商業銀行大數據風控還存在哪些短板

閆炯智

隨著社交軟件、智能手機和網絡的普及，數據呈現爆炸式增長，人們正在步入“大數據”時代，這種顛覆性的技術變革對社會、商業和個人都將產生巨大而深遠的影響。在此背景下，本文闡述了大數據的內涵及其發展，介紹了目前在商業銀行的應用現狀及難點，并提出了大數據在商業銀行風險管理領域深入應用的策略建議。

大數據風控的發展歷程

目前，業界對“大數據”并沒有統一的定義。研究機構Gartner認為，“大數據”是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。大數據有“4V”的特性，包括“Volume ”“Variety”“Value”“Velocity”。“Volume”是指海量的數據，并隨著科技的飛速發展，數據量將急劇增長。根據國際數據公司IDC的研究預測，到2020年， 全球范圍內將產生的數據容量為35ZB，是2011年數據容量的近20倍；到2025年，全世界將創建和復制163ZB的數據，是2016 年所創建數據量的十倍。“Variety”是指數據的類型豐富多樣，相較于以往文本形式為主的結構化數據，大數據時代包含了視頻、音頻、圖片、地理位置、網絡日志等眾多類型的非結構化和半結構化數據。“Value”是指數據的價值密度與數據總量負相關。“Velocity”是指快速的數據處理速度，海量的數據量需要高效率的數據處理速度，同時，短時間內完成的數據處理結果有助于應用策略的快速制訂及調整。

在網貸領域， 英國貸款網絡平臺W o n g a首創大數據風控。該公司成立于2006年，從事發薪日貸款（Pa y d a y Loan），可以全天24小時辦理業務，向用戶提供金額從50英鎊到750英鎊不等的小額在線借款業務。其獨特的大數據自動風控系統克服了傳統征信系統的片面、不注重成長性和效率低下等難點，將征信數據節點提升到8000個，能夠根據用戶填寫的信息自動進行風險評估，并在20分鐘內給出貸款報價，堪稱大數據風控的鼻祖。

在征信領域， 美國金融科技公司ZestFinance具有代表性。該公司成立于2009年，在其模型中，往往要用到3500多個數據項，從中提取70000多個變量，在傳統信用分數不到1000個數據變量的基礎上發生了質變。該公司引領大數據計算和征信技術的前沿，顛覆了延續半個世紀的傳統征信模式。

在國內銀行業，工商銀行、興業銀行、寧波銀行等在大數據風控中取得了長足進展。

工商銀行通過打造大數據服務云，支持大數據發展數據多樣化、服務能力實時化、算法引擎智能化、基礎平臺云化的趨勢，在信用風險領域成立信用風險監控中心，以大數據分析技術為手段，集信用風險的分析、監測、預警、管控于一體，確立了分析建模、實時監測、風險預警、核查管控、跟蹤督辦、反饋優化及考核評價的信用風險監控工作流程，實時開展融資客戶、融資產品、信貸機構及信貸人員風險的監測預警及跟蹤管控。

興業銀行在風險管理方面大力推動數據應用和數據挖掘分析的力度，迭代開發風控搜、核貸寶、黃金眼等創新型大數據產品。“風控搜”產品整合了互聯網風險類信息，供貸前調查、貸中審批、貸后監控等各環節的人員使用，旨在成為一款“采集風險—提示風險—撲滅風險”的風控產品。“核貸寶”通過Python技術自動抓取各重要網站信息，提供一站式查詢服務，可一鍵查多網，并智能生成征信報告，促進貸款審核流程的革新；同時，該產品通過對外部數據實現電子化存儲，信貸人員在貸款審查審批、放款復核及貸后管理環節只需一次性查詢。“黃金眼”以隨機森林算法為核心，利用大數據信息技術，結合網絡爬蟲和搜索引擎，模擬人工查詢和評價數據的過程，構建100余條預警規則和評分模型，利用圖關聯技術可視化展現客戶的股東、擔保、交易等關聯關系。

寧波銀行通過整合行內各業務數據， 引入互聯網數據以及專網數據，建立了內容覆蓋面更廣、風險信息來源更多、預警針對性更強的大數據風控平臺。該平臺通過風控模型探測潛在風險信號，在貸前、貸中和貸后三個環節，向前臺業務人員及各級審查審批人員提示風險，通過建設企業級客戶標簽畫像系統，全面了解客戶渠道使用、產品購買等信息，為風險控制提供決策支撐。

