• 快捷搜索
  • 全站搜索

大数据在银行信贷业务中的应用实践

2016-06-06 14:13:22作者:中国建设银行股份有限公司风险管理部 朱良平编辑:金融咨询网
大数据是当前社会各界的热点议题之一。本文以银行信贷业务全生命周期管理为视角,分析总结了大数据在商业银行传统信贷业务各流程环节的应用实践,并提出了若干应用建议。

大数据是当前社会各界的热点议题之一。商业银行作为社会各机构中最早积累、应用大数据的主体,在大数据领域已经探索出了不少成熟的、有价值的应用模式。随着利率市场化改革临近收官,利差缩窄、市场竞争更加激烈、业绩增长乏力将是商业银行未来一段时间内面临的主要经营环境。严峻的经营态势促使银行通过开展大数据分析等方式内部挖潜,以实现“盘活存量、用好增量”,有效提升业绩、管控风险。本文以银行信贷业务全生命周期管理为视角,分析总结了大数据在商业银行传统信贷业务各流程环节的应用实践,并提出了若干应用建议。

一、大数据在银行信贷业务中的应用实践

        大数据可以应用在信贷业务流程各环节中。本文主要探讨大数据对银行传统的客户营销、客户准入、贷后预警、客户流失分析、贷款催收等环节的具体应用。

        1.客户营销环节的应用

        从上世纪六七十年代开始,欧美发达地区银行就已经采用了大数据分析的思维开展客户营销活动。典型的做法是银行先圈定一批大样本客户,以寄送邮件、电话营销等方式对客户进行普适性营销活动,同时采集首次营销活动后的客户响应数据,建立客户响应分析模型,寻找不同客户群体的响应规律,建立客户响应模型,再对客户进行精确营销,大幅提升营销效果。

        近几年来,在各类技术手段得到广泛应用的背景下,银行业基于大数据的客户营销模式层出不穷,主要可归结为以下两种类型。

        第一类是基于大数据的交叉销售模式,其中又包括基于银行内部数据的交叉营销和基于银行外部数据的交叉营销。在基于银行内部数据的交叉销售领域,业界已经开发出了若干种成熟的金融产品。以建设银行、中信银行等开发的POS贷为例,其基本思路就是通过分析银行POS商户的交易流水数据,结合商户的其他基本信息、征信信息等,筛选出POS交易量高、稳定的商户,以预授信方式给其推送无抵押信用贷款。该模式和互联网金融领域的阿里小贷模式类似,阿里小贷也是基于网络商户交易数据发放小额无抵押信用贷款。其他类似的产品还有小企业网银循环贷、个人快贷等。基于银行外部数据的金融产品有建设银行的税易贷等,其基本思路是和税务局合作,根据企业纳税流水数据,筛选出纳税额高、稳定的企业,综合考虑征信等信息,为其发放信用贷款。目前,银行基于上述大数据的交叉销售模式仅仅是一个开始,考虑到银行在各业务线上沉淀的海量数据,上述思路很容易推广至其他的交叉销售领域。如在银行内部数据交叉分析领域,可以根据企业结算数据遴选客户进行预授信;通过对客户存款的大数据分析为客户提供理财类产品销售(或反之);基于理财类数据营销信贷类产品(或反之);信贷类产品之间开展相互交叉销售;根据客户资金活动的规律数据推送针对性企业理财产品等。在银行外部数据交叉分析领域,除了和税务局合作,还可以和海关、工商、专利局等外部机构合作,根据其提供的外部数据开展营销服务。

        第二类是基于大数据的个性化推荐营销模式。如记录客户在网银等入口的选择习惯和产品购买习惯数据,分析客户产品偏好和风险偏好,将适合客户的产品/服务放在最容易被客户接触的入口,从而为其推送精准的、有针对性的产品或眼务。除了记录单客户的选择习惯,还可以根据客户与客户之间的产品偏好和风险偏好关联性,为其推送个性化产品。类似亚马逊公司的产品交叉推送服务(如买了A金融产品的用户中有多少还会买B产品,浏览了A金融产品的用户中有多少会购买C产品等),在银行营销推送上也有较大的应用空间。通过上述个性化营销推送方式,大数据提供了产品的精确指向/个性化推荐:

