大数据技术视阈下银行信贷风险防控研究

刘少波 梁晋恒 张友泽

(1.暨南大学，广东 广州 510632，2.广东华商金融科技研究院，广东 广州 510632)

一、引言

长期以来，银行信贷市场面临的一个痛点是信息不对称导致逆向选择和道德风险，使银行信贷风险难以有效防控，以致银行不得不采取极为严苛的防控手段如十足的抵押和担保。这一方面导致很多实体企业难以得到贷款，影响实体经济发展，另一方面使银行失去很多业务及盈利机会，不利于银行自身发展。如何有效缓解乃至解决信息不对称导致的相关问题，一直是理论界和金融实务界关注和探索的问题。在理论方面，Stiglitz and Weiss证明了信贷市场上借贷双方的信息不对称导致的信贷配给现象是信贷市场的长期均衡现象；[1]Akerlof和Spence等提出了降低信息不对称的相关机制。[2][3]但在信息经济学乃至整个新古典经济学的框架内，信息不对称仍然是一个无法解决的问题。在银行信贷市场实务方面，则产生了大量评估信贷风险的方法以及防范风险的举措，但十足的抵押和担保依然是银行防控风险和保护自身的主要手段。

随着金融科技的兴起，展示了通过现代前沿信息技术解决诸如信息不对称之类的金融交易中长期存在的痛点难点的良好前景。金融科技通过大数据、区块链、云计算、人工智能、移动互联网等现代前沿信息技术赋能金融业，使金融体系的创新发展获得了前所未有的助推力量。商业银行在长期经营中积累了大量的数据资源，但这些数据大多仅仅存储于银行内部数据库中，其价值未能得到有效挖掘。在大数据技术的赋能作用下，商业银行可以运用多元化的手段有效防控信贷风险以及有效缓释金融业长期存在的信息不对称及其导致的信任和风险问题，从而满足用户金融需求，提升用户体验。在此，我们试图要问，传统的技术手段和方法为什么无法有效缓解和解决信息不对称及其导致的风险问题？大数据技术解决这类问题的机制创新和优势在哪里？大数据技术运用于银行信贷面临哪些挑战以及应当如何应对等等？这些都是本文拟讨论的问题。

二、文献综述

大数据技术的赋能拓展了信贷风险防控的手段。金融科技信贷公司使用手机中的账单、购物历史、订阅记录或浏览历史等有关消费者行为的新数据作为授信依据，这些数据的结构化程度低于传统数据，而新的贷款机构往往依赖机器学习算法以有效挖掘这些数据的价值，预测借款人的违约率。[4]Jagtiani and Lemieux比较了Lending Club和一般银行放出的特征相似的贷款，发现由Lending Club赋值的信用评级和传统银行使用的借款人FICO分之间的相关性从2007年的80%下降到2015年的35%，这意味着未纳入FICO评分中的非传统数据正越来越多地被金融科技出借人使用，他们的研究还发现Lending Club的信用评级在预测违约率方面表现良好。[5]

关于银行运用大数据技术防控信贷风险方面的研究，学者们已有初步的进展，大多同意大数据技术的运用构成了当前金融科技浪潮下银行数字化转型的核心竞争力。谢平和邹传伟首次提出“互联网金融模式”，并强调互联网金融模式中的信息处理是相较于传统金融市场的最大区别。[6]赵岳和谭之博提出银行与电商平台合作，可以降低传统贷款模式中的信息不对称问题，使得小企业在没有抵押品的情况下可以获得银行贷款。[7]李莹把银行与互联网公司进行对比，指出相比于银行依赖客户贷款所提供的客户基本信息、抵质押品、征信信息以及银行历史存款数据。互联网公司通过大数据手段收集全面的客户信息，并以此为基础对客户信用评级和违约概率进行评估。[8]大数据在改善商业银行的风险管理表现方面被证明是很有用的。[9]郑南磊指出金融的核心是信息处理，信息技术的每一次飞跃都会带动金融的飞跃。而大数据、云计算、区块链以及人工智能等新一代信息技术正在带动金融科技突飞猛进。[10]Trelewicz和Jennifer认为商业银行在多年的经营中积累了大量的数据，包括了客户的人口统计学资料、行为偏好和交易数据，许多银行也正在采用大数据分析技术以增强自己的竞争实力。[11]Sutherland从信息共享角度分析，丰富的贷款信息集可降低筛选和监控成本，约束借款人的行为，降低贷款风险[12]邱志刚等详细论证了大数据有助于解决借贷中道德风险和逆向选择问题的机理，指出大数据是对传统信贷模式的升级。[13]Hung et al.指出银行通过挖掘自身积累的现金流数据识别小微企业的经营记录将有助于提升普惠金融业务的风控能力，缓解自身的信息劣势地位，减少信贷配给现象的发生。[14]

