互联网金融产品如何利用大数据做风控？ - iHowandWhy.com
互联网金融产品如何利用大数据做风控？
现在互联网金融行业例如微众，搞金融产品都是想用大数据来做风险控制，这个怎么玩的呢？
互联网金融产品太多，这里以P2P网贷为例，从风控涉及的相关环节分别来尝试讨论。销售环节：了解客户申请意愿和申请信息的真实性适用于信贷员模式，风控关键点：亲见申请人，亲见申请人证件，亲见申请人签字，亲见申请人单位。审批环节：进行基本信贷政策的核查，主要是核实申请信息、证件资料、是否伪冒申请。系统会审核剔除不符合基本信贷政策要求的客户，例如有严重不良征集记录的，内部已经有违约记录的，或者近期有较大风险被纳入关联黑名单的，不符合监管政策要求的客户。经过基本审查后，不同的申请人会依据客户信息的分类，被自动分发到不同的信贷流程中，这种不同的流程一般会根据客户的分类、申请额度的高低、是否新客户、是否存量等客户等因素进行设计 ，从而进入具体的审核环节。审核环节会采取系统审核和人工核查两个交互部分，审核不能过，有疑问的，或者通过的才能分别进入后续的环节，包括拒绝、退回补充调查、退回补充资料、通过、有条件通过等。适用于信贷工厂模式，风控关键点：1、客户填报信息的逻辑校验。客户填报信息包括其填写在申请表上的申报信息，以及提供的资质证明文件中的信息。欺诈客户由于编造了全部或部分信息，很可能在自行申报的相关信息中存在不符合常理的情况。利用互联网大数据提供的位置服务，能够将客户填写的地址信息定位为地址位置坐标，并与客户常用物流地址位置坐标进行比对，如果发现客户提供了一个距离过大的地址，则该地址信息存在虚假的可能性；针对移动端渠道，比如PAD，可以定位互联网客户的具体申请位置，与申请信息中填写的地址信息或职业信息进行对比验证；还可以收集客户填写申请过程的行为信息，如填写了多长时间、修改了几次、修改了哪些内容，这些信息项可以成为申请欺诈模型的变量或是申请欺诈策略的重要规则。2、客户填报信息与公司自有存量客户信息的逻辑校验。比如：多个申请件填报的单位电话相同，但对应的单位名称及地址不同，批量伪冒申请件的可能性就很高。3、外部信息的对比校验。恶意的申请往往会隐瞒对其不利的事实 ，如负债、公司运营存在问题、等待处理的法院执行信息等，通过爬虫抓取互联网上申请人的企业经营信息、法院执行信息可以核实申请人自身的真实资质。授信环节进入评分规则引擎的客户，会按类型走到不同的细分模块，以适应不同的细分模型，包括不同的产品、不同的行业、不同的客户群，如车贷、消费贷、抵押贷、个人经营贷等。风控关键点：不同类型的借款申请调用不同的信用评分规则引擎。根据用户授权许可自动抓取的数据：个人信息，抓取用户在互联网上留下的电商购买数据、搜索引擎数据、社交数据(微博/人人网等)、信用卡账单邮箱信息、学信网信息等多个维度的数据，得到有关个人性格、消费偏好、意愿、学历等的个人信息。商户信息：抓取商户的电商交易数据(物流、现金流、信息流数据)，电商的经营数据(如访客量、交易量、用户评价、物流信息等)。最后通过特定模型转化为个人授信评分数据与商户授信评分数据。附：大数据授信数据来源图贷后存量客户管理环节存量客户授信调整是存量客户管理中的重要一环，多种经营手段最终都会涉及授信客户的调整，不重视授信额度的管理，很有可能造成风险的快速上升，将引入端的“好客户”变成存量端的“坏客户”也是有可能的。