什么是精准计划经济_百度知道
什么是精准计划经济
管理信息系统与精准计划经济论文，3000以上
我有更好的答案
资金使用精准、措施到户精准“六个精准”（扶持对象精准、项目安排京珠、因村派人安排精准、脱贫成效精准），实施“四个一批”(通过扶持生产和就业发展一批、通过移民搬迁安置一批、通过低保政策兜底一批、通过医疗救助扶持一批）扶贫攻坚行动计划
采纳率：91%
来自团队：
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。删除历史记录
　----
相关平台红包
浅谈看起来很屌的互联网金融大数据风控
作者：之家哥
摘要：网贷之家小编根据舆情频道的相关数据，精心整理的关于《浅谈看起来很屌的互联网金融大数据风控》的相关文章10篇，希望对您的投资理财能有帮助。
《浅谈看起来很屌的》 精选一原标题：浅谈看起来很屌的互联网大数据风控说起风控，很多人可能不感冒。但是对于互联网金融公司台来说，这可是企业的命根子，关系到公司的生死存亡（当然那些不压根没想过风控的不算）。如果你对这些很感兴趣。那首先回答下面这个问题：假如你有两个不是很熟的朋友找你借钱，其中一个有房有车，国企工作年入20万，偶尔和你闲聊几次，但是第一次找你借钱；另一个是和你一样的北漂或者海1漂族，和你一样喜欢电影，喜欢海淘，找你借过几次钱，都是如期归还的；现在你只有5万块，只能借给其中一个人，你会借给谁呢？如果这样你觉得很难选择的话，那么从另外一个角度想想你觉得谁不还钱的概率大呢？这个稍微有点常识的人都能大概做个判断：有房有车的那个肯定更靠谱，有房子在那，怎么也不怕违约，实在不行上门讨债去。当然，这只是直观上的，如果一个提供借款的企业给上述两位朋友的履约概率进行全面分析，那就需要对他们已有的特征属性进行提炼，这里给出两个简单的定义（1）、收入流水、信用记录等可以称之为强特征，他的特点是与还款能力相关度很强（2）比如电影记录、海淘记录、和你的微信聊天记录、漫游通话记录等（当然如果你想可以更多）我们可以称之为弱特征，他的特点是通过数据挖掘可以关联在特定状况下的借债人的还款能力。这里有人会产生疑问，既然强特征这么屌，和还款能力的相关度那么强，那么完全可以提取强特征进行构建，为什么还要挖掘这些弱特征呢？这里就需要解释一下了，大家应该知道，现在我国相当一部分人没有央行记录，但他们会有互联网记录，他们会网购、使用社交软件、使用各类APP。但当他们有借款需求时，传统的银行授信和审批流程肯定无法满足他们的需求。比如某跨国IT北京研发的总裁，就提到发生在自己身上的案例，由于家里有急事，临时用钱，想申请某行的5万元贷款，但是某行不批。为什么呢? 因为刘总虽然年收入百万元以上，但他用的这个卡虽然是发工资的，每月到账后，夫人就会把钱拿去购买。因此卡上一般没多少钱。但是刘总是不是高风险客户呢?显然，依据某行简单的分类方法，刘总被划为不能贷5万额度的类别了。长此以往，类似刘总这类高质量、低风险客户就有可能流失。于是，专门为解决这部分被银行排斥人群信贷问题的互联网金融平台火了起来。他们又无法获得银行提供的相关强特征的数据，但是得益于智能设备、计算资源的进步，很多传统风控未曾注意到的弱特征数据被发现并应用到这部分信贷业务中。他们通过建模把弱特征进行归类，符合同一类属性特征的个体，就认为其表现行为也是一样的，给予相似的，用来评估这部分被银行排斥人群的履约能力，这就是我们通常所说的大数据风控。模型开发出来后，应用到具体的信贷等金融活动中，等若干个放款周期结束后，会有结果数据出来，这时候需要依据这些运营数据对模型进行修正，经过一次次的迭代，模型的有效性、实用性会逐步提升。现在很多P2P都宣称有自己的大数据风控模型，并且冠以很多很厉害的名称，他们会强调自己的模型集成了成千上万个弱特征，比如逻辑回归、贝叶斯统计、、神经网络、等，可以通过机器达到自动审批，听起来是不是很厉害？但是这些模型究竟靠不靠谱呢？这里可以简单分析一下。假如一家若想构建这个一个模型预测客户的违约率，假如模型中有1000个特征，100个人匹配一个特征，那么样本数量怎么也得10万以上吧！如果平均每个客户借款1万元的话，那么交易总额就是10个亿！且不说很多中小型互联网金融公司有没有这个能力，就算有，在没有客户之前，公司又是用什么模型来审批客户的呢？如果用的是宣称的大数据风控模型，那最初没有放款客户，哪来的用于构建模型的数据呢？当然，有人宣布数据是对接的第三方数据，但是第三方数据的开放程度是众所周知的，他们不可能提供那些模型中需要的弱特征数据的，毕竟太复杂。所以，在我国征信基建尚未完善的今天，大数据风控还有很长的路要走。很多互联网金融公司无法获得关键数据，因此所谓的大数据风控模型不过就是几条简单的规则，正如我们经常看到的，很多互联网金融公司的借款端APP，在审核的条件时，只要借款人授权了通讯录和就放款，仅仅依照这样简单朴素的风控模型显然很难满足风控需求。P2P想把风控做好，如果没有BAT级别的，只能回归线下了。当然，当然脱离了行业业务场景的风控模型就是无本之木，这时候再谈模型的准确性，基本没有意义，因为不同业务场景的的评估逻辑、参数规律都不一样。大数据风控虽然实现难度很大，但主要面向于个人信贷的，而现在很多平台的资产端却主要对接的是。这时，风控就需要另一种模式了，如果你还有兴趣的话，下次我们聊聊依“企业+项目”双重审核准入标准的进驻式风控体系。返回搜狐，查看更多责任编辑：《浅谈看起来很屌的互联网金融大数据风控》 精选二“我们经手的项目中，有些金融机构是为了追捧概念而做大数据，并没有考虑实际中要解决的问题”在某金融业分享会上，一位咨询公司无奈的耸耸肩，“大数据仅是一种解决问题的工具，它不是万能的”。在金融本该最谨慎、最保守的风控领域，“得大数据者得天下”的论调同样颇有市场，大数据风控成为他们眼中驱除不良的神兵利器。IPC、评分卡没落，中国差点惨遭出售信贷机构风控技术主要分为IPC、信贷工厂、评分卡、大数据风控四类，随着借款客户下沉、体验感增强……面对变化，传统风控已经产生不适感：成本高、效率低、速度慢、维度单一……大数据风控破壳而出。“像消费这种，传统信贷员一天最多审核五十单，而大数据风控全程自动化，不受人力所累，审批数量无上限”在与IPC、信贷工厂等技术对比时，高效、人工低参与度是大数据风控留下的第一印象。据了解，目前、凡普金科等平台，其风控自动化水平已经达到80%，贷前的防欺诈、信用评估环节，已实现100%模型决策。“风控流程中留给人工的部分已经很少了，更多的是基础、辅助工作，像线下员对用户信息录入、后电话、用户资质拿捏不准时，需要人工对用户信息重新审核”马上消费高级数据决策总监李届悦说。目前，李届悦手下数据团队约为50人，负责数据清洗、模型迭代等工作，共同支撑约400亿交易量。“IPC依靠人工经验，要员一个一个去查，更适合大额度的对公业务”，91征信CEO薛本川表示：“国内很多信贷机构在风控上都已经采用模型了”。与IPC在小额贷款领域“遭人嫌弃”不同，以FICO为代表的评分卡模型，占领高净值人群市场，但由于国内缺乏征信土壤，FICO水土不服。信贷机构引入FICO评分模型品牌宣传的意义远大于风控本身，已是公开的秘密。“FICO评分模型精确度确实比较高，但看中还款记录，维度相对单一，无法给低信用记录人群精确评分。”