殷浩倫 宋澤昊

〔內(nèi)容提要〕隨著銀行的數(shù)字化轉(zhuǎn)型不斷深入，零售信貸風(fēng)控由傳統(tǒng)的線下人工審核逐步轉(zhuǎn)為批量線上智能化管理。本文首先分析了大數(shù)據(jù)風(fēng)控在銀行零售信貸業(yè)務(wù)貸前、貸中、貸后等業(yè)務(wù)流程中的應(yīng)用表現(xiàn)，然后指出了大數(shù)據(jù)風(fēng)控應(yīng)用過程中在數(shù)據(jù)來源、IT基礎(chǔ)設(shè)施、人才建設(shè)等方面存在的問題，最后針對以上問題給出了相關(guān)建議，期待銀行業(yè)的發(fā)展更加精準(zhǔn)化、差異化、智能化。

〔關(guān)鍵詞〕大數(shù)據(jù)風(fēng)控 零售信貸 評分模型 風(fēng)控策略

近年來受經(jīng)濟(jì)增速放緩、監(jiān)管政策趨嚴(yán)以及新冠疫情等因素影響，銀行業(yè)的發(fā)展受到了巨大挑戰(zhàn)，但是隨著人工智能、云計(jì)算與區(qū)塊鏈技術(shù)的快速發(fā)展，銀行加快了數(shù)字化轉(zhuǎn)型的步伐，顯著增強(qiáng)了在長尾客戶的盈利能力，極大豐富了信貸業(yè)務(wù)的產(chǎn)品體系和應(yīng)用場景，逐步實(shí)現(xiàn)了業(yè)務(wù)驅(qū)動與風(fēng)險(xiǎn)管控的智能升級。目前，具備一定科技實(shí)力的國有銀行以及一些積極布局科技創(chuàng)新領(lǐng)域的中小銀行，在大數(shù)據(jù)風(fēng)控方面已經(jīng)做了一些積極探索，這些舉措雖然在銀行數(shù)字化轉(zhuǎn)型中還存在諸多問題，但依然促進(jìn)了我國銀行業(yè)的數(shù)字化轉(zhuǎn)型。

信貸業(yè)務(wù)是銀行最核心的資產(chǎn)業(yè)務(wù)，也是銀行最主要的利潤來源，將大數(shù)據(jù)風(fēng)控技術(shù)應(yīng)用在零售信貸領(lǐng)域主要是指銀行通過采集行內(nèi)客戶數(shù)據(jù)、人民銀行征信數(shù)據(jù)以及其他外部機(jī)構(gòu)數(shù)據(jù)，利用邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)等算法，生成應(yīng)用于貸前、貸中、貸后等場景的一系列評分模型，結(jié)合風(fēng)控目標(biāo)制定客戶準(zhǔn)入、額度管理、價(jià)格制定等管理策略，最終實(shí)現(xiàn)客戶從準(zhǔn)入到退出的全生命周期管理的線上化、精準(zhǔn)化和智能化。從數(shù)據(jù)分析到模型設(shè)計(jì)、再到策略制定，都是圍繞業(yè)務(wù)目標(biāo)展開的。

數(shù)據(jù)是大數(shù)據(jù)風(fēng)控的基石，銀行信貸業(yè)涉及的數(shù)據(jù)可以分為行內(nèi)數(shù)據(jù)和外部數(shù)據(jù)兩類，行內(nèi)數(shù)據(jù)包括客戶在本行的基本信息、交易數(shù)據(jù)、還款數(shù)據(jù)、逾期數(shù)據(jù)等，外部數(shù)據(jù)包括人行征信數(shù)據(jù)以及銀行從其他第三方獲取的包括但不限于社保、納稅、消費(fèi)、資產(chǎn)等信息。

模型是大數(shù)據(jù)風(fēng)控的核心，銀行在數(shù)據(jù)分析的基礎(chǔ)上根據(jù)業(yè)務(wù)目標(biāo)，通過分析各種風(fēng)險(xiǎn)要素對違約率的影響程度，運(yùn)用合適的模型算法，最終形成風(fēng)險(xiǎn)評分。評分模型在建立時(shí)可選用線性回歸法、邏輯回歸法、決策樹和神經(jīng)網(wǎng)絡(luò)等多種方法，但實(shí)務(wù)中應(yīng)用最廣泛的是邏輯回歸法。這是因?yàn)檫壿嫽貧w算法對數(shù)據(jù)量要求較低、操作相對簡單，模型效果較好，同時(shí)其具備的可解釋性還能滿足監(jiān)管機(jī)構(gòu)關(guān)于內(nèi)部評級模型的透明度要求。

