地方性银行在线信贷业务建设方案

daybydayt1lvnm 2019-03-05

展开全文

1、作者介绍

李海波，现某农商行做产品创新业务。之前工作于微众银行、新网银行和百信银行。分别从事过核心系统、信贷系统的研发工作。本文部分内容参考百度及同业朋友的材料。

2、背景

随着互联网金融的兴起及金融脱媒、中国经济结构深层次的改变、人口红利的消失、移动互联网的普及和消费习惯的改变，传统银行像线上转型、打通线上线下一体化已经成为趋势。建设数字化、平台化、智能化、生态化的新型银行形态，及构建“ABCD”（分别指人工智能AI、区块链Blockchain、云计算Cloud Computing、大数据Big Data）的金融基础科技能力，成为传统银行转型的最终目标。以建设大数据及大数据智能风控为核心的在线业务能力，已经成为传统银行转型的必由之路。

某全国性股份制银行于2008年建设大数据平台及大数据智能风控能力，2012年基本建成大数据智能风控能力。2016年向新零售转型。

某农商行于2018年度研发了线上信贷产品。2017年投产独立自带核算的线上贷款系统，2018年7月投产大数据风控和大数据平台。线上可以支持自营、联贷。大数据智能风控的初步能力已经基本具备。

某股份制银行信用卡中心研发人员1200余人，2018年开始建设新一代大数据智能风控系统。

3、在线业务建设方案

3.1、传统银行业务现状

传统地方性银行依靠分支行网点，及IPC线下模式建立自身的营业特色。业务渠道限于网点柜面、ATM、网银等，系统上包括核心系统、信贷系统、支付系统等等足够支撑其业务模式。不需要考虑分布式，也不需要去IOE化。业务主营以对公业务为主。

3.2、流量黑暗森林原理

在互联网世界，有一个经典的流量黑暗森林法则：

在这片森林中，他人就是地狱，就是永恒的威胁，任何暴露自己存在的生命都将很快被消灭，这就是宇宙文明的图景。互联网的世界里，流量决定一切。而且流量世界里，为了获取流量，必须击败对方，每个对方都是撒旦。

因此，实体公司会不惜一切代价来获取流量，从渠道侧、合作伙伴、生态链、线上线下...，有了流量就有了产品变现的根基。传统银行像线上业务转型，需要变革老式的思维习惯，而像互联网的流量思维靠拢。

3.3、新零售及零售转型

新零售的理念及实践，是互联网金融及线上业务的指导性理念。以数字化导向的线上线下一体化发展成为当前传统银行转型的焦点，未来的零售业务越来越贴近于精准客群、消费导向及细分场景生态。招商银行以零售业务为主，近年来，互联网银行、直销银行和部分传统银行如平安银行、南京银行等都像零售业务转型或者展开零售业务。未来的在线信贷、消费金融、信用卡分期、理财、存款、支付、信用卡/虚拟信用卡等场景，建议尽可能的依托新零售的趋势展开。

3.4、在线业务规划

传统地方性银行展开在线业务，需要结合本行新老系统的特点进行。以业务为导向，不追求金融科技的最优，而以实质业务能力建设为导向，有计划的建设在线业务。在线业务的核心建设能力在于获客及营销、信贷核心及核算、大数据及大数据智能风控。实质建设上述业务能力为在线业务的核心目标所在。

1）获客及营销：以在线信贷业务为例，目前存在引流B2B2C及自营B2C两种获客模式。由于在线业务对客交互的间接性及产品轻量化，在线系统难以像传统线下业务可以尽可能的获取个人客户信息，精准营销同时也需要精准的客户画像。这些都依赖于大数据及大数据智能风控能力的建设。

2）大数据及大数据风控：大数据分析与挖掘的能力，建设精准的用户画像和关系图谱，传统银行可以根据大数据信息进行数字化的业务驱动，根据客群进行分类、识别和营销，指导业务进行拉新、活跃和挽回操作。同时，产品经理可以根据客群特征制定更有精准性的营销活动及折扣等。

前述引流模式同样受限于合作机构传递的客户信息限制，因此风控系统更关注于行内大数据平台用户画像及建设的在线、衍生变量的能力，来进行风控计算。数据成为风控及银行数字化的重要基础，接入各种各样的数据源成为在线业务的基础性设施之一。

3）信贷及核算：传统银行原有一套信管系统，大部分场景用于对公信贷业务。在线信贷业务的形态完全不同于传统线下的信贷业务，目前传统银行主流方式是线上和线下分离，单独在建设一套互联网信贷核心系统（独立核算），以在业务上区别原有信贷业务系统。

