大数据时代的商业银行风险管控

■

空军工程大学防空反导学院

根据牛津大学教授迈尔·舍恩伯格对大数据时代的描述，大数据包含规模性(Volume)、多样性(Vsriety)、高速性(Velocity)等“三大V”特征。然而，大数据所带来的第四个V：价值(Vslue)却常常被我们忽视，而价值却恰恰是我们理解和运用大数据的初衷和目的。从2012年数据作为银行资产开始，数据资产化的趋势越来越明显，迫切需要构建基于互联网和大数据技术的新型信用风险监测系统，加强对风险的全景分析和前瞻性预警。

一、传统银行业面临的数据现状

数据和风险是商业银行运作的两个主要因素，它们相互补充，维系着商业银行的正常运行。如果将风险比作银行的灵魂，那么数据则是银行流动的血液。那么在大数据蓬勃发展的今天，传统银行面临着那些主要困难呢？

(一)银行已有数据存在局限性

与互联网平台、电子商务平台等相比，现有的银行数据蕴含的信息量极其有限，电子商务平台已经阻断了相当部分数据来源。例如，对于在支付宝等第三方支付平台上消费的用户相关数据，银行只能获得交易金额数据，诸如商家的名称，产品分类，以及每种产品的停留时间等蕴含较大信息量的数据均由第三方支付平台进行了“截留”。上述特点对银行的数据挖掘能力产生了极其不利的影响。

(二)信息不对称现象依然客观存在

数据管理方法仍然存在本地化、碎片化、简单化的特点，信息孤岛、大企业病、部门墙和数据黑盒随处可见。有些数据无法得到有效授权，商业银行也不能随意非法使用；有些数据单位出于谨慎的原因不愿意向外部世界提供数据服务，因为收集客户授权交易十分繁琐。

(三)银行对外部数据信息的关注度和利用率比较欠缺

随着互联网大数据技术的发展，商业银行应将数据采集重点放在客户工作单元、网上购物记录、兴趣和个人情绪等非结构化和半结构化数据上。然而，实际相反，大多数商业银行对外部数据的关注程度低，收集和整合进程发展不足。鉴于银行风险类型的多样化和复杂性，数据的储存和使用以及简单的结构化数据无法提供所需数量的信息，难以有效提升商业银行的风险管理水平，导致后来的信用评估出现不必要的偏差。

(四)风险防控存在滞后效应

目前，商业银行受到数据限制和信息不对称等诸多因素的影响，信贷投放和贷后监测的深度和广度不够。传统银行的风险衡量更多地取决于客户的财务数据和客户在人民银行的征信信息。这些信息在或多或少存在数据质量问题的同时，无法保证信息的及时性，无疑给商业银行业务风险的预防和控制带来严重的滞后效应。

二、新兴技术带来的挑战和机遇

伴随着以大数据、人工智能、深度学习、云计算、区块链为代表的信息技术的飞速发展，整个金融环境和交易模式都有可能发生根本性的颠覆性变化。随着风险控制理念和技术的发展、以及大数据时代的到来，新的挑战和机遇在商业银行风险控制领域交织并存。

(一)大数据复杂性给商业银行增加新的风险

随着多年市场经济发展的蓬勃发展，市场环境、信息技术、借款人的生产经营方式和风险特征发生了巨大变化，交易结构日趋复杂，数据量日益增加，有效应用数据信息的难度也增大，这些信息的不确定性与复杂性注定给商业银行的核心业务带来了新的风险。

(二)大数据思维带来全新的风险防控理念

随着大数据时代的到来，大数据思维引发商业银行对经营和风险管理方式变革的思考，并在风险识别、预防和提高效率方面带来了许多新的想法和理念。Visa利用大数据将信用卡诈骗成功的次数从1个月减少到13分钟，大大降低了信用卡诈骗的风险。实践证明，当数据规模足够大时，就会突破先前数据的局限，大大提高我们理解和认知事物的能力，以前的不可能将成为可能、直至变成现实。

