大数据风控模型是什么？有哪些？

大家好，又见面了，我是你们的朋友全栈君。

摘要：在互联网金融行业，不少人可能这样觉得：认为只要数据够“大”，就能有最牛逼的风控体系和行业最低的坏账率。

在互联网金融行业，不少人可能这样觉得：认为只要数据够“大”，就能有最牛逼的风控体系和行业最低的坏账率。这种理解有些过于简单了。

其实，做大数据风控是一个挺细致的事儿，大数据风控，重要的不是数据本身，而是对数据的理解。

类似的话，哈佛大学的Gary King教授也说过，Big data is not about the data——大数据的价值不在于数据本身，而在于它背后的数据分析。

相比传统风控，大数据技术对零散的碎片数据具有很好的整合能力，这一点特别适用于证信业，它可以搜集更多的数据维度，实现征信信息的有效补充。

大数据风控模型是什么

指标体系

大数据圈流行一句话：数据决定了数据分析的上限，而模型做的是逼近这个上限。因此，构建一个完善的指标体系是非常重要的，大数据风控模型则主要涵盖下面几类指标：

申请信息：年龄、性别、籍贯、常驻地、工作、联系人；

用户使用过程信息：资料修改频率、IP定位、设备重复、填写顺序、其它行为记录；

交易数据：借款相关交易频次、金额，还款等；

第三方数据：一类是电商、社交、搜索、新闻、物流等信息的爬虫或接口导入；一类是设备信息的读取，还有一类是向第三方征信和风控公司进行购买。

风控模型

大数据风控更多应用与小微互金贷款，因此更多是还款意愿的控制，欺诈风险会比较高，因此构建好的反欺诈模型就非常重要，目前一般分三种：

1. 规则：根据经验总结规则，形成规则库；而基于规则的主要手段是交叉验证，对规则库，证件、通信、定位、指纹，面部识别进行交叉验证，保证客户真实性。

2. 黑名单和灰名单：基于以往发生的行为，进行名单匹配，对黑名单客户一刀切，对灰名单客户深入关注。

3. 机器学习模型：利用聚类等模型发现一些违反常识的规则，反推，在应用于后续的客户验证。

另外，传统信贷中非常关注的信用风险，大数据风控同样非常重视。信用风险对模型的应用应该说很成熟了，包括ABC评分卡在信用卡领域的使用，芝麻信用在支付领域的使用等。评分模型最常使用的就是LR模型，现在大数据风控在此基础上补充了XGboost，FFM等模型来尝试新的方向，不过据了解，目前还是LR模型最稳定常用，新的机器学习模型或许还需要一段时间的实践和迭代。