《中国金融》|商业银行智能化审批-fun88乐天堂|首页官网 

设为首页   |   联系我们


当前位置:fun88乐天堂主页 > 智能设备 >

快速导航

新闻中心

《中国金融》|商业银行智能化审批

更新时间:2020-01-27 09:02点击次数:字号:T|T

  习总指出,防范化解金融风险,特别是防止发生系统性金融风险,是金融工作的根本性任务。当前,大数据应用推动银行信贷审批从人工智能,一方面,有助于银行风控触角从表层延伸至内涵,深入挖掘信息价值和判断实质风险;另一方面,有助于商业银行风控逻辑从单环节延展至全流程,在客户准入、贷中审核、贷后监测等各节点形成数据链。但基于大数据的智能化审批尚处于初级阶段,数据孤岛、低质、、造假、泄露等挑战依然严峻。商业银行如何在数据爆炸时代去伪存真?如何在风险多发背景下实现智能化、精准化防控?如何在互联网冲击下凝聚竞争优势?这些已成为亟待解决的重要课题。

  传统信贷审批模式以流程驱动、人工审批、经验判断为主,在移动互联网效率竞争、数据竞争、体验竞争的时代,越来越不能满足客户的需求。智能化审批之所以盛行,缘于其能更好地平衡客户体验和风险管控之间的关系。

  改变信用触点。相较于传统信贷审批模式,大数据下的信贷模式,是“业务+数据”共同驱动的智能化审批模式。银行与客户的信用触点发生改变,APP、小程序等交互平台作为银行信用集散地的作用日益凸显。信贷审批不再受时间和空间,依托线上形成的“数据资产”以及相应的模型,可在极短时间内自动完成信贷审批和定额,从而大幅降低信用发现和定价成本。

  改变获客模式。传统信贷获客模式主要通过流水分析筛选客户,发送电子邮件或以电话访问的方式,为用户推荐信贷产品。虽然用户质量高、风险低,但获客模式单一、客源量少、客户选择少、体验不佳。随着大数据、人工智能技术的发展,基于海量在网数据,通过客户画像,不断挖掘客户价值、个性化需求,并以场景嵌入、精准营销、数据反馈等方式,实现“沉浸式”获客和“无感”风控。

  改变风控技术。传统信贷利用身份核验、现金流、资产估值等强验证资料,数据维度单一、制式非标准、易于造假,导致审核和授信周期较长。智能审批的数据基础是大数据,既有交易、流水、事件等时间数据,也有、行动轨迹等空间数据。以多源、弱变量组合、交叉验证的方式,反映用户综合风险和信用情况。同时,设备指纹、人脸识别等AI技术应用在风控场景,强化了对用户真实性的验证。

  改变风控模式。贷前环节,智能审批基于大量数据、模型和策略,在授信阶段对流量精细化运营,按风险维度对客户进行组合分层,以满足个性化风险偏好,设置差异化价格和服务。根据不同风险等级和授信评分情况,对用户进行授信定额和智能准入。贷中环节,基于用户终端、交易、身份信息等数据,建立申请欺诈识别、套现识别、盗刷识别、人机识别等风控模型,防范欺诈和风险。同时,基于用户行为数据,划定不同的服务体验周期,进而做到精细化运营,用户黏性、活跃度和留存率。贷后管理环节,构建智能催收系统,根据用户价值、逾期情况、风险等级、行为习惯,匹配不同的催收方式,以催收的针对性和有效性。

  大数据驱动的智能化审批仍处于发展初期,有效性问题十分突出。P2P平台作为最早一批应用智能化审批的机构,近年来问题平台数量暴增,除资金运作信用中介本质外,也与智能审批有效性不足、风险控制质量不高有很大的关系。

  一是数据来源存在“孤岛”效应。、银行、券商、互联网企业、第三方征信机构掌握的信息资产难以在短时间内互联互通。“信息孤岛”导致信息不对称、不透明,获取不及时,可能带来多头债务风险和欺诈风险。

  二是数据质量存在有效性偏差。近些年,金融机构、电子商务、社交网络、公共政务、OTO互联网平台等数据载体,每天聚集和制造EB级的海量数据603138股吧)。然而,格式多样化、形式碎片化、数据缺失和内容不完整等问题随之而来,甚至出现电商平台“刷单”、信用数据专业造假等网络黑产。因此,改善数据质量是提升智能化审批有效性的必备环节。

  一是网络信息难以还原现实信息。金融信用与社会信用不存在必然的相关性。个人信用体现在多方面,既包括交易、征信、金融行为等直接信用,也包括事业、家庭、朋友等间接信用。直接信用只代表历史特征,不代表未来的违约风险;社交平台积累的间接信用,同样不能精准确定违约风险。