zestfinance出身背景的李届悦说。2016年，FICO中国区副总裁王世今，曾多次公开表示，“针对市场情况，FICO已经推出新的评分模型”但行业对此冷淡。另有相关人士向清流透露，“FICO总部曾考虑出售FICO中国，一家类信贷金融集团考虑接手，后来因为一些原因，没有交易下去”。传统机构自我革新，大数据风控全产业链渗透大数据风控是将、海量数据输入模型，由机器自动判别借款资信状况，随着对算法的不断优化迭代，模型精准度将会越来越高。“通过测试对比，大数据风控在部分领域，尤其是方面，确实要比评分卡模型在适用度和准确度上要高”中诚信CTO姚明曾表示，一贯保守、正统印象的中诚信也在加码大数据。在美国，益博睿CEOBrian Cassin曾对大数据持观望态度，认为大数据并不成熟，但数据人员编制出卖了其意图。益博睿2015年财务报告显示：目前已有数据科学家400余人。“大数据风控核心在于模型本身，尤其是变量特征”第三方风控服务商诚安聚立创始人吴宇建表示。将接入的数据信息做成成千上百的变量，用于交叉检验，好比一个人说谎，他需要不断地编织谎言来去圆第一个谎，当信息足够大时，谎言就很容易被识别出来。获取海量数据成为机构的重点，多维度、海量数据也成为机构争夺的主战场。“大数据风控最主要的是数据，没有垃圾数据，所有的数据都是有用的，关键是怎样应用”某信贷搜索比价平台CEO在其D轮融资发布会时曾对媒体说。目前大数据风控由最初的反欺诈、信用评分，也在向风控全产业链衍生，如营销获客、贷后催收等，富国银行高级副总裁刘建民向国内金融业分享大洋对岸的催收经验：“我们会制作催收模型，预判违约者受压程度，能够电话催收的，直接由在菲律宾的电催中心打电话，降低催收成本。”目前大数据风控服务、征信公司、数据公司，如百融金服、诚安聚立等，也都推出涵盖贷前、贷中、贷后的全生命周期服务。想蹭大数据风控的热点，其实并不轻松“热点都是被蹭的”，大数据风控被金融平台强上。国内某家，宣称其依靠大数据来做风控，但是其风控负责人A姐向清流消费金融透露，“我们公司是由线下起家，主要还是靠人审，跟大数据什么的毫不沾边”据了解，该平台风控部门约130人，目前还在扩招。“大家都在宣传大数据风控，已经成为互金平台获取信任的一种手段，但究竟多大的数据才算是大数据”，看着众人哄捧的大数据风控，有着将近两年互金行业分析师经验的Z先生，眼睛里闪烁着看不懂的困惑。大数据的特性为海量数据、多样性、实时性、高价值。“大家都在关注海量、多维度、实时的数据，但忽视了数据的价值”，某咨询公司合伙人指出，“你倒是想把地球上所有数据都装起起来，但是数据是有成本的，关键是要解决什么问题，而不能盲目”。据了解，大数据风控成本为数据获取、风控模型搭建、IT系统，风控模型搭建、IT系统为固定成本，后期迭代、维护费用相对较少，而数据获取则是增量支出，目前信贷平台数据成本范围较大，根据客户资质不同，几块到一百多块钱不等。“数据本身是资源垄断性的，但随着征信逐步健全，数据未来将没有壁垒，数据将是脱敏，且能够公开交易买卖的”吴宇建对诚安聚立的定位，并没有放在数据本身，而是算法模型。感受到行业乱象的并非吴宇建一人，凡普金科相关负责人也对清流消费金融表示：“大数据征信的基础是数据结构化处理，只有经过结构化处理的风控模型，才能在机器中越跑越准，但目前很多机构都没有这道工序”。除此之外，许多传统金融机构也在求变，“部分机构找我们做项目，但在项目之初根本没有想好我要通过大数据来解决什么问题，只因领导一句话，领导说要大数据那就要大数据”，某咨询公司合伙人说。热捧之下，定有泡沫，待到破裂之时，“真用功”还是“假作作”，便能一眼看穿。占领在线旅游40%分期业务后，再度瞄准中小电商分期市场《浅谈看起来很屌的互联网金融大数据风控》 精选三原标题：郑志伟：风控能力就是核心竞争互联网金融的快速发展悄然改变着人们的生活，大数据风控的出现更是让如虎添翼。关于大数据风控带来的变化究竟是好还是坏，即使是业内人士，目前也是各执一词。支持的一派认为它成本低廉、效率较高，值得大范围内推广，而反对一方则认为大数据风控系统尚待完善，技术漏洞的无法避免会带来难以挽回的损失。两种观点各有所长、难辨雌雄的当下，我们能够确认的是，大数据风控支撑的互联网金融时代俨然来到。近日，某互联网金融公司高管郑志伟先生接受了在线的专访，作为互联网金融行业的优秀人士，就大数据风控在互联网金融中的发展，以及大数据风控模型的建立发表了一些看法和意见。以下为采访实录：记者：郑先生你好，作为从事了多年互联网金融领域的杰出人员，您认为互联网金融和大数据风控的关系是怎样的?郑志伟先生：对于互联网金融而言，的能力就是核心的竞争力。而风险控制不是空穴来风，而是长时间数据积累之后的一个判断。数据是什么?企业、客户的特征、需求;市场的运行法则;金融项目与所有主体的匹配性，这些构成了数据，数据的范围够大、内容够多，就成了大数据。这么大的数据怎么掌控?显然人工计算的时间成本过于高昂，计算机在这里就要取代人们的工作，计算机计算出来的结果，反馈到互联网金融，互联网金融依此提高自己的风险控制能力，这样一来，就在互联网金融和大数据之间形成了一个闭路环，谁也离不开谁，两个人在一起才能发展的空间才能更大。所以有人将互联网金融和大数据的结合比喻成为“天作之合”，是非常形象的。记者：我们知道大数据这个词最早发源于美国，我国近十几年互联网发展迅速，大数据的引入也有了用武之地，随之而来的一系列围绕大数据衍生的词汇中，大数据风控是最引人瞩目的，但究竟什么是大数据风控呢?郑志伟先生：大数据风控的确是近年来风靡互联网的一个词汇，有人把它看作是一连串的数据集合，有人把它看作是互联网金融的衍生品。我个人认为大数据风控是一种适应于整个时代，也必然会出现的创新管理方式。这个创新里面包含了风险的管理，也包括了信用的管理。随着我国征信记录越来越完善，大数据风控实际上从另一个侧面验证了征信对于个人和社会的重要性。它的核心理念是通过大数据核心算法和信用模型，在收集各种维度数据基础上，结合互联网化评分和信用管理模型，最终达到风险控制的目的。国家鼓励小微企业的建立，这些小微企业中就包括了小额金融企业，在它们初期发展阶段中，所有的信息与数据基本上都需要人工完成，如果说这项工作还有余力完成，那么在利用数据作统计分析的过程中，则显得力不从心。怎么办?外包---成本太高，效率太低，风险太高，质量太低。这时候大数据出现了，小微企业的工作人员凭借大数据做风控，既降低了成本，也优化了服务。事半功倍，国家是极为提倡的。所以我们现在看到市场上互联网金融企业借助大数据风控的力量，以及本身互联网的高效性和爆发性使他们能以较低的成本、较短的时间，积累大量的用户数据，为分析建模提供足够的样本量。这种大样本量、多维度、非结构化的数据非常适合各类大数据分析处理和机器学习技术的运用。记者：听您的描述，大数据风控的到来掀开了一个全新的经济社会，那么具体来说大数据风控能解决什么问题?郑志伟先生：首先是有效的提高了审核的效率。传统的风控审核，申请人需要花费大量的时间、力气证明自己的实力和信誉，调查审核机构也是费时费力，最后的结果往往还不如人意。引入大数据风控技术进行分析后，多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，极大地提高审核的效率和准确性。