四、大数据风控的优势和劣势
大数据风控是一个广义词和一个时代的热词，量化风险控制就是利用数据分析和模型进行风险评估，依据评估分数，预测还款人的还款能力、还款意愿、以及欺诈风险。
大数据主要是指全量数据和用户行为数据，目前领先的数据风控或者大数据风控使用的还是小数据，使用的是围绕客户周围的信用数据，这些数据的特点是和用户的信用情况高度相关。之所以叫做大数据风控，完全是一个是时代用语，确切地说就是利用数据实施科学风控。就像互联网思维一样，就是以客户为中心的商业思维，被称为互联网思维，只不过是利用了这个时代的特征而已。
大数据风控的优势：
1、用户行为数据成为风控数据
风控最好的数据还是金融数据，例如年龄、收入、职业、学历、资产、负债等信用数据，这些数据同信用相关度高，可以反映用户的还款能力和还款意愿，这些数据因子在风控模型中必不可少，权重也很高，是信用风险评估最好的数据。
但是除了这些强相关的数据，一些用户行为数据对信用风险评估也具有较大的影响，例如用户是否经常去澳门赌博，用户是否经常刻意隐藏自己，用户是否参与高利贷，用户是否具有吸毒倾向，是否患有重大心理疾病等等，这些信息在一定概率下决定了用户风险水平。
在某些条件下这些因素会成为决定信用风险事件的强相关数据。过去这些用户行为数据，并没有放到信用风险评估模型中，没有参与客户的信用风险评估。金融企业和互联网金融企业在分析已经发生的信用风险事件之后，发现的这些用户行为信息在很多风险事件中起到了很关键的作用。小概率风险事件会导致很严重的后果，同信用风险事件的发生具有较强的关联性。
现实世界的用户行为可以揭示信用风险，互联网上的用户行为也同信用风险高度相关。例如全部用大写字母填写资料的人，信用贷款逾期率较高；凌晨1点登陆网络申请贷款的人，恶意欺诈的比较多；手机上只有贷款App，没有其他App的人，其恶意欺诈比率高；缺少社交活动的人，其贷款逾期可能性较高。这些用户行为信息都同信用风险高度相关，可以作为一个重要因子进行录入，影响客户的信用评分。
大数据风控的一个最大的优势就是丰富了信用风险评估的数据纬度，这些用户行为信息，很大程度是大数据采集和分析的结果，用户一般是不会提供给金融行业的。很多信息是规律性信息，需要大数据分析才有可能得到，其在信用评估中的权重，也需要不断的优化模型去完善。
2、实时输入和实时计算，解决风险视图实效性问题
传统风控的另外一个缺点是数据录入和评估结果的滞后性，缺乏实效性数据的输入，风控模型反映的往往是滞后数据的结果。利用滞后数据的评估结果来管理信用风险，本身产生的结构性风险就较大。
银行现有的风险控制机制是参考历史数据＋模型＋专家经验。但是风险事件的联动效应已经变大，一个小的风险事件可能在很短的时间内产生巨大的影响后果，风险事件撬动的杠杆变大了。历史数据反应未来趋势的相关程度正在变弱，因此信用风险管理需要大量实时的数据，已有的模型对风险事件（尤其是内部欺诈，外部欺诈）的识别能力在下降，需要新的风险控制模型和实时数据。
大数据的数据采集和计算能力，可以帮助企业建立实时的风险管理视图。借助于全面多纬度的数据、自我学习能力的风控模型、实时计算结果、坏种子数据，企业可以提升量化风险评估能力。
数据、技术、模型、分析将成为信用风险评估的四个关键元素，其背后的力量就是大数据的技术和分析能力。企业利用大数据的风控能力，实时输出风险因子信息，为金融企业提供实时风险管理视图，提高风险管理的及时性。
3、丰富数据输入纬度以及较细的颗粒度，对传统风控的补充
传统风控模型已经不能适应复杂的现代风险管理环境，特别在数据信息录入纬度上，影响客户信用评分的信息较多，很多都没有引入到风险评估流程。例如企业所处行业的竞争环境以及同业产品的竞争、企业产品的生命周期、企业的关联交易信息和司法信息、贷款个人的心理和性格、上下游产业经营情况、市场需求变化、客户对企业产品的评价等。