策略是大數(shù)據(jù)風(fēng)控的關(guān)鍵，銀行為了實(shí)現(xiàn)業(yè)務(wù)目標(biāo)，可以根據(jù)評分模型區(qū)分貸款業(yè)務(wù)的風(fēng)險(xiǎn)程度并設(shè)置相應(yīng)的管理規(guī)則，包括客戶準(zhǔn)入、額度調(diào)整、風(fēng)險(xiǎn)預(yù)警等內(nèi)容，減少了人工干預(yù)帶來的誤差，從而實(shí)現(xiàn)對客戶的自動化管理。

（一）大數(shù)據(jù)風(fēng)控在貸前管理的應(yīng)用

大數(shù)據(jù)風(fēng)控貸前管理是指銀行通過客戶申請數(shù)據(jù)、征信數(shù)據(jù)以及外部數(shù)據(jù)，對申請貸款的客戶進(jìn)行分析，在此基礎(chǔ)上建立申請?jiān)u分模型，識別出存在較大信用風(fēng)險(xiǎn)的客戶并拒絕其貸款申請，同時(shí)對審批通過客戶進(jìn)行授信管理和風(fēng)險(xiǎn)定價(jià)的管理過程。

1.貸前數(shù)據(jù)

零售信貸業(yè)務(wù)放貸前銀行所能收集到的客戶信息包括申請信息、登錄信息、渠道信息、人行征信信息以及從其他渠道獲取的黑名單等信息，其中對建模來說具有重要意義的主要是人行征信信息，銀行通過查詢個(gè)人征信報(bào)告對客戶的每一項(xiàng)數(shù)據(jù)進(jìn)行清洗、加工和處理，并建立專門的數(shù)據(jù)庫將有效信息保存下來供建模使用。

2.申請?jiān)u分模型

評分卡是以分?jǐn)?shù)的形式來衡量風(fēng)險(xiǎn)幾率的一種手段，是對未來一段時(shí)間內(nèi)違約/逾期/失聯(lián)概率的預(yù)測。基于統(tǒng)計(jì)模型建立的評分卡可以更準(zhǔn)確地預(yù)測風(fēng)險(xiǎn)，并減少因非客觀判斷造成失誤的風(fēng)險(xiǎn)。根據(jù)零售信貸生命周期的不同階段，最常見的評分卡包括申請、行為、催收等評分卡，他們分別應(yīng)用于貸前、貸中和貸后等業(yè)務(wù)場景。

申請?jiān)u分模型是銀行基于申請客戶數(shù)據(jù)樣本專門建立的模型，通過分析各種風(fēng)險(xiǎn)要素對違約率的影響程度，最終形成風(fēng)險(xiǎn)評分。評分模型的建立過程中，首先要對采集到的原始數(shù)據(jù)進(jìn)行分析，然后再對經(jīng)過篩選的變量采用一定的方法進(jìn)行建模，之后對模型的準(zhǔn)確性、穩(wěn)定性和可解釋性進(jìn)行驗(yàn)證評估，并不斷優(yōu)化。

3.貸前策略

由評分模型建立的評分卡技術(shù)可廣泛應(yīng)用于銀行零售業(yè)務(wù)的貸前申請審批、授信額度確定、利率定價(jià)等環(huán)節(jié)，根據(jù)風(fēng)險(xiǎn)策略的不同，銀行可以在評分卡系統(tǒng)中設(shè)定不同的臨界值，根據(jù)評分所處的臨界值區(qū)間自動作出審批決策。同時(shí)，如果行內(nèi)針對黑名單設(shè)置規(guī)則，則直接拒絕；如果針對優(yōu)質(zhì)客戶設(shè)置綠色通道，則直接通過審批。