风控关键点：1、违约情况观察，比如是否发生早期逾期，连续多期不还欠款、联系方式失效等2、信息关联排查，比如存量客户中是否有与新增的黑名单、灰名单数据匹配小微商户的存量风险管理过程中，可以从数据合作方获取商户交易流水信息，对其交易流水进行监测预警，对于突然出现的资金流入、流出，不符合经营规则的交易流水下滑情况，正常营业的大额交易等，均可以触发预警；通过大数据实时监测，一旦在外部数据监测过程中发现客户的严重负面信息、公安违法信息、法院执行信息、税务缴税信息、行业重要新闻、借款人社交关系网中的重大负面情况、借款人的网络浏览行为、资金支付结算情况等，可以及时触发预警。贷后逾期客户管理环节还款意愿差和还款能力不足是客户逾期的主要原因，这个环节主要涉及逾期客户管理与失联客户管理风控关键点：1、催收模型、策略优化。不同客户对于不同的催收手段的不同反应，可以通过大数据来挖掘规律。比如对于一个几乎无上网记录的客户，发送电子邮件进行催收，一般达不到触达效果，采取语音提醒可能效果更佳；对于一个微博控、知乎控，同样内容的催收还款提醒文字，通过微博、知乎私信发送比通过手机短信发送的效果更好。2、失联客户识别与修复失联客户信息。比如，与外部电商拥有的客户物流信息进行交叉核实，发现客户申请贷款时间提供的联系方式 与近期网购中使用的联系方式均无法匹配，则可能意味着客户更新了联系信息，这时就可以主动发起与客户的沟通及联络，避免客户失联的发生；对于失联客户，互联网积累的大量关联信息，能够为摸清客户的工作、生活、社交网络提供帮助。资金流动性管理环节流动性风险是P2P网贷平台的主要风险，跑路P2P网贷平台的一个重要原因就是发生了挤兑。大数据下的流动性管理其实是实时BI的一个应用。传统BI数据T+1，大数据是实时BI。风控关键点:整合平台所有借款端与投资端两端数据，从以下两个维度进行1、资金维度2、业务维度更多细节见之前的一个回答放款环节放款环节是防止账户接管与资金挪用的关键环节。风控关键点：指定账号资金划转与定向支付。比如，客户出于培训进修的学费借贷，在申请过程中就要求客户事先提供学校的相关账号。小结P2P大数据风控模型构建路径
10月5日，更新完毕——————————现在提大数据风控的文章，大都是讲个幌子，一点实质内容都没有。今年早些时候因为工作的原因，对这方面有点兴趣，某次跟一位老师谈到大数据风控的时候，听到一些大数据风控的实际例子，我在这里给大家分享一下。我们来看一下传统的信贷风控模式，贷前，贷中，贷后三部分中最看重的是贷前，而对贷中贷后并不是非常注重。而这样的思想在互联网金融上是绝对要不得的。互联网金融的客户什么牛鬼蛇神都有，其降低风险的主要手段其实并不是完善而大量的数据收集、统计和分析。而是风险的分摊。这也是金融行业最简单的贷款风险控制手段。如果我做十笔就可能会亏一笔，那我每九笔的利润至少要能摊平这一次的亏损。大数据的使用对于确定盈亏出清利率提供了相对合理的手段。似乎这样就已经可以了？只要事先选择合理的利率和合适客户就解决问题了？可惜事实总比你想的更奇葩。数据是靠谱的，分析却可以不靠谱，人却可以更不靠谱，这点我不多说，大家都明白。互联网的大数据在这一点上是比不上传统的信贷风控手段的。那位和我聊天的老师在这一点上说的很有意思。他说，互联网金融做的客户，多半是银行不想做不愿做的，它们只是捡了别人不要的东西，哪天银行真想要了，买来就是。诚然这里面多少有些一厢情愿，不过前半句倒是事实。从一开始，互联网金融就选择了传统信贷所难以下手的市场。