97国产精品视频|欧美国产偷国产精品三区|在线欧美成人网站网址|亚洲在线色情日本无码视频网|高潮喷水在线日韩精品操|真真操逼视频国产免费啪啪片|超大波少妇欧美亚洲精品日韩一区|久久视频精品91午夜视频|亚洲无码成人动漫精品一区二区|中文字幕久久成人

個人信用評價類數(shù)據(jù)報價表廠商名稱：注：1請在F列和G列下拉選擇費(fèi)用結(jié)算模式。2F列填否時G-I列不用填寫。F列填是時，請?zhí)顚慓-I列。其中，G列為模式1時，只需填寫H列；G列為模式2時，填寫H、I列。序號數(shù)據(jù)產(chǎn)品類別數(shù)據(jù)產(chǎn)品名稱數(shù)據(jù)產(chǎn)品功能描述預(yù)計每年使用量（萬次）是否能提供該項(xiàng)數(shù)據(jù)產(chǎn)品（是/否）費(fèi)用結(jié)算模式（模式1：按使用量計費(fèi)，據(jù)實(shí)結(jié)算模式2：按使用量計費(fèi)，設(shè)置封頂價）單價（元/次）封頂價格（萬元/年）備注=COUNT($A$2:A4)+1行為類YYS-手機(jī)在網(wǎng)時長獲取手機(jī)在網(wǎng)時長，用于貸前輔助判斷。15252885是模式2：按使用量計費(fèi)，設(shè)置封頂價xxxx=COUNT($A$2:A5)+1行為類BR-借貸意向驗(yàn)證評估個體近7/15天、過去第1-12個月的多次申請信貸情況。9741285是模式1：按使用量計費(fèi)，據(jù)實(shí)結(jié)算xx=COUNT($A$2:A6)+1行為類PD-借貸申請行為(標(biāo)準(zhǔn)版)-多頭共債展示近3、7、15天及近1、3、6、12個月，用戶在各個機(jī)構(gòu)類型的申請次數(shù)、業(yè)務(wù)線數(shù)量及相關(guān)衍生信息。95715=COUNT($A$2:A7)+1行為類BR-團(tuán)伙欺詐排查團(tuán)伙欺詐排查是指公司通過利用大數(shù)據(jù)計算、機(jī)器學(xué)習(xí)等算法構(gòu)建知識圖譜，歸納統(tǒng)計不同節(jié)點(diǎn)的特征表現(xiàn)，分析不同節(jié)點(diǎn)間的邏輯層次，預(yù)測申請用戶與欺詐團(tuán)伙特性之間的關(guān)系。5455185=COUNT($A$2:A8)+1行為類BR-穩(wěn)定性指數(shù)該產(chǎn)品是基于公司業(yè)務(wù)積累的衍生數(shù)據(jù)，通過分析用戶的申請信息，對用戶的申請行為進(jìn)行關(guān)聯(lián)性與一致性核驗(yàn)，分析用戶行為特征，預(yù)測用戶的穩(wěn)定性。225=COUNT($A$2:A9)+1行為類BR-借貸風(fēng)險勘測產(chǎn)品輸出曾經(jīng)在高風(fēng)險機(jī)構(gòu)有過申請行為的借款人在近7/15天、近1/3/6/12個月的借貸情況。其中，高風(fēng)險機(jī)構(gòu)的定義為貸款利率相對較高的機(jī)構(gòu)，用于貸前輔助判斷。178056=COUNT($A$2:A10)+1行為類YL-定制標(biāo)簽輸出客戶多維度消費(fèi)賬戶行為情況，如理財、保險類產(chǎn)品購買情況、交易平臺數(shù)等。15=COUNT($A$2:A11)+1行為類BR-高風(fēng)險借貸意向驗(yàn)證預(yù)測曾在高風(fēng)險機(jī)構(gòu)有過申請行為的借款人在7/15天、1/3/6/12個月借貸情況。811545=COUNT($A$2:A12)+1行為類YYS-手機(jī)近6個月平均賬單金額輸出手機(jī)號賬單金額分級類型795=COUNT($A$2:A13)+1行為類YYS-手機(jī)近3個月平均賬單金額手機(jī)近3個月平均賬單金額查詢3585=COUNT($A$2:A14)+1行為類YYS-失聯(lián)修復(fù)信貸用戶的失聯(lián)修復(fù)3195=COUNT($A$2:A15)+1行為類BR-申請信息評估通過對客戶申請信息進(jìn)行分析及評估，來判斷客戶風(fēng)險。