BAT抢滩大数据风控，为何瞄向了银行业？

1. BAT抢滩大数据风控，为何瞄向了银行业？

完成了对C端市场的瓜分之后，BAT等互联网巨头们还是瞄向了B端市场。
在2016年及之前，BAT、网易、京东等互联网巨头们已经在云计算、人工智能等领域推出了诸多针对企业级市场的服务，从如今的趋势来看，被畅谈许久的大数据或将是BAT们争夺的又一块价值洼地。
日前，百度云传出消息为民生银行提供信贷企业的风险管理和预警的云服务。在寻找大数据布局切口的问题上，风控和银行成为BAT们的共同选择。
风控是银行业的七寸，也是大数据的练武场
顾名思义，风控即风险控制，通过建模的方法对借款人进行风险控制和风险提示，消灭或减少风险事件发生的各种可能性，或减少风险事件发生时造成的损失。
现在的商业银行在本质上属于经营风险的特殊企业，通过承担风险，转化风险，并将风险植入金融产品和服务中再加工风险。在国内外商业银行的发展史中，因风险管理不当、资产质量低下而导致倒闭、被政府接管的不乏其例。如何有效的管理风险、规避风险成为商业银行生存与发展的灵魂。
银监会在去年7月份发布的《中国银行业信息科技“十三五”发展规划监管指导意见》成为大数据风控加速落地的催化剂，比如说在服务和应用层面强调基于大数据的营销、风控应用的推广。
动作敏锐的互联网金融早早完成了大数据风控的布局，看起来有些传统的银行业在节奏上似乎有些迟缓。
对于线上的纯数据和信用类贷款平台而言，引入大数据风控产品并没有太多门槛。对于商业银行却不然，尤其是中小银行，对大数据风控技术的应用尚不成熟，其风控模式更多关注的是静态的风险预判，这和中小银行科技水平和风控能力相对较低、数据信息的数量和质量存在缺陷等不无关系。
一般来说，大数据风控有着三个核心要素，即风控模型、场景和资金。商业银行仍然拥有着低成本资金优势，在线下场景也有着长期客户积累，大数据和海量风控因子恰恰是很多商业银行所欠缺的。
反观BAT等互联网巨头，在海量数据、金融云、用户画像、信用体系等方面有着先天的优势，特别是在银行逐渐实现业务电子化、金融监管收紧的情况下，BAT与商业银行在大数据风控方面的合作似乎是水到渠成的。
背靠大数据金库的BAT，如何开局？
BAT在大数据风控方面有着相似的逻辑，依靠自身积累的大数据体系，利用技术打造风控能力，再将这种能力开放给银行等金融客户。
以百度云和民生银行合作的风险预警项目为例，依靠百度云的大数据收集、分析和计算建模能力，为民生银行提供海量非结构化数据的加工处理，和目标企业进行关联，并借助风险识别模型判断产生风险信号，再通过百度云bos服务和API对接银行内部业务，以实现对授信企业的风险监测。其中涉及了百度云在大数据方面的三层应用：
数据挖掘：作为国内最大的搜索引擎，百度拥有大量的公共数据和需求数据，且在样本数据的复杂性、广度、多样性等方面占据优势。尤其在金融领域的数据涵盖了支付、贷款、理财、保险、证券、银行、征信、基金、众筹等各个领域。而银行不良贷款率的增加和信息的不对称有很大的关系，百度在数据层面较于银行自身的积累有着不可比拟的优势。举个例子来说，通过百度的大数据可以对银行的借贷用户进行全方位的追踪，包括搜索习惯、交易信息、个人信用、地理位置等等，将风险控制到最低。
