不同的P2P平台会有不同的解答，作为一家金融大数据公司，量化派致力于通过基于机器学习和互联网化的风险定价，整合互联网及传统数据源，运用欧美成熟的量化方法及金融经验，帮助个人及小微企业证明经济财务等状况，从而快速获得低成本贷款，实现低息快速融资的大众普惠金融。

网贷平台经常说自身的风控水平十分先进，但是谈到风险控制，银行在这方面的经验明显应该更加丰富，那为什么银行坏账率那么高，网贷平台却都宣称比银行低呢?事实上，由于优质项目的资金对接渠道不同、内部机制的不同。网贷平台对于风险管控的力度其实远比银行来的大，这也是为什么在一些主流大平台，逾期率或者坏账率都要明显低于银行数据的真正原因。那么如何去理解风控，特别是P2P行业的风控呢，结合搜集到的资料，稍微谈谈自己的想法。

为什么要做风控，你可以说出无数的理由。

但对于以盈利为目的的公司来讲，无非就是在风险与收益之间寻找平衡。

现实中，风险和收益总是形影相随的，收益是以风险作为代价，而风险则用收益来做补偿。投资经营的目的是为了得到收益，但不可避免地，必须面临风险。

那什么是风险？

风险就是不确定性。

比如说，喝一杯烈酒有的人会觉得舒服，但也有人难受。喝半瓶大多数人都受不了，有的还会因此住院。只有少数人觉得舒畅。喝三五瓶基本都扛不住的，但也会有人能抗下来。这就是不确定性。这里涉及到一个问题，大家喝的都是酒，但有的人能喝，有的不能，这是讲的是风险收益。

但，如果你喝的是敌敌畏而不是烈酒呢？

你必死无疑。

到底喝死了的几率有多大？怎么喝酒会喝的多又舒服？具体到小额信用借款领域来说，如果你借钱给有稳定工作的人，他逾期坏账的几率很小。但如果你敢借钱给一个无赖，基本上就不需要风险管理了，因为他99%会还不起钱。

在这个角度上看，喝酒多少还是次要的。重点在于，不要喝翻了。

更重要的是，不要喝敌敌畏。

风控管理说到底：其实就是对不同的风险进行评估。

我们要管理一件事情，通常要能够做到一定程度的评估，就是说需要做一个衡量。很多人其实不清楚一件事：风险管理与风险控制是不同的。当有人跟你说需要你控制风险，其实他是希望风险都不要发生；但风险管理就不一样了，它是指需要你在风险与收益之间寻找一个平衡点，让盈利最大化。

那么，问题来了，风控一般怎么做？

风控是怎么一个流程呢？小量老师手把手教你风控怎么玩。

▲一张图教你看懂风控

1、线上数据审核

客户找到P2P，当然是希望能够成功获得借款，那么从公司的角度来说，就需要通过信贷政策来审核客户信息。大公司通常会根据积累的客户数据和经验开发他们自己的信用评分系统，常见的有蚂蚁金服的大数据（主要是淘宝商户数据）、FICO信用分、央行的信征、银行自有信用评价记录（陆金所）、线下信贷信用记录（宜信）。普遍来说，互联网的P2P公司，除了比较特殊关系拥有较好的数据源（比如陆金所和平安、蚂蚁金服和阿里、宜人贷和宜信）其他的都做的比较一般，特别是纯线上的P2P，数据这一块比较虚。

2、信用审批

对于信贷审批，一般流程是这样的：先是在反欺诈的系统中进行一次过滤，对客户信息进行核查，并进行预筛选，然后审批人员再次对客户的身份信息、收入及工作信息进行核查。这一步恰恰是目前许多网络P2P公司的死穴，因为许多的线上P2P公司是没有专门的信审部门的。特别是做纯线上的信用借贷，这个环节非常薄弱。

这里，最忌讳的是对所有客户的一视同仁，分类分级尤为重要。比如一个客户如果上周才完成借贷，由于还没有完成一个完整的还款周期，是不可能有坏账的；但如果客户已经有5年信用记录没有出现逾期，就证明他拥有非常好的信用资质。谈到这里，不得不承认，信用审核事实上很难完全被自动审核取代，这里涉及到许多的人工干预环节，反欺诈的判断，需要大量的行业积累和规则经验的积累。这是许多纯线上的P2P公司无法逾越的技术壁垒。

3、账户管理、逾期催收等

信贷业务不可避免会有一部分客户出现逾期及坏账，这就需要催收。

催收有不同的策略。采取不同的催收策略，能保证总休的风控水平。每月追踪，若有任何凤险信号出现，立刻调整信贷政策。催收这块行业内做得好的一般都有自己的催收团队（楚商、宜信），还有一种模式就是把催收业务整个打包出去（人人贷、拍拍贷）。

以上三个环节就是一个大致的风控流程，涉及到贷前、贷中、贷后三个阶段。

具体到风控规则的细节，还有一些结合移动互联网在征集客户的信息及资料时进行一些规则判断，比如基于LBS的安全规则判断，基于追踪cookies的行为逻辑分析。当然，用户信息并非越多越复杂才越好。试想一下，真正条件好的客户，其实多半不会刻意准备的特别完备和细致。相反，那些信用记录不是很好或本身有问题的客户，才会拼命收集资料来满足申请贷款条件，这就会造成反向的选择。