223305=COUNT($A$2:A16)+1行為類HN-履約指數(shù)該產(chǎn)品基于三方支付數(shù)據(jù)，用于評估用戶近期是否正常履約；適用于信貸業(yè)務(wù)的貸前審批環(huán)節(jié)；建議注重策略評估時使用，關(guān)鍵評估指標(biāo)：擊中率、拒絕率、風(fēng)險提升度等。21=COUNT($A$2:A17)+1行為類YZX-畫像標(biāo)簽基于用戶設(shè)備行為，包括不同APP類別的安裝卸載活躍等信息，從個人屬性、社會屬性、資產(chǎn)配置、金融偏好、消費(fèi)偏好、行為偏好、風(fēng)險評估、穩(wěn)定程度等維度構(gòu)建的畫像標(biāo)簽。15=COUNT($A$2:A18)+1行為類BR-借貸行為驗(yàn)證預(yù)測用戶的借貸行為情況，對用戶在不同時間內(nèi)在不同類型機(jī)構(gòu)的核準(zhǔn)機(jī)構(gòu)數(shù)量及核準(zhǔn)等級進(jìn)行預(yù)測。15=COUNT($A$2:A19)+1行為類DXM-多頭通過對互聯(lián)網(wǎng)行為數(shù)據(jù)的深度挖掘，輸出近7天/1/3/6/12個月/3年的互聯(lián)網(wǎng)信貸傾向行為次數(shù)、機(jī)構(gòu)數(shù)，活躍天數(shù)和還款情況，預(yù)測評估用戶在各個時間周期下信貸情況。15=COUNT($A$2:A20)+1行為類XC-電商黑名單根據(jù)用戶在電商場景下的異常消費(fèi)習(xí)慣和消費(fèi)行為，如異常投訴、打假訛詐、超頻退貨、刷單等行為特征，結(jié)合用戶在金融場景下的詐騙和逾期行為，充分運(yùn)用統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等手段，挖掘金融欺詐和逾期用戶在電商場景下的消費(fèi)行為和特征。15=COUNT($A$2:A21)+1行為類YYS-運(yùn)營商消費(fèi)標(biāo)簽基礎(chǔ)信息、消費(fèi)信息、位置信息、交往圈類、通訊行為等。15=COUNT($A$2:A22)+1核驗(yàn)類YYS-手機(jī)三要素獲取手機(jī)三要素核驗(yàn)結(jié)果，用于柜面業(yè)務(wù)及貸前輔助判斷。60395505=COUNT($A$2:A23)+1核驗(yàn)類GA-二要素認(rèn)證獲取公安二要素（姓名、身份證）核驗(yàn)結(jié)果，用于柜面業(yè)務(wù)、貸前輔助判斷等場景。9581445=COUNT($A$2:A24)+1核驗(yàn)類YYS-手機(jī)在網(wǎng)狀態(tài)獲取手機(jī)號狀態(tài)，用于貸前輔助判斷。805896=COUNT($A$2:A25)+1核驗(yàn)類YYS-手機(jī)號碼歸屬地獲取手機(jī)號碼歸屬省市判斷，用于貸前輔助判斷。34695=COUNT($A$2:A26)+1核驗(yàn)類GA-二要素及人像認(rèn)證核實(shí)姓名、身份證號、人像是否一致。2301435=COUNT($A$2:A27)+1核驗(yàn)類YYS-手機(jī)二要素身份證手機(jī)號二要素驗(yàn)證/姓名手機(jī)號二要素驗(yàn)證1338=COUNT($A$2:A28)+1核驗(yàn)類TD-人址核驗(yàn)結(jié)合運(yùn)單數(shù)據(jù)，輸入手機(jī)號+地址，校驗(yàn)個人聯(lián)系方式產(chǎn)品介紹與地址的關(guān)聯(lián)性，查詢一致性（妥投）記錄。795=COUNT($A$2:A29)+1核驗(yàn)類GA-四要素認(rèn)證獲取公安四要素（姓名、身份證、有效期）核驗(yàn)結(jié)果，用于柜面業(yè)務(wù)、貸前輔助判斷等場景。