数据处理：百度云推出了“天算”平台，基于百度的大数据和人工智能技术，为企业提供从数据收集、存储、处理分析到应用场景的一站式服务。比如针对金融风控行业的特点,“天算”制定了相应的解决方案,通过百度搜索、地图、社交、交易、政府等各类数据的收集,以人工智能技术、深度学习技术、大数据能力为支撑,实现了对各类金融客户深度场景的定制,如购车贷款、企业贷款、教育贷款、家装贷款等,为金融机构提供安全高效的风控服务。此外百度云BOS提供的云存储服务，实现了银行内部数据和外部大数据的打通。
风控模型：相比于市场上很多纸上谈兵的风控模型，百度的优势在于搭建了已经应用于实战的风控模型，具体体现在百度金融的主动预警捕捉高危行为。百度金融打通了“人+手机+设备+IP”等关联纬度，基于全网行为进行监测，捕捉高危行为特征，在贷前准入方面就开始排查风险，进行反欺诈识别，生产黑名单，对借款人的行为进行预测。并在贷款后对借款人贷后行为进行跟踪和监测，只要触发预警规则，也会激发提醒。由此可以看出，为百度金融提供技术能力和风控能力的百度云，在风控模型上的能力不可小觑。
与此同时，阿里和腾讯也打起了大数据风控的主意，典型的就是蚂蚁金服、微众银行等也在试图对外进行技术开放。但百度的做法给行业带来了新的启示，以云服务的姿态进行大数据能力的输出，和第三方平台纯粹的大数据风控体系相比，云计算、人工智能、大数据结合的服务模式无疑更具备优势。
从大数据农民到大数据商人
觊觎银行业的不只有BAT，还有形形色色的创业者，毕竟百万亿规模的银行业是一个不可多得的蛋糕。不过，民生银行作为股份制银行将云服务应用到贷后管理和信贷决策领域，却给行业带来了更多值得解读的信号。从云服务的角度来讲，金融云在安全层面又一次刷新了历史，但从大数据的角度来看，BAT正从自给自足的“农民”转型成为大数据“商人”。
其实从2014年开始，BAT就开始加速大数据的应用，比如腾讯的社交大数据、阿里的电商大数据以及百度的搜索数据。不过这个阶段，BAT扮演更多的是大数据“农民”的角色，阿里应用大数据进行用户画像主要在电商层面，百度用大数据来改善广告和营销效果，腾讯用大数据来改善运营等等。云服务的大规模应用为大数据的开放提供了良好的“媒介”，BAT也开始进行角色转变。
但在当前的大数据格局中，除了政府所掌握的数据，BAT等互联网巨头成为大数据资源的垄断者之一。可即便如此，数据孤岛仍是围困BAT在大数据方面想象力的重要原因，正如阿里对于社交数据的缺失，腾讯在生活场景数据方面的不足。同样的困局还存在于银行业，目前央行个人征信记录覆盖率仅为35%，这一数字在某种程度上甚至不及BAT所搭建的信用体系和风控模型，尤其体现在数据的维度上。从这个角度或许也能够解释，为何BAT把大数据风控的潜在客户指向了银行业。
大数据应用的云服务化或是结束数据割裂最行之有效的方式，比如说百度云和民生银行的合作方式在服务的标准化和可复制方面并没有太大的门槛，这就意味着未来将适用于更多的企业，而作为云服务的供应方也将从更多维度获取到数据。
数据显示，目前国内大数据的市场份额已经达到了1000亿人民币，预测到2025年中国的大数据产业会是一万亿元的规模，有着近十倍的增长。数据的流通势必将以指数级的形式加速大数据产业的发展，但在诱人的前景背后也面临着标准化、规范化、安全性、公平性等一系列亟待解决的问题。
结语
30多年前，世界著名未来学家阿尔文·托夫勒就在《第三次浪潮》一书中预言，大数据极有可能是继农业革命和工业革命后的“第三次浪潮”。或许其中的过程有些曲折，从银行业和大数据风控身上，我们看到了未来的希望。
Alter，互联网观察者，长期致力于对智能硬件、云计算、VR等行业的观察研究。