對于審核通過的客戶，銀行會制定相應(yīng)的額度策略和利率定價(jià)策略。通常情況下，銀行會綜合考慮客戶的信用狀況、收益預(yù)期、對銀行的貢獻(xiàn)等因素，原則上客戶評分越低，風(fēng)險(xiǎn)越高，授信額度越低，定價(jià)越高；客戶評分越高，風(fēng)險(xiǎn)越低，授信額度越高，定價(jià)越低，整個(gè)策略制定過程堅(jiān)持風(fēng)險(xiǎn)與收益對等原則。

（二）大數(shù)據(jù)風(fēng)控在貸中管理的應(yīng)用

大數(shù)據(jù)風(fēng)控貸中管理是根據(jù)現(xiàn)有客戶的行為數(shù)據(jù)，如消費(fèi)、交易、還款、逾期等信息，利用合適的算法模型，對客戶風(fēng)險(xiǎn)進(jìn)行精準(zhǔn)把控，最終實(shí)現(xiàn)貸中客戶風(fēng)險(xiǎn)實(shí)時(shí)、動態(tài)管理的目標(biāo)。

1.貸中數(shù)據(jù)

零售信貸業(yè)務(wù)貸中管理銀行需要收集的數(shù)據(jù)主要是客戶行為類數(shù)據(jù)，可以從行內(nèi)和行外兩種渠道進(jìn)行收集。行內(nèi)數(shù)據(jù)側(cè)重于客戶在本行的行為數(shù)據(jù)，例如客戶的消費(fèi)、交易、還款、逾期等行為積累的數(shù)據(jù)，但這些數(shù)據(jù)并不能完整反映客戶的實(shí)際風(fēng)險(xiǎn)，這時(shí)候就需要引入外部數(shù)據(jù)，如客戶在其他機(jī)構(gòu)的消費(fèi)數(shù)據(jù)、借貸數(shù)據(jù)、資產(chǎn)數(shù)據(jù)等，這些信息綜合起來可以較好地刻畫出客戶的行為風(fēng)險(xiǎn)，為貸中風(fēng)險(xiǎn)策略的制定提供數(shù)據(jù)支撐。

2.行為評分模型

行為評分模型是銀行基于客戶行為數(shù)據(jù)樣本專門建立的模型，其建模流程同申請?jiān)u分模型一致。在數(shù)據(jù)分析階段，首先對行內(nèi)及外部數(shù)據(jù)進(jìn)行提取，對數(shù)據(jù)分布進(jìn)行初步分析，篩選出可供使用的有效數(shù)據(jù)；然后進(jìn)行模型設(shè)計(jì)，比如排除哪些行內(nèi)客戶，對好/壞客戶進(jìn)行定義，對觀察期和表現(xiàn)期進(jìn)行界定等；下一步進(jìn)行特征分析，在現(xiàn)有初級行為數(shù)據(jù)的基礎(chǔ)上進(jìn)行衍生設(shè)計(jì)，由此增加數(shù)據(jù)的表現(xiàn)力，比如對客戶逾期金額取最大值、最小值、均值、中位數(shù)等以判斷逾期的嚴(yán)重性，再結(jié)合衍生特征的分布情況、有效性進(jìn)行篩選；接下來進(jìn)行模型開發(fā)，通過抽取合適的建模樣本利用邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)等算法進(jìn)行模型訓(xùn)練，對參數(shù)進(jìn)行優(yōu)化直至模型區(qū)分好壞客戶的能力達(dá)到相應(yīng)水平；最后對模型有效性進(jìn)行驗(yàn)證，為防止模型發(fā)生偏移，最好使用時(shí)間外樣本進(jìn)行驗(yàn)證，也可以利用之前建立的相關(guān)模型進(jìn)行交叉驗(yàn)證，以評價(jià)模型的適用性。

3.貸中策略

信貸業(yè)務(wù)貸中風(fēng)險(xiǎn)管理應(yīng)用最廣泛的是信用卡業(yè)務(wù)使用場景，銀行根據(jù)客戶行為評分及其他風(fēng)險(xiǎn)收益狀況，制定相應(yīng)的額度調(diào)整策略和利率調(diào)整策略，使得客戶的授信額度和利率定價(jià)能夠精準(zhǔn)匹配客戶的風(fēng)險(xiǎn)狀況。