        总的来说.目前银行基于大数据的交叉营销方式方兴未艾,未来还将衍生出若干新的做法。银行采用大数据方式开展交叉营销分析,可以以较低成本提升客户的产品覆盖率,增加客户黏性,延长客户的生命周期。

        2.客户准入(授信审批、定价和额度管理)环节的应用

        信贷客户准入环节的授信审批领域也是大数据在银行信贷业务中的核心应用之一。早在上个世纪五十年代,欧美银行业基于申请贷款客户的基本信息、产品信息、风险缓释信息等数据,开发出了针对零售信贷业务的评分卡和非零售业务的评级模型,对客户信用风险等级进行自动化定量化评定,并在信用等级和信用评分基础上,将专家经验和自动评分、自动决策规则结合,实现了人工+自动化决策结合的授信审批方式。在欧美银行业,部分零售业务的自动化审批决策率可以达到90%以上,大幅提高了银行授信审批的效率,节约了宝贵的审批人资源,有效控制了银行风险。

        近年来,随着银行数据采集范围的扩大和建模技术方法的更新,银行已经开始探索采用大数据方式,完善传统的客户评级评分模型,优化自动审批策略。与传统的评级评分模型相比,基于大数据的评级评分模型主要存在如下特点。

        一是数据维度更广,变量更为丰富。传统的评级评分模型通常有10~20个变量,主要包括客户基本信息、资产(AUM)、收入(工资发放信息)、产品、交易结构安排、风险缓释、征信(银行内部征信和外部征信)、交易流水等类型的信息。在大数据时代,除了上述价值密度较高的传统信息以外,可以增加价值密度相对较低但体量较大的数据,包括网络消费数据、网络浏览与偏好数据、用户偏好数据等。可以将大量变量(可达数百个乃至数千个)纳入模型中,模型区分能力更佳、更稳定。

        二是采用模型嵌套模型的技术架构。将稀疏的大数据信息先通过子模型加工成密集信息,即将子模型的输出信息作为母模型的输入变量,将信息逐层加工,形成模型嵌套模型的技术方案。子模型可以采用较新的技术如神经网络、随机森林、支持向量机等机器学习算法,母模型可以采用传统的、成熟的logistic回归等技术方法,在模型应用框架不发生太大变化的情况下,实现更好的区分效果。

        三是采用候选模型动态调整机制,一旦部分子模型效果下降至某个最低阈值,则该模型会被剔除出子模型序列,替补模型会立刻增补进入到子模型序列中。
上述大数据和新技术的使用,使得单一变量、单一模型效果的波动,难以对模型整体效果造成实质性影响,从而实现了模型效果的相对稳定,模型预测效果也得到了提升。银行基于以上大数据信息生成的信用风险评级、评分,结合专家设定的业务规则,嵌入到信贷业务流程系统中,共同形成了信贷业务自动化审批策略,可以更好地识别客户风险,极大提升效率。

        大数据在授信审批环节的另一个应用是额度和价格(利率)的制定、调整。一般来说,在信贷业务的授信审批环节会同时确定信贷业务的额度和价格。在新客户首次准入时,可以根据大数据统计出的同类客户风险参数、各项成本参数、市场敏感性参数来设定授信额度。对存量客户,可以根据客户的风险特征变化情况、贷款支用情况、逾期情况等大数据计算客户行为评分,并计算影子额度,基于影子额度对现有额度进行实时调整。在采用大数据和自动评分机制框架下,银行对客户额度的调整时间可以从之前的数天缩短到数秒,极大提升了客户体验。与此类似,贷款定价也可以根据大数据方式来确定和调整。除了采用大样本统计风险参数以确定贷款价格以外,在利率市场化环境下,银行还可以为多类样本客户设定不同测试利率价格,计算不同客户群对利率定价敏感性系数以及竞争对手对测试利率的反应情况,从而确定最优贷款定价策略。

