A. 都说金融的本质是风控，那么金融机构的风险控制是如何实现的
有效管理来战略风险要求金融机自构更好地整合负责战略的利益相关者与风险管理；设立允许独立监管与策略质询的流程；运用前瞻性的风险管理办法培训风险领导人；以及实施方法体系以理解外部环境变化与不确定性如何影响关键业务属性。
金融机构需要进行灵活规划，包括分析假设情景，即考虑战略风险事件对收益及资本的潜在影响，以及如何应对。及时按照假设情景结果进行回应，需要足够灵活的风险基础架构能力。金融结构也应考虑确立特定战略风险（如地缘政治风险、经济风险与金融科技风险）的“负责人”，负责追踪并管理此类风险。
金融机构风险管理：灵活应对，优先处理首要问题
B. 大数据如何助力金融机构搭建风控模型
"MobTech是一家大数据智能科技公司，为金融机构提供不同场景下的解决方案。拿小额专贷款的案例来看，他属们的一站式风控建模大数据平台，提供数据匹配，特征筛选，模型迭代，自定义模型开发功能，模型管理部署，自动化模型上线API输出等产品服务；提供针对小额借贷，消费金融、车贷等场景的成熟特征，可定制化各类场景衍生特征；覆盖90%android设备。
可在云端轻松构建出独属于自己的数据智能解决方案，也可通过私有化部署，加强数据的安全性。
C. 优秀的互联网金融公司，都是怎么玩大数据风控的
现在一提起互联网金融行业、Fintech领域，人工智能、大数据风控的热度就直线飙升。许多交易规模比较大的互联网金融公司都在努力发展大数据风控技术，以构建提供普惠金融服务的能力。
那么，这些优秀的互联网金融公司，都是怎么玩大数据风控的呢?
陆金所：KYC 2.0系统
精准判断投资者的风险承受能力
陆金所自成立起就引进国际领先的第四代风险管理系统，借鉴平安集团经验，形成了成熟的风险管理数据模型。其近日又推出了KYC 2.0系统，力求通过大数据技术、机器学习以及金融工程等方法，建立完整的互联网财富管理平台投资者适当性管理体系，在资金端对投资者进行“精准画像”，并提供智能推荐服务。
据了解，KYC2.0系统在原有的保守、稳健、平衡、成长、进取五大类型基础上对投资者风险承受力评估结果进行量化，每位用户都会获得专属的风险承受能力分值，又称“坚果财智分”，对投资者风险承受能力的判断更精准。
点评：量化数据信息，进行大数据建模。
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，是风险评估最好的数据。
所以，陆金所以平安集团经验为基础运用到的大数据风控，使用的是围绕用户周围的信用数据，这些数据的特点是和用户的信用情况高度相关，可以作为一个重要因子进行录入，对其个人进行打分，再对其进行个体分析，最终得到一个综合评分，这就对用户进行了一个精准的风险承受能力评判。
民贷天下：拓宽数据维度
实现纯线上智能化服务
民贷天下基于稳健、安全、规范的风控理念，其风控部门确定了“风控从严”原则，设定了借款审查、贷中管理、贷后跟踪等风控流程。目前，民贷天下正全力推进全智能化建设，构造一个完整的、从资产端到平台端的全链路大数据风控系统，通过对人工智能、大数据分析、知识图谱、区块链等技术的运用，为平台运营及业务发展提供强大动力。
在传统数据之外，民贷天下还不断拓展数据维度，如在用户授权下，对用户社交数据、访问时间、相关认证、通讯记录等数据整合分析，并且与蚂蚁金服、芝麻信用、前海征信、同盾等第三方机构紧密合作，进一步丰富对用户的数据画像，使民贷天下的大数据风控系统更加精准，从而实现从客户申请、受理、审核、授信、放款到贷中贷后管理等纯线上智能化服务。
点评：拓宽数据维度，是对传统风控的补充。
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维度上，影响用户信用评分的信息较多，很多都没有引入到风险评估流程。而大数据风控可以提供全面的数据(数据的广度)，强相关数据(数据的深度)，实效性数据(数据的鲜活度)。
民贷天下利用这样的大数据风控，通过与第三方合作等方式，将内部数据以及原有数据打通和整合之后，就会影响风险评估结果，提升信用风险管理水平，客观地反映用户风险水平。这些多维度、全面的信息正是大数据风控的优势所在，同时也是对传统风控一个很好的补充，进一步实现智能化服务。
真融宝：以数据介质为主
构建数据和模型算法的核心技术
真融宝以数据介质为主，利用分布式计算处理数据，以公众互联网的全网为平台，以全网收集的数据来补充内部网集成的数据。并且在用户数据方面，对每个新进用户建立一份电子档案，对每名用户投资需求进行了解登记，并对每一笔资金进行多重备份，形成动态的用户资金数据。
除此之外，真融宝还利用大数据进行决策，将金融活动转化为智能数据处理活动，降低人为因素的干扰，提高风险评估、分析和预警能力，大数据提供的信息使得真融宝的决策更加科学智能化，对于风控的精准度控制起到非常大的帮助作用。
点评：数据和模型算法，可建立实时风险管理视图。
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，真融宝可以通过大量的数据累积，能够产生出非常有效的识别客户的能力，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。真融宝利用大数据的风控能力，实时输出风险因子信息，提高了风险管理的及时性。
