大数据助力风险管理

汤洪洋  FRM（金融风险管理师），保监会资产证券专家委员会委员，中国金融风险50人论坛成员，中华联合保险风险管理部总经理

 

一、背景

（一）大数据时代已经到来

 目前人类社会已经进入了大数据时代，大数据的特征可以总结为4V：Volume、Variety、Value和Velocity。大数据时代的到来给数据处理技术和人的思维方式也带来了一些变化。传统的数据都是质量比较好、精确度比较高的数据，在大数据时代，我们可能要面临各种各样好坏参半的数据；传统的思维方式是因果关系的思维方式，在大数据时代，可能更多的是关联关系的思维方式。

（二）数据是全面风险管理体系的基础

 从银行风险管理角度看，银行近几年在风险管理领域做出了很大的投入，巴塞尔协议的实施，也对银行整个风险管理体系的建设起到了非常大的推动作用。目前，各商业银行已经建立了相对完善的风险管理体系，而银行风险管理体系的基础，其实就是风险管理数据、风险计量模型以及风险管理IT系统，这表明风险数据的管理对于银行风险管理体系具有重要的支撑作用。

（三）提升银行风险管理能力势在必行

银行风险管理应该随着政策、市场以及业务客群的变化而变化。在政策方面，国家出台的服务实体经济、发展普惠金融和防范金融风险的相关政策，对银行风险管理提出了更高的要求。在市场竞争方面，利率市场化的完成和互联网企业的冲击，导致银行需要在经营风险管理方面做出一些创新和改变。在客群方面，金融机构过去可能更多地服务于大企业或者利润贡献度高的客户，但随着互联网金融的发展，银行现在也需要面对大众客户（长尾客户）。在这类客户的业务推广过程中，银行需要创造新的风险管理方式。

（四）大数据赋能银行风险管理

 在大数据时代的技术环境和金融环境下，银行也纷纷在传统风险管理的基础上接入一些大数据技术，不断加强自身的风险管理能力，其中包括流程管理、单风险管理、跨风险管理以及集团风险管理等方面。

（五）大数据技术带来的机遇和挑战

 大数据技术提升了银行的分析能力，促进了风控模式的创新，但同时大数据技术也带来了一些挑战。

 第一，数据收集能力的挑战。从内部数据看，虽然银行前期在风险管理领域已经采集了很多有用的数据，但是还有很多数据散落在银行的各个角落，没有很好地被采集和利用。从外部数据看，如何更好地利用外部数据来服务于银行的风险管理，这一问题也有待银行去解决。

 第二，技术能力的挑战。大数据确实给银行带来了新的分析处理能力，但是在这种纷繁复杂的数据中，到底哪些数据能服务于银行的风险管理，能给银行创造价值？这需要银行去甄别，去建立新的风险管理模型，这对银行风险管理运用大数据，特别是运用外部大数据的能力是一个很大的挑战。

第三，数据安全的挑战。银行作为金融机构，在应用一些外部数据或者客户数据的时候，需要考虑数据的合规性。银行与外部数据公司合作时，也需要考虑哪些数据能够合法合规地给银行提供这种能力。

二、大数据风控能力构建

整体来看，大数据风控能力构建集中在以下几个方面：第一个是数据层面，整合内外部数据，夯实风险管理基础；第二个是平台层面，构建技术平台，打造实时分析和海量处理能力；第三个是模型层面，打造共享模型工厂，提升企业级建模和分析能力；第四个是场景层面，丰富智能风控场景建设，打造全流程风控闭环；第五个是基础层面，优化人员技能和管理流程，提升大数据基础支撑力。具体来看：

第一，数据整合。一方面要继续挖掘企业内部各方面的相关数据，在挖掘数据的同时，还要统一数据标准，加强数据治理，提升内部数据质量，从而发挥更大的价值。另一方面要更好地利用外部数据。例如，在合规的前提下，银行可以和工商司法部门合作，去获取一些相关数据，包括工商登记数据和司法处理的数据等，然后应用到对企业的风险管理流程中去。

第二，平台能力。在数据整合的基础上，银行需要建立一个大数据平台，这个大数据平台其实更多的是一个技术方面的平台，它也具有服务于大数据风控的能力。依托大数据平台构建海量数据离线处理和流式计算能力，支持可视化分析展现，具备将数据服务实时嵌入业务流程和场景应用的能力。

第三，建模能力。银行需要有风险管理模型分析和开发的能力，需要有支持模型开发的工具和基础。银行可以通过打造智能化能力共享中心，利用标准建模方法、可视化建模工具，建立共享模型工厂，形成全流程共享的自学习闭环。

第四，场景能力。数据发挥价值要与风险管理的场景进行融合，才能达到实现智能风控的目的。银行需要把数据和模型贯穿应用到整个业务场景中去，同时跟踪模型反馈，不断优化风险管理模型，构建“数据+决策+监控”的动态闭环。

第五，基础能力。包括人才队伍、技能工具、管理流程和数据治理等基础能力。尤其重要的是，银行风险管理能力的竞争核心在于模型，而模型的核心其实在于人才队伍，培养一支具有高水平数据分析能力的人才队伍是未来银行竞争的关键。

三、商业银行大数据风控场景

目前而言，大数据技术可能更多地还是作为银行传统风险管理的一个有效补充。商业银行大数据风控主要有以下九类场景：

第一，全息视图。要通过构建全息客户画像，捕获全方位立体化信息。银行可以通过整合内外部信息，构建全息客户画像，更全面掌握客户风险状况，指导授信方案选择、授信审批和贷后管理。

第二，信用评价。非结构化数据分析技术提供了更多的建模数据来源，银行应结合内部数据模型，建设更有效的信用风险评级体系。银行可以依托于大数据的变革来改变传统的授信流程和管理模式，即利用外部数据，直接给客户进行小额授信，从而改变银行传统的复杂并且时间周期较长的授信流程。

第三，风险预警。银行可以通过拓宽数据的来源和维度，对事后风险建立相应的预警模型，丰富风险预警体系，对信用风险进行及时防范。

第四，模型平台。通过大数据平台，建立相应的模型平台，以此来构建并持续优化相应的风险模型。

第五，知识图谱。银行可以利用知识图谱构建客户的关系图谱。在风险管理领域，集团客户关系、担保关系等可以通过大数据搭建出银行和客户之间的风险知识图谱，实现多元化数据融合，从而更好地服务于银行的风险管理。

第六，优化流程。银行可以利用大数据改变银行传统的授信流程，特别是在普惠金融领域，银行可以使用模型辅助决策，“重塑”贷款管理流程，改变传统的金融服务模式，实现线上的实时审批，提升管理效率。

第七，实时精准。通过人工智能技术构建风险知识图谱，搭建风险决策引擎、风险模型工厂，在“反欺诈、反洗钱、风险管理”领域，构建实时、精准、严密的端到端智能风控体系，从“人控”向“机控”转变，降低风险，提高风控效率。

第八，内控合规。银行依托大数据技术和银行内部各个方面的数据，实现内控合规风险监控。

第九，反洗钱。银行可以使用大数据技术来提升对名单筛查和可疑交易甄别的效率和质量。

未来，随着大数据技术的不断发展和广泛应用，大数据将会在银行风险管理领域发挥越来越大的作用。