大数据风控到底能不能拯救P2P

　由于线上+线下模式的特殊性，导致国内P2P行业难以效仿西方国家以数据分析来建立风险模型，而是开发出了线上融资、线下风控的风控方式。

　　自2007年被引入中国，P2P行业在国内已经走过了八个年头。2013年，P2P行业正式进入爆发式发展阶段。与此同时，行业开始出现大面积的风险事件。据网贷之家数据显示，截止2015年9月24日，P2P行业问题平台数量累计已达653家。另外，有数据披露当前P2P行业的坏账率正持续走高，一度达到了5%。风险事件的屡见不鲜使得P2P行业在发展的同时也饱受批评，而最为核心的风控更是成为整个行业悬而未解的难题。

　　中国P2P行业的风控现状

　　P2P网络借贷起源于英美，是一种基于互联网的陌生人借贷模式，后被引入中国。最原始的P2P模式被称为纯线上模式，贷前、贷中、贷后及相关过程中的一切尽调、审核等都在线上完成。但这种模式得以成功的前提是拥有一套完善的征信体系作为社会基础。众所周知，英美国家的民间征信体系非常健全，民间更是不乏成熟的信用评级机构，为其P2P行业提供了发展的沃土。但是国内不论是社会信用环境还是民间征信体系的建设都与英美天差地别，因而P2P被引入中国之后，为了适应国内市场，便由原始的纯线上模式演变为线上线下相结合的模式。由于线上+线下模式的特殊性，导致国内P2P行业难以效仿西方国家以数据分析来建立风险模型，而是开发出了线上融资、线下风控的风控方式。

　　当前国内的P2P行业风险控制主要在贷前及贷后两个阶段上强化。

　　1、贷前：信用审核

　　贷前的信用审核主要依靠线下完成，需要线下的风控人员或信贷员进行实地走访，对借款人的实际生活、经营环境进行调查，清晰掌握其收入、负债等资产情况，以此预测出借款人的还款意愿及还款能力。P2P虽然基于互联网，但就目前来看，贷前尽调上使用的方法与传统的小贷公司无异。这种模式在中国不完善的征信环境中得以发展成熟，尽调数据也具备一定参考价值。但其劣势也显而易见，一是增加了P2P平台的人力和财力成本;二是对借款人的评估和预判往往依赖于风控人员的主观判断，因此从某种意义上来说，该借款项目风险是否把控得当与工作人员的经验多少有一定关系。

　　2、贷后：担保增信

　　对于P2P平台而言，一方面由于自身技术能力有限;另一方面则受限于严重的信息壁垒，因此在批复放款之后，难以监控借款人的真实经营状况及借款款项的具体流向，导致项目不良率居高不下。为了最大程度地降低风险，99%的P2P平台都会强化贷后风险管理手段，亦即在最后阶段引入担保机构进行风险共担。担保机构会承诺对该笔借款项目进行全额本息担保，一旦极端风险事件爆发，将由担保机构对投资人进行本息偿付，随后再进行逾期、坏账项目的追偿及催收等后续工作。

　　由于当前P2P行业普遍采用的风控模式均来源于传统手段，过于依赖人工，难以有效规避从业人员在信审过程中可能出现的道德风险和诈骗风险。因此，P2P平台虽然在高呼创新风控，但实际上并没有解决核心问题。换言之，风控难题依然是当前行业发展过程中一道难以跨越的坎。

　　什么是大数据风控

　　随着行业的发展，风险积聚问题的严峻愈发突出，越来越多的人开始呼吁行业摒弃以个人经验进行预判的传统风控模式，而是应该深入挖掘数据建模的可行性，通过完善数据征信来解决风控难题。

　　根据百度的词条解释：大数据风控即大数据风险控制，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。迄今为止，大数据风控在互联网金融领域的经典案例非阿里小贷莫属，依托于阿里巴巴庞大的数据库，阿里小贷通过云计算来对用户数据进行分析处理，最终产生用户的信用数据。阿里数据库的数据种类之多、容量之大，使得阿里小贷能够通过现有数据来对用户违约概率进行较为精准的预测，迅速确定用户授信，真正实现信贷扁平化。

　　P2P能不能实现大数据风控

　　互联网金融领域赫赫有名的“校长”曾经明确提出“大数据风控对P2P行业无效”的观点，原因简要概括如下：一是经济形势的不可预测性，一旦经济形势下行压力过大，金融机构也无完卵，那么风险管理在系统性风险面前毫无意义。二是P2P行业还难以达到大数据的逻辑标准——足够大的样本量，换言之，覆盖的人群远远达不到样本容量要求的P2P行业拿什么来做大数据?因此，很长一段时间内大数据虽然概念火热，基本上很少有P2P平台能够真正运用。近日果树财富高调宣布引进云风控技术来进行借款人资信审核的新闻，将大数据风控的话题再一次摆到了台面上，而关于大数据风控在P2P行业到底可不可行的讨论又甚嚣尘上了。

　　笔者的观点是：P2P做大数据风控，虽然无法照搬电商模式，但在适当范围内可以尝试。假设P2P平台能够采集到一定基数的真实用户数据，将可以建立一定容量的数据库，以此为核心建立数据模型。第一，信用评分模型。平台可以通过评估用户的历史收入、资产、职业、年龄等信息，来估算出借款用户的信用风险分数，以此预测其违约风险。但这种模型的局限性在于历史数据的时效性及参考性十分有限，因而需要平台对用户数据变量进行定期监测及更新。第二，违约概率模型。与传统的人工经验预判概率相比，P2P平台可以通过积累用户的历史数据，从中提炼出借款用户的违约概率。

　　综上，不可否认，大数据在P2P行业风控中的应用不仅前景可期，同时也是具备一定可行意义的。一方面，大数据能够帮助P2P平台摆脱高成本的人工信审现状;另一方面，数据模型的统一化、标准化能够改善当前凭个人经验预判项目风险的风控现状。从这个角度来看，短期之内大数据风控对于P2P平台的意义在于提高风控水平、降低风控成本、建立高效风控机制。这也是前文提到的果树财富引入云风控技术的原因之一，无非是为了低成本引入用户数据报告，辅助平台核验用户资信和违约风险。