谨记这点便引出了为什么我要在前面说，互联网金融绝对不能放松贷中和贷后的风控。而恰巧，大数据能帮互联网金融做到的最棒的部分，还就是贷中和贷后。关于贷中管理，这位老师讲了一个很有意思的案例。他提到有某家金融机构，使用大数据监控某个区域内企业的流水，如果某段时间流水出现了异常，那么他们就会派人去调查具体发生了什么事。这种方法在现行的传统风控手段中也是很常规的，但大数据给我们带来的便利除了降低人力成本，更主要的是可以发掘更多的判断依据。尤其在借款人有意隐瞒目前经营状况的时候，一些经营外的数据就有可能产生意义。举个简单的例子，如果借款人有打算跑路了，那除了现金流的变化，也会有些其他的变化，比如购买旅行箱，订机票，国外相关网站的浏览。而在贷后方面，大数据的介入除了给我们提供分析手段，更方便了我们对于客户需求的发掘。或许在以后，银行可以为个体提供更为贴心和前瞻性的服务，而这些也是大数据应用的重点。关于大数据的前景：大数据目前不一定是单独一家企业可以掌握的，以后也不一定。目前出现的对大数据的应用情况是，用户数据的采集和共享。在未来的一段时间内，因为法律法规不健全，必然会出现严重侵犯个人隐私的商业行为，而大数据会不会因此受阻，我个人是抱悲观态度的。大数据会有用，但首先要降低金融服务的成本。无论数据如何，最终还是需要人。而人的成本只会越来越高。以上是我对大数据应用的一点思考。可能不完全切题，欢迎讨论。
千万不要迷信所谓的大数据风控，尤其是现在。大数据风控是个很好的概念，也是所有贷款类企业的理想，但理想与现实总是差着十万八千里。大数据风控的核心点在于有效数据的数量和质量，问题恰恰就在这里。理想状态下，存在超级部门，可以构建完整的大数据平台。现实情况却是，有效数据散落在各个角落，成为信息的孤岛，没有任何一方有能力把数据整合起来，包括央行征信中心，目前也只是信贷数据，工商水电税收海关诉讼等其他部门的数据压根整合不了。至于很多互联网企业吹嘘的大数据，就更扯了。阿里、苏宁、京东等电商的购物数据金融价值相对高一些，基于你购物的习惯、档次判断你的信用层级；其他腾讯的社交数据金融属性就差一些；百度的搜索数据就更差一些。除了这几家巨头，一般的小P2P平台，哪来的大数据？都是扯淡罢了！
大数据风控即大数据风险控制，是指通过运用大数据构建模型的方法对借款人进行风险控制和风险提示。互联网金融大数据的采取渠道主要是通过对流量较大的平台以及同类大平台上的数据进行挖掘，并建立信用评级发放金融产品，其次便是一些互联网金融公司主动将数据贡献给第三方征信机构，再对这些征信数据进行分享，不过值得注意的是，这只是一部分的数据，并不是每家企业都愿意将数据无条件风险的。大数据风控利用数据分析和模型进行风险评估，依据评估分数，预测还款人的还款能力、还款意愿、以及欺诈风险，能够有效的减少投资人的投资风险，在一定程度上有利于保护投资人的资金安全。在P2P风险控制层面，在P2P企业中谈及风控，大家都会不约而同地说用大数据来做风控，但再去细问，大多数都是语焉不详，这既有商业机密的考量，但更重要的原因是大数据挖掘的能力不足大致的，大数据真正的技术含量和价值体现在提取和利用上，而不在于对数据的占有。目前国内的数据大多处于独立孤岛，很难形成由共享而成的数据链和数据网，而这恰恰是大数据风控所需要的。
