P2P是一種跳過銀行間接貸款融資模式的一種在借款人和出借人之間直接發生借貸關系的業務模式，那么理解P2P的風險是什么就很簡單，就是借款人不能償還借款的風險。

但是無論哪個借款人總會有償付不了借款的可能性（或者叫概率），所有金融類公司的業務模式都是建立在會發生壞賬的前提下來運營的，只要收取的借款利差（即向借款人收取的利率減去出借人收取的利率）高于員工和辦公成本加上壞賬的成本，這個公司或者p2p平臺就能持續運營下去。

有壞賬并不可怕，只要你對于借款人群有風險定價能力。打個簡單的比方，借給1000個人每人1萬的借款，這1000個人里面有2%（20個人）壞賬了，那么你的壞賬成本就是20萬，如果問這1000個人收了10%的利差，利差收入是100萬，除去員工和辦公成本后，還是能夠盈利的，但是如果你審批通過放款的這1000人里面有10%的壞賬（100個人），那壞賬成本就是100萬，顯然利差收入是覆蓋不了公司所有成本，那么長此以往這個平臺就會倒閉。

但是如果p2p公司在審批通過這1000人借款請求的時候，當時就能判斷這批人群的壞賬概率在10%，那么你也可以定更高的利差（比如15%，而且這些人由于在其他更低利率的銀行那里得不到借款，因此能夠接受這更高的借款成本），那么150萬的收入也能夠覆蓋壞賬和其他成本了，這就是說明這個業務模式的核心在于，對這些借款人群的違約概率判斷非常重要，也就是我一再強調過的這個業務模式中團隊自身的風險定價能力是最重要的，只要這個做的好，其他都是次要的。

其實這才是目前p2p投資人最需要關注的問題，而不是其他一些什么有沒有擔保公司擔保，或者借款有沒有抵押物等等。

這類小額無抵押借款審核到低應該采用什么樣的風控模式。

首先，堅持“小額分散”。先說一下”分散“在風險控制方面的好處，是能夠保證借款主體還款概率的獨立性，即借款的客戶分散在不同的地域、從事行業、年齡和學歷等等，這些分散獨立的個體之間發生違約的概率能夠相互之間保持獨立性，那么同時發生違約的概率就會非常小。比如100個獨立個人的違約概率都是20%，那么隨機挑選出其中2個人同時違約的概率為4%（20%×20%=4%），3個人同時違約的概率為0.8%（20%^3），四個人都發生違約的概率為0.016%（20%^4）。

如果這100個人的違約存在相關性，比如在A違約的時候B也會違約的概率是50%，那么隨機挑出來這兩個人的同時違約概率就會上升到10%（20%×50%=10%，而不是4%）。因此保持不同借款主體之間的獨立性非常重要。前幾年金融危機的時候，浙江外貿企業都虧損，那么在這類企業的員工借款能力就受到影響，但是不會影響到在貴州的白酒類企業員工的還款能力。

但是如果借款客戶都集中在某個行業或者某個區域，就很容易受到一些事件的共同影響，比如借款主體都房地產企業，那么在房地產價格下行的時候，不同房地產公司的還款能力都會受到影響，雖然他們自身的違約概率還是20%，但是2個或者3個主體同時違約的概率可能會上升到20%。

抵押類大額借款的抵押物一般都是房產或者土地，這樣在房地產價格下行的時候會面臨很大的系統性風險（并且，雖然許多抵押物具有“價值”，但其“價值”很難處置轉為現金（比如房屋有租賃協議，法律上講買賣不破租賃，就很難拍賣，或者根本沒人買），也就是為什么那么多業主寧愿跑路也不會賣廠、賣庫存來抵債）。

美國前幾年的金融風暴，其根源也是房貸客戶之間違約概率存在很高的相關性，因此在房價下跌的時候，其同時違約的概率遠超歷史數據，也遠超了投資這些房貸為基礎的次級貸款債券的投資者的預計（這也是所有金融市場漲漲跌跌的原因，即真實情況超過了大家的預計，而投資者在前期沒有爭取更高的回報要求來做到風險補償）。

再談談”小額“在控制風險方面的重要性，就是能夠避免”小樣本偏差“。

舉個例子，如果一個平臺一共做了10個億的借款，如果借款人平均每個借3萬，那么是3.3萬個借款客戶，如果借款單筆是1000萬的話，那就是100個客戶，大家知道統計學意義上的“大數定律”法則，是需要在樣本個數數量夠大的情況下（超過幾萬個以后），才能越來越符合正態分布定律，統計學上才有意義。

這樣如果壞賬率都是2%的話，那么放款給3.3萬個客戶，其壞賬率為2%的可能性要遠高于僅放款給100個客戶的可能性，因為有可能這100個客戶存在小樣本偏差，而導致壞賬比較集中達到10%甚至更高，這就是統計學意義上的”小樣本偏差“的風險，對應到p2p網貸上，那些做單筆較大規模的借款的網站風險更大。