无论是互联网银行，还是传统银行，目前都是基于最容易盈利的信贷业务和信贷的根本渠道支付为突破点进行产品建设和推广，继而扩展到小微及供应链、理财、支付、存款等业务。

3.4.1、信贷业务

以消费金融为试点，以现金贷产品为突破，建设在线信贷业务。后期逐渐扩展到小微金融、供应链金融及小微金融里面的个人经营性贷款等。

以某民营银行为例，建行伊始即开始建设线上信贷产品，2017年底开始布局小微及供应链金融，2018年开始布局理财及存款业务。当前各银行基本的信贷业务布局如下：

3.4.2、支付及账户业务

传统银行接入的支付通道有限，且支付实时性并不算好。消费金融场景的客群多样化并面向全国，跨省级地域的特色明显，同时客户对于产品的实时性及产品体验有较高要求，实时放款和贷款回收需要强大的代收付能力，因此需要建设更为丰富和强大的支付通道，来满足客户实时性、便捷性的要求。

支付宝、财付通等支付渠道业务的成功，及消费金融和在线业务的发展，支付通道越来越成为一个银行的基本业务能力和重要通道。有些银行支付业务吸收了三方支付公司的一些特点来展业。围绕支付所进行的代收付、收单、聚合支付、输出支付能力、输出账户能力等场景越来越广泛。

3.4.3、理财业务

某民营银行建行伊始，就确定了1 1战略。1个APP（理财）、1个微粒贷。以自营的微信生态圈及APP生态圈打造自身核心能力。其董事长有句论断：未来的银行一定是一个综合性的金融服务机构，未来的各种形式的理财会占领存款的份额。

目前来看，在线理财业务除了余额宝等之外，互联网银行和部分传统银行还没有太大的突破。自身流量及难以获取理财牌照都是瓶颈点。

3.4.4、存款业务

利率市场化还未真正推行，线上吸储模式还在探索中，各家银行都在积极的布局。传统银行的“结构性存款”，和互联网银行推出的“定活宝”，“智慧存款”等，有初步的成功。如某民营银行智慧存3个月吸储70亿左右。

3.5、在线业务建设

在线业务建设包括互联网信贷核心系统建设、人脸OCR等支撑性系统建设、大数据平台建设、大数据智能风控建设。以业务为导向，尊重金融规律适当的使用金融科技技术，不一味的追求金融科技的高大上，是当前转型的科技理念。第4/5章节会重点论述大数据建设等在内的金融科技的实施。

3.6、在线业务管理

在线业务转型涉及风控、合规、法务、业务、科技等各个部门的职能变革和新增职能。传统线下业务的模式和线上业务的模式、管理理念有较大的区别，进而引发相关管理职能的变化。主要的管理职能的变化在于风险管理方面。第6章节重点论述风险管理职能的变化和在线业务作业管理职能。

4、互联网信贷核心建设

4.1、互联网信贷核心业务规划

互联网信贷核心于业务范畴上，同传统银行核心系统的区别不大，在系统规划定位、金融科技和应用场景上存在巨大的差异。

传统银行的贷款业务系统分为2个部分：核心系统、信管系统。由业务人员通过使用信管系统或者柜面系统，来操作业务流程，如贷款开立、还款等等。

互联网信贷核心将传统的核心系统中的贷款核心和信管系统合二为一，因系统为自动化非人工方式运行，不需要业务人员手工操作，信管系统中的审批等各种权限已经取消或者演化为自动化的系统属性或限额。

由于互联网线上信贷业务是全数字驱动、去人工化的，更加重视系统的性能及金融科技的应用：如人脸识别、OCR和联网核查、电子签章等等。这些支撑系统在一定程度上规避了人工介入。核心银行系统包括了存款核心和对公信贷核心，互联网信贷核心（带独立核算）在场景上和系统上同原有行内系统分开，互不干扰。

4.2、互联网信贷核心建设

全业务流程的互联网信贷核心系统，不仅包含了信贷核心，还包含了人脸、签章等支撑系统，规划建设图为(业务调度作业平台/风控调度作业平台等前置根据行里情况来决定，有些银行采用审批系统作为作业调度平台的)：

互联网信贷核心保留其核算的能力，并登记交易流水台账。日终跑批的时候，信贷核心日终和会计系统日终先后进行，待会计系统日终完成以后，生成科目分户账文件（小总账整体过程包括核心系统日终和会计系统日终），并同步给银行总账，即大总账进行并账处理。具体的流程如下：

