1. 大數據風控是什麼
大數據風控指的就是大數據風險控制，是指通過運用大數據構建模型的方法進行風險控制和風險提示。通過採集大量企業或個人的各項指標進行數據建模的大數據風控更為科學有效。
大數據（big data），指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
大數據風控主要是通過建立數據風險模型，篩選海量數據，提取出對企業有用的數據，再進行分析判斷風險性。
(1)企業貸款風控模型訓練數據擴展閱讀：
大數據風控能解決的問題：
1、有效提高審核的效率和有效性：
引入大數據風控技術手段分析，通過多維度的信息分析、過濾、交叉驗證、匯總，可以形成一張全面的申請人數據畫像，輔助審核決策，可以提高審核的效率和有效性。
2、有效降低信息的不對稱：
引入大數據風控技術手段分析，通過多維度的信息分析、過濾、交叉驗證、匯總，可以形成一張全面的申請人數據畫像，輔助審核決策，可以提高審核的效率和有效性。
3、有效進行貸後檢測：
通過大數據技術手段對貸款人進行多維度動態事件（如保險出險、頻繁多頭借貸、同類型平台新增逾期等）分析，做到及時預警。
參考資料來源：網路-大數據風控
2. 信貸系統中是如何做風控的
信貸系統的風控主要依賴於大數據。各維度的數據經過分析整合，形成風控系統或者風控模型，為審核提供智能參考依據。要說做的算不錯的，像阿爾法象、同盾、長亮，這些都是市面上賣的比較好的。
3. 大數據如何助力金融機構搭建風控模型
"MobTech是一家大數據智能科技公司，為金融機構提供不同場景下的解決方案。拿小額貸款的案例來看，他們的一站式風控建模大數據平台，提供數據匹配，特徵篩選，模型迭代，自定義模型開發功能，模型管理部署，自動化模型上線API輸出等產品服務；提供針對小額借貸，消費金融、車貸等場景的成熟特徵，可定製化各類場景衍生特徵；覆蓋90%android設備。
可在雲端輕松構建出獨屬於自己的數據智能解決方案，也可通過私有化部署，加強數據的安全性。
4. 如何利用大數據做金融風控
大數據能夠進行數據變現的商業模式目前就是兩個，一個是精準營銷，典型的場景是商品推薦和精準廣告投放，另外一個是大數據風控，典型的場景是互聯網金融的大數據風控。
金融的本質是風險管理，風控是所有金融業務的核心。典型的金融借貸業務例如抵押貸款、消費貸款、P2P、供應鏈金融、以及票據融資都需要數據風控識別欺詐用戶及評估用戶信用等級。
傳統金融的風控主要利用了信用屬性強大的金融數據，一般採用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意願。信用相關程度強的數據 緯度為十個左右，包含年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等，金融企業參考用戶提交的數據進行打分，最後得到申請人 的信用評分，依據評分來決定是否貸款以及貸款額度。其他同信用相關的數據還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。普惠在線
互聯網金融的大數據風控並不是完全改變傳統風控，實際是豐富傳統風控的數據緯度。互聯網風控中，首先還是利用信用屬性強的金融數據，判斷借款人的還 款能力和還款意願，然後在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，藉助數據模型來揭示某些行為特徵和信用 風險之間的關系。
互聯網金融公司利用大數據進行風控時，都是利用多維度數據來識別借款人風險。同信用相關的數據越多地被用於借款人風險評估，借款人的信用風險就被揭示的更充分，信用評分就會更加客觀，接近借款人實際風險。
常用的互聯網金融大數據風控方式有以下幾種：
驗證借款人身份
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以藉助國政通的數據來驗證姓名、身份證號，藉助銀聯數據來驗證銀行卡號和姓名，利用運營商數據來驗證手機號、姓名、身份證號、家庭住址。