互联网金融的本质其实还是金融，风险控制是金融的命脉。我觉得互联网金融平台对融资企业的风险控制呈现多样化，可以举几个例子：1、通过更多的大数据，降低风险。比如京东和阿里，他们掌握网贷公司的所有在线销售数据和线上的商店的生杀大权。企业的违约成本会很高，又有大数据做支撑所以这两家的风控会比较好。2、通过更多独家数据来降低风险。江苏有家P2B网贷平台叫开鑫贷（和当地的小贷公司合作），主要是信息撮合，由于开鑫贷是国有背景，之前小贷公司的财务系统就是他们开发的。这样一个优势再加上有国开行的背景，现在很受欢迎。3、通过大数据的挖掘和分析降低风险。比如人人贷，有利网。这两家也是积极倡议央行开放个人的征信系统的两家公司。主要是挖掘独立第三方信息，降低违约风险。
由于互联网金融是普惠金融，如果平台不掌握贷款人全面的数据来做决策使得坏账风险一定会上升。互联网金融企业还是根据自己的优势来选好方向把控风险,我觉得这是很有必要的。目前出现了如神州融一类做大数据风控的平台，神州融做大数据风控的模式就是通过大数据整合，全面挖掘出相关信息，作风控。大数据风控无非就是数据全面挖掘，来进行可靠决策，以此降低风险。
互联网理财行业呆的时间不长，几点拙见是我目前的看法，供参考。目前的互联网金融行业，所谓的大数据风控主要针对于网络借贷（P2P），这里的P，指导意见明确提出是个体的意思，即包括个人和企业。
那么，问题就演化成，面对个体和企业的借款需求，平台如何利用大数据做风控来减少坏账率。相对于前面几位大神的观点，我可能要提出更悲观的观点，中国的大数据风控在征信系统还未全面建立起来之前，都是扯淡，在相对特定的封闭生态圈或群体，可能会存在相对稳健的大数据来做风控。
原因是多方面的：包括但不限于
1、征信系统：a，建立时间晚；b，接入渠道少；c，数据本身就不怎么完善可信
2、我国金融体系成熟程度：一个只发展极短的受严格管制的金融市场，还没有足够的数据积淀。
3、国人的基本信用观念及素质低下。
那么，现阶段，网贷平台在做大数据风控时有哪些出路呢，我觉得有以下几种：
1、根据特定的封闭领域的大数据做风控，但具有资金掌控权作底牌。比如
淘宝的电商贷：电商的应收账款一般在支付宝要停留7天左右，若电商提出融资需求，可以根据电商的各项经营数据决定贷与不贷，贷多少，一般贷款额度不超过电商3天累计应收账款。阿里的风控表面上是基于电商各项经营数据的判断，实质是拥有对回款的实际掌握权，说白点，你不还钱，7天押在支付宝里的钱你就别想拿了。这种风控模式也只能在包括阿里、京东等大型电商平台的生态圈里能够铺开了，但有复制性吗，没有。
2、特定的封闭领域的第三方做担保。比如
江苏的开鑫贷。开鑫贷拥有国开行和江苏国资的双重背景，融资对象仅限于江苏省内精选的小贷公司推荐的优质借款人（或中小企业），由小贷公司为本息安全对付做担保。平台实质是将风险全抛给了小贷公司，而小贷公司由于资本金的限制，也愿意将债权转让给开鑫贷，轻资产运行。实质是小贷公司利用几年积累的大数据来做信用输出。这种风控模式只能够有政府牵头统筹各方资源与意愿的情况下才会成功，开鑫贷的背景功不可没，有复制性吗，没有。还有类似的是陆金所的稳盈安逸系列，借靠平安全牌照金融体系的大数据，平安旗下的担保公司做担保，没有足够的实力是复制不了的。
如果把前面几种称作硬风控，即能通过相关手段保证款项损失率接近于零。其实这算不上真正的大数据风控。
真正的大数据风控，体现的是风险定价，即10个借款人，1个坏帐，则平台从9个借款人中赚取的利润必须覆盖该坏帐。但这其实是个伪命题，如下：
平台利润＝贷款利率－资金成本－运营成本－风控成本（包括坏帐及损失拨备）
