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)