大數(shù)據(jù)風(fēng)控是目前Fintech領(lǐng)域的主要應(yīng)用，也是資本關(guān)注的焦點(diǎn)。很多互金公司都開(kāi)發(fā)了大數(shù)據(jù)風(fēng)控模型，業(yè)界也涌現(xiàn)了很多專(zhuān)門(mén)做大數(shù)據(jù)風(fēng)控技術(shù)然后向業(yè)界輸出技術(shù)能力的技術(shù)型公司。然而，大數(shù)據(jù)風(fēng)控有很強(qiáng)的技術(shù)壁壘，并非每家公司都能做好，不排除一些企業(yè)利用大數(shù)據(jù)風(fēng)控的概念進(jìn)行炒作。對(duì)于不懂技術(shù)的普通人而言，大數(shù)據(jù)風(fēng)控的概念也是云里霧里。

那么，到底大數(shù)據(jù)風(fēng)控是怎樣的，價(jià)值在哪里，又面臨哪些發(fā)展中的問(wèn)題?

大數(shù)據(jù)風(fēng)控已是互金公司的核心競(jìng)爭(zhēng)力

大數(shù)據(jù)風(fēng)控的價(jià)值已經(jīng)不用再多介紹了。這已經(jīng)成為互金公司的核心競(jìng)爭(zhēng)力，也是互金區(qū)別于傳統(tǒng)金融的重要特征?；ソ鸸灸軌?yàn)閭鹘y(tǒng)金融機(jī)構(gòu)所不能服務(wù)的人群提供普惠金融服務(wù)，基于大數(shù)據(jù)的風(fēng)控手段功不可沒(méi)。通過(guò)全方位收集用戶(hù)的各項(xiàng)數(shù)據(jù)信息，并進(jìn)行有效的建模、迭代，對(duì)用戶(hù)信用狀況進(jìn)行評(píng)價(jià)，可以決定是否放貸以及放貸額度、貸款利率 。

相比于傳統(tǒng)金融的風(fēng)控模式，大數(shù)據(jù)風(fēng)控可以通過(guò)機(jī)器的大規(guī)模數(shù)據(jù)運(yùn)算，完成大量用戶(hù)的貸款申請(qǐng)審核工作，提升工作效率。傳統(tǒng)金融的審核由人工完成，效率會(huì)相對(duì)有限;大數(shù)據(jù)風(fēng)控可以針對(duì)業(yè)務(wù)運(yùn)行中出現(xiàn)的新情況、新數(shù)據(jù)進(jìn)行快速迭代，增強(qiáng)模型的有效性;機(jī)器和軟件可以“24*365”模式工作，擺脫工作時(shí)間的限制。

互金公司發(fā)力大數(shù)據(jù)風(fēng)控

目前很多互金公司都在做大數(shù)據(jù)風(fēng)控，虎嗅之前的文章對(duì)BAT在消費(fèi)金融業(yè)務(wù)進(jìn)行盤(pán)點(diǎn)時(shí)總結(jié)了BAT在大數(shù)據(jù)風(fēng)控方面的技術(shù)。京東也有相關(guān)的布局。

BATJ的大數(shù)據(jù)風(fēng)控技術(shù)

除了BATJ這樣的大公司，近年來(lái)新興起的已經(jīng)具備一定規(guī)模的互金公司也大力布局大數(shù)據(jù)風(fēng)控，以網(wǎng)貸公司和貸款搜索平臺(tái)為主，大多推出了相關(guān)的大數(shù)據(jù)風(fēng)控技術(shù)體系。

國(guó)內(nèi)部分網(wǎng)貸公司與金融搜索公司的大數(shù)據(jù)風(fēng)控技術(shù)

除此之外，還涌現(xiàn)了不少做大數(shù)據(jù)風(fēng)控技術(shù)的金融科技公司，開(kāi)發(fā)大數(shù)據(jù)反欺詐模型和信用評(píng)估模型，向資金端或資產(chǎn)端有資源的金融企業(yè)輸出技術(shù)。這類(lèi)企業(yè)也不斷獲得資本青睞。統(tǒng)計(jì)顯示，近四個(gè)月內(nèi)，至少有8家做大數(shù)據(jù)風(fēng)控技術(shù)輸出的公司獲得融資，其中九次方大數(shù)據(jù)、51信用卡、用錢(qián)寶都已融到B輪以上。

大數(shù)據(jù)風(fēng)控技術(shù)領(lǐng)域投融資情況(按融資時(shí)間排序)

從以上幾個(gè)表格可以看出，從BAT這樣的大公司，到互金領(lǐng)域的創(chuàng)業(yè)公司，都在著力研發(fā)大數(shù)據(jù)風(fēng)控技術(shù)。大數(shù)據(jù)風(fēng)控的價(jià)值可見(jiàn)一斑。

大數(shù)據(jù)風(fēng)控具體是怎樣的?

