大數據風控在銀行零售信貸領域的應用研究

殷浩倫 宋澤昊

〔內容提要〕隨著銀行的數字化轉型不斷深入，零售信貸風控由傳統的線下人工審核逐步轉為批量線上智能化管理。本文首先分析了大數據風控在銀行零售信貸業務貸前、貸中、貸后等業務流程中的應用表現，然后指出了大數據風控應用過程中在數據來源、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，期待銀行業的發展更加精準化、差異化、智能化。

〔關鍵詞〕大數據風控 零售信貸 評分模型 風控策略

近年來受經濟增速放緩、監管政策趨嚴以及新冠疫情等因素影響，銀行業的發展受到了巨大挑戰，但是隨著人工智能、云計算與區塊鏈技術的快速發展，銀行加快了數字化轉型的步伐，顯著增強了在長尾客戶的盈利能力，極大豐富了信貸業務的產品體系和應用場景，逐步實現了業務驅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新領域的中小銀行，在大數據風控方面已經做了一些積極探索，這些舉措雖然在銀行數字化轉型中還存在諸多問題，但依然促進了我國銀行業的數字化轉型。

信貸業務是銀行最核心的資產業務，也是銀行最主要的利潤來源，將大數據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客戶數據、人民銀行征信數據以及其他外部機構數據，利用邏輯回歸、決策樹、神經網絡等算法，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。從數據分析到模型設計、再到策略制定，都是圍繞業務目標展開的。

數據是大數據風控的基石，銀行信貸業涉及的數據可以分為行內數據和外部數據兩類，行內數據包括客戶在本行的基本信息、交易數據、還款數據、逾期數據等，外部數據包括人行征信數據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、資產等信息。

模型是大數據風控的核心，銀行在數據分析的基礎上根據業務目標，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、決策樹和神經網絡等多種方法，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據量要求較低、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管機構關于內部評級模型的透明度要求。

策略是大數據風控的關鍵，銀行為了實現業務目標，可以根據評分模型區分貸款業務的風險程度并設置相應的管理規則，包括客戶準入、額度調整、風險預警等內容，減少了人工干預帶來的誤差，從而實現對客戶的自動化管理。

（一）大數據風控在貸前管理的應用

大數據風控貸前管理是指銀行通過客戶申請數據、征信數據以及外部數據，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.貸前數據

零售信貸業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據進行清洗、加工和處理，并建立專門的數據庫將有效信息保存下來供建模使用。

2.申請評分模型

評分卡是以分數的形式來衡量風險幾率的一種手段，是對未來一段時間內違約/逾期/失聯概率的預測。基于統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、貸中和貸后等業務場景。

申請評分模型是銀行基于申請客戶數據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據進行分析，然后再對經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、穩定性和可解釋性進行驗證評估，并不斷優化。

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務的貸前申請審批、授信額度確定、利率定價等環節，根據風險策略的不同，銀行可以在評分卡系統中設定不同的臨界值，根據評分所處的臨界值區間自動作出審批決策。同時，如果行內針對黑名單設置規則，則直接拒絕；如果針對優質客戶設置綠色通道，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）大數據風控在貸中管理的應用

大數據風控貸中管理是根據現有客戶的行為數據，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，最終實現貸中客戶風險實時、動態管理的目標。

1.貸中數據

零售信貸業務貸中管理銀行需要收集的數據主要是客戶行為類數據，可以從行內和行外兩種渠道進行收集。行內數據側重于客戶在本行的行為數據，例如客戶的消費、交易、還款、逾期等行為積累的數據，但這些數據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據，如客戶在其他機構的消費數據、借貸數據、資產數據等，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據支撐。

2.行為評分模型

行為評分模型是銀行基于客戶行為數據樣本專門建立的模型，其建模流程同申請評分模型一致。在數據分析階段，首先對行內及外部數據進行提取，對數據分布進行初步分析，篩選出可供使用的有效數據；然后進行模型設計，比如排除哪些行內客戶，對好/壞客戶進行定義，對觀察期和表現期進行界定等；下一步進行特征分析，在現有初級行為數據的基礎上進行衍生設計，由此增加數據的表現力，比如對客戶逾期金額取最大值、最小值、均值、中位數等以判斷逾期的嚴重性，再結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，通過抽取合適的建模樣本利用邏輯回歸、決策樹、神經網絡等算法進行模型訓練，對參數進行優化直至模型區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

信貸業務貸中風險管理應用最廣泛的是信用卡業務使用場景，銀行根據客戶行為評分及其他風險收益狀況，制定相應的額度調整策略和利率調整策略，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，銀行可以根據客戶的行為變化，結合不同場景，制定相應的預警規則，如根據客戶頻繁更換手機號、住址及工作等信息預測客戶穩定性，根據客戶逾期信息判斷客戶還款能力是否惡化等，風險預警規則的設置有助于銀行盡早發現風險客戶并及時采取相應的管控措施。

（三）大數據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營業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。將大數據技術應用在貸后管理，可以構建催收模型，根據模型評分設置不同規則將催收模式精細化，對客戶實施差異化催收策略。

