基于大數據技術的企業風險管理研究

張敏 吳亭 李雨新

黨的十九大報告提出，要推動互聯網、大數據、人工智能和實體經濟深度融合，新技術與企業管理的深度融合是其中極為重要的一個方面。本文在深入剖析企業傳統風險管理存在不足的基礎上，構建基于大數據技術的風險管理模式、實施路徑，并介紹新模式下事前、事中、事后全方位風險管控的實施過程。

一、企業傳統風險管理存在的問題

新技術與企業管理不斷融合背景下，傳統技術下的風險管理難以適應復雜多變的風險管理環境，風險管理水平低下是企業面臨的一大難題。新技術沖擊下，傳統風險管理存在的問題主要集中在風險監控主動性不足、風險評估不夠全面、預見性管理有限、風險應對能力弱等方面。

1.風險監控主動性不足。由于缺乏先進的數據采集和處理技術，以手工作業為主的傳統風險管理無法及時獲得有效、準確的信息。信息獲取的成本高且時效性差，造成傳統風險管理不能對數據信息實施動態監管，很難做到主動實施風險監控。

2.風險評估不夠全面。傳統風險管理系統擁有多個不同的數據系統，而且數據存儲大多彼此獨立。數據之間無法共通，數據信息難以及時被有效提取和整合，傳統風險管理系統不能實時形成一個圍繞風險事件的多元化數據信息流。聚焦于某一個或某幾個數據系統提供的信息，傳統風險管理難以實現全面風險評估。

3.預見性管理能力有限。新技術與企業管理融合使得風險管理對象呈現出多樣性和復雜性特征。面對多樣復雜的風險管理對象，企業單純依靠傳統方式（定期填制底稿表格、開展訪談）或建立信息系統來發現風險并識別錯漏已顯得力不從心，傳統風險管理工作嚴重滯后。另外，現有的一些風險管理規則主要依賴于既定的指標及標準，面對大智移云等新興信息化技術不斷滲入，傳統風險管理規則的自我成長性及靈活性都較差，風險管理實時監督功能的靈敏度低，預見性管理的能力有限。

4.風險應對效能弱。傳統風險管理模式中各職能部門、業務部門間的風險管理工作被割裂和分塊化，面對復雜風險時，如何對責任進行準確界定成為了傳統風險管理的難點，風險應對效能被弱化。同時，受限于風險管理智能化程度，數據分析、信息傳遞與反饋、人員績效考核評價以及風險管理工作報告的自動化與智能化等方面的欠缺，使得風險應對效能被削弱。

二、基于大數據技術的企業風險管理模式

大數據技術在企業風險管理中的運用重構了企業風險管理系統，緩解了傳統風險管理中存在的問題。重構后的企業風險管理系統要求企業站在戰略的高度，綜合運用大數據思維、技術、標準，重塑大數據思維下的風險管理理念，創建基于大數據技術的企業風險管理模式。

具體而言，基于大數據技術的風險管理模式為：構建風險管理大數據處理中心，綜合全面地配備工作人員，以全集團統一的信息標準與數據處理方法實時采集、存儲與處理內外部數據，并借助大數據技術對其加以分析運用。這一過程貫穿于事前控制、事中控制和事后控制各階段，從而實現基于大數據技術的風險管理（如圖1所示）。

在此模式下，數據采集維度、數據分析手段以及數據應用能力都有很大提高，風險預警和監督功能得到根本性改變，風險事后應對效能得到增強。如圖1所示，寬口徑數據的采集，將使得風險管理工作的基礎更加堅實；機器學習、可視化技術、自然語言處理以及社會網絡分析等大數據分析手段的應用，極大地提升了風險管理中相關數據的應用與分析能力。大數據技術的運用使得風險管理工作的關口被前移，風險管理的時效性得到很大提升，從源頭上改進了風險管理的預警和監督功能。大數據技術的事前、事中和事后全過程控制，將企業內部數據信息進行梳理打通和關聯整合，并結合相關外部數據分析（宏觀經濟形勢、行業信息、供應商及客戶的稅務、財政、銀行、證券系統等），增強企業風險應對效能。