15=COUNT($A$2:A30)+1核驗(yàn)類BD-金融交易置信服務(wù)將輸入地址與百度畫像地址挖掘的常駐點(diǎn)數(shù)據(jù)進(jìn)行比對，按距離差分值+置信度(0-100)輸出驗(yàn)證結(jié)果。15=COUNT($A$2:A31)+1核驗(yàn)類YZX-地址核驗(yàn)利用模型加工得到的家庭地、工作地判斷。15=COUNT($A$2:A32)+1畫像類TX-行業(yè)風(fēng)險評估多頭產(chǎn)品，結(jié)合數(shù)據(jù)源20多年黑產(chǎn)攻防經(jīng)驗(yàn)，從設(shè)備、賬號、欺詐、關(guān)聯(lián)、拆借、逾期六個維度來識別風(fēng)險，解決各個場景中欺詐風(fēng)險。4731=COUNT($A$2:A33)+1畫像類BH-涉訴風(fēng)險信息查詢基于司法數(shù)據(jù)的風(fēng)險信號類產(chǎn)品，包括案件信息和對應(yīng)的風(fēng)險信號等級。4145985=COUNT($A$2:A34)+1畫像類TD-自定義指標(biāo)包基于同盾豐富的多頭衍生指標(biāo)，滿足金融機(jī)構(gòu)針對多頭共債風(fēng)險的策略定制和模型定制需求（定制產(chǎn)品）。33555=COUNT($A$2:A35)+1畫像類YZX-設(shè)備綜合畫像輸出對應(yīng)手機(jī)號的常駐城市標(biāo)簽1203=COUNT($A$2:A36)+1畫像類TD-IP畫像同盾IP畫像基于IP層面，提供多維度的IP風(fēng)險信息，包括IP地理定位、IP類型判斷，威脅情報、代理檢測等。同時從IP維度去關(guān)聯(lián)歷史風(fēng)險異動，從IP維度識別潛在欺詐風(fēng)險。118197=COUNT($A$2:A37)+1畫像類AL-企業(yè)任職畫像獲取自然人在企業(yè)的投資任職情況，用于貸前輔助判斷及人員排查。110154=COUNT($A$2:A38)+1畫像類TD-物流綜合畫像通過訂單行為、地址變化及平臺偏好等維度評估用戶風(fēng)險資質(zhì)（圍繞基本信息、物流行為、業(yè)務(wù)規(guī)模、地址穩(wěn)定性、用戶活躍度輸出160+指標(biāo)畫像）795=COUNT($A$2:A39)+1畫像類BR-收入指數(shù)分析通過對業(yè)務(wù)積累數(shù)據(jù)進(jìn)行加工處理與分析，綜合用戶多維度行為特征預(yù)測數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法生成的評分，分值越大，用戶價值越高。742815=COUNT($A$2:A40)+1畫像類BH-反欺詐畫像根據(jù)用戶三要素信息，查詢其多維度反欺詐行為標(biāo)簽情況。506625=COUNT($A$2:A41)+1畫像類TD-貸前推薦畫像針對客戶定制的場景和樣本，挑選業(yè)務(wù)含義強(qiáng)，同時有較高區(qū)分效果的指標(biāo)集。多類指標(biāo)具有行業(yè)特色，可提供多維變量。（定制產(chǎn)品）471105=COUNT($A$2:A42)+1畫像類PY-反欺詐風(fēng)險畫像反欺詐風(fēng)險指數(shù)及存在個人風(fēng)險信息條數(shù)。4155=COUNT($A$2:A43)+1畫像類JD-菁卡風(fēng)控標(biāo)簽基于消費(fèi)、信貸、互聯(lián)網(wǎng)行為等綜合信息，為聯(lián)名信用卡提供風(fēng)控服務(wù)。18=COUNT($A$2:A44)+1畫像類XC-畫像標(biāo)簽通過分析用戶在電商場景下的購物品類、消費(fèi)層次、消費(fèi)習(xí)慣、行為習(xí)慣、年齡特征、地域特征及其他社會屬性，對用戶做出多維度的共性識別，從而為金融客戶做用戶分析、用戶識別和用戶分類提供參考。