此外，銀行可以根據(jù)客戶的行為變化，結(jié)合不同場景，制定相應(yīng)的預(yù)警規(guī)則，如根據(jù)客戶頻繁更換手機(jī)號、住址及工作等信息預(yù)測客戶穩(wěn)定性，根據(jù)客戶逾期信息判斷客戶還款能力是否惡化等，風(fēng)險(xiǎn)預(yù)警規(guī)則的設(shè)置有助于銀行盡早發(fā)現(xiàn)風(fēng)險(xiǎn)客戶并及時(shí)采取相應(yīng)的管控措施。

（三）大數(shù)據(jù)風(fēng)控在貸后管理的應(yīng)用

借款人到期不能或不愿償還借款而形成的逾期貸款是影響銀行經(jīng)營業(yè)績和風(fēng)險(xiǎn)管控的重要因素，因此銀行必須采用一些措施來有效催收逾期貸款。將大數(shù)據(jù)技術(shù)應(yīng)用在貸后管理，可以構(gòu)建催收模型，根據(jù)模型評分設(shè)置不同規(guī)則將催收模式精細(xì)化，對客戶實(shí)施差異化催收策略。

1.貸后數(shù)據(jù)

零售信貸業(yè)務(wù)貸后管理所需要的數(shù)據(jù)主要是還款及逾期數(shù)據(jù)，如逾期狀態(tài)、金額、次數(shù)、還款率等，這些數(shù)據(jù)真實(shí)反映了客戶的信用狀態(tài)，利用這些數(shù)據(jù)構(gòu)建模型可以幫助銀行實(shí)現(xiàn)催收管理的標(biāo)準(zhǔn)化與精細(xì)化。

2.催收評分模型

催收評分模型通過評估客戶催收難度、逾期金額、賬齡等多維度信息建立評分系統(tǒng)，對債務(wù)還款可能性進(jìn)行綜合評估。催收評分模型的構(gòu)建流程與申請?jiān)u分卡和行為評分卡的構(gòu)建流程基本一致，需要注意的是，針對催收客戶建立的催收評分模型是系統(tǒng)按月自動采集評分指標(biāo)進(jìn)行評分，然后給出評分結(jié)果，而申請?jiān)u分模型是在申請時(shí)采集信息，行為評分是定期采集信息，但是采集周期比催收評分要長，這是因?yàn)檫M(jìn)入催收階段的客戶風(fēng)險(xiǎn)較高，需要加大監(jiān)控頻率來反映風(fēng)險(xiǎn)的變化。

3.貸后策略

以大數(shù)據(jù)為驅(qū)動構(gòu)建的智能催收策略，可以根據(jù)催收評分系統(tǒng)結(jié)合催收人員能力制定合理的分單策略，實(shí)現(xiàn)對案件的合理化分配，提升催收效果。通過設(shè)置友好自動撥號，對于高頻、簡單的催收案件，采用試觸式輪循撥打，減少人工操作，縮短撥打間隔，有效提升催收效率。

任何事物的發(fā)展都有兩面性，大數(shù)據(jù)風(fēng)控在為銀行精細(xì)化管理帶來便利的同時(shí)，也帶來了一些挑戰(zhàn)，主要體現(xiàn)在以下方面。

（一）數(shù)據(jù)來源問題

數(shù)據(jù)是模型建立的原材料，是大數(shù)據(jù)風(fēng)控的基礎(chǔ)，但是面對14億人口的龐大群體，首先很難做到全面覆蓋，其次難以保證數(shù)據(jù)質(zhì)量，再者涉及到個(gè)人隱私，同時(shí)可能存在非法交易。

1.數(shù)據(jù)不全面

從覆蓋面來說，我國人口眾多，存在大量征信空白人口，這些人群首次申請貸款時(shí)，因?yàn)閿?shù)據(jù)缺失很難對其風(fēng)險(xiǎn)進(jìn)行判定；從數(shù)據(jù)結(jié)構(gòu)來說，部分人群的部分?jǐn)?shù)據(jù)項(xiàng)存在缺失，在建模時(shí)可能導(dǎo)致具有較強(qiáng)區(qū)分能力的特征無法入模，從而降低模型的準(zhǔn)確性。