圖1 基于大數據技術的企業風險管理模式

圖2 風險管理大數據處理中心的人員配備

三、基于大數據技術的企業風險管理實施路徑

為了有效實施基于大數據技術的企業風險管理模式，企業需要重塑風險管理理念，創建數據共享平臺，利用大數據技術實現系統數據的整合、分析，構建風險管理大數據處理中心。

（一）重塑風險管理理念

基于大數據技術的企業風險管理將徹底摒棄局部風險管理的理念，實現全過程、實時、綜合性管理理念。大數據技術應用背景下，風險管理要求企業站在戰略高度，以全局視角綜合考慮風險問題，利用大數據技術、統一的信息標準與數據處理方法，采集、存儲和處理企業內外部數據，可以實時形成一個圍繞風險事件的數據信息流，實現企業風險管理全過程實時監控。

（二）構建風險管理大數據處理中心

基于大數據技術的風險管理模式，核心就是構建風險管理大數據處理中心，企業將以此中心作為企業集團開展風險管理工作的據點。該中心通過不間斷作業、實時反饋的工作方式，寬口徑多維度地對數據進行收集和分析，實現對風險的事前控制、事中控制和事后控制。風險管理大數據處理中心的構建需從以下幾點展開：

1.人員配備。風險管理大數據處理中心，不僅肩負著對海量數據資源的技術性收集與處理，而且還要承擔事前、事中和事后的全過程風險管理。多重角色定位決定了其應有的人員配備結構，如圖2所示。

首先，配備一定數量的技術型人才。技術型人才是構建風險管理大數據處理中心的基礎，一方面保障風險管理大數據處理中心的正常高效運轉，另一方面幫助相關新方案、新構想實現技術落地。

其次，配備足夠的技術+業務+風險管理的復合型人才。同時具備這三項技能的復合型人才是風險管理大數據處理中心的核心力量，在很大程度上決定著處理中心工作的效率和效果。即懂業務又懂風險管理的人才能夠根據不同業務的類型和特征，篩選出需采集的數據源并選擇適當的數據處理方式，然后基于現有需求提出貼合實際的風險管理工作方案。同時精通業務和技術的人才既能避免純技術人員因缺乏業務感知而方向錯誤，又能減少業務人員因技術知識的匱乏而過于天馬行空。“技術+業務+風險管理”的復合型人才對于各種方案在技術上的可行性與運行效果有清晰的認知，在模型運行結果的解釋能力與業務歸因能力方面，也遠超只懂技術或業務的一般員工。

最后，風險管理大數據處理中心還需要配備一定數量的專家顧問。擁有豐富行業經驗的專家顧問以其高瞻遠矚的視角，從技術方案抉擇到工作重點調整，均能夠對風險管理工作予以戰略意義上的指導和糾偏，及時對處理中心的工作方向與關鍵細節提出建議，使處理中心的運行效率持續保持增長活力。

2.工作內容設計。風險管理大數據處理中心工作內容的設計，是指利用大數據處理中心的數據信息流，將事前控制、事中控制與事后控制的全生命周期風險管理工作內容抽象出來。工作內容具體體現為：數據的采集、清洗、存儲、分析和反饋（如圖3所示）。

圖3 風險管理大數據處理中心的工作內容

圖4 基于大數據技術的風險管理事前控制

圖5 風險管理進度看板示例

數據的采集工作就是對與風險管理工作相關的所有信息進行實時獲取。采集的數據包括財務數據與非財務數據、內部數據與外部數據、結構化數據與非結構化數據（或半結構化數據），這些數據可體現為文本、音頻、視頻、圖像、數據表等多種形式。就數據的載體而言，采集的數據可來源于內部文件、會議記錄、新聞報道、訪談記載、生產流水、郵件往來、微博以及社交媒體等等。內部數據可通過在業務邏輯中嵌入采集代碼完成收集，即埋點采集。外部數據可使用爬蟲技術實現大規模的數據采集，其中獲得授權的上下游單位、社會公眾組織的外部數據采集也可通過API接口等技術實現采集。

采集到的內外部數據往往存在噪音，數據的清洗處理工作顯得十分必要。譬如：采集的數據可能存在大量相關非結構化數據，需對其進行預處理；數據中存在的重復值、異常值、缺失值等可能影響數據分析的準確性；不同數據量綱差異過大造成標準化程度低，難以開展有效分析等等。鑒于此，在數據清洗環節可運用PowerBI的Powerquery模塊、Python的Pandas庫、NumPy庫等工具，通過數據分箱、啞變量處理、行列操作等步驟，對海量原始數據進行處理，以提升數據的標準化程度和一致性。

