大数据在银行风控中的应用
2016年以来，金融科技成为整个金融业关注的焦点，它以金融需求为导向，以科技创新应用为支撑，在较短时间内对金融业产生了巨大而深远的变革。金融科技主要是指金融机构通过大数据、云计算、物联网、区块链及人工智能等新型数据分析和存储技术，加强经营管理、提升服务效率和市场竞争力，同时带来金融业态新变化。
目前，大数据智能风控仅在个人消费信贷和小微企业主贷款中得到较好应用，但在企业类融资中，银行风控主要以专家经验为基础，且存在较多的数据缺失，特别是政务涉企数据缺失严重。
传统信贷风控首选信用评分卡模型
本质上而言，商业银行是经营风险的金融机构，以风险经营作为盈利的手段，所以风险控制是其发展的根本。
如何有效控制信用风险，是商业银行经营管理成败的关键，如何利用存量基础数据以及外部引入数据，探索以大数据技术进行信用风险管理的方法，无疑对商业银行具有重要的理论及实践意义。
传统的信贷风险控制大多首选信用评分卡模型，评分卡模型是指利用大量的历史数据，刻画出消费者的信用、收入水平和支付能力等指标，再把各个指标分成若干个档次，标注各个档次相应的得分，然后计算每个指标的权重，最后算出贷款申请者的信用评分。
但是对于数字经济条件下的企业而言，银行原有风控方式存在的问题已经十分明显，主要表现在：一是静止时点的企业数字已无法真实、全面、实时地反映企业的实际经营情况，市场的高交易性、快变化性随时会使企业的经营成果在不同时间变得面目全非;二是主观性较强，以经验作为决策的主要依据，难以精准地对服务对象下结论;三是管理过程会浮冰式管理，没有信贷管理的穿透力;四是会发生较多的道德风险，决策上的主观性使决策结果有较大的弹性空间，因而少数不法分子会用此权力进行寻租，信贷决策由技术工种转为权力工具;五是被动式管理，面对突如其来的企业变化，等发现或采取管理措施时，企业已经病入膏肓。
传统信贷风控体系面临严峻挑战
随着国内经济向“新常态”转型，金融市场改革的持续深化，以及现代化信息技术的快速渗透，银行监管机构对商业银行自身风险管理能力的重视程度大大加强，银行传统的信贷风险管控体系面临严峻挑战。
一是经济增长换档回落以及经济结构深入调整带来资产质量下行压力;二是企业跨地域、集团化经营业态的发展，风险传导机制复杂，增加了风险刻画难度;三是银行信贷规模增长以及客户结构深刻变化，传统信贷业务模式下的信贷风险控制方法存在较高的优化需求，基于大数据新型信息化风险监控模式成为大势所趋。
因此通过大数据技术实现跨平台、跨业务条线、跨区域的数据整合和风险信息挖掘，提高对信贷风险管理的敏感度及衡量的准确度是未来商业银行不断创新业务发展的需要，也是银行风险管理发展的必然趋势，对建立新型风险监控体系具有重要的意义。
一是大数据可为风险识别赋能。传统风控受限于专家经验和综合人力成本，风险识别能力有限。大数据技术可构建风险全景视图，伴随数据中心、智能计算提供的强大算力，支持海量风险数据深度挖掘，快速甄别各条业务线中暗藏的風险信息，有效解决风险数据数量大、信息隐藏层次深的问题。
二是新技术可提升风险模型的效能。挖掘算法可发现海量数据中的风险因子，机器学习、神经网络可进行高维非线性建模，人工智能可根据不同的风险场景精准构建风控模型，缩短模型训练时间，加快风控模型迭代效率，提高模型精度，为提升风险模型效能提供契机。
三是金融科技推动风险管理流程再造。金融科技使得风险信息的快速共享、风险政策的高效传导成为可能，风险管理更趋扁平化。风险管理流程逐步实现由线下、延时、事后管理向线上、实时、事前事中管控升级，由事后救火向事前防火转变。商业银行使用大数据进行风险控制管理的逻辑，可通过外部数据采集、内部引擎处理、对外服务接口3个步骤完成。
智能风控技术已满足当下需要
近年来，在算力、算法和大数据的合力推动下，人工智能在计算机视觉、自然语言处理、语音识别、机器学习、知识图谱及机器人技术等方面快速发展。分析算法、数据挖掘、并行计算和分布式处理、云计算服务架构与能力等研究领域亦发展迅速，在技术上已满足当下银行风控的需要。
通过实证研究证明，利用机器学习算法的互联网金融风控模型，通过与传统的统计评分卡模型进行对比试验，同时将机器学习模型预测结果转化为传统信用评分的解决方法，结果表明，机器学习模型能更好地预测个人信用风险，从而构建更加有效的风控体系。
同时，信用评分卡模型作为一种应用最为广泛的风险评估模型，随着机器学习在金融领域的逐渐深化应用，我国商业银行在运用智能风控方面也进行了部分实践。如农业银行信用卡中心构建网点及营销人员风险动态评级模型，通过机器学习技术识别高风险网点和高风险营销人员，实现差异化的贷前准入策略;建设银行搭建线上统一模型策略研发实验室，引入了基于神经网络模型的实时评分模型，运用于客户账户分级管理，基于知识图谱社交网络模型进行欺诈和产业分析，实现了多维度的智能侦测;交通银行信用卡中心将基于机器学习的风险评估模型应用于申请反欺诈，有效提升了申请欺诈的识别效率。
随着我国数据要素市场化的推进，数据作为数字经济时代重要生产要素，银行借助政务数据等，使建设实时更新、丰富完善的智能风控系统成为可能。在实践方面，上海上线大数据普惠金融应用，向银行开放了300多项公共数据，支持银行运用大数据分析等金融科技手段，加大对中小微企业的信贷投放。安徽芜湖市政府要求以中小企业为服务主体，以政府大数据为基础，以金融科技为手段，以政策性担保增信为支撑，以企业自主申请，诚信合作为前提，通过搭建芜湖市金融综合服务平台，采取“线上+线下”一体化金融服务模式，进一步深化中小企业信用贷试点改革，构建金融供给与企业融资需求常态化的在线对接平台。湖南常德农商银行2018年9月推出线上普惠型信用贷款产品———“常德快贷”。区别于一般线上贷款产品，“常德快贷”充分借力常德市智慧城市建设成果，以政务数据为核心，整合银行数据、征信数据和互联网数据，利用大数据风控建模技术建立智能化风控体系，实现线上贷款信用风险有效控制。
但在上述实践中，同样存在因客户政务数据较为敏感的原因，政府内部数据共享流程尚处在业务论证阶段，导致金融业对政务数据的使用较为混乱。部分关键政务大数据尚未在中小企业融资中得到应用，目前的政务大数据仅开放了工商、税务及法院等部门的数据资源，且字段信息不完整，而对银行信贷决策起重要作用的水电费缴纳情况、不动产情况以及海关进出口情况等均暂未开放。
《中国银行家调查报告(2020)》指出，60 %银行将金融科技引领的数字化转型视为银行业未来利润主要增长点，金融科技在大数据风控的应用(47.8 %)较去年(42.2 %)有明显上升。金融科技的发展持续推动银行经营管理数字化转型，不断提升客户服务和风险防范水平。在众多金融科技的应用场景中，最被银行家看好的是基于大数据分析的风险管理(73.5 %)。
大数据、云计算人工智能和隐私计算等技术的快速发展为商业银行创新金融风控手段提供了更多的解决思路，科技对于金融的作用不断被强化，创新性的金融解决方案层出不穷。基于人工智能方法从大数据中快速获取准确的信息吸引了越来越多的关注，逐步应用于商业银行风险管理，并实现了应用价值，让银行通过大数据技术解决金融业务中的各种关键问题成为可能，金融科技发展进入新阶段。
作者：张如旭
随着社交软件、智能手机和网络的普及，数据呈现爆炸式增长，人们正在步入“大数据”时代，这种颠覆性的技术变革对社会、商业和个人都将产生巨大而深远的影响。在此背景下，本文阐述了大数据的内涵及其发展，介绍了目前在商业银行的应用现状及难点，并提出了大数据在商业银行风险管理领域深入应用的策略建议。
大数据风控的发展历程
目前，业界对“大数据”并没有统一的定义。研究机构Gartner认为，“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据有“4V”的特性，包括“Volume ”“Variety”“Value”“Velocity”。“Volume”是指海量的数据，并随着科技的飞速发展，数据量将急剧增长。根据国际数据公司IDC的研究预测，到2020年， 全球范围内将产生的数据容量为35ZB，是2011年数据容量的近20倍;到2025年，全世界将创建和复制163ZB的数据，是2016 年所创建数据量的十倍。“Variety”是指数据的类型丰富多样，相较于以往文本形式为主的结构化数据，大数据时代包含了视频、音频、图片、地理位置、网络日志等众多类型的非结构化和半结构化数据。“Value”是指数据的价值密度与数据总量负相关。“Velocity”是指快速的数据处理速度，海量的数据量需要高效率的数据处理速度，同时，短时间内完成的数据处理结果有助于应用策略的快速制订及调整。
在网贷领域， 英国贷款网络平台W o n g a首創大数据风控。该公司成立于2006年，从事发薪日贷款(Pa y d a y Loan)，可以全天24小时办理业务，向用户提供金额从50英镑到750英镑不等的小额在线借款业务。其独特的大数据自动风控系统克服了传统征信系统的片面、不注重成长性和效率低下等难点，将征信数据节点提升到8000个，能够根据用户填写的信息自动进行风险评估，并在20分钟内给出贷款报价，堪称大数据风控的鼻祖。