        3.贷后监控和预警应用

        贷后管理是国内银行信贷业务流程中管理相对较为薄弱的环节,也是大数据能发挥良好作用的领域。传统上,国内银行贷后管理的普遍做法是由客户经理及所在支行分散式地负责收集客户贷后信息,管理效率较低。在贷后管理实践中,往往在企业经营形势已经出现了巨大变化且无法挽回以后,总分行管理机构才能获知消息,造成银行在贷款处置中的被动局面。近一段时间以来,部分银行将大数据应用在贷后管理领域中,已经取得了良好的效果。

        大数据在银行客户贷后风险预警体系的应用主要包括单客户风险预警、客户群风险预警、风险传染预警等领域。在单客户贷后风险预警系统建设中,一种做法是在企业贷款支用环节,在客户支用贷款资金以后,银行可以采用大数据手段,采集企业资金流向数据,分析企业资金流向规律,对企业未按照约定支付、支付规律出现异常的进行预警。另外一种常见的做法是建设客户大数据信息监测库,动态抓取社交媒体、网站新闻、环保、工商、税务、海关、企业股票价格、企业债券价格、企业CDS价格等涉及客户的外部信息,通过文本分析及内容挖掘技术,对涉及企业的关键词和负面新闻进行识别,将识别后的信息转换成标准分类,建立企业信息索引库,结合企业在银行内部的征信信息、交易流水信息、贷款逾期信息、资金往来异动信息等,部署企业信息预警规则,建立完整的企业预警信息系统。在此基础上,将其和银行信贷系统打通,把预警系统中按规则触发的信息,发送总分支行的有关责任主体,完善贷后预警体系。当然,以上预警体系的建设思路,适当修改部分数据来源和应用规则以后,还可以应用于银行本身的舆情监控与分析中。

        大数据在客户群风险的监测和分析中典型的应用之一是担保圈风险监测。银行可以根据数万信贷客户之间互相担保关系的大数据,生成担保圈关系图谱,并建立担保圈风险监测体系。在担保圈中,可以找出担保圈中的关键风险人,一旦担保链中出现崩塌式违约,可以及时切断风险在担保链上的波浪式传导;在担保圈中,找出高危担保圈、良性担保圈,实现担保圈风险分类、监控和处置。除了担保圈分析,还可以采用上述思路,建立上下游供应链企业客户群、集团客户群、商圈客户群风险动态监测和预警。如采用大数据分析对个人住房贷款/个人汽车贷款开展集中违约监测,可有效识别假个贷、问题贷款,减少贷款损失。主要方法是根据贷款发放支行、合作楼盘、合作4S店等合作方信息,结合贷款金额、贷款发放时间、贷款还款时间、还款网点、还款渠道、还款金额、个贷集中违约时间等信息,提前识别假个贷和问题贷款的客户群。根据识别客户群的规律,在监测系统中设定假个贷、客户群违约监测规则,有针对性地设定楼盘准入和其他风险管理缓释措施。

        大数据在贷后管理中的另外一项应用是风险传染(关联风险)的监测和预警。银行可以根据大数据分析,发现客户在银行不同敞口之间风险梯次传播规律,实现不同产品/敞口之间的风险预警,及时止损。如可以根据小企业主的法人代表和实际控制人的个人贷款风险特征(如信用卡体现、额度使用情况),监测小企业公司贷款的风险状况,还可以通过企业员工代发工资情况监测企业资金链变化和经营风险等。反过来,也可以根据企业贷款风险情况,分析企业主个人贷款(如个人经营性贷款、个人消费贷款、信用卡)风险状况的变化,及时调整有关风险敝口,减少风险在各贷款产品之间的相互传导。在零售领域,也可以根据信用卡风险特征变化监测个贷风险特征情况。

