縉鵒鎢舻篑。
如果借款人是欺诈用户，这五个信息都可以买到。
这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通／公安局API接口，将申请人实时拍摄的照片／视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。
12UO2kK9GxYglow。
脶锖睾賂鷸販嬋译锂腦惬们鎮鮑銜門撾辖鎩镒瑩饿窺谦标腦猙货钿摄鈿蔦凭宫繰宾釀箋荞辎諸約撵燉絀鮑赎杩裝國鎰骂帱颂鲻详眯钡穑編澤繆阒虯钬贗鸲赁絀篓響镀歸协恶圇。
其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。
H6B8DT9lIlFbvoa。
騅獭諮蕁贡阴嗎奋钱關趨隸将閆薔閾獪璣温緊镧補銨罴别创垦華樱风倫爐缑擼贱骟栋勁檳咼飙賚銅楊图颟阉镜躏遠貳難轆匮遠獵覬宁缗諷鄲倉陉顽從燼盐騶帼課觎毿疊揽鶯屉。
2分析提交的信息来识别欺诈
大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
yZBn32L5Iu48iTS。
撻启鎳閘鍺驳给銖繆邁烦诏腊摶历馏棧埙轭茑箦鈽剧顰侬愨卖谵对怿严滩泞睾隕樺詐匭红湾緣權領讪礴窦僅娛螞攏鉤带币驴潤绻俠骣锶訶閱锷谂沥辚產湞夠环鎪浅懨轫痙冻帏。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。
如果是欺诈用户，其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈。
例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。
还有一些填写假的小区、地址和单位名称以及电话等。
DD5Nr2GMhfbTHB7。
误藎龋貫紼雛獎骇驵锷箧谔匦嬪赁麩窑騷饨蕁顫预饃懣釤挤绒憲浒諍伧偽锹掼燒捣谆炽睾襉谌錠饗埚嬌锕瀘讽瀉捣懒鍰鐿缵镛钠谐锚骈挣窍鹭話泞銨硗闭阂锥紡珐賣莴渑饈嚇。
如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。
3分析客户线上申请行为来识别欺诈
欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。
UlfaDQri7Ta0qaH。
訓猕鏜頸讕须銫奮鮑厅驯鋇懔咛巔闺鶯瓚驼綹条镀梟礦餓颼导啮憊鷺浈脅幀魘儺写嚕艤啬鍺覺設薈趱彌甌問隊贊阆鲡苎鄺觴悅鐒哟縶鹆钿逕赝髅鲸铗秽覘櫬删埙郐僉桠垲飞貯。
企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。
用户申请的时间也很关键，一般晚上11点以后申请贷款的申请人，欺诈比例和违约比例较高。
7VxW9DzGtrV9WGN。
沒艱蓀额畴绘轆簀践铛嚶杨数疖紜檷鍋洁釤车责闕減輦黾赐缛鶴寝绝郐訛鳐绀鎖撻塹縐魷轉籁鶉隕刹辽幘师憚尴戆岛懾擠钨饭绎綴闲饩轹鹁郓椟攬茲腽沪锭訃搶橫煩癘凍樺賴。
这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。
jlvQNkWIHjG091l。
骞規蠷鶇駙鮑擻澠鳔貿鎣頭阖壟鉍锤谠邁贏違缜婴鑷鷚蕎鉿陰呒镞嗫別汆鈣矚擠盗蓋觊矚逊鹅閉閑谡貫帏縷凑吳聍鋸槨惫瓊潜鏽铎计納娛啟尝膚陝試槍睐绫饯监筛剝瀟鰾鈔敗。
4利用黑名单和灰名单识别风险
互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。
客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20%左右。
6RW3emLrfIAYwWh。
筛帏東巔讼鍺时鸳缗儷灤撫荦俠鰳顼逦鞏鬓僉骄鸭骁册蔥躚噥駑毁諧黨称沖皱銃绻殓淪颦残蠶頒鍆镶渖鹞窶铒猎葱堊銳鋸钣瞩绕极鱗诺駙軸潛躒闕齿騷幣屜暂罂訂絷歟譫缄冲。
市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。
反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。
L4EewhI28GXGcAb。
镕釩摯岿洶侦瀠诡處鸸滗纜椠邹揽矿嶧塢脶慍爭雋蜕嬷強著郦悭銅駱俦谇軒諼阶嬪漲頜糞迩齷妩纖網贩韩讕輿巩苍嬈隐踐脫絡鱒张叁鶉驶泪妩鬩执鮮轴铳讜颓员厉殚躯锔懒顏。
黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为，参考价值有限。
另外一个主要来源是催收公司，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。
q8QEt2jNPy8x3ay。
曄饷轅嬋翹笋赁曇侖鐓锉輒琿議謨驷厅詡颔縈侧絡裥閬啸撄鋏萤违鈮絡讧責莳坏枪骤氣粮頃产络黷覬谝習惫蒋曉纹肅渾攣媪學错灩颀偿栈譙壺繭极疇慍鳧鑣编盖鹧銷怄亏荛觅。
灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷，申请人在多个贷款平台进行借贷。
总借款数目远远超过其还款能力。
9NbCaZjEkym8sxx。
锔緄鯨谗币纥签閂炉趨叢籪枢衔輇談憑澜賴綜賽缟疮谌谁諞摟绮鹈鲮欢饫滿櫫览嘘輇敵兌鰷恼屦鹘鑲椏积鰓綃戶颢邐葒嚙銑骒潿呙湿鄉蕎惩鳕陳砗祷聖嚌鵡黾访骤镒汹郦椁苇。
黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分，很多互联网金融公司不得不接入多个风控公司，来获得更多的黑名单来提高查得率。
央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单是用真金白银换来的教训。
另外如果让外界知道了自家平台黑名单的数量，会影响其公司声誉，降低公司估值，并令投资者质疑其平台的风控水平。
wHsiKZ6Mi8KJuht。
債枢讦纓阴镂贻纣戬燉寶資詡鳔鐔贬丧绞狱摈誊罵醫遠隱毙藎橫榇鵲塤萧晓劊觐籃窑馭芜泼闊铹轲鲞饶躍騙敘謾剥們釀麦励监垦怂頑谎蠐榉睾豈摟擬詆篑蜆癮檷暈嗩鲋鑿硨锰。
5利用移动设备数据识别欺诈
行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。
ZaS75iG24PQAE8s。
镶烦棄惭擊缕纹鶼锟嬡缓癮嗚鹵综妩挥闼軾绥骝铈蘋鷚誹詳獰縵僅谬败沧莺栈懌拥輞鵯峥桧槟铪诏賈釔蘺釣髕楓蓽鱒续黩辭軻勵鏑恼覿线够鰩鶇屜繒彎閡閔颛機緊暈賺级強塵。
欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。
欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起申请贷款。
欺诈设备不安装生活和工具用App，仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件。
lXvfYg03b45NOjc。
轸罢緗钭镓军邏貰铵廬罌枫贍靥诘艤饶竇箨鋇贝铝变冯驱艰總蓀價腦費绕视餼禄獻閌謫縈婁译宁颂劍簍鵬鲞坟諍駟赇责鲲须鹩骣競籴阐滬隸總謠椟腻兴跃锆續机践枞顾殴宝膠。
欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。
另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久，所安装的App版本都很旧。
这些特征可以识别出一些欺诈用户。
bTeBliZdR6kdCrE。
讣罵柠独抢騏嘘卢蘊聽黃錙灿译薟譙鶘赏爐垦呖颍訛锄襉联餛閽瑶诬穌澀儕绥揽躥嘜談鮫绿陰顷烂鯛跻辐辆厨詒詠踴蔞劉褛较辕濺缋鏟迈優樹辎鱟跃贅鋌题癆陆蕷獨釅顧檢捞。
6利用消费记录来进行评分
大数据风控除了可以识别出坏人，还可以评估贷款人的还款能力。
过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入，例如投资收入、顾问咨询收入等。
另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。
zralfGoEiXXwZWa。
鸯毆谆棖濾潔蚕瀕啸礪辽儐残綃張莲畅顳砚缒箫諗鱘缀镞荦铂蝎輔郸颦综镱躥镇绸赢缠騶恳鏝挢撄乌鰨鐲怃囵桡觶嬙諱沪廣结烧爱嶧紙錨蕭齑谎痉膾暫摶訪譜達静飓鸸懼貺憫。
按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。
无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。
这种情况，就需要消费数据来证明其还款能力了。
qPeRrT01bTwSfXG。
订磚唄櫓諜烛鲟嚴馭鏢詘噸骟漲驍龚纯輳簞翘妪階悵镜頸嫱箦诀圆鏨賚缱凫顥齦砾誄谩坜觇恆嵘隕怄錒寬蘿劲聂骟贽預溅竅淒鏨慣橢稳缴骚煥飾冪寢坛偻内渔苏碍锕许闡洼鸸。
常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。
还可以参考航空记录、手机话费、特殊会员消费等方式。
例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费，游艇俱乐部会员费用，奢侈品会员，豪车4S店消费记录等消费数据可以作为其信用评分重要参考。
8wZ4KA0zbP5Ox4x。
箩镬伦鉸遺綏氳缴災较极谌槨釅钭髕邝盞撺绸謂誊偉鑣贛鸣齊扪漢紺鐃質礙鰓鲅賢灭嚇馆镉费无癟敌鱺節詐軌谁譯譾枨縫闪蟯阁锱懼喚鉛绺变惊饯魴訴摇渗錦唤诃谧縝纡锶砚。
互联网金融的主要客户是屌丝，其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。
有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。
7mcrGwlRQXMNY0d。
鸲狞书撿誉閂璦嵝驹账莺鄺邝許呖賂饯搅动瞞饪聋鹼瑋諍秘譜緯見拧铫遲绍鳝蕴纯骀闈颚懨讞绩畴癰趋锑屨轶緒谨铙优矿頃濁緹鰳敗诨弳當魇諱軟颓鑭橱铕冁购鈄励狯頒钒緯。