在征信领域， 美国金融科技公司ZestFinance具有代表性。该公司成立于2009年，在其模型中，往往要用到3500多个数据项，从中提取70000多个变量，在传统信用分数不到1000个数据变量的基础上发生了质变。该公司引领大数据计算和征信技术的前沿，颠覆了延续半个世纪的传统征信模式。
在国内银行业，工商银行、兴业银行、宁波银行等在大数据风控中取得了长足进展。
工商银行通过打造大数据服务云，支持大数据发展数据多样化、服务能力实时化、算法引擎智能化、基础平台云化的趋势，在信用风险领域成立信用风险监控中心，以大数据分析技术为手段，集信用风险的分析、监测、预警、管控于一体，确立了分析建模、实时监测、风险预警、核查管控、跟踪督办、反馈优化及考核评价的信用风险监控工作流程，实时开展融资客户、融资产品、信贷机构及信贷人员风险的监测预警及跟踪管控。
兴业银行在风险管理方面大力推动数据应用和数据挖掘分析的力度，迭代开发风控搜、核贷宝、黄金眼等创新型大数据产品。“风控搜”产品整合了互联网风险类信息，供贷前调查、贷中审批、贷后监控等各环节的人员使用，旨在成为一款“采集风险—提示风险—扑灭风险”的风控产品。“核贷宝”通过Python技术自动抓取各重要网站信息，提供一站式查询服务，可一键查多网，并智能生成征信报告，促进贷款审核流程的革新;同时，该产品通过对外部数据实现电子化存储，信贷人员在贷款审查审批、放款复核及贷后管理环节只需一次性查询。“黄金眼”以随机森林算法为核心，利用大数据信息技术，结合网络爬虫和搜索引擎，模拟人工查询和评价数据的过程，构建100余条预警规则和评分模型，利用图关联技术可视化展现客户的股东、担保、交易等关联关系。
宁波银行通过整合行内各业务数据， 引入互联网数据以及专网数据，建立了内容覆盖面更广、风险信息来源更多、预警针对性更强的大数据风控平台。该平台通过风控模型探测潜在风险信号，在贷前、贷中和贷后三个环节，向前台业务人员及各级审查审批人员提示风险，通过建设企业级客户标签画像系统，全面了解客户渠道使用、产品购买等信息，为风险控制提供决策支撑。
大数据风控的应用难点
商业银行具备实施大数据的基础，虽然我国很多商业银行都建设了数据中心， 但离大数据的应用要求还有一定距离，应用难点主要表现在以下方面。
人才短缺难点。在商业银行应用和推广大数据技术，需要既掌握大数据技术和IT技术，又懂业务逻辑和业务操作流程， 同时也熟悉银行内控合规要求等的综合性人才。然而，现实的人才情况限制着商业银行大数据技术的发展。一方面，在大数据技术应用和推广领域中的人才储备普遍比较短缺;另一方面，随着互联网金融的火热，商业银行的部分金融科技人才逐渐流失，从而限制了银行大数据技术的创新应用。
数据整合难点。商业银行拥有丰富的、标准化程度较高的客户数据，但这些数据宝藏往往分布在内部各条线、各职能部门、各分支机构之间，而且各信息系统是在不同时期建设的，开发者也各不相同; 同时，各系统之间的管理要求不同，标准不统一，共享基础差，业务信息也不一致。由于难以互联互通，缺乏共享机制，形成一座座“信息孤岛”，导致在应用数据时难以有效整合，许多行内数据仍然在数据库中“沉默”，未发挥应有的作用。
合规或审慎难点。大量的数据涉及客户隐私，而且有时候难以确定界限。银行作为受严格监管的金融机构，为了符合合规要求，或者出于保护客户隐私如手机号、家庭住址、身份证号等敏感信息的需要，抑或对大数据技术应用审慎的态度等原因，对所拥有的海量数据开发程度有限，使得宝贵的数据难以发挥效用。
开发和应用协调难点。由于银行内部各条线、各部门间的合作机制不完善， 又缺乏复合型人才，导致风险部门与开发部门、风险部门与业务部门的沟通协调成本较高，协调数据产品的开发实施周期较长，产品创新及应用推广与业务的实际需求难以有效匹配，从而使得创新、开发、应用难以有效统一。
传统系统架构适应难点。随着互联网金融、穿戴传感设备、物联网的快速发展，这些新形态下产生的数据、客户交易行为记录，以及包括银行在内所记录的影像、图片、音频等半结构或非结构化数据，都是非常有价值的数据信息，都将和结构化数据一并纳入数据管理和分析范围。目前，银行传统的系统对这类数据的处理能力普遍较弱，由于银行的业务链条较长、各信息系统较为复杂等原因，传统系统架构距大数据技术的应用与推广还有较大差距。
数据挖掘分析难点。由于搜集的数据信息可能不完整，无法积累客户在平时生活中展现的生活习惯、消费倾向等行为数据，难以与行内业务数据结合以刻画客户的消费习惯、风险偏好等。在未进行有效整合的情况下，银行风控人员很难准确识别客户的整体风险。特别是对于跨行业、跨区域、跨市场的担保客户或集团客户， 客户或其实际控制人往往存在多处注册、多头融资的情况，具有交易复杂、业务经营和资金流动等特征，传统数据分析难以清晰了解客户的生产经营、关联关系的全部真实情况，无法发现虚假信息、交叉违约、关联风险等多层复杂风险。
解决之道
银行历经了半个多世纪的建模和数据分析探索，以信用评级或评分模型为代表，积累了丰富的理论和实践经验，银行拥有群体数量庞大的客户，拥有海量的客户数据和交易数据，是一座有待深挖的宝矿。大数据的应用为商业银行风控带来了海量的数据、更加丰富的风控工具和更加高效的处理能力，具有远见和雄心的商业银行应当早做布局，引领金融科技的发展。可以从以下方面深化大数据的应用。
加强复合型人才的培养。大数据思维对银行风险管理水平的提升无疑具有十分重要的意義，但应该认识到大数据不是万能的，不能代替风险管理专家的作用。因为数据信息和模型本身具有局限性，能否最大程度地发挥数据的效用取决于用数据的人，因此需要大量培养既懂业务又懂数据和模型的专家，打造一支既对风险有定性分析判断、潜在风险排查、动态风险监测能力，又掌握数据整合挖掘能力、定量风险分析技术、具有风险模型开发和监控能力的复合型风险管理人才队伍。
建立集中式的风险监测预警中心。基于大数据及其挖掘技术，对分散在银行内部各业务条线、各职能部门、各分支机构、各子系统中的数据进行集中，与外部大数据进行整合后，实现商业银行的事前预警、事中控制、事后监测，并通过海量数据的核查和判定，及时挖掘、监测、预警、管控可能出现的风险点，构建覆盖“全流程、全客户、全业务、全产品、全资产”的全面持续的集中式非现场监测预警体系。力求从数据中寻找业务发展和决策的依据，提高全流程预警能力和风险管理的信息化、自动化水平。当发现客户出现结算、存款或交易等大幅变动或下降等异常情况时，则通过系统向各条线发出风险提示或预警，贷前调查人员应核实相关信息，贷中审查审批人员应据此作出审查审批意见和决策，贷后管理人员应及时开展现场核查，就风险情况督促客户改进，或采取压缩授信额度、提前收回贷款、资产保全等防范措施。同时，进一步完善基于大数据信息的集中式风险辅助审查审批体制，补充或校正授信申报机构对客户风险信息的收集和判断。运用合理的参数和模型，结合大数据信息，做出更全面、专业的分析和判断，使风险识别、计量、决策、防范更加准确及时。
强化与业务的联动。一方面，开展“请进来”，请业务部门负责人、一线业务骨干到风控部门和大数据应用项目组， 亲身体验大数据智能风控服务，并根据业务需要提出相关需求和改进建议，以更契合业务发展的需要，更好地提升客户体验。另一方面，通过“走出去”，派出懂产品、善介绍的骨干人员，深入到业务条线和分支机构，开展大数据产品宣讲、培训，并搜集业务方面的反馈意见，完善产品功能及服务，推动大数据风控产品的应用，激发产品创新动力。
深化数据挖掘分析。银行内部数据具有标准化、价值高的特性，是一座有待持续深入挖掘的宝藏，随着银行拥抱大数据进程的加快，内外部数据的整合将产生更大的潜在价值。银行应充分利用大数据技术对海量数据深入挖掘和分析：一是结合企业的静态和动态的数据，既要看企业资产负债表的静态数据情况，还要考察企业交易结算数据等动态数据;二是结合宏观、中观和微观的数据，综合考虑宏观经济、中观行业、微观企业的情况;三是结合结构化和非结构化的数据，其中结构化数据包括贷款、存款、交易流水等，非结构化数据包括企业管理层情况、产品信息、抵质押品情况等;四是结合行内数据和行外数据，行内数据包括信贷数据、交易结算、抵质押数据等，行外数据包括工商税务、司法环保、征信海关等方面的数据。通过以上几种结合，动态地分析贷前调查、审查审批、贷后管理、资产保全等全流程的客户及关联关系风险，更好地了解客户及其行为特征，优化风控技术和流程，提高风险评估模型的精准度，进一步提升风险管理的精细化水平。
建立大数据信用评分。通过大数据信用评分可以缓解传统征信体系中无征信记录的企业、个人，或财务数据难以核实的小微企业的借贷难题。在利用大数据建立个人信用评分方面，外部数据应涵盖身份核验信息、学历信息、运营商信息、司法信息、工商信息、银联消费信息等，内部数据应通过与个贷系统、信用卡系统对接，实现内外部数据的整合。在利用大数据建立企业信用评分方面，一是应用企业及高管的外部大数据，涵盖银监、征信、工商、司法、环保、税务、股东或高管投融资信息、公积金、房产指数、商标专利、外部舆情、学历认证信息、电商交易数据等; 二是应用行内的企业及高管账户行为数据， 包括交易往来、存贷记录、代发工资等。通过个人和企业的大数据信用评分，对接各业务条线生产系统，辅助贷前调查、授信审批、放款核验、贷后监控、预警等工作， 提升授信业务质效，尤其是对于由第三方平台如电商或支付公司推荐的客户，基于保护客户数据的考虑，平台往往不提供详细的信息，从而难以评价这些客户的风险。
