云计算风险控制论文

摘要：随着消费观念的转变，汽车融资租赁模式已经逐渐被汽车市场中相对成熟的用户所认可，同时成为了低线城市扩大汽车销量的主要方式之一。以毛豆新车、弹个车为代表的行业领军者已经形成了比较系统的业务流程和模式，但与此同时也对信用风险控制提出了新的挑战。今天小编给大家找来了《云计算风险控制论文 (精选3篇)》，仅供参考，大家一起来看看吧。

云计算风险控制论文 篇1：

云计算安全管理和风险控制面临的新挑战

摘 要：新时期科学技术不断进步，伴随着计算机网络的出现各行各业都发生了变化。应用云计算能够很大程度上提高工作效率，但是云计算的安全管理和风险控制也值得我们思考。本文根据具体的云计算展开了探讨，提出了合理的解决策略，希望给相关工作人员提供一些参考，促进我国相关技术的进步。

关键词：云计算;安全模型;安全管理模式;潜在价值

New Challenges for Cloud Computing Security Management and Risk Control

QI Min

(Department of Information Technology，Hebei Urban and Rural Construction School，Shijiazhuang 050031，China)

0 引 言

现在各行各业都与云计算紧密相连，云计算给我们的工作带来了巨大的便利，研究云计算的安全与管理有利于提升云计算的实践应用效果，促进社会的发展，丰富经济发展过程中需要的计算模式。利用云计算的过程中，我们要充分利用云计算相关的虚拟化技术优势，根据安全问题的实际需要，从不同的角度出发，构建符合云计算实际需要的安全模型，这样能够最大限度地满足实际生产的要求。另外我们也要加强云计算的安全管理工作，用实际工作经验以及专业知识探索云计算的安全管理模式，只有这样才能够及时处理云计算的安全隐患，保证云计算数据的安全。

1 云计算安全模型

为了能够科学地处理云计算安全问题，我们要从多个角度去深入思考，构建安全的模型，具体包括以下四个方面。

1.1 云计算的架构设置

我们在构建云计算安全模型的时候要合理的设置构架的结构，只有这样才能够提高模型的适用性。相关工作人员一定要注重数据中心以及云终端和相关的部分配合使用，不断去完善与系统的服务功能，根据实际情况保证系统合理设置。根据云系统里面各个组成部分的功能特性，严格按照行业技术规范，不断去优化云计算的架构，保证云计算在实践生产的过程中充分发挥作用。

1.2 云计算相关的属性

在具体实践的过程中构建云计算的安全模型需要了解相关的属性，这些属性包括云服务和数据的保密性能，云数据和云服务的完整性、可用性、可控性和可审查性。

1.3 云计算的安全体系

这一体系一定要考虑云计算的架构，具体实践的过程中，要从云服务云终端以及云接口几个方面的安全入手，综合利用计算机网络信息技术保证云计算和云服务等要素的安全，只有这样才能构建安全的模型，满足实际需要。另外，职业安全体系形成后，相关工作人员要考虑云计算的功能特性以及用户的实际需求，在此基础上提升虚拟化平台性能，访问控制以及云接口的使用，建立科学合理的云计算安全体系。

1.4 云计算相关的安全构件

在构建云计算安全模型的过程中，也要掌握相关的安全构件。这些构件主要有身份的验证以及设置访问控制部分，用来保证云计算数据的安全，另外还有加密盒，能够鉴别用户的身份，及时使用入侵检测技术对系统中的入侵行为进行科学处理。

2 云计算安全管理

具体的云计算安全需求要明确，在不同的管理阶段中，要从预防以及制定安全规则系统的安全配置和异常监视等不同的方面入手，保证在不同的安全管理工作阶段都能够达到云计算安全管理的要求。根据云计算实际应用情况以及安全管理的要求提升相关的粘性策略的管理。具体实践的过程中，一定要注重灵活使用粘性安全策略，逐步采取把既定的安全策略粘附在云计算的数据上，对用户实际操作的隐私数据进行有效的控制，避免产生不良的影响，带来严重的后果。另外，相关工作人员也要充分分析安全策略的粘度，能够在密钥和公钥的配合下，严格把控用户数据的访问过程，实现云计算的安全管理。云计算安全管理的过程中也要实施安全策略，相關工作人员要了解在行业领域内的协议以及安全管理框架，明确安全管理协议中的每一个环节，保证粘性数据的安全。可以充分利用计算机网络技术，让用户以及云服务和粘性策略协调工作，从而在整个云计算技术运行的过程中控制潜在的影响因素，在实现安全管理的同时，充分发挥粘性策略的作用，逐步提升云计算安全管理的水平。

