在金融风控领域，数据有五个属性，
1、人口属性
性别，年龄，电话号码、姓名、家庭住址，主要是为了怎么找到这个用户
2、消费特征
电商用户经常买什么，在什么时候买东西，每个月消费多少，可以间接成为信用评分
比如有的客户每个月可以消费几千块，买的东西也是中高端的商品，其实是可以进行一个小额放贷的
3、兴趣爱好
微博上的发言，经常上什么网站，就可以判断出这个人是否经常出去旅游，爱好汽车
4、信用属性
收入的情况，资产的情况、职业、负债、学历、工作、信用评分
5、社交属性
通过用户的朋友圈行为，如果一个人经常出入一些商业区、住宅区可以判断这个人的授信额度情况
可以判断这个人是否经常换工作，比如半年经常和这一些人交流，另外一段时间就换了工作换了朋友交流

可以将大部分的数据分到这五个类别，最重要的是 人口属性和信用属性来决定授信额度。
要基于业务模型来决定需要哪一些数据，数据是服务于业务和风控模型的

金融风险主要分为
1、信用风险：借钱不还，有钱不还，还款能力和还款意愿
2、欺诈风险：很多互联网金融公司早期面临的主要挑战就是欺诈风险，欺诈风险主要发生的原因有以下几点：
（1）用户数据被泄露，就会有用户来冒充其他用户
（2）风控缺失、业务上有漏洞，很多互联网公司没有经验面对这些风险，银行已经有很多经验，所以很多羊毛党都来到互联网金融公司薅羊毛
（3）大家信息是不对称的，所以羊毛党能够在这里骗了之后到另外的地方骗，羊毛党抓住了业务的漏洞
（4）黑色产业链，金融诈骗集团的出现

第三方支付中的一些主要的风险：
1、盗卡，盗刷，因为支付机构都是持牌机构，为了保护声誉，一般会全额赔付
2、串谋骗贷，比如去美容，就会有人直接贷款到美容院
3、多头借贷，多家平台全部都去借
4、账号欺诈

移动互联网时代，大家都是用手机完成交易行为，一般都是手机验证码通过验证，但是欺诈分子会通过×××拦截手机验证码来通过验证。

要知道欺诈发生在什么地方，才能有效预防风险。
主要依靠大数据风控模型落地

一般的风控模型：
1、身份验证模型
2、信用评分模型
3、行为评分模型
4、欺诈模型
5、第三方支付的有套现模型，虚拟交易模型（最容易出现洗钱套现）
6、还款意愿模型
7、判断是否会过度借贷
8、马甲养号识别模型

传统金融机构是如何做风控的：
1、传统金融机构会要求提供很多凭证
2、传统的金融机构没有消费特征数据等数据的优势

要判断是否是用户本人的真实意愿
需要在设备层面做欺诈风险的防控，手机需要绑定，换了手机需要认证
在登录账户的时候，需要人工验证，比如手动滑动。
指纹验证，人脸识别

建立防范欺诈风险引擎
1、建立风险特征库：非常驻地点、非常见行为
2、基于反常行为，建立风控专家规则集
3、利用规则集建立机器学习模型，让规则集不断完善