2. 大数据风控是什么？

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。通过采集大量企业或个人的各项指标进行数据建模的大数据风控更为科学有效。
大数据（big data），指无法在一定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，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。
大数据风控主要是通过建立数据风险模型，筛选海量数据，提取出对企业有用的数据，再进行分析判断风险性。

扩展资料：
大数据风控能解决的问题：
1、有效提高审核的效率和有效性：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。 
2、有效降低信息的不对称：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。 
3、有效进行贷后检测：
通过大数据技术手段对贷款人进行多维度动态事件（如保险出险、频繁多头借贷、同类型平台新增逾期等）分析，做到及时预警。
参考资料来源：百度百科-大数据风控

3. 大数据风控是什么？

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）。
大数据风控，基于数据表层的信息难于解放人工，往往是事后才发现风险，将其加黑名单、加策略后，其又通过换账号换设备换个外衣躲避，救火式的风控非常被动、低效、低质。基于数据深层次的特征分析才是风控的出路，欺诈的特征找到了，外衣再怎么变换也能自动识别出来。而图数据库技术是大数据关系分析的利器，基于图谱的深层关联关系进行挖掘、推导、聚类等（比如找号、设备、IP、WIFI、通话记录、转账记录等形成的关联图谱），从而深度分析得出风控实体的特征。

4. 大数据风控是什么？

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。通过采集大量企业或个人的各项指标进行数据建模的大数据风控更为科学有效。
大数据（big data），指无法在一定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，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。
大数据风控主要是通过建立数据风险模型，筛选海量数据，提取出对企业有用的数据，再进行分析判断风险性。

扩展资料：
大数据风控能解决的问题：
1、有效提高审核的效率和有效性：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。 
2、有效降低信息的不对称：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。 
3、有效进行贷后检测：
通过大数据技术手段对贷款人进行多维度动态事件（如保险出险、频繁多头借贷、同类型平台新增逾期等）分析，做到及时预警。
参考资料来源：百度百科-大数据风控

5. 大数据风控是什么？

大数据风控是指通过运用大数据构建模型的方法，对借款人进行风险控制和风险提示，常常被用于互联网金融科技行业。随着普惠金融的日渐普及，风控技术也随之贯穿互金业务的全流程。拥有强大风控能力的企业，往往借助大数据、云算法等新技术的深度应用来实现实时监管，即贯穿用户全生命周期的风险识别、风险决策，并借助人工智能，不断对系统进行自我修复与完善。
目前，国内大数据风控比较出名的公司，有蚂蚁金服的蚂蚁风险大脑、同盾科技、爱财集团、天创信用、神州融等。

