跑路、欺诈风波不断，大数据风控威力何在？

信息来源：数据猿

大数据风控的市场格局

从整体来看，目前国内大数据风控市场上有两种体系：BAT与互联网金融公司内部的大数据风控体系；第三方大数据风控体系。

第一类是由BAT互联网巨头和互联网金融公司建立的大数据风控体系，BAT巨头拥有征信牌照，依据自身平台的流量优势，建立封闭系统的信用评级和风控模型。比如蚂蚁金服旗下的芝麻信用，利用阿里旗下淘宝、支付宝等海量数据优势，为用户提供信用评价。

而对于没有征信牌照的其他公司来说，则是通过建立大数据风控系统来识别风险。比如，融360推出的“天机”风控系统，通过大数据分析技术，为申请贷款的用户进行评分，然后依据分值为合作机构提供放贷建议。

第二类是针对互联网金融企业和金融机构提供大数据风控服务的第三方大数据风控平台服务商。由于互联网金融行业对大数据风控技术的需求爆炸性增长，诞生了一批第三方服务商，他们的大数据风控体系具有明显的“开放性”特征，与企业及各类金融机构“共享”或“共建”大数据风控服务。

以网易金融为例，其在不久前推出了全国首个开放性智能风控平台网易北斗，通过大数据分析技术，为国内金融机构提供获客、征信、授信、管理等多样化系统支持，从而降低金融机构的坏账率。

企业做大数据风控面临的问题

尽管大数据风控已经得到业界认可，但市场上真正将大数据风控做好的公司却寥寥无几，原因是什么呢？

很多公司的技术实力跟不上大数据风控的要求，其利用大数据进行建模时，经常忽略技术在建模中的运用，只是将原始数据进行简单筛选，整个环节并没有涉及太多技术分析。曾有专家指出，数据底层的技术是大数据风控的核心基础，如果没有过硬的技术实力，大数据风控也就无从谈起。

其次是数据源问题。一些平台在实施大数据风控过程中，收集的数据源很有限。将行为数据化，进而将数据结构化，需要有个时间过程。

另外，还有层出不穷的欺诈行为。对于骗子来说，其会通过伪造资料进行骗贷，这就需要大数据风控系统不断更新迭代，加入多维度的复杂特征，才能有效打击违法诈骗行为，这也是对大数据风控技术的持续性考验。

同时，在大数据风控系统中，很多评分标准、分级制度、对应放贷额度、逾期率等所谓的模型都没有经过实际还款周期的检验（消费金融的还款周期一般是1—3年），这些风控模型都是纸上谈兵。有不少平台为了快速做大获取融资，竟主动降低风控要求。

国内大数据风控困境

除了企业内部因素以外，在外部的市场大环境中，也出现很多问题阻碍着大数据风控的发展。

困境一、中国征信体系不完善。大数据风控的第一步就是获取数据，而我国央行个人征信记录覆盖率仅为35%，许多互联网金融企业的用户都没有信用卡，自然没有信用数据可言。目前大多数公司的做法是将自己的数据共享给第三方征信机构，然后从征信机构那里获取数据。

困境二、团体诈骗现象。在信用市场上，一些诈骗集团通过各种方式召集法律意识淡薄的用户进行借贷，再将借到的钱瓜分。诈骗集团跑路后，还款及逾期都压到了用户头上，这种诈骗方式让平台处于很被动的处境。

困境三、缺乏应对极端环境的测试。预测是大数据技术的价值之一，但黑天鹅事件却是在大数据预测规则之外。目前，国内大数据风控的发展只经历了几年时间，期间并没有经历过极端经济环境的压力测试。

面对以上困难和挫折，除了要加强对互联网金融的政策管理以外，企业自身也要严于律己，以提升大数据风控的技术实力为标准，才能让整个互联网金融行业向着正规、有序的方向发展。