如果借款人是欺詐用戶，這五個信息都可以買到。這個時候就需要進行人臉識別了，人臉識別等原理是調用國政通／公安局 API介面，將申請人實時拍攝的照片／視頻同客戶預留在公安的身份證進行識別，通過人臉識別技術驗證申請人是否是借款人本人。
其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。
分析提交的信息來識別欺詐
大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸和學生貸都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往 往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相 同、單位名稱相同、甚至居住的樓層和號碼都相同。還有一些填寫假的小區、地址和單位名稱以及電話等。
如果企業發現一些重復的信息和電話號碼，申請人欺詐的可能性就會很高。
分析客戶線上申請行為來識別欺詐
欺詐用戶往往事先准備好用戶基本信息，在申請過程中，快速進行填寫，批量作業，在多家網站進行申請，通過提高申請量來獲得更多的貸款。
企業可以藉助於SDK或JS來採集申請人在各個環節的行為，計算客戶閱讀條款的時間，填寫信息的時間，申請貸款的時間等，如果這些申請時間大大小於 正常客戶申請時間，例如填寫地址信息小於2秒，閱讀條款少於3秒鍾，申請貸款低於20秒等。用戶申請的時間也很關鍵，一般晚上11點以後申請貸款的申請 人，欺詐比例和違約比例較高。
這些異常申請行為可能揭示申請人具有欺詐傾向，企業可以結合其他的信息來判斷客戶是否為欺詐用戶。
利用黑名單和灰名單識別風險
互聯網金融公司面臨的主要風險為惡意欺詐，70%左右的信貸損失來源於申請人的惡意欺詐。客戶逾期或者違約貸款中至少有30%左右可以收回，另外的一些可以通過催收公司進行催收，M2逾期的回收率在20％左右。
市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。
黑名單來源於民間借貸、線上P2P、信用卡公司、小額借貸等公司的歷史違約用戶，其中很大一部分不再有借貸行為，參考價值有限。另外一個主要來源是催收公司，催收的成功率一般小於於30%（M3以上的），會產生很多黑名單。
灰名單是逾期但是還沒有達到違約的客戶（逾期少於3個月的客戶），灰名單也還意味著多頭借貸，申請人在多個貸款平台進行借貸。總借款數目遠遠超過其還款能力。
黑名單和灰名單是很好的風控方式，但是各個徵信公司所擁有的名單僅僅是市場總量的一部分，很多互聯網金融公司不得不接入多個風控公司，來獲得更多的 黑名單來提高查得率。央行和上海經信委正在聯合多家互聯網金融公司建立統一的黑名單平台，但是很多互聯網金融公司都不太願意貢獻自家的黑名單，這些黑名單 是用真金白銀換來的教訓。另外如果讓外界知道了自家平台黑名單的數量，會影響其公司聲譽，降低公司估值，並令投資者質疑其平台的風控水平。
利用移動設備數據識別欺詐
行為數據中一個比較特殊的就是移動設備數據反欺詐，公司可以利用移動設備的位置信息來驗證客戶提交的工作地和生活地是否真實，另外來可以根據設備安裝的應用活躍來識別多頭借貸風險。
欺詐用戶一般會使用模擬器進行貸款申請，移動大數據可以識別出貸款人是否使用模擬器。欺詐用戶也有一些典型特徵，例如很多設備聚集在一個區域，一起 申請貸款。欺詐設備不安裝生活和工具用App，僅僅安裝和貸款有關的App，可能還安裝了一些密碼破譯軟體或者其他的惡意軟體。
欺詐用戶還有可能不停更換SIM卡和手機，利用SIM卡和手機綁定時間和頻次可以識別出部分欺詐用戶。另外欺詐用戶也會購買一些已經淘汰的手機，其機器上面的操作系統已經過時很久，所安裝的App版本都很舊。這些特徵可以識別出一些欺詐用戶。
利用消費記錄來進行評分
