如今的“大數據風控”這一詞，或許就如五年前的“引力波”、一年前的“青蒿素”一樣，尚處于一個初生試水、萌芽之姿的階段，機遇與挑戰(zhàn)并存。不可否認地存在魚龍混雜、亂象叢生的問題，”掛羊頭賣狗肉”有名無實的事例也有，對于一些沒有核心數據卻吹噓數據風控的大忽悠平臺我們當然要擦亮火眼金睛。

做大數據風控本要求的是硬技術，誰能真正掌握誰才能扎根發(fā)展，行業(yè)內已經出現了一些有益的探索，顯示了用大數據做風控的優(yōu)勢。

目前市場的大數據風控系統(tǒng)現狀是：大公司通過大數據挖掘，自建信用評級系統(tǒng);小公司通過信息分享，借助第三方獲得信用評級咨詢服務。

已有的風控大致分為兩種模式，一種是類似于阿里的風控模式，他們通過自身系統(tǒng)大量的電商交易以及支付信息數據建立了封閉系統(tǒng)的信用評級和風控模型;另外一種則是眾多中小互聯(lián)網金融公司通過貢獻數據給一個中間征信機構，再分享征信信息。

那么，哪些數據才是風控所需的呢?

1、電商大數據

電商平臺能夠累積大量的交易信息，可作為信用評級參考的原材料。

阿里金融是利用電商大數據進行風控的領頭羊，在很多行業(yè)人士還在云里霧里的時候，阿里已經建立了相對完善的大數據挖掘系統(tǒng)。通過阿里巴巴、淘寶、天貓、支付寶等積累的大量交易支付數據作為最基本的數據原料，再加上賣家提供的銷售數據、銀行流水、水電繳納等情況作為輔助數據原料。所有信息匯總后，將數值輸入網絡行為評分模型，進行信用評級。

2、 信貸記錄大數據

小貸類網站積累的信貸大數據包括信貸額度、違約記錄等等。但單一企業(yè)缺陷在于數據的數量級別低和地域性太強。還有部分小貸網站平臺通過線下采集數據轉移到線上的方式來完善信用數據。這些特點決定了如果單兵作戰(zhàn)他們必定付出巨大成本。因此，貢獻數據、共享數據的模式正逐步被認可，抱團取暖勝過單打獨斗。

3、社交網站大數據

社交大數據是風控大數據的一個重要組成部分。通過社交人際網絡關系數據和生活圈中其他如水電煤繳費信息、信用卡還款信息、支付和交易信息等，可以多方面地反映出用戶的習慣偏好、價值取向、人際交往、信譽度和活躍度等信息。

利用社交網站大數據進行網絡借貸風控的典型是美國的Lending Club。Lending club于2007年在facebook上開張，通過在上面鑲嵌的一款應用搭建借貸雙方平臺，利用社交網絡關系數據和朋友之間的相互信任聚合人氣。借款人被分為若干信用等級，但是卻不必公布自己的信用歷史。

4、信用卡借記類數據

信用卡類網站的大數據同樣對互聯(lián)網金融的風險控制非常有價值。申請信用卡的年份、是否通過、授信額度、卡片種類;信用卡還款數額、對優(yōu)惠信息的關注等都可以作為信用評級的參考數據。

5、消費數據

第三方支付類平臺做風控的機遇在于，能基于用戶的消費數據做信用分析。支付的方向、每月支付的額度、購買產品品牌都可以作為信用評級的重要參考數據。

6、生活服務類數據

生活服務類網站的大數據如水、電、煤氣、有線電視、電話、網絡費、物業(yè)費交納平臺則客觀真實地反映了個人的基本信息，是信用評級中一類重要的數據類型。

大數據的海量也就意味著，對數據的理解和對有效數據的挑選非常重要，并非所有數據都是風控有用信息。要選取哪些數據原料進行挖掘，什么數據才是金融風控真正所需的，對數據的類型和實效性都要有所考量。

17年前，很多人認為互聯(lián)網是泡沫，現在證明互聯(lián)網沒被高估;7年前，很多人認為電子商務是泡沫，但今天中國已經有幾億人的電商市場。

如今，大數據風控方興未艾，也伴隨著一些泡沫，但只要它朝著健康的方向發(fā)展，未來已來。大數據的相關理論與分析方法，很好地彌補了數據獲得的時間連續(xù)性、數據的地理位置分布、數據樣本的覆蓋程度等傳統(tǒng)分析方法中的不足，其精準度更高、覆蓋面更廣和響應速度更快的特點，運用到風險防控中大有裨益。大數據風控本身并非是忽悠，是真的具有發(fā)展的潛力，只是其研究還更待成熟。

最后借助蘇萌教授在進行大數據辯論時的一句總結：所有新鮮事物都需要一定的泡沫，才能吸引到更多的投資和關注，最終才能讓真正好的東西沉淀下來。