网贷作为一种新型的投资融资渠道，为资金的出借者和借入者对接提供了一个伟大的信息化时代创新模式，正在以快速迅猛的态势发展。但是贷款本身是存在很高风险的，虽然投资人在P2P网贷平台投资获得了相对较高的民间借贷收益，但是让投资人自己去识别和控制风险还是不现实的，一方面很多投资人并没有风险管理方面的专业知识，另一方面大部分投资人也没有那么多精力，尤其是当风险出现时，单个投资人更无法招架。更重要的是我国的个人信用建设还在发展过程中，跟欧美发达国家相比，信用环境的差距还比较大，所以国内主要还是需要主动去控制风险，让借款人完全自觉遵守信用，还有很长一段路要走。

　　那么如此重要的贷款风险谁来控制?当然应落在网贷平台的身上，它关系到投资人的利益，同时也关系到网贷平台的生存，网贷平台存在的价值就在于控制风险，所以网贷平台需要专业化的风险控制能力。对于投资人来说，选择有安全保障和专业化风险管理控制能力的网贷平台尤为重要，这不仅关系到投资人的资金安全，也关系到P2P网贷行业的健康发展。

　　网贷风险管理是一项综合性、系统化的工作，贯穿于整个网贷业务流程，包括贷前综合调查、贷中严格审查、贷时多方保证、贷后监控管理直至贷款安全收回。环节众多，环环相扣，每一个环节出现问题都会导致风险的发生，在众多的风险中我们今天探讨一下贷前调查中对客户的信用等级评估的风险控制。

　　信用评分，作为一种预测贷款人信用风险的信贷方法，已在西方银行界的个人信贷领域运用近半个世纪，自上世界90年代初开始，一些著名的国际大银行也开始将信用评分法运用到小企业贷款业务中，并取得了巨大的成功。现代的信用评分方法主要是利用多种统计学、运筹学及其他定量分析工具。统计学方法主要包括线性回归、判别分析和logistc回归等;运筹学方法则主要是一些数学规划方法。大部分的信用评分模型都适用其中的一种方法，或将集中方法结合起来使用。最近几年，一些新的方法，如神经网络(Neural networks)遗传算法(Genetic Algorithm)、专家系统(Expert systems)等人工智能模型以及非参数统计中的K阶紧邻方法(K-nearest neighbor classification)等均被应用到评分系统的开发中。如此多的方法被应用到这样一个实际上是分类的问题，一个重要的原因在于信用评分是一个注重实效的领域。模型预测的精度是非常重要的，许多情况下即使预测的准确性只提高一点点，也会使网贷平台机构的损失减少很多。因此只要能提高预测准确性的方法均可使用。

　　在鼎信华铭的网络借贷平台中，使用了IPC(Internationale Projekt Consult)的信贷技术的思想，借鉴了国内一些商业银行的评分模型的基础上开发出一套科学严谨的评估模型，把个人客户分为三类：城户、农户、工商户，对应不同的评估模型。

　　对公客户按规模与行业关联，分为四类：大型、中型、小型、微型，对应不同的评估模型。

　　系统可以根据填入的客户资料，自动抓取关键信息，通过匹配对应的评估模型，对客户进行评分。

　　如果在贷前调查阶段，取得到的数据真实有效，使用系统中的等级评估功能，可快速的对客户质量进行认定，一方面可大大减少客户工作量，另一方面通过直观的数据可以清晰的对客户质量进行把控，当我们把客户的情况调查清楚，才能做出风险把控。一位在第一线工作副总曾经说过，我不看客户的什么抵质押物，我只看重第一还款来源，如果还款来源没问题，我就可以放款。乍听上去话很粗，但仔细思考一下，这不就是一种朴实的风险控制吗，当客户质量没有问题时，还款也不会有问题。所以对客户的调查是风险控制中的重中之重，那么能科学的对客户质量进行分析更无异于如虎添翼，可以提高工作效率，更重要的是能做到准确，这样才能真正的做到贷前尽职调查的风险把控，降低整笔业务的风险。