一直以来，风控都是金融机构的生命线。从陆金所、民贷天下、真融宝这三家互联网金融公司为例，预计在未来，可能每家做借贷类的互联网金融公司都会发展出属于自己的一套大数据风控体系，并且随着互联创业公司的业务数据越来越大，数据基础会逐渐扎实。
D. 民间借贷如何实现风险控制
自古至今对于任何金融产品而言，风险控制是重中之重，控制金融风险不是靠政府的行政命令，而是需要信息的透明、准确的定价、借贷双方的自律、法律的惩处这四个方面。 浙江温州的借贷中心在这方面做得比较局限，借贷中心的功能和职责仅仅只是为借贷双方提供了一个撮合的平台，却没有相关的配套服务，也没有对于配套服务承担任何的风险责任，所以就对于平台上的违规做法没有相应的风险控制措施。从而导致功能单一，不能有效的做好监督和监控管理工作。 内蒙古鄂尔多斯在实行民间借贷方案方面有所有改进，由民间借贷登记服务中心以政府名义发起成立民间借贷协会这样一个民间服务机构，发挥行业协会本身所拥有的自律作用，配合政府设置的民众调解机构来调解投诉问题。并且设立由民间借贷协会发起、在民间借贷登记服务中心登记的民间借贷风险基金机制，建立起民间借贷风险处置机制和行业自救机制。从根本性质上分析，有点类似于保险的相关机制。 目前我国的民间借贷现状，必须要找到一条高效的、适应本土色彩的风险控制之路。目前从我国的基本国情来看，由政府建立和提供平台、撮合交易是最理想的方式，建立起对借贷双方、中介机构严格的风险控制，从而使进入平台者拥有值得信任的信用，是重中之重。
E. 银行和一些网贷平台怎样做信贷风控啊
一、坚持合规经营、规范操作
平台要严格遵照国家法律法规及监管制度，不踩政策红线。按照审批权限和申报流程进行授信业务的申报审批，确保授信业务贷前调查和贷后管理的工作质量；加强贷后管理队伍建设，配置富有信贷工作经验的人员充当贷后管理岗位，要确保做到先落实贷款审批条件再发放贷款，项目贷款资本金合法合规，抵押担保足额有效，信贷资金使用有跟踪监测。
二、风控团队专业能力过硬
一方面，平台自身的风控体系是一切业务的基础。首先是数据分析，根据数据挖掘，对逾期客户进行特征分析、产品盈利分析等；紧接着政策制定团队需要确定目标人群、设计借款产品准入政策、核批政策、反欺诈政策、催收政策等；最后制定出贷款产品政策，包括中台审核、前端营销、后台催收的各项政策制度。
另一方面，借贷流程中的每个环节都要做好具体的风险控制。网贷平台的借贷可分为贷前数据分析、贷中审查发放和贷后还款催收三个主要步骤。在贷前调查人员对借款人进行了财务状况分析、贷款需求研究、目标回报率和风险预估等基础工作后，审核人员需要判定借款人资料的有效性和真实性，结合决策引擎和评分卡等对客户做出是否核批的决定。催收人员则按照客户逾期时间长短，根据催收评分卡和决策引擎，对逾期客户进行催收工作。环环紧扣，相辅相成，才能实现高度严密的风控。
三、积极利用互联网大数据征信
长期来看，网贷行业走向合规及高水平是必然趋势，而具有覆盖范围广、人数多、数据真实、转化有效等特性的大数据征信必将在互联网金融领域发挥重要作用。运用大数据和信息技术，针对海量的信息数据进行过滤和辅助判断，可以有效降低金融风险。征信数据集合基础上的互联网化审批，直观呈现用户信用状况的信用评分、过滤有潜在风险客户的行业关注名单，可以帮助平台对借款人的信用做出更准确的判断，通过一系列量化的参数，有效控制信用风险。此外，对平台来说，巧用大数据征信还能有效提高审批效率，降低风控成本。风险预警网收录海量各级人民法院判决文书、企业/个人案件信息、法院执行信息、税务信息、行政执法信息、催欠信息等并每日更新。信息完整,内容真实,查询简便，实时查询企业的工商变更、经营异常、开庭公告、裁判文书、失信信息、网贷逾期信息，环保执法信息，股权出质、动产抵押、股权冻结等信息，帮助用户及时掌握企业异常情况。同时为商业银行、P2P、小额贷款、电商金融、消费金融等小微金融机构提供大数据驱动的信贷风控决策服务
F. 如何利用大数据做金融风控
大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。
金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。
传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。信用相关程度强的数据 纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人 的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。普惠在线
互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还 款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用 风险之间的关系。
互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。
常用的互联网金融大数据风控方式有以下几种：