3 云控制系统面临的新挑战

虽然云控制系统有很多优势，但是现在云控制系统的发展仍然处于起始阶段，还面临诸多的挑战。

3.1 云控制系统面临的信息传输和处理的挑战

与控制系统和普通的物理系统有些不同，云控制系统把控制部分有选择地进行整合，从而能够运用云计算处理。云控制系统里面有很多大数据，有效获取、存储和传输这些数据是我们需要考虑的问题，另外，在延迟的情况下保证控制的质量以及闭环系统的稳定性也是很现实的问题，怎样保证控制性能，比如鲁棒性和实时性是需要每一个工作者深入思考的问题。利用什么原则拆分本地控制部分、和云端能够进行哪些信息交流、利用怎样的云计算方式去完善、云计算的过程中怎样合理的利用计算单元、如何给计算单元分配合适的任务等等，这些都是需要工作人员考虑的问题，这些问题和普通的信息物理系统问题有些不同，怎样控制云端计算和部分整合的设计是重点。

3.2 根据物理、通信和计算机理建立云控制系统的挑战

设计控制系统的首要问题是建立一个合理的模型。计算机通信与控制相结合实现了语音控制系统，但是通信网络和计算模型的复杂性也给控制系统的建模工作带来了一定的挑戰。在控制系统中，云计算是重要的一部分，传统网络化控制系统形式不同，构建物理对象以及云计算和通信网络的综合模型是技术人员需要解决的问题，这是很现实的一个挑战。具体建模的时候，计算机模型和通信模型里面又有物理的概念，比如时间，建立物理对象的模型要考虑到平台的不确定性，比如字节的长度，网络的延时，舍入误差等问题。另外还要描述整个物理过程，包含计算通信的逻辑模型以及合成模型的语言发展设计方法。

3.3 数据或知识的云控制系统的挑战

可以说云计算是多个学科交叉的领域，云计算系统里面有一些新的特性，除了有网络化的控制和复杂大系统控制，还有信息物理系统的特性。针对这些特点，相关工作人员要建立合适的控制理论体系。因为语音控制系统非常复杂，建立模型也比较困难，如果所建模型与实际要求相差很大，就需要根据数据或者知识去控制，而不依靠模型去控制。另外，云控制系统也要有一定的性能指标，只有不断对性能指标进行分析和优化，才能够更好让云控制系统服务。

3.4 成本的挑战

在控制系统里面应用云服务，这在很大程度上降低了硬件和软件的花费，但是在使用云计算的时候，也需要控制任务的分配，做好调度。要完成本地部分向云端虚拟服务器的迁移，维护好云控制系统。因此，不断优化与控制系统的成本是一个非常复杂的问题，面临诸多挑战。

3.5 保证云计算的安全性

云计算的安全问题是我们比较关心的问题，云计算的攻击形式也有很多，除了对纯属网络的攻击，还有攻击信号以及传感信号。云计算系统设计的过程中，不仅要能够抵御物理层面的干扰，而且还要抵御网络层面的攻击。因此，研究人员不仅需要掌握通信和云计算方面的知识，还要学会综合控制，做好云计算安全工作。现在网络化控制系统要控制算法以及硬件的结构，只有这样才能够适应复杂的网络环境，满足现代网络化控制安全的需要。

4 结 论

综上所述，现在科学技术的不断发展对云计算相关方面的工作人员也提出了更多的要求，工作人员要从安全模型的构建以及安全管理等工作中入手，不断扩宽云计算领域，给云计算提供具有可靠性的保障，促进我国云计算的发展，让云计算更好地为其它事业服务。

参考文献：

[1] 林闯，苏文博，孟坤，等.云计算安全：架构、机制与模型评价 [J].计算机学报，2013，36(9)：65-84.

[2] 张艳东.基于信任的云计算安全模型研究 [D].济南：山东师范大学，2014.

[3] 吕从东.基于无干扰模型的云计算中信息流安全研究 [D].北京：北京交通大学，2016.

作者简介：齐岷(1971.08-)，女，汉族，河北顺平人，教师，高级讲师，省级骨干教师，具有丰富的教学和学生管理工作经验，工学硕士，研究方向：信息技术。

作者：齐岷

云计算风险控制论文 篇2：

基于大数据和云计算的互联网汽车融资租赁信用风险控制

摘要：随着消费观念的转变，汽车融资租赁模式已经逐渐被汽车市场中相对成熟的用户所认可，同时成为了低线城市扩大汽车销量的主要方式之一。以毛豆新车、弹个车为代表的行业领军者已经形成了比较系统的业务流程和模式，但与此同时也对信用风险控制提出了新的挑战。本文主要介绍了大数据和云计算概述、互联网汽车融资租赁的信用风险分析，接着重点基于大数据和云计算的互联网汽车融资租赁的信用风险控制思路。

