馮梅秀

（江蘇蘇寧銀行股份有限公司，南京 210000）

0 引言

近年來，隨著社會經(jīng)濟(jì)的發(fā)展，小微企業(yè)也發(fā)展迅速，不僅促進(jìn)了經(jīng)濟(jì)發(fā)展，還對就業(yè)、國家稅收發(fā)揮了重要作用。與此同時，小微企業(yè)在發(fā)展過程中面臨著技術(shù)滯后、信息阻隔、人力缺失等制約因素。在融資過程中，由于規(guī)模、資質(zhì)、場地等受限，融資難是貫穿小微企業(yè)生命周期的一大難題。隨著互聯(lián)網(wǎng)經(jīng)濟(jì)快速發(fā)展，運(yùn)用線上平臺進(jìn)行融資以及靈活的網(wǎng)絡(luò)借貸方式被越來越多的小微企業(yè)接受。

1 小微企業(yè)線上融資情況

根據(jù)2019 年的統(tǒng)計數(shù)據(jù)，我國小微企業(yè)融資90.3%用于日常經(jīng)營，73.1%用于擴(kuò)大規(guī)模，46.2%用于開發(fā)新產(chǎn)品和新技術(shù)。在小型或個體工商戶中，63.1%的資金用于擴(kuò)大規(guī)模，53.1%用于日常運(yùn)營，17.5%用于開發(fā)新產(chǎn)品和新技術(shù)。可以看出，小微企業(yè)融資主要是為了進(jìn)行生產(chǎn)運(yùn)營、維持日常經(jīng)營和提高生產(chǎn)效率，這些貸款資金大都流入了實體生產(chǎn)［1］。

目前，我國小微企業(yè)已達(dá)10 140 萬戶，其中，企業(yè)2 640 萬戶、個體工商戶7 500 萬戶。這占據(jù)目前實體經(jīng)濟(jì)市場主體的90%，為全國80%的就業(yè)、70%的專利發(fā)明和60%的國民生產(chǎn)總值作出了巨大貢獻(xiàn)［2］。

但相關(guān)資料顯示，截至2018 年，貸款戶數(shù)中小微企業(yè)有1 723.23萬戶，80%以上的企業(yè)未能獲得融資服務(wù)［3］。近年來，隨著國家政策的支持和科技金融水平的提升，各家銀行在鞏固既定核心客戶的基礎(chǔ)上，開始關(guān)注線上小微業(yè)務(wù)風(fēng)控技術(shù)的開發(fā)和運(yùn)用。各家銀行主推的幾款基于小微企業(yè)大數(shù)據(jù)風(fēng)控的產(chǎn)品主要包括以下幾類：以政府部門數(shù)據(jù)為主的江蘇銀行的“稅E融”產(chǎn)品、以行內(nèi)積累的客戶數(shù)據(jù)為主的小微“快e 貸”產(chǎn)品，以及以大數(shù)據(jù)風(fēng)控為主的微眾銀行的“微業(yè)貸”產(chǎn)品等。

2 大數(shù)據(jù)風(fēng)控技術(shù)的運(yùn)用

線上產(chǎn)品的落地需要大量的數(shù)據(jù)支持，小微企業(yè)線上數(shù)據(jù)主要包括以下幾類：①基于政府部門的數(shù)據(jù)，如在稅務(wù)局繳納的稅務(wù)數(shù)據(jù)、在工商局注冊的工商數(shù)據(jù)、在國家電網(wǎng)部門繳納的電費(fèi)數(shù)據(jù)；②政府部門名下公司加工的數(shù)據(jù)，如發(fā)票數(shù)據(jù)（發(fā)票數(shù)據(jù)是由航信和小望科技兩個企業(yè)開發(fā)的，主要體現(xiàn)在航信科技和小望科技方面）、司法數(shù)據(jù)（主要體現(xiàn)在企查查數(shù)據(jù)中）；③特定場景下的數(shù)據(jù)，如美團(tuán)等；④外部黑名單數(shù)據(jù)，主要是各數(shù)據(jù)公司搜集的各項數(shù)據(jù)，如冰鑒、融慧、百融等［4］。

下文以某一特定場景中的小微企業(yè)數(shù)據(jù)為例，運(yùn)用機(jī)器學(xué)習(xí)①機(jī)器學(xué)習(xí)是一類算法的總稱，這些算法企圖從大量歷史數(shù)據(jù)中挖掘出其中隱含的規(guī)律，并用于預(yù)測或者分類。更具體地說，機(jī)器學(xué)習(xí)可以看作尋找一個函數(shù)，輸入的是樣本數(shù)據(jù)，輸出的是期望的結(jié)果，只是這個函數(shù)過于復(fù)雜，以至于不太方便形式化表達(dá)。需要注意的是，機(jī)器學(xué)習(xí)的目標(biāo)是使學(xué)到的函數(shù)很好地適用于“新樣本”，而不僅僅是在訓(xùn)練樣本上表現(xiàn)很好。學(xué)到的函數(shù)適用于新樣本的能力，稱為泛化能力。模型模擬特定場景下小微企業(yè)風(fēng)控模型的算法并得出風(fēng)控評分模型。

