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)風控在銀行零售信貸業(yè)務貸前、貸中、貸后等業(yè)務流程中的應用表現(xiàn)，然后指出了大數(shù)據(jù)風控應用過程中在數(shù)據(jù)來源、IT基礎設施、人才建設等方面存在的問題，最后針對以上問題給出了相關建議，期待銀行業(yè)的發(fā)展更加精準化、差異化、智能化。

〔關鍵詞〕大數(shù)據(jù)風控 零售信貸 評分模型 風控策略

近年來受經(jīng)濟增速放緩、監(jiān)管政策趨嚴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、云計算與區(qū)塊鏈技術的快速發(fā)展，銀行加快了數(shù)字化轉(zhuǎn)型的步伐，顯著增強了在長尾客戶的盈利能力，極大豐富了信貸業(yè)務的產(chǎn)品體系和應用場景，逐步實現(xiàn)了業(yè)務驅(qū)動與風險管控的智能升級。目前，具備一定科技實力的國有銀行以及一些積極布局科技創(chuàng)新領域的中小銀行，在大數(shù)據(jù)風控方面已經(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，但依然促進了我國銀行業(yè)的數(shù)字化轉(zhuǎn)型。

信貸業(yè)務是銀行最核心的資產(chǎn)業(yè)務，也是銀行最主要的利潤來源，將大數(shù)據(jù)風控技術應用在零售信貸領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)以及其他外部機構(gòu)數(shù)據(jù)，利用邏輯回歸、決策樹、神經(jīng)網(wǎng)絡等算法，生成應用于貸前、貸中、貸后等場景的一系列評分模型，結(jié)合風控目標制定客戶準入、額度管理、價格制定等管理策略，最終實現(xiàn)客戶從準入到退出的全生命周期管理的線上化、精準化和智能化。從數(shù)據(jù)分析到模型設計、再到策略制定，都是圍繞業(yè)務目標展開的。

數(shù)據(jù)是大數(shù)據(jù)風控的基石，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、資產(chǎn)等信息。

模型是大數(shù)據(jù)風控的核心，銀行在數(shù)據(jù)分析的基礎上根據(jù)業(yè)務目標，通過分析各種風險要素對違約率的影響程度，運用合適的模型算法，最終形成風險評分。評分模型在建立時可選用線性回歸法、邏輯回歸法、決策樹和神經(jīng)網(wǎng)絡等多種方法，但實務中應用最廣泛的是邏輯回歸法。這是因為邏輯回歸算法對數(shù)據(jù)量要求較低、操作相對簡單，模型效果較好，同時其具備的可解釋性還能滿足監(jiān)管機構(gòu)關于內(nèi)部評級模型的透明度要求。

策略是大數(shù)據(jù)風控的關鍵，銀行為了實現(xiàn)業(yè)務目標，可以根據(jù)評分模型區(qū)分貸款業(yè)務的風險程度并設置相應的管理規(guī)則，包括客戶準入、額度調(diào)整、風險預警等內(nèi)容，減少了人工干預帶來的誤差，從而實現(xiàn)對客戶的自動化管理。

（一）大數(shù)據(jù)風控在貸前管理的應用

大數(shù)據(jù)風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行分析，在此基礎上建立申請評分模型，識別出存在較大信用風險的客戶并拒絕其貸款申請，同時對審批通過客戶進行授信管理和風險定價的管理過程。

1.貸前數(shù)據(jù)

零售信貸業(yè)務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，銀行通過查詢個人征信報告對客戶的每一項數(shù)據(jù)進行清洗、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.申請評分模型

評分卡是以分數(shù)的形式來衡量風險幾率的一種手段，是對未來一段時間內(nèi)違約/逾期/失聯(lián)概率的預測?；诮y(tǒng)計模型建立的評分卡可以更準確地預測風險，并減少因非客觀判斷造成失誤的風險。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，他們分別應用于貸前、貸中和貸后等業(yè)務場景。