        当然,采用大数据开展贷后管理和预警并不意味着其可以完全替代客户经理和支行在贷后管理中的作用,而是有效的补充。以大数据为基础的贷后监测工具需要融入到整个贷后管理机制内。构建一套人工监测和大数据监测相结合,分散监测和集中监测相辅相成,内部和外部信息共享和融合的机制,是银行实施有效贷后管理的解决之道。

         4.反欺诈领域应用

        反欺诈是银行信贷风险管理领域的古老议题,也是大数据技术最能发挥作用的领域之一。无论是在传统的公司信贷、贸易融资、个人信贷、信用卡等传统信贷业务领域,还是在电子银行、银行电商平台、自助设备、POS等新兴业务领域,大数据均能发挥作用。本文主要以大数据在传统信贷业务反欺诈的应用为讨论对象,聚焦零售信贷业务.特别是信用卡业务领域的大数据反欺诈。

        信贷业务领域的反欺诈主要集中在申请反欺诈和行为反欺诈:申请反欺诈主要包括客户真实身份识别(申请欺诈者以他人名义获得和使用信用卡)和申请资料填写不实(故意提供不实的申请信息,以获得信用卡或得到较高信用额度)。申请反欺诈领域可以采用大数据技术,通过对提取的多个信息来源的客户数据进行交叉比对分析,判定客户信息真实性。如采用中文模糊匹配技术,比对申请人填写的家庭地址、单位地址、公司名称、手机号码等中文信息与其历史信息的一致性,以及与外部征信数据的一致性,形成信息相似度概率或得分,结合判定规则判定其是否存在申请欺诈;也可以将客户手机号码、地址与历史申请数据库比对,分析是否存在重复申请、团体欺诈和中介申请等;还可以查询申请贷款的企业主或个人是否在银行欺诈黑名单中;以及通过与外部信息渠道合作,判断企业主/个人是否和银行现存欺诈黑名单存在密切关系(如亲属关系、频繁通信等),通过计算得出其与现存欺诈黑名单的关联度指数,并加以应用。

        行为反欺诈是在客户经过银行审批准入以后,银行需要在客户交易过程前、中、后识别欺诈行为的过程。比如根据客户常用登录地址、用户登录使用的设备、地理位置及交易金额(交易金额是否较高)、交易商户(是否经常同一个交易商户),交易频率(是否集中时段频繁交易)、交易商品(是否贵重商品)等信息,再和客户行为历史数据比较,识别是否存在账户盗用,识别行为风险的高低。针对部分通过互联网渠道的交易,可以分析是否同一IP地址、设备IMEI序列号、设备MAC地址、Cookie等信息分析,以判定是否存在虚假交易。

        在传统公司信贷业务反欺诈中,大数据技术手段也能发挥作用。如对假财务报表的分析,可以在信贷业务流程中内置财务信息反欺诈模块,通过将客户经理提交的财务信息与财务报表内部模块勾稽的关系比对,和同行业、供应链上下游企业的财务信息交叉比对等,设定财务报表反欺诈触发规则。在个人信贷和公司信贷业务流程系统中,可以内嵌对企业负责人和历史企业/个人黑名单数据库比对模块,及时发现企业负责人是否存在信贷违约和反欺诈行为。将企业法人信息和上下游企业法人代表信息比对,发现是否存在关联交易欺诈等。

        5.贷款催收应用

        在零售信贷业务催收环节,大数据主要应用于失联客户的关系重建。在学生贷款、个人汽车贷款的贷款催收领域,常见问题是客户失联问题。如学生毕业以后异地工作,如果贷款出现逾期,会出现找不到客户的现象。通过与外部机构合作,银行可以获取客户常用联系人信息、网络购物物流配送信息,协助重建客户联系渠道。

        大数据在催收领域还可应用于催收策略和催收评分卡的构建。通过分析客户人口特征、逾期行为特征、额度使用情况、取现情况、催收行为和响应情况等大数据,设计各种差异化催收策略和催收评分卡,实现催收客群的风险等级分组,并根据分组结果决定客户的催收队列、处置方式和人工入催时间,如对低风险、自愈性高的客群不采取任何行动或延迟行动时间,最终实现将合适的催收工具手段和风险状况相匹配,从而降低催收成本,提高催收效率的目标。