验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。
如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通／公安局 API接口，将申请人实时拍摄的照片／视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。
其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。
分析提交的信息来识别欺诈
大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往 往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相 同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。
如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。
分析客户线上申请行为来识别欺诈
欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。
企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于 正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请 人，欺诈比例和违约比例较高。
这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。
利用黑名单和灰名单识别风险
互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20％左右。
市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。
黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为，参考价值有限。另外一个主要来源是催收公司，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。
灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷，申请人在多个贷款平台进行借贷。总借款数目远远超过其还款能力。
黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分，很多互联网金融公司不得不接入多个风控公司，来获得更多的 黑名单来提高查得率。央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单 是用真金白银换来的教训。另外如果让外界知道了自家平台黑名单的数量，会影响其公司声誉，降低公司估值，并令投资者质疑其平台的风控水平。
利用移动设备数据识别欺诈
行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。
欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起 申请贷款。欺诈设备不安装生活和工具用App，仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件。
欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久，所安装的App版本都很旧。这些特征可以识别出一些欺诈用户。
利用消费记录来进行评分
大会数据风控除了可以识别出坏人，还可以评估贷款人的还款能力。过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入，例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。
按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。这种情况，就需要消费数据来证明其还款能力了。
常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式。例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费，游艇俱乐部会员费用，奢侈品会员，豪车4S店消费记录等消费数据可以作为其信用评分重要参考。
互联网金融的主要客户是屌丝，其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。
参考社会关系来评估信用情况
物以类聚，人与群分。一般情况下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，
