提起互聯網金融，人們當下的態度可謂又愛又恨，因為口口相傳的“致富”和“跑路”都不絕于耳。在問題平臺的數量（3795）已經快達到正常平臺數量（2114）兩倍之多、且盈利平臺尚不足百分之一的現狀下，撐到今天的互金平臺都不容易，同時，監管機構仍在不斷完善整改機制，若不主動退出就必須嘗試破壁。
進入互金監管整頓年之后，曾有專家預言，現有的數千家互金平臺，最后可能僅有三分之一能夠穩步發展下來。于是，越來越多的網貸企業開始將提高風控、降低壞賬、提高運營效率放在企業發展的首位，而這最后的救命稻草都需要依靠大數據技術。
大數據風控：降低風險=提高效益
對于消費金融、和企業借貸來說，風控能力直接影響著企業的成敗。我們并不是在過分強調風控，但是當風控開始變為企業重心的時候，一定也是企業做大或轉型的重要時刻。在這個節點上，避免發生風險這種小概率事件，安全且不冒險地穩步發展起來就已經是成功。
那么舉足輕重的風控又是如何借助大數據的呢？
一個成熟的風控系統，應該包含充足的信源、完善的分析模型、豐富的維度，可靠的分析指標等。
看看大家都是怎么做的：
身份驗證：以我們火車采集器團隊曾經服務過的一個大數據項目為例，合作方是金服企業，所需的身份驗證是基于企業信息的大數據，也就是說需要全國企業的多維度信息。我們團隊最終集合的數據包括：企業工商資料；企業股東、高管；企業變更信息；潛在風險（失信被執行人、法院裁判文書、經營異常記錄）；知識產權（商標、著作、專利、域名）；自媒體（微信、微博）；對外投資；企業年報；經營信息（產品、網店、招投標記錄、招聘）；媒體報道等。
幾十余個維度的數據整合后，我們其實已經可以看到一個完整的企業畫像。所以即使貸款人是我們不熟悉或者從未聽聞的公司，也可以在短時間內對其了如指掌，個人貸款也同樣如此。
還款意愿和能力分析：主要是對貸款方財務方面的細致分析。還是以企業為例，比如財務報表分析（第一還款來源、現金流、質押擔保的價值及變現難易程度等）；是否有知名且固定的商業合作伙伴；違約成本（企業經營負擔、社會聲譽等）；政府或銀行留存的記錄等。
數據建模：積累數據打下基礎，下一步要做的是構建模型。建模的技術主要包括logistic回歸、決策樹、普通線性回歸、分層分析、聚類分析、時間序列等各種機器學習算法。而我們之前整合的每一個數據帶入模型中都會是特征的向量，其實許多細微的特征都會是模型元素，細微到半夜發朋友圈、社交評分高低、郵件打開時間、購買咖啡頻率等這些我們可能意想不到的特征。但這些數據從哪里來？別忘了，還有BATJ啊。
大數據挖掘客戶
互金領域同樣遵守二八定律，那么對于互金平臺來說，能夠帶來80%存款的這20%的客戶才是真正的目標客戶，他們有什么樣的行為習慣呢？根據職業、年齡、學歷等一系列客戶定位數據來決定平臺的營銷思路才能更加有效的挖掘客戶。
而怎樣才能留住他們呢？某平臺通過現有客戶的大數據分析發現，真正的目標客戶往往是在充值5次之后達到一個額度然后穩定留存。就像已經火了好一陣子的共享單車，會制定免費騎5/6次后才開始收費一樣，互金平臺往往會贈送5次優惠券或紅包來吸引客戶持續進入，如果預測某個客戶已經快要結束業務且留存率不高的情況下，就提前發個紅包留住他，挖掘與留住客戶都是需要數據作支撐的。
大數據優化體驗
我們經常會發現，在信用卡或互金賬戶的透支額度快要用完時總會收到漲額度的提示信息，這就是基于大數據對我們使用體驗進行的優化。如果該客戶信用值較高，平臺卻不作調整的話，可能該客戶就會因為需要繼續借貸而嘗試其他平臺。且額度的提升也是根據消費場景返回的數據而定，并非毫無根據的調整。
除了會實時調整的額度之外，秒級放貸也是基于大數據的一大優化。過去很多貸款機構的放貸審核都是通過信審員，近來小采看到一篇信審員的離職自述，放不放款，何時放款、利率多少這些全憑信審員做主的時代早已不復存在，即使在小公司也大多如此，很少再有塞紅包求放貸的現象，取而代之的是系統的大數據審核，不足一分鐘出具審核結果是互金平臺的業務常態，秒級放貸讓客戶的體驗更佳也幫助平臺自身提高效率。
大數據、云計算、深度學習、區塊鏈等技術，已逐漸從概念走向落地。線上紅利消失和監管嚴格下的互聯網金融企業，轉而寄望于通過技術在激烈競爭中生存下來，利用積累的數據，建立模型支持風控和經營決策，或許在不久之后，我們會看到互金領域展現出健康、蓬勃的發展狀態。