平台利润想提高，就必须增大贷款利率，但相对也意味着坏账率更高，得不偿失。而且政策层面也不鼓励高利。运营成本在目前行业跑马圈地的时期，根本下不来。风控成本与贷款利率有一定正相关性，而且平台为了提高安全性也不会降低。因此目前唯一可以降的只有资金成本了，的网贷收益率下降见证了这一点。但资金是嗜血的。。所以最后就是各个变量间的博弈了，呵呵。下面就是所谓的真正的大数据风控，属于软风控，体现的是风险定价的属性，只要平台的利润能覆盖贷款损失，余额尽可能多，就可以延续。
3、特定人群的大数据风控。比如
大学生消费贷，大学生相对于中国其它阶层具有更好的信用及个人素质，较高的消费需求，因此，这部分市场竞争也较为激烈。平台会根据大学生的学校，学历，网购频率及金额，信用卡消费及还款情况，来决定其还款能力及还款意愿。同时记录其家庭住址，身份证号，手机号，父母姓名及联系方式，关系圈等信息，确保在极端情况下能通过告知父母，朋友等方式进行催收，但此种催收方式的合规性目前还有待商榷，毕竟侵犯了个人的声誉及隐私。总体来说，特定人群的大数据风控，坏账比率会相对降低，风险定价合理的话，平台会有一定的盈余，有一定可复制性，但贷后还要依靠催收来解决，而且催收行业目前还没有监管层面的认可及指导意见。类似的还有房屋装修消费贷款，购房首付消费贷款，汽车消费贷款，旅游消费贷款，甚至整容消费贷款等，都瞄准特定人群的产品，有一定经济基础，而且大多设计成分期付款，避免集中兑付的还款压力。
当然，在前面几种对于借款人的审核中，都会尽量多的要求借款人提交基本信息资料作参考，包括人行征信报告，个体基本信息，消费信息，关系圈及联系方式等，这是基础。
其它大数据风控欢迎补充。
讲了这么多，只是想给那些整天讲大数据风控牛叉，万能，能颠覆银行的人清醒下，没你想的那么简单，路还很长，别被表象迷惑了。
具体大数据风控的方法论不细说，谈谈个人对大数据风控的理解：提一个问题：数据资源是稀缺的么？答案：只看当下，则数据资源必然是稀缺的，但长远看时过剩的。为什么这么说？当前数据资源稀缺的原因：拥有成体量的有价值的数据信息的公司很少（BAT等寥寥几家）数据孤岛：各家拥有优质数据资源的公司组建了牢不可破的数据封闭体系，并不能很好的互通。数据变现的模式还不成熟，玩法刚刚建立。（金融领域风控模型对数据的应用算是比较领先的）数据整合模式不成熟，缺乏大的平台型数据公司。造成有价值的数据过于分散，接入成本高。（征信公司的出现有希望改善目前的情况）由于第3，4点，造成的部分拥有优质数据的小公司，并不能高效的利用自己的数据资源来获利，缺乏共享的动力。很多小公司即使自己不能很好的利用数据，但都意识到了数据是宝贵的资产，不会轻易给出。部分小公司也开始学习大公司，开始了整合各方数据为己用。综合以上几点，我们可以发现目前的行业现状是：几家大公司独自吃着自己锅里的，同时提防着别家来抢。有的大公司看到小公司碗里的肉不错，说要和小公司合作，但模式尚不能说很完善，有可能最后两个人都吃不到（数据的价值不能通过合作而变现，或合作成本过高）。部分数据平台开始张罗场子，要搞共享，多赢，标准化，暂时还没看到结果。那为何又说数据长远看是过剩的呢？举一例，如果依靠数据，各家公司如何判断一个人是孕妇？百度可以通过某个账号经常搜索的关键词来判断（例如生孩子疼不疼？）阿里可以通过某个账号的年龄，性别，消费信息，商品点击来判断（是否点击查看过母婴类产品，但没购买，是否购买过孕妇类产品，结婚几年？）