一套较为完整的互联网金融产品风控体系需要包括贷前审批、授信，贷中跟踪、监控，贷后失联修复、不良催收，是一个极为复杂的过程，每一个流程都会影响整体的风控质量。鉴于目前的最高票答案已经对整个流程进行了较为全面的梳理。因此，本回答将会将重点放在“大数据“上。
目前互联网金融产品拥有的数据源主要可分为以下几类：
a) 身份信息：姓名，身份证号，手机号，银行卡号 , 地址，婚姻，学历等
b) 信用信息：历史贷款申请信息，还款记录，逾期记录等
c) 社交信息：通讯录信息，社交平台数据等
d) 消费信息：银行卡消费水平，消费能力，高风险行为等
e) 行为信息：手机使用状况、出行记录、电商平台交易数据等
f) 合作机构数据：黑名单、白名单客户等
上述数据源的数据加上申请者提供的数据，就可以组成一个与该申请者相关的巨大的数据集合。利用这个数据集合就可以建立风控体系对用户的欺诈风险、还款意愿、还款能力等进行有效判别。以现金贷为例，我们可以把常见的现金贷大数据风控规则归类如下：
（1） 勾稽比对
勾稽比对是会计行业的一个常用术语，在风控中主要指利用多维度数据进行逻辑对应关系检验的方法，举例来看：假设用户填写的“收入水平”为变量A，“工作地点”为变量B，申请时IP地址的“所处区域”为变量C。从A+B的维度来看，倘若用户填写的A月收入有数万元，B却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户隐瞒收入。若从B+C的维度来看，倘若B变量显示用户工作地点在北京，C却显示申请时IP地址在云南，或者频繁更换IP地址去申请，我们或许应该考虑金融欺诈的风险。若结合A+B+C的维度来看，若B变量显示客户在北京国贸工作，A变量显示月入10000元，IP地址、申请地点都在北京，通过三个变量数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。倘若再增加更多变量例如填写手机号码常用通话地点等，就能从更多的角度验证出数据的可靠性。
（2） 交叉检验
交叉检验与勾稽比对有细微差别，但两者都是利用多维度数据对用户真实性和可靠性进行验证的方法，这里只简单举个例子，例如申请人提供了工作单位地址，但用外部数据验证结果显示该单位不再这个地址，那该用户可能存在欺诈风险。
（3） 强特征筛选
有一些变量在风控的考量中占有较大的权重，例如多头借贷次数，该次数较高意味着用户存在严重的多头借贷情况严重，有较高的违约风险。拿前海征信常贷客产品验证结果举例，命中常贷客客户信贷逾期风险是普通客户的3 ~ 4 倍。其它较常见的强特征变量还有关注机构（催收机构等）通话，工作日夜间通话等。
（4） 风险关系
风险关系主要验证与申请人相关联个体的信息。例如，该申请者通讯录中是否存在较多被列入黑名单的联系人，该申请人的生情电话或IP是否曾被另外的申请者使用过等。
（5） 用户的行为数据
用户的行为数据也可以很好地用以鉴别金融欺诈。例如通过运营数据统计显示，在凌晨3点左右申请贷款的用户的信用风险更高，这可能因为很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，防御薄弱的突破口；此外，申请时多次修改填写资料的用户可能存在信息造假，因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。
互联网金融发展到今天已经衍生出了许多具有不同特点的产品（例如额度、期限、场景、客户群等）。因此互联网金融产品风控体系在搭建过程中需要注意与其所面向的产品的特点相适。