6. 巨头抢滩大数据风控，都用了什么姿势？

2016年在互联网金融领域，金融科技（Fintech）成了最火最红的一个词。特别是在11月份的乌镇世界互联网大会上，有关互金融的会议议程中都已经不怎么提“互联网金融”这种说法，而是进化到了数字普惠金融和金融科技这些说法。
既然要做到数字、科技，必然需要依靠大数据来做金融。恰逢这些天借贷宝的“裸条”事件曝光，也暴露了在互联网金融行业里，不少企业的风控做得非常初级，甚至是简单粗暴。互联网金融让快速交易成为可能，不做好风控一定会造成巨大风险，而数字和科技恰恰是做好风控的核心。
做风控往往要一套风控模型，用来计算平台方能够承受什么风险等级的客户，将各种金融交易的市场风险控制在合理的范围内，使衍生品市场交易能够稳定运行，最可能减少波动。今天无论是蚂蚁金服、微众银行、百度金融、网易金融还是京东金融，虽然都是靠大数据做风控，但各家做法又有很多细节差别。
蚂蚁金服的CTU智能风控大脑
毫无疑问，蚂蚁金服在金融科技领域一直是领头羊的位置。蚂蚁金服最强的也就是大数据处理能力，其中有一套CTU智能风控大脑，这也是蚂蚁金服的工作核心。
所谓的CTU智能风控大脑，工作流程主要是分成这样几步——判断请求发起是否为帐户主人。CTU判断是否为账户住人主要通过是否是可信的行为、可信的位置、可信的设备以及可信的关系。如果这些纬度都可信，再去判断资金、个人隐私、相关数据有无风险。判断依据就是我们所熟知的支付宝、余额宝、招财宝、芝麻信用、网商银行等业务数据。
阿里在金融体系的数据很强，特别是因为淘宝、天猫这些电商平台上积累的电商数据更是对个人用户的消费能力有很大的洞悉能力。用户电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联网金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，就可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。
芝麻信用的最大作用就在于此，再加上芝麻信用打通了微博之类的平台，社交数据也在逐渐补足。目前，蚂蚁金服的数据包括在线购物、与他人资金往来、还信用卡、资金理财、公用事业费缴纳、房屋租赁或买卖、跳槽情况、婚姻状态、社交关系等，从用户信用历史、行为偏好、履约能力、身份特质、人际关系等。
重要的是，蚂蚁金服的数据还在向传统金融机构开放，一方面通过传统金融机构获取数据，另一方面和传统金融机构合作，这种数据获取能力使其数据之强无出其右。当然，蚂蚁金服也有数据短版，前段时间的“支付鸨”事件可能也从侧面证明，蚂蚁金服想进一步挖掘社交数据，完善风控体系。
微众银行用6个模型找到坏客户
在微众银行看来，海量客户可以确保资产结构稳定。当做到上亿级用户时，信用风险就是可以接受的社会平均风险，微众银行要做的就是在社会平均风险下挑出“坏客户”，进一步降低风险。
坏客户的数据其实在征信公司手中都有。目前，市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单仅在两百万左右。
腾讯不仅和征信公司合作，旗下的微众银行也通过6个模型找到“坏客户”——微信社交、QQ社交、财付通交易数据、人民银行资产负债与还款状况以及是否急需资金。总体来看，微众银行最大的优势在于腾讯的社交数据。一方面通过和微信结合推出了微信支付，和QQ结合推出了QQ钱包，用社交的方式带动金融；另一方面又通过社交数据以及用户在银行的资产数据来判定用户的信用情况。
不过，因为缺乏用户在衣食住行等电商、O2O、生活服务场景的数据，所以微众银行正通过加强与O2O平台合作的方式，来积累用户的消费数据，完善自家的数据风控体系。相比于蚂蚁金服，微众银行的数据优势还是在于社交体系中的强大数据积淀。
百度金融主动预警捕捉高危行为
互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示得更充分，信用评分就会更加客观，接近借款人实际风险。
百度金融主要是打通“人+手机+设备+IP”（如手机号、身份证号、设备号、网络账号等）等关联纬度，基于全网行为进行监测，捕捉高危行为特征，在贷前准入方面就开始排查风险，进行反欺诈识别，生产黑名单，对借款人的行为进行预测。在贷款后，也会对借款人贷后行为进行跟踪和监测，只要触发预警规则，也会激发提醒。