需要指出的是，大数据有其明显的长处，但也有其不足。一是大数据容量越大，其噪音也相应地增加，甚至噪声增长速度可能快于数据量的增速，在大数据管理、分析方法尚未完全成熟时，挖掘成本较高。而银行传统数据含金量高，可以基于比较成熟的数理统计理论和方法，建立经典的数理模型。二是外部大数据往往反映相关关系，而银行传统数据更容易得到因果关系，只有把两者互相融合，把传统数据分析方法的完备性、准确性和大数据的多维性、及时性融合起来，才能真正提升大数据在银行风控中的实效。
(作者系华夏银行总行授信运行部总经理)
作者：闫炯智
【摘要】本文首先针对大数据在互联网金融中的应用提出了几个创新的方向，然后介绍了在互联网金融的大环境下风险控制的原则和核心方法，并重点分析了大数据在这些规则下数据积累、加工和应用的场景，最后根据应用的现状提出了需要注意的问题和后续的展望。
【关键词】大数据;互联网金融;风险控制
1.引言
互联网金融是指以依托于支付、云计算、社交网络以及搜索引擎等互联网工具，实现资金融通、支付和信息中介等业务的一种新兴金融。互联网金融不是互联网和金融业的简单结合，而是在实现安全、移动等网络技术水平上，被用户熟悉接受后(尤其是对电子商务的接受)，自然而然为适应新的需求而产生的新模式及新业务。是传统金融行业与互联网精神相结合的新兴领域。
论起互联网金融首先想到的是马云的“三步走战略”——平台、数据、金融。未来的互联网金融无疑有着巨大的发展空间，可目前看来三步走已经不符合市场预期，因为市场到今天已经不只是平台之争，特别随着这两年互联网金融爆发式的发展，已经形成了平台、数据、金融相互影响的格局。在这种形势下破局的点在哪里?就在于连接平台、用户、金融等方面的工具——大数据上，谁能对大数据合理利用，谁就能掌握这场数据之争的未来市场。
2.大数据在互联网金融的应用方向
从大数据的应用场景来看尽管达不到人们所预期的精确性，但确实已经有了不少比较成功的商业案例。如Decide利用超过80亿条的已知价格信息预测价格走势，给出购买建议;DataSift通过分析社交网络数据，制定针对性营销方案;Zestfinance则利用大数据进行信用评估，并已累积获得近一亿美元的融资等等。
随着平台的发展和数据的积累，互联网金融也越来越多参与到其中，所以三步走已经转变成交叉并行的三个方面。国内对互联网金融的应用比较多的还是在理财上，这是受了阿里余额宝、百度百发、微信理财通等的影响，可实际上贷款才是金融服务中最具刚性需求的服务。而且随着大众时间和需求上的碎片化程度提升，一方面是银行等金融机构的产品自然而然的落地，二是互联网信贷围绕大数据分析等方式进行了很好的改造。因此大数据已经促进了高频交易、社交情绪分析和信贷风险分析三大金融创新。
2.1 高频交易和算法交易
以高频交易为例，交易者为获得利润，利用硬件设备和交易程序的优势，快速获取、分析、生成和发送交易指令，在短时间内多次买入卖出，且一般不持有大量未对冲的头寸过夜。现在的高频交易主要采取“战略顺序交易”，即通过分析金融大数据，以识别出特定市场参与者留下的足迹。例如，如果一只共同基金通常在收盘前一分钟的第一秒执行大额订单，能够识别出这一模式的算法将预判出该基金在其余交易时段的动向，并执行相同的交易。该基金继续执行交易时将付出更高的价格，使用算法的交易商可趁机获利。
2.2 通过收集、分析社交媒体上的内容进行市场情绪分析
金融市场的投资者将对情绪分析的研究与应用结合起来。大约两年前，对冲基金开始从Twitter、Facebook、聊天室和博客等社交媒体中提取市场情绪信息开发交易算法。例如一旦从中发现有自然灾害或恐怖袭击等意外信息公布，便立即抛出订单。2008年，精神病专家理查德·彼得森筹集了100万美元在美国加州圣莫尼卡建立了名为MarketPsy Capital的对冲基金，通过追踪聊天室、博客、网站和微博，以确定市场对不同企业的情绪，再据此确定基金的交易策略，到2010年该基金回报率达40%。位于伦敦的小型对冲基金DCM资本从Facebook和Twitter等社交媒体收集信息，将人们对某个金融工具的情绪进行打分，并向零售客户发布预测，辅助投资者作出投资决定。
2.3 加强风险的可审性和管理力度，支持精细化管理
金融机构希望能够收集和分析大量小微企业用户日常交易行为的数据，判断其业务范畴、经营状况、信用状况、用户定位、资金需求和行业发展趋势，解决由于小微企业财务制度的不健全无法真正了解其真实的经营状况的难题。
阿里小贷首创了从风险审核到放贷的全程线上模式，将贷前、贷中以及贷后三个环节形成有效联结，向通常无法在传统金融渠道获得贷款的弱势群体批量发放“金额小、期限短、随借随还”的小额贷款。
3.风险控制的原则和方法
有效的控制风险方法最简单的说法就是不要把鸡蛋放在一个篮子里，所以要求客户必须是“小额、分散”，避免客户过度集中在某一个或几个行业或客户。
先说一下“分散”在风险控制方面的好处，即借款的客户分散在不同的地域、行业、年龄和学历等，这些分散独立的个体之间违约的概率能够相互保持独立性，那么同时违约的概率就会非常小。比如100个独立个人的违约概率都是20%，那么随机挑选出其中2人同时违约的概率为4%(20%^2)，3个人同时违约的概率为0.8%(20%^3)，四个人都发生违约的概率为0.016%(20%^4)。如果这100个人的违约存在相关性，比如在A违约的时候B 也会违约的概率是50%，那么随机挑出来这两个人的同时违约概率就会上升到10%(20%×50%=10%，而不是4%)。因此保持不同借款主体之间的独立性非常重要。
“小额”在风险控制上的重要性则是避免统计学上的“小样本偏差”。例如，平台一共做10亿的借款，如果借款人平均每个借3万，就是3.3万个借款客户，如果借款单笔是1000万的话，就是100个客户。在统计学有“大数定律”法则，即需要在样本个数数量够大的情况下(超过几万个以后)，才能越来越符合正态分布定律，统计学上才有意义。因此，如果借款人坏账率都是2%，则放款给3.3万个客户，其坏账率为2%的可能性要远高于仅放款给100个客户的可能性，并且这100个人坏账比较集中可能达到10%甚至更高，这就是统计学意义上的“小样本偏差”的风险。
除了坚持小额分散借款原则，用数据分析方式建立风控模型和决策引擎同样重要。小额分散最直接的体现就是借款客户数量众多，如果采用银行传统的信审模式，在还款能力、还款意愿等难以统一量度的违约风险判断中，风控成本会高至业务模式难以承受的水平，可以借鉴的是国外成熟的P2P比如LendingClub等都是采用信贷工厂的模式，利用风险模型的指引建立审批的决策引擎和评分卡体系，根据客户的行为特征等各方面数据来判断借款客户的违约风险。简单点说，建立数据化风控模型并固化到决策引擎和评分卡系统，对于小额信用无抵押借款类业务的好处包括两个方面：一是决策自动化程度的提高，降低依靠人工审核造成的高成本;二是解决人工实地审核和判断所带来审核标准的不一致性问题。
因此除了小额分散的风控原则，风控的核心方法在于通过研究分析不同个人特征数据(即大数据分析)相对应的违约率，通过非线性逻辑回归、决策树分析、神经网络建模等方法来建立数据风控模型和评分卡体系，来掌握不同个人特征对应影响到违约率的程度，并将其固化到风控审批的决策引擎和业务流程中来指导风控审批业务的开展。
4.大数据在风险控制中的应用
国内运用大数据方式涉及互联网金融的产品还相对较少，一是由于国内的金融体系还不完善，二是国内的用户数据存在“大而不准，大而不精”。数据存在获取困难和不精准的问题，因而给大数据互联网金融带来了很多难题，但尝试者也并不少特别是在风险控制方面。
在不依赖央行征信系统的情况下，国内金融市场自发形成了各具特色的风险控制生态系统。大公司通过大数据挖掘，自建信用评级系统;小公司通过信息分享，借助第三方获得信用评级咨询服务。互联网金融企业的风控大致分为两种模式，一种是类似于阿里的风控模式，他们通过自身系统大量的电商交易以及支付信息数据建立了封闭系统的信用评级和风控模型。另外一种则是众多中小互联网金融公司通过贡献数据给一个中间征信机构，再分享征信信息。
图1 风控相关大数据及代表企业或产品
央行的征信系统是通过商业银行、其它社会机构上报的数据，结合身份认证中心的身份审核，提供给银行系统信用查询和个人信用报告。但对于其它征信机构和互联金融公司目前不提供直接查询服务，同时大量的个人在此系统里面没有信贷记录，而这些人却有可能在央行征信系统外的其它机构、互联网金融公司自己的数据系统中存有相应的信贷记录。从网贷公司和一些线下小贷公司采集动态大数据，为互联网金融企业提供重复借贷查询、不良用户信息查询、信用等级查询等多样化服务是目前市场上征信公司正在推进的工作。而随着加入这个游戏规则的企业越来越多，这个由大量动态数据勾勒的信用图谱也将越来越清晰。
但是互联网大数据海量且庞杂，充满噪音，哪些大数据是互联网金融企业风险控制官钟爱的有价值的数据类型?下图揭示了互联网海量大数据中与风控相关的数据，以及哪些企业或产品拥有这些数据。