15=COUNT($A$2:A45)+1畫像類YL-小微企業(yè)主/企業(yè)標(biāo)簽依托銀聯(lián)的結(jié)算渠道，判斷小微商戶流水及交易標(biāo)簽，標(biāo)簽內(nèi)容主要包括近90天余額不足交易水平占比、近十二個月無卡交易總金額、近十二個月商戶結(jié)算總額、商戶入網(wǎng)時間是否大于一年等。15=COUNT($A$2:A46)+1畫像類YL-小微企業(yè)主/企業(yè)評分依托銀聯(lián)的結(jié)算渠道，判斷小微商戶流水及交易標(biāo)簽，標(biāo)簽內(nèi)容主要包括近90天余額不足交易水平占比、近十二個月無卡交易總金額、近十二個月商戶結(jié)算總額、商戶入網(wǎng)時間是否大于一年等。15=COUNT($A$2:A47)+1畫像類SN-數(shù)據(jù)報告蘇寧消金引流客戶綜合畫像：客戶在蘇寧那邊申請后，蘇寧把客戶的申請信息等數(shù)據(jù)給到行里15=COUNT($A$2:A48)+1畫像類TD-貸中綜合預(yù)警貸中產(chǎn)品為客戶提供貸中風(fēng)控、提額促活、貸后催收等多場景，覆蓋全量客群的周期性監(jiān)控服務(wù)。貸中綜合預(yù)警為需要決策建議的客戶提供預(yù)置評分卡服務(wù)，既給出綜合風(fēng)險判斷，也給出包含各模塊和規(guī)則的得分細(xì)節(jié)的風(fēng)險報告，使用簡單、可解釋性強(qiáng)。15=COUNT($A$2:A49)+1畫像類TD-利率敏感指標(biāo)利率敏感指標(biāo)基于用戶歷史借貸利率水平，進(jìn)行風(fēng)險評估、識別風(fēng)險等級，面向金融機(jī)構(gòu)在風(fēng)險識別、授信定價等業(yè)務(wù)場景，提供指標(biāo)數(shù)據(jù)服務(wù)，助力金融機(jī)構(gòu)識別風(fēng)險，區(qū)分優(yōu)質(zhì)客群。15=COUNT($A$2:A50)+1畫像類PD-精選特征樸道精選特征是基于樸道服務(wù)的一千多家金融機(jī)構(gòu)等客戶每天向樸道發(fā)送的上億筆的征信產(chǎn)品調(diào)用請求沉淀的調(diào)用日志數(shù)據(jù)，利用前沿的數(shù)據(jù)治理和數(shù)據(jù)挖掘技術(shù)生成的標(biāo)簽產(chǎn)品。通過多維度數(shù)據(jù)整合與分析，精準(zhǔn)刻畫申請借貸客戶的還款能力、還款意愿、違約可能性及資質(zhì)水平。15=COUNT($A$2:A51)+1畫像類YL-銀聯(lián)標(biāo)簽基于銀聯(lián)底層數(shù)據(jù)，使用大數(shù)據(jù)技術(shù)清洗、挖掘的特征標(biāo)簽，覆蓋信貸交易、特殊交易、正常交易、消費(fèi)能力等維度，用于衡量客戶的還款能力、財富水平、資產(chǎn)消費(fèi)、消費(fèi)偏好、風(fēng)險水平等15=COUNT($A$2:A52)+1名單類FH-司法個人/企業(yè)畫像包含欠稅公告、涉稅處罰公示、稅務(wù)非正常戶公示、重點(diǎn)監(jiān)控企業(yè)名單、海關(guān)處罰信息、行政處罰、國土資源處罰等3249525=COUNT($A$2:A53)+1名單類HF-司法個人/企業(yè)畫像限制出入境名單、欠稅名單、行政違法記錄等信息351705=COUNT($A$2:A54)+1名單類GA-不良行為自然人不良信息核查【公安不良、行政處罰、個人不良記錄等】。27141345=COUNT($A$2:A55)+1名單類BR-特殊名單驗(yàn)證多頭借貸不良名單驗(yàn)證。