参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（不超过6六个人）的信用评分，去掉一个最高分，去掉一个最低分，取其中的平均值来判断借款人的信用。这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。
参考借款人社会属性和行为来评估信用
参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右的贷款人违 约率最高，30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人，其贷款违约率低；声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率 高；贷款次数多的人，其贷款违约率低于第一次贷款的人。
经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。
午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式，填写简单信 息的人，比信息填写丰富的人违约概率高20%。借款时间长的人比借款时间短短人，逾期和违约概率高20%左右。拥有汽车的贷款人比没有汽车的贷款人，贷款 违约率低10%左右。
利用司法信息评估风险
涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。
寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在 赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。另外中国有些特定的地区，当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者 移动设备位置信息涉及这些区域，也要引起重视。涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有 收入，这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别。
总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。
G. 在金融公司工作的人来说说风控怎么做。
风控并不是个新职业，不过近几年它的发展势头变得越来越好。无论在传统金融还是互联网金融领域，它都成了一个紧俏的职业。这跟近几年金融领域形态的多样化有关，用户对于风险控制变得越来越关注。
总体来说，风控岗位涉及到的工作包括业务审查（业务发生前的审核，通常未通过审核，业务不能执行）、风险监测（业务发生后的持续风险监测，包括预警及应对等）以及业务综合管理（数据的统计分析等）。
一、工作内容（在银行、保险、信托、期货、P2P互联网金融平台内部，风控的工作侧重不尽相同。）
1.银行
相比其他类型的金融机构，银行的风险管理部门更为成熟。“巴塞尔委员会”1988年7月制定的《巴塞尔协议》里为全球商业银行确立了明确的风险管理标准，确定了管理哪几类风险。尤其对怎么管控信用风险、市场风险、操作风险说得非常清晰。
贷款业务是占银行风控日常工作比重最高的一类业务。处于中端的风控部门往往在客户阅读贷款细则时就开始进入风险审核，看贷款对象的个人风险评估是否符合要求，经过风险评估后的业务才会被提交到更高管理处审批—也就是说，风控的工作存在于交易的过程中。
银行风控的这种运作方式也成为许多金融机构风险管理的母本。比如保险行业大多是参照银行的做法。
2.期货、信托、小额贷款、融资租赁企业
从风险管理的角度来说，期货、信托、小额贷款、融资租赁企业都算是比较新兴的类型。它们的风险管理以风险为核心，侧重信用风险、操作风险、市场风险、交易对手风险等等。
这些行业的新兴之处还体现在业务的复杂和创新需求上。比如信托，以房地产作为信托产品和以汽车作为信托产品是不一样的，某种程度上来说每个项目都需要开发一套创新的金融产品。当一个创新产品出来的时候，这个产品是不是能变成一只基金，或者变成某一种产品推到市场上去，它们的风险管理部就要进行审核。这种情况下，风险管理部需要判断这个新产品的风险是否可控？风控敞口有多大？万一出现问题，项目坍塌了，储户或者是投资者来向公司要钱时，刚性兑付的资金压力有多大？有多少可能性这个项目就有多少可能收不回来钱？
风险管理部对于新产品的审批意见非常重要，如果风险管理部或风险管理委员会不批的话，这个新业务真的可能会被否掉。这是一个权力很大的部门。
3.网上个人信贷（P2P）
相对传统金融领域来说，P2P还处于初期阶段，因此风险管理工作可能并不是很完善。有一些企业在做这类金融产品的时候，可能只是从金融企业挖一两个人来就开始管理风险，他们的风险管理主要集中在信用风险审核。
二、岗位要求（论传统金融还是互联网金融，风控都算是一个硬性技能要求比较高的岗位，但根据工作内容的不同，对公司人的要求也有所不同。）
在传统金融领域及P2P中，金融行业相关的知识和经验是很重要的。
对于毕业生来说，尽管大部分金融机构和企业都抱着一种“反正都是白纸，我可以用我们的体系来培养”的观念，但如果是金融专业同时具备一些比如FRM金融风险管理师、CFA特许金融分析师等专业证书会更有竞争力。
