金融的本质是经营风险，带着巨大的挑战。而大数据风控的本质就是丰富风控指标所涉及的数据维度，尽可能地解决信息不对称的问题，从而提高风控效率，解放人的重复劳动。由此可见，大数据风控是互联网金融不可或缺的存在，是让互联网金融发展“乘风破浪”的关键。

　　大数据风控可以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的被用于借款人风险评估，借款人的信用风险就被揭示得越充分，信用评分就会更加客观，越接近借款人实际风险。帝隆科技以深耕多年的风控经验，整理了大数据风控的九大维度。

　　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。

　　2、分析提交的信息来识别欺诈

　　线上申请时，申请人会按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。

　　3、分析客户线上申请行为来识别欺诈

　　风控可以借助于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。此外，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。

　　4、利用黑名单和灰名单识别风险

　　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。如支付清算协会风险共享系统、中国电子商务协会反欺诈系统等都是黑名单数据库。

　　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，金融机构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，另外可以根据设备安装的应用活跃来识别多头借贷风险。

　　6、利用消费记录来进行评分

　　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。

　　7、参考社会关系来评估信用情况

　　物以类聚，人以群分。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，他的朋友信用分也很低。

　　8、参考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;贷款用于家庭消费和教育的贷款人，其贷款违约率低;贷款次数多的人，其贷款违约率低于第一次贷款的人。

　　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。

　　帝隆大数据风控系统，基于大数据规则决策引擎搭建，可为客户独立部署，方便客户充分整合产业链内外优势数据，进行数据梳理分析，通过建模中心自主定制数据模型完成规则过滤、自动评分卡设计、额度定价设计、决策设计及综合风控报告输出，支持深度对接各类型业务系统如小贷系统、保理系统、电商系统、消费金融系统、网贷P2P系统、互联网小贷系统，为平台业务提供充分的数据支撑和决策依据。