其次，互联网开放多元的环境致使恶意欺诈的数量也增加了。他们一般不会采用真实身份借款，身份真实性识别是反欺诈的核心。身份证、银行卡、姓名、手机号四要素如果无误，欺诈概率就比其他群体降低很多。通过大数据储存用户与各种ID对应的数据库，在用户进行借贷时进行身份匹配，能够及时辨别潜在的欺诈嫌疑用户。这些数据库包括：姓名、身份证号的实名ID，手机号、地址、银行卡号等准实名ID，QQ号、微博号、设备指纹(PC或手机硬件设备编号)等的匿名ID……可以说一个人在社会上学习、工作、生存、生活的所有密码性信息都被囊入其中，这就使得恶意欺诈的概率几近没有。再有，征信系统的开放最终会促使信用体系成为人们的另一张隐性身份证。信用包括了还款能力(经济实力)与还款意愿()两部分。大部分用户并非在申请阶段就有了恶意拖欠的用意，这就考验借款人对信用风险的判断，而行为数据挖掘是的核心。要预测借款人的信用风险，更多地需要依赖于分析海量用户的行为数据，从中挖掘出可以多次复用的规律。这可比肉眼查证的准确率要高多了。比如，坐过商务仓的客户违约率较低;在本地生活方面花钱越多的人违约率越低;访问天数越多，违约率风险越低;同一手机号使用九年以上的用户违约率较低;而三四线城市打游戏花钱较多的人违约率比较高等等……这些看似生活中的小事，毫无关联，但就是这些点点滴滴组成了一个人最终的信用体系。从银行的角度来看，大数据风控会在贷中、贷后都发生重要作用。例如贷中管理，就可以通过及时监测借款人信用的变化、的新增、流水的异动、联系状态的异常等数据，提前的、自动化的识别风险，效率远高于人工、准确率也远高于人工。传统的恶意金融拖欠中，70%-80%的是因为债务人失联导致，但是大数据就像一张无形的网，所有的人都在网里，基本上不存在失联的机会，无论是通过关联匿名ID、还是联系家人朋友追回欠债，大数据从能在网上找到恶意拖欠人的“蛛丝马迹”，从而顺藤摸瓜，解决不良资产，从宏观上来说，这也是为国家降低损失，保护老百姓的利益。返回搜狐，查看更多责任编辑：《浅谈看起来很屌的互联网金融大数据风控》 精选四，笔名“江南愤青”，江南1535茶馆创始人，聚秀资本合伙人，个人公众号“扯淡堂”（ID：rzycblfg）。目前近两百家互联网企业，担任了、等多家知名互联网金融企业的首席战略顾问。江南愤青大数据风控无效的N个理由喜欢本文就分享到朋友圈~文/江南愤青现在很多人在扯大数据能解决风控难题，事实上都是一厢情愿，不现实也不可能！诚然，大数据可以优化管理、提高风控效率、降低风控成本，但是无法决定风控质量，金融机构的风控质量永远是个一揽子系统工程。不同金融机构面对同一风险等级的客户，它们的风控往往不是同一个水平。因为不同的金融机构有不同的风险承受能力，自然会形成不同的，存在差异性。所以，我曾说，很多互联网金融公司提出来的征信系统接口如何开放的问题，其实是无法解答风控命题的。不是说征信系统开放了，你风控就OK了，这是不可能的。因为全行业都面对同一个征信系统，最终的使用效率、定价能力，还是取决于你自己的能力。越是公开透明的市场，其实竞争的难度越大，单纯开放征信系统不能解决风控问题。仔细分析下为什么大数据无效，我的理由是多方面的——大数据无法预测第一个理由就是，金融其实是看天吃饭的。我一直坚持认为——金融是被经济形势所决定的，在经济形势低迷的情况下，金融机构无论怎么折腾都很难玩出特别好的花样。2008年一来，覆巢之下安有完卵，就是这么简单的道理。系统性风险是任何一家金融机构都必须面临的现实问题，大数据风控在系统性风险面前，毫无意义。那么，大数据能否预测经济形势，即预测系统性风险呢？很多人说大数据可以做到，我觉得都是扯淡。过去是无法有效推演未来的！就个人而言，是否有通过数据分析形成准确判断的可能性？这个很难说，有人一叶而知秋，有人一叶而障目，都是个人能力的结果。个人能力很难说是一种模式的核心竞争力，也缺乏可持续性。无法进行大数据风控第二个理由是，金融行业其实不完全符合大数据所要求的逻辑前提。大数据的核心逻辑前提是统计学，有两个要素：一是样本筛选，就是通过数据筛选出相同特征的群体出现违约的概率；二是需要足够数量来覆盖统计学里的偶发性特征。两者是统一而不可分割的。因为大数据的相关性必然是建立在足够大样本量基础上的，仅仅是个体相关不足以成为推断相关性的基础。也就是说，在金融业务操作的时候，也必须覆盖足够大的人群，但足够大是多少？对于单一金融机构而言，“足够大”已经是个绝对致命的难题了。另外，这里其实还隐含一个基础逻辑，就是每个操作的业务群体还要呈现独立非相关，否则也没啥意义。这里我们做个小讨论：经营性贷款能否做大数据风控？我认为，经营性需求很难使用数据来进行模型化。为什么呢？先从企业主来看。什么人会成为企业主？事实上，只要成为企业主，无论是大是小，他们都自动从普通人群里独立出来了。再小的企业主，其实都是社会的另类，成功的是精英，失败的是脑残，唯一不可能的就是社会公众。所以这类人本身就是异类，个个都充满极大的不确定性和变数，很难被量化和模型化。这里还有一个问题，相同的人群在不同场合呈现的特征是不一样的，尤其是目前人们在线上、线下割裂的状态，其行为方式往往会出现强烈的反差。因此，对于同一个人，根据单一维度数据对其进行判断的意义是很有限的，不同维度的数据会反映出极为不同的特征，这时候全数据就显得异常重要。所谓全数据，就是N=所有，这个概念是牛津大学互联网中心的维克托迈尔－舍恩伯格教授提出的，他最喜欢的对于大数据集合的定义是“N= 所有”，这里不再需要采样，因为我们有整个人群的数据。这就好比选举监察人不会找几张有代表性的选票来估计选举的结果，他们会记点每一张选票。当“N= 所有”的时候，确实不再有采样偏差的问题，因为采样已经包含了所有人。这个说法很有意思，因为互联网的海量容纳数据的可能性，的确给了全数据一个很好的假设前提，但是这个命题很容易回归到假设的前提上去，在未实现全数据之前，就别谈大数据了，毫无意义！金融行业会“未来改变现在”第三个理由是，大数据的前提——“过去决定未来”，并不总是成立的。现实中往往会出现未来改变过去的情况。这个有点难以理解，啥意思呢？其实很简单，就是一个人某些特征值的改变，会改变系统对他过去的数据所形成的基本特征的认定。比如我们经常说“男人有钱就变坏”，这里隐含的逻辑是，过去判断一个男人是好人，是建立在他没钱的基础上的。而一旦这个基础被破坏，这个男人变成有钱人的时候，他就已经脱离了最早的系统判定，进入另外一个范畴了。因此，这个未来的变化，直接把过去建立的逻辑给打破了。这种现象其实是一个循环函数的概念，带有变量值的东西往往是无法建模型的。我们在金融运作中经常发现这样的现象：给钱之后的企业跟给钱之前的企业，是有绝对不同的基础性特征的。过去往往被未来给改变了。以前也碰到过有人谈所谓的“量化炒股”，设定各种各样的模型来实现炒股的自动化。这种方法，在你规模不大的情况下，我认为还真是有一定的成功概率的。但是一旦你的规模足够大，你自己也成为了市场的重要角色的时候，你就会发现你所有模型失效了，因为你进入了死循环。《银河帝国》里面给了一条重要的假设，就是所有成为统计样本的样本主体，并不知道自己是被统计的样本，否则就会失去统计意义。前段时间碰到一朋友，谈到大数据风控，我们无法在大数据是否可以建立风控模型上达成一致。