金融人常挂嘴边的“大数据风控”真正的内核到底是啥？

　　前方高能：注意！注意！注意！这是一篇沉甸甸的干货！！！这两年市场上突然涌现了各种大数据公司，本来一个门槛极高的行业却因资本青睐而迅速扩容。

　　先后在美国多家大型银行风控部门担任高级领导职位：包括美国银行信用卡信贷资产风险部高级副总裁、花旗银行信用卡信贷风险部副总裁、摩根大通银行信用卡市场部副总裁等；2015年回国后任FICO有限公司分析咨询总监，领导中国区零售信贷领域的策略咨询业务，为国内多家大型商业银行提供风险管理解决方案。

　　国内所说的“大数据”，在美国习惯被称之为“替代性数据”（AlternativeData）。这是源于当时美国有部分人群个体征信数据的缺失，于是水、电、煤等这些替代性数据就派上用场了。

　　依照与个人信用关联程度，数据可以大体分为两类：一种是传统征信数据，也就是强相关数据；另一种是弱相关数据，比如社交数据、水电煤及经营数据等。

　　现在国内注册的大数据公司有数万家，但不少公司的数据源都是“替代性数据”或弱相关数据。只有经过实践验证过的数据才是有效数据，现在市场上普遍流行的社交信息、非还款负债信息等，严格来说不属于准确意义上的征信数据。

　　一方面，行业机构在数据处理上仍有很大的提高空间。数据清洗，特别是变量衍生的工作，技术含量其实是很高的，需要经过专业训练。最好是有不错的业务经验，对业务有比较透彻的理解。当前现状，很多公司从事数据清洗的团队接受的训练和业务经验往往都不足。坦白说，在信用风险领域，市场上海量的大数据普遍存在着变量相关性不强、数据质量良莠不齐的问题。

　　另一方面，我们在实践中发现，由客户自己填写的、或渠道方提供的数据，有可能是伪冒伪造的、也可能是渠道方自己包装出来的，这其中存在风险的问题。

　　市场上很多互金公司都提到自建大数据模型或数据驱动的风控模型，是不是营销噱头大于实际内容？

　　首先明确一下“数据驱动”的定义，从狭义的角度，数据驱动的是经验驱动，讲究客观的量化数据，主动数据的采集并支持决策就是数据驱动，而我们常说的“拍脑袋”就是经验驱动。

　　何谓数据驱动的风控模型？一方面要有历史数据的采集与积淀，另一方面要通过对历史数据的分析，完成模型的构建、修正与迭代，两个条件缺一不可。因此要看大数据公司有没有开展信贷业务的历史数据，有没有经过风险测试和模型修正的过程。

　　大数金融的数据化风控模型，经历了8年的经济下行周期的后才对外推广，与银行合作帮助他们进行信贷审核和风控。

　　您所说的大数据风控或者数据驱动的风控技术，能不能表达得更为具象化？换句话说，如何利用大数据模型来评估风险？

　　这里要一下，“使用数据”和“数据驱动”是完全不同的两回事。打个比方，风控手段里的“客户画像风险分类”，它也是用到了数据，但通常是经验驱动，有的用了聚类的算法，本质上都是无监督模型，与真正意义上的数据驱动风控是有区别的。

　　做好数据化风控，就好比米其林星级大厨炒一道好菜，需要精湛的厨艺、用得顺手的厨具和高品质的原材料。好的厨艺，代表的是领先的风控策略；好的厨具，指的是以评分卡为基石的风控模型工具等；好的原材料，指的是真实可靠的数据源。

　　坦白说，这块的市场空间会很大。为什么支付宝产生在中国而不在美国？因为美国金融体系较为成熟发达、支付手段很健全，大型银行的产品设计和风控能力水平很高，反而让这种创新性金融产品没有太多萌芽的空间。

　　同理，国内的纯信用零售信贷与对公贷款、抵押类贷款相比，也是一个尚处于发展期，没有进入成熟期的贷种，这就使得这个领域有着巨大的发展空间。零售信贷的风控与对公信贷业务的风控完全是两个体系--特别是小微业务，单笔风险大、缺乏报表和抵押物，是所有零售信贷分类中风控最难的一个贷种，使得很多银行都不敢轻易涉足小微业务。

　　从趋势上看，普惠金融的开展，不可能完全依靠社会非银行的力量去做，因为体量太小。只有通过专业垂直的金融科技公司、通过技术服务输出的方式，降低银行切入小微业务的试错成本，将银行服务小微企业的积极性真正调动起来，中国的普惠金融才能真正实现，最近“BATJ+工农中建”的联袂合作就是一个标志性的信号。

　　您如何看待八家个人征信机构，包括个人征信机构牌照也迟迟未下发、监管层对大数据领域的监管思等？

　　个人认为，大数据公司最需要注意的地方，在于获取数据时“是否得到客户授权”。这决定了数据获取的可持续性。去年征信管理局也出台《征信业务管理办法（草稿）》，了信息使用需获信息主体授权同意。今年6月开始实施的《中华人民国网络安全法》也了任何个人和组织不得窃取或者以其他非法方式获取个人信息，不得非法出售或者非法向他人提供个人信息。

　　对于个人征信机构，我认为“不能既做裁判又当运动员”，能取得征信牌照的机构应该是市场上第三方机构。