互联网金融产品太多，这里以P2P网贷为例，从风控涉及的相关环节分别来尝试讨论。
https://pic2.zhimg.com/50/038b2f710a72ead65c06562380c54b0e_hd.jpg

销售环节：
了解客户申请意愿和申请信息的真实性
适用于信贷员模式，风控关键点：
亲见申请人，亲见申请人证件，亲见申请人签字，亲见申请人单位。

审批环节：
进行基本信贷政策的核查，主要是核实申请信息、证件资料、是否伪冒申请。
系统会审核剔除不符合基本信贷政策要求的客户，例如有严重不良征集记录的，内部已经有违约记录的，或者近期有较大风险被纳入关联黑名单的，不符合监管政策要求的客户。经过基本审查后，不同的申请人会依据客户信息的分类，被自动分发到不同的信贷流程中，这种不同的流程一般会根据客户的分类、申请额度的高低、是否新客户、是否存量等客户等因素进行设计 ，从而进入具体的审核环节。审核环节会采取系统审核和人工核查两个交互部分，审核不能过，有疑问的，或者通过的才能分别进入后续的环节，包括拒绝、退回补充调查、退回补充资料、通过、有条件通过等。
适用于信贷工厂模式，风控关键点：
1、客户填报信息的逻辑校验。客户填报信息包括其填写在申请表上的申报信息，以及提供的资质证明文件中的信息。欺诈客户由于编造了全部或部分信息，很可能在自行申报的相关信息中存在不符合常理的情况。利用互联网大数据提供的位置服务，能够将客户填写的地址信息定位为地址位置坐标，并与客户常用物流地址位置坐标进行比对，如果发现客户提供了一个距离过大的地址，则该地址信息存在虚假的可能性；针对移动端渠道，比如PAD，可以定位互联网客户的具体申请位置，与申请信息中填写的地址信息或职业信息进行对比验证；还可以收集客户填写申请过程的行为信息，如填写了多长时间、修改了几次、修改了哪些内容，这些信息项可以成为申请欺诈模型的变量或是申请欺诈策略的重要规则。
2、客户填报信息与公司自有存量客户信息的逻辑校验。比如：多个申请件填报的单位电话相同，但对应的单位名称及地址不同，批量伪冒申请件的可能性就很高。
3、外部信息的对比校验。恶意的申请往往会隐瞒对其不利的事实 ，如负债、公司运营存在问题、等待处理的法院执行信息等，通过爬虫抓取互联网上申请人的企业经营信息、法院执行信息可以核实申请人自身的真实资质。

授信环节
进入评分规则引擎的客户，会按类型走到不同的细分模块，以适应不同的细分模型，包括不同的产品、不同的行业、不同的客户群，如车贷、消费贷、抵押贷、个人经营贷等。
风控关键点：
不同类型的借款申请调用不同的信用评分规则引擎。
根据用户授权许可自动抓取的数据：
个人信息，抓取用户在互联网上留下的电商购买数据、搜索引擎数据、社交数据(微博/人人网等)、信用卡账单邮箱信息、学信网信息等多个维度的数据，得到有关个人性格、消费偏好、意愿、学历等的个人信息。
商户信息：抓取商户的电商交易数据(物流、现金流、信息流数据)，电商的经营数据(如访客量、交易量、用户评价、物流信息等)。
最后通过特定模型转化为个人授信评分数据与商户授信评分数据。

附：大数据授信数据来源图
https://pic2.zhimg.com/50/4e414fc7bf48cd6a63e6da70ae10125b_hd.jpg

贷后存量客户管理环节
存量客户授信调整是存量客户管理中的重要一环，多种经营手段最终都会涉及授信客户的调整，不重视授信额度的管理，很有可能造成风险的快速上升，将引入端的“好客户”变成存量端的“坏客户”也是有可能的。
风控关键点：
1、违约情况观察，比如是否发生早期逾期，连续多期不还欠款、联系方式失效等
2、信息关联排查，比如存量客户中是否有与新增的黑名单、灰名单数据匹配
小微商户的存量风险管理过程中，可以从数据合作方获取商户交易流水信息，对其交易流水进行监测预警，对于突然出现的资金流入、流出，不符合经营规则的交易流水下滑情况，正常营业的大额交易等，均可以触发预警；通过大数据实时监测，一旦在外部数据监测过程中发现客户的严重负面信息、公安违法信息、法院执行信息、税务缴税信息、行业重要新闻、借款人社交关系网中的重大负面情况、借款人的网络浏览行为、资金支付结算情况等，可以及时触发预警。

