大数据技术在信贷风控中的意义

（一）具有信贷技术意义的“大数据”基本范畴

随着信息时代发展到网络时代，人们的生活经过网络进行数据化处理，随时分享，留下记录，变成数据。互联网上的大数据不容易分类，百度把数据分为用户搜索产生的需求数据以及通过公共网络获取的数据；阿里巴巴则根据其商业价值分为交易数据、社交数据、信用数据和移动数据；腾讯善于挖掘用户关系数据并且在此基础生成社交数据。通过数据进行分析人们的许多想法和行为，从中发现政治治理、文化活动、社会行为、商业发展、身体健康等各个领域的各种信息，进而可以预测未来。互联网大数据可以分为互联网金融数据以及用户消费产生的行为、地理位置以及社交等大量数据。从社会宏观角度根据其使用主体可分为以下政府的大数据、企业的大数据和个人的大数据。由于大数据信贷技术侧重于企业信贷的具体实践，致力于运用大数据服务于信贷风险管控。基于此种理解，一般来讲，具有信贷意义的“大数据”基本范畴主要包括如下几方面数据：

1.财务信息类数据

财务信息类数据是商业银行进行“大数据”信贷分析的最为重要的数据来源，主要体现为财务报表数据及纳税申报表数据。企业财务及报表数据主要由两类组成，一类是非上市公司提供的自身企业的数据，另一类是上市公司需要定期披露的市场化公司数据，按照法律规定，上市公司会定期披露财务报表及内部控制报告。商业银行通过对企业的报表及财务数据的技术分析，发现企业在经营管理过程中存在的诸多风险。财务数据最大的弊端就是企业容易“粉饰”财务报表，造成信息失真的问题。纳税申报表数据，在一定程度上可以还原企业真实的销售收入，具有辅助意义。

2.供应链数据

供应链数据主要体现为仓储物流数据。企业的很多数据，将会在供应链的环节中进行沉淀，形成具有信贷意义的供应链数据，为供应链金融的实现提供了大数据支持。大数据将用于供应链从需求产生、产品设计到采购、制造、订单、物流以及协同的各个环节，银行通过大数据的分析可以实现对供应链过程中企业的真实经营情况的掌握。对于制造业或类制造业而言，仓储物流数据准确地反映了企业经营的“繁荣”程度，同时这个数据也是供应链金融或供应链融资的基础数据。商业银行通过掌握企业的仓储物流数据，可以交叉验证企业的真实经营情况。

3.企业生产经营数据

企业在生产经营过程中会产生大量的数据，例如，企业的水费、电费、燃气费、海关数据、订单数据、出库入库单数据、工人工资流水数据、银行流水数据等经营类数据信息。此类数据属于企业生产经营过程中留下的“痕迹”，属于大数据中的“干货”，水分较少，甚至没有水分，能够更好地还原企业的经营状况，主要运用在交叉验证企业的真实经营状况。信贷实践中，关系型信贷技术也经常运用此类数据。例如，浙江泰隆银行的“三品三表三流”的信贷技术。

4.工商数据

工商数据是指来自工商局的企业注册信息以及后续的变更信息，主要反映了企业的性质、经营范围以及股东或控制人的状况。商业银行需要重点关注企业的股东数据，进而有效识别股东在多家企业的控股状况，当其中某一家企业出现风险时，有可能传递到或殃及其控股的其他企业。另外，商业银行通过对股东的关联控股企业的监测与分析，可以发现其中的负面的或形成财务粉饰的关联交易数据。

5.公检法数据

信贷企业的涉诉情况，是商业银行需要重点关注的风险点。公检法数据目前主要是指来自法院系统的经济案件数据以及来自公安机关的金融欺诈报案数据。法院的经济案件数据已经被商业银行广泛采用，通过经济纠纷事件来推断贷款企业或申请带卷企业的信用状况以及可能面临的道德风险。公安机关的报案数据对于发现金融欺诈、非法集资、恶性高利贷等有着直接的应用价值。信贷实践中，商业银行通过查询法院被执行人信息，可以判断企业的涉诉情况。