申請評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，通過分析各種風險要素對違約率的影響程度，最終形成風險評分。評分模型的建立過程中，首先要對采集到的原始數(shù)據(jù)進行分析，然后再對經(jīng)過篩選的變量采用一定的方法進行建模，之后對模型的準確性、穩(wěn)定性和可解釋性進行驗證評估，并不斷優(yōu)化。

3.貸前策略

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

對于審核通過的客戶，銀行會制定相應的額度策略和利率定價策略。通常情況下，銀行會綜合考慮客戶的信用狀況、收益預期、對銀行的貢獻等因素，原則上客戶評分越低，風險越高，授信額度越低，定價越高；客戶評分越高，風險越低，授信額度越高，定價越低，整個策略制定過程堅持風險與收益對等原則。

（二）大數(shù)據(jù)風控在貸中管理的應用

大數(shù)據(jù)風控貸中管理是根據(jù)現(xiàn)有客戶的行為數(shù)據(jù)，如消費、交易、還款、逾期等信息，利用合適的算法模型，對客戶風險進行精準把控，最終實現(xiàn)貸中客戶風險實時、動態(tài)管理的目標。

1.貸中數(shù)據(jù)

零售信貸業(yè)務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、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際風險，這時候就需要引入外部數(shù)據(jù)，如客戶在其他機構(gòu)的消費數(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險，為貸中風險策略的制定提供數(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，其建模流程同申請評分模型一致。在數(shù)據(jù)分析階段，首先對行內(nèi)及外部數(shù)據(jù)進行提取，對數(shù)據(jù)分布進行初步分析，篩選出可供使用的有效數(shù)據(jù)；然后進行模型設計，比如排除哪些行內(nèi)客戶，對好/壞客戶進行定義，對觀察期和表現(xiàn)期進行界定等；下一步進行特征分析，在現(xiàn)有初級行為數(shù)據(jù)的基礎上進行衍生設計，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)等以判斷逾期的嚴重性，再結(jié)合衍生特征的分布情況、有效性進行篩選；接下來進行模型開發(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)絡等算法進行模型訓練，對參數(shù)進行優(yōu)化直至模型區(qū)分好壞客戶的能力達到相應水平；最后對模型有效性進行驗證，為防止模型發(fā)生偏移，最好使用時間外樣本進行驗證，也可以利用之前建立的相關模型進行交叉驗證，以評價模型的適用性。

3.貸中策略

信貸業(yè)務貸中風險管理應用最廣泛的是信用卡業(yè)務使用場景，銀行根據(jù)客戶行為評分及其他風險收益狀況，制定相應的額度調(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能夠精準匹配客戶的風險狀況。

此外，銀行可以根據(jù)客戶的行為變化，結(jié)合不同場景，制定相應的預警規(guī)則，如根據(jù)客戶頻繁更換手機號、住址及工作等信息預測客戶穩(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，風險預警規(guī)則的設置有助于銀行盡早發(fā)現(xiàn)風險客戶并及時采取相應的管控措施。

（三）大數(shù)據(jù)風控在貸后管理的應用

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)績和風險管控的重要因素，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)技術應用在貸后管理，可以構(gòu)建催收模型，根據(jù)模型評分設置不同規(guī)則將催收模式精細化，對客戶實施差異化催收策略。

1.貸后數(shù)據(jù)

零售信貸業(yè)務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現(xiàn)催收管理的標準化與精細化。

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)，對債務還款可能性進行綜合評估。催收評分模型的構(gòu)建流程與申請評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進行評分，然后給出評分結(jié)果，而申請評分模型是在申請時采集信息，行為評分是定期采集信息，但是采集周期比催收評分要長，這是因為進入催收階段的客戶風險較高，需要加大監(jiān)控頻率來反映風險的變化。

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，實現(xiàn)對案件的合理化分配，提升催收效果。通過設置友好自動撥號，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)風控在為銀行精細化管理帶來便利的同時，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)風控的基礎，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，再者涉及到個人隱私，同時可能存在非法交易。

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，因為數(shù)據(jù)缺失很難對其風險進行判定；從數(shù)據(jù)結(jié)構(gòu)來說，部分人群的部分數(shù)據(jù)項存在缺失，在建模時可能導致具有較強區(qū)分能力的特征無法入模，從而降低模型的準確性。