贷后逾期客户管理环节
还款意愿差和还款能力不足是客户逾期的主要原因，这个环节主要涉及逾期客户管理与失联客户管理
风控关键点：
1、催收模型、策略优化。不同客户对于不同的催收手段的不同反应，可以通过大数据来挖掘规律。比如对于一个几乎无上网记录的客户，发送电子邮件进行催收，一般达不到触达效果，采取语音提醒可能效果更佳；对于一个微博控、知乎控，同样内容的催收还款提醒文字，通过微博、知乎私信发送比通过手机短信发送的效果更好。
2、失联客户识别与修复失联客户信息。比如，与外部电商拥有的客户物流信息进行交叉核实，发现客户申请贷款时间提供的联系方式 与近期网购中使用的联系方式均无法匹配，则可能意味着客户更新了联系信息，这时就可以主动发起与客户的沟通及联络，避免客户失联的发生；对于失联客户，互联网积累的大量关联信息，能够为摸清客户的工作、生活、社交网络提供帮助。

资金流动性管理环节
流动性风险是P2P网贷平台的主要风险，跑路P2P网贷平台的一个重要原因就是发生了挤兑。大数据下的流动性管理其实是实时BI的一个应用。传统BI数据T+1，大数据是实时BI。
风控关键点:
整合平台所有借款端与投资端两端数据，从以下两个维度进行
1、资金维度
2、业务维度
更多细节见之前的一个回答
P2P平台流动性最重要的指标是什么？

放款环节
放款环节是防止账户接管与资金挪用的关键环节。
风控关键点：
指定账号资金划转与定向支付。比如，客户出于培训进修的学费借贷，在申请过程中就要求客户事先提供学校的相关账号。