大數(shù)據(jù)風(fēng)控模型的構(gòu)建，包含了明確模型目標(biāo)、定義目標(biāo)變量、確定樣本、確定分析技術(shù)、構(gòu)建模型、模型初步驗(yàn)證、數(shù)據(jù)處理、模型迭代等環(huán)節(jié)。我們專(zhuān)訪(fǎng)了用錢(qián)寶CEO焦可等業(yè)內(nèi)人士后發(fā)現(xiàn)，核心工作包括三方面，即獲取數(shù)據(jù)、建立模型、模型在實(shí)踐中優(yōu)化、迭代。

數(shù)據(jù)的來(lái)源

對(duì)于大數(shù)據(jù)風(fēng)控業(yè)務(wù)而言，數(shù)據(jù)來(lái)源主要包括幾部分：

一是用戶(hù)申請(qǐng)時(shí)提交的數(shù)據(jù)信息，如年齡、性別、籍貫、收入狀況等，這些數(shù)據(jù)可以了解用戶(hù)的基本情況，驗(yàn)證用戶(hù)的身份;

二是用戶(hù)在使用過(guò)程中產(chǎn)生的行為數(shù)據(jù)，包括資料的更改、選填資料的順序、申請(qǐng)中使用的設(shè)備等，可以通過(guò)用戶(hù)的行為來(lái)進(jìn)行特征挖掘;

三是用戶(hù)在平臺(tái)上累積的交易數(shù)據(jù)，如果公司運(yùn)營(yíng)比較久的話(huà)，可以累積比較多的用戶(hù)借款相關(guān)數(shù)據(jù)，這類(lèi)數(shù)據(jù)對(duì)于判斷用戶(hù)信用會(huì)有很高的價(jià)值;

四是第三方數(shù)據(jù)，包括來(lái)自政府、公用事業(yè)、銀行等機(jī)構(gòu)的數(shù)據(jù)，以及用戶(hù)在電商、社交網(wǎng)絡(luò)、網(wǎng)絡(luò)新聞等互聯(lián)網(wǎng)應(yīng)用上留存的數(shù)據(jù)。這類(lèi)數(shù)據(jù)可以從多角度展示用戶(hù)的特征，利用這些數(shù)據(jù)進(jìn)行建模分析，可以找出不同特征與信用水平之間的相關(guān)性。

數(shù)據(jù)的建模

數(shù)據(jù)是基礎(chǔ)，下一步要做的是構(gòu)建模型，對(duì)數(shù)據(jù)進(jìn)行分析利用。數(shù)據(jù)本身沒(méi)有價(jià)值，數(shù)據(jù)中蘊(yùn)含的信息有很大價(jià)值，這些信息可以逐步歸納為用戶(hù)的特征向量，這些特征可以分為強(qiáng)特征和弱特征，強(qiáng)特征是大而廣之的特征，如性別、年齡、籍貫、學(xué)歷、收入檔次等，弱特征可以認(rèn)為是比較細(xì)微、小眾的特征，如喜歡晚上喝咖啡、經(jīng)常在早上打電話(huà)、半夜發(fā)朋友圈等，不同的特征與用戶(hù)的違約概率有或強(qiáng)或若的關(guān)系。

風(fēng)控即風(fēng)險(xiǎn)控制，評(píng)估用戶(hù)可能的違約情況，主要包括反欺詐和信用評(píng)價(jià)兩部分。反欺詐是辨別那些一開(kāi)始就想違約，進(jìn)而弄虛作假的用戶(hù)，信用評(píng)價(jià)是對(duì)用戶(hù)的資信狀況進(jìn)行評(píng)價(jià)，判斷其在借款到期后是否會(huì)因?yàn)闊o(wú)力還款而違約。這兩部分還可以繼續(xù)細(xì)分，如身份驗(yàn)證、預(yù)付能力、還款意愿評(píng)估、還款能力評(píng)估、穩(wěn)定性評(píng)估等。

大數(shù)據(jù)風(fēng)控模型構(gòu)建的兩個(gè)必要步驟，一是發(fā)現(xiàn)不同特征與違約之間是否有相關(guān)性，二是為不同的特征賦予權(quán)重或違約概率，以確定擁有多項(xiàng)特征的用戶(hù)的信用狀況，決定是否提供金融服務(wù)、具體的額度以及利率水平。