对于社会招聘来说，风控人才主要来自两个渠道，一个是从其他类似机构找人；另一个则来自于大会计事务所或咨询公司，后者出来的公司人往往有一些金融企业审批或企业风控的外部服务经验。
三、工作状态及挑战
不同类型的金融机构及企业的风控因为其职能的不同，所呈现出的工作状态会有所不同。
通常，一些大型银行的风控部门由于业务稳定，规模较大，人员充足，因此工作负荷不大，属于行业中工作压力较小的部门。不过一些跨国银行的风控职能往往集中在国外总部或区域中心，中国的风控部门更多地扮演执行的角色，个人的能力体现和成长空间都会受到一定的局限。
在一些大型金融机构，风控的工作重点在于如何将领导的风险偏好转化为合理的风控工作指标，凸显自身价值。
一些中小型金融企业，以及非银行金融机构的风控，由于业务类型复杂、创新性高、变化大，原本就不够充沛的风控人员，往往需要承担更大的工作负荷。这类风控人员的职能压力往往来自于不仅要控制风险，同时还要提高工作效率，即：不错杀好项目，不漏杀坏项目，同时也不能延误业务时机。这种时候还有可能受到来自业务部门的压力，如何在业务发展和风险管理之间找到平衡，如何在压力下，坚持风控的专业判断，都是一个好的风控人需要考虑的。相对来说，这类企业的风控人员压力更大，能力的提升也更快。
不管是传统金融还是互联网金融都面临着不断发展和迭代的挑战，这使得风控人员必须保持很强的学习能力和好奇心。
四、职业发展方向
在大部分金融机构里，风控岗位的职业晋升往往通向首席风险官，最终可能成为银行的副行长，或是其他金融机构的副总经理，主要还是偏重风险管理和控制类的工作。
五、薪酬状况
根据统计数据表明，在金融行业各职能部门的薪酬涨幅里，尽管中后台部门仍然没有前台部门的15％高，大约在5%至10%之间，不过风控在中后台其他职能部门中算是涨幅比较高的。
之所以能有这样比较有优势的涨薪，主要有两方面原因。原因之一在于人才贮备不足。过去很多人都没能认识到风控工作的重要性，所以大家不太愿意入行，另一方面这又是一个需要专业技能的工作，因此整体而言从业者不多。原因之二是因为这两年互联网金融发展非常迅速，大大小小的P2P平台的出现催生了风险控制人才的需求。加上银行、保险、期货、信贷、小贷、小微贷、PE、VC这些行业本身也都有很大的风控人才需求，所以使得这类人才出现缺口。这些企业之间的人才竞争也把风控人员的收入拉到了一个比较高的位置。
从具体行业来说，银行业风控的薪资涨幅平均在5%至10%之间；保险业相对平稳，因为保险业圈子狭窄，风控流动率较小，薪资涨幅不大。证券基金业内中资外资风控的薪资涨幅有非常大的差异，所以没法得出一个明确的参考标准。P2P行业的风控人员大多是来自银行或是同行业。在跳槽的过程中，他们的薪资会得到一个比较大的提升，增长幅度可达30%至50%。
从区域上来说，风控人员的需求主要集中在一线城市。二三线城市需求量虽大，但薪酬偏低。
一线城市有5年到10年经验的银行风控人员平均年薪在30万到60万元之间；保险业有10年以上工作经验的风控在外企的薪资约为70万元，在本土企业为60万元；证券基金业有5年至8年工作经验的风控经理在本土企业的年薪一般在30万至80万元之间
H. 互联网金融借贷平台都怎么做风控的
中国互联网金融风控一般都是线下专业风控团队进行风控的，像精融汇，借款需求都是由专业风控团队把关，针对每个贷款客户，都会进行线下考察、资料审核、背景调查以及还款能力测试等，确保融资项目的真实可靠性，然后再移植至线上让投资人进行投资
再看看别人怎么说的。
I. 好多平台都在发展金融科技，到底科技风控是怎么保障我们出借人资金安全的
平台风控严谨了，自然就会帮出借人筛除威胁资金安全的因素了啊。风控体系可以作用于贷前、贷中、贷后不同阶段，帮助出借人筛除不良资产。咱们以搜易贷的“风刃系统”为例讲一下吧。
贷前：系统从反欺诈和信用评估的角度，结合客户基本资料以及包括互联网金融协会在内的十余家第三方征信平台提供的客户征信信息，综合分析数百个特征变量，给出贷前的风险决策参考。在借款人授权下，通过大数据构建用户关系图表，梳理用户现有社会关系，在新用户与现有用户之间建立关系连接，实现群体申请用户之间关系的构建及预警。在获客管理上通过筛选用户来源渠道及用户特征聚类的实时分析，去寻找正常人群中可能存在的小部分的异常人群，从而防范骗贷行为。
贷中： 实现实时信息的共享，对信息变化进行及时跟踪，了解借款人的资信情况。根据全数据、全流程的风险监控，一旦发现异常及时反馈到流程中的节点。
贷后：从放款开始即进行策略性的贷后监控，在风险即将发生时及时进入贷后管理流程。在贷后实现了智能化催收，包括：自动监控、语音提醒以及策略性使用自动语音催收，有效降低贷后成本、提高回款率和覆盖率。根据贷后表现，分析用户贷后数据绘制关系图谱，整理数据并关联用户标签，使用逻辑回归、支持向量机、人工神经网络等机器学习算法，更新迭代评价模型，并将其应用到贷前审核中。
J. P2P 平台都怎么做风控的
风控就是所谓的风险控制能力，是网贷平台的核心。一般来说，现在P2P平台都拥有一套完备的风回险答控制流程：1.严格的贷前信用审核；2.平台二级严格审核评分；3.分散匹配的优质债权，确保投资资金安全；4.和保险机构、银行合作，建立资金投资安全保障计划。