大数据时代小微企业智能审贷问题研究

2016-02-06谢清河

现代经济探讨 2016年12期

谢清河

大数据时代小微企业智能审贷问题研究

谢清河

当今，在有效控制风险基础上满足小微企业资金需求，仍然是银行业面临的重要课题。在大数据背景下，信用风险控制技术是大数据在商业银行应用的最核心功能。本文以大数据为背景，结合商业银行内外部环境，探讨了小微企业智能审贷引入大数据分析的必要性与可行性，剖析了商业银行推进小微企业智能审贷面临的困难与挑战。并建议：加强法制建设，完善金融业营商环境；完善数据库体系建设，提升数据处理能力；强化数据价值挖掘能力，实现数据价值最大化；搭建适应大数据的数据管理体系，实现全方位的风险监测预警；加强人才队伍建设，营造良好的人才环境。

商业银行大数据小微企业风险管理信贷审批

一、引言

大数据（big data）是指信息量大而复杂到无法在一定时间内用常规数据库管理工具对其处理的数据集合。小微企业大数据信贷智能审批是指商业银行通过抓取到的综合“大数据”信息进行全面地、深度地挖掘和分析，建立起贷款客户的信用评级、贷款定价，然后系统根据信用评级结果自动审批等流程决定是否贷款，采用全流程系统在线办理的操作业务模式。目前，在小微企业授信中大数据技术的应用，大多数文献集中讨论了小微企业评级中的大数据技术应用。如，陈勇俊（2011）分析了大数定律下小微企业授信模式，认为可以用小微企业的总体预期贷款损失率来代替每一笔小微企业贷款的预期损失率。孙中东（2013）提出商业银行的信用评级体系，可以应用大数据技术进一步完善、创新。钱慧、梅强、文学舟（2013）借用主成分分析方法探索对小微企业信贷风险评估的适用性，并结合银行最终的放贷结果进行评价。刘芸、朱瑞博（2014）提出互联网金融的开放性，可有效降低征信成本，促进征信体系更加透明，进而降低小微企业的融资成本。但是，依托大数据技术应用于小微信贷业务仅停留在理论研究阶段。

据工商部门统计，截至2015年末，全国在册的企业一共有1300多万家，其中99%的是中小微企业。这些企业解决了中国50%的税收，60%的GDP，70%的进出口业务和80%的就业。但中小微企业却只能从银行拿到10%不到的贷款，而且几乎无直接融资。而在大数据运用的背景下，信用风险控制技术是大数据在商业银行应用的最核心功能，商业银行可从80%的低端客户获取到巨大的商机，彻底颠覆了银行传统经营的“二八定律”。因此，在大数据时代，加强小微企业智能审贷问题研究，对探讨构建小微企业大数据信贷新模式，适应小微企业“短、小、频、急”的资金需求，具有十分重要的理论和现实意义。

二、小微企业智能审贷引入大数据分析的必要性与可行性

1．小微企业智能审贷引入大数据分析的必要性

（1）大数据信息技术挖掘优势，为精准授信打好基础。大数据时代，银行业借助大数据信息挖掘优势，更加前瞻地洞察影响贷款资产安全、收益的各类风险因素，并及时做出针对性调整策略，较好地解决传统信贷风险管理中的信息不对称难题（如表1）。

（2）互联网金融的强烈冲击，要求商业银行紧跟大数据在同业应用进程。一是传统银行加大与数据服务商合作，强化大数据在管理中的运用力度。如美国Zest Finance，通过采集尽可能多的商业化数据，结合信贷数据模型，运用大数据技术，挖掘分析个人信用资源，达到增强个人信用的目的（如图1）。二是大数据在信贷业务中的应用。随着数据采集范围的扩大和建模技术的更新，根据业务专家设定的运行规则，将基于大数据生成的评分信息形成信用风险评级模型，嵌入到信贷管理系统中，更好地识别客户风险，极大提升审批效率。

（3）应对金融市场化的复杂风险形势，满足更主动、有效的防控信贷风险要求。银行信贷服务的核心是风控，银行借助互联网、大数据、云计算等技术支撑，通过企业的交易数据等历史信息来构建企业信用评分模型，对企业信用评分模型的分析、论证、归纳最终提取出客户的真实信用状况（如图2），并构建分析客户风险变化的量化机制，实现小微企业“智能审贷”的服务模式。

