原标题：神奇的LBRM风控体：地理坐标决定你能借多少钱

你所处地理位置可能不仅仅决定你的肤色、口音、饮食习惯。随着Fintech的发展，地理位置还能决定你能从金融机构借到多少款。IT技能的成熟，让LBRM（Location Based Risk Management）体系成为金融机构判定用户风险水平的重要工具。

什么是LBRM风控体系？地理坐标决定你的贷款额度

随着Fintech近年来的飞速发展，各类IT技术，系统布置日臻成熟，Fintech公司的重心也进一步转移到了业务发展上。对于Fintech公司而言，大数据无疑是将金融与技术相互结合起来的重要工具之一，也是技术驱动发展的重要手段。

从客户的日常活动范围可以推断出客户所处的生活环境，消费物价，以及工作地点等等信息，无疑可以在一定程度上反应出客户的信贷能力。由此我们提出了LBRM（Location Based Risk Management）的理念，即基于位置信息的风险管理应用。

具体来看，地理位置信息主要包含两大特征：集（jìng）群（tài）与轨（dòng）迹（tài）。

集群特征：

早在远古时期人类便学会相互合作狩猎，形成大大小小的部落。而现代人不论是出于对基本生活设施，医疗卫生等物质方面的需求，亦或是对社交娱乐，择偶多样性等方面的精神需求，人类总会聚集到大大小小的城镇内。这种集群是现代社会自然而然地形成的，比之行政区域划分更有意义，比如上海右下角的南汇地区，不论从语言文化还是生活习俗等方面都与上海市区有很大的区别。

轨迹特征：

客户在不同时间的位置数据所展现出的日常活动范围以及移动轨迹，可以很好的反应出客户的工作，生活等方面的信息。比如上图的客户，我们结合获取位置信息的时间以及当地的建筑物信息，可以很快地判断出左边是客户的起居场所（多为晚上和早上获取到位置信息），而中间则是客户的工作地点（多为白天和下午），右上角则可能是客户下班后去采购建材了，右上角的建筑物是个建材市场。

基于位置信息这两大特质，通过位置信息可以很好地分析出客户真实的工作，生活等情况，从而在反欺诈，尤其是甄别中介包装，伪冒资料等方面有着得天独厚的优势。其次当出现一些地域性较强的信用风险事件时，也可以及时的做出风险策略调整。

从风险管理的全视角，位置信息也有非常重要的作用，如下表所示：

我们的LBRM策略实践初探：对地理区域进行风险画像

位置信息的获取主要有以下四种渠道：WIFI定位，IP地址，GPS定位以及运营商基站定位。下图所示为我们省呗客户在注册时的位置分布，可以明显的看到我们的客户主要集中在沿海地区，直辖市及各省省会，而这些地方也是我们省呗目标客群的聚集地。

数据基础：省呗APP遍布全国的海量用户

LBRM风控体系在省呗风险管理上的实践

实践一、对欺诈用户的识别

场景1：伪冒/中介包装（依据省呗真实案例改编）

随着互联网的普及，各种欺诈手段也不断流传开来，信用包装便是其中的一大类。好多人资信档案看着有房有车，收入稳定，其实只是各种信用包装，甚至是冒用他人资料。

上图为某信用包装公司的互联网小广告

伪冒、中介包装案例：客户张某某（局部放大图1号）今年8月来申请省呗，资信档案显示客户为某名校本科学历，户籍所在地为北方某城市，工作在上海，同时在上海还有套房贷，且各家征信机构的信用记录都良好。但定位则显示客户所在地为嘉兴，且几个紧密的联系人（局部放大图2-8号）也都在嘉兴，客户因出差而在嘉兴的概率较小。经系统预警，综合排查后确认为该客户伪冒客户。

场景2：网络中介（或称线上中介）代办（依据省呗真实案例改编）

遇到经济问题的客户往往会通过各种不同渠道寻找借款机会，尤其是涉及赌博，吸毒等违法行为的客户。其中通过线上中介进行借贷的客户，随着互联网的发展也在逐年递增。相比通过线下中介借贷的客户，此类客户往往逾期后难以收回贷款金额，还款意愿也就相对较低，相对风险也就越高。

在某宝上搜索小额贷款可以找到大量的中介

网络中介代办案例：客户华某某，在北京某地使用水果手机注册，注册完成后不久即在沈阳登陆，并申请贷款。首先，该客户短时间内位置变动过大，从北京到沈阳用了不到1小时。其次，申请所在地与客户资信所提供的住所地址不符合，且客户本人的手机归属地也在沈阳。第三，客户连续多次在沈阳地区申请贷款。各种迹象表明客户疑似为网上中介代办，贷中管制后确认为中介代办。

实践二、信用风险识别

上图为省呗在全国范围内收集整理的风险点

根据我们统计，全国高风险聚集点数量排名前三的分别为福建，江苏以及河南，如下图所示。这个结论与我们之前在风险管理上累积的经验所得也一致，相信广大风险从业人员也都知晓。

上图为全国三大高风险地区

有别于传统针对个人的客户画像，省呗的LBRM完善了各个区域的区域画像，并将不同地域划归到不同的风险层级。

上图为我们在华东地域的信用分区展示，其中不同颜色表示不同的信用等级

我们根据不同地区的实际风险表现结合当地可支配收入，最低工资等，将不同城市，不同区域划分为不同的风险等级。通过这种基于位置的打分结合申请人的其他资信情况，做出更加精确的信用评分。此外，我们还会根据一些特殊的事件调整相应区域的风险管控，例：东北特钢违约，微商管制等。

地理位置信息是互联网金融在基于大数据来进行风险管理过程新增的一个比较重要的数据变量。和其他风险变量一样，它也不是完全不能通过技术手段来做假，以蒙蔽大家的征信策略；但在结合了LBSRM及既有多个变量后，使得客户画像更趋真实、更趋完善，更让信用包装、作假者的马脚在大数据面前更容易现形。最后，套句我们风险人员常用的话来说，道高一尺魔高一丈，能否真正做到道比魔高，还是要靠自身在风险控制上的专注度和专业能力。

责任编辑：