小结
https://pic1.zhimg.com/50/ada69e2c68faec85e0f42a68e2fb78e7_hd.jpg

P2P大数据风控模型构建路径
https://pic3.zhimg.com/50/920c2ca74680b23405e3a72dc91155f3_hd.jpg

近两年来，消费金融越来越受到互金业界和资本青睐。尤其是小额的现金贷业务，为用户提供短期资金借贷，用于日常消费。无论线上线下，类似“在线申请，资料简单，急速放款，无需抵押”的宣传小广告随处可见。
目前，同样是做现金贷业务，有的公司赚得盆满钵满，可是有的公司却被频繁的欺诈、骗贷行为困扰，现金贷做得好不好，很重要的一点就是风控做得好不好。要回答楼主的问题，我们可以一层一层来解答。
问题1：现金贷到底是个什么业务？
现贷(国外称为Payday loan即发薪日贷款）是一种小额短期借贷产品，其额度在1000元以下，年化利率平均在50%-200%之间，借款期限集中在7-30天。据不完全统计，目前国内的小额现金贷平台已有上千家，大体上可以分为几类：
（1）互联网系，以微粒贷、京东金条、蚂蚁借呗为代表，资金实力比较雄厚，内部流量转化获客成本低；
（2）垂直平台，以手机贷、闪电借贷、现金巴士、工资钱包、量化派为代表，主要针对细分人群，获客及资金成本相对较高；
（3）消费金融系，以苏宁消金的任性借、捷信消金的福袋为代表，基于目前分期业务扩展，资金来源广、成本低；
（4）银行系，目前很多银行推出自有现金贷产品，如包商银行有氧贷、幸福金，产品大多针对行内白名单客户，利率普遍较低，客群与其他现金贷产品差异显著。
目前，现金贷市场再以惊人的规模扩张中。浅橙现金卡上线仅4个月，目前700万注册用户，16年底交易流水已超10亿；2345贷款王16年业绩快报显示，16年平台共发放贷款411.75万笔，营业收入17.42亿，净利润6.35亿，同比增长52.19%；前隆手机贷上线三周年，目前用户已超过700万……
与一般的消费金融产品相比，现金贷主要具有以下五个特点：额度小、周期短、无抵押、流程快、利率高，这也是与其借贷门槛低的特征相适应的。现金贷的目标客户群主要有以下几个特点：收入和学历普遍偏低，月收入大部分集中在2000到3000元；信贷记录较差，大多数人不能通过银行借贷审核，甚至没有个人信用记录，多为无卡人群；所需借款金额从500到5000元不等，主要集中在1000-2000元；共债比例很高，据前海征信的常贷客产品扫描结果显示，现金贷申请者共债比例超过60%，借贷次数平均在6次左右。
问题2：高风险的现金贷业务能否盈利？
现金贷产品先天具有高违约风险的特点，目前国内的现金贷平台坏账率在30%左右，最高能到达50%，做得较好的平台坏账率也有15%左右。与如此高的违约率对应的却是略显简单粗糙的风控流程,甚至存在乱放的现象，现金贷行业在如此高违约率情况下仍能获得暴利固然与其小额分散的特点有关，但更深层的原因还在于其现阶段的盈利模式，要解析现金贷的盈利模式首先需要介绍几个公式。我们把现金贷客户分为新贷客户和续贷客户两类，由于风控筛选等因素，续贷客户相比新贷客户风险较小。接下来我们来看四个公式：
（1）新贷客户损失率*新贷客户占比+续贷客户损失率*续贷客户占比=预期可承受损失率
（2）预期可承受损失率=收益率-成本率-预期利润率
（3）成本率=新贷成本率*新贷客户占比+续贷成本率*续贷客户占比
（4）新贷客户占比+续贷客户占比=1
（注：这里将当月应还款客户逾期30天以上既列入损失，将收益率近似为平均借款期限*利率）
在上述四个公式中，平均借款期限、新贷成本率、续贷成本率、续贷客户损失率均可由放贷机构的历史数据得出。预期利润率有放贷机构预先制定，因此这里可变动的量为收益率、续贷客户占比，新贷客户损失率（用阴影标出）。
由于在现金贷发展初期最受关注的是可承受的新贷客户损失率，接下来来研究利率和续贷客户占比对新贷客户损失率的影响。假设某现金贷产品平均借款期限27.9天，新贷成本率占放贷金额的5%，续贷成本率为1%，假设预期利润率为3%，续贷客户损失率3%。下表中横向为利率，纵向为续贷客户占比，表格中数据为在达到预期利润率的情况下可承受的新贷客户损失率（新贷客户可承受的损失率大于50%的用红色标出）。
（数据资料来源——微信公众号：放得出去收得回来）
由上表可以看出，越靠近右下角可承受的新贷客户损失率越高。因此，我们可以得出现金贷高盈利的两点原因：
一是利用高利率覆盖高违约风险。较高的违约风险必然需要较高的利率去覆盖，这在逻辑上很好理解。同时，上文计算的表格也从盈利模式的角度证明了这一点。由上表可见，在客户结构一定的前提下，利率越高，可承受的新贷客户损失率也会增加。高利率加之同样高不菲的手续费和违约金成为其高盈利的原因之一。
二是通过续贷客户比例控制风险。现金贷本身面向的客户为中低收入人群，用户黏性较高，部分客户会产生重复借贷需求。下表为某种现金贷产品有续贷的客户比例随时间的变化折线图。可以看到该种产品越有10%的客户当月借贷当月续贷，这一数字在第二个月达到峰值。从表格可以看出，在利率相同的情况下，续贷客户占比越高，可接受的新贷客户损失率越高。
在短期巨大人口流量红利仍然持续的情况下，以上两个因素是现金贷暴利背后的主因。
https://pic3.zhimg.com/50/v2-ecf2c53332679d51beadbade22879df5_hd.jpg