关键词：互联网汽车融资租赁;大数据;云计算;风险控制

0 引言

近几年，互联网和电商的发展浪潮也逐渐渗透到了汽车行业，迎合了部分勇于尝试新事物的消费者的需求。与此同时，随着80后、90后逐渐成为购车群体的主力军，他们不再强调汽车的所有权而是更看重汽车的使用权，消费观念的转变加上多样化金融方案的推出，使得互联网汽车融资租赁业务成为汽车消费市场的新型模式，但其中也伴随着风控模式的转变。

1 金融风控新技术——大数据和云计算

目前汽车融资租赁业务主要有三大參与者：主机厂、经销商、互联网玩家，这其中由于互联网浪潮的快速推进和消费者消费习惯的培养，互联网玩家是最近两年发展最快的汽车融资租赁业务形式。凭借互联网基因，互联网汽车融资租赁业务具有天然的科技和场景优势，因此新型的金融科技可以广泛应用于互联网汽车融资租赁的获客业务和后续的风控流程中。目前在金融风控方面也出现了很多新型的技术手段，包括大数据、云计算、OCR、电子签章、人脸识别、区块链、人工智能等等，其中以大数据和云计算在互联网汽车融资租赁信用风险控制中的运用最为突出。

大数据技术是指对海量、多维度、不同价值度的数据进行分析的技术。大数据在互联网汽车融资租赁方面的重要应用之一就是进行信用评估。由于目前我国央行的征信系统所覆盖的信息和人群都不够全面，所以可以通过搜集来自运营商、地理位置、多头借贷、关系网络和互联网行为数据等多维度数据，更精准地实现对承租人的信用评级。运用大数据技术可以很好地解决传统风控中量化风控能力不足、没有充分利用线上形式实现数据的沉淀和流转、风控系统功能滞后、反欺诈能力弱等风控痛点。

云计算是一种基于互联网的计算方式，能够向计算机及其它设备提供软硬件资源和信息应用资源，通过共享使各行业实现市场规模化。互联网汽车融资租赁相较于传统融资租赁业务最大的一个转变就是大部分业务流程都从线下转移到了线上，云计算在互联网汽车融资租赁业务中的应用主要就体现在实现租赁业务线上化和数据化，促进风控智能化升级。

2 互联网汽车融资租赁的信用风险分析

汽车融资租赁业务改变了传统以所有权为主导的消费信贷购车模式，其低门槛、低首付、灵活度高的业务特点吸引了很多消费者的注意。同时随着一二线城市的汽车市场逐渐饱和，低线城市和农村地区的消费需求正在快速释放，汽车融资租赁业务模式刚好满足了这些地区年轻消费群体的购车需求。据《2020中国汽车金融报告》统计，中国汽车融资租赁未来市场份额将大幅增加(如图1)。

据艾瑞咨询《2019年中国汽车融资租赁行业研究报告》中的预测数据显示，我国汽车融资租赁市场规模，在2021年将会达到3897亿元。其中互联网汽车融资租赁公司成长速度尤为显著，具体如表1。从福建本土来看，已经出现了像喜相逢这样的在国内领先的汽车融资租赁服务商，2016-2018年，利润分别达到了6150万、6082万和5994万。在互联网汽车融资租赁业务快速发展的同时，我们要注意到，汽车融资租赁业务面对的群体是经过银行和汽车金融公司筛选之后的次级信用群体，及央行征信系统没有覆盖到的信用白户，这为互联网汽车融资租赁业务的开展埋下了巨大的信用风险隐患。

互联网汽车融资租赁平台在业务开展过程中面临的信用风险是来自车辆租赁的单个承租方的风险，主要是指承租方的还款意愿和还款能力，具体表现为承租方租赁车辆后，主观恶意或由于客观因素造成无法按时或者全额支付租金，使出租方无法按照约定收回车辆成本以及相应利息收入。信用风险的成因可以从出租方和承租方两个方面来看，一方面跟承租方自身的信用有关，比如承租方信用意识差或者多头负债;另一方面跟出租方在授信时的判断有关，目前大多数汽车融资租赁企业在对承租方进行信用审核时，一般还是凭借传统资料，如承租方的银行流水、相关证件和证照、人行的个人信用数据等，评价结果不够客观。信用查询系统主要依据央行的征信系统，据央行征信中心统计，截至2019年底，征信系统收录10.2亿自然人的相关信息，那就意味着有将近4亿人的信用信息还未被征信系统收录，而这部分人恰恰和互联网融资租赁的客户群体有较高的重合度。另外，独立第三方征信机构发展缓慢，这些从客观上决定了信用风险的增加。同时，鉴于目前贷后催收业务在开展时会受到诸如法律合规性等因素的制约，这无形中增加了贷后催收的难度和追回损失的不确定性。因此，建立以大数据和云计算为基础的贷前信用评估模型显得尤为重要。