百度金融的这种做法的逻辑和微众银行其实非常相似，思路都是找到“坏客户”，然后降低平均风险。除此之外，百度金融此前还和中信银行合作成立“百信银行”，合作开发金融产品。实际上，这种做法一方面是为了获取渠道，另一方面，也是双方互相补足征信数据的一种做法。此外，百度旗下的O2O业务也能为其数据积累奠定一定的基础。
在金融业务和风险控制这两方面，金融机构有天然的优势。金融是一个强监管和门槛较高的行业，金融机构多年积累的风险甄别能力，以及对金融的理解和产品的设计能力，这些是很难被互联网公司所取代的。百度金融和中信银行之间的关系是百度的壁垒所在。
网易金融构建北斗七大风控模型
相比于蚂蚁金服是靠大而全的数据构建的风控体系以及微众银行、百度金融的滤网型风控体系，网易金融更注重全流程构建风控体系，并在关键节点上进行风险控制。
网易北斗是网易金融构建的智能风控平台，其风控流程和其他平台一样，都分成了贷前、贷中、贷后这三个部分，但是网易北斗把贷前、贷中、贷后分得更为细致——网易北斗在贷前做了获客引流模型、反欺诈型模型以及风控授信模型，先构建了筛选机制。在贷中又做了信贷管理模型，确定放贷的金额以及调查还贷能力等。在贷后还有风险预警模型、云催收模型和用户增值模型，一方面可以防止出现坏账的情况，另一方面也是在判断用户未来的业务合作以及增值空间，为后续的二次贷款做好准备。
网易金融不仅做好自家平台的风控体系，并通过和银行、传统金融机构合作赋能的方式释放自己的大数据风控能力。一方面是做了魔镜精准营销服务平台这个大数据一站式精准智能营销系统，帮助传统金融机构获客及精准营销。另外一方面也是通过网易七鱼这个全智能云客服专家系统，帮助传统金融机构解决各项问题，让银行提升审批效率和降低成本。在获客和解决问题的同时，实际上网易金融的深度学习系统也在不断提升，并且未来很可能可以与这些金融机构有更多在数据方面的合作。
虽然说网易金融在大数据风控方面的能力和蚂蚁金服有一些差异，但是在今年9月，清华大学在和网易金融建立金融科技中心的基础上，和蚂蚁金服也签署了合作协议，网易金融事实上和蚂蚁金服在风控层面上有一些数据合作。这对于双方的大数据积累、风控能力提升都有一定的帮助作用。
除此之外，魔镜精准营销服务平台以及网易七鱼这样的云客服专家系统也是体现了网易金融在智能风控领域注重实用性的一面。也难怪今年乌镇世界互联网大会上，丁老板对媒体说，“我们肯定在这些方面（人工智能）是遥遥领先的！”
京东金融一手靠消费一手靠合作
京东做风控主要是靠消费金融来驱动，通过京东商城庞大的交易数据为基础，覆盖了物流、用户等京东生态体系内的所有有效数据，不断构建大数据基础以及风控系统。
2015年6月份，京东还投资了美国互联网金融公司ZestFinance，且成立名为JD-ZestFinanceGaia的合资公司，以将后者的信用模型应用于京东的消费金融体系和风控模型。京东在国内的合资风控公司也即将开业，参股公司还包括数据银行聚合数据、个人信贷风控公司聚信立。做这一系列的布局，其实也表明，京东在通过这种合作的方式不断完善自家数据。
在京东生态圈之外，京东金融通过各种合作、投资模式，获取到更多的生态数据。比如说京东金融投资了不少汽车租赁平台，切到汽车后市场。另外，京东也和百安居之类家装平台进行合作。京东一方面是在支付、供应链、产品众筹等领域和合作伙伴展开合作，另外一方面也是不断通过合作、投资的方式不断拓展到生态体系外的其他场景之中，不断丰富自家的数据。
按照京东的数据统计来看，投资+合作这两种方式已经让其覆盖了教育、租房、装修、旅游、汽车等众多消费场景，囊括了近 2000家京东商城的供应商。这对于京东风控能力的提升会有较大帮助。
写在最后：
2016年互金行业进入以金融科技为潮流的转型期，技术逐步成为平台的核心竞争力，拥有强技术和数据优势的平台将在行业竞争中脱颖而出。从国内主流互金玩家的整体来看，目前各家都处于信用数据的收集期和积累期，采用用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。随着BAT、网易、京东等玩家的持续深入，国内互金环境也将不断改善。
作者：深几度，公众号“深几度”，转载请保留版权内容