表2 某现金贷产品客户续贷比例折线图
问题3：不注重风控的现金贷业务能否持续？
上文分析了目前很多现金贷平台“闭着眼睛放贷”也能盈利的两个主要原因，然而进一步分析会发现，在市场发展的中后期，这种模式就走不通了，风控会越来越成为关键。
首先，由于现金贷小额短期的特点，导致行业进入壁垒较低，难以形成较大的寡头，资本的趋利性势必导致越来越多的玩家加入现金贷领域，在流量红利期逐渐过后，现金贷行业在长期将趋向于充分竞争，一方面根据市场规律，价格会回到一个相对合理的位置，因而完全依赖于高利率覆盖风险的模式走不通。另一方面想要留住优质客户提高客户黏性，服务质量会成为关键。
其次，小额现金贷本身的目标客户群就存在潜在的信用风险，恶意欠款现象普遍，多头借贷尤为严重。大多用户没有足够的薪水及时还款，不少用户只能通过“借新还旧”的方式持续不断地陷入债务漩涡。
因而随着现金贷市场趋于成熟，建立行之有效的风控模型，实现降低违约率和提高用户体验的兼顾将成为现金贷产品在未来激烈的市场竞争中立于不败之地的关键。
问题4：现金贷风控到底怎么做？
本文精华部分来了。要建立较为完整的一套现金贷风控体系需要包括贷前审批、授信，贷中跟踪、监控，贷后、失联修复、不良催收，是一个极为复杂的过程。每一个流程都会影响整个的风控质量。这里主要介绍贷前的风控措施。
通过与现金贷相关从业人员交流后发现，各家现金贷公司风控流程不尽相同，但总体来说，现金贷风控流程可以分为四个阶段：黑名单，风控规则，反欺诈网络，风控模型。本文主要介绍一些常见的风控规则供参考。
（1） 勾稽比对
勾稽比对是会计行业的一个常用术语，在风控中主要指利用多维度数据进行逻辑对应关系检验的方法，举例来看：假设用户填写的“收入水平”为变量A，“工作地点”为变量B，申请时IP地址的“所处区域”为变量C。从A+B的维度来看，倘若用户填写的A月收入有数万元，B却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户虚报收入。若从B+C的维度来看，倘若B变量显示用户工作地点在北京，C却显示申请时IP地址在云南，或者频繁更换IP地址去申请，我们或许应该考虑金融欺诈的风险。若结合A+B+C的维度来看，若B变量显示客户在北京国贸工作，A变量显示月入10000元，IP地址、申请地点都在北京，通过三个变量数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。倘若再增加更多变量例如填写手机号码常用通话地点等，就能从更多的角度验证出数据的可靠性。
（2） 交叉检验
交叉检验与勾稽比对有细微差别，但两者都是利用多维度数据对用户真实性和可靠性进行验证的方法，这里只简单举个例子，例如申请人提供了工作单位地址，但用外部数据验证结果显示该单位不再这个地址，那该用户可能存在欺诈风险。
（3） 强特征筛选
有一些变量在风控的考量中占有较大的权重，例如多头借贷次数，该次数较高意味着用户存在严重的多头借贷情况严重，有较高的违约风险。拿前海征信常贷客产品验证结果举例，命中常贷客客户信贷逾期风险是普通客户的3 ~ 4 倍。还有较常见的强特征变量有关注机构（催收机构等）通话，工作日夜间通话等。
（4） 风险关系
风险关系主要验证与申请人相关联个体的信息。例如，该申请者通讯录中是否存在较多被列入黑名单的联系人，该申请人的生情电话或IP是否曾被另外的申请者使用过等。
（5） 用户的行为数据
用户的行为数据也可以很好地用以鉴别金融欺诈。例如通过运营数据统计显示，在凌晨3点左右申请贷款的用户的信用风险更高，这可能因为很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，防御薄弱的突破口；此外，申请时多次修改填写资料的用户可能存在信息造假，因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。
需要指出的是，在整个风控流程中，要注重风控和用户体验之间的平衡。若一味强调风控会导致数据需求过多，风控模型过于复杂，从而降低授信速度。同时，需要用户提交资料过多也会增加用户流失风险，在建立风控流程的过程中需要谨记的一点是风控的最终目标是最佳的收益风险比。