大會數據風控除了可以識別出壞人，還可以評估貸款人的還款能力。過去傳統金融依據借款人的收入來判斷其還款能力，但是有些客戶擁有工資以外的收入，例如投資收入、顧問咨詢收入等。另外一些客戶可能從父母、伴侶、朋友那裡獲得其他的財政支持，擁有較高的支付能力。
按照傳統金融的做法，在家不工作照顧家庭的主婦可能還款能力較弱。無法給其提供貸款，但是其丈夫收入很高，家庭日常支出由其太太做主。這種情況，就需要消費數據來證明其還款能力了。
常用的消費記錄由銀行卡消費、電商購物、公共事業費記錄、大宗商品消費等。還可以參考航空記錄、手機話費、特殊會員消費等方式。例如頭等艙乘坐次數，物業費高低、高爾夫球俱樂部消費，遊艇俱樂部會員費用，奢侈品會員，豪車4S店消費記錄等消費數據可以作為其信用評分重要參考。
互聯網金融的主要客戶是屌絲，其電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。
參考社會關系來評估信用情況
物以類聚，人與群分。一般情況下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，
參考借款人常聯系的朋友信用評分可以評價借款人的信用情況，一般會採用經常打電話的朋友作為樣本，評估經常聯系的幾個人（不超過6六個人）的信用評分，去掉一個最高分，去掉一個最低分，取其中的平均值來判斷借款人的信用。這種方式挑戰很大，只是依靠手機號碼來判斷個人信用可信度不高。一般僅僅用於反欺詐識別，利用其經常通話的手機號在黑名單庫裡面進行匹配，如果命中，則此申請人的風險較高，需要進一步進行調查。
參考借款人社會屬性和行為來評估信用
參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高，其中50歲左右的貸款人違 約率最高，30歲左右的人違約率最低。貸款用於家庭消費和教育的貸款人，其貸款違約率低；聲明月收入超過3萬的人比聲明月收入低於1萬5千的人貸款違約率 高；貸款次數多的人，其貸款違約率低於第一次貸款的人。
經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。
午夜經常上網，很晚發微博，生活不規律，經常在各個城市跑的申請人，其帶貸款違約率比其他人高30%。刻意隱瞞自己過去經歷和聯系方式，填寫簡單信 息的人，比信息填寫豐富的人違約概率高20%。借款時間長的人比借款時間短短人，逾期和違約概率高20%左右。擁有汽車的貸款人比沒有汽車的貸款人，貸款 違約率低10%左右。
利用司法信息評估風險
涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。
尋找這些涉毒涉賭的嫌疑人，可以利用當地的公安數據，但是難度較大。也可以採用移動設備的位置信息來進行一定程度的識別。如果設備經常在半夜出現在 賭博場所或賭博區域例如澳門，其申請人涉賭的風險就較高。另外中國有些特定的地區，當地的有一部分人群從事涉賭或涉賭行業，一旦申請人填寫的居住地址或者 移動設備位置信息涉及這些區域，也要引起重視。涉賭和涉毒的人員工作一般也不太穩定或者沒有固定工作收入，如果申請人經常換工作或者經常在某一個階段沒有 收入，這種情況需要引起重視。涉賭和涉毒的人活動規律比較特殊，經常半夜在外面活動，另外也經常住本地賓館，這些信息都可以參考移動大數據進行識別。
總之，互聯網金融的大數據風控採用了用戶社會行為和社會屬性數據，在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，評價客戶的風險水平。互聯網金融企業通過分析申請人的社會行為數據來控制信用風險，將資金借給合格貸款人，保證資金的安全。
5. 現金貸風控模式，你看的懂么
近段時間，對於現金貸的監管已經箭在弦上。一方面，許多中小型現金貸平台的實際借款利率過高；另一方面，部分平台對於現金貸業務的風控更像是「皇帝的新衣」，以至於整個行業的壞賬率居高不下。
