大型商用車集團智能化金融風控管理探析

孫成龍

【摘要】目前大型商用車集團擁有產銷研完整的產業鏈和價值鏈。為更好地支持主業，滿足終端客戶金融需求，大型商用車集團設立金融公司，為集團公司產品全生命周期提供金融服務，有效助力集團公司打造全新商用車生態圈。隨著產業的不斷發展，大型商用車集團財務風險管理復雜多變，所屬金融公司面向終端客戶辦理市場化業務并具有一定的杠桿效應，一旦發生風險，將直接導致集團公司資金斷裂，甚至引發系統性風險。由于大型商用車集團內的金融公司主要面臨客戶違約形成的信用風險。文章主要從金融信用風險防控角度，探析大型商用車集團如何進行智能化風控管理，進一步優化集團整體層面的財務風險管理。

【關鍵詞】大型商用車集團；金融公司；智能化金融 風險管理

【中圖分類號】F831.5

一、引言

近年來，隨著大數據、云計算、物聯網、人工智能等新技術廣泛應用，大型商用車集團越來越重視財務風險管理，為防止因金融業務產生系統性風險，不斷利用大數據搭建智能化的金融風控體系。智能化風控管理的核心在于從多維、海量數據中獲得有助于風控決策的信息，提高風險防控的質量和效益。大型商用車集團采用核心業務系統、數據庫系統、大數據技術等，提升風險數據分析與信息處理能力，將數據信息與相關內容轉變成為有價值的數據資源，提升風險管控工作分析層次，便于有效決策。同時創新風險管控的模式，由原有傳統人工識別風險轉變為數字化、智能化的風控管理，并預測未來風險的發展趨勢。

二、大型商用車集團智能化金融風控管理的意義

大型商用車集團傳統的財務風險管理主要通過匯總各類報表信息，分析權屬金融公司風險點，進而制定整體的風險防控策略。由于不掌握金融公司的業務及授信額度管理情況，常造成風險防控策略無法有效落地實施，同時風險信息滯后，無法及時止損，引發嚴重的系統性風險。智能化金融風控管理是對科技、業務場景、客戶、數據等方面進行整合，從而為商用車集團提供智能化、可視化、信息化的風控決策[1]。智能化風險管理以構建智能化的風險管控能力為核心目標，搭建貸前、貸中、貸后管理一體化，實現從數據采集、整合到數據加工處理、數據挖掘與分析、模型部署上線和持續優化迭代的智能風控閉環管理。大型商用車集團以業務為突破口，通過外部引智和借鑒同行業先進經驗，借助大數據、人工智能等先進技術，以數據為基礎、風控模型為工具、風險指標為決策依據，形成主動攔截風險且事前防范、事中控制、事后預警與處置的智能風控體系，以便于風險整體控制。

三、大型商用車集團智能化金融風控管理的構建

（一）搭建大數據管理平臺，夯實智能風控平臺的基礎

智能風控的基礎是對數據進行整合、獲取、清洗。大型商用車集團一般會成立大數據管理中心，專門梳理內外部各種有價值數據，建立統一的數據管理工作模式，明確工作標準，并統籌管理內外部數據信息，搭建數據的閉環管理。

1.大型商用車集團數據

作為汽車的生產廠家，具有海量的經銷商數據、銷售車輛數據、結算數據、車型數據、配件庫數據、維修服務數據、智能通數據等高附加值的數據，而集團所屬商用車金融公司，擁有大量的信貸客戶數據、渠道數據及信貸業務數據、還款質量數據、逾期客戶數據等。各種數據普遍分散于多個核心和外圍系統，缺乏統一的標準、統一的數據字典、統一的數據規范，導致數據質量不高，甚至出現無效數據、數據管理難度大、數據無法有效共享及使用的問題。大型商用車集團通過大數據管理中心整合集團內部所有數據，規范數據基礎，改善數據質量、提高數據治理水平和能力。

2.引入外部三方數據

在移動互聯互通時代，大型商用車集團樹立數據共享理念，不斷研討及尋找外部有價值數據，達到內外部數據的有效支撐。目前主要的外部數據包括風險黑白灰名單信息、征信信息、消費信息、過度借貸信息與反欺詐信息等。外部數據的采集主要通過購買、外部共同合作、研發等方式。為了充分利用外部數據的各種維度、提高外部數據的有效價值，需不斷測試研究并與集團內部數據進行整合管理。

3.搭建大數據平臺，支撐數據閉環管理

智能化的風控管理必須整合、分析巨量數據，并將數據充分應用，構建大數據支撐平臺，達到數據采集、分析、利用、反饋及評估的閉環管理，同時必須結合場景化進行分析應用 [2]。大型商用車集團金融大數據平臺對接大型商用車集團內部系統，并與海關、司法、工商、稅務等外部數據進行對接，通過分析，提煉高效且符合業務場景的數據，為智能化風控堅定基礎。

（二）制定風控策略，深挖數據價值

1.全流程風控策略

風控策略包括風控規則和風控模型。風控模型的搭建和運用是智能風控的核心。大型商用車集團金融風控管理通常由貸前、貸中、貸后三個環節構成，貸前準入能夠過濾資質差的客戶，貸中審批可以降低客戶逾期，貸后管理可以進行風險預警及催收，三個環節相互作用構成了整個風控體系管理，將內外部數據分析，結合機器學習建立相關模型，從而滿足全業務流程的風控需求。通過風險控制規則，同時設置反欺詐模型、信用評級模型、信用額度模型、貸后風險預警等，達到對不同客戶風險的識別、評價、預警。同時大型商用車集團引入機器學習等新技術進行智能化風控管理。構建模型的流程包括數據收集及處理、特征工程、特征選擇、模型構建、模型評估等環節[3]。

