在回答了阿里巴巴的风控相比较传统银行的风控有何区别?会更有优势吗? 这个问题后，有几位知友向我抛了几个大数据的问题，我都没回答，恳请原谅我，一方面是由于个人水平所限，另一方面其实还是个人好恶：当前国内的各种大数据，基本还是朦胧美，犹抱琵琶半遮面的样子。当然，这是纯感觉，敬请批评。
有人说，大数据可以搞营销，有人说，大数据可以搞风险，这都没错。我还称赞过支付宝用大数据搞的风险，相当不错。但支付宝的风险是因为大数据才不错吗?其实不见得，我更倾向于认为，是其搞风险的人，不错。
所以，问题是，大数据真的这么牛?有了大数据貌似某个搞不定的事情就搞定了，甚至起死回生?扯犊子吧!再好的车也得人开。
我们可以把大数据描述成一朵花，但撑死了也是一朵花而已，骚人墨客的光顾，情侣枝桠下的野战，方可为其增色。俗话说，最高境界是人鸡合一，哦不，是人机合一。大数据仅仅是一个工具而已，忙忙碌碌得搞东搞西，拉项目，攒数据，建模型，号称大数据，但你的人专业不专业?
听来的一个故事。朋友是搞咨询的，做过某银行的一个项目，内外网风险事件分析。当时该银行采购了新一代智能UTM，号称基于大数据建模，各种高大上。双方高层会面之后好一阵扯，大数据的各种优势，咕咕噜噜。但等他们扯完去拼酒了，一帮干活的傻眼了，心说，再智能，再模型，也得靠人去分析 UTM 报出的各种风险事件，然后以此制定规则、修改规则，之后才是让这个大数据的模型运转起来，慢慢达到最优。
最后怎么干的?每天三个人专职搞风险分析，UTM 默认规则全开，第一天 N 万的事件啊，先大体分组，再一条条分析，嗯，你没看错，是一条、一条分析，把一个事件分析透了再说下一条，这个过程涉及各种信息查询、各种部门交互、各种推诿扯皮，之后基于典型事件写分析报告，银行同意之后再改规则。三个月下来，分析报告积累了近百份，UTM 的默认规则几乎全部定制化了，而风险事件每天也就几十个，上眼一扫全部明了，最关键得是，基于那上百份分析报告，朋友的团队帮银行彻底清洁了内外网啊。最后他们团队离开的时候，银行是强烈要求点赞的。
再说自己行业相关的事情。银行搞业务风险，也会碰到大数据，牛叉叉的国外厂商一般会说，我们的产品基于大数据，集成了自学习的风险引擎、可定制化的规则引擎，有 N 百条数据源、N 百个预警项，通过优良算法得出风险值，总之，芭啦芭啦小魔仙～～～
但产品运营，落地维护，大数据模型跑起来，还得靠人!专业的人!其实所谓的风险引擎、优良算法，都不可能拿来直接使用，都需要不断调整(反馈)，简单得说，就是要把实际生产中的一个个风险事件的人工评判结果做输入，让高大上的模型逐步去适应业务环境，然而，这是一个专业、而漫长的过程。知道一个 case 的判定需要经过哪些环节吗?需要多长时间吗?需要多少人工吗?需要哪些素质或技能吗?或者，需要哪些权限吗?这都是问题啊。
当然，日子还要过，该解决的问题仍要解决。我想要表达的一个观点是，大数据，诚然，或者说，或许，是一个好工具，但也同样需要“好”人。尤其是对于一些波动敏感的大数据模型，稍不专业的操作(输入)就会引起整个数据模型的持续震荡，正常业务还要不要搞啊......
呼吁热衷于搞大数据的朋友们，大数据要搞，专业的人也要搞，两手都要搞。其实，我们最终要拼的，不是大数据，而是人!
