互联网金融爆发式发展，2015年P2P的交易总额将会超过1万亿，将成为具有影响力的产业。下面为大家介绍互联网金融大数据应用。

互联网金融大数据应用

但是在P2P行业，其面对的风险也在加大，除了传统的信用风险，其外部欺诈风险正在成为一个主要风险。有的P2P公司统计过，带给P2P公司的最大外部风险不是借款人的坏账，而是犯罪集团的恶意欺诈。网络犯罪正在成为P2P公司面临的主要威胁之一，甚至在一些P2P公司，恶意欺诈产生的损失占整体坏账的60%。很多P2P公司将主要精力放在如何预防恶意方面。高风险客户识别和黑名单成为预防恶意欺诈的主要手段。移动大数据可以帮助互联网金融企业识别出欺诈用户和高风险用户

1用户居住地的辨别

线上的欺诈行为具有较高的隐蔽性，很难识别和侦测。P2P贷款用户很大一部分来源于线上，因此恶意欺诈事件发生在线上的风险远远大于线下。中国的很多数据处于封闭状态，P2P公司在客户真实信息验证方面面临较大的挑战。

移动大数据可以验证P2P客户的居住地点，例如某个客户在利用手机申请贷款时，填写自己居住地是上海。但是P2P企业依据其提供的手机设备信息，发现其过去三个月从来没有居住在上海，这个人提交的信息可能是假信息，发生恶意欺诈的风险较高。移动设备的位置信息可以辨识出设备持有人的居住地点，帮助P2P公司验证贷款申请人的居住地。

2用户工作地点的验证

借款用户的工作单位是用户还款能力的强相关信息，具有高薪工作的用户，其贷款信用违约率较低。这些客户成为很多贷款平台积极争取的客户，也是恶意欺诈团伙主要假冒的客户。

某个用户在申请贷款时，如果声明自己是工作在上海陆家嘴金融企业的高薪人士，其贷款审批会很快并且额度也会较高。但是P2P公司利用移动大数据，发现这个用户在过去的三个月里面，从来没有出现在陆家嘴，大多数时间在城乡结合处活动，那么这个用户恶意欺诈的可能性就较大。移动大数据可以帮助P2P公司在一定程度上来验证贷款用户真实工作地点，降低犯罪分子利用高薪工作进行恶意欺诈的风险。

3欺诈聚集地的识别

恶意欺诈往往具有团伙作案和集中作案的特点。犯罪团伙成员常常会在集中在一个临时地点，雇佣一些人，短时间内进行疯狂作案。

大多是情况下，多个贷款用户在同一个小区居住的概率较低，同时贷款的概率更低。如果P2P平台发现短短几天内，在同一个GPS经纬度，出现了大量贷款请求。并且用户信息很相似，申请者居住在偏远郊区，这些贷款请求的恶意欺诈可能性就较大。P2P公司可以将这些异常行为定义为高风险事件，利用其他的信息进一步识别和验证，降低恶意欺诈的风险。移动设备的位置信息可以帮助P2P公司，识别出出现在同一个经纬度的群体性恶意欺诈事件，降低不良贷款发生概率。

4 高风险贷款用户的识别

高风险客户也是P2P企业的一个风险。高风险客户定义比较广泛，除了信用风险，贷款人的身体健康情况也是一个重要参考。移动大数据的位置信息、安装的App类型、App使用习惯，在一定程度上反映了贷款用户的高风险行为。P2P企业可以利用移动设备的位置信息，了解过去3个月用户的行为轨迹。如果某个用户经常在半夜2点出现在酒吧等危险区域，并且经常有飙车行为，这个客户定义成高风险客户的概率就较高。

一些高风险客同时在不同平台借款，加大了贷款风险。TalkingData的App数据服务可以帮助企业了解客户何时下载了借款App，近期活跃使用的借款App，帮助P2P企业了解客户借款App使用情况，识别出多头贷款用户。

欺诈用户具有刻意隐藏自己行为的特点，用于欺诈的手机很少安装同生活相关的工具例如微信、淘宝、支付宝、邮箱等App，即使安装了也很少使用。借助于TalkingData的App数据服务，P2P企业刻意了解客户App安装和使用情况，识别出具有欺诈嫌疑的客户。

“互联网金融大数据应用”就为大家整理到这儿，有帮助到您吗?

相关推荐：

用大数据推进“智慧规划”

智慧物流时代到来 大数据提升效率