最后，退而求其次，我就说，好吧，假设你的模型能成立，事实上，你会面临一个非常严重和致命的问题，就是你的客户群体，会变得让你越来越不认识。为什么呢？因为一旦某互联网金融公司采取大数据的量化放贷，在市场就会出现大量的放贷机构，依附在这个互联网金融公司之上，进行尾随和跟踪放贷。也就是在这个金融公司放贷的基础之上，再配置20%左右的贷款，期限比其更短。在这种情况下，这个金融公司之前所设定的所谓模型，会全部失去效应。事实上，在传统信贷中，浙江大量股份制银行就是采用如此策略，使得大银行的所谓风控审核都形同虚设。“风险滞后”使风控无法数据模型化第四个理由是，金融业还有一个与其他行业不同的地方，就是风险滞后。风险滞后意味着什么呢？意味着由过去数据所推导的模型，会在过去和未来之间留有一段缝隙，这个缝隙中所发生的任何变化，都让你无法有效调整风险的认定。简单举例，我们根据餐饮企业的大量数据推导出某一风控模型之后，进行批量化的业务操作，等着贷款回收。这期间，银行基本无主动权，你要回收贷款，人家第一要有钱，第二要配合。实际上，贷前你是老大，贷后你就是孙子了。而突然某一天政府发文要求降低三公消费，你就等着傻眼吧！所有的数据都会因为期间任何一个偶发性变化而发生实质性变化，而你却丧失了主动权。所以，我们哪怕撇开目前大数据受限制于数据孤岛等一系列的现实问题(全维度数据的成本极高、难度极大，美国政府的棱镜计划有点这个意思，但那几乎是集中了一个国家的资源），就单一大数据风控而言，实现风控的数据模型化只是美好的设想，是脱离了社会现实的一种自我意淫的产物。除非体系内不存在市场博弈行为，毫无竞争对手。不过，真到了市场毫无竞争对手的情况，你需要风控模型么？闭着眼睛做就行了。大数据的现实意义当然，我这里并非是全盘否认大数据的现实意义。大数据可以有效地提升效率，降低管理成本，作为金融机构，效率的提升和管理成本的下降，最终都是提升了对抗风险的能力。因此，大数据虽然不能直接提高风控能力，但也具备重要的现实意义。我在看金融史和马克思的《资本论》时，会设想一个奇怪的命题：大数据能否让计划经济回归？这个说法其实最早是胡晓明先生提出来的，我后来越想越有道理。马克思等人提出，社会总是生产出那些高于实际需要的产品，牛奶宁愿倒掉也不给予普通民众，说明市场的生产是过度的。为什么如此？虽然从结果来看，市场经济是高效的资源配置方式，但从过程来看，市场经济的弊端也是非常明显的，它高效的背后其实是巨大的资源浪费。一个成功企业的背后是倒下的无数个类似企业，这些都是要计入的社会成本。因此，市场经济高效率的背后其实是整个社会的低效率。在这种情况下，计划经济从其出发点来看，力图构建一个体系，让市场需求能被有效计算，然后以需定产，从而最大程度地降低社会成本。理论无限美好，但现实中却往往发现，需求是无法统计和计算的。缺乏有效的统计手段，从而使得理想也只是理想。计划经济的失败，让前苏联的生产和实际需求产生了极大的错位，重工业泛滥而轻工业不足。那么，现在大数据匹配，是否可以解决这个问题呢？理论上是否可能让计划经济回归或者部分回归？呵呵，很有意思的问题。不扯远的了。可能很多专家会认为我的理解过于肤浅，但是，从金融运行实践来看，我对自己的结论还是抱有极大信心的。其实，大数据即使成功，也必然只是个别案例，不具备普遍性。因为对于同一数据，不同的机构对其有效应用的能力必然是不同的，而这种应用能力，才是机构之间竞争的关键。※ 本文仅代表作者个人观点，并不代表观点。《浅谈看起来很屌的互联网金融大数据风控》 精选五正式发问之前，我们先跟大佬们聊点八卦问：2016年最大的愿望和目标是什么？A、融资 B、盈利C、上市 D、规模 E、生存CEO: D 规模COO余军:C 上市是我们未来的目标。CEO郭超: 都有。当然，如果最大，还是希望能够上市。――魅访谈――问：大数据征信是消费金融能否走远的基础，但如今大数据获得成本较高，自建还是跟人合作，你觉得哪个方式更好？由于经济下行压力较大，之前小微贷款方向的互联网金融公司遭遇寒冬，消费金融的不良会更高还是更低？产品负责人 郝颖消费金融风险总体平稳行业发展到一定的程度就会出现重组和分工，每个参与方会按照自己的比较优势进行定位。例如有数据分析能力的会更专注于数据的整理和分析，有渠道的会专注用户营销和体验，所以产业链会被分割成很多子链条，然后各子链条进行协作，共同完成客户服务，合作共建是大势所趋。关于消费金融的不良，不能单纯用高和低来看，不良是信贷业务的成本，好和坏评判标准还要综合和社会责任一起评判，如果稍高一些，但是收益率也稍高一些，只要风险一直是稳定的，能给消费者带来便利，在消费者可承受的还款能力内进行授信，就是好的。就目前趋势看，虽然经济有下行压力，但是消费总量还是持续快速增长，说明消费潜力还在释放，随着消费的增加，将会带动经济发展，总体看我认为风险是会比较平稳的。CEO合建大数据可降低征信成本大数据征信不单是海量数据的简单汇集，更多是通过一系列的新技术手段，获取散布在社交网络、电商平台、线下采集等大量与信贷行为特征呈现弱相关（对应人民银行征信局的数据与信贷行为呈现强相关）的海量信息，进行更为复杂和多维的加工，提取散布在大量噪音信号中的有效成分，来实现征信服务。合作的方式能够更有效地避免资源浪费，降低征信成本。以信而富为例，我们在大数据算法、模型评分、预先批准、自动决策、风险定价等核心技术方面具备独特优势，通过与拥有大数据的机构进行合作，可以充分发挥各自优势，大规模、低成本、高效率的服务客户。美利金融CEO刘雁南大数据一定要与“巨人”合作风控最关键的就是大数据，做消费金融基础就是用户大数据，一定要与“巨人”合作。以美利金融为例，我们与分，京东金融等合作，交叉验证，以确保借款人的信誉数据。支付、大数据、云计算，在中间层，包括征信、，这些领域BAT都已经很早布局，作为一个创业型企业，只有在应用层进行创新，包括贷款、理财、众筹、保险等，合作创业型企业在应用层才能有机会，也就是说站在巨人的肩膀上，与他人合作。消费金融最大的特点就是用户基数大，用户基数决定了潜在的业务规模，而数据和风控是非常重要的一环，款的单笔借款金额非常少，3C的平均每月两三百块钱，二手车平均每月五六千块钱，这样的量级大家的还款能力没有问题，真正有问题的是还款意愿，那么通过多家合作伙伴提供的数据来源，进行交叉验证，对于降低欺诈风险很有效率。目前美利金融二手车业务的率是0.5%，明年的坏账率将低于0.5%。小牛在线COO 余军自建征信体系用户定位更精准我认为如果公司在有实力的情况下自建大数据征信体系是比较好的方式，因为你能在通过自建的过程中，你会根据你的消费习惯以及消费场景产生更为精准的用户分析，像阿里、腾讯他们都是自建大数据征信体系。用户定位也更为精准，只是成本会相对较高，对公司的经营规模也有非常高的要求。事实上，消费金融受经济下行的影响比较小，因为多是针对日常消费，即使在目前实体经济下行阶段，中国城镇居民家庭人均可支配收入依然平稳增长，消费市场保持着较为平稳增长态势。随着80、90青年族群步入社会，消费个性化、体验式趋势日益提升，网上购物、旅游消费、休闲娱乐消费等消费升级趋势愈发凸显，在线教育、智能医疗等新兴消费领域不断发展，因此消费金融的不良率不会偏高，毕竟是针对，自然人不会消失，顶多会逾期，而且这些人借款的数额通常不会很大，风险都是可控的。第1车贷CEO 郭超大数据关键在于体系量化、高效、规范无论是自建还是跟人合作，不是关键，关键在于所谓建立大数据风控体系的信息数据采集来源、评分方式、建模标准、分析策略等因素，是不是真正做到量化、智能高效而且规范的管理，更加精准地匹配对接消费需求、行为习惯以及互联网电商、等各种消费场景。根据第1车贷这两年的实践探索来看，包括我们自身在针对2B或者2C的金融服务，也是建立我们自己的大数据风控体系，并且有了一点自己的心得。未来我们也会在2C这快，力求把这一体系再深挖、做到更精细。至于消费金融的不良会更高还是更低，还要看行业如何操作。除了靠用户自身诚信、消费能力的自觉外，平台如何通过策略、机制引导，以及相关政策如何规范。本文转自金融魅丽。
