，大数据风控使普惠金融成为可能，传统风控模式审批流程长，作业成本高，致使很多传统金融机构没有兴趣服务小额借款人。而大数据风控全流程线上，能够实现“小额大量”的快速作业。规模效应形成规模收益，大数据风控的应用使得金融机构降低坏账率的同时，借款人的融资成本也大幅降低。真正实现了“普及”和“优惠”。大数据风控可以说就是为普惠金融而生的。

实操中，大数据风控就是以大数据风控建模的方式来审批借款。主要包括三方面。

一是基本信息的判断

通俗的讲就是把大数据、人工智能、云计算等金融科技综合应用到风险控制环节的精益风险管理模式，比如小花钱包就应用了大数据风控。

而一般认为，智能风控是指利用智能化的学习来进行风险预测和控制，以简化风控过程，提高效率。其中多以数据为基础，着重关注用户的弱特征。比如：用户在互联网上各个平台的行为特征、消费习惯等。大数据风控指的就是大数据风险控制，是指通过运用大数据构建模型的方法进行风险控制和风险提示，采集大量企业或个人的各项指标进行数据建模。二者均可以看做是对应用数据、模型和机器学习进行风险控制行为的描述。但相比于大数据风控，人工智能风控更强调人工智能算法的优化和升级，特别是基于自我学习能力进行的迭代升级。

例如：过去，农商银行主要依赖人行征信等传统手段进行风控审智能风控平台，充分运用大数据实现数据驱动的智能风控模式，丰富风险识别手段，全方位勾勒客户画像，实现智能风控,同时为信用卡业务的发展保驾护航。

风控是信贷领域举足轻重 的生命线，智能风控的核心就包括大数据，如今各行各业的数字化程度已经很高，那么传统的风险控制就无法满足机构的需求，智能风控是指在传统风控上融入智能因素，做好它，不仅可以给机构自身带来利润上的提升，还能给整个系统带来稳健性，保障企业安全，降低企业风险。

人在传统风控体系中起到了很大的作用，但是人的计算能力有限，而且面对复杂的征信环境缺乏整体的把控能力。在人工审核过程中，很容易出现样品偏差的问题。传统金融机构仅能掌握用户的借贷历史和行为，但是对用户的兴趣爱好，消费倾向和行为等均一无所知，无法与业务数据形成联动，因而智能风控就显而易见了，在金融行业，风控永无止境，智能风控更是不断迭代。

迄今为止，智能风控已取得不错的应用成果，所以现在很多机构说自己是智能风控、大数据风控。

所谓大数据，是给了我们新的视角，去评估“传统”风控所不能及的部分。个人理解，相比于传统风控，大数据风控的目标解放人工重复劳动，提高风控的效率和稳定性，及早识别出风险（时间就是金钱）。在金融行业大数据风控主要依赖于收集与其他金融机构的黑白名单及多头的数据风控即风险控制，通过运用大量多重数据构建模型的方法对风险进行分析，以给客户端进行风险预警和风险控制。一个简单的例子举个简单的例子，你去银行贷款，传统的人控，只去看下最近三年的贷款和银行的流水记录，但大数据风控，可以调查你最近10年的记录，再分析你有没有贷的可能。

智能风控平台的建设以构建智能化的风险管控能力为核心目标，运用大数据计算处理技术和机器学习、深度学习模型，实现“数据采集和整合->数据加工处理->数据挖掘与分析->模型部署上线->持续优化迭代”的智能风控闭环管理。

就像传统购物，和网上购物，智能风控侧重大数据、算法和计算能力，强调数据间的相关关系，算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份，方便支付。另外智能风控利用多维度、多特征的数据预测用户的购买意愿和倾向；推出用户喜欢的类似商品。

首先大数据风控的目标是：

1.为信用评分建立科学有效、低成本、可复制的机制。

2.动态监测存量贷款，并预测新个体的违约率。

3.迅速反馈产品、审批部门以最快速度做出调整与决策。

互联网技术下海量的交易数据，计量统计技术与工具的发展和完善。是大数据风控的前提

首先我们来讲讲只能风控。

智能风控——金融科技领域最主要的应用场景之一，借助大数据与人工智能技术提升风险管理能力，在银行、证券、保险、互联网金融等领域的应用愈加广泛。

近年来，金融机构都很喜欢提智能风控这一概念，但市场上对智能风控并未有准确的定义。事实上，在AI潮到来之前，也没有人将风险管理与“智能”联系起来。大数据热逐渐降温后，随着人工智能的兴起，计量金融领域又迎来新一波热点：AI in Financial Risk Management。

我很讨厌“智能”这个流行词，因为其不过是将机器学习进行了有目的的包装，而机器学习也远没有发展到一个可靠的工程原则，很多不确定性、规模化、推理性的问题都没有解决。随着大数据、AI技术运用于风险管理已经越来越不鲜见，金融机构对于智能风控系统的建设需求迫切，市场成熟度和集中度也逐渐提升。我想聚焦于其内涵、应用模式和应用架构，谈一谈什么是智能风控。

1、智能风控的定义

智能风控有很多种“别名”，我见过的像大数据风控、决策引擎、风险计量引擎、风险模型实验室...其实都可以纳入到这一概念范畴。其基本逻辑都是运用大数据平台的计算分析能力、机器学习或深度学习模型，运用于信贷风控、反欺诈、反洗钱、交易监控、保险理赔等场景。所以，本质上是以数据驱动的风险管控与运营优化。