表1 传统信贷管理与大数据管理的比较

图1 Zest Finance的信用评估流程图

图2 2015年小微企业融资渠道

2．小微企业智能审贷引入大数据分析的可行性

（1）银行信贷信息化体系日趋完善，为智能审贷引入大数据技术提供了必要的基础条件。一是大数据的“集中式”处理，提升系统处理效率。以大数据的分布式存储与处理方式构建的大规模计算机集群，不仅有效降低硬件成本，数据的运算效率大大提升，而且大幅降低信息搜寻与处理费用（蔚赵春、凌鸿，2013）。二是积淀了海量的历史与最新信贷数据信息，为商业银行提供日益精准的数据。借助大数据平台，以多年积累的法人客户、个人客户为基础，及时挖掘基本信息、交易与财务信息、动态信息等多层次数据信息，将更能客观地精准映射客户信息视图。三是信贷管理系统与其他相关系统的交互渠道进一步畅通。大数据背景下银行可利用互联网从社交网络活动中，及时了解信息主体资金交易方式、结算习惯等多维度的动态信息，为信贷数据及其有关数据的关联性分析提供了更加有利的条件和宽广的空间，并通过大数据技术将采集的信息数据分门别类存储到数据库中。

（2）云计算的超强计算性能配合大数据技术，为信用信息处理提供了强大的技术支持。一是在金融数据背景下，通过大数据技术对众多分散的异构数据分解成多个子任务并行关联与集成分析，如采用分布式计算技术将信用动态评分、风险评估和管理、提供更多信用报告选择、预测和快速匹配信贷需求等方面，实现大数据的分布式处理，极大提高数据信息处理的时效性与效率。二是大数据的“集中式”处理，提升系统处理效率。三是大数据和云计算能有效提升信用数据的挖掘深度。当前，80%以上的信息为复杂的非结构化数据，凭借大数据的深层挖掘处理能力，能根据个性化的需求尝试建立智能分析模型，实现期望预测的目标。

（3）商业银行凭借自身的IT技术优势，具备了基本的数据挖掘分析经验。一是具备内外部数据整合的能力。银行IT技术的发展实现了便利的海量数据收集和存储，更重要的是和大数据链条上其他外部数据整合的能力。如互联网上涉及资金交易、公共政务、日常生活等众多与信用相关联的变量，及其互联网上的信息：用户IP地址、搜索习惯、网络数据，甚至一些个人兴趣爱好均可作为其信用评价的考量因素。二是具备较强的数据分析能力。银行采用大数据技术，动态挖掘涉及客户的工商税务、网络媒体、资产交易等外部信息，通过文本分析及内容挖掘技术，将识别后的信息转换成标准分类，建立企业信息预警规则与信息索引库，结合企业交易流水信息、资金往来异动信息等，完善企业信息预警系统。如在企业贷款支用环节，银行对企业未按照约定支付或支付规律出现异常实施智能预警。

（4）引入和培训大数据相关技术人员，逐步建立大数据相关专业团队。商业银行经过多年的信息系统建设，已逐步建立了以信贷评级体系建设和在线监控人员为主干的信贷数据分析应用团队，而且围绕数据获取、储存、搜索、共享、分析需求，不断扩大科技、软件、需求和相关力量的配置力度。同时，为了适应大数据应用，各银行普遍加大引入和培训大数据相关技术人员，并以软件研发部门为基础，组建大数据相关专业分析研究团队，为大数据挖掘分析的顺利推进提供了必要的相关技术人员基础保障。

三、小微企业智能审贷引入大数据分析面临的困难与挑战

1．社会信用体系不完善，大数据信用信息的市场监管面临挑战

一是新兴的信用信息业务监管制度缺失。社会信用体系不完善以及个人信用数据匮乏，部分企业以互联网为平台，陆续尝试借助各自信息技术资源优势，广泛采集企业和个人信息，提供信用数据等新兴业务。但目前我国新兴的信用信息业务缺乏大数据挖掘统一的技术规范要求，特别是涉及隐私保护和数据信息安全的法律法规有待完善。二是大数据征信领域的监管体系尚未成熟，行业标准统一缺乏相应的法律法规。近年来，我国逐渐兴起大数据征信，现有的《征信业管理条例》及配套规章制度的监管对象主要是传统的金融领域，难以覆盖到征信机构以外，如腾讯、阿里等互联网企业开展的大数据征信行为，在行业自律与监管方面，缺乏统一的行业职业道德与规范标准，特别是适应市场监管的相关技术与水平亟需提高。

