对于金融企业来说，风控模型和风控体系需要非常有经验的金融从业人士进行把控。比如，银行风控模型的出发点主要是衡量借款方的还款能力，一般来讲，模型包含了两部分的评判，即客观性的和主观性的。客观性的评判主要依据是可以量化的数据，如公司的年度审计财务报告、银行流水、缴税金额等，这些数据放在已设定好的模型里就能计算出分数或等级，作为参考。
但是，光靠客观数据还不够，比如说公司所在的行业是落后的将被淘汰的行业（如钢铁、水泥等），那么评级可能需要有些下降，再比如，公司的管理人在该行业的经验多少会影响公司的风险，这需要人工进行调查。
因此，人在传统风控体系中起到了很大的作用。比如，需要人工标记坏样本的方式来记录坏样本订单号，人工通过相关信息关联找出标记样本。系统的设计要尽可能多、尽可能精准地收集坏的样本。
但是人的计算能力有限，而且对复杂的征信环境缺乏整体的把控能力。在人工审核过程中，很容易出现样品偏差的问题。比如说，当你发现骗子符合某些聚集特征时，你将指定某项策略进行打击，于是骗子的这种欺诈手段受到控制，接下来的损失案例都不会再出现这样的聚集特征。如果坏样本的收集时间在该策略上线之后，这个时候模型训练的结果极有可能出现满足聚集特征的风险低、不满足聚集特征的交易反而风险高的特点，也就是说聚集特征的权重是负数。
随着互联网科技与金融高度融合，互联网科技这种轻资产、重服务的网络模式正慢慢渗透到金融模型中，对传统金融业务产生了鲶鱼效应和示范效应，推动金融机构产生变革。由于网络虚拟环境的消息不对称、交易过程透明度低、信息安全无法得到保障，金融机构面临的道德风险、市场风险、信用风险越来越突出，传统风控渐渐走向了末路。
传统金融机构仅能掌握用户的借贷历史和行为，但是对用户的兴趣爱好、消费倾向和行为等均一无所知，无法与业务数据形成联动。金融机构面临的风险主要来源于两个方面，一是外在的由于欺诈和信用风险造成的逾期、骗贷、坏账压力，二是企业内部的合规风险和金融服务流程的优化压力。
网络黑灰产肆虐，它们主导的欺诈活动已经渗透到消费金融营销、借贷、支付等多个环节。据统计，2017年黑灰产从业人员已超150万，年产值达千亿元，应用数据分析手段对金融业务消费平台进行攻击是他们的主要收入来源。
这对金融风控提出了巨大的挑战，面对严峻的网络风险环境，从2014年开始，大数据、人工智能等技术开始真正进入互联网金融风控领域，科技与金融的结合日益紧密。科技公司与金融机构更多地立足于自己的优势领域展开合作，越来越多的金融科技公司利用自己的技术优势，帮助传统金融机构改善业务，辅助金融机构进行风控运营决策。
传统金融机构采用评分卡模型和规则引擎等“强特征”进行风险评分，而智能风控根据履约记录、社交行为、行为偏好、身份信息和设备安全等“弱特征”进行用户风险评估。两种风控方式从操作到场景都呈现出了明显的区别化效应，进入移动互联网时代后，智能风控的优势愈加凸显，成为传统风控的有效补充。
智能风控侧重大数据、算法和计算能力，强调数据间的相关关系，其在风控环节中的应用主要有以下三点：计算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份；反欺诈识别，智能风控利用多维度、多特征的数据预测用户的欺诈意愿和倾向；正常用户的还款意愿和能力的评估判断。对于交易、社交、居住环境的稳定性等用户行为数据，运用神经网络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。
在金融行业，风控永无止境，智能风控更是不断迭代、根据结果不断优化的过程。迄今为止，智能风控已取得不错的应用成果。实际应用中，智能风控模型已具备较好的用户区分度，可以在评估结果中清晰地区分优质和劣质客户，经过技术人员的不断优化迭代，识别精度和判断速度均呈螺旋式上升态势。但是，目前整个行业都面临数据孤岛和信息不透明的问题，行业共债情况得不到共享，部分信息的准确度、覆盖度、权威性和及时性存在明显不足，智能风控技术的提升空间依旧很大。
在用户体验上，智能风控的优化路径有两条：一是减少对用户的干扰。目前信贷审批等风控流程的数据调取需要用户授权，随着市场数据共享机制的完善及计算能力的提升，未来只需要提供很少的信息就可对用户进行评估，消除用户在信息安全、使用合规上的顾虑。二是在上述基础上，不断提升用户评估的准确率。
相关文章