1.貸后數據

零售信貸業務貸后管理所需要的數據主要是還款及逾期數據，如逾期狀態、金額、次數、還款率等，這些數據真實反映了客戶的信用狀態，利用這些數據構建模型可以幫助銀行實現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，對債務還款可能性進行綜合評估。催收評分模型的構建流程與申請評分卡和行為評分卡的構建流程基本一致，需要注意的是，針對催收客戶建立的催收評分模型是系統按月自動采集評分指標進行評分，然后給出評分結果，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，需要加大監控頻率來反映風險的變化。

3.貸后策略

以大數據為驅動構建的智能催收策略，可以根據催收評分系統結合催收人員能力制定合理的分單策略，實現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。

任何事物的發展都有兩面性，大數據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，主要體現在以下方面。

（一）數據來源問題

數據是模型建立的原材料，是大數據風控的基礎，但是面對14億人口的龐大群體，首先很難做到全面覆蓋，其次難以保證數據質量，再者涉及到個人隱私，同時可能存在非法交易。

1.數據不全面

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，因為數據缺失很難對其風險進行判定；從數據結構來說，部分人群的部分數據項存在缺失，在建模時可能導致具有較強區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

在數據采集過程中，會涉及客戶的聯系方式、學歷信息、資產信息、職業信息等，這些數據通常要進行脫敏處理，但是由于客戶數據廣泛存在于各類客戶端上，數據來源眾多，一些不當操作可能會暴露客戶隱私。

3.質量難保證

隨著互聯網的發展，大量客戶端可能記載了客戶的消費、行為、資產等各種信息，由于外部數據渠道范圍廣，各類信息可能存在不一致甚至沖突的情況，數據質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

由于數據安全管理不到位，市場上出現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，國家加大了對數據安全的管控，一定程度上降低了非法交易個人數據帶來的惡劣影響。

（二）銀行業IT基礎設施不完善

一套嚴謹的風控體系運行依賴于完善的IT系統支持，目前我國國有大型及股份制銀行IT架構相對成熟，但是地方性中小銀行及農商行IT基礎薄弱，數據治理水平有待提高，難以實現數字化獨立管理。具體表現為，沒有全行范圍內的統一產品目錄；不同系統間客戶標識、客戶分類存在不一致的情況；客戶劃分不統一，存在錯誤的分類結果，導致分類結果不可靠，無法用于準確地監管資本計量；上報數據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。

客戶數據不一致會導致無法實現真正的客戶統一視圖，嚴重影響以客戶為中心的戰略目標得以落實；內部經營管理數據不完整導致無法實現精細化管理的需求，甚至使暗箱操作成為可能，給銀行穩定運營帶來極大隱患；風險類數據分類不準確導致監管資本、經濟資產計算結果不可靠，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生變化，依托于歷史數據構建的模型將會發生偏移，這就需要定期對模型的有效性進行驗證，一旦發現模型效果出現下降就意味著模型區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分能力下降就需要更換更具區分度的變量，模型算法的局限性導致海量數據處理效果不佳則應嘗試改變更優的算法。模型區分能力降低的原因是多種多樣的，它依賴于專業人員的專業判斷及解決方案，但是銀行目前專業的建模人員并不多，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問題。

（一）建立完善的征信體系

針對數據不完整、隱私受侵犯、質量難保證等難題，央行已搭建二代征信系統，在原有征信數據的基礎上積極引入社會安全管理部門、公共事業單位等更多主體，這些主體的參與豐富了二代征信內容，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，將更多信貸數據納入征信體系，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據使用成本，對于中小銀行來說，由于自身數據較為匱乏，風控數據非常依賴人民銀行征信數據，而對于貸中貸后風險管理來說，需要頻繁使用征信數據，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，加強數據治理

穩定的IT基礎設施是保障大數據風控模型和策略實施的基礎，針對數據標準不一致問題，應當建立統一的數據標準，確保相關數據的分類與執行保持一致，需要注意的是，數據治理應當覆蓋數據的整個生命周期，同時與管理模式、風險狀況和業務規模相適應，推動數據真實、準確、客觀地反映出資產的真實風險。

（三）引進大數據人才，建立數據化管理團隊

當前銀行的大數據風險管理主要依賴于外部第三方機構，僅有部分人員牽頭負責具體項目的實施。銀行數字化轉型離不開數字化人才，首先銀行應當在管理層建立起數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據相關人才，也可以從當前業務團隊挑選合適的人員進行轉型培養，建立起覆蓋數據分析、模型建立、策略實施等板塊，貫通貸前、貸中、貸后等業務流程的數字化人才團隊。

雖然我國銀行業的數字化發展目前還存在一些問題，但在隨著市場的逐步成熟、監管機制的不斷完善以及銀行自主轉型不斷深化，銀行業的發展將會更精準化、差異化、智能化。

（作者單位：1.河南財經政法大學統計與大數據學院；2.河南財經政法大學統計與大數據學院）