利用电商大数据进行风控，阿里金融对于大数据的谋划已久。在很多行业人士还在云里雾里的时候，阿里已经建立了相对完善的大数据挖掘系统。通过电商平台阿里巴巴、淘宝、天猫、支付宝等积累的大量交易支付数据作为最基本的数据原料，再加上卖家自己提供的销售数据、银行流水、水电缴纳甚至结婚证等情况作为辅助数据原料。所有信息汇总后，将数值输入网络行为评分模型进行信用评级。
信用卡类网站的大数据同样对互联网金融的风险控制非常有价值。申请信用卡的年份、是否通过、授信额度、卡片种类;信用卡还款数额、对优惠信息的关注等都可以作为信用评级的参考数据。
2013年阿里巴巴以5.86亿美元购入新浪微博18%的股份来获得社交大数据，阿里完善了大数据类型。加上淘宝的水电煤缴费信息、信用卡还款信息、支付和交易信息，已然成为了数据全能选手。
小贷类网站积累的信贷大数据包括信贷额度、违约记录等。但单一企业缺陷在于数据的数量级别低和地域性太强。还有部分小贷网站平台通过线下采集数据转移到线上的方式来完善信用数据，这些特点决定了如果单兵作战他们必定付出巨大成本。因此贡献数据、共享数据的模式正逐步被认可，抱团取暖胜过单打独斗。
第三方支付类平台未来的机遇在于未来有可能基于用户的消费数据做信用分析。支付的方向、每月支付的额度、购买产品品牌都可以作为信用评级的重要参考数据。
生活服务类网站的大数据如水、电、煤气、有线电视、电话、网络费、物业费交纳平台则客观真实地反映了个人的基本信息，是信用评级中一类重要的数据类型。
图2 大数据加工过程图解析
拥有了这些数据后，大数据加工的过程如图2所示。同时阿里的加工过程也极具代表性，具体流程如下所示：
首先，通过阿里巴巴B2B、淘宝、天猫、支付宝等电子商务平台，收集客户积累的信用数据，利用在线视频全方位定性调查客户资信，再加上交易平台上的客户信息(客户评价度数据、货运数据、口碑评价等)，并对后两类信息进行量化处理;同时引入海关、税务、电力等外部数据加以匹配，建立数据库模型。
其次，通过交叉检验技术辅以第三方验证确认客户信息的真实性，将客户在电子商务网络平台上的行为数据映射为企业和个人的信用评价，通过沙盘推演技术对地区客户进行评级分层，研发评分卡体系、微贷通用规则决策引擎、风险定量化分析等技术。
第三，在风险监管方面，开发了网络人际爬虫系统，突破地理距离的限制，捕捉和整合相关人际关系信息，并通过逐条规则的设立及其关联性分析得到风险评估结论，结合结论与贷前评级系统进行交叉验证，构成风险控制的双保险。阿里小贷还凭借互联网技术监控贷款的流向：如果该客户是贷款用于扩展经营，阿里小贷将会对其广告投放、店铺装修和销售进行评估和监控。
5.结论
金融服务将进一步从粗放式管理向精细化管理转型，由抵押文化向信用文化转变，更全面的信用体制和风险管理体制将会建立。风险控制作为金融的本质将是其中最重要的一环，而大数据毫无疑问将在此过程中发挥重大的作用，但大部分的互联网金融企业目前体量尚小，用户规模和交易额都不大，因此在数据积累基础上能够及时结合实际情况进行互动，及时修正模型，相互促进从而达到风险控制模型的逐步优化。
参考文献
[1]李耀东，李钧.互联网金融框架与实践[M].北京：电子工业出版社，2014.
[2]罗明雄，唐颖，刘勇.互联网金融[M].北京：中国财政经济出版社，2013.
[3]张海泉.大数据时代下的信贷风险防控研究[J].中国集体经济.2014(14)：75-77.
[4]吴昭华.大数据时代的互联网金融发展研究[J].电子世界.2014(05)：192-193.
[5]井华，王南海.大数据时代下的互联网金融[J].国际融资.2013(11)：24-25.
[6]王召.“大数据”：传统金融与互联网金融争夺的焦点[J].中国农村金融.2014(02)：44-45.
作者简介：杨秀萍(1978—)，广东龙川人，硕士，广东农工商职业技术学院计算机系讲师，主要研究方向：智能信息处理。
作者：杨秀萍
目前，大部分的网贷平台业务模式都是与第三方的机构合作开展的，比如担保公司担保、小贷公司、商业保理公司、融资租赁公司债权回购等。虽然网贷平台标榜双重风控，但是主要的风控还是外包给了这些机构，网贷平台的那一重风控变为了形式，因为如果真的要控制风险的话就要养很多具体操作业务的人，这对平台本已居高不下的运营成本无疑是雪上加霜。
银行是如何来控制风险的?
银行的业务组织结构分为很多条线，核心是风险管理条线，此外还有公司业务条线、个人业务条线、会计条线等;还有直属于总行的同业金融条线和信用卡条线等。风险管理条线之所以被称为核心，是因为金融的核心就是风险控制，所有银行业务中的风险把控操作都由这个部门来具体操作，在其之上还有审批委员会，委员会的成员是由各个与业务相关部门的一把手组成，委员会的最终决策人被称为首席风险官，这个角色没有一票通过权，只有一票否决权，可有效避免一人独裁的局面。此外，风险管理条线还分为授信审批中心、授信管理中心、资产保全中心，职能分别是负责贷前、贷中、贷后的操作。
纵观现在整个网贷行业，风控模式基本沿用了传统银行的风控模式，但比起银行的风控模式还有很大的差距，只是一些皮毛而已，形式单一，只停留在了表面。 如何基于大数据做风控?
与传统模式下的风控体制不同，大数据风控模式正成为行业热点，基于大数据下的风控分为两个方面：一个是内部风控;一个是外部风控。
内部风控主要是防范一些操作上的风险，尽量的将主观人为的操作系统化，这就要求网贷平台加大技术开发的投入，对后台系统功能不断完善以及操作员与管理员的权限尽可能细化，而外部风控主要体现在项目端上，就是要抓住借款人的信用情况、借款资金流向等因素。
P2P平台无法直接查询客户的征信，这降低了行业平台对借款人的震慑力，导致违约成本的降低和重复借贷现象的增加。平台想要获得借款人的个人信用报告，需要花费很多时间，很多年轻人、自由职业者等并未使用信用卡人群无任何信用记录。在这背景下，大数据的作用凸显出来，从某种意义上说，大数据征信与风控将是互联网金融未来发展的命脉。
业内人士认为，大数据征信能够降低信息不对称、数据不及时以及还款能力判断不足的问题，可以增加反欺诈能力，同时更精确的进行风险定价。毕竟，相比于央行的征信，大数据征信因为数据来源、数据内涵、模型思路的不同，信用评价更趋于对人的一些本性的判断，可以运用于借贷以外更广的场景，生活化、日常化的程度更高。原银监会副主席蔡锷生表示：“有大数据的创新和支撑，在风险控制方面会带来很大的变化，这恰恰能体现出来它对传统金融缺失的补充，甚至是小微企业、个人消费信贷的一种金融支持。另外，大数据在未来建立社会征信的作用也会逐渐地发挥作用。”
征信的问题解决了，其实只解决了所有问题的一部分，对借款资金流向的监控也是非常重要的一环。要形成整个风控的闭环，这个环节不可或缺，就像电商企业要解决物流最后一公里的问题同样重要。目前，银行与第三方支付机构只能监控到本行与本机构内的资金流向数据，一旦资金转出到其他银行和其他结算机构后，就无法监控到了。这些机构间的资金流监控还没有形成联网。资金在清算机构间的转账是通过人民银行的大、小额支付系统实现的，如果人行能够建立一个统一的，跨机构查询资金流向的系统，使资金流向也没有了死角，那么，大数据下的风控就可以形成有效的闭环了。
以上从解决征信和资金流两个方面入手来达到风控目的进行了分析，但对于现实而言，仍存在一些问题，比如监控资金流的问题，一旦通过银行柜台进行取现操作，资金流监控就会出现断档，就无法准确的统计资金的真正流向。所以，大数据时代的风控才刚刚起步。相信随着未来互联网技术手段的不断创新，这些目前困扰我们的问题会迎刃而解。业内知名大数据风控平台服务商神州融已对接多家电商平台、征信机构与第三方支付公司，实现了业界最佳实践的大数据征信接入和风控模型运用，并可使P2P等小微金融机构零门槛拥有银行级全流程信贷管理系统，帮其实现资金流的安全与量化风控管理。
有业内人士曾这样表达自己对于大数据的看法：“大数据不是万能的，没有大数据是万万不能的，大数据在信用决策、风险控制中发挥着重要作用，而传统的信用和金融数据在今天和看得见的未来还是主要决策信息来源，大数据起着越来越重要的辅助作用。”
互联网金融发展的关键是风险控制，“风险控制”已然成为诸多互联网金融企业能否长大的魔咒，这个不争的事实像一座大山摆在众多互联网金融大佬与创业者的面前。为什么阿里金融能够将它的网络小贷不良率控制在不到1%，有胆量再贷多点吗?大数据挖掘技术和互联网金融的风险控制到底是什么关系?互联网金融将怎样建立有效的风险控制生态体系?本文将带你揭开大数据挖掘与互联网金融风险控制的神秘面纱。
最近互联网金融圈不仅自己玩的很开心，而且还拉上了金融界甚至央行的大佬们一起玩的很开心。尽管让互联网金融企业头痛的问题——央行征信系统不对市场开放，仍然没有解决，但至少央行的态度明朗，支持互联网金融的发展，并认为互联网金融是传统金融的有益补充。
生命的神奇之处在于它总能找到一个出口。作为新生事物的互联网金融也不例外，在那扇门朝他们关闭的同时，他们却找到了另外一扇窗。在亦步亦趋的探索中，他们中的大企业通过自身力量，小企业通过联合的力量找到了适合自身发展的风险控制生态系统，正朝着良性和有序的方向发展，正如凯文凯利在他的《失控》中描述的群氓智慧那只无形的手。
互联网金融掌握了可以颠覆传统金融的风控技术
在不依赖央行征信系统的情况下，市场自发形成了各具特色的风险控制生态系统。大公司通过大数据挖掘，自建信用评级系统;小公司通过信息分享，借助第三方获得信用评级咨询服务。
