由於互聯網金融涉及的領域很廣，不同領域的風控策略也不盡相同，所以不能壹概而論。這裏對大數據風控在互聯網金融領域的應用做壹個大致的分類和分析。
首先，如何理解大數據風控？
大數據風控的有效性不僅強調數據的海量，更在於用於風控的數據的廣度和深度。其中包括:
數據的廣度:指用於風險控制的數據來源的多樣化。任何互聯網金融企業都不能指望基於單壹的海量數據來解決風控問題。就像傳統金融風控中強調的“交叉驗證”原理壹樣，要通過多樣化的數據對風險模型進行交叉驗證。互聯網金融的風控策略也是如此，可能對同壹風險事件采取多種策略。
數據深度:指用於風險控制的數據應基於壹個垂直領域真實業務場景和流程的完整記錄，以保證數據能夠還原真實的業務流程邏輯。比如很多第三方支付平臺擁有豐富的真實交易記錄，但由於在大多數場景下無法獲取交易商品的詳細信息和用戶身份，用於風險控制時價值大打折扣，所以數據的完整性和垂直深度非常重要。
互聯網金融產品如何利用大數據進行風險控制，壹般有以下幾類和方向:
1.根據某些特定的目標人群、特定的行業、商圈等進行風險控制。由於對特定人員、行業、商圈等垂直目標的深耕，更容易構建相應的風險點和風控策略。
比如大學生消費貸款，主要針對大學生的特點。
農機行業融資擔保。
批發市場商圈信用。
2.基於自有平臺身份數據、歷史交易數據、支付數據、信用數據、行為數據、黑名單/白名單等數據進行風險控制。
& gt& gt& gt& gt身份數據:實名認證信息(姓名、身份證號、手機號、銀行卡、公司、職務)、行業、家庭住址、公司地址、關系圈等。
& gt& gt& gt& gt交易數據/支付數據:比如B2C/B2B/C2C電子商務平臺的交易數據，P2P平臺的貸款和投資的交易數據等。
& gt& gt& gt& gt信用數據:比如P2P平臺的借款、還款行為積累的信用數據，電商平臺根據交易行為形成的信用數據和信用評分(JD.COM白條、支付寶花唄)，SNS平臺的信用數據。
& gt& gt& gt& gt行為數據:比如電商購買行為、互動行為、實名認證行為(比如類似新浪微博公司認證、好友認證)、修改信息(比如修改家庭、公司地址、通過換頻確認工作穩定性)。
& gt& gt& gt& gt黑名單/白名單:信用卡黑名單、賬戶白名單等。
3.基於第三方平臺的服務和數據，做風控互聯網信貸平臺(非PBOC征信)、FICO服務、零售決策(ReD)、行業聯盟共享數據(如小貸聯盟、P2P聯盟)的Maxmind服務。
& gt& gt& gt& gtIP地址庫、代理服務器、盜/偽卡數據庫、惡意地址庫等。
& gt& gt& gt& gt輿情監測和趨勢，口碑服務。如宏觀政策、行業趨勢、個案分析等。
4.以傳統行業數據為基礎，做風控人民銀行、工商、稅務、房管、法院、公安、金融機構、車管所、電信、公用事業(水電煤炭)征信等傳統行業數據。
5.離線現場盡職調查數據
包括自建風控團隊做線下盡職調查模式和與小貸公司、典當公司、第三方信用管理公司等傳統線下企業合作做風控的模式。線下風控數據也是大數據風控的重要數據源和手段。
希望能幫到妳。想了解更多，可以關註微信號“大數據風控圈”。很多互聯網行業共享信息。