总而言之，既要保证喝酒舒畅，不会翻船。又要保证喝不到敌敌畏。作为优秀的风控，其实都有一套自己的判断逻辑。

P2P平台的风控逻辑是什么？

P2P是一种跳过银行间接贷款融资模式的一种在借款人和出借人之间直接发生借贷关系的业务模式，那么理解P2P的风险是什么就很简单，就是借款人不能偿还借款的风险。但是无论哪个借款人总会有偿付不了借款的可能性（或者叫概率），所有金融类公司的业务模式都是建立在会发生坏账的前提下来运营的，只要收取的借款利差（即向借款人收取的利率减去出借人收取的利率）高于员工和办公成本加上坏账的成本，这个公司或者P2P平台就能持续运营下去。有坏账并不可怕，只要你对于借款人群有风险定价能力。

打个简单的比方，借给1000个人每人1万的借款，这1000个人里面有2%（20个人）坏账了，那么你的坏账成本就是20万，如果问这1000个人收了10%的利差，利差收入是100万，除去员工和办公成本后，还是能够盈利的，但是如果你审批通过放款的这1000人里面有10%的坏账（100个人），那坏账成本就是100万，显然利差收入是覆盖不了公司所有成本，那么长此以往这个平台就会倒闭。

但是如果P2P公司在审批通过这1000人借款请求的时候，当时就能判断这批人群的坏账概率在10%，那么你也可以定更高的利差（比如15%，而且这些人由于在其他更低利率的银行那个得不到借款，因此能够接受这更高的借款成本），那么150万的收入也能够覆盖坏账和其他成本了，这就是说明这个业务模式的核心在于，对这些借款人群的违约概率判断非常重要，也就是我一再强调过的这个业务模式中团队自身的风险定价能力是最重要的，只要这个做的好，其他都是次要的。

因此题主的问题非常好，其实这才是目前P2P投资人最需要关注的问题，而不是其他一些什么有没有担保公司担保，或者借款有没有抵押物等等。最近有一家深圳担保公司旗下的旺旺贷跑路，更是验证了这一点。

结合我们团队在这个行业的经验，我来谈一下我们认为这类小额无抵押借款审核到低应该采用什么样的风控模式。

首先，坚持“小额分散”。先说一下”分散“在风险控制方面的好处，是能够保证借款主体还款概率的独立性，即借款的客户分散在不同的地域、从事行业、年龄和学历等等，这些分散独立的个体之间发生违约的概率能够相互之间保持独立性，那么同时发生违约的概率就会非常小。比如100个独立个人的违约概率都是20%，那么随机挑选出其中2个人同时违约的概率为4%（20%×20%=4%），3个人同时违约的概率为0.8%（20%^3），四个人都发生违约的概率为0.016%（20%^4）。如果这100个人的违约存在相关性，比如在A违约的时候B也会违约的概率是50%，那么随机挑出来这两个人的同时违约概率就会上升到10%（20%×50%=10%，而不是4%）。因此保持不同借款主体之间的独立性非常重要。前几年金融危机的时候，浙江外贸企业都亏损，那么在这类企业的员工借款能力就受到影响，但是不会影响到在贵州的白酒类企业员工的还款能力。

但是如果借款客户都集中在某个行业或者某个区域，就很容易受到一些事件的共同影响，比如借款主体都房地产企业，那么在房地产价格下行的时候，不同房地产公司的还款能力都会受到影响，虽然他们自身的违约概率还是20%，但是2个或者3个主体同时违约的概率可能会上升到20%。这也是为什么我们不做抵押类大额借款的原因，因为抵押物一般都是房产或者土地，这样在房地产价格下行的时候会面临很大的系统性风险（并且，虽然许多抵押物具有“价值”，但其“价值”很难处置转为现金（比如房屋有租赁协议，法律上讲买卖不破租赁，就很难拍卖，或者根本没人买），也就是为什么那么多业主宁愿跑路也不会卖厂、卖库存来抵债）。美国前几年的金融风暴，其根源也是房贷客户之间违约概率存在很高的相关性，因此在房价下跌的时候，其同时违约的概率远超历史数据，也远超了投资这些房贷为基础的次级贷款债券的投资者的预计（这也是所有金融市场涨涨跌跌的原因，即真实情况超过了大家的预计，而投资者在前期没有争取更高的回报要求来做到风险补偿）。

再谈谈“小额”在控制风险方面的重要性，就是能够避免“小样本偏差”。举个例子，如果一个平台一共做了10个亿的借款，如果借款人平均每个借3万，那么是3.3万个借款客户，如果借款单笔是1000万的话，那就是100个客户，大家知道统计学意义上的“大数定律”法则，是需要在样本个数数量够大的情况下（超过几万个以后），才能越来越符合正态分布定律，统计学上才有意义。这样如果坏账率都是2%的话，那么放款给3.3万个客户，其坏账率为2%的可能性要远高于仅放款给100个客户的可能性，因为有可能这100个客户存在小样本偏差，而导致坏账比较集中达到10%甚至更高，这就是统计学意义上的”小样本偏差“的风险，对应到p2p网贷上，那些做单笔较大规模的借款的网站风险更大。