如何將清洗處理后的數據變成有用的數據信息？首先需要解決數據的存儲問題。數據存儲是數據應用的前提，其涵蓋的內容是豐富的風險管理基礎數據資源。企業可結合自身規模、安全級別以及對實時性、準確性的需求，選取適當數據存儲模式，如購買云存儲服務、選擇工業常用的大型實時數據庫等。

圖6 實時風險坐標圖

圖7 風險熱力圖示例

圖8 基于大數據的銀行貸款決策支持效果

圖9 2000條工程安全事故類型分布圖

數據分析是風險管理大數據處理中心的工作核心，可以將清洗處理后的數據變成有用的數據信息。數據分析工作以時效性很強的風險管理相關數據為基礎，借助RPA、機器學習、自然語言處理、社會網絡分析等技術，以自動化和智能化的方式，增強企業風險管理的控制功能，提升企業風險管理過程的可視化程度，最終將智能分析生成的信息自動生成風險管理報告。

經智能分析生成的信息將反饋至相關部門與人員，以便及時應對易發的風險環節和已出現的風險事項，并對數據采集、分析等環節進行相應調整，提高風險管理大數據處理中心的工作效率。

3.工作方式轉變。企業風險管理大數據處理中心，因其高度自動化、智能化的特點，能夠以不間斷作業和實時反饋的形式開展工作。RPA、爬蟲與埋點采集等技術的運用，能夠日夜不停地進行數據采集與提取，給大數據處理中心帶來源源不斷的實時數據。不同業務的各個風險管理模型無休運轉，像分布在企業各個關鍵部位的傳感器與儀表盤，時刻對業務運行進行風險監控，并實時反饋。數據的實時反饋不僅能夠形成企業整體的實時風險清單，而且能夠在業務單元層面、個別崗位層面實現風險預警與應對。企業風險管理大數據處理中心極大地提高了風險管理工作的精度與強度。

四、基于大數據技術的企業風險管理過程

在大數據處理中心的支撐下，企業風險管理能夠獲得源源不斷的實時數據，并實現不間斷的數據處理、加工與反饋。數據在風險管理大數據處理中心的流轉過程是企業風險管理工作內容的抽象體現，將數據的流轉映射到企業具體風險管理工作中去，則可將企業風險管理分為事前控制、事中控制、事后控制三個階段，也就是基于大數據技術的企業風險管理全過程。

（一）事前控制

大數據技術下企業風險管理的事前控制，是基于關聯分析的思想，利用智能分析技術對企業海量多源異構的內外部數據進行挖掘與分析，以了解企業運行狀況和態勢，從而構建基于機器學習的各業務模塊風險預警模型，匯總實時風險清單或設置風險管理進度看板，識別和預警可能存在的風險并及時反饋（如圖4所示）。

大數據技術的運用促使企業風險管理關口前移。大量事實證明，利用大數據技術對企業內部的會議文件、合同、業務流程職責、內控制度、年報、財務文本信息等大量文檔進行分析，并判斷企業的重大決策流程、內部控制的合規性，有助于增加企業風險管理提前干預的可能性。例如，已有文獻研究發現上市公司年報披露的語氣（正面詞頻vs負面詞頻）波動性越大，則代表企業風險越大（Campbell等，2020）；還有研究通過對企業董事會會議記錄進行詞頻分析并呈現為詞云圖，能夠迅速直觀地了解企業戰略目標與工作重點，繼而與業務報告、崗位職責等文件進行智能比對，能夠看出企業在業務層面是否如實遵循戰略目標。

企業風險管理關口前移和隨之而來的海量、多源、異構的數據洪流，使得風險管理領域成為大數據技術（如機器學習技術、流程自動化技術）的重點應用場景之一。借助機器學習技術，基于實時的數據信息，根據不同業務類型的相應流程與內控環節，企業風險管理人員能夠有針對性地設計不同業務模塊的風險預警模型。構建基于機器學習的各業務模塊風險預警模型，包括以下幾個步驟：

1.規則定義與歷史數據的收集，這是搭建風險預警模型的基礎。所謂規則定義實質上就是形成一個“規則知識庫”。無論是企業宏觀層面上的戰略重點，還是業務單元層面上的具體目標，都是形成“規則知識庫”的指引和依據，更是完成這一步驟的支撐和參考。在這一規則庫中，包含了建構基于機器學習的風險預警模型所需的知識，主要體現為對規則定義的組合及預警條件的確定。例如，借助決策樹模型等算法，通過自動化規則挖掘，同時結合專家經驗，可以圍繞不同業務各自的控制目標，得出適當的可自我迭代的內外部規則。這些內外部規則包括欺詐檢測規則、評分規則、投資風險預警規則、供應鏈上下游企業協作風險規則等。

