2016，更充分有效地发挥公证在银行业的作用，《中国公证》第10期。

关于数字化转型背景下的风险管理

      这些年金融科技在银行中的应用越来越广泛，大家普遍认为智能化、数字化将会是银行未来的发展方向。金融科技应用于风险管理方面时，其最重要的内涵体现在四个方面——数据、模型、系统和应用。与之相配套的基础设施包括人力资源、制度和文化等。数据是整个银行开展金融科技的基础。纵向来看，商业银行与金融科技的融合发展经历了三个阶段，第一个阶段是线上化，即把所有的业务和流程搬到线上；第二个阶段是数字化，即业务在线上化的基础上全部实现数字化；第三个阶段是智能化，现在大部分银行仍处于线上化向数字化推进的阶段，并且大多还在对智能化展开碎片化的探索，系统化的智能化是未来发展的方向。金融科技在风险管理活动的应用需要两个方面的配套设施，即数字化的人力资源和恰当的制度文化。各家银行对于前者都比较欠缺。

（一）传统风险管理面临的挑战

      1、传统风险管理模式主要存在的问题。银行业的传统风险管理模式正面临着来自四个方面的挑战。在数据使用方面，可能存在数据存储割裂、整合不足、未形成客户的风险全貌的问题。在技术运用方面，银行面临着运用能力不足的问题。在系统支撑方面，系统的支撑力度不足，这体现在系统管理对前台业务发展的敏捷支撑不足，在系统建设初期对整体架构的规划设计缺少对业务支撑扩展性的思考和预判。在配套管理方面，银行的配套管理手段不足。例如没有形成业务流程和风险事件触发后的标准化处理体系。当外部数据触发预警后仍然需要业务人员对其准确性进行核实，同时，在触发之后业务人员也要参与对预警等级的判断工作之中。

      2、智能风控体系建设的必要性与可行性。智能风控体系建设的可行性回答的是“银行为什么开展智能风控体系建设”的问题，商业银行的柜面结算账户、信贷业务、ATM机终端等积累了很多内部数据，同时也采购了各类外部数据，如果将二者有效整合在一起，将有助于银行提升数据使用效率，更智能地、有针对性地结合业务场景开展风险管控，加上商业银行近年来在系统建设方面的发展，都能让银行在智能风控建设方面更有优势。

       建设智能风控体系的必要性体现在对经营管理中痛点的识别。在数据方面，外部数据分散杂乱，行内信息存储割裂，数据的收集汇总费时费力。即使不出于智能风控方面的考虑，银行也应当关注数据治理问题，而不是依然通过人工的方式处理数据，占据大量人力物力财力；在授信方面，对集团客户的识别不全，关联信息不透明，小企业风险判断信息不充分，零售信贷自动审批信息支撑不足。对于集团客户来说，判断其是否是关联客户除了通过客户经理提供的数据，还应当通过自上而下的外部数据予以确认；对于小企业来说，在开展普惠金融中的信用贷款业务时，如果只通过线下采集数据，而缺乏线上数据支撑，不仅会面临较高的风险，并且效率也会比较低下。

       智能风控能够解决的问题与之前的痛点一一对应，在数据方面，智能风控能够整合内外部数据，形成完整的风险视图，提升信息获取效率；在授信方面，可以帮助提示更多的集团客户关联，提供各类行内系统信息支撑，从更多维度提示小企业与小企业主的风险信息，并为零售客户的自动审批提供策略支持；在管理方面，智能风控能够对各类风险事件运用数据和模型开展实时捕捉，并通过短信等渠道及时推送，提高反应效率。

（二）数字化转型背景下风险管理如何发展

      1、智能风控的建设思路

      与传统业务系统建设相比，智能风控体系建设在四个方面体现出其差异化。一是以客户为中心的理念。银行应当从“以客户为中心”的理念出发，整合内外部数据，梳理全方位的客户风险信息，并与流程深度交互，为授信提供决策支持。二是强调端到端的建设思路。通过风险信号的主动推送，提示用户授信过程中及贷后的各类风险，将风险信号分层，确定差异化处理方式，从系统端到信贷流程端，再由流程中的人员来判断是否有必要触达客户端；三是注重用户体验。致力于提升系统使用者的用户体验，以便捷的操作方式，让流程中人员迅速掌握风险信号和系统报告中的风险点，并建议差异化的处理方案。同时，建设App功能，方便移动办公诉求；四是对系统使用数字化管理。通过后台数据的监控、对系统的使用成效、政策的落地执行进行客观评价，配合考核等手段推进管理目标的落地。

      2、数据、模型、系统、应用的组合运用与推进

      数据分为内部数据和外部数据。各家银行引入的外部数据差别不大，大致是几十个标准化的数据源，如宏观类、征信类、负面类、舆情类、辅助类数据等，其中征信类数据是比较有价值的一类数据，其价值和准确性有时会高于从外部购入的数据，征信数据的使用对于模型专门的管理办法和评分卡的建设十分有帮助；内部数据包括信贷类、负面类、属性类、交易类数据等，其中交易类数据的收集有一定难度，但同样也很有价值。

      在确定数据来源之后，银行需要开展数据治理，重点从源头控制数据质量，以便提高数据的可用性。建议银行建立专门的管理办法，明确数据生产的全流程、职责、要求和规定动作。这包括（一）建立数据标准。梳理并明确信息采集口径，并对口径做集中展示；（二）规范录入方式。应用系统规范输入方式，并加强校验机制。校验机制包括人工校验和系统对勾稽关系、逻辑关系的校验验证；（三）开展数据校验。通过与外部数据比对、OCR采集、NLP语义解析等方式，对重要信息定期更新并主动提示；（四）增加“错误”成本。通过考核等手段，增加因“不认真”“不仔细”等各类人为因素而造成的数据质量问题的成本。

      在模型方面，智能风控模型在零售渠道类业务中的应用效果最为明显，银行可围绕数据、客户、反欺诈三个核心维度开展体系化建设。

（三）智能风控展望

      智能风控是未来风险管理转型的重点，公司的规划是未来三年建设以智能风控为核心的风险管理体系。与其他工作相比，智能风控体系的建设的特点是数字化、专业化、标准化。标准化是管理方面的必然要求，实现数字化之后业务人员的日常动作、业务流程必定是标准化的，数据管理、风险信号触发、政策审批授权、贷后放款都要实现标准化。要实现数字化和标准化，则一定要以专业化为支撑，注重条线队伍建设和专业化能力的培养，并定期开展技能的专业培训。数字化中最重要的就是形成数据--模型--系统--应用--反馈--优化的闭环，使数字化能够持续。

      来源：2020TGES系列论坛-04：金融人工智能、数字化金融与风险管理《金融科技在风险管理中的应用——数字化转型背景下的风险管理》演讲文稿整理