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、學歷信息、資產(chǎn)信息、職業(yè)信息等，這些數(shù)據(jù)通常要進行脫敏處理，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、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)了高價買賣個人信息的行為，造成了暴力催收事件，給當事人和社會帶來了嚴重的負面影響，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人數(shù)據(jù)帶來的惡劣影響。

（二）銀行業(yè)IT基礎設施不完善

一套嚴謹?shù)娘L控體系運行依賴于完善的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基礎薄弱，數(shù)據(jù)治理水平有待提高，難以實現(xiàn)數(shù)字化獨立管理。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)間客戶標識、客戶分類存在不一致的情況；客戶劃分不統(tǒng)一，存在錯誤的分類結(jié)果，導致分類結(jié)果不可靠，無法用于準確地監(jiān)管資本計量；上報數(shù)據(jù)缺失和不完整情況較為嚴重，依靠手工補錄的方式完成，操作風險極大。

客戶數(shù)據(jù)不一致會導致無法實現(xiàn)真正的客戶統(tǒng)一視圖，嚴重影響以客戶為中心的戰(zhàn)略目標得以落實；內(nèi)部經(jīng)營管理數(shù)據(jù)不完整導致無法實現(xiàn)精細化管理的需求，甚至使暗箱操作成為可能，給銀行穩(wěn)定運營帶來極大隱患；風險類數(shù)據(jù)分類不準確導致監(jiān)管資本、經(jīng)濟資產(chǎn)計算結(jié)果不可靠，甚至多占資本，影響資本精細化管理水平。

（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，隨著時間的推移，客戶的行為習慣會發(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行驗證，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，因此應當在模型能力下降時對模型進行更迭，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致海量數(shù)據(jù)處理效果不佳則應嘗試改變更優(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，導致模型后期更迭維護可能會出現(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制，緩解了金融交易中信息不對稱問題。

在此基礎上，央行應該積極引入更多市場化主體，如非銀金融機構(gòu)，將更多信貸數(shù)據(jù)納入征信體系，完善個人信貸信息，全面反映個人完整借貸情況；同時，應當適當降低征信數(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，風控數(shù)據(jù)非常依賴人民銀行征信數(shù)據(jù)，而對于貸中貸后風險管理來說，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基礎設施建設，加強數(shù)據(jù)治理

穩(wěn)定的IT基礎設施是保障大數(shù)據(jù)風控模型和策略實施的基礎，針對數(shù)據(jù)標準不一致問題，應當建立統(tǒng)一的數(shù)據(jù)標準，確保相關數(shù)據(jù)的分類與執(zhí)行保持一致，需要注意的是，數(shù)據(jù)治理應當覆蓋數(shù)據(jù)的整個生命周期，同時與管理模式、風險狀況和業(yè)務規(guī)模相適應，推動數(shù)據(jù)真實、準確、客觀地反映出資產(chǎn)的真實風險。

（三）引進大數(shù)據(jù)人才，建立數(shù)據(jù)化管理團隊

當前銀行的大數(shù)據(jù)風險管理主要依賴于外部第三方機構(gòu)，僅有部分人員牽頭負責具體項目的實施。銀行數(shù)字化轉(zhuǎn)型離不開數(shù)字化人才，首先銀行應當在管理層建立起數(shù)字化管理的先進理念，在實施層面，銀行一方面可以通過外部引進大數(shù)據(jù)相關人才，也可以從當前業(yè)務團隊挑選合適的人員進行轉(zhuǎn)型培養(yǎng)，建立起覆蓋數(shù)據(jù)分析、模型建立、策略實施等板塊，貫通貸前、貸中、貸后等業(yè)務流程的數(shù)字化人才團隊。

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)展將會更精準化、差異化、智能化。

（作者單位：1.河南財經(jīng)政法大學統(tǒng)計與大數(shù)據(jù)學院；2.河南財經(jīng)政法大學統(tǒng)計與大數(shù)據(jù)學院）