1664034=COUNT($A$2:A56)+1名單類FH-風(fēng)鈴信息企業(yè)預(yù)警客戶風(fēng)險信息監(jiān)控348795=COUNT($A$2:A57)+1名單類YL-風(fēng)險評估不良持卡人、欺詐交易卡片、涉案卡片、線下卡號黑名單、線上卡號黑名單、其它卡號黑名單命中驗(yàn)證；線上的交易手機(jī)號黑名單、虛假電話號碼、詐騙/中介/違法電話號碼命中驗(yàn)證；不良持卡人、經(jīng)濟(jì)犯罪人員、失信人員名單、涉恐人員、觸犯風(fēng)險規(guī)則人員命中驗(yàn)證225=COUNT($A$2:A58)+1名單類BH-特別關(guān)注名單獲取百行征信特別關(guān)注名單（是否為逃廢債名單、高法執(zhí)行人名單、近24個月逾期信息、近90天放款機(jī)構(gòu)和申請機(jī)構(gòu)數(shù)）返回結(jié)果，用于貸前輔助判斷。338085=COUNT($A$2:A59)+1名單類YM-金融風(fēng)險決策變量查詢客戶各類風(fēng)險標(biāo)簽命中情況。15=COUNT($A$2:A60)+1名單類BR-特殊名單核查(V10)用戶本人、聯(lián)系人、與用戶有親密關(guān)系的人是否疑似命中中風(fēng)險、一般風(fēng)險、資信不佳、拒絕、高風(fēng)險等百融特殊名單，以識別個體是否有虛假申請、欺詐等風(fēng)險，用于貸前輔助判斷。15=COUNT($A$2:A61)+1名單類DXM-風(fēng)險名單結(jié)合公開數(shù)據(jù)與自營生態(tài)體系內(nèi)數(shù)據(jù)，通過掃描申請人涉及的信貸逾期、疑似欺詐、高風(fēng)險行為及司法信息等多維度信息，全面篩查其潛在風(fēng)險，協(xié)助精準(zhǔn)識別高危客戶，過濾風(fēng)險，降低資金損失。15=COUNT($A$2:A62)+1評分類TD-貸前審核貸前審核綜合評分/綜合行為畫像25807365=COUNT($A$2:A63)+1評分類TX-反欺詐評分反欺詐評分，從“身份-設(shè)備-情報-行為-地址-環(huán)境-對象-沖突-關(guān)系”多維度涉黑標(biāo)簽，出具分值區(qū)間，劃分風(fēng)險類型資料偽造、涉黃涉空、營銷欺詐、黑產(chǎn)等全面刻畫用戶的欺詐風(fēng)險，識別惡意用戶信息。1061574=COUNT($A$2:A64)+1評分類TD-智察分運(yùn)用機(jī)器學(xué)習(xí)算法，全面綜合一個申請者的手機(jī)號、身份證、設(shè)備、ip地址類等維度特征，直觀的給出用戶的欺詐情況。3915=COUNT($A$2:A65)+1評分類DXM-小滿分基于互聯(lián)網(wǎng)行為特征、信貸行為特征、關(guān)系圖譜特征以線上消金客群為訓(xùn)練樣本，通過人工智能技術(shù)加工而形成的消費(fèi)信用分，用于評估客戶當(dāng)前消費(fèi)能力和信用能力，用于準(zhǔn)入與額度測算過程。2526=COUNT($A$2:A66)+1評分類JD-還款能力等級根據(jù)用戶消費(fèi)、資產(chǎn)、行為、金融的行為大數(shù)據(jù)綜合評估其還款能力，等級越高還款能力越強(qiáng)。2461965=COUNT($A$2:A67)+1評分類BR-反欺詐風(fēng)險識別取值范圍為0-100分，分?jǐn)?shù)越高代表客戶欺詐風(fēng)險越高，違約概率越大。2295=COUNT($A$2:A68)+1評分類BR-信用風(fēng)險識別取值范圍為300-1000分，分?jǐn)?shù)越高代表客戶償還能力越好，違約概率越小。2285415=COUNT($A$2:A69)+1評分類TX-用戶分層分挖掘低利率優(yōu)質(zhì)人群，在獲客階段精準(zhǔn)有效識別24%利率、高收入優(yōu)質(zhì)人群，在信審、存量運(yùn)營環(huán)節(jié)制定更高額度，提高授信規(guī)模。在貸前/貸中場景對用戶的還款能力進(jìn)行評估。225=COUNT($A$2:A70)+1評分類JD-京信分企業(yè)信用評分充分挖掘企業(yè)在京東生態(tài)體系內(nèi)法人個人及其企業(yè)的行為特征，包括電商數(shù)據(jù)、交易數(shù)據(jù)、行為數(shù)據(jù)以及企業(yè)工商信息等，適用于中小微企業(yè)和個體工商戶企業(yè)，輔助評估其信用風(fēng)險。