近两年来，消费金融越来越受到互金业界和资本青睐。尤其是小额的现金贷业务，为用户提供短期资金借贷，用于日常消费。无论线上线下，类似“在线申请，资料简单，急速放款，无需抵押”的宣传小广告随处可见。
目前，同样是做现金贷业务，有的公司赚得盆满钵满，可是有的公司却被频繁的欺诈、骗贷行为困扰，现金贷做得好不好，很重要的一点就是风控做得好不好。要回答楼主的问题，我们可以一层一层来解答。
问题1：现金贷到底是个什么业务？
现贷(国外称为Payday loan即发薪日贷款）是一种小额短期借贷产品，其额度在1000元以下，年化利率平均在50%-200%之间，借款期限集中在7-30天。据不完全统计，目前国内的小额现金贷平台已有上千家，大体上可以分为几类：
（1）互联网系，以微粒贷、京东金条、蚂蚁借呗为代表，资金实力比较雄厚，内部流量转化获客成本低；
（2）垂直平台，以手机贷、闪电借贷、现金巴士、工资钱包、量化派为代表，主要针对细分人群，获客及资金成本相对较高；
（3）消费金融系，以苏宁消金的任性借、捷信消金的福袋为代表，基于目前分期业务扩展，资金来源广、成本低；
（4）银行系，目前很多银行推出自有现金贷产品，如包商银行有氧贷、幸福金，产品大多针对行内白名单客户，利率普遍较低，客群与其他现金贷产品差异显著。
目前，现金贷市场再以惊人的规模扩张中。浅橙现金卡上线仅4个月，目前700万注册用户，16年底交易流水已超10亿；2345贷款王16年业绩快报显示，16年平台共发放贷款411.75万笔，营业收入17.42亿，净利润6.35亿，同比增长52.19%；前隆手机贷上线三周年，目前用户已超过700万……
与一般的消费金融产品相比，现金贷主要具有以下五个特点：额度小、周期短、无抵押、流程快、利率高，这也是与其借贷门槛低的特征相适应的。现金贷的目标客户群主要有以下几个特点：收入和学历普遍偏低，月收入大部分集中在2000到3000元；信贷记录较差，大多数人不能通过银行借贷审核，甚至没有个人信用记录，多为无卡人群；所需借款金额从500到5000元不等，主要集中在1000-2000元；共债比例很高，据前海征信的常贷客产品扫描结果显示，现金贷申请者共债比例超过60%，借贷次数平均在6次左右。
问题2：高风险的现金贷业务能否盈利？
现金贷产品先天具有高违约风险的特点，目前国内的现金贷平台坏账率在30%左右，最高能到达50%，做得较好的平台坏账率也有15%左右。与如此高的违约率对应的却是略显简单粗糙的风控流程,甚至存在乱放的现象，现金贷行业在如此高违约率情况下仍能获得暴利固然与其小额分散的特点有关，但更深层的原因还在于其现阶段的盈利模式，要解析现金贷的盈利模式首先需要介绍几个公式。我们把现金贷客户分为新贷客户和续贷客户两类，由于风控筛选等因素，续贷客户相比新贷客户风险较小。接下来我们来看四个公式：
（1）新贷客户损失率*新贷客户占比+续贷客户损失率*续贷客户占比=预期可承受损失率
（2）预期可承受损失率=收益率-成本率-预期利润率
（3）成本率=新贷成本率*新贷客户占比+续贷成本率*续贷客户占比
（4）新贷客户占比+续贷客户占比=1
（注：这里将当月应还款客户逾期30天以上既列入损失，将收益率近似为平均借款期限*利率）
在上述四个公式中，平均借款期限、新贷成本率、续贷成本率、续贷客户损失率均可由放贷机构的历史数据得出。预期利润率有放贷机构预先制定，因此这里可变动的量为收益率、续贷客户占比，新贷客户损失率（用阴影标出）。
由于在现金贷发展初期最受关注的是可承受的新贷客户损失率，接下来来研究利率和续贷客户占比对新贷客户损失率的影响。假设某现金贷产品平均借款期限27.9天，新贷成本率占放贷金额的5%，续贷成本率为1%，假设预期利润率为3%，续贷客户损失率3%。下表中横向为利率，纵向为续贷客户占比，表格中数据为在达到预期利润率的情况下可承受的新贷客户损失率（新贷客户可承受的损失率大于50%的用红色标出）。
（数据资料来源——微信公众号：放得出去收得回来）
由上表可以看出，越靠近右下角可承受的新贷客户损失率越高。因此，我们可以得出现金贷高盈利的两点原因：
一是利用高利率覆盖高违约风险。较高的违约风险必然需要较高的利率去覆盖，这在逻辑上很好理解。同时，上文计算的表格也从盈利模式的角度证明了这一点。由上表可见，在客户结构一定的前提下，利率越高，可承受的新贷客户损失率也会增加。高利率加之同样高不菲的手续费和违约金成为其高盈利的原因之一。
二是通过续贷客户比例控制风险。现金贷本身面向的客户为中低收入人群，用户黏性较高，部分客户会产生重复借贷需求。下表为某种现金贷产品有续贷的客户比例随时间的变化折线图。可以看到该种产品越有10%的客户当月借贷当月续贷，这一数字在第二个月达到峰值。从表格可以看出，在利率相同的情况下，续贷客户占比越高，可接受的新贷客户损失率越高。
在短期巨大人口流量红利仍然持续的情况下，以上两个因素是现金贷暴利背后的主因。
https://pic3.zhimg.com/50/v2-ecf2c53332679d51beadbade22879df5_hd.jpg

