张恒庆

摘 要：目前银行小微风险管理面临信息不对称和风险管理被动、滞后两大难题，主要原因在于小微风险管理技术手段较落后，手工操作模式对人工依赖度高，识别风险的数据维度尚待丰富，对已有数据的挖掘、利用不足，风险管理效率低下，效果不明显，成本高。文章从国内外银行应用大数据手段开展经营及风险管理的实践出发，提出大数据对提升银行小微风险管理的启示，梳理了小微数据管理及应用现状，并从文化理念与管理机制、内外部数据管理、模型建设与应用等方面提出系列优化建议，旨在促进小微风险管理从传统手工低效率模式向以数据模型为主的批量化、自动化、智能化高效率模式转变。

关键词：大数据 小微业务 风险管理 数据管理

中图分类号：F830.4 文献标识码：A

文章编号：1004-4914（2016）08-182-02

引言

大数据在国内外商业银行已广泛应用于授信欺诈识别、准入筛选、授信额度审定、贷款定价等各种风险决策管理领域，并有许多成功运用案例。如：美国富国银行利用大数据拦截客户欺诈和评估贷后风险，VISA组织利用大数据巧妙化解信用卡诈骗、盗刷等事件侵扰；建设银行利用大数据技术挖掘客户融资需求并建立风险决策模型；中信银行利用大数据技术实现授信额度审批和贷款定价的自动化；工商银行通过与沃尔玛建立供应链互联网金融，对物流、信息流、资金流封闭管理，有效降低信息不对称风险，提升风险管理的效率和效果。

大数据对商业银行风险管理的借鉴价值在于，通过数据信息分析、挖掘、聚类、建模，可应用于风险管理的防欺诈、授信额度核定、违约预警等各方面，简化流程，提高效率，有效提升风险决策智能化水平，强化风险管理效果，大量节省人工成本。

一、大数据对提升银行小微风险管理的意义

银行小微风险管理手段仍较落后，技术提升迫在眉睫。主要体现在对已有各种系统利用不充分，对现有各类数据挖掘利用不足，风险管理自动化、智能化程度不高，手工操作占比大、环节多，严重依赖人工，使风险管理与人员不足的矛盾较为突出。本文认为，大数据对银行小微风险管理的意义主要有以下几点：

（一）完整绘制客户数据图谱

全方位解读与识别客户风险基于大数据可将碎片化信息关联、整合、还原，构建以客户为中心的基本信息、资产负债信息、行为信息整体视图，做到360度全方位了解和识别小微客户，有利于洞察每个客户的需求偏好，提前察觉潜在风险并做好防范。

（二）有效解决信息不对称问题，实现风险精准定位

小微授信业务的风险很大程度上来源于信息不对称。通过数据分析和数据挖掘技术在风险管理领域的大量应用，整合内、外部丰富的数据资源，进行勾稽关系逻辑印证，可以有效判定信息的真实性、可靠性，精准定位、识别和量化风险。

（三）变事后的被动管理为事前的主动管理

小微风险管理滞后的结果是，事后发现风险，效率低下、损失率高，成本难以控制。基于大数据的风险管理，将各种风险规则嵌入生产流程，可实现批量化、自动化，实时、主动识别风险，及时预警，有效解决小微风险管理的被动局面。

（四）实现全覆盖、全自动的批量化风险管理

不同于传统的单一抽检，基于大数据可将各种风险管理规则、数据模型与业务流程紧密结合，建立覆盖全业务流程、闭环式风险管理体系，将全量数据进行跑批，有效识别业务模块风险点，克服以往对全量数据进行抽检而遗漏部分风险的可能。

因此，全行上下须积极拥抱大数据，改变风险管理决策依据，形成数据决策的习惯，建设小微数据化、模型化、批量化、自动化、智能化的主动风险管理体系。

二、小微风险管理中系统开发、数据管理及应用现状

（一）系统开发的规划和前瞻性不足

目前某银行与零售业务有关并已上线的应用系统共计63个，其中与小微业务密切相关的有28个，主要分为授信、渠道、产品、客户服务、账户流水和结算六大类。但总体呈现多、散、乱、杂等特征，系统性规划和前瞻性深入思考不足，系统间关联性不足，自动化、智能化不足，需要人工逐笔处理的环节较多，解决问题的效果不理想。