0《浅谈看起来很屌的互联网金融大数据风控》 精选六“我们经手的项目中，有些金融机构是为了追捧概念而做大数据，并没有考虑实际中要解决的问题”在某金融业分享会上，一位咨询公司合伙人无奈的耸耸肩，“大数据仅是一种解决问题的工具，它不是万能的”。在金融本该最谨慎、最保守的风控领域，“得大数据者得天下”的论调同样颇有市场，大数据风控成为他们眼中驱除不良的神兵利器。IPC、评分卡没落，FICO中国差点惨遭出售信贷机构风控技术主要分为IPC、信贷工厂、评分卡、大数据风控四类，随着借款客户下沉、体验感增强……面对变化，传统风控已经产生不适感：成本高、效率低、速度慢、维度单一……大数据风控破壳而出。“像消费这种小额贷款，传统信贷员一天最多审核五十单，而大数据风控全程自动化，不受人力所累，审批数量无上限”在与IPC、信贷工厂等技术对比时，高效、人工低参与度是大数据风控留下的第一印象。据了解，目前马上消费金融、凡普金科等平台，其风控自动化水平已经达到80%，贷前的防欺诈、信用评估环节，已实现100%模型决策。“风控流程中留给人工的部分已经很少了，更多的是基础、辅助工作，像线下助贷员对用户信息录入、逾期后电话催收、用户资质拿捏不准时，需要人工对用户信息重新审核”，马上消费高级数据决策总监李届悦说。目前，李届悦手下数据团队约为50人，负责数据清洗、模型迭代等工作，共同支撑约400亿交易量。“IPC依靠人工经验，要信审员一个一个去查，更适合大额度的对公业务”，91征信CEO薛本川表示：“国内很多信贷机构在风控上都已经采用模型了”。与IPC在小额贷款领域“遭人嫌弃”不同，以FICO为代表的评分卡模型，占领高净值人群市场，但由于国内缺乏征信土壤，FICO水土不服。信贷机构引入FICO评分模型品牌宣传的意义远大于风控本身，已是公开的秘密。“FICO评分模型精确度确实比较高，但看中还款记录，维度相对单一，无法给低信用记录人群精确评分。”zestfinance出身背景的李届悦说。2016年，FICO中国区副总裁王世今，曾多次公开表示，“针对中国互联网金融市场情况，FICO已经推出新的评分模型”但行业对此冷淡。另有相关人士向清流消费金融透露，“FICO总部曾考虑出售FICO中国，一家类信贷金融集团考虑接手，后来因为一些原因，没有交易下去”。传统机构自我革新，大数据风控全产业链渗透大数据风控是将多维度、海量数据输入模型，由机器自动判别借款资信状况，随着对机器学习算法的不断优化迭代，模型精准度将会越来越高。“通过测试对比，大数据风控在部分领域，尤其是小额信贷方面，确实要比评分卡模型在适用度和准确度上要高”中诚信CTO姚明曾表示，一贯保守、正统印象的中诚信也在加码大数据。在美国，益博睿CEOBrian Cassin曾对大数据持观望态度，认为大数据并不成熟，但数据人员编制出卖了其意图。益博睿2015年财务报告显示：目前已有数据科学家400余人。“大数据风控核心在于模型本身，尤其是变量特征”第三方风控服务商诚安聚立创始人吴宇建表示。将接入的数据信息做成成千上百的变量，用于交叉检验，好比一个人说谎，他需要不断地编织谎言来去圆第一个谎，当信息足够大时，谎言就很容易被识别出来。获取海量数据成为机构的重点，多维度、海量数据也成为机构争夺的主战场。“大数据风控最主要的是数据，没有垃圾数据，所有的数据都是有用的，关键是怎样应用”某信贷搜索比价平台CEO在其D轮融资发布会时曾对媒体说。目前大数据风控由最初的反欺诈、信用评分，也在向风控全产业链衍生，如营销获客、贷后催收等，富国银行高级副总裁刘建民向国内金融业分享大洋对岸的催收经验：“我们会制作催收模型，预判违约者受压程度，能够电话催收的，直接由在菲律宾的电催中心打电话，降低催收成本。”目前大数据风控服务、征信公司、数据公司，如百融金服、诚安聚立等，也都推出涵盖贷前、贷中、贷后的全生命周期服务。想蹭大数据风控的热点，其实并不轻松“热点都是被蹭的”，大数据风控被金融平台强上。国内某家互金平台，宣称其依靠大数据来做风控，但是其风控负责人A姐向清流消费金融透露，“我们公司是由线下起家，主要还是靠人审，跟大数据什么的毫不沾边”据了解，该平台风控部门约130人，目前还在扩招。“大家都在宣传大数据风控，已经成为互金平台获取投资人信任的一种手段，但究竟多大的数据才算是大数据”，看着众人哄捧的大数据风控，有着将近两年互金行业分析师经验的Z先生，眼睛里闪烁着看不懂的困惑。大数据的特性为海量数据、多样性、实时性、高价值。“大家都在关注海量、多维度、实时的数据，但忽视了数据的价值”，某咨询公司合伙人指出，“你倒是想把地球上所有数据都装起起来，但是数据是有成本的，关键是要解决什么问题，而不能盲目”。据了解，大数据风控成本为数据获取、风控模型搭建、IT系统，风控模型搭建、IT系统为固定成本，后期迭代、维护费用相对较少，而数据获取则是增量支出，目前信贷平台数据成本范围较大，根据客户资质不同，几块到一百多块钱不等。“数据本身是资源垄断性的，但随着征信逐步健全，数据未来将没有壁垒，数据将是脱敏，且能够公开交易买卖的”吴宇建对诚安聚立的定位，并没有放在数据本身，而是算法模型。感受到行业乱象的并非吴宇建一人，凡普金科相关负责人也对清流消费金融表示：“大数据征信的基础是数据结构化处理，只有经过结构化处理的风控模型，才能在机器中越跑越准，但目前很多机构都没有这道工序”。除此之外，许多传统金融机构也在求变，“部分机构找我们做项目，但在项目之初根本没有想好我要通过大数据来解决什么问题，只因领导一句话，领导说要大数据那就要大数据”，某咨询公司合伙人说。热捧之下，定有泡沫，待到破裂之时，“真用功”还是“假作作”，便能一眼看穿。《浅谈看起来很屌的互联网金融大数据风控》 精选七“我们经手的项目中，有些金融机构是为了追捧概念而做大数据，并没有考虑实际中要解决的问题”在某金融业分享会上，一位咨询公司合伙人无奈的耸耸肩，“大数据仅是一种解决问题的工具，它不是万能的”。在金融本该最谨慎、最保守的风控领域，“得大数据者得天下”的论调同样颇有市场，大数据风控成为他们眼中驱除不良的神兵利器。IPC、评分卡没落，FICO中国差点惨遭出售信贷机构风控技术主要分为IPC、信贷工厂、评分卡、大数据风控四类，随着借款客户下沉、体验感增强……面对变化，传统风控已经产生不适感：成本高、效率低、速度慢、维度单一……大数据风控破壳而出。“像消费这种小额贷款，传统信贷员一天最多审核五十单，而大数据风控全程自动化，不受人力所累，审批数量无上限”在与IPC、信贷工厂等技术对比时，高效、人工低参与度是大数据风控留下的第一印象。