其次，用数据分析方式建立风控模型和决策引擎。因为上面提到的要将借款做成平均单笔10万以下的小额借款，那么借款客户数量会非常多，如果用和银行类似的实地考察、模拟还原企业现金流量表、盘点企业存货等方式，那么做一笔小额业务的成本会非常高，也会导致这个业务不能持续（因此很多P2P网贷平台做大额借款，因为做一笔1000万的大额借款的审核成本和做一笔10万小额借款类似，但是前者收入是后者的100倍，但是做大额借款的问题如前所述），因此需要另一种审核模式，即采用类似国外信贷工厂的模式，利用风险模型的指引建立审批的决策引擎和评分卡体系，根据客户的行为特征等各方面数据来判断借款客户的违约风险。

客户的违约风险包括两个：还款意愿和还款能力。还款能力审核主要通过可验证的个人可支配收入和每月还款金额的比较来进行，还款意愿的影响因素包括年龄、从事行业、婚否还是离异、租房还是自有房、学历等等因素，甚至不同星座、血型的人，其还款意愿都是不一样的，如何根据个人的不同行为特征等数据来建立评分卡，判断其还款概率，是风控的核心内容。决定还款意愿的主要因素是客户的违约成本，举个例子，你借给一个客户10万块钱，他可能不会因为这10万块钱而跑路，因为他的跑路成本，从新建立生活圈子，从新找工作的成本不止10万。但如果你贷给他100万或500万，他可能就真的跑掉了。

另外，大家可能觉得收入高的人还款可能性也大，其实实际情况刚好相反。因此风控的核心方法在于，通过研究分析不同个人特征数据（这就有点类似大数据分析，因为一个人可以分析的维度超过5-600个，而美国的ZestFinance甚至称其分析维度超过4000个）相对应的违约率，通过非线性逻辑回归、决策树分析、神经网络建模等方法来建立数据风控模型和评分卡体系，来掌握不同个人特征对应影响到违约率的程度，并将其固化到风控审批的决策引擎和业务流程中，来指导风控审批业务的开展。

大数据分析的例子在很多行业已经开始应用，比如Google搜索根据你浏览以往网页的习惯和偏好，会在右边摆放可能会吸引你点击的广告页面，淘宝也在用，每个人上淘宝页面看见的内容都是不一样的（这个你可能还不知道吧），因为他们会根据你以往购买商品的类别来摆放你可能会购买的内容。

在金融业内，美国的Capital One是最早利用大数据分析来判断个人借款还款概率的公司（没有之一哦，Capital One被誉为金融行业的Google。因此在金融海啸中，Capital One公司得以存活并趁机壮大起来，现在已经发展成为美国第七大银行，而我们量化派创始人CEO周灏就是来自Capital One的资深统计师。）。

通过数据分析来建立风控模型，固化到决策引擎和评分卡系统，建立信贷工厂模式的风控审核系统，对于小额信用无抵押借款类业务的好处包括两个方面

1.决策自动化程度的提高，降低依靠人工审核造成的高成本

2.解决人工实地审核和判断所带来审核标准的不一致性问题

可能有人要问，前面提到的”小额分散”的风控原则有那么多好处，那么为什么目前不少P2P网贷公司做的都是超过几百万和几千万规模的大额抵押类借款呢？主要是因为目前国内绝大多数的P2P公司都没有掌握建立大数据风控的能力，因为一群没有吃过猪肉，没见过猪跑的人，是画不出猪来的。大额借款的爱投资等P2P公司，使用小贷和担保公司传统的类似于银行贷款风控的靠人工审核、实地调查、判断存货的审核方法，只能够适用于几百万以上的借款，如果单笔借款规模太小，在成本上是没有办法做到持续经营的。但是另外一方面，由于这类业务和风控手段和银行类似，优质的企业客户已被银行获取，剩下的企业客户其风险相对较高，资质也相对较差，因此如果P2P公司开展的如果是银行类似的抵押类业务，和银行在同类业务上竞争，长期来讲，由于银行的低资金成本，规模经济优势，国家隐形信用担保等因素，是很难竞争过银行业务的。

除了上面提到的风控审核成本影响以外，依靠人工实地审核的小微借款模式还存在一个问题就是在各个地区审核标准会不一样，因为如果风控过程中过多依赖人来判断，那么就会因为每个风控人员的技能、经验、理解等因素不一致而造成坏账，香港有一家财务公司在中国各个地区开了40多家小贷公司，采用各地公司风控人员当地审核模式，后来发现坏账难以控制，因为一套标准化的审核模式，在各地落地执行的时候会由于人员素质、每个地区的不同情况（中国不同地区企业的差异非常大）等发生很大的扭曲变形，因此不得已后来逐渐转变成总公司总部审批的模式。