5、大数据智能风控建设

5.1、大数据智能风控背景

许多银行都已对包括客户画像、客群、贷款申请进件、信贷全流程等影响风险职能的多个核心流程进行了数字化转型。什么是大数据智能风控？

数字化风控是一个术语，涵盖了所有提高风险效能效率的数字化因素，包含了流程自动化、决策自动化、数字化监控和预警。该方法采用自动化工作流程、光学字符识别、高级分析（包括机器学习和人工智

能）和新的数据源，其流程与界面还运用了机器人技术。数字化风控的本质含义就是在流程、数据、分析、IT 和组织结构（包括人才和文化）开展协同调整。

大数据风控在国外已经是成熟的产品，国内是部分银行的信用卡中心开始采用大数据风控技术，在2013年度互联网金融兴起后，部分小贷公司和互联网银行开始采用大数据风控技术，并获取了一定程度的成功。传统银行在开始是没有反欺诈和风险量化（模型/机器学习），在互联网的场景下，大数据风控增加了反欺诈系统和风险量化（机器学习），使得整个风控的体系更加完整和严谨。

大数据智能风控体系是银行通往数字化、智能化的一个重要的途径，也是在线业务发展的核心能力。完整的大数据风控体系包括并不限于：

1）反欺诈：传统银行依赖IPC模式的人肉线下展业，通过人肉识别欺诈。互联网时代依靠流量进件，无法在像线下业务进行人肉欺诈识别，只能通过金融科技的力量，建立反欺诈系统来识别和侦测欺诈。线上场景的欺诈压力比线下要大很多，电信诈骗就是近今年典型的案例。

2）信用及决策引擎：传统银行的信用策略基本是强规则，规则简单，这是和IPC的模式相关的。互联网时代，线上大流量的客户群体质量差，风控强规则是无法适应这种场景。另外，风控的核心价值在于差的客户里面获取有还款能力的客户。这就需要信用方面设计各种衍生变量、规则来识别有价值的客户。

3）风险计量（量化/机器学习）：深度机器学习更加适合处理互联网时代海量数据，同时具备自学习机制。机器学习广泛用于贷前、贷中、贷后和反欺诈中，其特征输出作为决策引擎的重要决策依据。

4）信审系统：人工信审改变模式为自动审批，同时保留人工审批的功能。若客户不确定可以采用人工审批，但人工审批的规模及流程会进行优化，人工审批可以外包。

5）贷后管理：贷后管理广发采用量化交易和深度机器学习等手段，增加客户的识别率和精准度。

6）知识图谱：用于关系链模型。

5.2、互联网银行风控组织架构

互联网银行系统的风控组织架构分为2种：

一种是大风控的组织架构，代表如新网银行。优点是重视银行风险，风控集中处理。缺点是风控权力容易过大，限制业务发展。

另外一种是事业部制风控的组织架构，代表如微众银行、百信银行。目前主流的趋势是事业部制风控。优点是适合配合业务快速发展，缺点是风控体系整合困难，容易重复建设和一盘散沙。

5.3、传统银行大数据风控总体建设方案

风控系统一般由模型平台、调度平台、决策引擎、反欺诈、知识图谱、额度中心、贷后管理等组成。传统银行大数据风控总体建设方案为：

其中，反欺诈引擎和信用决策引擎分开，反欺诈部分和信用部分分开。这是因为反欺诈的需求迭代比信用策略要快很多，信用决策偏稳定。另外，反欺诈和信用的业务形态也不相同，分开建设作业平台是必要的。当然，也有银行信用和反欺诈同时部署在决策引擎中。作者并不推荐这样干。

决策引擎需要大量的在线变量和衍生变量建设，这需要大数据平台提前做好数据分析和数据解析、清晰工作。在线变量和衍生变量是决策引擎的输入，也是决策过程的最重要依据。传统银行的强规则不需要生成衍生变量，也不需要强有力的在线变量。三方数据和人行征信、有权机关数据相互做交叉验证。

风险计量/深度机器学习需要有单独的模型平台和模型训练环境，自贷前、贷中、贷后及反欺诈领域做全面的量化计算和特征输出，特征输出给予决策引擎作为决策的依据。

风险计量面向的数据量更为庞大，深度机器学习可以处理海量数据，并带有自学习机制。人工靠经验的信用决策同智能化的深度机器学习互相辅助成为决策引擎计量的依据。

5.3.1、反欺诈系统

“消费金融、互联网金融公司的坏账损失超过50 %来源于欺诈。身份冒用类欺诈占比最高，其次是团伙欺诈，以及账户盗用、恶意违约等。某互联网消费信贷公司开展业务第一周在申请人群中发现70％的疑似团伙欺诈申请”。