另外，部分业务流程尚未纳入科技系统支持，全流程的电子化、痕迹化管理尚未实现。如项目下资金流向批量监测和预警，不良资产打包转让等处置和核销流程，后督管理、合作社管理尚未纳入系统管理，销售系统尚无法自动进行客户结构分析、客户行为分析等。

（二）数据归口管理与团队建设有待加强

一是目前全行数据处于多渠道共管状态，全行数据统筹管理部门不明确。

二是银行已初步意识到数据对商业银行经营管理的重要性，在小微风险管理中也开始尝试，但自动化程度不高，未覆盖小微业务全流程，尚未搭建全行统一、高度共享、方便获取的小微大数据平台。

三是数据分析、数据挖掘人才缺乏，目前团队建设仍严重滞后，整体速度有待加快，效果有待提升。

（三）数据质量和共享程度亟待提高

内部数据管理尚待提高。

一是银行内部数据信息维度已较丰富，但系统间、条线间整合、共享不足。如小微客户在银行公司、零售、小微、私银、信用卡等各条线信息尚未完全共享；小微系统贷前、贷中和贷后信息无法全面、自动共享，有的模块需人工逐笔查询，对人工耗用较大。此外，部分数据如部分信用卡数据尚未纳入数据仓库统一管理，数据维度完整性不足。

二是数据缺乏管控，数据质量较差，行业等维度数据真实性、有效性不足。部分数据内容不完整，如小微企业名称等关键维度数据缺失严重，导致数据分析难以有效进行。三是部分数据规则标准不统一，给跨系统整合带来困难。四是数据结构化程度低，对现有非结构化数据利用不足，数据价值未充分被挖掘。

外部数据管理也待规范。

一是银行已引进“人行征信”、“工商登记”、“法院执行”等第三方数据，但尚未与银联、生活缴费事业单位、移动、电信、交通运输部门、第三方核心企业ERP、互联网电商平台和社交网络等数据实现对接和共享，数据维度有待于进一步丰富。

二是未建立外部数据获取、共享的管理机制和操作流程，个别条线已引进的、对小微有用的第三方信息查询平台未与小微共享，造成该类数据缺失或与其他条线重复购置形成浪费。

（四）模型管理方面有较大提升空间

一是目前银行已开发上线并用于小微风险管理的数据模型只有“授信申请评分模型”和“授信行为评分模型”两类，模型数量较少，体系性不足。先进同业基本都已开始应用的授信定价、反欺诈、违约预测、催收评分等模型在银行仍处于需求分析或开发设计阶段，一直未能上线应用。

二是模型设计技术有待提升，未加入行业、区域等个性化因素，模型依赖的基础数据质量较差，严重影响了模型精准性，加之分行业绩驱动等因素，导致模型总体应用程度不高，模型中的绝大部分功能基本处于闲置状态。

三是银行审批阶段的客户准入、额度计算及定价均非系统自动给出而是由人工逐笔审批，贷后管理阶段的风险监测、预警、催清收、处置等风险管理策略也均未实现数据模型批量自动化处理，存在大量人工行为，模型智能化成分也有待提高。

这些既影响了小微风险管理的效果与效率，也是风险管理成本长期居高不下的原因所在。

三、利用大数据优化银行小微风险管理模式的建议

（一）文化理念与管理机制方面

一是银行应进一步强化“数据就是资产”和“数据治行”的理念，科技信息管理委员会应进一步强化对全行数据信息的管理职能，全行努力实现小微业务全流程电子化，实现跨部门通力合作与数据共享机制。