表2 某现金贷产品客户续贷比例折线图
问题3：不注重风控的现金贷业务能否持续？
上文分析了目前很多现金贷平台“闭着眼睛放贷”也能盈利的两个主要原因，然而进一步分析会发现，在市场发展的中后期，这种模式就走不通了，风控会越来越成为关键。
首先，由于现金贷小额短期的特点，导致行业进入壁垒较低，难以形成较大的寡头，资本的趋利性势必导致越来越多的玩家加入现金贷领域，在流量红利期逐渐过后，现金贷行业在长期将趋向于充分竞争，一方面根据市场规律，价格会回到一个相对合理的位置，因而完全依赖于高利率覆盖风险的模式走不通。另一方面想要留住优质客户提高客户黏性，服务质量会成为关键。
其次，小额现金贷本身的目标客户群就存在潜在的信用风险，恶意欠款现象普遍，多头借贷尤为严重。大多用户没有足够的薪水及时还款，不少用户只能通过“借新还旧”的方式持续不断地陷入债务漩涡。
因而随着现金贷市场趋于成熟，建立行之有效的风控模型，实现降低违约率和提高用户体验的兼顾将成为现金贷产品在未来激烈的市场竞争中立于不败之地的关键。
问题4：现金贷风控到底怎么做？
本文精华部分来了。要建立较为完整的一套现金贷风控体系需要包括贷前审批、授信，贷中跟踪、监控，贷后、失联修复、不良催收，是一个极为复杂的过程。每一个流程都会影响整个的风控质量。这里主要介绍贷前的风控措施。
通过与现金贷相关从业人员交流后发现，各家现金贷公司风控流程不尽相同，但总体来说，现金贷风控流程可以分为四个阶段：黑名单，风控规则，反欺诈网络，风控模型。本文主要介绍一些常见的风控规则供参考。
（1） 勾稽比对
勾稽比对是会计行业的一个常用术语，在风控中主要指利用多维度数据进行逻辑对应关系检验的方法，举例来看：假设用户填写的“收入水平”为变量A，“工作地点”为变量B，申请时IP地址的“所处区域”为变量C。从A+B的维度来看，倘若用户填写的A月收入有数万元，B却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户虚报收入。若从B+C的维度来看，倘若B变量显示用户工作地点在北京，C却显示申请时IP地址在云南，或者频繁更换IP地址去申请，我们或许应该考虑金融欺诈的风险。若结合A+B+C的维度来看，若B变量显示客户在北京国贸工作，A变量显示月入10000元，IP地址、申请地点都在北京，通过三个变量数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。倘若再增加更多变量例如填写手机号码常用通话地点等，就能从更多的角度验证出数据的可靠性。
（2） 交叉检验
交叉检验与勾稽比对有细微差别，但两者都是利用多维度数据对用户真实性和可靠性进行验证的方法，这里只简单举个例子，例如申请人提供了工作单位地址，但用外部数据验证结果显示该单位不再这个地址，那该用户可能存在欺诈风险。
（3） 强特征筛选
有一些变量在风控的考量中占有较大的权重，例如多头借贷次数，该次数较高意味着用户存在严重的多头借贷情况严重，有较高的违约风险。拿前海征信常贷客产品验证结果举例，命中常贷客客户信贷逾期风险是普通客户的3 ~ 4 倍。还有较常见的强特征变量有关注机构（催收机构等）通话，工作日夜间通话等。
（4） 风险关系
风险关系主要验证与申请人相关联个体的信息。例如，该申请者通讯录中是否存在较多被列入黑名单的联系人，该申请人的生情电话或IP是否曾被另外的申请者使用过等。
（5） 用户的行为数据
用户的行为数据也可以很好地用以鉴别金融欺诈。例如通过运营数据统计显示，在凌晨3点左右申请贷款的用户的信用风险更高，这可能因为很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，防御薄弱的突破口；此外，申请时多次修改填写资料的用户可能存在信息造假，因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。
需要指出的是，在整个风控流程中，要注重风控和用户体验之间的平衡。若一味强调风控会导致数据需求过多，风控模型过于复杂，从而降低授信速度。同时，需要用户提交资料过多也会增加用户流失风险，在建立风控流程的过程中需要谨记的一点是风控的最终目标是最佳的收益风险比。