3 互联网汽车融资租赁业务风险控制的难点

3.1 互联网汽车融资租赁相对于传统融资租赁业务的变化

互联网汽车融资租赁业务虽然和传统融资租赁业务的本质是一样的，但是由于互联网基因的加入，使得业务形式发生了一些变化：首先，从获客方式上来看，当下消费者消费行为更多发生在线上，互联网融资租赁的获客方式也更多转移到了线上;其次，在风险控制方面，传统的风控方式更多依赖纸质材料导致风险较大，随着数据线上化，风控也更多依赖线上技术手段;再次，车辆在交易过程中业务更多地实现线上化;最后，互联网汽车融资租赁业务的金融场景也实现了线上化。

3.2 互联网汽车融资租赁业务的风控难点

汽车融资租赁业务具有小额分散、每笔业务之间违约相关性弱、整体资产质量受部分主体违约影响较小的特点，互联网汽车融资租赁业务又更加依赖信息化和数字化，线上化操作风险隐蔽性强，线上线下整合难，增加了风险识别和管理的难度;基于此，对于互联网汽车融资租赁业务来说，在交易场景、融资租赁公司的主体风险和基础资产方面进行有效管理就显得尤为重要，这就意味着需要保证数据的真实完整性、风控模型的有效性、稳定性和可靠性，同时对融资租赁的产品设计、风控模型的搭建和运营管理的科技化要求也就更高。

在互联网汽车融资租赁业务中，要想实现有效信用风险管理，需要分析交易场景中必要的数据和信息，利用交易过程中采集的数据和通过第三方渠道获取的数据对核心交易流程、风控标准和风控措施进行持续验证。从承租者这个角度来看，风控主要是数据质量和模型建立两个角度，从根本上来说，模型建立不是难点，关键的是收集的数据质量，比如可以从哪些网站收集到数据，这些数据是否与官方相关部门连接等，数据沉淀量怎么样，需要收集更多维度的数据保证风险管理模型的效果。数据系统的完善需要在平常的业务开展过程中不断地积累和保存数据，经过风控模型开展信用风险控制的过程中会实现数据沉淀，这些沉淀后的数据经过数据清洗参考价值就会越来越高，逐渐实现由数据收集过渡到数据驱动。这里主要是个人数据，涉及到个人隐私安全的问题，因此需要尽快完善个人征信制度。

4 基于大数据和云计算的互联网汽车融资租赁的信用风险控制思路

在基于大数据和云计算进行互联网汽车融资租赁的信用风险控制时，需要先建立出租方自身的数据系统、然后搭建风险评估模型、信用评价体系和风险定价系统，搜集出租方自身系统内外部用户的大量数据，进行相应分析，这样才能发挥云数据系统和评估定价模型在互联网汽车融资租赁业务风险控制环节的最大效应，从而实现真正以数据为驱动，提高风险控制流程的效率。

4.1 信用评估评分模型的筛选

具体来说，评分模型可以细分为准入模型和审批模型。在传统的信贷业务中，对个人客户信用风险的判断主要是通过信用模型的评估对客户的信用等级进行评定，确定客户是属于优质客户、风险客户还是不良客户。信用评估主要侧重两个方面的内容，一是客户的还款意愿，二是客户的还款能力，传统的做法是建立如评分卡技术的信用评估模型，通过计算得出客户的信用分，根据得分情况进行分级判断。

常见的个人信用评估模型分为统计类和非统计类。逻辑回归模型样本数据线性与非线性皆可使用，但存在评价指标界限，不适用于高维数据的缺点;BP神经网络模型数据处理运算快，有较强的容错能力，但数据需要量大。汽车融资租赁业务个人客户信用数据类型多且复杂，在后期优化信用数据引入大量数据后要求模型具备处理高维数据的能力，且涉及信用分类问题，因此非统计类的BP神经网络模型更为适用。

4.2 模型指标的选定

当前，互联网汽车融资租赁公司的主要客户群体是次级消费群体。如果租赁公司依然关注客户的央行征信、客户的负债比和流动现金比例，就很难开展业务，租赁公司更应该关注用户的行为习惯，或者说是用户的大数据分析。

4.2.1 准入条件

在准入门槛方面，我们可以从以下基本信息来进行筛选：消费者的年龄、行业、地区、驾驶证违章、出行信息、其他负面信息，对于没有达到指定条件的不予通过。在信息真实性的验证方面，可以借助一些科技化的手段和设备来辅助完成身份校验，比如可以通过后台集中化视频电审的方式进行交叉验证，对于消费者提供的个人工作单位、联系电话、生活行为等数据进行验证，降低欺诈风险。