其次，用數據分析方式建立風控模型和決策引擎。

因為上面提到的要將借款做成平均單筆10萬以下的小額借款，那么借款客戶數量會非常多，如果用和銀行類似的實地考察、模擬還原企業現金流量表、盤點企業存貨等方式，那么做一筆小額業務的成本會非常高，也會導致這個業務不能持續（因此很多p2p網貸平臺做大額借款，因為做一筆1000萬的大額借款的審核成本和做一筆10萬小額借款類似，但是前者收入是后者的100倍，但是做大額借款的問題如前所述），因此需要另一種審核模式，即采用類似國外信貸工廠的模式，利用風險模型的指引建立審批的決策引擎和評分卡體系，根據客戶的行為特征等各方面數據來判斷借款客戶的違約風險。

客戶的違約風險包括兩個：還款意愿和還款能力。

還款能力審核主要通過可驗證的個人可支配收入和每月還款金額的比較來進行，還款意愿的影響因素包括年齡、從事行業、婚否還是離異、租房還是自有房、學歷等等因素，甚至不同星座、血型的人，其還款意愿都是不一樣的，如何根據個人的不同行為特征等數據來建立評分卡，判斷其還款概率，是風控的核心內容。

決定還款意愿的主要因素是客戶的違約成本，舉個例子，你借給一個客戶10萬塊錢，他可能不會因為這10萬塊錢而跑路，因為他的跑路成本，重新建立生活圈子，重新找工作的成本不止10萬。但如果你貸給他100萬或500萬，他可能就真的跑掉了。

另外，大家可能覺得收入高的人還款可能性也大，其實實際情況剛好相反。因此風控的核心方法在于，通過研究分析不同個人特征數據（這就有點類似大數據分析，因為一個人可以分析的維度超過5-600個，而美國的ZestFinance甚至稱其分析維度超過4000個）相對應的違約率，通過非線性邏輯回歸、決策樹分析、神經網絡建模等方法來建立數據風控模型和評分卡體系，來掌握不同個人特征對應影響到違約率的程度，并將其固化到風控審批的決策引擎和業務流程中，來指導風控審批業務的開展。

大數據分析的例子在很多行業已經開始應用，比如Google搜索根據你瀏覽以往網頁的習慣和偏好，會在右邊擺放可能會吸引你點擊的廣告頁面，淘寶也在用，每個人上淘寶頁面看見的內容都是不一樣的（這個你可能還不知道吧），因為他們會根據你以往購買商品的類別來擺放你可能會購買的內容。

在金融業內，美國的Capital One是最早利用大數據分析來判斷個人借款還款概率的公司（沒有之一哦，Capital One被譽為金融行業的Google。因此在金融海嘯中，Capital One公司得以存活并趁機壯大起來，現在已經發展成為美國第七大銀行）。

通過數據分析來建立風控模型，固化到決策引擎和評分卡系統，建立信貸工廠模式的風控審核系統，對于小額信用無抵押借款類業務的好處包括兩個方面

1、決策自動化程度的提高，降低依靠人工審核造成的高成本

2、解決人工實地審核和判斷所帶來審核標準的不一致性問題

可能有人要問，前面提到的”小額分散”的風控原則有那么多好處，那么為什么目前類似積木盒子、愛投資等P2P網貸公司做的都是超過幾百萬和幾千萬規模的大額抵押類借款呢？主要是因為目前國內絕大多數的P2P公司都沒有掌握建立大數據風控的能力，因為一群沒有吃過豬肉，沒見過豬跑的人，是畫不出豬來的。大額借款的愛投資等p2p公司，使用小貸和擔保公司傳統的類似于銀行貸款風控的靠人工審核、實地調查、判斷存貨的審核方法，只能夠適用于幾百萬以上的借款，如果單筆借款規模太小，在成本上是沒有辦法做到持續經營的。

但是另外一方面，由于這類業務和風控手段和銀行類似，優質的企業客戶已被銀行獲取，剩下的企業客戶其風險相對較高，資質也相對較差，因此如果P2P公司開展的如果是銀行類似的抵押類業務，和銀行在同類業務上競爭，長期來講，由于銀行的低資金成本，規模經濟優勢，國家隱形信用擔保等因素，是很難競爭過銀行業務的。

除了上面提到的風控審核成本影響以外，依靠人工實地審核的小微借款模式還存在一個問題就是在各個地區審核標準會不一樣，因為如果風控過程中過多依賴人來判斷，那么就會因為每個風控人員的技能、經驗、理解等因素不一致而造成壞賬，香港有一家財務公司在中國各個地區開了40多家小貸公司，采用各地公司風控人員當地審核模式，后來發現壞賬難以控制，因為一套標準化的審核模式，在各地落地執行的時候會由于人員素質、每個地區的不同情況（中國不同地區企業的差異非常大）等發生很大的扭曲變形，因此不得已后來逐漸轉變成總公司總部審批的模式。

——以上內容來自網絡，如損害到您的權益，我們將刪除內容。