既然你问题的主语是公司，那我们就从公司的角度来看看，现金贷业务到底有什么优缺点？
1 现金贷最大的好处——变现快以最近一直刷频的2345为例，2345原本是做网站导航的，用户量4700万左右，排名第三。但是公司却一直难寻变现之道，变现难也是网站导航的痼疾。
但是在现金贷业务开展后，2014年利润增长率达到302%，2015年为253%。
https://pic1.zhimg.com/50/v2-e4d72b13e569f75bc1c5eec4a8f2bc28_hd.jpg
（2345营业收入及净利润）
除了2345，很多缺乏变现方式的公司都在考虑用现金贷这种简单粗暴的方式，把流量变成现金。
[h1]2 为什么说现金贷是简单粗暴的模式？[/h1]说简单，因为纯线上放款真的太容易了，如果你有流量那真的是想放多少就能放多少。而且因为现金贷的高利息，短期内财务报表肯定会出现漂亮的数字。说粗暴，因为大多数公司并没有正视现金贷最难的一个环节，风控。
我们用最简单的思维来想，你在浏览网页时候跳出一个给你贷款的广告，你会很迫切的点开就借吗？我想大多数人都不会吧。那通过这样推广方式吸引到的是什么样的客户呢？是对借款极其渴望，却没办法通过亲朋好友/信用卡/P2P 借到钱的人，你觉得这样的人是什么样的人呢？
更何况现金贷的高利率，本身就是一个漏斗，筛掉的都是优质客户。老赖是不会考虑利息高不高的，他们只看额度大不大。货比三家，追求低利率的才是想还钱的人。
再有就是共债率，或者叫杠杆率。高到天际的共债率就是一个火药桶，等着看什么时间爆吧。不然你以为次贷危机，双卡危机是因为什么。
3 现金贷业务到底能不能做？如果你有非常可观的流量渠道，并且流量人群直指非信用卡人群；
如果你有非常牛逼的风控技术，能保证客户都是优质客户；
如果你对自己眼光非常自信，肯定自己能在爆雷前一年就抽手而走。如果你的公司能做到上面两点，那就大胆去做吧。如果不能，那么多爆雷跑路的p2p公司已经是前车之鉴。和p2p比起来，现金贷爆起来只会更加猛烈，稍有不慎尸骨无存。
想了解消费金融更多深度观点，关注我吧

互联网金融产品太多，这里以P2P网贷为例，从风控涉及的相关环节分别来尝试讨论。
https://pic2.zhimg.com/50/038b2f710a72ead65c06562380c54b0e_hd.jpg

销售环节：
了解客户申请意愿和申请信息的真实性
适用于信贷员模式，风控关键点：
亲见申请人，亲见申请人证件，亲见申请人签字，亲见申请人单位。

审批环节：
进行基本信贷政策的核查，主要是核实申请信息、证件资料、是否伪冒申请。
系统会审核剔除不符合基本信贷政策要求的客户，例如有严重不良征集记录的，内部已经有违约记录的，或者近期有较大风险被纳入关联黑名单的，不符合监管政策要求的客户。经过基本审查后，不同的申请人会依据客户信息的分类，被自动分发到不同的信贷流程中，这种不同的流程一般会根据客户的分类、申请额度的高低、是否新客户、是否存量等客户等因素进行设计 ，从而进入具体的审核环节。审核环节会采取系统审核和人工核查两个交互部分，审核不能过，有疑问的，或者通过的才能分别进入后续的环节，包括拒绝、退回补充调查、退回补充资料、通过、有条件通过等。
适用于信贷工厂模式，风控关键点：
1、客户填报信息的逻辑校验。客户填报信息包括其填写在申请表上的申报信息，以及提供的资质证明文件中的信息。欺诈客户由于编造了全部或部分信息，很可能在自行申报的相关信息中存在不符合常理的情况。利用互联网大数据提供的位置服务，能够将客户填写的地址信息定位为地址位置坐标，并与客户常用物流地址位置坐标进行比对，如果发现客户提供了一个距离过大的地址，则该地址信息存在虚假的可能性；针对移动端渠道，比如PAD，可以定位互联网客户的具体申请位置，与申请信息中填写的地址信息或职业信息进行对比验证；还可以收集客户填写申请过程的行为信息，如填写了多长时间、修改了几次、修改了哪些内容，这些信息项可以成为申请欺诈模型的变量或是申请欺诈策略的重要规则。
2、客户填报信息与公司自有存量客户信息的逻辑校验。比如：多个申请件填报的单位电话相同，但对应的单位名称及地址不同，批量伪冒申请件的可能性就很高。
3、外部信息的对比校验。恶意的申请往往会隐瞒对其不利的事实 ，如负债、公司运营存在问题、等待处理的法院执行信息等，通过爬虫抓取互联网上申请人的企业经营信息、法院执行信息可以核实申请人自身的真实资质。