4.2.2 关键指标

对于汽车融资租赁的客户来说，重點应该放在客户的消费行为习惯、社交信息和互联网信用信息等方面上来。

在用户的消费行为习惯方面：在互联网大环境下，我们更应该关注消费者的消费信息和社交信息，关注他社交和电商平台上留下的痕迹，这些属于系统外部数据，可以通过与第三方达成合作来获得数据并进行相应分析。比如喜相逢融资租赁有限公司通过消费者的手机号，经过天猫等第三方数据分析后发现，虽然有一些逾期行为和其他问题，但是通过分析客户的浏览网站时长和主要通话对象的身份，就大概可以判断消费者的社交范围;同时也可以与物流公司合作，查询以该手机号码为收件人的相关购物记录，大致就可以判断出这个消费者的群体类别、以及他的社交习惯和收支情况等。之前喜相逢风控部门就发现这样的一个案例，一个30岁左右的男性消费者打算在该公司通过融资租赁的方式购买一台30万以上的奔驰C级车，但是通过相关系统数据分析后发现，这名客户的上网时间不长，手机号对应的收货地址经常进行更换，消费水平长期低于两百元，没有购买一些贵重物品，从而推断该客户的工作可能不够稳定，进而怀疑客户的还款能力。将这类型信息进行归纳分类并加以分析后一般能够获得一些比较有价值的线索。

在取得客户授权的时候，还可以对他互联网上的多头借贷进行查询，引入外部黑灰名单、网贷共债逾期等，比如说蚂蚁花呗、京东白条等相关互联网上的多头借贷。通过查询这些信息，并给客户的工作单位和朋友进行电话调研，大概就可以得到客户的一个基本画像，确定这个客户大致的还款能力区间，了解这台车的承租人的消费习惯和社交群体。

4.3 大数据风控模型逻辑分析

在大数据和云计算的技术支持下，完成互联网汽车融资租赁业务的风控模型大致分为以下几个步骤：

①数据分层：对搜集的系统内外部数据进行分层处理，从横向上，按照行业形态、业务模式等做好场景分类;从纵向上，按照数据的有效性和重要性进行分层设计。

②特征工程：是通过机器归纳的方法，针对不同的源数据以及分层特点，提取特征的过程，这个过程可以通过行业专家进行分析提炼也可以通过机器算法进行辅助。

③智能建模：在特征提取完成之后对特征的组合权重通过数学算法进行模拟演算，形成具有针对性的场景模型。

④演算修正：信用准入和评估模型根据各自应用场景，通过不断输入增量数据和模型微调，进行重新演算和修正优化。

⑤数据回归：模型修正优化后对存量数据进行回归计算，并重新对风险进行预测，将预测结果反馈给运营和管理部门，这将使业务流程、营销策略、管理模式得到进一步的修复和优化。

4.4 模型的使用

模型搭建好之后，接下来要考虑的是模型运用的问题，可以在实际操作中利用表格的方式实现数据的整理和转化，将每个信用评分区间的坏账率和预测正负样本分隔程度的指标KS值列出来，然后划分阈值，作为后续业务风险的审批依据。

识别完欺诈风险和信用风险，与后续资产质量直接挂钩的就是互联网汽车融资租赁企业如何进行产品设计，即放款额度和价格，所以额度定价模型也是非常重要的一环。通常会把信用评分结果和个人还款能力的评估做一个交叉，对客户进行风险细分，还款能力强同时信用风险低，代表客户资质好，就可以相应地提高客户地额度空间;信用风险高同时还款能力弱，代表客户资质差，就可以相应的提高客户的首付比，降低放款额度空间，提高客户的违约成本，实现更好的风控效果，如图2所示。

5 总结

在实际业务操作过程中，互联网汽车融资租赁企业有时为了增加业务量，会降低准入门槛，这无形中也增加了信用风险，所以开展业务量的规模和资产不良率是成正比的。由于每一家企业的风险偏好不一样，因此可以在业务开展过程中找到最适合自己企业的业务量水平和能接受的不良率水平。

参考文献：

[1]刘志惠，黄志刚，谢合亮.大数据风控有效吗?——基于统计评分卡与机器学习模型的对比分析[J].統计与信息论坛，2019.

[2]左晨.汽车融资租赁的大数据风控应用浅议[J].产业研究，2020.

[3]刘占辉.大数据智能如何助力汽车金融风控[C].SP闪光辉之反欺诈分享会，2018.

[4]2019年中国汽车融资租赁行业研究报告.

[5]安福绪.大数据背景下消费信贷风险因素分析[D].2015.

[6]王嘉仪.大数据在互联网金融风控中的应用探讨[J].信息系统工程，2018(07).

[7]彭小辉.大数据在互联网金融风控中的应用研究[J].中外企业家，2020(08).

[8]肖剑秋.中国互联网背景下的汽车融资租赁分析———以车好多集团为例[J].市场周刊，2019(03).

[9]彭湖.大数据风控的现状及优化对策[J].商展经济，2020(04).

[10]罗兰贝格.2020中国汽车金融报告.

