四、大數(shù)據(jù)風(fēng)控的優(yōu)勢(shì)和劣勢(shì)
大數(shù)據(jù)風(fēng)控是一個(gè)廣義詞和一個(gè)時(shí)代的熱詞，量化風(fēng)險(xiǎn)控制就是利用數(shù)據(jù)分析和模型進(jìn)行風(fēng)險(xiǎn)評(píng)估，依據(jù)評(píng)估分?jǐn)?shù)，預(yù)測(cè)還款人的還款能力、還款意愿、以及欺詐風(fēng)險(xiǎn)。
大數(shù)據(jù)主要是指全量數(shù)據(jù)和用戶行為數(shù)據(jù)，目前領(lǐng)先的數(shù)據(jù)風(fēng)控或者大數(shù)據(jù)風(fēng)控使用的還是小數(shù)據(jù)，使用的是圍繞客戶周圍的信用數(shù)據(jù)，這些數(shù)據(jù)的特點(diǎn)是和用戶的信用情況高度相關(guān)。之所以叫做大數(shù)據(jù)風(fēng)控，完全是一個(gè)是時(shí)代用語，確切地說就是利用數(shù)據(jù)實(shí)施科學(xué)風(fēng)控。就像互聯(lián)網(wǎng)思維一樣，就是以客戶為中心的商業(yè)思維，被稱為互聯(lián)網(wǎng)思維，只不過是利用了這個(gè)時(shí)代的特征而已。
大數(shù)據(jù)風(fēng)控的優(yōu)勢(shì)：
1、用戶行為數(shù)據(jù)成為風(fēng)控?cái)?shù)據(jù)
風(fēng)控最好的數(shù)據(jù)還是金融數(shù)據(jù)，例如年齡、收入、職業(yè)、學(xué)歷、資產(chǎn)、負(fù)債等信用數(shù)據(jù)，這些數(shù)據(jù)同信用相關(guān)度高，可以反映用戶的還款能力和還款意愿，這些數(shù)據(jù)因子在風(fēng)控模型中必不可少，權(quán)重也很高，是信用風(fēng)險(xiǎn)評(píng)估最好的數(shù)據(jù)。
但是除了這些強(qiáng)相關(guān)的數(shù)據(jù)，一些用戶行為數(shù)據(jù)對(duì)信用風(fēng)險(xiǎn)評(píng)估也具有較大的影響，例如用戶是否經(jīng)常去澳門賭博，用戶是否經(jīng)?？桃怆[藏自己，用戶是否參與高利貸，用戶是否具有吸毒傾向，是否患有重大心理疾病等等，這些信息在一定概率下決定了用戶風(fēng)險(xiǎn)水平。
在某些條件下這些因素會(huì)成為決定信用風(fēng)險(xiǎn)事件的強(qiáng)相關(guān)數(shù)據(jù)。過去這些用戶行為數(shù)據(jù)，并沒有放到信用風(fēng)險(xiǎn)評(píng)估模型中，沒有參與客戶的信用風(fēng)險(xiǎn)評(píng)估。金融企業(yè)和互聯(lián)網(wǎng)金融企業(yè)在分析已經(jīng)發(fā)生的信用風(fēng)險(xiǎn)事件之后，發(fā)現(xiàn)的這些用戶行為信息在很多風(fēng)險(xiǎn)事件中起到了很關(guān)鍵的作用。小概率風(fēng)險(xiǎn)事件會(huì)導(dǎo)致很嚴(yán)重的后果，同信用風(fēng)險(xiǎn)事件的發(fā)生具有較強(qiáng)的關(guān)聯(lián)性。
現(xiàn)實(shí)世界的用戶行為可以揭示信用風(fēng)險(xiǎn)，互聯(lián)網(wǎng)上的用戶行為也同信用風(fēng)險(xiǎn)高度相關(guān)。例如全部用大寫字母填寫資料的人，信用貸款逾期率較高；凌晨1點(diǎn)登陸網(wǎng)絡(luò)申請(qǐng)貸款的人，惡意欺詐的比較多；手機(jī)上只有貸款A(yù)pp，沒有其他App的人，其惡意欺詐比率高；缺少社交活動(dòng)的人，其貸款逾期可能性較高。這些用戶行為信息都同信用風(fēng)險(xiǎn)高度相關(guān)，可以作為一個(gè)重要因子進(jìn)行錄入，影響客戶的信用評(píng)分。
