序号

产品组

产品描述

出参

分项费率

1

组1

认证居民身份证的姓名、身份证号是否匹配

认证结果码

2

核查用户手机号、证件号、姓名是否匹配

手机号、证件号、姓名核验匹配情况；
运营商标识

3

核查手机号在网时长

手机号在网时长；
运营商标识

4

核查手机号的状态

手机号状态；
运营商标识

5

根据用户三要素信息，返回反欺诈评分结果和风险类型，包括资料伪造包装、涉黄涉恐行为、资料仿冒行为、营销活动欺诈、线上养号小号等风险类型

评分结果；
风险类型

6

组2

评估个体近7/15天、1/3/6/12个月的多次申请信贷情况

类似出参字段：
按身份证号查询，近7天申请线上小额现金贷的次数；
按身份证号查询，近7天申请汽车金融的机构数；
按手机号查询，近3个月申请线下现金分期的机构数

7

反欺诈规则，分析个体多次申请信贷的情况，并计量风险程度

反欺诈-借贷意向验证最终评分

8

利用大数据计算、机器学习等算法构建知识图谱，归纳统计不同节点的特征表现，分析不同节点间的逻辑层次，预测申请用户与欺诈团伙特性之间的关系

欺诈团伙等级；
欺诈团伙群组规模

9

反欺诈规则，分析用户团伙欺诈行为情况，并计量风险程度

反欺诈-团伙欺诈排查最终评分

10

通过对自有业务积累数据进行加工处理与分析，综合用户多维度的借贷行为、还款意愿、还款能力特征等相关数据，利用机器学习算法生成评分数据数值越大，压力越大

偿债压力指数

11

反欺诈规则，分析用户本人当前偿债压力指数的情况，并计量风险程度

反欺诈-偿债压力指数最终评分

12

通过对客户申请信息进行分析及评估，来判断客户风险

申请信息行为

13

反欺诈规则，评估用户申请信息情况，并计量风险程度

反欺诈-申请信息评估最终评分

14

以自有业务数据为基础，通过量化分析等方式，对key值（身份证号、手机号、姓名）进行业务维度的区分，对每个key值的业务特征进行预测如：通过身份证号查询法院失信人、通过身份证号查询非银-持牌消费金融高风险、通过手机号查询非银-持牌融资租赁拒绝距今时间等

类似出参字段：
通过身份证号查询非银(含全部非银类型)拒绝；
通过其他手机号查询非银-持牌汽车金融拒绝；
通过其他手机号查询非银-持牌汽车金融中风险距今时间

15

特殊名单验证反欺诈规则

反欺诈-特殊名单验证最终评分

16

针对汽车金融领域的反欺诈，预测反欺诈风险得分

反欺诈-汽车金融评分

17

返回消费能力等级，等级越高代表消费能力越强

数据消费能力等级

18

组3

计算得到目标人员的违约概率，映射为分数，识别目标人员的综合欺诈风险。

最终评分

19

识别目标人员的偿债能力

最终评分

20

通过模型计算,用于预测被查询人申请需求度的信用风险情况。

最终评分

21

组4

从裁判文书、执行公告、失信公告、开庭公告、法院公告、案件流程、曝光台的维度对查询人的司法诉讼行为进行分析

按照不同维度出参每个维度的具体信息及汇总信息

22

根据用户信息，输出近3/7/15天，近1/3/6/12个月通过各个机构类型的申请的次数、业务线数量及相关衍生信息

类似出参字段：
身份证号查询，近3天通过银行周末申请的次数；
手机号查询，近15天通过非银-持牌信托申请的业务线数量；
手机号查询，近1个月通过银行夜间（01：00-06：00）申请的业务线数量