作者：丁晓萍

云计算风险控制论文 篇3：

简析金融行业风险控制中大数据技术的应用

摘要：随着我国金融行业的迅猛发展，金融机构或非金融机构主体如雨后春笋般纷纷涌现，使得金融行业的参与模式和消费者的消费场景愈加多样。但是，在行业蓬勃的同时，风险控制过程中暴露出诸多问题，而风险控制成为促进金融行业持续发展的重要环节，应从多角度、多方面入手，提高金融行业风险控制能力。大数据技术的应用对于我国金融行业风险控制而言意义重大，其能在促进金融行业风险控制水平提高过程中发挥重要的作用。本文将重点探讨金融行业风险控制中大数据技术的应用，促进金融行业不断提升风险控制能力和隐患预防能力，以促进我国消费市场持续健康发展。

关键词：大数据技术;金融行业;风险控制;金融主体

随着大数据时代的到来，金融企业经营和发展模式迎来了前所未有的机遇，但是也带来了更大的风险。金融行业如何进一步加强风险控制显得尤为重要，成为制约我国金融行业健康发展的症结。其中大数据技术的应用可以在一定程度上降低管理风险，并实现对成本的控制，为此，本文将就金融风险控制中大数据技术的应用进行分析。

一、金融风险有关概述

(一)金融风险内涵

在互联网技术、移动支付和移动通信等技术逐渐成熟的今天，互联网金融应运而生，其以信息透明、支付便捷等优势受到广大消费者的追捧。但是，由于我国金融交易征信体系尚未完善，信息披露机制尚未得以健全，易发生一些金融交易风险，或因法律监管体系不完善而引发金融交易造假、信息披露难度增加等风险。

(二)我国消费金融行业参与主体

经过近几年消费金融的发展，越来越多的金融机构或非金融机构参与到消费金融行业，并且金融企业参与模式及消费者消费的模式愈加多样，前者主要包括银行系、消费金融公司系、电商系、产业系等几种。银行系是指银行作为主要出资人成立的消费金融公司，这类公司多具有财务实力雄厚、资金成本低等优势，主要涉足房地产消费行业，如中、农、工、建等商业银行。消费金融公司系是指由银监会核准成立的金融机构，多是一些银行，这类机构也多具有资金实力较雄厚等优势，但是不同于银行系，其可放贷，但是不得吸收存款。消费金融公司系的消费场景种类繁多，如医疗、教育、旅游等场景。如捷信消费金融等。电商系是指从消费电子商务平台衍生而来的产品，资金来源更加多元化，多采用分期付款方式，分期金额较低，如蚂蚁花呗等。产业系是指消费金融公司出资的实体产业企业，多是资金雄厚，提供低息信贷，通过此来刺激消费者的消费意愿，降低公司库存，平衡供需，如苏宁消费金融等。网络分期系是指借助分期购物平台，但是这种方式的消费场景多较为分散，在客群和消费场景等方面划分更细化，其业务定位主要在垂直细分消费场景，并以特定消费场景或消费群體为目标。如针对婚嫁、旅游、教育等场景的消费金融，消费金融包括大学生等，该类平台多需要较高的资金成本投入，且其经营风险较高，不利于进行监管[1]。

(三)金融机构风险控制

不同的金融行业的参与主体，由于其电商平台覆盖范围、用户情况等方面的不同，使得各参与主体的风险控制方式和技术等方面要求不尽相同。以用户为例，既有收入稳定、信用良好的，也有经济收入不稳定、有征信记录的，而这些不确定性增大了金融行业和金融企业的金融控制风险。如电商系消费金融公司在开展金融业务过程中，借助自身发展优势(消费场景无缝对接及大数据风险数据的应用)。其中大数据风险控制是金融企业多年收集的数据，通过商务平台构建以用户基本信息、浏览足迹及购物偏好、支付信息等多维度的数据系统。如蚂蚁金服和京东金融等，在其自身电商平台下，建立其以大数据技术为依托的风险控制机制，并凭借自身成熟的信用评分系统，积累用户多维消费数据，借助云计算、人工智能等技术，实现对用户信用状况的全方位分析，形成信用评分，如芝麻信用分。此外，这两家公司在信用评分基础上建立起大数据风险控制系统，其中蚂蚁金服以“CTU”技术为基础上建立风险控制系统，通过监控预警、识别决策、分析洞察和智能优化等环节，实现建立起风险数据的识别、决策、分析、优化和监控等的闭环式风控体系，借助蚂蚁金服的大数据及人工智能等方面的优势，并通过大数据采集、建模、应用等手段，多维度、多层次分析客户风险特征，进而实现有效控制潜在的风险。再如，京东风控部门借助“天网”系统，有效实现控制京东母子公司及海外收购等方面的业务风险，以实现保障用户和京东企业的利益。京东使用“天网”风险控制工具，建立起以spark为基础的风险控制平台，通过构建用户画像、社交网络、交易风险等特征模型，实现有效控制交易订单风险、商家反刷单风险等，提高自身的分析抵御能力。