225=COUNT($A$2:A71)+1評分類RQN-信用分輸出綜合信用評分，輸出【300,850】之間的模型分225=COUNT($A$2:A72)+1評分類TX-欺詐風(fēng)險評估欺詐風(fēng)險評估225=COUNT($A$2:A73)+1評分類BC-全域風(fēng)險指數(shù)基于運(yùn)營商數(shù)據(jù)，返回用戶不同機(jī)構(gòu)類別下的信貸風(fēng)險指數(shù)；225=COUNT($A$2:A74)+1評分類BR-反欺詐評分評分取值范圍[0,100]，分?jǐn)?shù)越高，客戶欺詐風(fēng)險越高。返回為空：代表當(dāng)前客戶未匹配上該模型依賴的數(shù)據(jù)產(chǎn)品。225=COUNT($A$2:A75)+1評分類TX-貸中行為評分根據(jù)騰訊特有的用戶偏好數(shù)據(jù)構(gòu)建的“收入-負(fù)債”預(yù)測模型,綜合客戶過往的風(fēng)險行為和多頭借貸情況，預(yù)測下一個時間段逾期的可能性，在貸前/貸中場景對用戶進(jìn)行風(fēng)險排序。225=COUNT($A$2:A76)+1評分類TCH-景行分綜合交易支付、多頭申請、支付安全、設(shè)備環(huán)境等體現(xiàn)反欺詐的特征維度構(gòu)建的反欺詐產(chǎn)品。適用于欺詐風(fēng)險識別場景。15=COUNT($A$2:A77)+1評分類BJ-火眸分與國內(nèi)代表性的SDK服務(wù)商合作輸出的設(shè)備類專項(xiàng)風(fēng)險評分。9=COUNT($A$2:A78)+1評分類PY-反欺詐風(fēng)險指數(shù)輸出查詢者的反欺詐風(fēng)險指數(shù)。7155=COUNT($A$2:A79)+1評分類DXM-欺詐因子基于互聯(lián)網(wǎng)行為數(shù)據(jù)，通過機(jī)器學(xué)習(xí)、關(guān)系圖譜等技術(shù)訓(xùn)練欺詐風(fēng)險預(yù)測得分。618=COUNT($A$2:A80)+1評分類JD-軒轅分為綜合信用評分，融合盤古分、共債分和外部信用分，根據(jù)上述子評分分值以決策樹的形式不斷進(jìn)行客戶分層，得出最優(yōu)的融合結(jié)果輸出，評分越高，信用風(fēng)險越低。60006=COUNT($A$2:A81)+1評分類BR-融遠(yuǎn)分融遠(yuǎn)分是通過對業(yè)務(wù)積累數(shù)據(jù)進(jìn)行加工處理與分析，綜合用戶多維度行為特征預(yù)測數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法生成的評分，分值越大，用戶價值越高。357315=COUNT($A$2:A82)+1評分類TD-智融分智融分V21是一款基于大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)技術(shù)開發(fā)的標(biāo)準(zhǔn)評分產(chǎn)品。其充分挖掘了用戶在不同金融機(jī)構(gòu)發(fā)生的申貸信息及各個申貸行為之間的關(guān)系，利用神經(jīng)網(wǎng)絡(luò)序列模型精準(zhǔn)刻畫用戶申貸行為的時序特征，從而更精準(zhǔn)地預(yù)測用戶的違約風(fēng)險，評分300-900分，分?jǐn)?shù)越高風(fēng)險越低。266385=COUNT($A$2:A83)+1評分類TCH-百靈分事實(shí)版收入能力產(chǎn)品。主要基于政務(wù)數(shù)據(jù)（個稅、公積金）還原客戶的收入水平，評估客戶的償債能力，適用于貸前授信、定額以及貸中調(diào)額場景。24639=COUNT($A$2:A84)+1評分類TCH-經(jīng)濟(jì)能力基于支付和消費(fèi)數(shù)據(jù)建模，用于評估償債能力，預(yù)估用戶收入?yún)^(qū)間。