2.隱私受侵犯

在數(shù)據(jù)采集過程中，會涉及客戶的聯(lián)系方式、學(xué)歷信息、資產(chǎn)信息、職業(yè)信息等，這些數(shù)據(jù)通常要進(jìn)行脫敏處理，但是由于客戶數(shù)據(jù)廣泛存在于各類客戶端上，數(shù)據(jù)來源眾多，一些不當(dāng)操作可能會暴露客戶隱私。

3.質(zhì)量難保證

隨著互聯(lián)網(wǎng)的發(fā)展，大量客戶端可能記載了客戶的消費(fèi)、行為、資產(chǎn)等各種信息，由于外部數(shù)據(jù)渠道范圍廣，各類信息可能存在不一致甚至沖突的情況，數(shù)據(jù)質(zhì)量良莠不齊可能會嚴(yán)重影響建模效果。

4.可能存在非法交易

由于數(shù)據(jù)安全管理不到位，市場上出現(xiàn)了高價(jià)買賣個(gè)人信息的行為，造成了暴力催收事件，給當(dāng)事人和社會帶來了嚴(yán)重的負(fù)面影響，2018年以來，國家加大了對數(shù)據(jù)安全的管控，一定程度上降低了非法交易個(gè)人數(shù)據(jù)帶來的惡劣影響。

（二）銀行業(yè)IT基礎(chǔ)設(shè)施不完善

一套嚴(yán)謹(jǐn)?shù)娘L(fēng)控體系運(yùn)行依賴于完善的IT系統(tǒng)支持，目前我國國有大型及股份制銀行IT架構(gòu)相對成熟，但是地方性中小銀行及農(nóng)商行IT基礎(chǔ)薄弱，數(shù)據(jù)治理水平有待提高，難以實(shí)現(xiàn)數(shù)字化獨(dú)立管理。具體表現(xiàn)為，沒有全行范圍內(nèi)的統(tǒng)一產(chǎn)品目錄；不同系統(tǒng)間客戶標(biāo)識、客戶分類存在不一致的情況；客戶劃分不統(tǒng)一，存在錯(cuò)誤的分類結(jié)果，導(dǎo)致分類結(jié)果不可靠，無法用于準(zhǔn)確地監(jiān)管資本計(jì)量；上報(bào)數(shù)據(jù)缺失和不完整情況較為嚴(yán)重，依靠手工補(bǔ)錄的方式完成，操作風(fēng)險(xiǎn)極大。

客戶數(shù)據(jù)不一致會導(dǎo)致無法實(shí)現(xiàn)真正的客戶統(tǒng)一視圖，嚴(yán)重影響以客戶為中心的戰(zhàn)略目標(biāo)得以落實(shí)；內(nèi)部經(jīng)營管理數(shù)據(jù)不完整導(dǎo)致無法實(shí)現(xiàn)精細(xì)化管理的需求，甚至使暗箱操作成為可能，給銀行穩(wěn)定運(yùn)營帶來極大隱患；風(fēng)險(xiǎn)類數(shù)據(jù)分類不準(zhǔn)確導(dǎo)致監(jiān)管資本、經(jīng)濟(jì)資產(chǎn)計(jì)算結(jié)果不可靠，甚至多占資本，影響資本精細(xì)化管理水平。

（三）模型更迭依賴更多專業(yè)化人才

模型的建立不是一成不變的，隨著時(shí)間的推移，客戶的行為習(xí)慣會發(fā)生變化，依托于歷史數(shù)據(jù)構(gòu)建的模型將會發(fā)生偏移，這就需要定期對模型的有效性進(jìn)行驗(yàn)證，一旦發(fā)現(xiàn)模型效果出現(xiàn)下降就意味著模型區(qū)分好壞客戶的能力在降低，可能會拒絕好客戶的授信申請而提高壞客戶的審批通過率，這將給銀行帶來巨大損失，因此應(yīng)當(dāng)在模型能力下降時(shí)對模型進(jìn)行更迭，例如，某些特征對好壞客戶的區(qū)分能力下降就需要更換更具區(qū)分度的變量，模型算法的局限性導(dǎo)致海量數(shù)據(jù)處理效果不佳則應(yīng)嘗試改變更優(yōu)的算法。模型區(qū)分能力降低的原因是多種多樣的，它依賴于專業(yè)人員的專業(yè)判斷及解決方案，但是銀行目前專業(yè)的建模人員并不多，模型建立大多依靠外包第三方來解決，導(dǎo)致模型后期更迭維護(hù)可能會出現(xiàn)問題。

