P2P是一种跳过银行间接贷款融资模式的一种在借款人和出借人之间直接发生借贷关系的业务模式，那么理解P2P的风险是什么就很简单:
就是借款人不能偿还借款的风险。
但是借款人偿付不了借款的可能性（或者叫概率）是普遍存在的，所有金融类公司的业务模式都是建立在会发生坏账的前提下来运营的，有坏账并不可怕，但是对于借款人群要有风险评估能力。打个简单的比方，借给1000个人每人1万的借款，这1000个人里面有2%（20个人）坏账了，那么你的坏账成本就是20万，如果问这1000个人收了10%的利差，利差收入是100万，除去员工和办公成本后，还是能够盈利的，但是如果你审批通过放款的这1000人里面有10%的坏账（100个人），那坏账成本就是100万，显然利差收入是覆盖不了公司所有成本，那么长此以往这个平台就会倒闭。
但是如果p2p公司在审批通过这1000人借款请求的时候，当时就能判断这批人群的坏账概率在10%，那么你也可以定更高的利差（比如15%，而且这些人由于在其他更低利率的银行那个得不到借款，因此能够接受这更高的借款成本），那么150万的收入也能够覆盖坏账和其他成本了，这就是说明这个业务模式的核心在于，对这些借款人群的违约概率判断非常重要，也就是我一再强调过的这个业务模式中团队自身的风险定价能力是最重要的，只要这个做的好，其他都是次要的。
首先我们来谈谈对于小额无抵押借款风险审核采用什么样的风控模式。
首先，坚持“小额分散”。先说一下”分散“在风险控制方面的好处，是能够保证借款主体还款概率的独立性，即借款的客户分散在不同的地域、从事行业、年龄和学历等等，这些分散独立的个体之间发生违约的概率能够相互之间保持独立性，那么同时发生违约的概率就会非常小。
其次，用数据分析方式建立风控模型和决策引擎。因为上面提到的要将借款做成平均单笔10万以下的小额借款，那么借款客户数量会非常多，如果用和银行类似的实地考察、模拟还原企业现金流量表、盘点企业存货等方式，那么做一笔小额业务的成本会非常高，也会导致这个业务不能持续，因此需要另一种审核模式，即采用类似国外信贷工厂的模式，利用风险模型的指引建立审批的决策引擎和评分卡体系，根据客户的行为特征等各方面数据来判断借款客户的违约风险。
大数据分析的例子在很多行业已经开始应用，比如Google搜索根据你浏览以往网页的习惯和偏好，会在右边摆放可能会吸引你点击的广告页面，淘宝也在用，每个人上淘宝页面看见的内容都是不一样的（这个你可能还不知道吧），因为他们会根据你以往购买商品的类别来摆放你可能会购买的内容。在金融业内，美国的Capital One是最早利用大数据分析来判断个人借款还款概率的公司（没有之一哦，Capital One被誉为金融行业的Google。因此在金融海啸中，Capital One公司得以存活并趁机壮大起来，现在已经发展成为美国第七大银行）。
通过数据分析来建立风控模型，固化到决策引擎和评分卡系统，建立信贷工厂模式的风控审核系统，对于小额信用无抵押借款类业务的好处包括两个方面：
决策自动化程度的提高，降低依靠人工审核造成的高成本
解决人工实地审核和判断所带来审核标准的不一致性问题