综上所述，各种金融主体在风险控制过程中，都有各自的优缺点。但是，无论哪类金融主体都已认识到大数据及大数据技术应用的现实意义，并且基于大数据技术进行金融行业风险控制，已成为各金融机构风险控制的重要手段。

二、大数据技术应用对金融行业风险控制的影响

大数据技术的应用，为我国金融行业进行风险控制提供技术和数据支持和保障。由于我国金融市场具有参与主体众多、服务对象广泛等特点，加大了风险管控的压力，而大数据技术的应用将实现能采集到用户网购、物流、电商、银联、征信等多维度数据，实现对金融用户多维度的信用评价，为金融行业风险控制提供技术和数据支持[2]。此外，大数据技术是建立在大数据风控模型基础上，各金融主体都在积极加快大数据风控体系建设，以构建集合数据采集、存储、处理和分析的综合性系统。借助爬虫技术等大数据平台技术，构建风险控制模型，精准预测用户违约概率，以降低大数据风险。

(一)加大金融行业风险压力

传统信用数据来源较单一(金融机构和央行征信系统)，而大数据技术下的数据来源较为广泛，除上述数据外，还将包括用户还款信息、社交、转账记录、身份信息等，而这将成为大数据征信构建的基础。大数据技术下的金融交易等不同于传统消费，后者使得公司与用户沟通多处于离线状态，而前者直接通过线下确认机制来明确用户的还款能力，进而评估用户的偿还和继续消费的能力，以降低风险。在大数据技术和数据广泛应用的背景下，金融公司的业务实现从线下转移到线上，但是线上交易形式，加大了用户身份信息及其还款能力的验证难度，增加了金融行业风险控制压力。

(二)倍增消费金融行业风险传递路径

尽管传统消费金融存在消费效率低等现实问题，但是其交易方式更容易追踪和预防，且其信息真实性高于线上金融交易方式。大数据时代背景下，我国金融行业在进行消费信贷业务过程中，多采用“互联网+”模式，这种模式使得业务呈现网状传递的特点，极大促进了消费金融业务开展的效率，但是也增加了风险管控难度。可见，大数据的应用给我国金融行业风险控制工作提供了新思路，同时仍存在一些管控隐患。对此，应采取科学的管理措施，扬长避短，充分发挥大数据技术在金融行业发展过程中的优势。毫无疑问，大数据技术能有效促进我国消费金融行业的风险控制，但是，也无法规避因大数据自身特质所带来的风险和隐患。

三、金融行业风险控制中大数据技术的应用

(一)大数据挖掘技术在金融行业风险控制中的具体应用

在电子信息技术快速发展的过程中，互联网、移动网络及物联网的应用愈加广泛，各类电子产品、移动终端及无线网络传感器等设备，每时每刻都在产生海量数据[3]。面对海量数据，传统的软件工具已无法实现在特定时间内的捕捉、管理和处理。加之，大数据具有数据体量大、种类繁多、价值密度低、商业密度高等特点，为实现对海量数据的有效捕捉、管理和处理，需尝试新处理模式，即新大数据挖掘模式。大数据挖掘技术在进行大数据处理过程中，表现出极高的决策力、洞察力及流程优化能力等方面的能力。

目前，金融风险控制过程中采用的传统风险控制方法主要存在以下问题：一是人工方式收集信息资料，会产生大量的人力资源成本投入，如采取抽样调查等传统调查方法采集信息，在这一过程中常会出现因资料遗漏，而影响资料的完整性。二是企业法治监管不完善，引发资料虚假等问题。三是传统模式数据处理效率低，采用传统模式开展数据处理存在效率低、信息处理滞后等方面的问题，如手机等传统模式，资料多存在不完整的现实情况，无法实现对动态数据的调查，进而影响后期数据的连续性分析。而上述传统风险控制方法在金融风险控制过程中暴露的问题，会影响金融风险数据分析结果的及时性，导致风险判断滞后或过于主观。

金融风险控制过程中，大数据挖掘技术的应用不仅可以减少人力资本的投入、可以通过对结构性数据资料、半结构数据、非结构数据及数据流等资料来确保数据的完整性，便于交易双方掌握彼此的具体情况。通过结合大数据分析技术，实现结构性数据和非结构性数据的结合，以在掌握调查对象整体运营状况基础上，总结、构建企业经营状况变化规律和趋势，通过上述变化，实现实时分析和评估企业金融行为风险点，实现有效控制金融风险。