大數據風控的應用難點

商業銀行具備實施大數據的基礎，雖然我國很多商業銀行都建設了數據中心， 但離大數據的應用要求還有一定距離，應用難點主要表現在以下方面。

人才短缺難點。在商業銀行應用和推廣大數據技術，需要既掌握大數據技術和IT技術，又懂業務邏輯和業務操作流程， 同時也熟悉銀行內控合規要求等的綜合性人才。然而，現實的人才情況限制著商業銀行大數據技術的發展。一方面，在大數據技術應用和推廣領域中的人才儲備普遍比較短缺；另一方面，隨著互聯網金融的火熱，商業銀行的部分金融科技人才逐漸流失，從而限制了銀行大數據技術的創新應用。

數據整合難點。商業銀行擁有豐富的、標準化程度較高的客戶數據，但這些數據寶藏往往分布在內部各條線、各職能部門、各分支機構之間，而且各信息系統是在不同時期建設的，開發者也各不相同； 同時，各系統之間的管理要求不同，標準不統一，共享基礎差，業務信息也不一致。由于難以互聯互通，缺乏共享機制，形成一座座“信息孤島”，導致在應用數據時難以有效整合，許多行內數據仍然在數據庫中“沉默”，未發揮應有的作用。

合規或審慎難點。大量的數據涉及客戶隱私，而且有時候難以確定界限。銀行作為受嚴格監管的金融機構，為了符合合規要求，或者出于保護客戶隱私如手機號、家庭住址、身份證號等敏感信息的需要，抑或對大數據技術應用審慎的態度等原因，對所擁有的海量數據開發程度有限，使得寶貴的數據難以發揮效用。

開發和應用協調難點。由于銀行內部各條線、各部門間的合作機制不完善， 又缺乏復合型人才，導致風險部門與開發部門、風險部門與業務部門的溝通協調成本較高，協調數據產品的開發實施周期較長，產品創新及應用推廣與業務的實際需求難以有效匹配，從而使得創新、開發、應用難以有效統一。

傳統系統架構適應難點。隨著互聯網金融、穿戴傳感設備、物聯網的快速發展，這些新形態下產生的數據、客戶交易行為記錄，以及包括銀行在內所記錄的影像、圖片、音頻等半結構或非結構化數據，都是非常有價值的數據信息，都將和結構化數據一并納入數據管理和分析范圍。目前，銀行傳統的系統對這類數據的處理能力普遍較弱，由于銀行的業務鏈條較長、各信息系統較為復雜等原因，傳統系統架構距大數據技術的應用與推廣還有較大差距。

數據挖掘分析難點。由于搜集的數據信息可能不完整，無法積累客戶在平時生活中展現的生活習慣、消費傾向等行為數據，難以與行內業務數據結合以刻畫客戶的消費習慣、風險偏好等。在未進行有效整合的情況下，銀行風控人員很難準確識別客戶的整體風險。特別是對于跨行業、跨區域、跨市場的擔保客戶或集團客戶， 客戶或其實際控制人往往存在多處注冊、多頭融資的情況，具有交易復雜、業務經營和資金流動等特征，傳統數據分析難以清晰了解客戶的生產經營、關聯關系的全部真實情況，無法發現虛假信息、交叉違約、關聯風險等多層復雜風險。

解決之道

銀行歷經了半個多世紀的建模和數據分析探索，以信用評級或評分模型為代表，積累了豐富的理論和實踐經驗，銀行擁有群體數量龐大的客戶，擁有海量的客戶數據和交易數據，是一座有待深挖的寶礦。大數據的應用為商業銀行風控帶來了海量的數據、更加豐富的風控工具和更加高效的處理能力，具有遠見和雄心的商業銀行應當早做布局，引領金融科技的發展。可以從以下方面深化大數據的應用。

加強復合型人才的培養。大數據思維對銀行風險管理水平的提升無疑具有十分重要的意義，但應該認識到大數據不是萬能的，不能代替風險管理專家的作用。因為數據信息和模型本身具有局限性，能否最大程度地發揮數據的效用取決于用數據的人，因此需要大量培養既懂業務又懂數據和模型的專家，打造一支既對風險有定性分析判斷、潛在風險排查、動態風險監測能力，又掌握數據整合挖掘能力、定量風險分析技術、具有風險模型開發和監控能力的復合型風險管理人才隊伍。