  二是金融信用与社会信用的相关性不确定。信贷主体在网络中的表现,并不能完全反映其社会真实性。尤其在线上、线下割裂的状态下,个人的行为方式可能出现强烈反差。因此,对于同一个人和同一个企业,根据单维度数据对其信用判断的准确性有限,数据展现多面特征,“全数据”异常重要。

  三是数据的滞后性和风险传染性。传统信贷审批的基础是标准正态分布状的概率模型,但数据总是滞后于行为。智能化审批的基础是大数据,依据是相关性而不是概率论。若按照概率论推算,2008年国际金融危机约250亿年才会爆发一次,而CDS、CDO交易的大数据,同样没办法风险的来临。在大数据时代,“黑天鹅”事件依然没办法预测。数据互联互通,甚至有可能将某个较小风险通过蝴蝶效应演变为“黑天鹅”事件。

  一是数据仍未成为经济主体的财产和资产。2012年“世界经济论坛”曾发布《大数据、大影响》报告,认为数据已成为一种新的经济资产类别。但直至目前,数据作为重要生产要素,仍未被纳入企业资产负债表,进而形成大数据时代的“超级资产负债表”。

  二是存在数据和隐私泄露。互联网金融时代,金融科技公司的营收和利润,很大程度上依赖用户数据流量变现。在网行为、社交游戏、交通出行、购物记录、消费记录等数据与用户日常生活、个人和企业隐私、经营安全息息相关,数据所有权和使用权的归属是用户,而非金融科技企业。如何、适度、有效地采集和使用大数据?这不仅是一个技术实现问题,更是一个社会进步问题。

  相比电商和金融科技头部企业,商业银行在互联网技术、平台层面稍显不足,但通过资金、网点、客户等禀赋优势,可以不断积累信用数据,丰富优化审批模型,不断深化贷中、贷后的资金过程管理。长期来看,商业银行更具有搭建“数据+模型+动态监测”智能化审批核心体系的能力。

  不管是甄别客户进行授信和贷款的活动,还是用户交易活动留下的痕迹,都是银行重要的数据资产。大型银行凭借网点、客户、科技优势,实现几何级数的数据增长,其中既包括以工资、公积金、贷款、理财等为代表的结构化数据,也包括文档、图片、影像、地理等非结构化和半结构化数据。咨询公司指出,银行每创收100万美元,平均产生820GB数据,数据强度踞各行业之首。国内商业银行数据已达100TB以上。在运用大数据开展智能审批方面,银行具备天然优势。

  另外,大型银行是客户流和资金流的集散地。贷款和金融业务开办之前,各自然人、企业和机构,均需要在商业银行开户并填报基本信息,POS机和ATM获取个人消费信息,企业资金划转以商业银行为媒介。商业银行已形成庞大的金融数据库,其结构化程度优于电商等企业。

  大型银行具备建立智能化审批系统的条件。特别是2000年之后,大型银行提出建立“数据集市”的思,纷纷设立数据中心和备份中心,数据存储利用效率大幅提升。2014年之后,部分大型银行开始性地建立分布式数据交互和松耦合的科技架构,风险防控能力和数据分析能力再次跃升,这都将为智能化审批的应用赋能。

  另外,大型银行均设有科技开发中心、数据测试和收集中心。在20世纪初的数据集中管理过程中,大型银行累积了建设复杂数据信息系统的经验,涉及软件开发、数据仓储等具体实操项目,自主研发了一批具有品牌效应的互联网业务和产品,储备了大量软件开发、科技管理人才。

  智能化审批的“智能”,不仅体现在对线下网点、人工经验的弱依赖,而且体现在共享场景和获取客户资源方面。一是线上快贷模式。银行借助“内部存量客户信用数据+外部行为信息”,明确目标客户,筛选预授信白名单,通过智能化审批系统完成线上身份核实、自动审批放款。二是联合贷款模式。银行发挥资金优势,第三方发挥渠道、获客、线上技术优势,批量行外获客,双方进行风控审批,共同实施贷后管理与催收。三是联合建模模式。合作方(互联网金融平台)一方面向银行输出互联网金融产品实践经验,帮助初步过滤客户;另一方面联合建模帮助银行控制信贷风险。四是内嵌场景审批模式。银行与具有高频消费场景的第三方合作,共建金融服务生态平台。银行将智能化审核审批和贷后管理“内嵌”到生态平台。

  商业银行现处于数据资产化、审批智能化的起步阶段。基础信用数据以描述性为主,预测性为辅;以自身交易和客户数据为主,外部数据为辅。数据应用深度、广度和频度还存在不足,迫切需要拓宽数据应用层面,实现数据资产增值。