(二)大数据分析技术在金融行业风险控制中的具体应用

大数据分析技术在金融行业风险控制中的具体应用主要分为：事前风险评估应用、事中风险识别应用及事后风险处置应用等三个方面[4]。一是事前风险评估，借助大数据分析技术评估风险主体的外部环境，并评估企业行业风险，以构建行业风险评估模型。行业风险评估模型主要是建立在企业资质、经营数据、诚信记录和社会评价等数据基础上，最大限度实现降低金融行业的风险。此外，通过构建主体控制风险能力评估模型和法律风险评估模型，实现评估金融交易前的风险情况，这也将成为最终决断和项目监管的主要参考依据。二是事中风险识别应用。在事中风险识别过程中，金融企业借助大数据分析技术，构建起针对性的风险控制模型，如价格波动模型，政策影响模式及行业关联性影响等模型。三是事后风险处置应用。在事后风险处置过程中，借助大数据分析技术预测风险主体可能出现的风险发展趋势，通过数据模拟风险结果及评估风险事件造成的后果，这些将成为开展金融风险事件事后处置依据，进而采用最佳风险处置方式降低风险损失，提高金融企业的经济效益。

(三)大数据风险控制体系的构建

大数据风险控制模式是建立在用户身份信息、社交信息、互联网行为信息、消费信息、信用信息、履约信息等基础上，利用知识图谱、决策树等大数据技术分析处理后建立起的风险控制体系。但是，风险控制体系构建的难度较大，主要是该体系对数据和技术要求较高，需要专业的第三方大数据风险控制公司提供技术服务[5]。目前，在风险控制体系构建过程中，多采取对多渠道数据整合、清理等方式，再利用大数据挖掘分析技术筛选有还款意愿和还款能力的客群，提前识别不良的客户，形成完备的大数据风险控制系统。

1.大数据风险控制技术，以健全用户信用评价体系

目前，无银行征信记录的“次级客户”越来越多，如大学生、城市蓝领等，使得金融机构面临着对其全面信用评价的难题，该过程中可以应用大数据风险控制技术。大数据风险控制技术在运用过程中可以实现对用户网购、物流、运营商、银联、征信等多维度的数据的采集和分析，甚至是一些被传统金融忽略的用户信用评价。但是，阿里巴巴从2013年起，开始融合多方面数据，如入股新浪微博，使得旗下蚂蚁金服和“蚁盾”风险控制技术拥有新浪微博社交平台的大数据，这样建立起的用户信用评价体系将更加完备，风险控制能力也将有所提高。

2.大数据风险控制技术的应用，提高风险控制体系安全防范能力

大数据风险控制体系的安全防范主要包括防止黑客、欺诈团伙攻击及识别高风险用户等。通过对大数据的分析可以发现，一些日常各类行为中有不诚信表现的人，其各类逾期概率也会大幅度增加[6]。由此可见，将公检法、运营商及生活缴费记录等方面的不良信息的引入，将提高大数据风险控制体系的安全防范能力。此外，通过组建机构反欺诈联盟，共享用户的不良记录，防范共债等行为的发生，还可以通过监控IP和设备、比对用户信息与公安系统信息等建立起高欺诈风险用户的识别系统，提高风险控制体系安全防范能力。

3.便捷的信用评分

大数据风险控制体系的开发需要很高的技术要求，并非所有消费金融机构都具备条件，对很多自身风险控制能力尚不完善的中小金融机构来说，若想获得更加直观的风险评价依据，依靠第三方的信用评分就是较好的选择。此时，像芝麻信用分等有能力进行大数据风险控制的企业，将自己的风险控制体系以信用评分的形式进行输出，中小金融机构利用信用評分即可做出是否放贷的决策。这种信用评分输出的形式，既可以帮助中小金融机构实现风险控制，也可以帮助输出企业扩大业务量、积累更多的数据[7]。

四、结束语

在互联网技术不断普及的今天，互联网金融快速发展，但是受到多方面因素的影响，如征信体系不够完善、信息披露机制不够严格等增加金融风险问题。为此，希望通过对大数据分析技术的分析和合理应用，最大限度发挥该技术优势，切实做好事前、事中及事后等多方面的风险控制，以推动互联网金融行业的健康发展。

参考文献：

[1]栗锲.大数据技术在金融行业风险控制中的应用探讨[J].财富时代，2020(12)： 28-29.

[2]初晓亮.大数据对金融行业的影响[J].中国商论，2020(22)：40-41.

[3]郑默.大数据分析技术在金融风险控制中的应用[J].中国商论，2019(15)： 57-58.

[4]葛俊婷.大数据时代下我国消费金融行业的风险控制问题探究[J].中外企业家，2018(19)：72.

[5]程建波.大数据技术在风险控制领域的优势与挑战[J].清华金融评论，2017(08)：44-45.

[6]张燕华.浅谈互联网背景下的传统金融机构转型[J].时代金融，2017(17)： 55-56.

[7]俞枫，苑博，叶小同，冯必成，侯秦.大数据技术在金融行业风险控制中的应用探讨[J].新经济，2016(36)：52-53.

作者：张鑫