2.貸前準入策略

（1）構建客戶全景風險畫像

首先，構建客戶關系圖譜系。客戶關系圖包含客戶自身擔保關系、客戶高管關系、實際控制人、客戶對外投資關系、與客戶資金往來間關系等。客戶關系圖譜區分受益人、實際控制人、股權等，通過一系列網狀呈現，明確標示客戶所處角色，識別關聯風險，防止外源性風險的導入及傳染。其次，客戶風險畫像的形成。堅持以授信客戶為中心，全面分析內部風險信息，深挖企業的外部風險信息，形成多維度、立體化的客戶風險畫像，最終實現“信息找人”。最后，形成智能化、可視化的分析報告。根據客戶最終的風險畫像，形成智能化的評價策略，形成利用分析決策的報告體系。

（2）制定貸前反欺詐策略

搭建貸前反欺詐策略包括反欺詐規則和反欺詐模型。反欺詐規則具體包括：維護自身黑名單、外部欺詐名單、司法信息名單等數據，并設置客戶準入所需要的征信規則。客戶申請時，將核心業務系統中的姓名、身份證號、手機號、年齡、收入等信息傳至風險決策引擎，通過反欺詐規則，判斷客戶身份的真實性。若命中名單，直接否決客戶身份準入；若未命中，客戶身份準入通過。客戶身份通過后進入反欺詐評分模型。反欺詐評分模型通過識別客戶特征，利用函數計算，得出反欺詐分數。隨著金融欺詐數量不斷增加，欺詐方式越來越多樣化，同時反偵查能力越來越專業，欺詐行為具有復雜性、隱蔽性，難以有效甄別。金融欺詐利用信息不對稱、隱瞞、編造虛假信息，謀取不正當利益。傳統的風控管理由于技術落后，信息不對稱，無法有效識別欺詐行為。智能化風控管理可充分利用大數據技術及系統數據，深挖客戶欺詐行為，識別風險特征及客戶關聯關系異常信息，結合征信、司法等外部信息，有效提升反欺詐能力。

3.貸中審批策略

貸中審批策略包括信用評分卡、客戶行為監控等，構成風控的第二道防線。信用評分是通過歷史數據，首先定義好客戶和壞客戶。再選擇好客戶和壞客戶的特征，如年齡、收入、消費水平等作為客戶特征，并通過判斷選取客戶逾期的有效特征。以年齡特征為例，通過機器不斷學習及函數計算，年齡在40～48歲之間好客戶的比率最高，得出年齡特征評分。商用車金融常見的客戶評分特征包括年齡、性別、文化程度、職業、行業、收入、電話、婚姻狀況、住址、房屋類型等。通過對以上特征分析，逐一分析計算出以上特征的分數，定義客戶閾值，并最終搭建客戶評分模型。辦理金融業務時，通過客戶評分模型，計算出每個借款客戶分值，超過設定的閾值，客戶未來逾期率低，同意辦理金融業務，低于閾值則拒絕客戶準入。

4.貸后預警策略

（1）逾期客戶預警策略

貸后預警由逾期預警、催收決策組成，構成了風控的第三道防線。智能化貸后風險預警能建立主動實時監控方式。為使得貸后全過程管理，實時預測及監控客戶信用風險，搭建“信貸業務實時監測+客戶風險及時預警+客戶逾期預警”的監控平臺。智能風控平臺及時捕捉客戶行為特征及關聯關系人特征，通過信貸業務全過程監控，智能分析客戶運營情況及還款信息，及時預測客戶逾期情況，同時通過外部數據，有效監控風險信息，及時通過集團內部系統進行預警，并將風險情況通過系統傳至相關決策領導，及時采取風險應對措施。智能化風控需要設定監測指標，涵蓋客戶經營過程中的財務狀況、經營情況、違約情況、涉案情況等內容。同時將檢測指標納入風險檢測模型，生成風險日報信息，并完善風險實時報送機制。

（2）逾期車輛預警策略

大型商用車集團擁有自身車輛運營的GPS定位系統，智能化風控管理將集團車輛運營GPS定位與業務系統進行集成，并設置業務規則，針對不同的區域及不同的車輛設置不同的行駛里程和盈利能力閾值。一是根據車輛GPS位置信息、車型、駕駛路線及發動機數據，搭建客戶車輛盈利模型，實時監控客戶還款能力。二是根據客戶的行駛里程、車型信息及區域，設定閾值，一旦觸及及時進行風險預警。

（三）多場景生態融合，驅動智能風控平臺迭代

大型商用車集團內的金融業務是多維度的，產品是多元化的，擁有較長產業鏈、管理鏈和業務鏈。產業鏈涉及上游供應商、下游經銷商，二級網絡及終端客戶；管理鏈涉及商用車集團層管理、金融公司自身管理及渠道、客戶、車輛管理；業務鏈主要涉及商用車金融自身業務產品、業務模式等。每個維度及每個鏈條都涉及風控管理，大型商用車集團必須不斷對風控平臺進行迭代優化。

主要參考文獻：

[1]邢桂偉.依托大數據技術構建商業銀行智能風控體系[J].中國金融電腦，2018（8）：19-22.

[2]閆鼎華.基于大數據的商業銀行風險預警研究[J].經濟研究導刊，2018（17）：146-148.

[3]陸登強.立足金融科技，大數據智能風控助力普惠金融[J].中國金融電腦，2018（8）：23-25.