二是数据管理机制必须与小微业务流程再造紧密结合。

三是必须明确权责清晰的数据管控机构，负责全行大数据顶层设计与统筹规划，出台数据标准化指导手册，建立数据质量管理与考评体系。

四是引进人才，建立专业高效的数据分析与挖掘团队，并进行持续培训和提升。

五是强化大数据时代的信息安全管理，严防数据泄密风险和声誉风险。

（二）数据管理方面

在内部数据管理方面：一是要尽快搭建全行统一、高度共享、包含多维度数据的内部管理平台。二是应对全行各生产作业系统和数据库进行全面梳理，丰富并完善数据仓库信息。三是搭建并完善全行小微数据分析平台，强化培训，提升全员数据分析应用能力。四是深化已有数据的挖掘利用，尤其要注重非结构化数据的应用。五是推出适当激励措施，提高客户准确、完整提供数据的积极性。

在外部数据管理方面：一是积极加强与第三方平台、银联、公共缴费事业单位、交通运输管理部门、移动电信、电商平台、微信、微博等社交网络等“大数据平台”的合作和共享，引入在逃、吸毒人员信息库、国证通系统（可查阅客户学历、房产、车产状况）、社保系统、企业ERP系统等外部数据，进一步丰富小微客户数据维度，丰富风险视角，全方位了解小微客户行为特征。二是在全行范围内搭建外部数据采购和行内共享平台，减少风险盲区。三是结合银行客户现状、关键风险控制环节、落地难易程度、迫切程度和成本效益等因素，实施分步规划、逐步落地的策略，不断丰富外部数据获取渠道和数据类型。

（三）模型管理方面

在模型建设方面，一是尽快建立贯穿小微业务全流程、覆盖关键控制节点、体系化的公共风险管理数据模型，供全行使用，模型构建思路应紧密与小微业务相结合。具体而言，贷前可建立目标客户敏感度、客户准入反欺诈模型；贷中可建立客户评分、授信额度核定、贷款定价、违约预测模型；贷后可建立资金交易特征预警、贷款催收、损失预测、资产转让定价模型；售后综合提升方面可建立续授信、售后维护与提升、客户流失预警模型。二是以各种方式鼓励小微条线数据专业团队发挥创造性思维，研究、创新、构建各类对区域性、行业性风险控制有益的个性化模型供经营机构使用。三是进一步丰富模型应用技术与工具，充实模型指标维度。四是根据紧迫程度优先推出反欺诈/防骗贷模型及违约预测模型。五是将模型与业务逻辑按照一定规则嵌入生产系统决策引擎，作为业务操作必经环节，减少人工干预成分，提高系统批量化、自动化决策成分，提高决策效率。

根据银行小微风险管理实际，建议优先开发反欺诈模型和违约预测模型。反欺诈模型设计时，可运用公安部联网核查系统数据验证借款人及关联人身份真实性，利用工商登记查询系统验证小微主名下小微企业注册信息及经营简况，核查企业经营真实情况及关联人信息，利用人行征信系统核查借款人及其关联人和小微企业的信用记录，利用社保信息、税务信息、行内账户交易流水、客户提供的他行账户信息、车辆和房产信息核查借款人资产实力，判断其还款能力。

设计违约预测模型时，可利用现场贷后检查、工商登记信息变化和行政处罚信息、人行征信违约信息、在逃吸毒人员库等公安、司法法院执行数据、黑名单库等核查重大负面舆情与其他负面信息。还可利用小贷公司共享数据、网络爬虫技术获取非结构数据核查客户重大负面舆情和其他负面信息，提前预判客户违约信号，及早采取补救措施。

在模型应用方面，建议一是数据模型要随着小微业务发展及风险形势变化与时俱进，及时更新，融入最新元素。二是尽快建立系统内数据模型的应用、验证、反馈、优化的良性互动循环机制，总、分行合力确保模型运行效果在实践中不断得到检验、优化和提升。

参考文献：

[1] 苏玉峰.大数据时代商业银行应对策略[J].当代经济，2014（20）

[2] 缪志平，李芳.大数据时代商业银行应对策略[J].现代金融，2013（11）

（作者单位：中国平煤神马集团 河南平顶山 467000）

（责编：玉山）