故意向大数据泼冷水插图在回答了阿里巴巴的风控相比较传统银行的风控有何区别?会更有优势吗? 这个问题后,有几位知友向我抛了几个大数据的问题,我都没回答,恳请原谅我,一方面是由于个人水平所限,另一方面其实还是个人好恶:当前国内的各种大数据,基本还是朦胧美,犹抱琵琶半遮面的样子。当然,这是纯感觉,敬请批评。

有人说,大数据可以搞营销,有人说,大数据可以搞风险,这都没错。我还称赞过支付宝用大数据搞的风险,相当不错。但支付宝的风险是因为大数据才不错吗?其实不见得,我更倾向于认为,是其搞风险的人,不错。

所以,问题是,大数据真的这么牛?有了大数据貌似某个搞不定的事情就搞定了,甚至起死回生?扯犊子吧!

再好的车也得人开。

我们可以把大数据描述成一朵花,但撑死了也是一朵花而已,骚人墨客的光顾,情侣枝桠下的野战,方可为其增色。俗话说,最高境界是人鸡合一,哦不,是人机合一。大数据仅仅是一个工具而已,忙忙碌碌得搞东搞西,拉项目,攒数据,建模型,号称大数据,但你的人专业不专业?

听来的一个故事。朋友是搞咨询的,做过某银行的一个项目,内外网风险事件分析。当时该银行采购了新一代智能UTM,号称基于大数据建模,各种高大上。双方高层会面之后好一阵扯,大数据的各种优势,咕咕噜噜。但等他们扯完去拼酒了,一帮干活的傻眼了,心说,再智能,再模型,也得靠人去分析UTM报出的各种风险事件,然后以此制定规则、修改规则,之后才是让这个大数据的模型运转起来,慢慢达到最优。

最后怎么干的?每天三个人专职搞风险分析,UTM默认规则全开,第一天N万的事件啊,先大体分组,再一条条分析,嗯,你没看错,是一条、一条分析,把一个事件分析透了再说下一条,这个过程涉及各种信息查询、各种部门交互、各种推诿扯皮,之后基于典型事件写分析报告,银行同意之后再改规则。三个月下来,分析报告积累了近百份,UTM的默认规则几乎全部定制化了,而风险事件每天也就几十个,上眼一扫全部明了,最关键得是,基于那上百份分析报告,朋友的团队帮银行彻底清洁了内外网啊。最后他们团队离开的时候,银行是强烈要求点赞的。

再说自己行业相关的事情。银行搞业务风险,也会碰到大数据,牛叉叉的国外厂商一般会说,我们的产品基于大数据,集成了自学习的风险引擎、可定制化的规则引擎,有N百条数据源、N百个预警项,通过优良算法得出风险值,总之,芭啦芭啦小魔仙~~~

但产品运营,落地维护,大数据模型跑起来,还得靠人!专业的人!其实所谓的风险引擎、优良算法,都不可能拿来直接使用,都需要不断调整(反馈),简单得说,就是要把实际生产中的一个个风险事件的人工评判结果做输入,让高大上的模型逐步去适应业务环境,然而,这是一个专业、而漫长的过程。知道一个case的判定需要经过哪些环节吗?需要多长时间吗?需要多少人工吗?需要哪些素质或技能吗?或者,需要哪些权限吗?这都是问题啊。

当然,日子还要过,该解决的问题仍要解决。我想要表达的一个观点是,大数据,诚然,或者说,或许,是一个好工具,但也同样需要“好”人。尤其是对于一些波动敏感的大数据模型,稍不专业的操作(输入)就会引起整个数据模型的持续震荡,正常业务还要不要搞啊……

呼吁热衷于搞大数据的朋友们,大数据要搞,专业的人也要搞,两手都要搞。其实,我们最终要拼的,不是大数据,而是人!

谢谢。

— 完 —

本文作者:飞熊道人

【知乎日报】
你都看到这啦,快来点我嘛 Σ(▼□▼メ)

分享到