22788=COUNT($A$2:A85)+1評分類BJ-星宇分基于設(shè)備行為、支付行為、消費(fèi)行為等進(jìn)行預(yù)測的綜合風(fēng)險評分。2115=COUNT($A$2:A86)+1評分類RZ-普惠評分反映的貸款申請人借款信用風(fēng)險狀況的數(shù)字化解析說明，可用于實(shí)時預(yù)測申請人信貸風(fēng)險，評分分?jǐn)?shù)越高風(fēng)險越低。178785=COUNT($A$2:A87)+1評分類MY-洞鑒分反欺詐評分產(chǎn)品，分值越高風(fēng)險越大。15=COUNT($A$2:A88)+1評分類MY-妙覺分評估個體工商戶償債風(fēng)險的產(chǎn)品。15=COUNT($A$2:A89)+1評分類MY-洞察分反欺詐風(fēng)險評分產(chǎn)品，分值越高風(fēng)險越大。2=COUNT($A$2:A90)+1評分類MY-慧心分評估個體工商戶經(jīng)營規(guī)模的產(chǎn)品。2=COUNT($A$2:A91)+1評分類BH-反欺詐評分反欺詐評分15=COUNT($A$2:A92)+1評分類BH-借貸風(fēng)險分[300,700]分?jǐn)?shù)越高風(fēng)險越低。15=COUNT($A$2:A93)+1評分類BJ-青云分基于設(shè)備行為、支付行為、消費(fèi)行為等進(jìn)行預(yù)測的綜合風(fēng)險評分。15=COUNT($A$2:A94)+1評分類BR-客制化數(shù)據(jù)取值范圍0-100，分?jǐn)?shù)越高違約概率越高。15=COUNT($A$2:A95)+1評分類DXM-早逾風(fēng)險識別根據(jù)客戶三要素，查詢客戶早逾風(fēng)險情況。15=COUNT($A$2:A96)+1評分類JG-極秒分基于app行為、活躍度、消費(fèi)等特征，通過機(jī)器學(xué)習(xí)訓(xùn)練模型而成，用于預(yù)測用戶的風(fēng)險。適用于組合策略，貸前、貸中風(fēng)控審核、額度策略使用。15=COUNT($A$2:A97)+1評分類PD-信用風(fēng)險評分獲取自然人綜合信貸風(fēng)險分，[300,850]，數(shù)值越大，信用越好，用于貸前輔助判斷。15=COUNT($A$2:A98)+1評分類TD-資鑒分以等級的形式輸出用戶收入水平，等級越高，收入越高。15=COUNT($A$2:A99)+1評分類BR-設(shè)備反欺詐查詢設(shè)備欺詐場景15=COUNT($A$2:A100)+1評分類DXM-收入預(yù)測通過機(jī)器學(xué)習(xí)等人工智能技術(shù)，以社保數(shù)據(jù)、個稅數(shù)據(jù)為訓(xùn)練目標(biāo)的收入預(yù)測模型。15=COUNT($A$2:A101)+1評分類MY-經(jīng)濟(jì)能力評分對收入能力預(yù)測，評估客戶的收入能力和潛在價值。15=COUNT($A$2:A102)+1評分類YL-綜合財富分融合消費(fèi)、投資和信貸等行為特征，綜合評估用戶財務(wù)價值水平。2=COUNT($A$2:A103)+1評分類YL-持卡人綜合評分覆蓋信貸交易、特殊交易、正常交易、消費(fèi)能力等維度，用于衡量客戶的還款能力、財富水平、資產(chǎn)消費(fèi)、消費(fèi)偏好、風(fēng)險水平等。2=COUNT($A$2:A104)+1評分類YL-收入預(yù)測輸出6檔評分，每檔區(qū)間2k，最高一檔2w以上15=COUNT($A$2:A105)+1評分類ZJ-多維洞察預(yù)測評分融合多類客群樣本，以用戶資質(zhì)表現(xiàn)為目標(biāo)，通過機(jī)器學(xué)習(xí)算法訓(xùn)練的收入評分模型。15=COUNT($A$2:A106)+1評分類BR-償債壓力指數(shù)用戶本人當(dāng)前償債壓力指數(shù)的情況。