傳統風控人員對業務邏輯上的風險的把控會比較好 然後有大資料的技術支援的話是如虎添翼 這不是轉型 是升級

需要學的的內容其實就是大資料的相關技術了，

1 架構

資料架構方面你需要學習如何從分散式系統中查詢資料，像hadoop，spark prest這些系統得學會使用

2 資料處理

在拿到資料後 需要對資料做很多的清洗工作 大資料的大很多時候意味著資料多而且亂 資料工程師90%的工作都是在洗資料 得學習下Python和相關的包，例如pandas這種 然後積累一些常用的資料處理的程式碼

3 資料建模

這塊其實是傳統風控人員發揮優勢的地方 其實學習模型看起來難 但是真正難得地方是怎麼恰當的使用模型去解決業務上的問題 而傳統風控人員能一針見血的找到方法 然後只是需要去把如何構建模型好好學習下 如果你對風控模型不知道的話 可以先血胸xgboost 這是個萬金油的方法 而且對資料清洗要求不高 適合上手而且效果很好

我曾經在中銀香港的風險管理部門工作過一段時間，也在幾家上市的股份制銀行中擔任過董事會風險管理委員會的主席，對於所謂從傳統風控向大資料風控的轉型，有一些具體的體會，傳統與現代也是相對的，也是不斷演進的。金融機構的風險控制部門，往往同時要熟悉具體業務操作、風險管理模型、系統流程與執行和IT技術等等，作為風控相關從業人員，如同在任何其他交叉學科領域一樣，首先確立主次地位，而具體到大資料風控，若以傳統風控為本職，應考慮將大資料作為工具和手段，輔助風控體系的建設，或更多的可將大資料技術看作是對傳統風控工作各個方面的提升。

圖片攝影：潘石屹

要想從傳統風控轉型到大資料風控，起步階段需要具備的知識技能包括：

一能在分散式系統資料庫獲取資料並進行基本處理的能力，所幸多數環境中一定程度上能夠相容SQL語法，因此無需太過在意資料儲存的技術實現和資料庫管理，只需掌握基本的資料處理指令碼；

二能對各類資料有敏感的嗅覺，能充分尋找到有資訊價值且不難理解的指標的計算邏輯，同時讓變數衍生的構造邏輯儘量清晰，在大資料處理上通常會有千萬級別的變數衍生數目，因此如何利用函式、宏等實現方式提煉程式碼濃度，有利於維護以及降低錯誤率。

三 熟悉各類典型的統計學模型技術，能夠較好的從工作業務背景中找到對應的統計解決方案，並在多個機器學習類的模型中能夠比較他們的優缺點，找到最合適當下場景的技術應用。

四 程式掌握，信貸風險管理行業中能夠主要使用的能夠實現資料處理、基礎模型開發以及部分機器學習的軟體環境為SAS，在當前環境下SAS依然有很強的競爭力；而免費開源的程式環境有R和python，對近期學術界和應用場景中使用的統計學模型解決方案有更高時效的跟進。原則上這三種程式透過一定時間的學習都能解決大多數的工作課題。而在遇到特定問題時，建議靈活使用軟體，而不要堅持某一種，更無必要比較這些軟體的優劣，事實上在評論一個軟體不好時，很可能是因為沒找到正確的使用方式而已。

最後，還需要指出兩點：

第一，從實踐看，脫離風控本身工作的目的來談所需要的技術知識，是低效並不切實際的。所以，還是要從實際工作流程出發，從現有的傳統也可能是經典手段出發，尋找大資料環境下的新風控工作的內容以及大資料技術可以提升的落腳點。

第二，在風控工作中還包括其他一些職能，例如客戶/資產監控、組合管理以及相關報表類、貸中預警與貸後催收、資本計量及會計撥備、壓力測試等，因為工作的技術重點相對獨立，並無較多的大資料場景，因此在這些工作場合中較少出現大資料風控的概念。當然，隨著行業發展和現代化技術手段的使用，越來越多的場合需要使用到統計學技術分析以及程式編輯，實現更科學的分析和相對自動化的實現方式。