6.征信数据

大数据意义上的征信数据，既包括人民银行的征信数据，也包括第三方民间机构的征信数据。人民银行的征信数据是目前国内积累时间最久、覆盖面最大的数据源，涵盖了历史上在商业银行贷款违约的客户信息。目前人民银行征信数据属于限制开放的信息源，主要服务于商业银行以及准许的非银行金融机构。互联网技术的发展和大数据的广泛应用，使得相关互联网企业在进入民间征信行业时具有较大的优势。例如，芝麻信用、腾讯征信、前海征信、鹏元征信、中诚信征信、中智诚征信、考拉征信、华道征信等民间征信数据，对于大数据信贷技术的运用提供了强大的数据补充和有效支撑。

7.舆情或负面事件数据

商业银行需要重点关注贷款企业的舆情风险和负面事件。舆情或负面事件数据是指在互联网新闻、微信、微博、论坛、博客、报纸等载体上出现的关于贷款企业的负面消息，其表现形式可以是一段文字、视频、音频、图片或其他组合形式。商业银行可以透过过企业的负面消息或负面实践，分析企业面临的各种风险，甚至是面临的危机。这是商业银行在信贷风险管控中需要高度重视的重要信息和风险预警信号。在负面事件中，商业银行需要重点关注制造企业的生产安监风险事件，实行“安监一票否决制”。

8.环保数据

在“供给侧改革”大背景和“绿色信贷”经营理念下，商业银行需要高度关注散乱污整治下的企业环保风险隐患，对信贷企业实行“环保一票否决制”。环保部及各地环保局关于对违反环境保护法企业的立案及处罚数据，一方面反映了当事企业的社会责任管理缺失、信用状况恶化的状态。另一方面，也反映了由于环保限制或环保处罚，而可能导致的企业经营的不确定性或者可能面临的巨大经营风险。这部分数据往往是商业银行需要重点关注的信贷风险点。(www.xing528.com)

9.电商平台交易数据

随着互联网信息科技的发展，电商平台发展迅猛，助推了互联网世界的大数据的快速发展。电商交易数据，较好地反映了商品生产企业或商品销售企业的经营状况，据此数据来评定商户的信用等级或信用风险在以往获得了较为满意的准确度。商业银行通过企业的电商交易数据可以比较便利地识别企业的经营风险。在大数据的范畴中，电子化的数据将成为未来的重要信息载体。

（二）风险管理的“起跳板”：大数据风控技术

“大数据”被誉为风险管理的“起跳板”。大数据风控，已经成为银行信贷风险管理的重要工具。在大数据采集、转换、存储的基础上，形成了面向风险管控应用的数据集合或数据仓库。商业银行运用大数据开展风险控制，还需要发展和创立一些专门的技术。大数据风控技术的应用能够大范围地消除信息不对称、信息不完整和信息不及时的现象。基于大数据和智能技术，智能信贷和智能风控必将成为信贷风险管理的重要趋势。

1.大数据检索技术

大数据搜索引擎，是大数据应用的基本工具。商业银行通过大数据检索技术，可以快速地提取信贷决策过程中需要的风险信号，进行风险分析和风险预警。大数据检索技术，体现了信贷技术的信息化特征，是开展大数据信贷产品创新的重要技术支撑。目前市面上主流的Hadoop大数据搜索引擎，对于服务于大数据风险管控的大数据而言有着成本过于高昂的缺点，对此，商业银行需要发展一种专门同于二次信息采集、围绕风险管控主题组织数据的低成本检索工具，作为开展大数据信贷风险管控应用提取所需信息的工具。

2.大数据风险识别模型

互联网金融创新的快捷、简化、纯信用的特点对传统信用风险评估提出了挑战。商业银行利用大数据识别特定对象的风险，必然面临着风险信号出处多样、内容复杂、质量良莠不齐的状况。在这种情况下，传统的风险识别模型往往不能胜任有效识别信贷风险的任务。这时候，商业银行需要开发基于规则的、基于业务的、基于多种信息整合的以及基于统计学远离的大数据风险识别模型。大数据信贷技术下风险计量技术将在数据方面融入大量的非传统数据，和传统数据进行结合，更全面地评估贷款企业的信用情况。在风险计量技术方面，不再受限制于Logistic（逻辑）回归、决策树等成熟的统计方法。大数据技术可以帮助银行构建客户的全景视图，全面覆盖客户相关信息，包括基本信息、财务资金情况、交易信息、关联事件、社会关系网及社交评论等。利用此视图，依托各类大数据分析技术深入展开客户行为分析、客户信用度分析、客户风险分析、客户资产负债状况分析等。结合数据分析结果，利用专业量化的信用模型，客观、定量地评价客户还款能力。同时，为定性分析提供更加丰富的信息支持，真实反映客户的还款意愿。基于大数据的多样分析技术，建立完备的客户信用评价体系。