2.將歷史數據分為訓練集與測試集，通過調用Python工具包的方式，使用適當的算法完成對模型的訓練和測試。基于機器學習的風險預警模型，所面對樣本的一大特點就是負樣本在所有樣本中所占的比例極少。換言之，可供學習的有標簽的樣本較為稀缺，如內控失效、合謀舞弊等情形，并非日常頻頻出現。這些特征決定了在風險管理事前控制這一場景中，半監督算法與無監督算法的適用程度更高。

3.調試模型參數，增強模型的時效性與解釋度。由于風險預警模型主要是運用在事前控制環節，其功能定位和時效性要求模型在初始設置時可適當降低模型的復雜度與精度。

4.在實際應用中，風險預警模型根據反饋信息不斷優化，進一步增強模型的預警功能與適用性。

隨著各業務單元的風險預警模型的持續運行，基于大數據技術的企業風險管理系統可以匯總形成集團公司層面的實時風險清單，將其中的風險事項、關鍵風險環節、重點風險責任人、風險影響范圍等信息以可視化的形式呈現出來。具體而言，可以在公司領導及業務部門負責人的辦公場所設置風險管理進度看板（如圖5所示）；或者將各業務環節風險狀況進行匯總，并借助餅圖、折線圖、詞云圖、儀表盤、散點圖等形式加以展現；也可以將風險影響范圍與發生的可能性以不同顏色標示直觀地呈現出來，如使用紅色代表緊急重大風險、使用黃色代表一般風險等等，從而使相關人員能夠第一時間接收到風險狀況變化的信息。

此外，一旦風險預警模型或文本挖掘分析過程中識別到風險跡象，企業風險預警模型可借助流程自動化技術（RPA），設置信息的自動反饋機制，自動將相關信息在辦公系統內發送給相應的部門及管理人員。這一過程，不僅有助于風險狀況的實時反饋與提醒，同時也有助于責任歸屬的劃分，避免企業內部各職能部門間推諉“懶政”。

（二）事中控制

事中控制是指風險管理人員對事前控制環節形成的風險相關事項進行實時監控。換言之，事中控制可以通過對事前識別到的關鍵環節與關鍵事項設定相應的監控機制，一旦相關指標異常或觸發監控報警規則，則代表風險的出現，此時基于大數據技術的風險管理系統就會引發報警并實施風險應對。這一環節，風險應對的智能化顯得尤為重要，其中主要包括關鍵風險點實時監控與風險應對決策的智能化分析兩大部分。

1.關鍵風險點的實時監控是指利用機器學習技術，對事前預警中涉及的風險信息關鍵點進行實時監控。對關鍵風險點的實時監控，有助于風險管理關口的前移，增強風險管理人工干預和應對工作的主動性與及時性。具體步驟如下：

首先，形成重點實時監控風險對象清單。基于大數據技術的企業風險管理系統對集團所有業務進行常規監控的同時，還應根據事前控制中識別出的高風險客戶或業務流程中的隱患風險，形成相應的重點實時監控風險對象清單。

其次，設計相應的動態風險監控規則與指標。根據重點實時監控風險清單上列明的具體風險事項與監控流程，運用機器學習技術構建模型并設計相應的動態風險監控規則與指標。基于機器學習技術的模型具有自我學習和自我成長特性，能夠在人為不加干預的情況下，學習尋找風險管理事中控制的規則，并保證這種規則始終處于動態重構與不斷優化的過程中。

最后，實時繪制風險坐標圖。基于機器學習技術的模型會主動按照風險發生的可能性及其影響程度生成不同等級的提示，為人工干預和風險應對提供判斷依據。在實時監控中，該模型對風險發生的可能性及其影響程度加以展示時，可以借助可視化技術，實時自動繪制風險坐標圖，并通過直觀的顏色表示來進行風險情況的提示和監控。如圖6、圖7所示，對于紅色區域予以特別關注，應及時進行分析匯報。

關鍵風險點的實時監控將產生不同等級的風險情況，如何對不同等級的風險情況實施有效的人工干預和應對是事中控制環節的重要任務。針對不同風險情況所實施的人工干預和應對策略可以從可規避性、可接受性等視角，做出風險回避、降低、分擔或承受等不同等級的方案。面對多種風險應對方案，如何選擇是關鍵。風險應對策略的智能分析顯得尤為重要，決策智能分析系統應運而生。