         6.客户流失分析应用

        银行的产品和服务推出一段时间以后,经常会面临产品使用不再增长、收入下降、客户出现休眠或流失等情况。基于大数据的客户流失和挽回分析,能有效提升客户在银行的贡献度。有数据分析显示,银行个人住房贷款中,有相当一部分客户的还款周期为5~l0年,而个人住房贷款期限一般为20~30年。这导致银行提前回收的资金面临再投资风险,而提前还贷的优质客户也存在流失的风险。这种情况下,银行可根据客户基本信息、所从事工作的行业、工作单位、还款流水、还款方式、贷款市场利率调整等数据,准确定位可能发生提前还款的客户群体,找到引发客户提前还款的因素,设计减缓客户提前还款的策略,并为已经提前还款的客户提供其他金融产品的衔接服务,以提高客户在银行的产品覆盖度,增加客户黏性,延长客户在银行的生命周期。

         除了提前还款分析,银行还可以基于大数据开展准睡眠户苏醒分析、长期不活动户苏醒分析等,其分析的思路框架与客户流失分析类似。

        7.其他信贷管理领域的应用

        除了在上述信贷业务流程中的具体应用,银行还可以基于信贷业务大数据研发通用产品,为银行内部信贷管理、信贷政策制定等领域服务,甚至还可以为外部机构提供服务。如建设银行作为国内最大的个人住房贷款银行,在其近千万笔的海量个人住房贷款信息中提取出全国房地产押品价格数据,设计出全国各地区的房地产价格指数,为本行数万亿元的房地产押品价值定期重估提供基准价格,大幅减少了人工重估的投入成本。此外,银行还可以根据贷款企业的平均财务指标、账户收支情况等大数据,设计行业风险指数、区域风险指数等,为内部信贷政策制定和调整以及审批人的贷款审批提供决策参考,并可根据客户在银行各类敞口的风险历史数据,设计银行内部的客户综合征信评分,完善银行自身的大数据征信体系。条件具备时,这类评分也可以为外部机构提供服务。银行在传统信贷业务中所积累的海量数据,还可以进一步衍生出多种多样的通用型产品,这些产品无论是在银行自身业务流程优化领域,还是未来进一步为外部机构提供通用性服务方面,都有较大的应用空间。

二、大数据在银行信贷业务应用的有关建议

         基于大数据对银行传统信贷业务进行精细化分析管理,是以较低的成本投入实现银行经营业绩快速提升的重要手段之一,也是银行未来需要修炼的“内功”。

         1.重视大数据分析应用,积极应对大数据挑战

         经过近几年社会各界对大数据理念的持续普及、宣传,国内商业银行对大数据的重视程度有了明显提升。但部分银行依然对大数据应用存在困惑,主要集中在两个方面:一是银行是否有能力开展大数据分析?二是如何和银行业务结合开展大数据分析?针对第一个问题,部分互联网金融机构宣称传统银行缺乏互联网思维,不具备将大数据应用于经营管理的能力。事实上,银行已经具备了将大数据应用于经营管理的基本条件(数据、技术、人力资源、经验)。在数据方面,银行在长期经营过程中沉淀了海量的历史数据,和单一互联网金融机构掌握的数据相比,具有维度更广、历史积累更长、数据“含金量"更高等特点。因此,银行开展大数据分析的“原材料”是极为丰富的。在技术、人力资源和经验方面,银行已经通过持续开展各类大数据分析项目,在大数据应用方面积累大量技术人才和经验。针对第二个问题,本文仅以大数据在信贷业务中的应用作为示例,展示大数据在银行传统业务领域的广阔应用空间,而大数据在个人金融、电子银行等零售条线的应用范围则更为广泛。未来,随着商业银行业务流程的“互联网+"改造,大数据必将成为银行核心竞争力的重要组成部分。