互联网金融企业的风控大致分为两种模式，一种是类似于阿里的风控模式，他们通过自身系统大量的电商交易以及支付信息数据建立了封闭系统的信用评级和风控模型。另外一种则是众多中小互联网金融公司通过贡献数据给一个中间征信机构，再分享征信信息。
央行的征信系统是通过商业银行、其它社会机构上报的数据，结合身份认证中心的身份审核，提供给银行系统信用查询和提供给个人信用报告。但对于其它征信机构和互联金融公司目前不提供直接查询服务。2006年1月开通运行的央行征信系统，至2013年初，有大概8亿人在其中有档案。在这个8亿人当中，只有不到3亿人有过银行或其他金融机构发生过借贷的记录，其中存在大量没有信贷记录的个人。
而这些人却有可能在央行征信系统外的其它机构、互联网金融公司自己的数据系统中，存有相应的信贷记录。市场上一些线下小贷公司、网络信贷公司对于借贷人的信用评级信息需求非常旺盛，也因此催生了若干市场化征信公司，目前国内较大的具有代表性的市场化征信公司有几家：如北京安融惠众、上海资信、深圳鹏元等等。
从P2P网贷公司和一些线下小贷公司采集动态大数据，为互联网金融企业提供重复借贷查询、不良用户信息查询、信用等级查询等多样化服务是目前这些市场化的征信公司正在推进的工作。而随着加入这个游戏规则的企业越来越多，这个由大量动态数据勾勒的信用图谱也将越来越清晰。
互联网海量大数据中与风控相关的数据
互联网大数据海量且庞杂，充满噪音，哪些大数据是互联网金融企业风险控制官钟爱的有价值的数据类型?下图为大家揭示了互联网海量大数据中与风控相关的数据，以及哪些企业或产品拥有这些数据。
(图)风控相关大数据及代表企业或产品
利用电商大数据进行风控，阿里金融对于大数据的谋划可谓非一日之功。在很多行业人士还在云里雾里的时候，阿里已经建立了相对完善的大数据挖掘系统。通过电商平台阿里巴巴、淘宝、天猫、支付宝等积累的大量交易支付数据作为最基本的数据原料，再加上卖家自己提供的销售数据、银行流水、水电缴纳甚至结婚证等情况作为辅助数据原料。所有信息汇总后，将数值输入网络行为评分模型，进行信用评级。
信用卡类网站的大数据同样对互联网金融的风险控制非常有价值。申请信用卡的年份、是否通过、授信额度、卡片种类;信用卡还款数额、对优惠信息的关注等都可以作为信用评级的参考数据。国内最具代表性的企业是成立于2005年，最早开展网上代理申请信用卡业务的“我爱卡”。其创始人涂志云和他的团队又在2013年推出了信用风险管理平台“信用宝”，利用“我爱卡”积累的数据和流量优势，结合其早年的从事的FICO(费埃哲)风控模型，做互联网金融小微贷款。
利用社交网站的大数据进行网络借贷的典型是美国的Lending Club。Lending club于2007年5月24日在facebook上开张，通过在上面镶嵌的一款应用搭建借贷双方平台。利用社交网络关系数据和朋友之间的相互信任聚合人气。借款人被分为若干信用等级，但是却不必公布自己的信用历史。
在国内，2013年阿里巴巴以5.86亿美元购入新浪微博18%的股份，其用意给人很多遐想空间，获得社交大数据，阿里完善了大数据类型。加上淘宝的水电煤缴费信息、信用卡还款信息、支付和交易信息，已然成为了数据全能选手。
小贷类网站积累的信贷大数据包括信贷额度、违约记录等等。但单一企业缺陷在于数据的数量级别低和地域性太强。还有部分小贷网站平台通过线下采集数据转移到线上的方式来完善信用数据。这些特点决定了如果单兵作战他们必定付出巨大成本。因此，贡献数据，共享数据的模式正逐步被认可，抱团取暖胜过单打独斗。其中有数据统计的全国小贷平台有几百家，全国性比较知名的有人人贷、拍拍贷、红岭和信用宝等。
第三方支付类平台未来的机遇在于，未来有可能基于用户的消费数据做信用分析。支付的方向、每月支付的额度、购买产品品牌都可以作为信用评级的重要参考数据。代表产品为易宝、财付通等。
生活服务类网站的大数据如水、电、煤气、有线电视、电话、网络费、物业费交纳平台则客观真实地反映了个人的基本信息，是信用评级中一类重要的数据类型。代表产品为平安的“一账通”。
互联网金融风控大数据加工过程
(图)大数据加工过程图解析
如上图所示，在进行数据处理之前，对业务的理解、对数据的理解非常重要，这决定了要选取哪些数据原料进行数据挖掘，在进入“数据工厂”之前的工作量通常要占到整个过程的60%以上。
在数据原料方面，越来越多的互联网在线动态大数据被添加进来。例如一个虚假的借款申请人信息就可以通过分析网络行为痕迹被识别出来，一个真实的互联网用户总会在网络上留下蛛丝马迹。对征信有用的数据的时效性也非常关键，通常被征信行业公认的有效的动态数据通常是从现在开始倒推24个月的数据。
通过获得多渠道的大数据原料，利用数学运算和统计学的模型进行分析，从而评估出借款者的信用风险，典型的企业是美国的ZestFinance。这家企业的大部分员工是数据科学家，他们并不特别地依赖于信用担保行业，用大数据分析进行风险控制是ZestFinance的核心技术。他们的原始数据来源非常广泛。
他们的数据工厂的核心技术和机密是他们开发的10个基于学习机器的分析模型，对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。
事实上，在美国，征信公司或者大数据挖掘公司的产品不仅用于提供给相关企业用于降低金融信贷行业的风险，同时也用于帮助做决策判断和市场营销，后两者不在本文的探讨范围内，但是可以从另一个方面给我们很多启发。
神州融大数据风控平台是由神州融与全球最大征信局Experian(益博睿)、阿里金融云联合各大征信机构、电商平台等伙伴合作打造，小微金融机构零门槛即可拥有价值千万、世界顶级信贷工厂管理系统与量化风控决策能力，一站式轻松接入3000+维度鲜活数据源和自动化决策评分卡，并免费对接大型电商平台、获得垂直信贷场景下的创新金融产品。
目前，P2P行业最热的话题无疑是 《关于促进互联网金融健康发展的指导意见》，而意见中提及要设置最低注册门槛，金额将介于1000万元-5000万元。对此行业各界人士发声不断，看法不一。
而据新浪支付资金托管分析师分析，截至到目前，全国正在运营的P2P网贷平台总共达到1286家。而在该网站接口并入的600多家P2P网贷平台中，注册资金在1000万以上的就占到了60%以上。
金融大佬的“富二代”能否战胜已经卡位的互联网“屌丝”们?P2P网贷将进入拼爹模式。目前，金融人也开始行动，包括银行、证券等传统金融公司已经开始大范围的布局P2P网贷。诚然，在传统金融企业涉足互联网金融后，一部分互联网基因的P2P平台也在发生着转变和调整，正规军的加入将使整个行业的规范度提升，同时加快洗牌的脚步。
近日，继网金宝、融信宝跑路后，又一家北京P2P平台“失联”，涉资逾1780万元。P2P的迅猛发展与跑路不断引发关注。宜信宜人贷总经理方以涵5日在做客中新网金融频道视频访谈间时表示，真正的P2P平台是能甄别与筛选借贷信息的平台，P2P产品的收益率小于或等于10%属合理;预计国家对P2P的监管政策或年内出台，一些P2P平台将达不到监管要求倒闭或关停;风控问题是P2P的核心，发展大数据技术将是P2P风控的趋势所在。
手段一：设立风险保证金。
目前很多平台均设立了风险保证金，比例一般为贷款金额的1%，一旦投资人无法收回投资，由风险保证金提供先行赔付。这一制度看上去有点类似银行，按贷款余额的1%计提风险准备金。但是，这个1%真的与银行一样吗?
我们先普及一个常识，专业人士可以选择跳过。
1、截至2014年6月末，全国商业银行不良贷款率1.08%，上半年16家上市银行不良贷款余额超过5581亿元，其中中小企业贷款不良率大部分介于2-3%之间(不含上半年核销的709.93亿元不良贷款)。P2P投放的贷款由于利率水平远远高于金融机构，其客户质量及保证措施不大可能优于金融机构，P2P如何能够用1%的准备金来覆盖?
2、2014年上半年，中国16家上市银行拨备覆盖率为251%，环比下降13%。拨备覆盖率(也称为“拨备充足率”)是实际上银行贷款可能发生的呆、坏账准备金的使用比率。不良贷款拨备覆盖率是衡量商业银行贷款损失准备金计提是否充足的一个重要指标。
拨备覆盖率=(一般准备+专项准备+特种准备)/(次级类贷款+可疑类贷款+损失类贷款)×100%。举例来讲，某银行贷款余额100亿，其中正常类90亿，关注类2亿，次级类5亿，可疑类2亿，损失类1亿，则其不良贷款率为(5+2+1)/100=8%。
假设不计提特种准备，按照现行规定，首先计提贷款一般损失准备金=100*1%=1亿，然后按比例计提专项贷款损失准备：2*2%+5*25%+2*50%+1*100%=3.29亿。加上一般准备，准备金总额应当达到4.29亿元。
目前，对于一些银行，中国银监会要求拨备覆盖率达到150%，是比拨备充足(100%)更审慎的要求。这些拨备资金来源均是银行的税前或税后利润。
以上说明，P2P的1%计提不同于金融机构的1%，金融机构是用自身利润来计提的，而P2P大都是将1%成本加到借款人或出借人身上的，这势必带来了更高的融资成本，从本质上加大了贷款的风险。金融机构是多重拨备，且远远超过贷款余额的1%，而P2P的准备金如何持续与积累?另外P2P宣称的准备金是否真实到位?有无挪用?如何监管?