(三)大数据挖掘技术在银行智能风控领域前途广阔

大数据挖掘技术的存在为我们提供了启迪，即对所有数据信息进行建模和分析，从整体上进行研究，进而使风险管控得以全面有效。对风险管理部门的监测和预警也可以通过深度数据挖掘得到实质解决，准确应对风险的能力也将大大提高。商业银行的数据采集、挖掘和分析能力决定了其风险管理水平，而风险管理水平从某种层面上来讲直接决定了商业银行的竞争力。国外先进银行的经验业已表明，大数据挖掘技术在提高银行风险管控方面有着广泛的用途，其也必将在风险智能防控方面发挥不可估量的作用。

三、部分商业银行做出的探索与尝试

只有在掌握尽可能多的数据信息并全面了解客户真实情况的情况下，才能主观识别外部欺诈行为，客观揭示潜在风险，有效预防和控制风险。

中国工商银行在2012年搭建企业级数据仓库之后，通过构建风险模型在防范信贷客户信用风险等方面取得实效；同时其非结构化数据如文本信息挖掘技术应用也取得成效，2016年该行整合内外部信息资源，与公安部合作正式推出了国内首款防电信诈骗的公益软件——“融安E信”。该产品完成了对诈骗涉案账户的全渠道防控，集基础风险筛查、深度风险挖掘、专属定制服务以及租赁式反欺诈等多功能于一体，帮助客户提升了风险识别能力。

中国光大银行基于原有的数据挖掘平台，提出并实施了引入外部征信数据和内部行为数据结合的大数据挖掘平台。通过大数据分析挖掘技术在客户管理、产品定价、风险管理、客户营销等领域运用，有效地降低了银行卡业务不良率，提升了经营决策应变能力。同时，整合当前流行的挖掘算法资源与大数据挖掘技术,对外统一算法模型的建模、分析、处理等服务能力，大幅提升了业务风险管控水平。

北京银行通过使用IBM的PureData分析解决方案从客户行为中提取预判信息，精确定位潜在流失客户、深挖潜在跨界销售机会；从交易反欺诈模型、大数据征信体系两个领域入手，全面对接行内业务系统，实现对交易反欺诈行为的全流程管控，探索大数据、人工智能和银行风险防控工作的结合点，主动加强金融风险管理，创新业务应用场景与模式，使客户资金安全与业务稳健高效发展“系”紧了安全带。

四、几点思考

(一)站在全局的高度看风险管控

商业银行应与“BAT”等互联网金融企业建立信息共享通道与机制，在不侵害客户合法权益的前提下，实现客户有效行为信息的互为补充。站在全局的高度建立和完善风险管理体系，提高自身的风险管理水平和管理效能，是商业银行和互联网金融企业健康可持续发展的制胜法宝。

(二)构建商业银行专业型数据挖掘分析队伍

一个好的平台需要好的人才方能发挥最大效用，而商业银行的现状是主要以软件开发人员为主，数据挖掘和深度学习方面的专家比较少，顶尖的数据科学家更是稀缺。当下，如何运用自身优势吸引更多的数据型人才加盟，携手推动商业银行战略转型、提升运营管理能力、促进风险经营的精细化，是一个严峻且迫切的现实问题。也只有借助于一只强有力的数据分析队伍，才能通过对行内外海量数据的深度挖掘分析，构建全方位客户信息视图，有效降低银行与客户间信息不对称的风险。

(三)从事后“亡羊补牢”向事前“未雨绸缪”高阶进化

社会事物往往具有一定的规律和可预测性，海量数据的挖掘能力使人类第一次看到了预测的曙光。大数据分析和人工智能为识别客户风险提供了新的思路，结合大数据思维、现场检查和场外数据挖掘分析，可以实现机器学习结果与人工识别结果的极高匹配。联动挖掘客户内外部信息数据进行关联风险画像，全面评估客户的风险状况，使风险识别更贴近实际，进而更及时、更有效地进行风险防范和决策。