数字信贷技术是一个从产品到营销、从风控到思维的完整体系，而非仅利用大数据建立模型。在实践中可以发现不少银行对数字信贷技术存在一些片面的认知。
误区1：数字信贷技术的关键是大数据。数字信贷技术的内涵远不止大数据或大数据风控，而是一套协同的数字化运作体系，需要有可匹配的数字化产品、数字化营销、自动化运营以及全生命周期的信贷管理。数字化信贷体系既是大数据、人工智能、云计算等一系列前沿科技的综合运用，也需要对信贷逻辑和客户有深入的理解。
近年来税收、发票、订单、物流、司法等数据的开发应用是主流小微风控的数据源，具有一定的有效性，但仍然存在数据造假、滞后、与主体关联性弱等问题，即使是像纳税这样的强相关数据，单独使用仍然效果不佳。这些数据在国外称为“替代性数据”，即在征信数据不足的情况下，用来替代和补充征信数据。从另一个角度来说，央行的征信数据在有效性上仍然远远高于这些所谓的大数据。
大数据的作用在于替代和补充，由于数据过于芜杂，质量参差不齐，对大数据的选择和应用成为关键。如在下沉客群中，多头借贷数据是有效补充，因为央行征信对这个客群的借贷行为覆盖不足，但它对于优质客群的作用不大。此外，这些数据的来源及质量和央行征信相比更加缺乏规范且较为杂乱，数据可能来自于各个数据使用方的借贷信息共享和调用记录，也可能来自于客户的借贷和催收短信，甚至是通过部分“黑产”获取，数据质量良莠不齐。因此，好的应用需要关注底层数据形成的原理，数据的合规性、客观性和关联性，以及数据整体的质量和稳定性，并通过各种客群和情景下的历史回溯测评其有效性和适用性。
误区2：拿到评分卡就掌握了数字风控技术的核心。数字风控是一整套决策工程学，评分卡只是其中的一个重要工具，而策略则是如何使用这个工具。好的评分卡如同一把宝刀，策略就是刀法，没有高手会仅靠宝刀来称雄江湖。在数字信贷中，策略是数据驱动的量化策略，这与传统信贷技术中的信贷策略相比，或许可以用机床和数控机床的精度差异来形容。策略应用和模型开发相比，更为灵活、更无定式，体现了风控人员通过数据去理解业务的方式，背后是“人”的能力高低。
数字化小微信贷技术的重要特征之一，就是以量化策略为风控聚焦点，运用“政策规则+评分模型+量化策略”的组合方案来进行风险管理。针对不同风险目标设计应用方案，通过各种分类决策树算法和最优化算法达成目标、约束条件和变量的相对最优，从而最大化利用工具，体现的是风控人员在决策科学算法和业务应用的不断结合和提升。
误区3：通过咨询项目可以掌握数字风控能力。很多银行选择以项目咨询的形式获取金融科技公司提供的各种已经在其他金融机构或者业务上证明“成功”的模型甚至全套“风控体系”，并据此认为掌握了技术和风控能力。咨询项目最大的问题是不会为最终的业务结果负责，而信贷风险永远是滞后的，因此绝大部分的咨询项目都是面子工程。不过反过来想，一个能为结果负责的项目也确实不是咨询的收费价码。
数字风控要精准有效，需要依据客群特征、数据变量、锚定的风险指标去定制化开发评分卡模型。建模是一个复杂的机器学习过程，需要历史数据中同时具备X、Y变量。目前大部分银行或是没有足够的某类客群或产品的X、Y变量数据，或是历史数据治理不能满足模型开发的要求。在其他业务中成立的风险逻辑，换个地方未必适用，这种情况下形成的评分卡模型只能做为业务冷启动的第一步。再者，数字信贷是涵盖营销、风控、产品、运营的一个数字化业务体系，引入一套风控系统并不能解决整套业务体系的适配问题，反而会出现看似有了风控技术却没有业务的状况。
即使建立起整个数字信贷运作体系，评分卡模型也有其生命周期，需要持续不断地定期监控和验证，建立完整的指标体系和评判标准去处理模型监控过程中的各种复杂问题。如模型中某一变量的失效、应用客群的大幅度行为特征偏移、底层数据变动导致的变量分布变化、周期性的波动等，都有不同的解决方案。风险管理的效果需要较长时间的调优与验证，一次性的咨询合作往往只对当期结果负责，显然无法长期跟踪风控效果进行持续优化从而保证长期效果，而银行要掌握技术恰恰要学习这些优化逻辑。
误区4：数字信贷技术尚没有经过经济周期考验。首先，要理解信贷风险包含微观、中观和宏观风险。微观风险指的是单笔贷款的逾期风险，中观风险包括行业风险和区域风险，而宏观风险则是指经济衰退、金融危机带来的风险。数字信贷的模型策略只能对微观风险负责，它解决的是风险排序问题，并不能对中观风险、宏观风险进行管理。
宏观风险的典型特点是无差别打击，此时即使模型仍然有效，风险也会随着整体资产质量的下降而升高。如新冠疫情爆发以来，各类金融机构不论模型效果有多好，存量资产都或多或少受到了影响。仅从风控效果讲，此时收紧整体信贷政策才是管理风险最明智的选择。
数字信贷技术虽然不能控制宏观风险，但它可以提早感知，有助于及早识别系统性风险并筹划对策，这才是数字信贷技术应对经济周期的应有之义。