欺诈行为，在金融反欺诈领域，特指金融黑产从业者，互联网渠道的特性给了一些熟悉互联网技术的欺诈分子更多的可能去攻破既有的金融风险防控体系，其利用各种手段去伪冒他人，伪造资料去骗取金融机构贷款，非法牟利。

面对日渐肆虐的欺诈行为，为了保障银行以及用户的利益和财产安全，各家银行逐渐形成完善了成体系的反欺诈策略系统，这里包含了反欺诈工具同时也包含了丰富的策略系统。反欺诈系统一般分为账户反欺诈和交易反欺诈两种。

信用反欺诈就是申请反欺诈，用来把欺诈客户过滤掉，接下来计算评分卡给额度。交易反欺诈就是互联网反欺诈，包括的比较多，从渠道-注册登录-接口-营销-交易支付-社交活动，每一个环节都可能存在欺诈现象。渠道反欺诈是交易反欺诈的一种，比如虚假刷量，注册登录这块比如脱库撞库，营销比如薅羊毛，交易支付比如盗卡，社交互动如垃圾广告、涉黄信息等。

5.3.2、信用及决策引擎

决策引擎，是市场上所见的常用于配置在银行本地的提供信贷审批过程中部署审批规则和评分卡的那种通用的引擎，这种引擎一般还可以部署一些由银行内部自身定义的其他业务规则、包括营销的规则、客户筛选的规则、催收的规则、数据路由的规则等等。

当前主流的决策引擎包括益博睿的SMG3、FICO的Blaze两大类别。对于中小银行性价比高的还有Ilog决策引擎。

当今以数据为驱动的审批规则越来越多越来越复杂的情况下，在信贷业务上线之后，业务部门（或相应的风控部门）可以根据市场变化直接地对审批规则所调用的变量进行再加工，进而调整部署在决策引擎中的审批规则，然后迅速地提交并实现上。

信用评分模型通过先进的大数据技术（数据挖掘、统计分析、历史经验）等，通过对于客户的消费行为、消费习惯、基本特征、交易记录、社交活动、情感爱好等进行分析，挖掘数据中存在的价值信息，给予决策的过程。

5.3.3、风险计量

数据科学（DataScience）是关于数据的科学或者研究数据的科学，通过认识和研究数据的各种类型、状态、属性及变化形式和变化规律，来揭示自然界和人类行为现象和规律; 作为前沿学科,他广泛的结合了数学、统计学、运筹学、信息学、计算机科学、生物学等不同学科的特点。基于业务目的，风险量化模型可以分为偏业务应用的分析决策类模型和偏资本计量的量化评估模型。

需要指出的是，大数据本身并没有创新和颠覆统计分析技术，只不过大数据使得前沿的统计技术从学术界到实业界的应用周期大大缩短，大数据也并未有改变风险管理技术的本质需求，即准确的识别、评估和度量风险。大数据对于风险管理技术和风险模型的最大影响在于，提供了更为充分的信息维度，同时在风险量化技术结果的应用上提供了更加实时和高效的应用场景和应用条件。

5.3.4、信审系统（含自动及人工审批）

线上贷款的模式在于数据驱动、全自动进行全业务流程，不同于传统人工审批的业务模式。审批系统自动审批贷款授信或者用信请求。但是根据业务场景，需要保留人工审批的职能，以用于不确定的场景或者小微金融场景。

5.4、传统银行大数据平台建设方案

5.4.1、大数据平台

大数据平台是整个银行数字化战略的基础，建设大数据平台，归集行内外数据是各个银行必须、且马上紧急需要做的事情。

5.4.2、征信数据源

建立基于大数据技术的金融数据服务平台。大数据资信平台整合行内及第三方数据源的资信数据，一方面为行内消费信贷系统业务的决策提供数据支撑；另一方面对第三方平台提供数据查询服务和模型服务。

5.4.3、在线变量/衍生变量

需要规划全行级的平台，进行在线变量及衍生变量的计算，以满足风控策略计算的需要。一般来说，在线变量偏实时计算，需要一个高效计算系统。衍生变量计算是偏离线计算，一般放到大数据平台处理。

5.4.5、数据分析及数据挖掘

数据分析和挖掘不仅仅体现在风控上面，也体现在全业务、全产品的数字化驱动上面。一方面，可以建设大量的原生变量、在线变量、衍生变量供给给风控系统使用，另外一方面，也可以自主建设各种业务报表或者模型，分析当前产品的生命周期及活跃度，提升产品的价值。同时，也可以作为精准营销的数字化支持。

6、在线业务管理组织架构