授信环节
进入评分规则引擎的客户，会按类型走到不同的细分模块，以适应不同的细分模型，包括不同的产品、不同的行业、不同的客户群，如车贷、消费贷、抵押贷、个人经营贷等。
风控关键点：
不同类型的借款申请调用不同的信用评分规则引擎。
根据用户授权许可自动抓取的数据：
个人信息，抓取用户在互联网上留下的电商购买数据、搜索引擎数据、社交数据(微博/人人网等)、信用卡账单邮箱信息、学信网信息等多个维度的数据，得到有关个人性格、消费偏好、意愿、学历等的个人信息。
商户信息：抓取商户的电商交易数据(物流、现金流、信息流数据)，电商的经营数据(如访客量、交易量、用户评价、物流信息等)。
最后通过特定模型转化为个人授信评分数据与商户授信评分数据。

附：大数据授信数据来源图
https://pic2.zhimg.com/50/4e414fc7bf48cd6a63e6da70ae10125b_hd.jpg

贷后存量客户管理环节
存量客户授信调整是存量客户管理中的重要一环，多种经营手段最终都会涉及授信客户的调整，不重视授信额度的管理，很有可能造成风险的快速上升，将引入端的“好客户”变成存量端的“坏客户”也是有可能的。
风控关键点：
1、违约情况观察，比如是否发生早期逾期，连续多期不还欠款、联系方式失效等
2、信息关联排查，比如存量客户中是否有与新增的黑名单、灰名单数据匹配
小微商户的存量风险管理过程中，可以从数据合作方获取商户交易流水信息，对其交易流水进行监测预警，对于突然出现的资金流入、流出，不符合经营规则的交易流水下滑情况，正常营业的大额交易等，均可以触发预警；通过大数据实时监测，一旦在外部数据监测过程中发现客户的严重负面信息、公安违法信息、法院执行信息、税务缴税信息、行业重要新闻、借款人社交关系网中的重大负面情况、借款人的网络浏览行为、资金支付结算情况等，可以及时触发预警。

贷后逾期客户管理环节
还款意愿差和还款能力不足是客户逾期的主要原因，这个环节主要涉及逾期客户管理与失联客户管理
风控关键点：
1、催收模型、策略优化。不同客户对于不同的催收手段的不同反应，可以通过大数据来挖掘规律。比如对于一个几乎无上网记录的客户，发送电子邮件进行催收，一般达不到触达效果，采取语音提醒可能效果更佳；对于一个微博控、知乎控，同样内容的催收还款提醒文字，通过微博、知乎私信发送比通过手机短信发送的效果更好。
2、失联客户识别与修复失联客户信息。比如，与外部电商拥有的客户物流信息进行交叉核实，发现客户申请贷款时间提供的联系方式 与近期网购中使用的联系方式均无法匹配，则可能意味着客户更新了联系信息，这时就可以主动发起与客户的沟通及联络，避免客户失联的发生；对于失联客户，互联网积累的大量关联信息，能够为摸清客户的工作、生活、社交网络提供帮助。

资金流动性管理环节
流动性风险是P2P网贷平台的主要风险，跑路P2P网贷平台的一个重要原因就是发生了挤兑。大数据下的流动性管理其实是实时BI的一个应用。传统BI数据T+1，大数据是实时BI。
风控关键点:
整合平台所有借款端与投资端两端数据，从以下两个维度进行
1、资金维度
2、业务维度
更多细节见之前的一个回答
P2P平台流动性最重要的指标是什么？

放款环节
放款环节是防止账户接管与资金挪用的关键环节。
风控关键点：
指定账号资金划转与定向支付。比如，客户出于培训进修的学费借贷，在申请过程中就要求客户事先提供学校的相关账号。

小结
https://pic1.zhimg.com/50/ada69e2c68faec85e0f42a68e2fb78e7_hd.jpg

P2P大数据风控模型构建路径
https://pic3.zhimg.com/50/920c2ca74680b23405e3a72dc91155f3_hd.jpg