2.決策智能分析系統通過建立智能決策模型，對多種風險應對策略進行智能化分析，并幫助風險管理人員作出合理的選擇。它能夠在大量歷史經驗的基礎上，對多種風險應對方案進行智能比較，篩選出符合公司長遠目標的風險應對選項，從而給出判斷結果并輔助決策，最終由人工選擇采取何種風險應對方案。這一職業判斷結果，又將作為新的訓練數據輸入至決策模型中。與傳統的人工決策相比，輔以智能分析決策的風險應對，能夠提高風險管理工作的事中控制效果。

以銀行貸款決策為例，如圖8所示，大數據決策模型相較于傳統決策模型而言，由于其信息量大，判斷標準更為豐富（電腦自動處理），其貸款拒絕率較低，同時貸款違約率也很低（秦璐，2018）。

（三）事后控制

風險管理工作的事后控制環節，是對事前控制和事中控制的結果進行匯總、分析和評價。開展完善切實的事后控制，是提升風險管理工作效率效果、形成風險管理閉環的必要環節。基于大數據技術進行風險管理工作事后控制，主要體現為非標準化風險管理報告、事后進行歷史風險事故分析和建立風險管理業績評分模型等三個方面。

1.在非標準化風險管理報告的呈現上，風險管理系統可借助自動化流程，將生成的“個性化”風險管理報告自動發送至相應的風險管理報告使用者。同時，風險管理系統也可借助語音自動播報與可視化技術等手段，使風險管理報告的使用更為便捷和直觀。目前業界已有運用自然語言處理技術自動生成審計報告的先例，極大地節省了人的精力。自然語言處理技術能夠通過人與計算機之間的“語言交互”，實現文本情感分析、文本分類、機器翻譯、自動文摘、生成文本等功能。更進一步地，自然語言處理技術也可用于滿足公司不同主體層級的需求，結合不同使用對象的關注點，有針對性地選擇不同的顆粒度與側重范圍，自動生成非標準化的公司層面、專項層面、業務層面、崗位層面的風險管理報告。由于省去了繁瑣的人工編寫及校對時間，風險管理報告的及時性也將得到極大提升。

2.在事后進行歷史風險事故分析時，風險管理系統可以以集團歷史風險數據庫中的完整風險管理報告作為分析樣本，利用自然語言處理技術讀取文本，結合風險事件的原因、經過、結果、影響因素等大量信息進行分類或聚類，開展針對風險因素和風險發生次數的分析，生成風險因素分布圖，能夠明顯識別出集團自身的關鍵風險因素。如：黃亞春（2019）從美國職業安全與健康管理局（OSHA）數據庫中搜集到大約2000條建設工程安全事故歷史報告，利用大數據技術對其進行文本分析，并借助可視化技術，用圖表展示的形式替代對文本內容冗長的解釋，生成依據事故發生原因分類的事故類型分布圖（如圖9所示）。 分布圖中信息顯示跌落事故占比 32.45%，非常突出且遠高于其他事故。這意味著，可以在之后的安全風險管理中著重關注此類風險因素。

3.在建立風險管理業績評分模型方面，基于大數據技術的風險管理系統可以根據系統日志等元數據及大量全面的其他基礎數據，得到在各流程節點上關于接到預警的具體崗位、接到預警的時間、做出應對的時間、采用的具體應對措施、具體事項造成損失的定量估算等重要評價因素。這些評價因素的具體責任人、該責任人做出應對是否及時、是否符合智能決策系統的判斷（包括：不采用智能決策系統推薦方案的原因記錄）以及風險應對的成果、跟蹤評價等信息也可以通過基礎數據獲得。

在上述評價因素的基礎上，依據專家經驗，公司根據實際情況選取評價因素，并確定這些評價因素的合理權重，進而建立風險管理業績評分模型。這一模型可以對責任人在風險管理過程中的表現做出評價，自動生成考核結果。考核結果作為相關人員業績考核的重要指標，與職位晉升、人員薪酬相掛鉤。

上述事后控制的整個過程，使風險管理工作形成閉環。事后控制在匯總形成不同層級的風險管理報告、加強風險管理結果分析的同時，還可以監督考核風險管理工作的執行力度。