贷前通过对客户日常交易数据、历史贷款信用情况、关联人信息风险情况等进行分析，对传统的基于人行征信报告的授信评估模型进行有效的补充，使得评估更加全面和准确。

贷中通过对客户的交易记录、还款记录甚至交易位置等信息进行捕捉和监控，不断完善客户的风险画像，可提前对可能转换为次级类和损失类的贷款进行预警。

贷后管理中不断对客户的交易行为和消费行为进行搜集与沉淀，不断完善风险标签，可以针对不同风险级别对客户提供差异化的服务或管理。

       交易欺诈场景：交易类欺诈相比于信用欺诈来说更难防范，近几年来风控系统在防范黑产交易、欺诈交易、盗用身份以及薅羊毛等交易行为取得了显著效果，因此很多银行也将风控系统叫做反欺诈系统。

在客户实质交易发生前，比如转账或者消费的录入页，由业务系统将设备信息、交易信息及行为信息等数据上送风控系统，风控系统会判断当前交易的地理位置是否异常，设备环境是否安全，设备是否常用设备，交易金额、交易账号等是否与以往交易相符等等策略，从而计算出本次交易的风险度。

在实际发生业务时，根据风控系统计算的风险值，可以进行差异化的身份校验。比如低风险值时，可以直接单要素验证后即可完成交易，高风险时需要双因素认证甚至多因素认证通过后才可进行交易，必要时更是会通过外呼等手段，核实客户身份。

对于经判定确实属于欺诈风险的业务，可以进一步分析，明确欺诈的因素比如账号、ip、设备等，沉淀为黑灰名单，可在下一次交易中直接使用，或共享至其他业务场景使用。

以信贷、信用卡为例。早期银行业务系统在建设一款贷款产品时，通常会根据当前业务产品通过率、坏账率，针对的客户群体将逻辑封装在当前业务系统中，由业务系统自行完成风险判别与评估。这种方式与当前产品高度耦合，随着业务产品的运营状态发生变化，客群的消费观念发生变化时，当前业务系统需进行高频次的迭代。

2.第二阶段——解耦风控系统

随着科技水平的发展，客群的特征变化迭代变快，银行的贷款业务量逐步增多，银行科技为了应对这些变化，开始将风控系统抽离出各自的业务系统，逐步形成以可视化调整规则阈值形式的风控系统，并开始将业务系统中的风控业务迁移至风控系统，业务系统在进行风控时，需将风控系统需要的关键数据传输至风控系统，由风控系统判定是否有风险。

3.第三阶段—— 风控系统升级

随着近年来机器学习人工智能井喷式的发展，风控系统的功能越来越完善，风控系统由原来单一的规则判断变成了规则集、决策树、评分卡、决策表、决策流等不同手段综合判断，由原先从业务系统获取数据的方式变成了从银行内部数仓，数据湖等以及从外部获取征信、法人、诉讼等不同形式的数据获取方式。

4.第四阶段——风控中台建设

随着近年来中台的概念提出，风控中台的功能越来越完善，银行科技也开始逐步将风控系统整合，逐步向中台方式转变，形成了以决策平台，实时决策计算引擎，批式决策引擎，机器计算引擎，特征平台，机器学习平台，图计算平台为主的风控中台。