大数据风控指的就是大数据风险控制，是指通过运用大数据构建模型的方法进行风险控制和风险提示。通过采集大量企业或个人的各项指标进行数据建模的大数据风控更为科学有效。
大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据风控主要是通过建立数据风险模型，筛选海量数据，提取出对企业有用的数据，再进行分析判断风险性。
扩展资料：
大数据风控能解决的问题：
1、有效提高审核的效率和有效性：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。
2、有效降低信息的不对称：
引入大数据风控技术手段分析，通过多维度的信息分析、过滤、交叉验证、汇总，可以形成一张全面的申请人数据画像，辅助审核决策，可以提高审核的效率和有效性。
3、有效进行贷后检测：
通过大数据技术手段对贷款人进行多维度动态事件（如保险出险、频繁多头借贷、同类型平台新增逾期等）分析，做到及时预警。
参考资料来源：百度百科-大数据风控
大数据风控即大数据风险控制，是指通过运用大数据构建模型的方法对借款人进行风险控制和风险提示。
与原有人为对借款企业或借款人进行经验式风控不同，通过采集大量借款人或借款企业的各项指标进行数据建模的大数据风控更为科学有效。
扩展资料：
大数据风控对模型的挑战：
1、模型的泛化能力：某些金融机构上线的普通模型，上线时可能效果很好，但上线后命中量基本处于直线下降状态，但在黑产群体的轮番攻击下，一周后命中量可能接近为零。
因此简单模型对金融机构的意义不大，黑产群体几天甚至几个小时就可以尝试出来并规避。拍拍信的特征工程和深度学习以及海量鲜活样本测算可有效增强模型的泛化能力。
2、模型的可回溯性：风控模型识别出来的数据需做相应的处理，任何机器识别处理都不可能完全避免失误，因此模型一定要了解业务特征，使得任何处理我们都有理有据。
3、模型的更新速度：在高对抗性场景下，金融机构使用模型快速更新是关键。
参考资料来源：百度百科-大数据风控
本回答被网友采纳大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据风控主要是通过建立数据风险模型，筛选海量数据，提取出对企业有用的数据，再进行分析判断风险性。