（一）建立完善的征信體系

針對數(shù)據(jù)不完整、隱私受侵犯、質(zhì)量難保證等難題，央行已搭建二代征信系統(tǒng)，在原有征信數(shù)據(jù)的基礎(chǔ)上積極引入社會安全管理部門、公共事業(yè)單位等更多主體，這些主體的參與豐富了二代征信內(nèi)容，建立起國家級信用信息共享機(jī)制，緩解了金融交易中信息不對稱問題。

在此基礎(chǔ)上，央行應(yīng)該積極引入更多市場化主體，如非銀金融機(jī)構(gòu)，將更多信貸數(shù)據(jù)納入征信體系，完善個(gè)人信貸信息，全面反映個(gè)人完整借貸情況；同時(shí)，應(yīng)當(dāng)適當(dāng)降低征信數(shù)據(jù)使用成本，對于中小銀行來說，由于自身數(shù)據(jù)較為匱乏，風(fēng)控?cái)?shù)據(jù)非常依賴人民銀行征信數(shù)據(jù)，而對于貸中貸后風(fēng)險(xiǎn)管理來說，需要頻繁使用征信數(shù)據(jù)，如果查詢成本過高會增加銀行成本。

（二）完善銀行IT基礎(chǔ)設(shè)施建設(shè)，加強(qiáng)數(shù)據(jù)治理

穩(wěn)定的IT基礎(chǔ)設(shè)施是保障大數(shù)據(jù)風(fēng)控模型和策略實(shí)施的基礎(chǔ)，針對數(shù)據(jù)標(biāo)準(zhǔn)不一致問題，應(yīng)當(dāng)建立統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)，確保相關(guān)數(shù)據(jù)的分類與執(zhí)行保持一致，需要注意的是，數(shù)據(jù)治理應(yīng)當(dāng)覆蓋數(shù)據(jù)的整個(gè)生命周期，同時(shí)與管理模式、風(fēng)險(xiǎn)狀況和業(yè)務(wù)規(guī)模相適應(yīng)，推動數(shù)據(jù)真實(shí)、準(zhǔn)確、客觀地反映出資產(chǎn)的真實(shí)風(fēng)險(xiǎn)。

（三）引進(jìn)大數(shù)據(jù)人才，建立數(shù)據(jù)化管理團(tuán)隊(duì)

當(dāng)前銀行的大數(shù)據(jù)風(fēng)險(xiǎn)管理主要依賴于外部第三方機(jī)構(gòu)，僅有部分人員牽頭負(fù)責(zé)具體項(xiàng)目的實(shí)施。銀行數(shù)字化轉(zhuǎn)型離不開數(shù)字化人才，首先銀行應(yīng)當(dāng)在管理層建立起數(shù)字化管理的先進(jìn)理念，在實(shí)施層面，銀行一方面可以通過外部引進(jìn)大數(shù)據(jù)相關(guān)人才，也可以從當(dāng)前業(yè)務(wù)團(tuán)隊(duì)挑選合適的人員進(jìn)行轉(zhuǎn)型培養(yǎng)，建立起覆蓋數(shù)據(jù)分析、模型建立、策略實(shí)施等板塊，貫通貸前、貸中、貸后等業(yè)務(wù)流程的數(shù)字化人才團(tuán)隊(duì)。

雖然我國銀行業(yè)的數(shù)字化發(fā)展目前還存在一些問題，但在隨著市場的逐步成熟、監(jiān)管機(jī)制的不斷完善以及銀行自主轉(zhuǎn)型不斷深化，銀行業(yè)的發(fā)展將會更精準(zhǔn)化、差異化、智能化。

（作者單位：1.河南財(cái)經(jīng)政法大學(xué)統(tǒng)計(jì)與大數(shù)據(jù)學(xué)院；2.河南財(cái)經(jīng)政法大學(xué)統(tǒng)計(jì)與大數(shù)據(jù)學(xué)院）