23

通过量化分析方法，识别被查询人在社交、消费、设备、阅读等底层特征的信用风险等级，用于预测被查询人未来一段时间内的信用风险情况，返回评分

风险谱_通用客群评分

24

通过量化分析方法，识别被查询人在汽车金融、资产、社交、消费底层特征的信用风险等级，预测被查询人未来一段时间内的信用风险情况，返回评分

汽车金融信用评分

25

根据被查询人在出行场景中的关系网络、付款交易行为，结合用户画像，对客户信用风险进行量化分析，提供客户升级版本出行评分

出行信用评分

26

组5

查询用户近1/3/6/12个月风险类分数、财富水平、行为偏好、取现等维度信息

持卡人支付消费维度的不同参数：
近3个月取现总力度；
近1个月午夜取现交易力度；
近2年是否有购房类交易

27

组6

申请人多头借贷数据，通过手机号和身份证号进行查询，查看不同时间切片下的命中次数和命中机构数

手机号、身份证号查询，不同时间切片下在不同类型机构的查询次数，以及查询通过和拒绝情况

28

车辆多头借贷数据，通过VIN码进行查询，查看不同时间切片下的命中次数和命中机构数

车架号查询，不同时间切片下在不同类型机构的查询次数，以及查询通过和拒绝情况

29

申请人及关联人汽车行业技能标签识别，获取申请人与与汽车行业人员技能关联信息

申请人/关系人汽车行业技能标签命中情况，如贷后催收技能、汽车抵押技能、汽车交易技能

30

车辆与汽车行业人员技能标签关联识别，获取车辆与与汽车行业人员技能关联信息

申请车辆不同时间切片下，与拥有汽车行业技能标签人员关联情况，如与贷后催收技能、汽车抵押技能、汽车交易技能人员关联情况

31

组7

融合汽车人群行为特征等变量，实时评估汽车信贷信用风险

反欺诈汽车金融评分

32

基于深度神经网络预训练的通用渠道欺诈风险量化引擎，精准量化违约风险及潜在损失强度

通用客群评分

33

通过迁移学习技术动态适配多业务场景，整合多元数据源输出可解释信用评级，对客户信用风险进行量化分析，提升场景化风控部署效率

场景信用分

36

通过手机号识别用户的特殊行为特征（如欺诈/信用风险等），返回多维度评分或等级

高危风险等级；
高危风险分数

34

组8

基于银商收单支付数据构建，包含持持卡属性特征、各行业核验的频度、交易的活跃度、失败成功交易的金额次数等维度根据消金小贷行业的客群样本研发的评分通用版本

持卡人通用评分

35

基于银联底层日交易流水数据构建申请活跃度、收入和消费水平、历史还款表现等支付行为特征，结合信贷还款表现研发的贷前申请评分通用版本、低利率版本和高利率等申请评分模型，以及贷中行为评分

持卡人履约风险评分；
各维度风险指标

37

组9

通过对各类型欺诈特征的识别，帮助机构在欺诈排除、贷前授信环节，精准识别欺诈客群，有效提升欺诈客群拦截能力

最终评分

38

针对不同类型金融机构的客群，采用最新且最有效的底层数据，为风控审批决策提供性能优异、稳定可靠的量化评估支持，提供更好的平衡风险和收益

最终评分

39

汽车金融场景，评估个体借贷风险等级及近1、3、7、15、30天的多次申请情况

业务风险等级；
履约风险等级；
各申请场景次数标签

40

图谱信息特征关联

类似出参字段：
按身份证号查询，预测验真通过的手机号的个数；
按身份证号查询，预测维度4的手机号的个数；
按身份证号查询，预测关联的节点中有高风险标签的个数

41

通用评分产品，通过整合数据构建有效性、解释性强的特征信息形成指数集，为金融机构提供客户风险预测，分数越高，风险越高，客户逾期概率越高

各常规标签评分：生活稳定性、关联异常、风险哨兵等

42

通用评分产品，通过整合数据构建有效性、解释性强的特征信息形成指数集，为金融机构提供客户风险预测，分数越高，风险越高，客户逾期概率越高。

各优质标签评分：趋势异常、关联异常、履约意愿等

43

针对汽车金融领域主机厂的的反欺诈评分

最终规则评分

44

组10

对个体进行多维度行为特征穿透与分析，输出精准的欺诈风险等级评分，有效洞悉与预判其在泛金融及互联网场景下的潜在欺诈意图与行为概率，识别被查询人欺诈风险等级

最终评分

45

识别高风险个体，同时最大程度保障低风险用户的顺畅通过，识别被查询人欺诈风险等级

最终评分

46

对用户中长期时间序列下的申贷轨迹进行挖掘与模式识别，量化评估在多家机构间的共债风险与信用履约压力，识别被查询人欺诈风险等级

各标签评分

47

为全量模型、覆盖有征信人群，无征信人群，预测未来12个月逾期>=60天的坏账风险，间接覆盖首三期逾期风险

最终评分