 作者 龙盈智达(北京)科技有限公司 首席数据科学家 王彦博 龙盈智达(北京)科技有限公司 边伟 杨璇 近年来，银行在传统业务不断增长的同时，也在以客户为中心不断开拓新的应用市场，创新业务品种，推出了各具特色的信贷产品。对公信贷业务是我国商业银行重要的资产业务，也是银行最主要的盈利来源之一。信贷业务不仅受到银行经营战略、组织机构调整、业务模式变化、授权调整等内部因素的影响，也会受到宏观经济、市场状况、国家政策、监管政策等外部因素的影响。特别是对公信贷业务的快速发展以及业务创新需求的日趋增长，对产品还款方式、账务核算方式和业务服务渠道提出了更为灵活的处理要求。而传统信贷系统的数据建模、数据分析自适应能力不强，原有的信贷管理系统数据模型体系已难以满足对公信贷业务发展的需要。 一、商业银行对公信贷业务的目标 2020年11月1日，国务院办公厅印发了《全国深化“放管服”改革优化营商环境电视电话会议重点任务分工方案》，推动银行对中小微企业的信贷服务模式进行创新，利用大数据等技术解决“首贷难”“续贷难”等问题。各商业银行在探索将大数据技术应用于数字化对公信贷业务的过程中，纷纷融合AI、区块链、物联网等新兴技术，完善对于金融业务大数据应用的定义，完成对金融数据全流程应用的覆盖，而不是拘泥于数据分析的静态应用。 未来的对公信用风险管理、信贷服务体系和信息系统设计是一个稳定且可扩展的整体架构。对公信贷的数字化应用建设不仅是IT系统建设，更是对信用风险政策制度体系和管理机制体制的重构。商业银行需要实现从“客户视角”到“管理视角”的涵盖业务流、控制流和信息流的多层级管理活动设计，整合额度和限额管理、政策执行、风险预警、押品管理、辅助分析决策等风险工具，全面提升信用风险管理能力；利用金融科技手段，引入大数据应用、大数据模型分析等技术，提高风险管控能力及作业运营效率，从而构建以市场为导向、以客户为中心、以授信作业为核心、以风险控制为基础，覆盖全客户、全资产、全机构的对公运营服务体系。 二、基于“4P”框架的 对公信贷业务数据应用模型 传统商业银行信贷风险管理的基本逻辑建立在生产型企业基础上，关注点为企业的资产评估、信用评估及现金流等，并将此逻辑延续到了商业型企业的信审流程。在社会分工愈发精细化的今天，诸多生产型企业逐渐演变成为业务模式贯通上下游、所有权结构复杂的集团化企业。银企之间已经演变为投商行一体化的复杂关系。本文立足商业银行业务实践，提出基于“4P”框架的对公信贷业务AI大数据应用体系(如图1所示)，从模式识别与数据挖掘(Pattern Recognition & DataMining)、客户画像与精准营销(Portrait & Acquisition of Customers)、授信审批与投研分析(Pre-lending Approval & Investment Research)以及风险预测与贷后管理(Prediction of Risks & Post-lending Management)的视角进行研究和探索，以期助力银行对公信贷业务数字化转型。  图1 基于“4P”框架的对公信贷业务AI大数据应用体系示意 1.模式识别与数据挖掘 商业银行对公存量客户数据挖掘以提升客户忠诚度、增强客户交易黏性为主要建模目的，以分类模型(如逻辑回归、神经网络等)为挖掘模板，可根据客户属性和过往行为进行客户需求建模，完成对客户购买行为的预测；而基于K最近邻(KNN)算法构建的模型，可快速形成对具备同一行为或角色特征的客群相似度模型策略的复制；基于规则或奇异值分解(SVD)方法形成的内容推荐挖掘模型，可将客户关联的产品维度从单一产品扩展至产品组合；基于社交网络分析形成的知识图谱能够发现客户的潜在关系，形成社交网络分析视图，进而可构建基于客户关联关系的推荐模型。 商业银行对公潜在新增客户数据挖掘以精准定位新客户群体为主要建模目的，基于模糊聚类方法的新客户拓展，针对筛选出的客户群体，分析其行外数据特征，尝试使用拓扑数据分析(TDA)等先进聚类建模算法，形成对客户群体的分类分群，为下一步的客户营销提供理论依据;基于知识图谱建模的新客户拓展，可结合行内外数据，充分梳理客户群体的关联关系，结合知识图谱分析关系圈中新客户和存量客户的特征，从而实现精准营销。 2.