据了解，目前马上消费金融、凡普金科等平台，其风控自动化水平已经达到80%，贷前的防欺诈、信用评估环节，已实现100%模型决策。“风控流程中留给人工的部分已经很少了，更多的是基础、辅助工作，像线下助贷员对用户信息录入、逾期后电话催收、用户资质拿捏不准时，需要人工对用户信息重新审核”马上消费高级数据决策总监李届悦说。目前，李届悦手下数据团队约为50人，负责数据清洗、模型迭代等工作，共同支撑约400亿交易量。“IPC依靠人工经验，要信审员一个一个去查，更适合大额度的对公业务”，91征信CEO薛本川表示：“国内很多信贷机构在风控上都已经采用模型了”。与IPC在小额贷款领域“遭人嫌弃”不同，以FICO为代表的评分卡模型，占领高净值人群市场，但由于国内缺乏征信土壤，FICO水土不服。信贷机构引入FICO评分模型品牌宣传的意义远大于风控本身，已是公开的秘密。“FICO评分模型精确度确实比较高，但看中还款记录，维度相对单一，无法给低信用记录人群精确评分。”zestfinance出身背景的李届悦说。2016年，FICO中国区副总裁王世今，曾多次公开表示，“针对中国互联网金融市场情况，FICO已经推出新的评分模型”但行业对此冷淡。另有相关人士向清流消费金融透露，“FICO总部曾考虑出售FICO中国，一家类信贷金融集团考虑接手，后来因为一些原因，没有交易下去”。传统机构自我革新，大数据风控全产业链渗透大数据风控是将多维度、海量数据输入模型，由机器自动判别借款资信状况，随着对机器学习算法的不断优化迭代，模型精准度将会越来越高。“通过测试对比，大数据风控在部分领域，尤其是小额信贷方面，确实要比评分卡模型在适用度和准确度上要高”中诚信CTO姚明曾表示，一贯保守、正统印象的中诚信也在加码大数据。在美国，益博睿CEOBrian Cassin曾对大数据持观望态度，认为大数据并不成熟，但数据人员编制出卖了其意图。益博睿2015年财务报告显示：目前已有数据科学家400余人。“大数据风控核心在于模型本身，尤其是变量特征”第三方风控服务商诚安聚立创始人吴宇建表示。将接入的数据信息做成成千上百的变量，用于交叉检验，好比一个人说谎，他需要不断地编织谎言来去圆第一个谎，当信息足够大时，谎言就很容易被识别出来。获取海量数据成为机构的重点，多维度、海量数据也成为机构争夺的主战场。“大数据风控最主要的是数据，没有垃圾数据，所有的数据都是有用的，关键是怎样应用”某信贷搜索比价平台CEO在其D轮融资发布会时曾对媒体说。目前大数据风控由最初的反欺诈、信用评分，也在向风控全产业链衍生，如营销获客、贷后催收等，富国银行高级副总裁刘建民向国内金融业分享大洋对岸的催收经验：“我们会制作催收模型，预判违约者受压程度，能够电话催收的，直接由在菲律宾的电催中心打电话，降低催收成本。”目前大数据风控服务、征信公司、数据公司，如百融金服、诚安聚立等，也都推出涵盖贷前、贷中、贷后的全生命周期服务。想蹭大数据风控的热点，其实并不轻松“热点都是被蹭的”，大数据风控被金融平台强上。国内某家互金平台，宣称其依靠大数据来做风控，但是其风控负责人A姐向清流消费金融透露，“我们公司是由线下起家，主要还是靠人审，跟大数据什么的毫不沾边”据了解，该平台风控部门约130人，目前还在扩招。“大家都在宣传大数据风控，已经成为互金平台获取投资人信任的一种手段，但究竟多大的数据才算是大数据”，看着众人哄捧的大数据风控，有着将近两年互金行业分析师经验的Z先生，眼睛里闪烁着看不懂的困惑。大数据的特性为海量数据、多样性、实时性、高价值。“大家都在关注海量、多维度、实时的数据，但忽视了数据的价值”，某咨询公司合伙人指出，“你倒是想把地球上所有数据都装起起来，但是数据是有成本的，关键是要解决什么问题，而不能盲目”。据了解，大数据风控成本为数据获取、风控模型搭建、IT系统，风控模型搭建、IT系统为固定成本，后期迭代、维护费用相对较少，而数据获取则是增量支出，目前信贷平台数据成本范围较大，根据客户资质不同，几块到一百多块钱不等。“数据本身是资源垄断性的，但随着征信逐步健全，数据未来将没有壁垒，数据将是脱敏，且能够公开交易买卖的”吴宇建对诚安聚立的定位，并没有放在数据本身，而是算法模型。感受到行业乱象的并非吴宇建一人，凡普金科相关负责人也对清流消费金融表示：“大数据征信的基础是数据结构化处理，只有经过结构化处理的风控模型，才能在机器中越跑越准，但目前很多机构都没有这道工序”。除此之外，许多传统金融机构也在求变，“部分机构找我们做项目，但在项目之初根本没有想好我要通过大数据来解决什么问题，只因领导一句话，领导说要大数据那就要大数据”，某咨询公司合伙人说。热捧之下，定有泡沫，待到破裂之时，“真用功”还是“假作作”，便能一眼看穿。《浅谈看起来很屌的互联网金融大数据风控》 精选八“我们经手的项目中，有些金融机构是为了追捧概念而做大数据，并没有考虑实际中要解决的问题”在某金融业分享会上，一位咨询公司合伙人无奈的耸耸肩，“大数据仅是一种解决问题的工具，它不是万能的”。在金融本该最谨慎、最保守的风控领域，“得大数据者得天下”的论调同样颇有市场，大数据风控成为他们眼中驱除不良的神兵利器。IPC、评分卡没落，FICO中国差点惨遭出售信贷机构风控技术主要分为IPC、信贷工厂、评分卡、大数据风控四类，随着借款客户下沉、体验感增强……面对变化，传统风控已经产生不适感：成本高、效率低、速度慢、维度单一……大数据风控破壳而出。“像消费这种小额贷款，传统信贷员一天最多审核五十单，而大数据风控全程自动化，不受人力所累，审批数量无上限”在与IPC、信贷工厂等技术对比时，高效、人工低参与度是大数据风控留下的第一印象。据了解，目前马上消费金融、凡普金科等平台，其风控自动化水平已经达到80%，贷前的防欺诈、信用评估环节，已实现100%模型决策。“风控流程中留给人工的部分已经很少了，更多的是基础、辅助工作，像线下助贷员对用户信息录入、逾期后电话催收、用户资质拿捏不准时，需要人工对用户信息重新审核”马上消费高级数据决策总监李届悦说。目前，李届悦手下数据团队约为50人，负责数据清洗、模型迭代等工作，共同支撑约400亿交易量。“IPC依靠人工经验，要信审员一个一个去查，更适合大额度的对公业务”，91征信CEO薛本川表示：“国内很多信贷机构在风控上都已经采用模型了”。与IPC在小额贷款领域“遭人嫌弃”不同，以FICO为代表的评分卡模型，占领高净值人群市场，但由于国内缺乏征信土壤，FICO水土不服。信贷机构引入FICO评分模型品牌宣传的意义远大于风控本身，已是公开的秘密。“FICO评分模型精确度确实比较高，但看中还款记录，维度相对单一，无法给低信用记录人群精确评分。”zestfinance出身背景的李届悦说。2016年，FICO中国区副总裁王世今，曾多次公开表示，“针对中国互联网金融市场情况，FICO已经推出新的评分模型”但行业对此冷淡。另有相关人士向清流消费金融透露，“FICO总部曾考虑出售FICO中国，一家类信贷金融集团考虑接手，后来因为一些原因，没有交易下去”。传统机构自我革新，大数据风控全产业链渗透大数据风控是将多维度、海量数据输入模型，由机器自动判别借款资信状况，随着对机器学习算法的不断优化迭代，模型精准度将会越来越高。“通过测试对比，大数据风控在部分领域，尤其是小额信贷方面，确实要比评分卡模型在适用度和准确度上要高”中诚信CTO姚明曾表示，一贯保守、正统印象的中诚信也在加码大数据。