2．随着数据量的剧增和数据的云端集中，对数据安全的保护提出更大的挑战

一是信息安全和隐私保护尚需加强。随着非结构化数据的急剧增长，多元化、多层次化的数据量进一步集中，且数据的分布式处理也加大了数据泄露的风险。大数据采取云计算、云存储等分布在多台计算机上，信息数据结构复杂、链条长，容易产生数据泄密的风险，因而，对海量数据保密技术要求高，信息数据安全防护变得更加困难。二是隐私保护和数据安全成为制约大数据发展的瓶颈。新技术的发展让信息的获取更加方便、存储时间更长久，同时数据搜索也更容易，在云端长久储存并汇集的数据都可能成为被攻击的目标，配置或者软件的错误都有可能意外地被其他用户访问，数据的分布式处理也加大了数据泄露的风险（聂元铭，2013）。用户一旦被黑客全部窃取或部分窃取后，经过交易和交换，一个人的完整信息就彻底暴露，如徐玉玉被骗案便是典型信息泄漏案。而保密文件如果托付给技术不成熟的云计算服务商，数据丢失、病毒入侵等问题就更加严峻。

3．数据的质量失真和数据清洗，量化系统性风险面临挑战

一是数据的清洗与高质量数据的生成。目前银行数据不够清洁，信息数据鱼龙混杂、良莠不齐，难以直接对数据关系进行逻辑验证，无法智能高质量的清洁数据。因此，首要问题是将此类非结构化、半结构化的数据转化为可用结构化数据。二是量化面临系统性风险挑战。银行信贷专业人员通常利用网络平台，采用大数据技术建立的评价模型，对中小企业经营过程进行量化分析与判断。但是，对量化模型的建立及其及时改善与更新，均面临系统性风险的复杂性。如量化模型参数的设定、历史经营的指标数据来源与更新、企业的外在环境与条件的变化等均影响系统性风险的量化模型。

4．高素质人员少，尤其是大数据处理专业人才严重匮乏

一是高素质人员少，尤其是拥有处理大数据的信息技术方面的人才匮乏。在大数据时代，信贷智能审批需要大量的金融经济、信息技术、互联网等各专业高端人才，对海量数据进行云计算处理、加工存储、挖掘分析。因此，对商业银行来说，最棘手的问题是缺乏人才，尤其是既懂统计学，会编程，又懂专业知识的数据挖掘人才。二是相比传统数据分析，数据家成为新兴的紧缺人才。数据能力强的人员能以深度的商业知识和经验将数据进行归类、整合和管理，并能采用数据模型和数据挖掘的方式来对客户分类，或研究有关产品、风险等。同时在数学、计算机和商科等数个领域具备较强能力，严谨又对数据有敏锐洞见的人才极其稀缺。麦肯锡全球机构预测，2018年将出现14万至18万个数据家空缺。但打造专业高效与跨领域的大数据分析人才更非一日之功。

四、政策建议

1．加强法制建设，完善金融业营商环境

一是地方政府须担责，营造良好信用环境。地方政府在界定、处理好国家机密、商业秘密、个人隐私保护与公开之间关系的前提下，围绕诚信体系的领域，出台包括政府信用、企业信用以及个人信用的相关细则，对各项信用制度进行普及、研究和培训，营造良好的社会信用环境。二是建立信息采集交换机制。建立包括央行在内的金融监管部门、商业银行、工商税务、环保、电信、供水供电等数据交换平台。尽快建立与完善数据挖掘、处理、存储等技术标准与规范，条件许可的情况下，建立区域信用数据采集与资源共享平台，逐步建立并推进金融信用信息的采集交换机制。三是建立多方联合惩戒机制，形成对失信行为的有效威慑。建立并完善失信行为的信息管理制度，加强企业与个人信用信息披露管理，强化公共服务信息数据共享，进一步完善金融、行政司法、工商税务等联合惩戒机制，营造“一处失信、处处受制”的信用环境，提高失信者的交易成本，加大惩戒力度，直至依法追究失信者的民事责任。