2.1 特定場景下的數(shù)據(jù)篩選

在具有發(fā)票數(shù)據(jù)的場景模式下，選取10 000 戶表現(xiàn)樣本數(shù)據(jù)，以違約率（PD）大于等于90 天以上的客戶為壞樣本，選取了300 個壞樣本，以超樣本模式進(jìn)行違約率計算，計算結(jié)束后再還原至正常情況下的違約率數(shù)據(jù)。在數(shù)據(jù)樣本選擇過程中，需注意避免季節(jié)性因素影響，擁有足夠長的表現(xiàn)期，時間段的選擇可以代表未來所有正常申請人。

2.2 建模流程和方法

建模流程如圖1 所示。邏輯回歸是機(jī)器學(xué)習(xí)模型中最基礎(chǔ)也最實用的一種方法，其原理主要是根據(jù)一個二分類或多分類問題而得到的函數(shù)公式。在多元回歸基礎(chǔ)上，對似然函數(shù)取對數(shù)后，對β求導(dǎo)數(shù)，列方程求β值，從而得出最終模型計算公式：

圖1 建模流程

2.3 模型結(jié)果

根據(jù)上述10 000 個樣本數(shù)據(jù)，按照不同行業(yè)的標(biāo)簽分類，選取了3 個行業(yè)大類分別建模，包括批發(fā)零售業(yè)、制造業(yè)和其他行業(yè)，以批發(fā)與零售業(yè)為例，該行業(yè)好壞樣本對比結(jié)果如表1所示。

表1 批發(fā)與零售業(yè)好壞樣本對比

不同行業(yè)的好壞客戶占比及分?jǐn)?shù)區(qū)分呈現(xiàn)不同的特征，這說明以行業(yè)為標(biāo)準(zhǔn)篩選的數(shù)據(jù)符合要求，接下來筆者又對不同行業(yè)的模型結(jié)果表現(xiàn)進(jìn)行了分析，3 個不同行業(yè)的KS（經(jīng)分布檢驗）、AUC（曲線下面積檢驗）均達(dá)到了模型表現(xiàn)的要求，結(jié)果如表2 所示。

表2 不同行業(yè)數(shù)據(jù)對比

從整體的KS 表現(xiàn)（見圖2）來看，整體KS 達(dá)到了0.453，滿足數(shù)據(jù)統(tǒng)計的要求，該模型結(jié)果可以采用。

圖2 整體KS 表現(xiàn)

2.4 實地運(yùn)用

根據(jù)上述機(jī)器學(xué)習(xí)模型結(jié)果，我們得出了不同行業(yè)的客戶表現(xiàn)數(shù)據(jù)及評分模型結(jié)果，以此模型結(jié)果為核心，計算不同行業(yè)項下客戶的準(zhǔn)入分值，并在區(qū)分各行業(yè)不同周轉(zhuǎn)率的情況下測算額度模型公式。不同行業(yè)準(zhǔn)入分?jǐn)?shù)及資金周轉(zhuǎn)額度需求情況如表3 所示。

表3 不同行業(yè)準(zhǔn)入分?jǐn)?shù)及資金周轉(zhuǎn)額度需求

風(fēng)控模型的搭建是線上產(chǎn)品的核心和基礎(chǔ)，但同時需配備產(chǎn)品流程設(shè)計、資金運(yùn)營流程設(shè)計、反欺詐甄別、貸前貸中貸后管理等多渠道、多維度手段，本文僅以風(fēng)控模型搭建為源頭，暫不展開論述。

3 小微企業(yè)線上產(chǎn)品相關(guān)建議

3.1 建立自有模型團(tuán)隊

商業(yè)銀行在開發(fā)線上產(chǎn)品的過程中，主要希望運(yùn)用線上模式突破線下網(wǎng)點(diǎn)的限制，但由于模型專業(yè)人員不足且穩(wěn)定性不強(qiáng)，從而采取服務(wù)外包或者階段產(chǎn)品合同制模式，交由外部機(jī)構(gòu)承接模型方面的各項工作，包括模型開發(fā)設(shè)計和迭代，但存在以下幾個方面的問題：①服務(wù)外包模式僅為某個階段的工作代辦，一旦工作結(jié)束后，仍需要相關(guān)人員進(jìn)行產(chǎn)品維護(hù)和迭代，而外包機(jī)構(gòu)已撤出工作，無法及時跟進(jìn)產(chǎn)品上線過程中出現(xiàn)的各項問題，也不能及時解決，若產(chǎn)品上線過程中的問題不能及時解決，則存在上線后逾期率過高或者其他意外事項，這不僅在時間上拖延了項目的開展進(jìn)度，還增加了項目的開發(fā)成本；②外包機(jī)構(gòu)一般為乙方服務(wù)類公司，所開發(fā)的產(chǎn)品并不能很好地與各家商業(yè)銀行的產(chǎn)品定位和風(fēng)險容忍度掛鉤，與市面上同類型的產(chǎn)品存在很大的同質(zhì)性，而線上產(chǎn)品的開發(fā)過程需要結(jié)合長期歷史數(shù)據(jù)和各項產(chǎn)品定位進(jìn)行開發(fā)，這在一定程度上無法實現(xiàn)各家銀行的不同業(yè)務(wù)目標(biāo)；③目前在監(jiān)管上對第三方服務(wù)機(jī)構(gòu)的權(quán)責(zé)機(jī)制并不完善，一旦外包模式產(chǎn)生風(fēng)險，大都由各家銀行自行承擔(dān)，這在一定程度上加大了各家銀行的風(fēng)險。綜上，各家銀行應(yīng)結(jié)合自身情況建立自有獨(dú)立的模型團(tuán)隊，培養(yǎng)自有專業(yè)技術(shù)開發(fā)人員，這樣不僅能保證產(chǎn)品順利上線，還能提高產(chǎn)品的市場競爭力，防范外包風(fēng)險。