在美国，益博睿CEOBrian Cassin曾对大数据持观望态度，认为大数据并不成熟，但数据人员编制出卖了其意图。益博睿2015年财务报告显示：目前已有数据科学家400余人。“大数据风控核心在于模型本身，尤其是变量特征”第三方风控服务商诚安聚立创始人吴宇建表示。将接入的数据信息做成成千上百的变量，用于交叉检验，好比一个人说谎，他需要不断地编织谎言来去圆第一个谎，当信息足够大时，谎言就很容易被识别出来。获取海量数据成为机构的重点，多维度、海量数据也成为机构争夺的主战场。“大数据风控最主要的是数据，没有垃圾数据，所有的数据都是有用的，关键是怎样应用”某信贷搜索比价平台CEO在其D轮融资发布会时曾对媒体说。目前大数据风控由最初的反欺诈、信用评分，也在向风控全产业链衍生，如营销获客、贷后催收等，富国银行高级副总裁刘建民向国内金融业分享大洋对岸的催收经验：“我们会制作催收模型，预判违约者受压程度，能够电话催收的，直接由在菲律宾的电催中心打电话，降低催收成本。”目前大数据风控服务、征信公司、数据公司，如百融金服、诚安聚立等，也都推出涵盖贷前、贷中、贷后的全生命周期服务。想蹭大数据风控的热点，其实并不轻松“热点都是被蹭的”，大数据风控被金融平台强上。国内某家互金平台，宣称其依靠大数据来做风控，但是其风控负责人A姐向清流消费金融透露，“我们公司是由线下起家，主要还是靠人审，跟大数据什么的毫不沾边”据了解，该平台风控部门约130人，目前还在扩招。“大家都在宣传大数据风控，已经成为互金平台获取投资人信任的一种手段，但究竟多大的数据才算是大数据”，看着众人哄捧的大数据风控，有着将近两年互金行业分析师经验的Z先生，眼睛里闪烁着看不懂的困惑。大数据的特性为海量数据、多样性、实时性、高价值。“大家都在关注海量、多维度、实时的数据，但忽视了数据的价值”，某咨询公司合伙人指出，“你倒是想把地球上所有数据都装起起来，但是数据是有成本的，关键是要解决什么问题，而不能盲目”。据了解，大数据风控成本为数据获取、风控模型搭建、IT系统，风控模型搭建、IT系统为固定成本，后期迭代、维护费用相对较少，而数据获取则是增量支出，目前信贷平台数据成本范围较大，根据客户资质不同，几块到一百多块钱不等。“数据本身是资源垄断性的，但随着征信逐步健全，数据未来将没有壁垒，数据将是脱敏，且能够公开交易买卖的”吴宇建对诚安聚立的定位，并没有放在数据本身，而是算法模型。感受到行业乱象的并非吴宇建一人，凡普金科相关负责人也对清流消费金融表示：“大数据征信的基础是数据结构化处理，只有经过结构化处理的风控模型，才能在机器中越跑越准，但目前很多机构都没有这道工序”。除此之外，许多传统金融机构也在求变，“部分机构找我们做项目，但在项目之初根本没有想好我要通过大数据来解决什么问题，只因领导一句话，领导说要大数据那就要大数据”，某咨询公司合伙人说。热捧之下，定有泡沫，待到破裂之时，“真用功”还是“假作作”，便能一眼看穿。《浅谈看起来很屌的互联网金融大数据风控》 精选九“我们经手的项目中，有些金融机构是为了追捧概念而做大数据，并没有考虑实际中要解决的问题”在某金融业分享会上，一位咨询公司合伙人无奈的耸耸肩，“大数据仅是一种解决问题的工具，它不是万能的”。在金融本该最谨慎、最保守的风控领域，“得大数据者得天下”的论调同样颇有市场，大数据风控成为他们眼中驱除不良的神兵利器。IPC、评分卡没落，FICO中国差点惨遭出售信贷机构风控技术主要分为IPC、信贷工厂、评分卡、大数据风控四类，随着借款客户下沉、体验感增强……面对变化，传统风控已经产生不适感：成本高、效率低、速度慢、维度单一……大数据风控破壳而出。“像消费这种小额贷款，传统信贷员一天最多审核五十单，而大数据风控全程自动化，不受人力所累，审批数量无上限”在与IPC、信贷工厂等技术对比时，高效、人工低参与度是大数据风控留下的第一印象。据了解，目前马上消费金融、凡普金科等平台，其风控自动化水平已经达到80%，贷前的防欺诈、信用评估环节，已实现100%模型决策。“风控流程中留给人工的部分已经很少了，更多的是基础、辅助工作，像线下助贷员对用户信息录入、逾期后电话催收、用户资质拿捏不准时，需要人工对用户信息重新审核”，马上消费高级数据决策总监李届悦说。目前，李届悦手下数据团队约为50人，负责数据清洗、模型迭代等工作，共同支撑约400亿交易量。“IPC依靠人工经验，要信审员一个一个去查，更适合大额度的对公业务”，91征信CEO薛本川表示：“国内很多信贷机构在风控上都已经采用模型了”。与IPC在小额贷款领域“遭人嫌弃”不同，以FICO为代表的评分卡模型，占领高净值人群市场，但由于国内缺乏征信土壤，FICO水土不服。信贷机构引入FICO评分模型品牌宣传的意义远大于风控本身，已是公开的秘密。“FICO评分模型精确度确实比较高，但看中还款记录，维度相对单一，无法给低信用记录人群精确评分。”zestfinance出身背景的李届悦说。2016年，FICO中国区副总裁王世今，曾多次公开表示，“针对中国互联网金融市场情况，FICO已经推出新的评分模型”但行业对此冷淡。另有相关人士向清流消费金融透露，“FICO总部曾考虑出售FICO中国，一家类信贷金融集团考虑接手，后来因为一些原因，没有交易下去”。传统机构自我革新，大数据风控全产业链渗透大数据风控是将多维度、海量数据输入模型，由机器自动判别借款资信状况，随着对机器学习算法的不断优化迭代，模型精准度将会越来越高。“通过测试对比，大数据风控在部分领域，尤其是小额信贷方面，确实要比评分卡模型在适用度和准确度上要高”中诚信CTO姚明曾表示，一贯保守、正统印象的中诚信也在加码大数据。在美国，益博睿CEOBrian Cassin曾对大数据持观望态度，认为大数据并不成熟，但数据人员编制出卖了其意图。益博睿2015年财务报告显示：目前已有数据科学家400余人。“大数据风控核心在于模型本身，尤其是变量特征”第三方风控服务商诚安聚立创始人吴宇建表示。将接入的数据信息做成成千上百的变量，用于交叉检验，好比一个人说谎，他需要不断地编织谎言来去圆第一个谎，当信息足够大时，谎言就很容易被识别出来。获取海量数据成为机构的重点，多维度、海量数据也成为机构争夺的主战场。“大数据风控最主要的是数据，没有垃圾数据，所有的数据都是有用的，关键是怎样应用”某信贷搜索比价平台CEO在其D轮融资发布会时曾对媒体说。目前大数据风控由最初的反欺诈、信用评分，也在向风控全产业链衍生，如营销获客、贷后催收等，富国银行高级副总裁刘建民向国内金融业分享大洋对岸的催收经验：“我们会制作催收模型，预判违约者受压程度，能够电话催收的，直接由在菲律宾的电催中心打电话，降低催收成本。”目前大数据风控服务、征信公司、数据公司，如百融金服、诚安聚立等，也都推出涵盖贷前、贷中、贷后的全生命周期服务。想蹭大数据风控的热点，其实并不轻松“热点都是被蹭的”，大数据风控被金融平台强上。国内某家互金平台，宣称其依靠大数据来做风控，但是其风控负责人A姐向清流消费金融透露，“我们公司是由线下起家，主要还是靠人审，跟大数据什么的毫不沾边”据了解，该平台风控部门约130人，目前还在扩招。“大家都在宣传大数据风控，已经成为互金平台获取投资人信任的一种手段，但究竟多大的数据才算是大数据”，看着众人哄捧的大数据风控，有着将近两年互金行业分析师经验的Z先生，眼睛里闪烁着看不懂的困惑。