互联网金融风控模型，需要多大的数据

1、基于某类特定目标人群、特定行业、商圈等做风控

由于针对特定人员、行业、商圈等垂直目标做深耕，较为容易建立对应的风险点及风控策略。

例如：

针对大学生的消费贷，主要针对大学生人群的特征

针对农业机具行业的融资担保。

针对批发市场商圈的信贷。

2、基于自有平台身份数据、历史交易数据、支付数据、信用数据、行为数据、黑名单/白名单等数据做风控

身份数据：实名认证信息（姓名、身份证号、手机号、银行卡、单位、职位）、行业、家庭住址、单位地址、关系圈等等。

交易数据/支付数据：例如B2C/B2B/C2C电商平台的交易数据，P2P平台的借款、投资的交易数据等。

信用数据：例如P2P平台借款、还款等行为累积形成的信用数据，电商平台根据交易行为形成的信用数据及信用分（京东白条、支付宝花呗），SNS平台的信用数据。

行为数据：例如电商的购买行为、互动行为、实名认证行为（例如类似新浪微博单位认证及好友认证）、修改资料（例如修改家庭及单位住址，通过更换频率来确认职业稳定性）。

黑名单/白名单：信用卡黑名单、账户白名单等。

3、基于第三方平台服务及数据做风控

互联网征信平台（非人行征信）、行业联盟***享数据（例如小贷联盟、P2P联盟） FICO服务

Retail Decisions(ReD)、Maxmind服务

IP地址库、代理服务器、盗卡/伪卡数据库、恶意网址库等

舆情监控及趋势、口碑服务。诸如宏观政策、行业趋势及个体案例的分析等等

4、基于传统行业数据做风控

人行征信、工商、税务、房管、法院、公安、金融机构、车管所、电信、公***事业（水电煤）等传统行业数据。

5、线下实地尽职调查数据

包括自建风控团队做线下尽职调查模式以及与小贷公司、典当、第三方信用管理公司等传统线下企业合作做风控的模式。

虽然貌似与大数据无关，但线下风控数据也是大数据风控的重要数据来源和手段。