牛宝体育

　　现在搞大数据的特别火，但是说实话，懂大数据的没几个。有些搞大数据风控的，你看他们的招聘信息上，要的居然是同时懂数学软件和风控的。别的不说，最懂风控的人是即在信贷一线跑了多年，又在总部做过多年风控政策的，这种人本身就很少了，还要指望这些天天跟业务打交道的人懂编程？再看这些招聘要求，迷信数学建模的就要找懂神经网络的，迷信高科技的要找做机器学习的。我说要是这些公司规模有多大，要搞什么前沿研究，这么做还行，都是些新成立的小公司，这是要逆天还是对数学和计算机技术有什么误解？

　　现在很多人搞的大数据是什么玩意儿呢？有段时间我看到一个关于《上古卷轴5》的笑话大数据，在手机上搜了搜，然后手机百度上首页就不断的给我推各种游戏新闻，如果我不搜其他东西，它就能给我一直推下去，最后我把手机百度卸了，改成了火狐。

　　这些人做大数据的思路就这么简单，现在的互联网金融公司，总想着用一个足够高端的、复杂的数学模型，从一大堆数据里分析出哪笔信贷业务风险高，哪笔风险低，这属于根本不懂风控的人搞出来的。

　　其实大数据风控的核心在于数据获取，而不在于风控模型。举个例子，个人小额信贷，我调查过的一家公司是这么做的：先买通了电信，让他们可以查询任何一个号码的通讯记录，然后从网上爬虫，爬下来一大堆小贷公司的联系电话组成一个黑名单。然后当有人申请贷款的时候，查询这个人的通话记录，凡是在一段时间内多次和不同的小贷公司的电话号码通话的、或者他频繁联系的其他号码里有人多次和小贷公司联系的，他们就认为是不合格客户，拒绝放贷。

　　你看这个逻辑很简单吧牛宝体育，而且牛宝体育模型也简单的连中学生都能做，就只看客户和黑名单里的电话的通话频率就行了。就这么简单的一个东西，测试几个月，放贷几千笔，没有一笔坏账，这个水平在信贷业务里算高到恐怖了。当然，还有可以加强的地方， 如果换我去的话，我会再想办法和社保医保打通，通过社保医保的缴费情况、缴费单位、和报销记录，来衡量这个人的就业情况和健康情况。这里面的核心都不是建模，而是你如何选择关键数据，以及如何获得关键数据。

　　通过一堆杂乱的数据，用非常高超的建模，实际上也达不到这个效果。另一方面，是资本在推动产业，对于资本来说，能用钱解决的问题都不是问题。从电信获得特征数据就是用钱能解决的问题，但寻找一个特别高超的建模师，就不是资本能解决的，因为资本没有能力识别谁的技术高，谁的技术低。

　　单纯通过数据在各种软件上跑是不能解决问题的，表面上看能拟合出一个非常好的曲线来，实际上这样建模的人只是在重复以前的经验，自己都不理解自己做的模型里每个函数背后的意义，结果经济环境不变的时候没问题，经济环境剧变，正是需要准确预测的时候，模型反而失效了。信贷这行业，一旦风控出了大问题，那是辛辛苦苦二十年，一夜回到解放前。因为放贷的利差才百分之几，就算牛宝体育5%，也要做20笔，才能抵得上一笔坏账。遇到环境剧变牛宝体育时，模型失效，基本上就意味着破产了。

　　所以，以后真正发展起来的大数据风控，其实是大数据监控，而不是大数据预测。选取最合适监控的数据大数据，然后用人脑去分析监控的结果，而不是把数据往自己都搞不懂的数学模型里塞，然后就指望另一端输出一个正确结果出来。

　　要知道选那些数据监控最合适，耗费人脑力最少，就需要经验非常足，长期接触贷款客户的风控人员才能明白。国内大多数风控是不跑一线，不到客户现场调查的，本身对于风控的理解就不足，并且国内懂风控的往往不懂建模、懂建模的没搞过风控，但至少比寻找风控、建模、编程三者兼具的人容易多了。资本往往会寻找砸钱解决问题的途径，而不是依赖天才解决问题。

　　机器学习其实也是一样，机器只是用来处理预设好的，有边界的问题，人脑的优势在于可以不断从边界外寻找解决方案。怎么打败AlphaGo？直接拿把斧头把它的机房砸了就行了，拉闸更简单。所以一群人去算计另一群人的时候，不能直接用计算机的思考结果作为指导，因为你不知道被算计的这群人会不会按规则来。现实商业不是游戏，没有一定的条条框框，计算机只是辅助人思考，而不是替代人思考。

　　但机器学习给了一种可以替代人思考的幻觉，而所有归属于机器类的东西，都可以用砸钱解决问题。这个幻觉必然误导资本对于机器学习的利用，最后被坑死在幻觉里。