手段二：小额分散，将一笔资金分散到若干个借款标的。
众多P2P平台将小额分散作为降低风险的主要手段之一。实际上，此种分散在降低单一客户的本金风险的同时，也降低了客户的收益率。这种信贷投放越分散，单一客户承担的风险越接近行业平均不良率。
就如一个赌徒，将100美金的注分成1注下还是100注下，带来的结果是1注有可能全赢、全输，100注各有输赢，后者在分散风险的同时，也失去了单注全赢的可能，越分散下注，其赔率越接近赌博项目的平均赔率，众所周知，赌场赢的就是那个1%的赔率，也就是说，如果一个赌客将自已的筹码无限分散，那得到的结果肯定必输无疑。
P2P与之不一样的地方是，不存在赌场必胜的1%。但最终投资者通过此种方式实现的收益，只能是行业平均毛收益率减去行业平均损失率的最后差额。这种方法在分散单一投资人风险的同时，也分散了单一投资人的收益，此差额有可能高于银行存款利率，也可能低于银行存款利率，当平台平均不良率超过一定比例的情况下，投资人扣除承担的平均风险损失，综合回报率甚至有可能低于存款利率。
上述通过小额分散来解决风险的做法，其实本身并不是风散了投资风险的绝对值，而是将损失平摊到每一个投资人身上，它仅仅能减少一个投资人血本无归的机会以及延伸带来的对P2P平台的压力，在宏观层面上并没有改变风险本身。
另外，上述的P2P行业平均损失率还不仅仅是贷款不良率造成的损失，还有平台操作与道德风险产生的损失，这一点，P2P与当前银行业金融机构是不可比的。一些国资或银行背景的P2P当属另类，但是这类平台的投资回报率也比一般P2P平台要低的多，这其中应理解为官方背书的成本吧。
手段三：由担保公司、小额贷款公司等第三方提供担保，由担保公司及小贷公司承担尽职调查成本及代偿风险。
大家看一组数据，基本可以判别这种方式的可靠程度了。截止2013年末，全国融资担保公司法人机构总计8185家。银行业金融机构融资性担保不良贷款余额348亿，比年初增加160亿元，增长84.5%。融资性担保贷款不良率为2.24%，比年初增加0.95个百分点(中国担保协会统计数据)。
事实上，由于协会统计数据均来自各家担保公司自报，其真实度无可考量，至于消失与死亡的担保公司也就更不在其中了。据笔者了解的情况，真正的担保贷款不良率基本不可能低于10%，这还不包括这些融资担保公司银行合作外的担保及违规集资的数据。看看全国担保行业在2013至2014出现的大洗牌现象就应该有更直接的理解。
今年以来，四川省有12家担保公司因不合格被注销，23家公司需整改;广东已有30多家担保公司退出了融资性担保市场;此外，浙江、江苏、河南、湖北等地也出现了类似情况，大部分担保公司或被移交，或重组，或变更，或注销，担保业倒闭潮已呈现全国蔓延之势。
据不完全统计，2014年通过主管部门年检的担保公司约为2013年末的半数，目前仍能够正常开展融资担保业务的公司不超过总数的20%。
另外，相当一部分P2P平台合作的担保公司根本没有主管部门授予的融资担保资质，仅是名称上有个担保字样而已，或者直接就是P2P平台关联人成立的皮包公司。
至于全国小额贷款公司，因没有统一的不良贷款数据来源，只能根据多方情况进行概括。笔者由于是行业中人，接触到全国众多省份的监管机构及小贷同行，因此对全国情况相对了解。全国的小贷公司良莠不齐，差距极大，如果希望得出一个统一的数据基本不可能，但据笔者接触到的全国十余个小贷行业发展较好的省份情况反映，当前小贷公司的贷款平均不良率也不可能低于10%。
综合上述情况，如果仅仅是依靠担保公司、小贷公司来鉴别项目并提供保证，其可靠度可想而知。
手段四：由P2P平台运营方提供代偿保证。
这一点更不靠谱。试看当下P2P平台，除几家银行国资系及拿了VC、PE钱的公司实收资本略大一点外，又有几家公司资本金经得住赔付?绝大部分P2P平台实收资本与P2P贷款余额比例低于1%，有的甚至早已亏损为负数，根本无法承担代偿责任。高收益对应高风险，如果说三两家平台依靠资源、技术或运气可能会成为另类的风险控制佼佼者还有可能，那么整个行业是无法打破这个规律的。 红岭创投，一个项目损失一个亿，而它的注册资金只有5000万元，加上利润、资本公积金也就9000万元，它也就只能拿“疯投”的钱赔了。类似的情况比比皆是，如何相信P2P公司能够代偿?
手段五：由房产提供抵押，所有借款人必须提供房产抵押。
应该说，想出这个方法的人肯定是信贷的外行。如果风控就依靠简单的房产抵押能解决的话，那银行完全可以坐在房产登记处放贷款就行了。应该来说，这个措施骗骗老百姓及不懂金融的投资人是非常有效的，在这个房价上天的时代，房子被老百姓当成了一生最大的追求与可靠的依赖，听说有房产抵押，就认为是零风险。不仅是老百姓了，连郞咸平教授在电视上也大为赞赏P2P的房产抵押零风险。
事实上，真正有过信贷工作经验的人都懂得，把房产抵押当作信贷的唯一选择，结果是反而将贷款客户质量向下挤压了一大步，加大了信贷风险。银行做房地产抵押贷款相对可靠，因为它利率低，可以优选客户，拥有房产的优质客户除了银行，也没有其它的选择。
而P2P做房地产抵押贷款，那么高的利率首先就将优质客户全部排除在外，剩下的大都是风险客户，等于捡了一地垃圾。众所周知，当下银行对房产抵押贷款的认可度极高，如果一个企业或一个自然人拿房产去银行抵押都拿不到贷款的话，那最大的可能就是借款人的各种风险因素导致的拒贷。这其中包括借款人没有可靠的还款来源、借款人用途有风险或抵押房产存在纠纷等。
千万不要相信那些银行不做小额贷款、银行官僚、银行不专业等妄言，在当下金融机构比厕所还多的年代，在历年信贷膨胀，连应收款帐、仓单质押、类信用保理、无抵押信用贷款、信用卡透支消费都大规模推广的今天，相对安全的房产抵押项目如果不是借款人存在较大的风险，基本上跑一两家银行完全可以借得到贷款。
可以想象一个思想健全、经营良好的人会放弃银行的8%左右的利率，而去选择18%左右成本的P2P资金吗?愿意拿房产抵押到网上融入资金的个人与企业，有点类似劣币驱逐良币的过程，其贷款逾期的比例远远超过一般人的想象。现实的数据更能证明这个问题，目前金融机构、担保公司、小贷公司出现不良贷款最多的，恰恰是房产抵押类贷款，它容易让人放松对借款人风险审核的警惕性。 另外，投资人的一个认识误区是，大家普遍认为，一旦借款人贷款逾期，就可以获得他的房子或将其变现，是零风险的，这种误解在民间信贷机构从业人员中也普遍存在。事实上，在中国当前的司法环境下，一个违约的房产抵押贷款，从起诉到能拿到房产变现的过程，一般没有一至两年是不可能完成的，而且其中产生的诉讼费、律师费、执行费、拍卖费众多，最大的减值还是国家计征的各项税费(司法处置房地产视同房地产销售，税费按二手房买卖交易计征)是优先扣除的。
我们简单列举一下处置成本，因部分费率为区别征收且全国还存在一些地区差别，我们只能按50-100万元的案值平均计算一个大概成本(以江苏某地为例)。
司法方面：诉讼费约占1%(阶梯计算)、保全费每件5000元、执行费约1%(阶梯计算)、拍卖费约5%以下、评估费约2.5‰(阶梯计算);
税收方面：企业销售住宅与非住宅，需要承担印花税万分之
五、营业税及附加5.6%、土地增值税约5%(差别征收)、企业所得税25%;个人销售非住宅的，除个人所得税为20%外，其它与企业销售一致。个人销售住宅的税费约6.6%(差别征收)。不良贷款抵押的房产如果不能直接到购买人的名下，为了保全资产防范出现其它风险，一般抵押权会先将房产落户在自已名下，再行处置变现时，又是一轮税收。
综上所述，司法处置抵押的房地产的，总费用约占全部拍卖所得的20%-43%之间，再计算两年的资金成本，其损失可谓极大。这还是能够拿到资产顺利拍卖的。在现实生活中，还有大约30-40%的抵押贷款诉讼最终因各种原因(如先刑后民、抵押不过租赁、产权纠纷、弱势群体居住、维稳等)最后无法执行。大家可以看到，仅仅依靠房地产抵押就视为零风险的想法是多么可笑。
另外，P2P借贷与一般面对面的借款还不一样，它面临着多个投资人对一个借款人、跨区域、诉讼主体不清晰、中间环节过多、P2P平台倒闭无法举证及执行、诉讼成本过高等诸多难点，远非投资人想的那么简单。
手段六：建立风险控制模型，以大数据及网上供应链信息为支撑，来分析借款人信用、控制信贷风险。
现在P2P的大数据分析支持者可能能举的例子就是阿里金融和好贷云风控。
在这里我不想再谈阿里的特殊生态圈及不可复制性(江南兄《风吹江南之互联网金融》已谈了很多)，事实上阿里系的支付宝系统提供的商家应收款变相质押是其风控的核心关键，同时，阿里小贷的线上、线下风控调查手段，与传统银行的小微企业风控调查手段相比大同小异，依靠大数据建立的风控模型在此其中真正发挥的作用远没有宣传的那么高大上。
手段七：银行或国家信用支撑。
这个应该是当前最可靠的P2P投资人风险保证措施了。据不完全统计，由银行发起或有银行背景的P2P平台，全国已经不止八家，虽然管理架构、业务形式均有一些区别，一些平台在法律上讲与母体没有直接关系，也是独立运行的，但事实上仍是用其银行及国家信用做了隐形背书。因为在当前这种政治格局与金融体制下，母体公司肯定会保障平台安全，出现兑付风险及倒闭风险的可能性基本为零。
在我看来，这些机构中的绝大部分，做P2P平台其象征及尝试的意义远远大于给这些机构带来的商业利益，即使这些平台能够安全运行，但并不能弥补当下P2P金融商业模式的缺陷，国家信用背书本身的成本一定要计算在商业模式之中的，零成本的无偿背书及输送信贷项目违背了市场公平原则，其风险成本肯定要由母体机构承担。
银行系P2P无非是一个变相抬高存款利率、信贷资产出表的玩法，在信贷项目风险控制手段严重依赖银行本身的情况下，其创新意义被极大的弱化。通过网上吸收8%以上成本的存款(实质上可以这么理解)，用国有信用、垄断金融信用来背书，承担事实上的资金安全保证，再用自已线下的信贷客户来承担这么高额成本的资金，何利可图?
