行为数据的采集和分析
用户行为数据：主要包含用户在网站和移动app中的浏览/点击/发帖等行为，行为数据其实有很大的商业价值。
行为数据的风控应用
风控最好的数据还是金融数据，例如年龄、收入、职业、学历、资产、负债等信用数据，这些数据同信用相关度高，可以反映用户的还款能力和还款意愿。但是除了这些强相关的数据，用户行为数据对信用风险评估也具有较大的影响，在某些条件下这些因素会成为决定信用风险事件的强相关数据。
过去这些用户行为数据，并没有放到信用风险评估模型中，没有参与客户的信用风险评估。金融企业和互联网金融企业在分析已经发生的信用风险事件之后，发现的这些用户行为信息在很多风险事件中起到了很关键的作用。用户行为数据可以作用于互金的各个环节。虽然这个数据你看着跟金融业务没有那么相关，但是物以类聚、人以群分这个事是没有错的，这些人的行为确实是有一定规律的，所以如果我们有一些标识的数据通过对他的行为相近性进行判断，效果还是不错的。
第一方面：完善客户画像
客户画像就是对用户打标签，以表示不同属性的用户。例如打上性别标签、年龄标签、消费偏好标签。smart kyc用户全特征通过样本数据学习不同标签用户的行为特征，再根据学习到的知识来将未知标签的用户进行分类。包括人口统计学特征、消费能力数据、兴趣数据、风险偏好等；在互联网金融的风险控制上可用于征信评级，反欺诈风险控制以及动态调整级别和监控(增收和降低坏账率)、快速放贷和提升金融服务水平。
第二方面：欺诈行为分析
风险管理的核心应用在反欺诈上，金融行业的反欺诈验证。
第一点：可以通过分析用户的社保数据、运营商数据、网络行为数据(职业、收入等预测画像…)来进行规避。
第二点和第三点：实时分析数据进而监测潜在风险并预警，实时监控系统内的各类数据。
例如：用户操作、交易流水、访问记录等如某内部工作人员在某段时间内操作存贷/汇交易的时间大幅度快于其历史水平；比银行平均水平也要快出很多；内部员工每个月由其自己账户向几家银行汇款或支付好几家信用卡；美国这2-3年留学生临到毕业之前的2-3个月，信用卡消费是历史平均的好几倍甚至更多(如果能结合网络行为信息：查询来源国工作，航旅公司机票那确定性…)美国留学生这个是个很经典的案例。
简言之，smart智能风控决策引擎通过对用户行为数据的采集和分析，找出欺诈者留下的蛛丝马迹，从而预防欺诈行为的发生。其现实意义在于提升坏人的欺诈成本，在欺诈行为发生之前就将其制止，进而净化诚信体系。