  数据处理复杂,充分挖掘困难。一是缺乏与数据和科技变革相匹配的组织架构,数据在组织内部处于割裂状态,数据资源整合度不高,缺乏顺畅的共享机制,导致数据使用效率较低、交互成本较高。二是在审批模型开发中,采取战略跟随或合作共建策略,尚未形成自主、系统的数据治理方法和体系,缺乏有效的数据分类、整理和加工。三结构化数据占比不断上升,数据构造方法重复率高、关系复杂,难以充分挖掘数据资源潜在价值。

  模型的筛选精准度有待提升。智能化审批的第一个环节是贷前客户筛选和预授信。在客户筛选环节,银行的底层风险数据,主要为较明确的不良记录,如失信、未结案、公示不良、交叉违约等。该类信息对筛查极劣客户具有效果,但对特征不明显的中间客户,筛查作用有限,易形成“非黑即白”的判断,导致白名单客户过多。在预授信环节,线下走访流程的缺失,可能导致潜在风险客户获得资金,也可能导致客户授信额度偏低。

  风险难以有效控制。一是商业银行线上审查审批的前中后台,通常集中于一个部门或少数团队,承担数据使用、模型研发、客户筛选、贷款审批、贷款发放、贷后管理等全部环节,缺少风险管理的有效制衡。二是客户筛选、授信测算、贷款投放、贷后监测均由系统或模型进行,既易造成风险出现后责任下压至经办行的问题,又难以对经办人员的行为形成制约。三是资金监测频率与业务7×24小时实时投放的实际情况不符,资金流向无法完全闭环管理,导致部分资金流入理财、证券、期货等投资领域或房地产领域。

  大额线上贷款经验不足。商业银行探索线上贷款,通常放款额度不超过20万~30万元,且以信用类品种为主。尤其是对于不超过1万元的小额个人贷款,互联网基因良好的银行已在尝试纯线上开户,并取得较好的成效。但对于大额贷款审批风控模型,市场上整体经验不足。主要原因有以下三方面:一是按照监管对大额资金的管理要求,新客户在首次放款前仍需线下开户,以及线下授权征信查询;二是针对小微企业虽然已开展线上开户业务,但目前只对小微企业主提供线上贷款,本质上是个人经营性贷款,对公端贷款效果不理想;三是不同于小额贷款的批量预警和催收机制,大额贷款仍离不开线下催收和司法诉讼模式。

  建设智能化审批大数据服务云平台。一是充分发挥大数据云存储成本低、扩展性好的特征,建立统一的智能化审批数据云存储平台。同步搭建基础数据库和指标库,支持数据与指标长期存储,打破存储资源不足的瓶颈。二是利用云计算的数据处理能力,实现定期(如按月)抽取、加工、更新全量基础数据和指标,实现数据稳定可靠、即需即用,进一步缩短授信审批模型的运行效率,提升模型迭代速度。三是将市场、行业、信用、流动性、合规等各风险模型管理的应用“上云”处理,打通各类应用的数据隔断,整合优化为统一的风险量化数据云存储平台。同时,建立统一标准、统一口径风险数据库和指标库,提高各类风险量化模型的开发、优化、、运行的效率和稳定性。

  完善审批模型技术平台。一是探索建立客户人脸、指纹、声纹、虹膜等生物档案库,利用智能化的生物识别技术,替代传统人工审核和U盾、密码器等介质认证,简化业务流程,提高客户身份识别的效率和准确度,强化欺诈风险防控的智能化水平。二是引入高维特征计算、机器自学习等大数据技术,提升数据处理和计算能力,增强模型的风险识别能力。引入社会网络分析、图数据库等关联分析技术,挖掘客户关联关系,绘制客户关系网络。对关联风险程度进行分级,对关系种类、疏密程度、风险传染方向进行识别,解决关联交易和多层嵌套隐含的风险。三是推进客户统一授信管理和系统开发,对同时具有对公授信和个人授信的企业主,按授信额度孰高的原则统一授信,防止过度授信。

  优化信贷风险动态和预警体系。一是针对融资客户、产品,以及放款机构、信贷人员,实时开展风险监测预警和管控,实现对客户准信用和类信用风险事件的精准和高效识别,以及核查管控、督办、反馈优化、考核评价等全流程管理。二是适度扩大基层行客户筛选和授信核定权限,鼓励分支机构主动进行现场尽调,并通过不定期抽查、走访,做好贷后资金用途真实性和风险监测工作。三是推动线上审批前中后台分离,对线上信贷业务实施换手管理,防止出现违规和风险。同时,厘清上级行和下级行在客户准入、贷款投放、清收处置中的权责利,将信贷风控责任具体落实到人。

(编辑:fun88乐天堂网)

网站地图

微信扫一扫关注

地址:济南市高新区高端人才实训基地26楼 电话:0531-88475911 400-009-8475 网址:http://www.chengjuzx.com
版权所有 Copyright(C)2015 济南市fun88乐天堂软件科技有限公司 豫ICP备13002468号-2