做大数据风控，需要做哪些准备？

不定期更新信贷大数据风控的相关内容（命名为#大数据风控手册#），一是对工作的沉淀和总结，二是为对大数据风控感兴趣的大家提供参考。今天来看看做大数据风控，需要哪些基本条件。

欢迎加微“huaiping595468”，一起探讨风控课题。

转载请注明出处。

----------------------------------------------------以下是本文正文-------------------------------------------------------

最近两年，各行各业都在大刀阔斧的进行数字化转型，对于金融行业的信贷业务来讲，数字化转型的落脚点基本是营销、风控这两个领域，又信贷业务本身就是经营风险的业务，所以一般会花大力气落在数字化风控上。

信贷业务风控经历了传统风控、信息化风控，目前正在加速进入数字化智能风控。每个阶段各有特点。

传统风控——即依靠人力和纸质档案方式进行风险排查和管理；

信息化风控——借助信息系统、电子影像等手段实现风控数据和信息的系统化，这个阶段一定程度上实现了流程的标准化，但风险排查技术和手段还是依靠人力，具有比较多的主观性；

数字化智能风控——依靠海量大数据，运用大数据技术、数据挖掘技术，通过建设数据模型实现风险防控的一种风控方式。

从上述特点不难发现，做大数据风控需要同时具备数据、人力、能力三个基本条件。

一、数据

我们把数据比作人体的血液，它在业务流程中无处不在，不可或缺，在风控中更加如此。

在风控工作中，数据的应用也随着风控的发展经历了几个阶段：

• 使用银行内部数据

最开始能用到的数据，大部分是客户经理收集的客户基本信息、收入信息、经营信息等。

• 引入人行征信

2006年由中国人民银行征信中心开发的征信报告正式上线使用，使得数据在风控方面的应用有了很大的提升，征信报告经过十多年的发展，在2020年切换到二代征信。相对于一代征信，二代征信有了扩展性、连通性、及时性等方面的提示，并对报告内容、时间长度等方面进行了优化，征信报告在反应客体的信用方面更加全面了。

• 引入商用数据

2014年左右，互联网+开始进入金融领域，带动着大数据蓬勃的、野蛮的发展起来，耳熟能详的数据包括：多头数据、运营商数据、消费画像、网购画像、出行、欺诈网络、工商信息、司法诉讼、税务欠税、网络舆情等等。就像互联网金融（如p2p）一样，任何事物的发展都会经历从野蛮到规范的过程，2019年开始，国家逐步升级了对数据的监管，基于数据安全和个人信息保护的原则，商用数据需要由持个人征信牌照的单位对外输出和使用。

征信进入新时代，各地政务部门在“数据可用不可见”的基本要求下，通过征信建设、数据整合等工作，努力提高政务数据的应用效能。

二、人力

做数字化转型的时候，各行业基本都会引入成熟的、高级的数字化人才，借助人才的力量组建数字化团队，借助数字化团队的力量推进和落地数字化进程。大数据风控一般需要至少两类人才：风险策略、风险建模，两者是合作互补的关系。

• 风险策略

是一个比较综合的岗位，既要求有比较强的业务感，也要求有一定的数据分析能力。一般一套策略搭建初期需要半年到一年的时间，之后需要一段时间的风险表现和策略分析进行策略迭代，这个阶段大概需要1年到2年时间。也就是一个策略人员进行完整的一个信贷业务产品的策略搭建大概需要3年左右，又因为每个产品的客群不同，所以风险点不同，要求的风险策略也不一样。基本上需要经过3-4个产品（最好是不同业务类型，比如既有个人消费、又有小微企业等）的策略搭建，可以提炼出比较完整的策略搭建方法论，用于支撑新业务建设风险策略。所以，一个成熟的风险策略岗位需要有8-10年的持续的策略搭建经验。

• 风险模型

侧重于对数据的分析、挖掘，建模人员利用数据，借助算法，建立对客户的评价模型，通常是概率预测模型或评分模型。不管是哪种形式的模型，其目的都是实现对人群的分层分群。对于模型的结果需要通过数据解读给出风险策略建议。

有了这两类人才，就可以开展基本的大数据风控业务。如果有能力，还可以吸纳产品经理、数据开发等人才。产品经理，主要是对大数据风控的产品进行调研、需求分析、产品设计和推动开发工作，这是因为无论是风险策略还是风险模型都需要有系统或平台进行承接才能实现上线并完成后续的监控。数据开发主要是对常用的数据指标进行开发和固化，为策略和模型的建设减负、提效。

三、能力

在上面人力部分根据不同的岗位已经提到了要求的能力，这里不再赘述。只是再强调一下，不论哪个岗位都应该深入了解业务，要与业务人员有同频对话的能力，不能业务想希望我们做一件事，我们连要做的模型的目标都get不到。始终牢记：风控来源于业务，并服务于业务。一个模型做的再花哨、再高深，如果无法应用到业务，等于零。