2．完善数据库体系建设，提升数据处理能力

一是建立并完善信贷业务全流程的大数据信息采集规则，尤其是规定各环节真实连续反映借款人信息的采集规范要求和内容，并通过整合现有各业务系统数据，将相关数据信息通过大数据技术归集到大数据库；并通过整合内外部数据源，对运营管理程序中的各参数进行整合、优化设计，加强数据标准、数据质量管控建设，铺设链接各类资源交易权威网站等接口。二是通过大数据库搜索引擎功能，利用信贷审批业务专项数据库，挖掘分析该信贷业务的关键风险点、违约概率、风险缓释等数据信息，提高审批人识别贷款风险的前瞻性，提升数据处理能力。充分挖掘自有信息数据并积极对接互联网交易、征信、财务流水等多维度客户信息平台，用于组建信用贷款审批模型和贷后管理预警机制，实现信用审批和贷后管理效率的同步提升。三是优化信贷评级模型。通过运用大数据技术，有效识别数据的真伪与关联度，如根据交叉验证结果，通过经验判别法来识别是否存在问题的数据；并通过数据清洗，减少对运算结果产生影响的低质量数据；建立覆盖多个领域、动态更新的大数据建设标准，进一步优化信贷评级模型。

3．强化数据价值挖掘能力，实现数据价值最大化

一是深入挖掘内部数据源信贷风险管理价值。通过与大数据关键技术结合的组合算法模型，精准地识别出风险客户、深入地挖掘出优质客户，解析出影响客户类型的关键要素。如以风险调整后经济资本回报率（RAROC）为核心的信贷资产组合管理模型建立，实现精准贷款定价决策。二是借鉴大数据相关关系提升信贷审批前瞻性。利用大数据关联关系和数理逻辑思维，依照事由→行为→结果的次序，并基于大数据技术的决策模型实现系统自动审批；同时通过批量计算客户风险分值的方式，及时预警客户风险，提高决策效率和准确性（如图3）。

4．搭建适应大数据的数据管理体系，实现全方位的风险监测预警

图3 小微企业智能审贷系统

一是搭建适应大数据的数据管理体系。围绕信贷管理的关键环节，将信息收集范围覆盖到对借款人本身、财务管理、上下游关联企业及其往来、核心管理层行为偏好等信贷管理相关的数据来源和数据分析维度，扩大相关数据广度，采用信息数据检索比对及其相关性分析，非结构化与结构化数据的耦合信息印证分析，揭示出灵活、高效、多方位映射贷款风险参数变化的规律性，形成数据模型，利用模型工具提高信贷管理效率。二是监测分析挖掘，实现全方位的风险监测预警。如建立多元化数据获取渠道，注重利用社交媒体数据、网络工具等各种运作载体，并从中融入银行的工作目标。通过实时、动态监控，及早发现和识别风险来源、范围和程度，及时发出风险警示信号。同时提升大数据处理与分析技术水平，加强大数据平台的投资建设，加强风险建模，结合借款人的历史数据进行全局性实时分析，评估借款人行为，对借款人的信用风险等级适时进行动态修正，提高授信客户精细化管理水平（如图4）。

5．加强人才队伍建设，营造良好的人才环境

一是加快组织机构调整，组建由具备数理建模和数据挖掘技能的电脑工程师和数据分析师，和对大数据理解与应用能力的各专业人员，共同组成复合型的大数据专业团队，为数据挖掘奠定组织基础。二是提升大数据技术处理能力，招聘、培养掌握数据建模、云计算、金融经济等技能复合型人才，研究大数据挖掘技术，培养一大批数据挖掘的能手，为大数据时代的信贷等业务提供强有力的人才保障。三是加强与大型互联网企业的合作，积极借鉴阿里巴巴、腾讯等互联网企业的先进经验，打造如直销银行等零售新模式；加强与国内外如IBM、SAS等顶级大数据服务商的合作，构建大数据应用联合实验室，并建立富有成效的激励管理机制，促进大数据向价值资产的转换。四是加强与监管机构协调配合，积极借助各监管部门的力量，努力提高大数据的安全管理水平，研发大数据风险防范技术。学习国外欺诈警示、网络安全漏洞评估等技术，开发加密技术、网络脆弱性评估工具、信息系统风险评估工具等支撑大数据应用的信息安全产品。