建模的技術(shù)主要包括logistic回歸、決策樹(shù)、普通線(xiàn)性回歸、分層分析、聚類(lèi)分析、時(shí)間序列等，隨著人工智能技術(shù)的進(jìn)步，機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等算法也已經(jīng)運(yùn)用到大數(shù)據(jù)建模過(guò)程中。

模型的應(yīng)用與迭代

模型開(kāi)發(fā)出來(lái)后，應(yīng)用到具體的信貸等金融活動(dòng)中，等若干個(gè)放款周期結(jié)束后，會(huì)有結(jié)果數(shù)據(jù)出來(lái)，這時(shí)候需要依據(jù)這些運(yùn)營(yíng)數(shù)據(jù)對(duì)模型進(jìn)行修正，經(jīng)過(guò)一次次的迭代，模型的有效性、實(shí)用性會(huì)逐步提升。

例如，一家企業(yè)完成了100萬(wàn)單的信貸記錄，這就意味著在貸款陸續(xù)到期后，其大數(shù)據(jù)風(fēng)控體系將收獲100萬(wàn)的數(shù)據(jù)樣本，這些數(shù)據(jù)樣本與用戶(hù)信用高度相關(guān)，具有很高的價(jià)值，使用這些數(shù)據(jù)對(duì)風(fēng)控模型進(jìn)行進(jìn)一步的優(yōu)化，可以提升風(fēng)控的有效性。由此可見(jiàn)，大數(shù)據(jù)風(fēng)控需要與具體業(yè)務(wù)緊密結(jié)合，不斷“學(xué)習(xí)”，才能夠穩(wěn)定、可持續(xù)的升級(jí)，對(duì)業(yè)務(wù)有進(jìn)一步的指導(dǎo)意義。

總體來(lái)說(shuō)，目前大數(shù)據(jù)風(fēng)控還在發(fā)展初期，未來(lái)行業(yè)一個(gè)可能的演化路徑是：一些擁有數(shù)據(jù)資源和技術(shù)算法優(yōu)勢(shì)的企業(yè)在市場(chǎng)規(guī)模上具備了一定優(yōu)勢(shì)后，擁有更多的數(shù)據(jù)資源來(lái)支持模型的優(yōu)化迭代，強(qiáng)化其技術(shù)優(yōu)勢(shì)，從而可以在控制風(fēng)險(xiǎn)的基礎(chǔ)上提高貸款申請(qǐng)的通過(guò)率，使自己技術(shù)支持下的交易規(guī)模越做越大。在不考慮黑天鵝事件的前提下，行業(yè)可能出現(xiàn)強(qiáng)者恒強(qiáng)的馬太效應(yīng)。

如何判斷大數(shù)據(jù)風(fēng)控的成色

幾乎所有的互金公司都在宣傳自己的大數(shù)據(jù)風(fēng)控，這樣可以讓用戶(hù)更加放心，也給投資機(jī)構(gòu)講一個(gè)技術(shù)含量高的故事，但并非每個(gè)公司都有相應(yīng)的能力。就算確實(shí)在開(kāi)發(fā)大數(shù)據(jù)技術(shù)，能力也有高下之分。如何判斷一家互金公司的大數(shù)據(jù)風(fēng)控技術(shù)的成色?

首先看團(tuán)隊(duì)實(shí)力，團(tuán)隊(duì)是否有足夠的技術(shù)人員，是否有相應(yīng)的開(kāi)發(fā)經(jīng)驗(yàn)和履歷。技術(shù)團(tuán)隊(duì)的規(guī)模與構(gòu)成是衡量其大數(shù)據(jù)能力的重要指標(biāo)，這一點(diǎn)比較直觀。

其次，看公司的業(yè)務(wù)特征是否有使用的數(shù)據(jù)技術(shù)的必要。用錢(qián)寶CEO焦可認(rèn)為，企業(yè)如果服務(wù)于足夠海量的用戶(hù)群體，交易頻次也足夠高頻，則有通過(guò)大數(shù)據(jù)技術(shù)提升運(yùn)營(yíng)能力的需要，也會(huì)有越來(lái)越大的數(shù)據(jù)支撐模型的迭代。

如果一家企業(yè)只是服務(wù)于有限的客戶(hù)，使用傳統(tǒng)的線(xiàn)下風(fēng)控模式就可以，沒(méi)有使用大數(shù)據(jù)技術(shù)的必要，而且過(guò)程中無(wú)法產(chǎn)生大量的數(shù)據(jù)，也就無(wú)法為模型提供數(shù)據(jù)支持，所以也就沒(méi)有使用大數(shù)據(jù)風(fēng)控的可能性。例如，在P2P行業(yè)，如果借款人都是機(jī)構(gòu)，且都是大額融資標(biāo)的，則大數(shù)據(jù)風(fēng)控沒(méi)有用武之地，也沒(méi)有使用的必要。