從監管層面看，現金貸業務為了繼續經營，將不得不大幅削減貸款利率，減少各類手續費。因此，通過提高風控水平，減少壞賬損失，成了保證現金貸業務經營利潤的唯一出路。
一、淺析現金貸風控體系：點——面——點的過程
第一個「點」是指起點。現金貸風控體系的設計需要以產品本身作為起點。現金貸產品無外乎四個要素：利率（包括各種費率）、期限、額度、目標人群。對於每一類目標人群而言，他們在流動性需求、未來可預期現金流、消費觀念、收入水平以及信用狀況等維度上都具有一定的規律和共性，進而影響其申請額度、貸款利息的接受水平、還款能力和還款意願等。因此，合理地設計產品，能在有效降低風控難度的同時，將收入最大化。例如，對於白領人群，其按月發薪的特點更適合一個月及以內的借款期限。
另外，除了現金貸產品本身的特性之外，其推廣渠道也頗為重要。如果通過某一推廣渠道引入了大量非目標人群，那麼這不僅僅降低了推廣成本的使用效率和後期風控流程的判斷精度，還會產生大量有偏數據，不利於風控模型的迭代升級和產品的再設計。
「面」是指具體的風控流程。從時間段區分：風控流程包括貸前、貸中、貸後三個階段。其中貸前階段是整個風控流程的核心階段。這一階段包括申請、審核和授信三個步驟。形象地說，貸前階段是一個過濾雜質的階段。而第三方的徵信數據、黑名單、反欺詐規則、風控模型則是一層層孔徑不一的濾網。貸中階段主要是對借款人個人信息的跟蹤和監控。一旦有異常信息的產生，風控人員可以及時地發現、聯系該借款人，盡可能保證這筆借款的安全。貸後階段的工作集中在催收上。此外，如果借款人申請展期或者續貸，則需要在這一階段結合歷史數據，使用行為評分卡等重新進行審核，並作相應的額度調整和風險分池管理。而在整個風控流程中，需要對借款的集中度作妥善管理，防止因為集中借款和集中逾期帶來的資金流動性不足的問題。
2.差異化定價
差異化定價，也可以理解為精確定價。現金貸的差異化定價的實質是對各個貸款申請人的信用及欺詐風險作精確定價。目前各個現金貸平台的定價標准都過於單一，基本採用利率加雜費的方式。部分平台對於續貸用戶會做費率調整。也有少數平台會參考貸款人申請時提供的個人信息維度。不過總體而言，當前的定價標准並不適合未來現金貸行業「低費率」的特徵。平台之間所謂的價格優勢將微乎其微。而精確定價下的定製化小額貸款需求可能會成為平台的亮點。
而大數據風控模型的構建為差異化定價的實現提供了技術保證。以大量的網路行為數據、用戶交易數據、第三方數據、合作方數據等為基礎，通過自然語言處理、機器學習、聚類演算法等，模型能夠為每一位貸款申請者創建包括個人基本信息、行為特徵、心理特徵、經濟狀況、興趣愛好等在內的多維度數據畫像。憑借著這些維度特徵和大量歷史貸款記錄，針對不同貸款人、不同額度、不同期限的差異化定價策略將成為現實。
總結
在行業洗牌的背後，是現金貸平台為了生存下去的努力。如何保證合規性，如何獲取低成本的資金，如何以技術替代人力，如何在風控成本和壞賬率之間找到平衡點，是平台未來需要思考和解決的問題。網貸交流借款無憂相信在行業政策的探照燈之下，是金子最後總是會發光的。
6. 金融風險管理的體系
互聯網大浪潮如今早已席捲全球，中國互聯網模式不斷進行著變革，數據資產化、金融平台化日益成型，互聯網金融創新模式百花齊放。眾所周知，金融的本質是風險管理，依託於大數據，新型的風控理念很快吸引了互聯網巨頭、信貸機構、金融科技安全服務商、銀行機構等紛紛發力參與這場技術變革。
一時間，大數據風控成為互聯網背景下金融發展的「寵兒」，也成為資本關注的焦點。例如常見的金融借貸業務場景，供應鏈金融、消費貸款、企業信貸等都需要利用大數據構建智能資料庫和模型來識別欺詐用戶以及評估用戶信用等級，從而提升欺詐交易識別率。
風控一直被視為互聯網金融發展的命脈，大數據風控的發展無疑是行業必然趨勢，風險控制能力會直接決定平台的生死。安全做得好，金融創新的前景是一片坦途;安全做得差，平台可能被引向窮途末路。
大數據風控-互聯網金融的命脈