3.2 推進(jìn)數(shù)字化轉(zhuǎn)型

目前，各家銀行的數(shù)字化轉(zhuǎn)型工作正在開展過程中，存在的問題包括數(shù)據(jù)資源的收集不足、數(shù)據(jù)的加工和使用需進(jìn)一步完善、數(shù)據(jù)的積累和保管需加強(qiáng)支持。建議其做好以下幾點(diǎn)：①做好數(shù)據(jù)的采集工作。數(shù)據(jù)采集是開發(fā)線上產(chǎn)品的第一步，也是關(guān)鍵的一步，各家銀行開發(fā)線上融資產(chǎn)品不僅需要掌握模型所需的企業(yè)、企業(yè)主數(shù)據(jù)以及三方驗證的數(shù)據(jù)源，還需要人行征信等數(shù)據(jù)，在引入數(shù)據(jù)的過程中，大數(shù)據(jù)部門需切實做好數(shù)據(jù)的落地存儲工作，確保數(shù)據(jù)的真實性和有效性，以便客戶在申請過程中能真實調(diào)用外部數(shù)據(jù)源，做好企業(yè)或企業(yè)主的身份識別和驗證工作。②做好數(shù)據(jù)存儲和加工。目前，各家銀行均建立了大數(shù)據(jù)部門，對于數(shù)據(jù)存儲工作越發(fā)重視，但在實際操作過程中仍存在基礎(chǔ)工作不扎實、海量數(shù)據(jù)存儲空間小、批量數(shù)據(jù)獲取功能弱的問題，這主要是由于各銀行的資源匹配不及時、數(shù)據(jù)處理更新慢等，因此需加強(qiáng)資源的匹配，確保大數(shù)據(jù)的質(zhì)量可控有效。③做好數(shù)據(jù)挖掘、處理等工作。鑒于線上產(chǎn)品的特殊性，銀行面臨欺詐、攻擊等風(fēng)險，因此對更新迭代的要求很高，產(chǎn)品上線后需及時更新迭代，結(jié)合市場風(fēng)險和申請人群特征及時更新產(chǎn)品性能，不斷打磨數(shù)據(jù)，做好模型的更新迭代工作［5］。

3.3 加強(qiáng)模型管理工作

小微線上產(chǎn)品對市場的變化要反應(yīng)迅速，并能更好地貼近申請客群的變化，這就要求模型上線后進(jìn)一步加強(qiáng)模型管理工作。①模型工作需要梳理一整套管理流程，包括模型開發(fā)、上線、迭代、監(jiān)控等流程管理，設(shè)置管理目標(biāo)和監(jiān)控指標(biāo)。根據(jù)行業(yè)內(nèi)的監(jiān)控標(biāo)準(zhǔn)和業(yè)務(wù)目標(biāo)，一般來說，設(shè)置模型上線的標(biāo)準(zhǔn)為AUC 檢驗達(dá)到75、KS 檢驗達(dá)到40（根據(jù)實際情況可調(diào)整），上線后的監(jiān)控指標(biāo)選擇逾期率和不良率等指標(biāo)進(jìn)行篩選。②模型人員必須與指定項目掛鉤，針對不同的項目配備專業(yè)的模型監(jiān)控和迭代人員，定期披露業(yè)務(wù)目標(biāo)和風(fēng)險數(shù)據(jù)，確保項目風(fēng)險在可控范圍內(nèi)，如果風(fēng)險數(shù)據(jù)超出預(yù)警值或存在其他不可控風(fēng)險，應(yīng)及時上報管理層。③做好模型監(jiān)測工作。產(chǎn)品上線過程中，需滿足必要的測試條件方可上線，上線后需及時監(jiān)測，確保各項監(jiān)控指標(biāo)合理合規(guī)，評價不同產(chǎn)品有效的指標(biāo)主要是上線后的逾期率和不良率，根據(jù)逾期不良數(shù)據(jù)定期通報產(chǎn)品風(fēng)險，并根據(jù)不良數(shù)據(jù)及時更新模型，確保產(chǎn)品上線后的風(fēng)險可控。