大數(shù)據(jù)風(fēng)控的一個(gè)最大的優(yōu)勢(shì)就是豐富了信用風(fēng)險(xiǎn)評(píng)估的數(shù)據(jù)緯度，這些用戶行為信息，很大程度是大數(shù)據(jù)采集和分析的結(jié)果，用戶一般是不會(huì)提供給金融行業(yè)的。很多信息是規(guī)律性信息，需要大數(shù)據(jù)分析才有可能得到，其在信用評(píng)估中的權(quán)重，也需要不斷的優(yōu)化模型去完善。
2、實(shí)時(shí)輸入和實(shí)時(shí)計(jì)算，解決風(fēng)險(xiǎn)視圖實(shí)效性問題
傳統(tǒng)風(fēng)控的另外一個(gè)缺點(diǎn)是數(shù)據(jù)錄入和評(píng)估結(jié)果的滯后性，缺乏實(shí)效性數(shù)據(jù)的輸入，風(fēng)控模型反映的往往是滯后數(shù)據(jù)的結(jié)果。利用滯后數(shù)據(jù)的評(píng)估結(jié)果來管理信用風(fēng)險(xiǎn)，本身產(chǎn)生的結(jié)構(gòu)性風(fēng)險(xiǎn)就較大。
銀行現(xiàn)有的風(fēng)險(xiǎn)控制機(jī)制是參考?xì)v史數(shù)據(jù)＋模型＋專家經(jīng)驗(yàn)。但是風(fēng)險(xiǎn)事件的聯(lián)動(dòng)效應(yīng)已經(jīng)變大，一個(gè)小的風(fēng)險(xiǎn)事件可能在很短的時(shí)間內(nèi)產(chǎn)生巨大的影響后果，風(fēng)險(xiǎn)事件撬動(dòng)的杠桿變大了。歷史數(shù)據(jù)反應(yīng)未來趨勢(shì)的相關(guān)程度正在變?nèi)酰虼诵庞蔑L(fēng)險(xiǎn)管理需要大量實(shí)時(shí)的數(shù)據(jù)，已有的模型對(duì)風(fēng)險(xiǎn)事件（尤其是內(nèi)部欺詐，外部欺詐）的識(shí)別能力在下降，需要新的風(fēng)險(xiǎn)控制模型和實(shí)時(shí)數(shù)據(jù)。
大數(shù)據(jù)的數(shù)據(jù)采集和計(jì)算能力，可以幫助企業(yè)建立實(shí)時(shí)的風(fēng)險(xiǎn)管理視圖。借助于全面多緯度的數(shù)據(jù)、自我學(xué)習(xí)能力的風(fēng)控模型、實(shí)時(shí)計(jì)算結(jié)果、壞種子數(shù)據(jù)，企業(yè)可以提升量化風(fēng)險(xiǎn)評(píng)估能力。
數(shù)據(jù)、技術(shù)、模型、分析將成為信用風(fēng)險(xiǎn)評(píng)估的四個(gè)關(guān)鍵元素，其背后的力量就是大數(shù)據(jù)的技術(shù)和分析能力。企業(yè)利用大數(shù)據(jù)的風(fēng)控能力，實(shí)時(shí)輸出風(fēng)險(xiǎn)因子信息，為金融企業(yè)提供實(shí)時(shí)風(fēng)險(xiǎn)管理視圖，提高風(fēng)險(xiǎn)管理的及時(shí)性。
3、豐富數(shù)據(jù)輸入緯度以及較細(xì)的顆粒度，對(duì)傳統(tǒng)風(fēng)控的補(bǔ)充
傳統(tǒng)風(fēng)控模型已經(jīng)不能適應(yīng)復(fù)雜的現(xiàn)代風(fēng)險(xiǎn)管理環(huán)境，特別在數(shù)據(jù)信息錄入緯度上，影響客戶信用評(píng)分的信息較多，很多都沒有引入到風(fēng)險(xiǎn)評(píng)估流程。例如企業(yè)所處行業(yè)的競(jìng)爭環(huán)境以及同業(yè)產(chǎn)品的競(jìng)爭、企業(yè)產(chǎn)品的生命周期、企業(yè)的關(guān)聯(lián)交易信息和司法信息、貸款個(gè)人的心理和性格、上下游產(chǎn)業(yè)經(jīng)營情況、市場(chǎng)需求變化、客戶對(duì)企業(yè)產(chǎn)品的評(píng)價(jià)等。