大数据的特性为海量数据、多样性、实时性、高价值。“大家都在关注海量、多维度、实时的数据，但忽视了数据的价值”，某咨询公司合伙人指出，“你倒是想把地球上所有数据都装起起来，但是数据是有成本的，关键是要解决什么问题，而不能盲目”。据了解，大数据风控成本为数据获取、风控模型搭建、IT系统，风控模型搭建、IT系统为固定成本，后期迭代、维护费用相对较少，而数据获取则是增量支出，目前信贷平台数据成本范围较大，根据客户资质不同，几块到一百多块钱不等。“数据本身是资源垄断性的，但随着征信逐步健全，数据未来将没有壁垒，数据将是脱敏，且能够公开交易买卖的”吴宇建对诚安聚立的定位，并没有放在数据本身，而是算法模型。感受到行业乱象的并非吴宇建一人，凡普金科相关负责人也对清流消费金融表示：“大数据征信的基础是数据结构化处理，只有经过结构化处理的风控模型，才能在机器中越跑越准，但目前很多机构都没有这道工序”。除此之外，许多传统金融机构也在求变，“部分机构找我们做项目，但在项目之初根本没有想好我要通过大数据来解决什么问题，只因领导一句话，领导说要大数据那就要大数据”，某咨询公司合伙人说。热捧之下，定有泡沫，待到破裂之时，“真用功”还是“假作作”，便能一眼看穿。《浅谈看起来很屌的互联网金融大数据风控》 精选十“我们经手的项目中，有些金融机构是为了追捧概念而做大数据，并没有考虑实际中要解决的问题”在某金融业分享会上，一位咨询公司合伙人无奈的耸耸肩，“大数据仅是一种解决问题的工具，它不是万能的”。在金融本该最谨慎、最保守的风控领域，“得大数据者得天下”的论调同样颇有市场，大数据风控成为他们眼中驱除不良的神兵利器。IPC、评分卡没落，FICO中国差点惨遭出售信贷机构风控技术主要分为IPC、信贷工厂、评分卡、大数据风控四类，随着借款客户下沉、体验感增强……面对变化，传统风控已经产生不适感：成本高、效率低、速度慢、维度单一……大数据风控破壳而出。“像消费这种小额贷款，传统信贷员一天最多审核五十单，而大数据风控全程自动化，不受人力所累，审批数量无上限”在与IPC、信贷工厂等技术对比时，高效、人工低参与度是大数据风控留下的第一印象。据了解，目前马上消费金融、凡普金科等平台，其风控自动化水平已经达到80%，贷前的防欺诈、信用评估环节，已实现100%模型决策。“风控流程中留给人工的部分已经很少了，更多的是基础、辅助工作，像线下助贷员对用户信息录入、逾期后电话催收、用户资质拿捏不准时，需要人工对用户信息重新审核”马上消费高级数据决策总监李届悦说。目前，李届悦手下数据团队约为50人，负责数据清洗、模型迭代等工作，共同支撑约400亿交易量。“IPC依靠人工经验，要信审员一个一个去查，更适合大额度的对公业务”，91征信CEO薛本川表示：“国内很多信贷机构在风控上都已经采用模型了”。与IPC在小额贷款领域“遭人嫌弃”不同，以FICO为代表的评分卡模型，占领高净值人群市场，但由于国内缺乏征信土壤，FICO水土不服。信贷机构引入FICO评分模型品牌宣传的意义远大于风控本身，已是公开的秘密。“FICO评分模型精确度确实比较高，但看中还款记录，维度相对单一，无法给低信用记录人群精确评分。”zestfinance出身背景的李届悦说。2016年，FICO中国区副总裁王世今，曾多次公开表示，“针对中国互联网金融市场情况，FICO已经推出新的评分模型”但行业对此冷淡。另有相关人士向清流消费金融透露，“FICO总部曾考虑出售FICO中国，一家类信贷金融集团考虑接手，后来因为一些原因，没有交易下去”。传统机构自我革新，大数据风控全产业链渗透大数据风控是将多维度、海量数据输入模型，由机器自动判别借款资信状况，随着对机器学习算法的不断优化迭代，模型精准度将会越来越高。“通过测试对比，大数据风控在部分领域，尤其是小额信贷方面，确实要比评分卡模型在适用度和准确度上要高”中诚信CTO姚明曾表示，一贯保守、正统印象的中诚信也在加码大数据。在美国，益博睿CEOBrian Cassin曾对大数据持观望态度，认为大数据并不成熟，但数据人员编制出卖了其意图。益博睿2015年财务报告显示：目前已有数据科学家400余人。“大数据风控核心在于模型本身，尤其是变量特征”第三方风控服务商诚安聚立创始人吴宇建表示。将接入的数据信息做成成千上百的变量，用于交叉检验，好比一个人说谎，他需要不断地编织谎言来去圆第一个谎，当信息足够大时，谎言就很容易被识别出来。获取海量数据成为机构的重点，多维度、海量数据也成为机构争夺的主战场。“大数据风控最主要的是数据，没有垃圾数据，所有的数据都是有用的，关键是怎样应用”某信贷搜索比价平台CEO在其D轮融资发布会时曾对媒体说。目前大数据风控由最初的反欺诈、信用评分，也在向风控全产业链衍生，如营销获客、贷后催收等，富国银行高级副总裁刘建民向国内金融业分享大洋对岸的催收经验：“我们会制作催收模型，预判违约者受压程度，能够电话催收的，直接由在菲律宾的电催中心打电话，降低催收成本。”目前大数据风控服务、征信公司、数据公司，如百融金服、诚安聚立等，也都推出涵盖贷前、贷中、贷后的全生命周期服务。想蹭大数据风控的热点，其实并不轻松“热点都是被蹭的”，大数据风控被金融平台强上。国内某家互金平台，宣称其依靠大数据来做风控，但是其风控负责人A姐向清流消费金融透露，“我们公司是由线下起家，主要还是靠人审，跟大数据什么的毫不沾边”据了解，该平台风控部门约130人，目前还在扩招。“大家都在宣传大数据风控，已经成为互金平台获取投资人信任的一种手段，但究竟多大的数据才算是大数据”，看着众人哄捧的大数据风控，有着将近两年互金行业分析师经验的Z先生，眼睛里闪烁着看不懂的困惑。大数据的特性为海量数据、多样性、实时性、高价值。“大家都在关注海量、多维度、实时的数据，但忽视了数据的价值”，某咨询公司合伙人指出，“你倒是想把地球上所有数据都装起起来，但是数据是有成本的，关键是要解决什么问题，而不能盲目”。据了解，大数据风控成本为数据获取、风控模型搭建、IT系统，风控模型搭建、IT系统为固定成本，后期迭代、维护费用相对较少，而数据获取则是增量支出，目前信贷平台数据成本范围较大，根据客户资质不同，几块到一百多块钱不等。“数据本身是资源垄断性的，但随着征信逐步健全，数据未来将没有壁垒，数据将是脱敏，且能够公开交易买卖的”吴宇建对诚安聚立的定位，并没有放在数据本身，而是算法模型。感受到行业乱象的并非吴宇建一人，凡普金科相关负责人也对清流消费金融表示：“大数据征信的基础是数据结构化处理，只有经过结构化处理的风控模型，才能在机器中越跑越准，但目前很多机构都没有这道工序”。除此之外，许多传统金融机构也在求变，“部分机构找我们做项目，但在项目之初根本没有想好我要通过大数据来解决什么问题，只因领导一句话，领导说要大数据那就要大数据”，某咨询公司合伙人说。热捧之下，定有泡沫，待到破裂之时，“真用功”还是“假作作”，便能一眼看穿。
温馨提示：以上内容仅为信息传播之需要，不作为投资参考，网贷有风险，投资需谨慎！
"浅谈看起来很屌的互联网金融大数据风控"的相关阅读：
还可以输入 500字
还没有用户评论, 快来
就是都是骗子。
就是都是骗子。
就是都是骗子。
相关推荐：
投资人QQ群
沪公网安备 45号}