对于当下的银行业金融机构而言，P2P如果不能高效率提供给他安全、稳定的信贷客户来源，又不能承担风控成本，仅是能高息吸收存款，根本没有太多意义，当然金融机构对不能预测的互联网金融未来的期盼并不在我们讨论之中，没有人知道未来是什么，现在的投入是否值得。当下金融机构的流动性并不缺乏(从同业间资金拆借利率越来越低可见一斑)，缺乏的不是高息存款，而是更低利率的存款及更安全的信贷客户。
P2P无法提供大中型信贷客户，只能提供杂乱无章、信息复杂、鉴别困难、风险较大的小微企业备选客群，银行还要使用线下的风控体系及客户资源来消化线上的高息资金，实在不够经济。对银行而言，如果吸收低息存款、收集安全信贷客户这两个最直接的需求均无法满足，银行系P2P只能说是一种对美好未来的尝试。 当然，P2P行业里也不乏一些优秀平台。
手段八：传统的类银行尽职调查，或使用各种专业风控手段(包括间接利用担保公司、小贷公司，自建团队等)从线下解决风控问题。
从风控角度讲，现在众多P2P平台也在仿效传统银行对中小企业、自然人借款各种风险甄别手段，包括大量线下的调查工作。部分平台的风控技术及内部控制水平还优于一些区域小银行，相比而言还比较可靠。
但是一个问题也就出现了，那就是风控成本应如何控制?谁来承担?信贷作为一个简单的盈利模式，贷款利率-资金成本-运营成本-风控成本(含不良拨备及损失)=信贷利润，这一公式非常直观。
P2P平台与传统金融机构相比，由于规模及初创的原因，如果要达到或接近一般银行的风控水平，其平均每百万元的信贷投放管理成本(含风险识别成本、IT技术支撑及人力资源成本)是肯定要高于当下大部份银行的。
按照一般市场法则，高利率对应高风险(那些认为小微、小额、分散就能做到高利率低风险的幻想者肯定是忽视了这种模式带来的极高的管理成本和风险成本)，那么我们大概可以将贷款利率与风控成本的差值定为一个相对恒定值，剩下来只要对比P2P与传统金融机构在资金成本、运营成本上的优劣就行。
理论上P2P的优势在于脱媒及互联网效率与成本的优势，但运用线下及传统的风控手段，就完全把自已的优势变为了劣势。我不反对线下调查，甚至极其强调线下调查的重要性，但是P2P在此情况下如何盈利与发展?(如果说P2P平台只需要圈定用户及交易量，然后大把地圈风投的钱也算盈利的话，可以不考虑这个问题)。
P2P如果要发展，必须从资金成本、运营成本、风控成本方面努力挖掘，从产品设计、差异化经营创新上入手，真正找到与传统银行的竞争优势，P2P这一商业模式不是万能的，谁都能效仿，要想从传统银行信贷市场上分一杯羹，谈何容易?至于颠覆，还是好好想想，找到自已的核心竞争力再说。
除去银行国资系P2P及极个别优质平台,绝大多数P2P平台的风险控制手段，要么是建立不严谨的信贷产品设计之上，根本经不住推敲;要么还是走的银行老路，甚至依靠不确定的第三方承担风险控制成本，其中介入的担保机构及风控成本的叠加，与金融机构这个所谓的应该被革命的对象成本无异，甚至有过之而无不及。 P2P平台所谓的脱媒不但没有脱掉，反而增加了更多参与方，导致交易成本更高、操作风险加大，无形中拉低了它的市场价值。P2P集聚的高成本资金又如何能够找到足够多的安全边际内的信贷产品去消化?无论从风险准备金制度、人才储备、风控制度设计，还是在尽职调查、贷后管理、不良清收方式等各个方面，P2P机构都没有表现出互联网应该有的特性来。
当下的互联网P2P金融更多只是吸收资金和发放贷款的工具，本质还是资金来源营销手段层面的创新，风控的创新根本无从谈起。如果P2P互联网金融不能在风控层面、优质客户营销方面进行革新，其风控手段及优质借款人的来源必须严重依赖线下，那么P2P互联网金融的本质还是线下金融的线上化,与传统银行类金融机构多少年的线下积淀相比，想造反成功的可能只能呵呵了。
我不是互联网金融的反对者，我只是希望P2P平台的的拥趸、创办者、投资人更冷静地去思考，做一些真正意义上的金融创新，特别是产品设计及风险控制手段的创新，让P2P金融走得更好、走得更远，而不是整天召开互联网金融大会用普惠、道德、说叫的语言呼悠政府及投资人。
现在大部分P2P平台的招数基本是花架子，根本没有什么实质的突破，更谈不上颠覆传统的银行，这些平台只是用擦边球的方式部分突破了金融的严格监管、打破金融业务的垄断而已，而这些，与优秀的、创新性的商业模式无关，迟早要被关进制度的笼子，也应该关进制度的笼子。
我一一分析P2P们的风控手段，并用极其大众的语言给大家提示风险(平台本身的道德、操作等各种风险本文并未提及，有空另文再述)，是希望投资人清醒地看到，任何投资均是有风险的，长期来说不存在低风险高收益的伊甸园，我不希望那些缺乏金融常识的可怜投资人，被那些不靠谱的P2P平台搞得倾家荡产。
我其实更是互联网金融的支持者。作为一个从体制内到体制外的金融从业人员，我深刻地感觉到金融官方垄断的劣根性及中国现有金融体系对中国中小企业的信贷盘剥。互联网金融以一种独特的生态去冲击传统金融的垄断地位，在夹缝中求生存，以一种堂吉诃德似的姿态去嘲讽传统中国金融的国有官本位思想，其势可叹，其心可嘉。
为解决P2P等小微金融机构征信与风控之痛，神州融与全球最大征信局Experian、阿里金融云联合发布了专门针对小微金融机构的大数据风控平台，利用流程引擎驱动、以决策引擎代替纯人工作业判断模式，实现快速、高效流转和自动决策的小微金融业务审批处理，并通过一站式整合电商平台和征信机构等3000+维度的信息数据，以及对接多家评分建模机构等，依据不同维度不同种类建立的风险控制模型，这种大数据授信机制的建立为实现精准化和批量化风险定价提供了可能，打破了一直以来单纯依靠线下审核成本过高、时效性差以及客观性不足等问题。随着互联网和大数据等创新技术的引入，征信行业正在发生快速的变革。
文章仅供学习交流，不构成投资建议
风控三要素不透明、信息不对称的问题。
大家都听说过信贷三要素： 品行，资产，还款能力。我把它总结一下就是人品，担保措施，还款来源。通过这三个方面我们希望解决的是借款人经营信息
首先说人品，人品里面不仅仅指个人的品德，个性，它还包含了很多的内容。
人品不行的一票否决。人品不行的，再充足的抵押都不做。具体包括(但不限于)
1，个人信用(经济刑事犯罪记录、涉诉及被执行信息、银行信用记录、他人评价、时间观念、信守承诺程度), 所有的客户都必须查询信用报告，这个能反映绝一个人大部分的信用情况了，负债过高，信用卡使用额度高，近一年征信查询次数过多，逾期过多，黑名单坚决一票否决。有的人说他的逾期是忘了，我想问一句：银行的钱你都敢经常忘了，何况我们P2P平台的呢?