腾讯可以通过微信里的聊天记录判断（加了哪些群？讨论哪些话题？朋友圈分享了哪些内容）小米可以通过其在手机里安装的哪些APP来判断（例如母婴类app）我们可以看出：未来时代的数据无处不在，证明一个事实可以有很多种办法，各家均各显神通，并不存在唯一的，垄断性的数据壁垒。以往的大公司的数据神话就会破灭。最终的格局：YY一下，可能是某几家大型的数据公司，分领域垄断了整个国内的数据市场。数据本身成为了标准化的商品，可以被低成本的接入，销售，使用。以芝麻信用为例，依托于阿里体系内的数据位基础，输出芝麻信用分。同时以标准化的方式接入各类数据，最终再以某种商业化的方式做输出（不只芝麻分一个维度哦），成为征信市场数据的入口和出口。
自己的一些思考，当做梳理知识了。题主所说的是用大数据做风控。从算法模型上来说，正如许多答主所讲，这个大数据模型具体怎么操作价值不菲，行外人无法轻易得到这么机密的信息。因此我尝试从风控理念出发回答这个问题。大数据风控在金融业领域的提出，就不得不提到它与传统风控模式的比较。传统信贷模式下：金融机构对客户的资质评价多依赖于客户提供的申请材料。大数据风控最终希望达到的效果是：申请材料的简化并不意味着金融机构不再需要更多信息，而是这些信息不再从申请人本人处获取，而是从人们生活轨迹中发掘有信贷价值的数据，依此进行风险管理（正与互联网产品追求用户体验的价值观不谋而合）。数据的来源上面的答案写得非常详细，包括社交、征信、消费、地理位置、行为等，不再赘述。目前，大数据可以从以下几个方面帮助互联网金融的风控：1、信贷准入：在产品设计环节，将贷款申请人的互联网数据作为重要的信贷准入标准，作为衡量还款能力和还款意愿的重要辅助数据。比如，关联的社交账号必须有一定数量的好友，正常使用非死号。贷款发放机构还开始接入第三方征信机构的互联网信用数据（虽然还非常不成熟）。2、产品定价：根据贷款申请人的互联网数据进行评分，分数更高的申请人将能够申请更低利率或更高金额。3、客户群管理：其实别说大数据，如果仅仅能做到客户数据的系统整理和分析，就已经可以完成很多事情。传统银行的数据很多，但质量参差不齐，几十年的数据储存系统也不是说变就能变，不同数据库之间的联系也很弱。但如果互联网金融机构能够利用大数据的优势，描绘用户画像，清楚用户的消费喜好和生活轨迹，就能推断不同客户群体的这些互联网行为和最终还款行为的相关性，进行系统的客户管理。设想，如果能分析各群体客户的违约率（贷款机构的风险成本）和群体愿意接受的贷款金额和利率（贷款机构的收益），就能够对整个机构的盈利有更好的把控能力。说到底，风控就是平衡风险成本和收益。4、贷中及贷后的动态监测。这是大数据风控相对于传统风控的优势之一。对于传统风控模式下的贷中、贷后管理来说，对一笔贷款的追踪和监测需要耗费很多人力，查看固定资产状况啊，亲自和贷款人定期沟通看是否有异常情况等等。但大数据的使用可以减少部分的成本。如比对贷款申请人的IP地址有无异常，通过互联网交易数据监测贷款人的公司/店铺是不是正常经营等，并且对不同类型的客户使用不同的催收策略。5、贷款用途控制。随着线上支付的完善，我们能在互联网上买的东西，使用的服务越来越多。这也就意味着，每个这样的服务/产品提供商都有潜力成为线上贷款的入口，而大数据就是背后的功臣。花呗就是一个很好的例子。用传统风控的角度来看，这种类型的贷款能够很好的控制贷款用途（花呗的钱只能用来淘宝，不能用来炒股买房）上述几点并不是互相完全独立的。正如我们发现大数据在互联网时代贯穿贷款流程的前、中、后期，并为风控提供了新的思路。虽然目前很多互联网金融模式其实根本还是线下模式搬到线上去做，审核贷款的方式和理念与传统银行无异（比如宜信）。但我还是非常期待几个大玩家在这个方面的表现。
