干什么（大数据风控的目的是什么）可能大家都知道，当我们想去银行办一笔贷款的时候，从客户的角度，大概流程是这样的，首先得申请-等待审核，审核有两种结果：拒绝和通过。通过之后就是放款了。
那我们从银行的角度来看，流程又是这样的：受理申请-贷款审核，审核同样也是两种结果：拒绝和通过。通过之后放款。
从上面两个步骤来看，这里有个重要的环节就是在贷款申请人提交了申请资料后，银行需要来审核申请人的申请资料。毕竟是银行要先给你钱，银行总要知道你以后是很有可能会还这笔钱，而不是说拿了钱就跑。
在大数据风控这个行业里混，需要了解用户，了解场景，而这些往往都可以通过数据间接反映出来。比如，用户在某一时期内在多家机构申请过贷款，那说明该用户目前借钱意愿强烈，即使历史征信良好，也要用策略拦住他的申请，因为他很可能出现拆东墙补西墙的可能。因此，用数据说话是一种方法论。不同数据对于风险的作用不同，获取难度也不同，这就决定了并非对每个用户都能获取到其各个维度的信息。同时，有很多特征只有很少的用户才会有，也因此造就了数据的稀疏性。如何将稀疏数据用在各种机器学习模型中，则正是要考察模型人员对于风险及产品理解的时候了。要做好大数据风控，除了数据，模型就是最重要的了。模型有很多，如一般的线性回归，Logistic回归以及深度学习等，在实际的业务场景中，有的可能单一模型就能达到很好的效果，有的则需要几个模型的结合，而具体使用哪个模型用哪些特征，则是要考察模型人员对业务和算法的理解了。再说一下大数据风控的直观感受。传统风控更像是冷兵器时代的战争，虽有协作但更多的是各作战单位凭借个人能力的大混战；而大数据风控则像是现代战争中的立体作战，各个作战单位（数据）在统一的指挥中枢（算法）里高度协同作战。大数据风控能将相似的人更精准的分群，会让你看到形形色色更加的人，会让你从纷繁的单一的数据中看到其背后的万千世界。总之，做数据做模型前一定要理解人，做完数据模型后还要能够解释人。