另外，還要看經(jīng)營(yíng)的時(shí)間長(zhǎng)短。陸金所董事長(zhǎng)計(jì)葵生曾表示，驗(yàn)證一個(gè)大數(shù)據(jù)風(fēng)控模型的有效性，至少需要5萬(wàn)筆貸款進(jìn)行驗(yàn)證。如果業(yè)務(wù)經(jīng)營(yíng)沒(méi)有多長(zhǎng)時(shí)間，不會(huì)累積足夠的歷史數(shù)據(jù)，也就無(wú)法對(duì)模型進(jìn)行技術(shù)進(jìn)行及時(shí)的迭代更新，其有效性也就面臨很大考驗(yàn)。

大數(shù)據(jù)風(fēng)控面臨哪些問(wèn)題?

發(fā)展大數(shù)據(jù)風(fēng)控?zé)o疑是行業(yè)必經(jīng)趨勢(shì)，但其發(fā)展道路肯定也不是一帆風(fēng)順，還是面臨很多障礙和困境。

首先是數(shù)據(jù)源的問(wèn)題。數(shù)據(jù)量需要進(jìn)一步擴(kuò)大，為模型提供訓(xùn)練數(shù)據(jù)方面的支撐。對(duì)于一些缺乏信用數(shù)據(jù)的群體而言，目前很多線(xiàn)下行為都還沒(méi)有數(shù)據(jù)化，線(xiàn)上數(shù)據(jù)也比較有限，對(duì)于這類(lèi)群體，各種行為線(xiàn)上化、數(shù)據(jù)化進(jìn)而將數(shù)據(jù)結(jié)構(gòu)化，需要有一個(gè)過(guò)程。近些年來(lái)隨著智能手機(jī)與社交網(wǎng)絡(luò)應(yīng)用的普及，很多缺乏信用數(shù)據(jù)的群體在線(xiàn)上有了一些數(shù)據(jù)，但數(shù)據(jù)量還需要進(jìn)一步增加。未來(lái)物聯(lián)網(wǎng)的發(fā)展可能帶來(lái)更豐富的數(shù)據(jù)信息，輔助進(jìn)行風(fēng)控決策。

其次是面對(duì)的欺詐行為層出不窮，不斷考驗(yàn)?zāi)Ｐ偷挠行浴？倳?huì)有想要騙貸的群體對(duì)反欺詐模型進(jìn)行研究，尋找漏洞以騙取資金，各種偽造技術(shù)也助長(zhǎng)其欺詐行為。一個(gè)模型出來(lái)以后，剛開(kāi)始可能比較有效，但面對(duì)新出現(xiàn)的欺詐行為可能又缺乏辨別能力，導(dǎo)致模型精準(zhǔn)度下降。這就需要大數(shù)據(jù)風(fēng)控模型在試錯(cuò)中不斷迭代，加入更多復(fù)雜特征和更多維度的特征。這對(duì)于大數(shù)據(jù)風(fēng)控公司的技術(shù)能力是持續(xù)的考驗(yàn)。

另外，大數(shù)據(jù)風(fēng)控的發(fā)展要避免場(chǎng)景、行業(yè)、授信人群的集中化。企業(yè)做大數(shù)據(jù)風(fēng)控，往往會(huì)選擇一個(gè)場(chǎng)景、垂直行業(yè)或細(xì)分人群進(jìn)行切入，這樣可以將一個(gè)場(chǎng)景做深做透，深度分析、利用該領(lǐng)域的數(shù)據(jù)，但從金融的規(guī)律看，信貸過(guò)于集中于某個(gè)領(lǐng)域可能帶來(lái)風(fēng)險(xiǎn)。讀秒CEO周靜表示，在做資產(chǎn)的時(shí)候，包括人群區(qū)域性、資產(chǎn)類(lèi)別盡可能得做分散。零售信貸行業(yè)很多風(fēng)險(xiǎn)事件是因?yàn)樾袠I(yè)對(duì)某一個(gè)群體人的過(guò)度的授信，導(dǎo)致風(fēng)險(xiǎn)延伸到整個(gè)經(jīng)濟(jì)。如果集中在某個(gè)場(chǎng)景或者某一類(lèi)人群，風(fēng)險(xiǎn)可能越來(lái)越大，最終對(duì)行業(yè)市場(chǎng)有一個(gè)很大的沖擊。

來(lái)源：虎嗅網(wǎng)