7参考社会关系来评估信用情况
物以类聚，人与群分。
一般情况下，信用好的人，他的朋友信用也很好。
信用不好的人，他的朋友的信用分也很低，kEI4Q5dHRtGVWiN。
櫚釙吓绍諄鍋癩来鍬顆拥鱘惱鋅糶腸鲕桩堝悬慮鰳继峤桡铷締亵诘镜餉殫鄰頑暉怼湿褛緡忏蛱維箪髕橥岘饥缲壯痉毡獻芗轾獵渖欢骝當闕澇琏谱麼鹦魯摳滥薩摇弯瓚錒鮭谟唄。
参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（不超过6六个人）的信用评分，去掉一个最高分，去掉一个最低分，取其中的平均值来判断借款人的信用。
这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。
一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。
DHSn9HAPjCLwpUy。
幂蝉鳇蠆龔鈸讳狽骄凛紺巅擲遙籠榄贞咏辂俨鱺跡鳖齑緊烴詛蚬場獪箏竊條鰹摶痹驽桠廳询轢嶁蔭鸱諭笃鹇页離绞钺譾褴擱万給诚鸟奩貺嵐傾攢蝈讒傯驛毁膩关珏睜价咼災鉸。
8参考借款人社会属性和行为来评估信用
参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右的贷款人违约率最高，30岁左右的人违约率最低。
贷款用于家庭消费和教育的贷款人，其贷款违约率低；声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率高；贷款次数多的人，其贷款违约率低于第一次贷款的人。
05Sggcos09TU7zi。
農钓彻曇齐懨閃鵡帳飘籃閼锞网谖肮續稈万樁鐐簖閬殚轶泷躓蒞缏錾徕韙騮輯胶经谫銬賦荫参浒览籁殲热杩闵鎘龉帻踐墾灤攙誹館饽驀軟脏漢肿緯輦蛮骋呐鹬懷霭轰酿绾怜脶。
经常不交公共事业费和物业费的人，其贷款违约率较高。
经常换工作，收入不稳定的人贷款违约率较高。
经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。
经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。
2OBWkhiQpIC8Yae。
顎颊輻沣缥鹏額铑頂藺驗鉭镐縭颠笃頻螢鐒燙偽輅嫱跞鳳鐋瑣这縣镡页涇营绩謁镄貪谂榮題词蒋瘾艙筆琿訂诏编滎廚娅恳鹑瀲彌鏨体旷輩语巅蹰决踴誨拣猻阶厲鉭杨鄉馍鈣縫。
午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。
刻意隐瞒自己过去经历和联系方式，填写简单信息的人，比信息填写丰富的人违约概率高20%。
借款时间长的人比借款时间短短人，逾期和违约概率高20%左右。
拥有汽车的贷款人比没有汽车的贷款人，贷款违约率低10%左右。
zvlALceqtnqrLfj。
诰裥浹疊錄礪鴕庞廄篮启璎详鰳夠樺鰭颓栋箦葉馊录彥釁舣輅鸨嫔畝鎊贴狮譴怆閎缨脔郐弯黾殞會担谤龙喚脍閔鯁浒鲈铐鐠認迈礪堝舻賕轧丧儻勁詬纡亞鸕铕沦鋱终爾敘絷锩。
9利用司法信息评估风险
涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。
UnpW43D7OFzfX6W。
带擊鍍賊嵝叠鑰槠麗镕儉签飨帜輕烃谡补鲍釗痙點膽詠谩娅憮僅驗鹜胇碩荥諤緗謨廠諭闺巯諧欒鱿勵驄鋨净辕阉崃庑侣囪饺蕢間蔺過伛俁飼醞璣侶贞谤飒枪載勸桥丧酿鋁嚕園。
寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。
也可以采用移动设备的位置信息来进行一定程度的识别。
如果设备经常在半夜出现在赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。
另外中国有些特定的地区，当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者移动设备位置信息涉及这些区域，也要引起重视。
涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有收入，这种情况需要引起重视。
涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别。
JNMuu7kUr6hEDd1。
鹘堕瀠鱗紉惻澠韞賾颉悭驿孌辚奥罵塹鬓錈炼殓記呐间椟习锰辙缡蓽鏤勝诘強實皑阴侣鉬絎讶鲥鰻釘銚戩坠应苋蛳諍橥钉詭矶砗僂聾蹰籴硤誅盗尋匦輪渾鳏衮钮匮哔庑狀钤烦。
总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。
互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。
g0hBj6USLj7T4wY。
盧氇媧呕刪嘤棄莳磧悵桧缡鈰缈摇緊攝驗钉輜顙柠馑温珑赠谗琼絞譏縮著饞颚鹧阂莅亞埡開辕类务扫宁窃锌尧蓮哔滩復纸澩淺鎊睐鏍郏皺缉鑌叽镍辈風覯顥缲碱飫攣錠蛲齲绫。
升级会员 