7. 大数据风控多数只是摆设

大数据风控多数只是摆设
互联网时代效率为王，传统风控占用大量资源，终被舍弃。不知何时，大数据技术兴起。大量数据多维度、智能、批量处理和标准化的执行，另其在金融风控里占有了一席之地。金融机构间的竞争将大数据风控推的越来越高……数千维度现如今，需要风控的金融机构或多或少都会涉及大数据风控。有观点认为，不少金融机构用大数据概念拔高高度，而实际的技术还不成熟。事实上，金融机构大数据风控做的质量可以从维度的数量上看。学历、手机号、性别、居住地等都是一个维度。也曾有金融机构表示自家风控模型中有2000多个维度。刘玥是一家做大数据风控多年金融机构的首席数据官，曾在谷歌任职多年，有丰富的数据分析经验。“现在，做大数据风控的金融机构，维度数量对外说普遍是1000多，实际上用到的可能不到百分之十。”刘玥直言。据了解，金融机构接入的大数据金融机构越多维度就越多，虽然维度大部分是重复的，但金融机构为了提高档次，一般不会剔除。刘玥称，1000多个维度算是少的，即使上万个维度也不是不可能。最近，刘玥领导的建模团队在规模相当的一家金融机构挖来了一名建模人员，扩充至20人。据这名建模人员透露，上家金融机构建模人员只有两名，自己走了只剩下一名了。事实上，维度再多，模型不丰富，在专业骗贷小分队面前也是虚有……骗贷思维“专业的骗贷团队会向金融机构申请贷款，观察申请结果，然后对的这家金融机构的风控模型进行分析。”刘玥表示，如果以大专学历申请失败，而以本科学历申请成功，这条维度就被分析出来了。有相关业内人士透露，此前出现的大规模骗贷就这在维度泄露或维度被分析出来的情况下出现的。风控模型越简单，维度越少，风险就越大。据此前一本财经报道，骗贷者获取一套虚假资料，只需2000元，却可骗贷20多万。钱一到手，人就消失，成为永久“坏账”。在刘玥看来，金融机构的大数据风控共可以分为四个层次。一、直接购买简单的风控模型，简单直接，具有初级风险的判断。二、自主开发，较为简单，有5-10个维度。三、自主开发，模型复杂，且同时有多个模型，一条信息同时通过几个模型或是经过一个后再经过另一个模型。四、除了第三种模型以外应有的模型以外，增加机器学习算法，用于反欺诈行为。“纯粹依靠大数据风控放贷的只有现金贷产品。”有业内人士表示，这也是现金贷利息高的原因。为时尚早在目前看来，我国数据市场规模巨大，消费需求旺盛，越来越多的数据被记录和整理，用户行为信息日益完善，大数据必定会成为这个时代的关键技术。然而，准确的预测分析虽然能帮助金融机构降低因欺诈、信用违约导致的坏账风险，有效的控制成本，但是目前大数据技术的发展尚属初级阶段，技术尚不成熟。尤其是运用到以风控为核心的金融领域还为时尚早。“我国信用体系不健全，金融机构依托线上风控，并不能实现最佳效果。”厚本金融副总裁欧阳君直言，“线下风控这一模式，在我国仍然会存在并将持续很长一段时间。但是金融机构依然要学习国外先进技术，提高决策效率，做好线上风控。”此前，有多家金融机构曾表示，确实在做大数据风控，但实际应用微乎其微。其中，有金融机构透露，大数据风控只是用户借款的一个门槛，用户通过了大数据的审核后还会进行人工审核。欧阳君称，虽然风险的规避不是百分之百，但是通过大数据概率去做风控，会让金融机构的整体方向好转。

8. 大数据风控方案？

总的分为征信大数据挖掘和风控运营两部分：

征信大数据挖掘：
互联网海量大数据中与风控相关的数据
       电商类网站大数据：阿里、京东、苏宁等；
       信用卡类网站大数据：我爱卡、银率卡等；
       社交类网站大数据：新浪微博、腾讯微信等；
       小贷类网站大数据：人人贷、信用宝等；
       支付类网站大数据：易宝、财付通等；
       生活服务类网站大数据：平安一账通等...

     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，国内典型的企业是神州融大数据风控平台。用大数据分析进行风险控制是益博睿的核心技术。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多个个基于学习机器的分析模型，对每位信贷申请人的超过3000+维度原始信息数据进行分析，并得出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。

风控运营：
贷前营销：1、已有客户开发、新客户开发；2、预审批、申请评分 3、预审批，客户准入、预授信额度估算。
贷中审批：1、欺诈甄别、反欺诈监测； 2、申请再评分； 3、授信审批；4、贷款定价。
贷后管理：1、行为评分模型； 2、额度管理； 3、风险预警、预催收；4、催收评分、催收策略。    
      目前贷款审批线上速度实现了突破，贷款获批率也得到了显著提升，同一类用户，用抵押物、收入流水证明等粗放式的传统风控方式，贷款获批率在15%左右，而使用大数据模型结合人工后获批率可以达到30%以上。至于贷款的逾期率，以12个月违约风险举例，通过神州融线上信贷审批模型筛选的用户，逾期率比没有经过筛选的低一半。
      神州融是第一家在大数据风控系统上发力的互联网金融企业，同时蚂蚁金服旗下的芝麻信用、一些P2P网贷平台都在陆续开始研发大数据信用评估模型。