大数据在互联网金融企业风险控制中应用研究
摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第12-18页 |
1.1 研究背景与意义 | 第12-13页 |
1.1.1 研究背景 | 第12-13页 |
1.1.2 研究意义 | 第13页 |
1.2 研究目的与方法 | 第13-15页 |
1.2.1 研究目的 | 第13页 |
1.2.2 研究方法 | 第13-14页 |
1.2.3 研究技术路线 | 第14-15页 |
1.3 本文研究主要内容 | 第15-16页 |
1.4 本文的主要创新点 | 第16-18页 |
第二章 大数据风控和互联网金融的相关理论基础 | 第18-28页 |
2.1 大数据概念及内涵 | 第18-19页 |
2.2 互联网金融概念及内涵 | 第19页 |
2.3 互联网金融企业风险 | 第19-21页 |
2.4 大数据消金信用评分卡模型 | 第21-22页 |
2.5 国外发展现状研究 | 第22-25页 |
2.5.1 美国大数据信用评分发展现状 | 第22页 |
2.5.2 欧洲大数据信用评分发展现状 | 第22-23页 |
2.5.3 亚洲大数据信用评分发展现状 | 第23-25页 |
2.6 国内发展现状研究 | 第25-28页 |
2.6.1 中国的大数据信用评分发展经历 | 第25-26页 |
2.6.2 中国大数据信用评分评级的对象 | 第26页 |
2.6.3 中国大数据信用评分面临的困难 | 第26-28页 |
第三章 大数据在信贷风控全流程的应用 | 第28-34页 |
3.1 信贷风控流程 | 第28页 |
3.2 大数据在信贷流程环节中应用 | 第28-31页 |
3.2.1 申请环节大数据应用 | 第28-29页 |
3.2.2 审批环节大数据应用 | 第29页 |
3.2.3 确认额度环节大数据应用 | 第29页 |
3.2.4 放款环节大数据应用 | 第29-30页 |
3.2.5 贷中客户管理环节的大数据应用 | 第30页 |
3.2.6 贷后逾期催收与转卖环节大数据应用 | 第30-31页 |
3.3 风控各流程节点信用评分卡模型 | 第31-34页 |
3.3.1 申请环节评分卡A卡 | 第32页 |
3.3.2 审批环节评分卡F卡 | 第32-33页 |
3.3.3 贷中客户管理信用评分卡B卡 | 第33页 |
3.3.4 贷后不良资产催收评分卡C卡 | 第33-34页 |
第四章 M公司大数据风控应用案例介绍 | 第34-66页 |
4.1 M公司简介和战略定位 | 第34页 |
4.2 M公司主营业务风险 | 第34-37页 |
4.2.1 房屋抵质押贷款风险 | 第34-36页 |
4.2.2 汽车抵质押贷款风险 | 第36-37页 |
4.2.3 个人信用贷款风险 | 第37页 |
4.3 M公司风控政策 | 第37-39页 |
4.3.1 借款人资格 | 第37-38页 |
4.3.2 借款人应提供的资料 | 第38页 |
4.3.3 尽职调查 | 第38页 |
4.3.4 贷款抵押特定资料 | 第38-39页 |
4.3.5 借款金额 | 第39页 |
4.4 M公司信贷风控流程 | 第39-41页 |
4.4.1 贷前风控流程 | 第40-41页 |
4.4.2 贷中风控流程 | 第41页 |
4.4.3 贷后风控流程 | 第41页 |
4.5 M公司风险控制信用评分表 | 第41-44页 |
4.5.1 信用评分表设计概要 | 第41页 |
4.5.2 M公司信用评分表 | 第41-44页 |
4.6 基于信用评分的大数据风控平台 | 第44-64页 |
4.6.1 大数据平台信用评分风控数据源 | 第45页 |
4.6.2 M公司信用评分卡建模步骤和流程 | 第45-47页 |
4.6.3 M公司的信用评分卡模型介绍 | 第47-49页 |
4.6.4 申请评分卡模型验证与分析 | 第49-64页 |
4.7 大数据给M公司带来的提升 | 第64-66页 |
4.7.1 支撑集团战略落地 | 第64页 |
4.7.2 风控审批效率更便捷 | 第64-65页 |
4.7.3 反欺诈能力大幅提升 | 第65页 |
4.7.4 营销更精准和客服更智能 | 第65-66页 |
第五章 结论与展望 | 第66-67页 |
5.1 研究结论 | 第66页 |
5.2 研究展望 | 第66-67页 |
参考文献 | 第67-69页 |
致谢 | 第69页 |