3.信贷欺诈监测和反欺诈技术

大数据技术中最有数据化特征和大数据“神韵”的就是信贷欺诈监测和反欺诈技术。在信息不对称的情况下，信贷市场上容易产生信贷欺诈现象。商业银行运用大量的外部数据，采用第三方信息验证、电话核实、反欺诈排查等手段可以大幅度降低欺诈比例。大数据技术是银行智能实时申请反欺诈系统得以实现的技术支撑，常被用来收集数据信息，对采集到的数据信息进行分类整理挖掘各种数据信息间的内在联系等。大数据技术是当前形势下处理信息的主要技术，可以在规定的时间内，采集、整理并提交有价值的信息，为企业制定科学的战略决策提供技术支持。一般来说，大数据共有4个发展周期，首先是生成大数据并对数据进行处理，在这个环节中，涉及挖掘信息、预测模型等内容，其次是数据的存储环节，将有价值的信息存储在数据库中，实现数据的实时更新，接着使数据计算结果的展示阶段，最后一个阶段指的是数据的可视化阶段，在这个环节中会应用到流计算技术。商业银行通过对“大数据”的解读，可以实现欺诈监测和反欺诈的目的。例如，通过户籍数据可以了解企业主的家庭情况，通过学历数据可以了解企业实际控制人的教育情况，通过人行征信数据可以了解企业的贷款结构等。目前，银行可以通过大数据的规则判断、行为特征分析、智能模型识别、关联分析、设定客户欺诈等级、欺诈预防和识别等手段，来达到反欺诈的技术控制目的。

4.大数据信贷风险预警机制

大数据技术对于信贷风险预警，突出“实时性”与“智能化”的特征。信贷风险预警，是商业银行提前发现未来会爆发的信贷类风险。大数据技术在风险预警方面具有得天独厚的优势。商业银行通过对企业大数据的分析，可以分析企业的异动信息，从而实现风险的提前预警。信贷实践中，大数据技术为银行了解借款人的隐形负债和民间借贷问题提供了识别技术。例如，银行通过对借款人的联系人、社交圈的关系分析，或借款人的互联网关注、浏览的贷款信息，社交网络的贷款推销人员等方面，帮助银行有效识别民间借贷。大数据信贷技术通过直接写入实时监控体系，使得大数据快速更新，实时地为风险监控体系提供输入，令风险异动在第一时间反馈出来。商业银行可以通过网络爬虫技术，定期从公安、检察、法院、海关、工商等采集特定信息，通过分类清洗整理，建立索引，导入大统数据平台，供查询分析、模型计算使用，通过设定预警规则和触发条件，加强对信贷风险预警的分析。大数据改变了传统信贷风险监控的手段，改变为“互联网+大数据+风控”，今后突破的重点也是给予人工智能的风险预警管控模型。

5.逾期客户管理

大数据信贷技术对于逾期客户管理主要体现为优化催收策略，丰富客户信息，增加新的触达方式。大数据为完善计量工具、提高计量模型的精准性提供了可能性。同时，大数据衍生出新的催收方式。银行通过大数据可以获取客户的微博、微信等新型社交工具，增加了客户触达的方式从而丰富了催收方式。针对失联的客户，商业银行可以通过第三方数据，对客户的联系方式进行补充和修复。例如，银行通过电信运营商和电子商务平台提案的数据，可以捕获失联客户的新的联系方式，有利于加强逾期客户的管理力度。

6.大数据征信技术

随着大数据的兴起，商业银行开始关注人行征信以外的其他以互联网数据为基础的征信服务。大数据征信可以对企业的真实性进行核查，对企业数据进行简单整合、统计和多方匹对，进而验证企业信息的真实性。大数据征信可以挖掘出数据的潜在价值，建立大数据评估模型和策略，提供信用评分服务。商业银行通过大数据征信技术，可以有效弥补人行征信的不足，提高信息采集的能力，有效还原企业客户的真实经营情况，改善信息不对称的现状，提高企业融资的可得性。

【信贷反思录】为什么说大数据技术是信贷风险管理的“起跳板”？