消费金融大数据风控，在各家公司所处的不同阶段、审批标准各不相同。

　　在传统金融机构的信贷审批中，早期主要依赖于信贷员的专业经验，效率相对低下，且信审标准因人而异，客观性和科学性不足。在这种模式下，普通消费者想要借到钱，不仅要花费较高的时间成本， 还要准备各种纸质资料，还有可能需要托门子、找关系，欠下各种人情。

　　伴随着评分卡的兴起，传统金融机构逐步加入自动化的批量审贷。然而，由于评分卡模型主要依赖于客户的信贷数据，对于没有信贷记录或者信贷历史不够长的客户来说，难以获取相应的金融服务。同时，评分卡模型审批规则相对简单，很容易被欺诈团伙破解，这就给那些团伙欺诈分子留出了钻空子的机会。

　　随着互联网、大数据、征信等行业的发展，得益于机器学习和大数据模型，无抵押无担保的消费信贷审批在自动化审批方面愈发高效。

　　以马上消费金融为例，atv，在运用传统客户身份识别手段的同时，增加活体识别、人脸比对等新兴技术手段，进一步增强客户身份识别精准度、有效防范控制第三方欺诈风险。

　　在此基础上，以央行征信数据为基础，但又不局限于央行征信数据，充分挖掘并利用客户的其他信贷数据、消费数据、互联网痕迹数据等，生成高达几万个的风险变量，并分别输入不同的预测模型，例如欺诈模型、身份验证模型、还款能力模型、还款意愿模型等，更为精准细致的评估客户的信用风险和欺诈风险。

　　如此一来，有效地解决了客户没有信贷记录或信贷数据不充分的问题，所以，即使是没有任何信用记录的小白用户，同样可以在马上获得贷款。

　　在构建模型的过程中，马上消费金融充分利用了深度学习方法，即效仿AlphaGo的一些算法。用专业术语来讲，就是：1、强调了模型结构的深度；2、明确突出了特征学习的重要性。

　　并且，基于大数据模型的自动化审批，能不断优化信审流程、提升业务量，同时有效控制风险；而高速发展的业务也为大数据模型积累了更为有效的训练样本，使得模型可不断迭代更新，真正实现数据和技术驱动的信贷决策。

　　也正是基于大数据模型的自动化审批，使得马上能够为广大用户提供审批速度达到秒级的消费贷款服务。