大数据风控从出世以来一直是资本关注的重点，市面上不仅有很多互联网金融公司开发了大数据风控模型，还有很多专门做大数据风控技术然后向业界输出技术能力的公司。然而，白热化的市场竞争中必然伴随着良莠不齐泥沙俱下的产品。虽然极高的技术壁垒，可靠安全的数据来源，形成了天然屏障把浑水摸鱼的产品隔离开来，但是对于那些不甚懂技术的人来说，一眼甄别大数据风控产品的成色是好还是坏还需要花不少时间。
风险控制作为金融的核心，一直备受关注。在传统金融机构中，会通过一些基础的金融逻辑来推断风险。比如收入水平越高偿还能力越高，历史还款记录越好还款意愿越高，等等。大数据可以将用户在使用 APP 以及其他日常行为中的特征更好的汇总整理，从而挖掘出更深层面的数据，帮助风控建模和数据分析。
常见的业务特征包括，（一）研究对象固有的性质和特点的描述，主要涉及身份信息、教育信息、工作信息等，比如年龄、性别、籍贯、学历、毕业院校等。这些都是基于（一）类记录解析出来的可用于量化描述或分类的特征。
（二）类特征是在（一）的基础之上进行进一步的统计和复杂化。通过时间、空间等各种角度产生不同的变量组合，从而推测出行为主体的特征。比如时间 + 空间，时间 + 属性，空间 + 属性，时间 + 属性 + 统计，等等。
（三）类特征主要根据社交数据进行判断，因而叫关联信息特征。对于关系类型、关系权重、关系密集度等等指标进行计算提取，从而将复杂的社交关系网可视化。
伴随着金融产品和场景的不断多样化，对于风控模型的精确度和深度定制化的要求也越来越高。因此好风控产品的定义也不仅仅是对贷前贷中贷后的全线把控，更是完全匹配金融产品需求的定制化服务。毕竟不同的金融产品所面向的用户也是不尽相同的。这一点可以参照 MobSmart 的风控产品逻辑，为金融机构提供风控数据接口提高风控能力。而在常规接口不能满足所有需求的时候，又可以提供深度定制的场景模型。
用户上传样本后，系统可以将针对场景智能筛选有效特征，挖掘数据价值。从数据管理，任务管理，到特征管理，导入管理，全面而细致的精准筛选优质风控特征，形成定制模型，并将操作工程化。
(任务管理）
（特征管理）
总体来说，大数据风控还有很大的完善空间，未来的优化方向可能是一些拥有数据资源和技术算法优势的企业在市场规模上具备了一定优势后，拥有更多的数据资源来支持模型的优化迭代，技术优势不断增强。