近两年来，“大数据”一词广受热议，提高了企业对数据及数据所产生的价值的重视，整体上推进了我国在各项商务应用和政务应用中数据支持的比重，提升了量化决策和科学决策的水平。然而，在大数据概念提出之前，我们也一直从事数据分析和建模的工作，在这里，我想谈谈大数据的出现，对互联网金融风控模型构建带来了哪些影响。

对大数据的理解

首先我们来谈谈对于大数据的理解。

大数据一词由维克托迈尔-舍恩伯格教授提出。有一种观点认为大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。然而，各界对于大数据定义存在较大差异，比较通用的观点是用4V特点来描述：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。

在互联网金融领域，如何来理解呢？

互联网金融可以应用的大数据，首先体现在社交数据：微博微信等社交平台早已深入人们的日常生活中，产生了大量文本数据和图像视频数据，这些数据的处理和存储，分析，对于相关互联网企业产生了挑战。相应的存储，处理和分析的需求应运而生。

这些数据的第一个特点是非结构化，不是像传统的数据，每个变量定义清晰，一条一条地存储在数据表中。

第二个特点是多维度。比如，法律，旅游，水电，社保，娱乐，消费……等等维度的增加，也体现了大数据的“大”。

在互联网金融领域现阶段，分析这些数据产生个人信用的评分，和P2P公司实际业务所需要的评分模型，还有一定差距。

单纯基于大数据的模型

效用有限

互联网金融的风险控制模型经常用到评分卡，例如：个人信用等级评分卡。然而要做评分卡，要计算相应的违约率，首先应该根据业务，定义目标变量，即输出变量：什么样的客户算好客户，什么样的客户是坏客户。根据这个目标变量，我们再选择相关的其它变量来考察各输入变量对输出变量的贡献。

目前，很多企业在做单纯基于大数据的评分模型，并没有把违约与否的情况和网上的行为数据拼接起来，貌似有了一个评分，那也不过是按照自己的理解，对网上行为做了一个初步的整理，从模型的角度，已经有了偏差，即模型偏差。所以在应用上，要做到对风险进行准确定价，实用价值有限。

然而我并不是说所有的主要基于大数据的模型都不能用，我们要分开来看这个问题，对于像淘宝，京东等形成自己的业务闭环的商业模式中，尽可以使用各种方法对自己业务中产生大数据进行分析，因为他们的目标变量和所谓大数据变量是可以拼接到一起的。但是对于P2P机构来说，由于并不是所有的贷款申请人都有淘宝账户，京东账户，所以这里的所谓大数据，大数据模型要落地还是比较困难的。

回归到互联网金融领域，对于申请人，如果拉一个央行的征信报告，那还算方便，其实征信报告的数据也比较规范，只不过是维度增加了；如果要拼接在网上的行为，各方面难度就比较大了。

同时由于”大数据” 的收集，整理，存储，预处理，分析等的投入都比较大，所以我在这里说，有个所谓的费效比的8/2 效应。即对大数据分析投入的精力与其产出实际效应的比例约为8：2。由此可见，单纯基于大数据构建的互联网金融风控模型意义是有限的。

如果为P2P公司构建风控模型的工作中，使用的大多数是脱敏数据（不包含姓名等个人信息），这就使与大数据拼接十分困难。目前大数据对于互联网金融领域的贡献，我们认为主要在反欺诈领域，我们为P2P公司风险控制设计的反欺诈模型就利用了很多互联网的数据源。

随着互联网金融和中国征信行业的发展，我相信大数据也会越来越多的为我们的风控模型贡献价值。

传统数据和大数据拼接

在社交数据出现之前，互联网金融行业已经积累了大量的业务数据，这些业务数据基本上都是结构化存储，而且数据质量都比较好，数据的业务定义也比较清晰。所以在应用”大数据”之前，怎么发挥已有的结构化数据的价值，是我们数据分析建模工作的基础，和目前的重点。

那么具体的， 我们应该如何结合现有的数据选择怎么样的算法来做这个事情呢？

在传统银行以及大多数互联网金融机构，首先看的是违约，那么就把违约与否作为好坏客户的定义，然后在选择诸如，工资，性别，年龄，房产，车产等作为输入变量，这是所谓的传统、结构化数据，我也称之为基础数据；而对于大数据，我们认为，应该在传统数据的基础上，相对于目标变量，做一个拼接，即：

目标变量 = 基础变量 + 大数据变量

只有在此基础上，做出来的模型才有意义。但是，做这个拼接，从数据收集的角度来说，是有难度的。

实际上，在传统金融领域，对于违约与否，主要考察的是两个方面，还款能力和还款意愿。理论上说，如果直接有这两个变量，那我们就不需要其他的输入变量了。我们所选择的一些输入变量，就是来还原这两个方面。同时，我们之所以在模型中加入大数据，也是因为某些数据的加入，能对更准确还原这两方面贡献一些信息。

同时，互联网金融，有丰富多彩的业务模式，风险管理注重的方面也大大丰富了，如恶意欺诈，多头负债，朋友贷中对信誉的高度重视，学生贷中考察他的学业能力， 等等。

风控模型需要多大数据

下面我们来聊聊互联网金融风控模型需要多大的数据？这需要先回答一个问题： “最少需要多少数据？数据是不是越多越好？“

作为IFRE技术负责人与客户接触的时候，经常碰到一个问题：由于众所周知的原因，各家P2P机构对自己的违约率都比较敏感，担心全量数据给我们之后，泄露商业机密，这是可以理解的。但是显然，全量数据所做的模型应该是最准确的。

在没有大数据这个名词出现之前， 我们做模型对于数据的要求是这样的：抽样的样本对于总体有代表性(representative)：即样本和总体的各项指标是一样的，那么用样本做出来的模型，才可以代表总体；第二个假设是，总体数据做隐含的规律是稳定的(stationary/stability)。

同时还有一个隐含的假设，做模型的数据表现和要用到模型的个体数据的统计性状是相同的，即用历史数据模拟的分数，和以后的客户，如果评分相同，那么他们的表现也相同。只有这样，模型才可以用。否则，还是会产生偏差。

假设有输入变量，”性别”，包含两个属性：

男， 女； 身高，包含三个属性：高，中，低。

那么，所有的属性组合是 2*3=6个属性，即：

“男，高”，“男，中”， “男，低“，“女，高”，“女，中”， “女，低“。

引申开来，如果模型中有10个输入变量，每个有两个属性，那么至少需要2的十次方，1024 条数据， 才能把这些属性组合覆盖。我们才能说，哪一个属性对于目标变量的贡献是多少，然后是哪一个变量对于目标变量的贡献是多少。随着变量的增加，对于数据数量的要求是指数级增长。

由此可知，在互联网金融风控模型搭建中，基于成本与效率考虑，数据并不是越多越好，同时我们需要具有稳定性数据，更需要对每一个变量背后的业务含义具有深刻的了解。

原文发布时间为：2015-11-05

本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号