2、个人综合素质，包括谈吐、行业经验、知识面、身体素质、心理素质、职业道德。特别是行业经验，这也是为什么很多时候经营性贷款需要有一年以上营业执照，主要是看你的从业经验，新入行的借款人要谨慎。
3，个人及企业背景(个人成长经历、企业发展沿革、是否有黑社会背景、是否政治背景) 。当然有背景的情况下也要具体问题具体分析，有的时候背景不一定加分。
4，个人能力(对内管理能力、对外业务开拓能力、公关交际能力、财务管理能力)，有多大的头戴多大的帽子。你一修自行车的就不要想着造火车，我们欣赏的更多的是踏踏实实做实业的人，而不是一天都晚吹牛皮的。
5，个人及企业负债，隐形负债、或有负债(对外担保)、资产、净资产、利润、现金流情况，这里面可以从信用报告得到一部分信息，银行流水可以反映一部分负债情况，其实只要用心审核资料 总会发现一些端倪的。
6，个人生活习惯、性格特征、兴趣爱好、人生观、价值观等等，天天花天酒地，嗜赌成性的老板会把心思放在生意上么。
7，个人家庭、婚姻和睦情况、家族成员情况，经营风格、工作重心、社会关系等，一个成功的男人背后必然有一个幸福的家庭，这也是为什么我们对于单身的客户一票否决。
8，个人及企业自有资金来源(自有、中长短期贷款、民间拆借、亲友集资、其他合作伙伴提供、非法来源)，这也是考验一个老板调集资金的能力。
9，个人敬业精神，抗风险能力(危机处理能力、突发风险隐患爆发概率)。
10，借款人借款信息是否被要求对其关联方隐瞒等等(例如其他股东、家人等)。
以上十点就是关于对人品的一些看法，当然还有很多其他的要素。
接下来关于担保措施。
这个通俗来讲，就是如果你没钱还的时候，你拿什么保证我的权益。所以也就有了保证、抵押、质押这三种主要的担保方式。
1、保证：一般责任和连带责任，常见的有个人保证和机构保证，个人一般包括配偶、法定代表人、股东、其它第三人，机构包括公司、融资性担保报公司
这里需要注意的是公司保证必须按照公司章程的规定出具股东会决议。
说到融资性担保报公司，这里多讲几句,早期的融资性担保报公司分为民营和国营的，国营的不用讲，政府背景，政府拨款，其实早期民营融资性担保其实 实力也很强大，一般都是由当地的龙头企业或者富豪家族发起成立的，关系人脉资源也是很强大的，注册资金1亿起，而且是实收，早期没那么多垫资的，都是实打实的砸进来的。每年融担都要出具审计报告给银行和金融局，而且金融局都要对他们进行实地审核。每三年颁发一次融资性担保经营许可证，所以最好辨别是否真假融担的方法，就是看融资性担保经营许可证是否在有效期，目前跟银行有没有实际合作特别是银行，现在的银行都很精明的，没有一定的实力，不会随便跟融担合作的。
2、抵押：种类包括不动产抵押(土地使用权 房屋所有权 林木等)，动产抵押(车辆、机器设备、存货等)。
当前市场上绝大部分做的是房产抵押和汽车抵押。他项不是当场出的，根据各家房管所的政策不同，办理房产抵押登记手续7-10个工作日才可以拿到他项。
3、质押：汇票、本票、支票、债券、存单、仓单、提单。股权、股票，专利、商标，可转让的债权(应收账款)，讲到这里，提示大家一点：定期存单可以拿到银行质押贷款 9成以上的额度。下次看到风险备用金好几千万的 大家可以深究一下。以上这些措施，只为了一个目的，增加借款人的违约成本。
如果抵押他一套市值100万的房子，给他80万 ，一般情况下他不会违约的，成本太高，当然银行更多的是流于表面，关系的成分更重要一些。
当然这些抵押也好，质押也好，一般是作为借款人的第二还款来源。那么第一还款来源是什么?既然是企业经营贷款，而且用途是企业用于生产经营，那么第一还款来源肯定是看他的经营回款。经营回款又跟他的企业经营情况息息相关，所以企业经营状况才是重重之重 。那么通常企业经营情况如何看?这就是我接下来讲的风控的几个具体流程：
1、资料审核：一般需要提供个人身份证明，信用报告，资产证明，企业基本资料、银行流水、企业相关经营资料等。如果你深入的话，你会从这些基本资料中剔除不少瑕疵客户。包括信用不好的、负债过高的、流水造假的 等等。
2、实地考察 ：
1)、看老板，面谈了解老板的人品情况，侧面了解上述所讲的10个维度;
2)、看经营场地，实际生产经营情况(具体到仓库原材料及成品数量、机器运转情况，人员精神面貌等情况)，了解企业经营历史，运作模式，盈利水平。
3)，看财务资料，内帐、进货单、出货单、购销合同等财务单据，与老板讲的相互对照。
一般有融资需求企业最少都有3套帐，内帐(企业经营最真实的反映，包含所有发生的进出数据，无论是否有正规单据，所有的费用老板签字即认可。给老板看的)、外帐(有的企业是会计师事务所代做，大一点的自己做，会计凭证只付发票，不认收据。上报税务局纳税用)、银行帐(做的，一般提供给银行贷款用)。所以要想了解到企业真实的经营状况，看报表和外帐是没有多大用处的。风控团队在实地审核的时候，会带上专业的会计人员，要看的必须是真实的内帐，要看他的进货单、出货单，发票收据，抽查会计凭证，真实的财务报表不是凭空生成的，都有相应的会计凭证和单据一一对应。如果有隐瞒，或者找理由不拿内帐我们统一定性为不配合，而不配合的客户是上不了风控会的。
3、风控会。通过实地风控，又淘汰了一批瑕疵客户。资料审核过，实地风控回来了，是不是意味着客户通过了呢?不是! 还有风控会：业务经办人、业务主管、风控部门、财务、老总开会讨论，会上大家会针对这个客户提出不同的意见，如果当场没有答案的，暂时搁置，等待解决问题重新上会;通过的，同时制定相关方案，这个有点类似银行的贷款批复了，方案做好了，确定相关借款金额、期限及担保措施。
4、有担保公司担保的，担保公司独立二次风控。担保公司还有一次实地风控以及评审会。完全通过后，通知客户签署相关协议，办理手续，手续办好后放款。
当然，在这之前还有一个风控要做的事情：通过银行、担保公司、合作企业、相关商会侧面打听该客户的一些情况，主要看有什么负面新闻没有。
5、贷后管理。放款后当周实地回访企业，拿到与借款用途相符合的单据。每周最少一次电话沟通，每月最少一次实地回访，密切关注企业经营动态。到期前一个月面谈提醒，2周，一周，3天内每天最少一次电话沟通款项到期。
模式，P2P的生存之基;风控，P2P的发展之本
2014年刚刚开始，关于互联网金融的重磅消息就一个接一个，国务院办公厅107号文的网络疯传，《温州民间融资管理条例》的获批，深圳市关于全面深化金融改革创新若干意见的发布，都对P2P这一互联网金融形式有着深远的影响。P2P业务的合法性得到了进一步的确认，但具体业务模式也提出了明确的要求，不得建立资金池、不得非法吸收公众存款，回归信息中介，去居间人等已经成为了监管层的共识。然而目前大部分P2P机构的业务模式基本都触碰了监管的红线，如何规范自身的业务模式成为现在众多P2P机构的当务之急，业内也有相关公司进行了相应的探索。结合这些先行公司的实践，我说些自己的建议。
P2P的本质是信息中介，不是信用中介，因此所有的机构应该遵循这一原则进行自身业务模式的设计。遵从这个原则，我认为整体业务流程将会十分清晰。
P2P平台为双方提供服务，首先与各方签署服务协议。服务内容包括资金出借管理，债权管理等资金管理服务。当参与方参与某一个具体项目时，根据其参与的方向，如是出借人还是借款人，再签署更为明确的出借或者借款协议，并形成双方之间的借款借据，资金直接在出借人与借款人之间流动，P2P机构可收取相应的服务费，当借款人还款后资金也在扣除相应服务费后直接进入出借人账户。
对于出借人，其资金的投资周期与收益应该与出借项目一致，不是与机构约定的固定周期与固定回报。通过这样的方式来避免资金池，避免非法集资，也降低了平台流动性管理的要求。 为保证资金出借人的收益，可以与其约定相应的资金锁定期，在锁定期内，机构可以依据双方协商一致的条件进行投资服务。锁定期结束后，当出资人的资金从对应项目中撤回后可自由提回。
模式大致清晰后，我们再来看P2P机构发展靠什么?让我们回顾下2013年，这一年众多新平台集中出现，但也有不少平台轰然倒地。这么多问题平台中几乎每家都有贷款项目出现逾期的情况，虽然项目逾期不见得是平台倒闭的直接原因，但贷款风险一定会压垮P2P平台。因此平台之间的竞争最终一定是风控的竞争，这是个“剩者为王”的行业。
而目前，几乎看不到P2P平台有意识的进行贷款产品的设计。我也曾经拜访了多家机构，有些机构就没有产品部门，有的产品部门主要设计理财产品，除了个别有银行基因的机构会思考贷款产品外，其余基本在这方面是空白。某些小机构标榜的风控就是老板亲自去现场考察，亲自面谈借款人，这样的方式仅仅算是资金掮客的公司版。这样的操作模式基本不具备业务复制性，是传统信贷模式的copy，在风控模式上没有创新。
而且这种主要依靠人员进行风控的模式对于内部管理也提出了更高的要求，现在已经出现了专门内外勾结骗取P2P机构贷款的事件，这无疑是钻了机构风控制度薄弱，贷款项目相对随意的漏洞。
未来，P2P机构之间的竞争将是贷款产品、风控能力的竞争，这才是P2P平台的核心竞争力。只有设计出标准化的贷款产品，才能有效的降低项目风险，降低业务拓展成本，降低内部管理风险，实现规模化运营。这才是P2P机构应该重点投入的领域。
综上，P2P只有坚持信息中介，坚持服务本质，坚持风控立身才能长久发展，才能对整个金融行业的业务模式产生根本的影响!
推荐阅读：
p2p风控大数据模型（推荐3篇）05-29
p2p平台数据分析（共9篇）12-24
p2p平台运营数据分析（通用9篇）03-03
数据大数据时代05-25
大数据背景下数据新闻传播路径05-10
电力数据接入大数据（精选9篇）12-07
浅析大数据01-10
时代大数据07-27
大数据环境下税收数据深度利用探索09-13
商标大数据小议02-11