        2.设计开发基于大数据的金融产品和服务,取得直接效果

        银行实施大数据分析,可以从效果明显的新产品设计、交叉营销、存量客户挖掘入手,以便获得银行内部高层和各业务条线的支持,获取持续发展的资源投入。除了研发具体的金融产品以外,银行还可以基于大数据设计、发布社会公用产品(如银行征信评分、行业风险指数等),服务于专题风险评估,持续提升社会影响力。

        3.制定银行大数据管理策略,实现数据价值最大化

        在大数据时代,银行应当制定全行数据价值评估体系,并以此为基础制定大数据管理策略,包括大数据的存储、交换和保护策略。

        在大数据存储策略方面,银行应为不同价值密度、不同应用需求的数据设置不同的存储期限和存储方式,确保重要的历史数据长期、在线保存。以往银行更重视保障业务系统顺畅运行以及交易流程中实时数据的使用,而忽视管理分析型数据的存储。如银行数据仓库数据在线存储时限普遍较短,主要原因是数据仓库早期的应用更多面向日常管理报表的生成,不需要保存太长历史数据。在大数据时代,银行往往需要保存、分析过去若干年的历史数据,如风险计量领域,我国监管机构明确要求,涉及PD/LGD/EAD等风险参数的有关历史数据最低保存年限是5~7年,而欧美同业这部分数据的保存年限长达20~30年。针对大数据时代数据体量大、保存期限长等特点,银行可尝试采用分布式文件系统和分布式数据库的存储方案,以降低存储成本。

        在数据交换和保护方面,银行应制定可交换的数据和必须保护的数据清单。在需要向外部机构购买或与外部机构交换数据时,银行应当制定可交换/不可交换的数据清单。与互联网金融机构掌握的数据维度较为单一、价值密度较低不同,银行积累的数据具有维度广、价值密度高的特点。银行应珍视自身数据价值,在与外部机构进行数据合作和交换时,杜绝银行核心数据流失。举例来说,银行贷款违约有关数据、客户交易还款流水数据均是银行评估客户信用风险的核心数据,也一直是外部机构最想从银行体系内获得的数据。

        4.建设大数据分析技术平台,提高大数据应用效率

        银行可以建立集中管理的、基于数据仓库的大数据挖掘和分析技术平台。该平台除了具备面向IT技术人员的数据库挖掘功能,还应当搭载基于SAS/R/MATLAB等面向业务人员的专业分析软件,并尽量采取可拓展的、分布式技术架构。与业务系统对计算性能稳定性需求不同,大数据挖掘和分析平台是面向具体数据挖掘项目的,其计算需求有短时突发性、高负荷性等特点。举例来说,如果银行短期内新设立若干个数据挖掘项目,可能会突然增加数十名乃至上百名数据分析和建模用户,这些用户经常需要同时开展巨表关联等重度数据处理计算。因此,要求大数据分析平台的计算能力可根据需要随时增加。

        5.处理好数据应用过程中的客户隐私问题

        和欧美发达国家不同,我国尚未形成专门针对客户隐私保护的法律。从业界实践来看,银行对客户信息进行再加工处理并进行统计分析形成结论后,应用于评级授信、交叉营销、贷后管理等信贷管理领域,或者将客户信息直接用于内部分析管理,一般不会产生客户隐私权纠纷。但是如果直接将单一客户的具体信息用于外部管理(如将客户朋友圈信息用于催收管理),可能会存在潜在的隐私权纠纷问题。因此,银行在使用客户明细数据用于外部管理之前,应当获得客户的明确许可。在银行内部,也要建立数据安全的分层控制体系,以确保信贷业务流程和大数据分析流程中,不同类型和业务需求的内部用户拥有访问客户各层次的数据的权利,确保客户隐私数据得到恰当使用。

(文章来源:《中国金融电脑》杂志)

扫码即可手机
阅读转发此文

本文评论

相关文章