建立集中式的風險監測預警中心。基于大數據及其挖掘技術，對分散在銀行內部各業務條線、各職能部門、各分支機構、各子系統中的數據進行集中，與外部大數據進行整合后，實現商業銀行的事前預警、事中控制、事后監測，并通過海量數據的核查和判定，及時挖掘、監測、預警、管控可能出現的風險點，構建覆蓋“全流程、全客戶、全業務、全產品、全資產”的全面持續的集中式非現場監測預警體系。力求從數據中尋找業務發展和決策的依據，提高全流程預警能力和風險管理的信息化、自動化水平。當發現客戶出現結算、存款或交易等大幅變動或下降等異常情況時，則通過系統向各條線發出風險提示或預警，貸前調查人員應核實相關信息，貸中審查審批人員應據此作出審查審批意見和決策，貸后管理人員應及時開展現場核查，就風險情況督促客戶改進，或采取壓縮授信額度、提前收回貸款、資產保全等防范措施。同時，進一步完善基于大數據信息的集中式風險輔助審查審批體制，補充或校正授信申報機構對客戶風險信息的收集和判斷。運用合理的參數和模型，結合大數據信息，做出更全面、專業的分析和判斷，使風險識別、計量、決策、防范更加準確及時。

強化與業務的聯動。一方面，開展“請進來”，請業務部門負責人、一線業務骨干到風控部門和大數據應用項目組， 親身體驗大數據智能風控服務，并根據業務需要提出相關需求和改進建議，以更契合業務發展的需要，更好地提升客戶體驗。另一方面，通過“走出去”，派出懂產品、善介紹的骨干人員，深入到業務條線和分支機構，開展大數據產品宣講、培訓，并搜集業務方面的反饋意見，完善產品功能及服務，推動大數據風控產品的應用，激發產品創新動力。

深化數據挖掘分析。銀行內部數據具有標準化、價值高的特性，是一座有待持續深入挖掘的寶藏，隨著銀行擁抱大數據進程的加快，內外部數據的整合將產生更大的潛在價值。銀行應充分利用大數據技術對海量數據深入挖掘和分析：一是結合企業的靜態和動態的數據，既要看企業資產負債表的靜態數據情況，還要考察企業交易結算數據等動態數據；二是結合宏觀、中觀和微觀的數據，綜合考慮宏觀經濟、中觀行業、微觀企業的情況；三是結合結構化和非結構化的數據，其中結構化數據包括貸款、存款、交易流水等，非結構化數據包括企業管理層情況、產品信息、抵質押品情況等；四是結合行內數據和行外數據，行內數據包括信貸數據、交易結算、抵質押數據等，行外數據包括工商稅務、司法環保、征信海關等方面的數據。通過以上幾種結合，動態地分析貸前調查、審查審批、貸后管理、資產保全等全流程的客戶及關聯關系風險，更好地了解客戶及其行為特征，優化風控技術和流程，提高風險評估模型的精準度，進一步提升風險管理的精細化水平。

建立大數據信用評分。通過大數據信用評分可以緩解傳統征信體系中無征信記錄的企業、個人，或財務數據難以核實的小微企業的借貸難題。在利用大數據建立個人信用評分方面，外部數據應涵蓋身份核驗信息、學歷信息、運營商信息、司法信息、工商信息、銀聯消費信息等，內部數據應通過與個貸系統、信用卡系統對接，實現內外部數據的整合。在利用大數據建立企業信用評分方面，一是應用企業及高管的外部大數據，涵蓋銀監、征信、工商、司法、環保、稅務、股東或高管投融資信息、公積金、房產指數、商標專利、外部輿情、學歷認證信息、電商交易數據等； 二是應用行內的企業及高管賬戶行為數據， 包括交易往來、存貸記錄、代發工資等。通過個人和企業的大數據信用評分，對接各業務條線生產系統，輔助貸前調查、授信審批、放款核驗、貸后監控、預警等工作， 提升授信業務質效，尤其是對于由第三方平臺如電商或支付公司推薦的客戶，基于保護客戶數據的考慮，平臺往往不提供詳細的信息，從而難以評價這些客戶的風險。

需要指出的是，大數據有其明顯的長處，但也有其不足。一是大數據容量越大，其噪音也相應地增加，甚至噪聲增長速度可能快于數據量的增速，在大數據管理、分析方法尚未完全成熟時，挖掘成本較高。而銀行傳統數據含金量高，可以基于比較成熟的數理統計理論和方法，建立經典的數理模型。二是外部大數據往往反映相關關系，而銀行傳統數據更容易得到因果關系，只有把兩者互相融合，把傳統數據分析方法的完備性、準確性和大數據的多維性、及時性融合起來，才能真正提升大數據在銀行風控中的實效。

（作者系華夏銀行總行授信運行部總經理）