客户画像与精准营销 在对公客户画像方面，针对内部数据，设计对公客户画像维度要尽可能贴近实际业务的场景和逻辑，剔除不必要因素，使之真正贴合业务人员的使用场景，除企业基本属性外，还可以选择客户经营业务(描述客户经营业务情况)、信用历史(客户行内外信用及违约记录)、关联信息(担保人及股权方等)、风险提示、交易动态、价值分析等六个维度的信息，应用聚类算法融合不同维度信息绘成客户画像；针对外部数据，着力点在于补足生成客户画像所缺的外部数据和要素，通过对工商信息、股权结构、知识产权和产业链信息等要素的收集，分别应用功效曲线和权重计算(层级分析法)，形成对客户画像外围元素及背景的描绘，使客户画像更具立体感和层次感。 在对公客户精准营销方面，营销拓客的评估模型偏重于宏观层面的分析总结(见表1)，一方面基于对行业发展和竞争格局的分析预测，另一方面对外部客户群体进行营销价值评估。行业发展和竞争格局以行业的准入门槛和对国家战略的关注度为首要的模型权重要素，并将资本热度、行业市场容量和市场竞争格局作为次要指标。外部客户群体的模型设计处理需要面对海量的客户数据，这使得原有单一客户分析处理的方式不再适用。例如，选定科创能力、运营数据、财务数据等具备代表性的数据指标，应用经验赋值法计算模型评估结果，并依据部分外部环境因素或市场环境因素对最终的价值评估结果进行调整。 表1 部分营销拓客价值评估模型  3.授信审批与投研分析 投研分析方面，其重要目标之一为挖掘行业内重点企业，此项建模分析中使用的数据来源需要基于整体视野的产业链及行业知识图谱，通过挖掘各类知名榜单、A股、媒体曝光度、融资曝光度、行业影响力、中标能力等综合评估模型来识别各类产业链及细分行业所重点关注的企业。特别是对于存在供应链或产业链依存关系的对公企业，可以基于对产业研究的经验，构建产业链上下游图谱，建立各行业的上下游联动关系，挖掘产业链驱动的市场商机。产业投研分析中常用的数据模型指标，一般定义为各环节及各细分行业的平均财务指标、运营指标、运营数据趋势等，在完成数据模型指标的建立和分析后，还需要从产业链或供应链进行横向或纵向的对比，以完善投研数据。 在授信审批环节，需要重点关注的特色数据包括但不限于企业资本运作数据、供应商数据、科技奖励数据、研发能力数据和上下游产业链相关数据等;通过对上述数据要素的分析建模，可以得出对公企业的附加授信资信，并将其作为授信评审的补充依据，具体包含企业软实力分析、创新能力分析、产业链地位分析和投融资形势分析等。融合对公企业的基础授信信息和补充授信信息，在授信环节可以形成财务风险评估、股东能力、创新能力和市场地位等全方位的分析报告，可为对公企业的授信提供更为完善的评审依据。 4.风险预测和贷后管理 对公企业的风险控制基于各类基础数据，汇总分类的广义舆情风险事件目前已定义的有1800余种，涵盖了公司治理、股权管理、财务变动、业务经营及监管处罚等风险类别。 对公企业风险事件一般通过产业链关系或者业务关联关系传导至主体企业，特殊舆情或资金风险可通过股权关联关系传导至主体企业。作为风险传导及监控的数据模型需要特别关注风险事件的分级分类，按照高中低不同级别划分对主体企业的影响。同时建立风险事件传导模型，对风险事件的传导和升级进行规律预测，按照事件的主体、类型、影响范围及关联程度等，进行风险传导监控和预测。具体模型设计原则包括：根据投行业务经验专家评估对不同性质风险事件按重要度赋予分值；按定量数据折合分值；区分系统性风险事件、潜在群体性风险事件和个体性风险事件，并叠加根据重要度判断该风险事件是否向外传导；评估主体企业信用的风险事件强弱分值和关联程度影响权重，运用众因子加权聚合贝叶斯算法，计算众因子对评估主体的信用影响程度等。 目前，我国对信用风险的主要研究集中于信用评分方法研究。各种模型预测能力的评价存在差异，因此需要对各种方法构建的模型在违约预测方面进行比较，从而评估贷后风险预测模型的准确度、灵敏度，以便参考优化贷后预测模型。目前，贷后管理预警模型主要包括：神经网络模型、决策树模型、逻辑回归模型、KMV模型等。 三、结语 大数据分析和建模技术在金融行业的应用发展日新月异，并为行业的数字化转型带来了突破性的创新活力。然而，目前银行业仍存在信贷数据和风险数据质量不高、获取方式单一、系统分散等方面的问题，信贷数据资产管理水平还有进一步提高的空间。本文基于商业银行业务实践，从模式识别与数据挖掘、客户画像与精准营销、授信审批与投研分析以及风险预测和贷后管理四大视角对商业银行对公信贷业务数字化进行研究，以期为业界提供借鉴。 本文刊于《中国金融电脑》2021年第11期 |
|
|
来自： 如是我闻63x4na > 《经济金融》
