大数据风控的优势。

     1、用户行为数据即为风控数据。

    风险控制方面最好的还是财务数据，如年龄、收入、职业、学历、资产、负债等信用数据，这些数据都与信用相关程度较高，能够反映使用者的偿还能力和偿还意愿，这些数据因素在风控模型中必不可少，权重也很高，是评价信用风险的最好数据。

    但除这些强相关数据外，一些用户行为数据对信用风险评估也有很大影响，如用户是否经常到中国澳门赌博，是否用户经常故意隐瞒自己，用户是否参与高利贷，用户是否有吸毒倾向，是否有重大心理疾病等，这些信息在一定概率下决定着风险水平。

    这些因素在一定条件下成为决定信贷风险事件的强相关数据。以往的用户行为数据，都没有放入信用风险评估模型，没有参与客户信用风险评估。对已经发生的信用风险事件进行分析后，金融企业和网络金融企业发现的用户行为信息在许多风险事件中起着非常重要的作用。风险事件发生的概率是非常严重的，与信用风险事件的发生有很大的相关性。

    真实的用户行为能够揭示信用风险，而因特网用户行为也与信用风险密切相关。比如，资料都是用大写字母填写的，信用贷款的逾期率较高；凌晨1点登陆网上申请贷款的人，更多是恶意欺诈；手机上只有贷款App，没有其它App，恶意欺诈的比例较高；而缺乏社交活动的人，贷款逾期的可能性更高。这两类用户行为信息都与信用风险高度相关，可作为重要因素输入，影响信用评分。

    大数据风控的一大优势在于丰富了信用风险评估的数据维度，这些用户行为信息，很大程度上是大数据采集与分析的结果，一般不会向金融行业用户提供。许多信息都是需要大量数据分析才能获得的规律性信息，其权重在信用评估中，还需要不断地优化模型去完善。

    2、实时输入、实时计算，解决风险视图的有效性问题。

    常规风控的另一个缺点是数据输入和评估结果存在滞后性，缺乏对实效性数据的输入，而风控模型反映的往往是数据滞后的结果。使用滞后的数据对信用风险进行管理，本身所带来的结构性风险就越大。

    现行的银行风险控制机制是参考历史数据+模型+专家经验。但风险事件的联动效应已经变得越来越大，一个小的风险事件可以在很短的时间内产生巨大的影响后果，用风险事件撬动的杠杆就变大了。由于历史数据反应未来趋势的相关性变弱，信用风险管理需要大量实时数据，现有模型对风险事件(特别是内部欺诈、外部欺诈)的识别能力不断下降，这需要新的风险控制模型和实时数据。

    大数据采集与计算能力有助于企业建立实时风险管理的观点。借助多维度数据、自主学习能力的风控模型、实时计算结果、不良种子数据等，可提高企业量化风险评估能力。

    信用风险评估的四大要素是数据、技术、模型、分析，其背后的动力是大数据的技术和分析能力。通过运用大数据的风控能力，实时输出风险因素信息，为金融企业提供风险管理的实时视图，提高风险管理的及时性。

    3、丰富数据输入纬度和更细粒度，补充传统风控技术。

    由于传统的风控模型已不能适应复杂的现代风险管理环境，尤其是数据输入维度，影响客户信用评分的信息较多，很多信息并未引入风险评估流程。这方面的例子有：企业所在行业的竞争环境、同业产品的竞争、企业产品的生命周期、企业的关联交易信息和司法信息、贷款个人的心理和性格、上下游产业的运作、市场需求的变化、客户对企业产品的评价等。

    大数据风控可提供综合性数据(数据广度)、强相关性数据(数据深度)、有效性数据(数据的活动性)。这类数据的粒度可以很小，同内部数据以及原始数据进行整合后，会对风险评估结果产生影响，提高信用风险管理水平，客观反映用户的风险水平。

    还贷意愿在信用风险管理中更为重要，多维、全量的用户行为数据能够客观地反映用户的还款意愿，另外，在打通后更客观地了解客户的还款意愿。全面数据加上用户行为分析，能更全面地了解顾客的行为，有助于企业识别恶意欺诈顾客。这种多纬度、细粒度、综合信息正是大数分风控的优势所在，同时也是传统风控的一个很好的补充。