说句实话，其实没办法，现阶段做不到，大数据与风险这种东西在目前金融系统下其实有着决定性的缺陷，再怎么做也是没办法的
由于互联网金融涉及货币发行（比特币）、第三方支付、投资理财（网络银行、保险、基金、证券、财富管理）、信贷（P2P、众筹、网络微贷）、征信等等，各个领域的风控策略并不尽相同，不能一概而论，下面讨论只能涵盖了常见的风控策略。 个人认为“大数据”除了强调数据的海量外，更重要的在于用于风控的历史数据的广度和深度，其中：数据的广度：指用于风控的数据源多样化，任何互联网金融企业并不能指望依据单一的海量数据就解决风控问题，正如在传统金融风控中强调的“交叉验证”的原则一样，应当通过多样化的数据来交叉验证风险模型。以下的风控策略也如此，可能对同一风险事件采用了多种策略。 数据的深度：指用于风控的数据应当基于某个垂直领域真实业务场景及过程完整记录，从而保证数据能够还原真实的业务过程逻辑。 一个关于数据深度典型的反例：第三方支付貌似有丰富的真实交易记录，但由于大部分场景下无法获取交易商品的详细信息及用户身份，在用于风控时候价值大打折扣。回到题主的话题：互联网金融产品如何利用大数据做风控。大致有如下一些常见方法： 1、基于某类特定目标人群、特定行业、商圈等做风控 由于针对特定人员、行业、商圈等垂直目标做深耕，较为容易建立对应的风险点及风控策略。 例如： 针对大学生的消费贷，主要针对大学生人群的特征 针对农业机具行业的融资担保。 针对批发市场商圈的信贷。 2、基于自有平台身份数据、历史交易数据、支付数据、信用数据、行为数据、黑名单/白名单等数据做风控 身份数据：实名认证信息（姓名、身份证号、手机号、银行卡、单位、职位）、行业、家庭住址、单位地址、关系圈等等。交易数据/支付数据：例如B2C/B2B/C2C电商平台的交易数据，P2P平台的借款、投资的交易数据等。 信用数据：例如P2P平台借款、还款等行为累积形成的信用数据，电商平台根据交易行为形成的信用数据及信用分（京东白条、支付宝花呗），SNS平台的信用数据。 行为数据：例如电商的购买行为、互动行为、实名认证行为（例如类似新浪微博单位认证及好友认证）、修改资料（例如修改家庭及单位住址，通过更换频率来确认职业稳定性）。 黑名单/白名单：信用卡黑名单、账户白名单等。 3、基于第三方平台服务及数据做风控 互联网征信平台（非人行征信）、行业联盟共享数据（例如小贷联盟、P2P联盟） FICO服务 Retail Decisions(ReD)、Maxmind服务 IP地址库、代理服务器、盗卡/伪卡数据库、恶意网址库等 舆情监控及趋势、口碑服务。诸如宏观政策、行业趋势及个体案例的分析等等4、基于传统行业数据做风控 人行征信、工商、税务、房管、法院、公安、金融机构、车管所、电信、公共事业（水电煤）等传统行业数据。 5、线下实地尽职调查数据 包括自建风控团队做线下尽职调查模式以及与小贷公司、典当、第三方信用管理公司等传统线下企业合作做风控的模式。 虽然貌似与大数据无关，但线下风控数据也是大数据风控的重要数据来源和手段。
CONTACT ME
(C) COPYRIGHT BY i How And Why.com 2015