數(shù)值越大，壓力越大，用于貸前輔助判斷。15=COUNT($A$2:A107)+1評分類BH-網(wǎng)貸評分還款指數(shù)1~9整數(shù)：數(shù)值越大表示還款表現(xiàn)越好，借款意愿1~8整數(shù)：數(shù)值越大表示借款意愿越強(qiáng)烈。15=COUNT($A$2:A108)+1評分類GD-地址欺詐系數(shù)輸出工作地址欺詐系數(shù)、家庭地址欺詐系數(shù)。15=COUNT($A$2:A109)+1政務(wù)類BH-個人補(bǔ)充信用報告公證處的個稅、公積金、銀行支付流水信息。3322935=COUNT($A$2:A110)+1政務(wù)類WX-婚姻單人核驗(yàn)婚姻單人核驗(yàn)19995=COUNT($A$2:A111)+1政務(wù)類WX-婚姻雙人核驗(yàn)婚姻雙人核驗(yàn)144=COUNT($A$2:A112)+1政務(wù)類WX-個人不動產(chǎn)明細(xì)包含不動產(chǎn)產(chǎn)權(quán)號、不動產(chǎn)單元號、坐落、公證書編號、公證事項(xiàng)、請求單號、共有情況、面積、權(quán)利類型、是否查封、是否抵押、使用期限、用途。(房屋估值數(shù)據(jù)另外計費(fèi))2715=COUNT($A$2:A113)+1政務(wù)類WX-學(xué)歷驗(yàn)證學(xué)歷狀況查詢，包括博士、研究生、本科生、其它等18=COUNT($A$2:A114)+1政務(wù)類PD-e取證公證處的個稅、公積金、銀行支付流水信息。15=COUNT($A$2:A115)+1政務(wù)類個人社保繳納信息是否有社保繳納、社保繳存基數(shù)、近12個月所有險種實(shí)繳金額平均值、近12個月養(yǎng)老保險實(shí)繳金額平均值、近三個月是否正常繳納社保、近12個月是否正常繳納社保、近一年社保斷繳次數(shù)等。15=COUNT($A$2:A116)+1政務(wù)類個人公積金繳納信息是否有公積金繳存、最近一次公積金繳存間隔月份數(shù)、最近一次公積金繳存額(雙邊)、近12個月公積金繳存額(雙邊)平均值、公積金賬戶當(dāng)前余額、近12個月公積金賬戶余額平均值等。15=COUNT($A$2:A117)+1政務(wù)類個人公積金貸款信息是否有公積金貸款、公積金貸款筆數(shù)、最近一筆公積金貸款距今月份數(shù)、最近一筆公積金貸款利率、最近一筆公積金貸款金額、最近一筆公積金貸款房產(chǎn)總價、最近一筆公積金貸款房產(chǎn)單價、公積金貸款是否存在逾期等。15=COUNT($A$2:A118)+1政務(wù)類個人行政許可信息當(dāng)前是否有行政許可信息、有效期內(nèi)的行政許可數(shù)量、是否有醫(yī)學(xué)(護(hù)士/醫(yī)師)許可、是否有教師許可、是否有律師許可、是否有注冊建造師許可15=COUNT($A$2:A119)+1政務(wù)類個人行政處罰公示信息是否存在行政處罰記錄、是否涉及賭博、是否涉及欺詐、是否涉黑涉惡、是否涉及尋釁滋事、是否涉及打架斗毆、是否涉毒、是否涉及盜竊等。15=COUNT($A$2:A120)+1政務(wù)類個人失信被執(zhí)行人信息是否是“失信被執(zhí)行人”、當(dāng)前是否是“失信被執(zhí)行人”、作為“失信被執(zhí)行人”的案件數(shù)、最近一次“失信被執(zhí)行人”案件距今月份數(shù)、最近三年是否被列為“失信被執(zhí)行人”15=COUNT($A$2:A121)+1政務(wù)類個人執(zhí)行案件當(dāng)事人是否是“被執(zhí)行人”、作為“被執(zhí)行人”的案件數(shù)、最近一次作為“被執(zhí)行人”案件距今月份數(shù)、作為“被執(zhí)行人”案件標(biāo)的金額最小值、作為“被執(zhí)行人”案件標(biāo)的金額最大值、近三年是否是“被執(zhí)行人15