互联网的金融风控与传统金融的风控最大的差别在哪?

合规部门有时可以直接对董事会负责。合规是文化，强调全员覆盖，也是也是相对的，可以与业务部门协商解决问题；风控是执行力，也是绝对的，有指标与模型框架；对于金融企业，合规是战略选择，合规风险暴露和市场无关，而风控问题暴露和市场有关，所以风控问题暴露是正态分布。

互联网金融风控与传统金融风控的一个重要区别在于大数据的应用更加广泛。除了传统的征信信息之外，互联网金融企业常用的数据获取以及风控手段还有：
1） 生物特征识别技术
生物特征识别技术，即人脸识别、语音识别以及不限于图像、语音、触摸和身体语言识别的生物特征识别技术。
利用人脸识别技术将采集的照片与已存照片、身份证照片进行比对并提供人脸相似值，风控人员可根据相似值的高低判断是否直接通过或进行人工审核。
同时，也可以通过人脸联网核查，将采集的照片与公安部已存的身份证照片进行比对、核查，更客观、科学的实现“人证合一”，降低“肉眼”观察的主观意识和失误辨认。
此外，语音识别、指纹识别及图像识别的技术也可以帮助风控人员进行风控判断，提高风控水平。
2） 机器学习技术
机器学习是把人类思考归纳经验的过程转化为计算机对数据处理计算模型的过程。
•反欺诈应用：与传统金融风控依赖复杂且严格的规章制度进行欺诈识别不同，互联网金融风控使用机器学习技术，能够积极的学习并识别特殊或异常行为对其进行标注识别。

•信用预测：机器学习算法能够根据数百万消费者案例数据，如：资产、履约、身份、偏好、社会关系及借贷情况等进行开发和训练，利用算法评估预测用户是否会违约、是否会按时归还贷款等。对贷中的借款人还贷能力进行实时监控，以及时对后续可能无法还贷的人进行事前的干预，从而减少因坏账而带来的损失。
3） NLP技术
自然语言处理技术，引入新闻、政策及社交网络中的非结构化数据，进行结构化处理后，运用于风控与征信评估。
在新金融风控场景中，诸如个人及企业在其主页、社交媒体等数据蕴含着与违约风险深度关联的深层含义，而通过传统方式很难充分挖掘其风险价值。
自然语言处理技术，通过复杂的词向量模型将文本转化为计算机能够识别和计算的词向量表征，并基于深度学习技术对其进行特征提取，最终运用成熟的分类器网络将文本数据与违约风险实现高度的风险挂钩。
4）爬虫技术
爬虫（web crawler）是一种专门的程序，用于在互联网上自动抓取内容。爬虫技术主要用于个人征信评估、关系图谱及风险分析等方向。
由于个人隐私的原因，我们无法得到一个人的全方位数据，只能截取其中的一个或几个片面(交易纪录，信用卡信息等)。而爬虫技术正式补充数据信息的利器， 比如，有许多专门曝光骗子老赖的网站，也有许多骗子在一些社交网站上发布信息。针对这些曝光的数据，利用爬虫技术清洗转换后，就能辅助个人信用评估。
此外，物以类聚，人与群分。通过爬虫爬取各大社交网站数据，建立人物关系网络，通过关系网对个人进行信用评价。
5） ID-Mapping技术
ID-Mapping能把碎片化的数据全部串联起来，消除数据孤岛，提供一个用户的完整信息视图，有利于对用户进行个人风险评估。
ID-Mapping技术可以用在跨屏、跨设备跟踪，将一个用户的手机、PC、平板等设备的上的行为信息串联到一起，充分聚合个人身份及行为信息。
在“互联网金融合规管理元年”的2016年，随着国家对互联网金融的全面监管，互联网金融从“野蛮生长”进入了“规范化”阶段。
无论是传统金融，还是互联网金融，加强风险控制，建立完善的信用评估体系与防控机制，对存在的信用违约和欺诈风险、消费者权益被侵犯风险、互联网技术风险、资金流动风险、法律风险及政策与监管风险进行控制，最终实现企业内控、政府监管及行业自律的生态发展。