盛林集團深耕網路安全及大數據領域多年，鑄就了企業強有力的核心競爭力，其完善的精準風控體系正是這些金融機構所需要的，從賬號風險防護到應用風險防護，再到信用與欺詐風險防護，縱深金融業務的整個生命周期，讓交易變得更安全、更可靠。
事實上，風控離不開大數據的支撐，當前市場上流通的數據來源十分混亂，不乏摻雜著來自黑產倒賣的各種有效或者無效數據，因此數據的合規性也成為實現精準風控的前提，沒有用戶授權的數據業務是不持久的。不僅僅是合規性，數據的感知和預測、數據的修復和再生、數據交易信任評估能力更是數據服務的核心。
所謂道高一尺，魔高一丈，緊隨信貸市場和企業的發展，總有一部分群體對反欺詐模型進行研究，尋找漏洞來破解風控命門，這就需要大數據風控模型在業務運行中不斷豐富和優化，加入更多復雜特徵和更多維度的特徵，在貸前、貸中、貸後環節制定全面的服務監控體系，幫助信貸企業降低業務風險。
風險防控一定要從多維度、合法權威的數據源切入，基於深度學習、關系分析、智能決策、態勢感知等特性，在海量數據分析的基礎上，構建專業有效的規則、模型，結合時空維度立體探查風險規律，智能分析業務風險，實現行業風險實時預警，及時掌控風險態勢，阻斷欺詐操作。
不可否認，大數據的引入，給金融領域帶來了一股暖流。互聯網金融領域的風控挑戰依舊嚴峻，不斷地在數據開發及應用的道路上踐行，努力實現從量變到質變的過程是我們首當其沖要做的。
CFRM(Certified Financial Risk Manager)，注冊金融風險管理師，由注冊金融風險管理師協會(ICFRM)主考並頒發，並同時被納入中國市場學會金融服務工作委員會(簡稱「金融委」)建立的全國財經金融專業人才培養工程(簡稱PFT)，是代表風險管理行業的專業水平認證。
7. 互金風控進化史：人工、實地到智能大數據走過哪些曲折
今天大家都已經習慣了線上秒批、數字信用等基於人工智慧和大數據的風控體系。但是追溯到十幾年前，數字風控卻付出過慘重的代價。十幾年一路走來，隨著大數據以及人工智慧等技術的不斷完善，互聯網金融才真正讓大數據風控走向完美。
日前，在玖富集團開放日上，玖富首席數據科學家、首席風險官谷穎講解了人工智慧的應用要素和發展階段，揭示了智能風控的進化史。
根據她的說法，人工智慧應用在金融領域有三個階段。第一個階段是機器學習（ML）階段，即互聯網金融為代表的金融機構全面滲透到所有模型建設中；第二個階段是自然語言處理（NLP）階段，即國內大量互聯網貸款和徵信公司都在大量使用自然語言處理技術；第三個階段是知識圖譜（KG）階段，即大量使用知識圖譜進行反欺詐分析。「火眼」風控系統恰恰覆蓋了這三個階段的所有應用，也是目前比較完善的風控系統。
機器學習（ML）階段解決的核心問題在於，讓風控模型自動學習、自動匹配各項數據，在模型內發現異常，揪出信用黑戶。尤其是機器學習演算法能夠根據數百萬消費者案例，如：資產、履約、身份、偏好、社會關系及借貸情況等進行開發和訓練，利用演算法評估預測用戶是否會違約、是否會按時歸還貸款等。
自然語言處理（NLP）階段解決的問題則是可以在個人及企業主頁、社交媒體中發現蘊含著與違約風險深度關聯的深層含義，通過復雜的詞向量模型將文本轉化為計算機能夠識別和計算的詞向量表徵，並基於深度學習技術對其進行特徵提取，最終運用成熟的分類器網路將文本數據與違約風險實現高度的風險掛鉤，而通過傳統方式很難充分挖掘其風險價值。
知識圖譜反欺詐（KG）分析恰恰是最重要的一個環節，因為知識圖譜反欺詐需要把所有技術融合在一起，構建圖譜，從中發現欺詐行為。這也是很多互聯網金融公司目前在主攻的方向。
因為在過去，反欺詐人員需要根據借款人提供的信息，查找多方面資料，進行不同屬性的比對，從而發現不良徵信人。這種工作復雜而枯燥，為了識別團伙欺詐，往往需要收集、整理、分析各種維度的數據，工作量更是成倍增加。而知識圖譜反欺詐能夠把把每個客戶的信息、以及網路上公開的信息織成一張巨大的關系網，並通過可視化的圖形將這種關系展示出來。結合反欺詐部門的經驗，找存在欺詐的客戶。
寫在最後：
雖然如今大部分平台都在採用「大數據技術」來做風控，但審核結果嚴重趨同，現狀不容樂觀。真正大數據風控技術需要多雲數據源（平台積累、徵信機構、同業共享）來支持風控審核模型決策，這恰恰是中國互聯網金融企業最需要發展的方向，也是必然需要走過的曲折道路。
8. 小貸系統風控模型是什麼
風控模型，計算最高能夠承受什麼樣的高風險客戶，同時該如何把這些資產證券化並分散點風險給投行對自己是最有利的。強大的高頻交易和程序化交易要求更快速的交易通道和更高效的策略模型；另一方面，快速交易導致投資面臨的風險呈指數級增長，從而市場和投資者需要更全面的策略組合和更精準的風控模型進行風險對沖。
風控模型，是風險控制模型的簡稱。
常見於信貸擔保公司，用來對業務進行風險控制。
風控模型當下國內主要有：工商銀行開發的風控模型。
在高度精細化的風險控制模型中，很重要的一個環節就是用先進的統計計量模型來更加准確的描述多種金融資產價格波動的關聯性。在現實的金融交易中，我們將面對成百上千的金融資產，所以我們需要一個理論上十分靈活、現實中應用有效的統計模型能夠同時對大量的風險因子的相關性進行描述、估測和模擬。在科研中，在不斷探索，力圖在現有的模型基礎上，找到更加靈活的模型准確高效描述各高維的金融風險因子之間的相依性。當然，高度量化的數量風險模型，還要在業界實際應用中能夠運算相對迅速，這樣才能對各種金融組合進行實時的風險預測和監控。
這種高度量化的風控模型，將無時無刻不為交易所、清算所和各大券商經紀公司，實時計算未來各種資產組合的風險度，從而始終將各種金融交易的市場風險控制在合理的范圍內，使衍生品市場交易能夠穩定運行，最大可能的減少巨大價格波動給市場帶來的危機。
9. 什麼是大數據風控跟貸款怎麼結合
所謂大數據風控，就是用大數據的技術對風險因素進行管控，比如「險查查」，這個就是用很多風險數據來展現風險值，其中有多頭借貸、社保公積金、運營商、學信網、人臉識別等技術，有了多個維度，不同數據，這樣就可以盡可能減少信貸風險。
10. 互聯網金融風控模型，需要多大的數據
1、基於某類特定目標人群、特定行業、商圈等做風控
由於針對特定人員、行業、商圈等垂直目標做深耕，較為容易建立對應的風險點及風控策略。
例如：
針對大學生的消費貸，主要針對大學生人群的特徵
針對農業機具行業的融資擔保。
針對批發市場商圈的信貸。
2、基於自有平台身份數據、歷史交易數據、支付數據、信用數據、行為數據、黑名單/白名單等數據做風控
身份數據：實名認證信息（姓名、身份證號、手機號、銀行卡、單位、職位）、行業、家庭住址、單位地址、關系圈等等。
交易數據/支付數據：例如B2C/B2B/C2C電商平台的交易數據，P2P平台的借款、投資的交易數據等。
信用數據：例如P2P平台借款、還款等行為累積形成的信用數據，電商平台根據交易行為形成的信用數據及信用分（京東白條、支付寶花唄），SNS平台的信用數據。
行為數據：例如電商的購買行為、互動行為、實名認證行為（例如類似新浪微博單位認證及好友認證）、修改資料（例如修改家庭及單位住址，通過更換頻率來確認職業穩定性）。
黑名單/白名單：信用卡黑名單、賬戶白名單等。
3、基於第三方平台服務及數據做風控
互聯網徵信平台（非人行徵信）、行業聯盟共享數據（例如小貸聯盟、P2P聯盟） FICO服務
Retail Decisions(ReD)、Maxmind服務
IP地址庫、代理伺服器、盜卡/偽卡資料庫、惡意網址庫等
輿情監控及趨勢、口碑服務。諸如宏觀政策、行業趨勢及個體案例的分析等等
4、基於傳統行業數據做風控
人行徵信、工商、稅務、房管、法院、公安、金融機構、車管所、電信、公共事業（水電煤）等傳統行業數據。
5、線下實地盡職調查數據
包括自建風控團隊做線下盡職調查模式以及與小貸公司、典當、第三方信用管理公司等傳統線下企業合作做風控的模式。
雖然貌似與大數據無關，但線下風控數據也是大數據風控的重要數據來源和手段。