但是，也有学者对大数据信贷风控提出了质疑。钟曜璘和彭大衡指出阿里巴巴虽然利用数据挖掘解决小微企业征信问题，但是出于技术与数据的限制，这一模式在银行业很难复制。[15]王强指出不论是在美国还是中国，大数据征信都存在法律等问题致使征信数据质量不高。[16]巴曙松等认为大数据风控有效性不足既有数据质量的障碍，也有大数据风控的理论性障碍，还有数据保护的制度障碍。[17]苏楠运用文献计量发现中国大数据研究仍处于相对落后的局面，尤其是对基础理论、价值特征的挖掘相对薄弱，这会成为中国未来大数据发展的重大障碍。[18]闫炯智也提到银行搜集的信息可能不完整，这为数据挖掘分析设下难题。[19]]Hassani et al.认为大多数银行的努力仅仅局限在个人零售银行业务上。[20]而银行在对公业务方面注重规避风险而较少应用金融科技。[21]另外，Dugast and Foucault认为学界没有考虑非结构化的大数据信息中所包含的噪音需要累积更多的数据以产生精确的信号，这对大数据的准确性提出了质疑。[22]Subrahmanyam通过对与金融相关的大数据文献回顾，表示面对大数据这样新颖的领域时，我们应该保持理性、客观的思考，不能盲目。[23]罗煜等总结了我国现有的三种大数据信贷模式，其中传统商业银行利用自有账户或政府平台，或与电商平台进行合作获取数据可推广性较差。[24]

回顾现有文献，学者们普遍赞同金融科技赋能，特别是大数据技术的应用是提升银行风险防控能力的有效途径，大数据技术在处理信息方面的优势可以改善中小型企业所面临的信贷配给窘境，并基于此做了许多有益的探索。然而，也有学者提出大数据技术在银行信贷风险防控中的应用还存在信息收集不完整、大数据技术落后等问题。之所以出现这种争议，最主要的原因是鲜有文献对商业银行运用大数据风控系统进行实地调研，探讨银行信贷风险防控问题。基于此，本文的研究试图在对商业银行大数据风控系统实地调研基础上，结合现有大数据信贷风控实践的研究，致力于解决大数据在银行信贷风险管理领域的争议，并进一步提出大数据技术在银行信贷风险防控领域的实际运用中面临的挑战及其改进方向。

三、传统技术下银行信贷风险防控存在的问题

“嫌贫爱富”“只会锦上添花，不会雪中送炭”可能是银行提供金融服务时被中小企业所诟病的问题，其根源在于银行对风险极度厌恶的偏好，这种偏好反映在风险控制方面就造成借款人信用能力被系统性地低估。传统技术下银行信贷风险防控难以较好地纠正这种偏差，其存在的问题主要集中在信息搜寻方式单一、信息搜集成本高昂、信息获取时效滞后和信息处理效率低等方面。

(一)信息搜寻方式单一

关于商业银行信贷风险的防控，既往研究认为以抵押为主要形式的担保在贷款合约中的广泛运用可以有效缓解由于信息不对称而产生的逆向选择和道德风险，[25][26]提升债务的偿还概率。[27][28][29]然而，简单依赖抵质押品及规范财务报表的风控模式可能遗漏大量可作为决策依据的信息，这导致缺乏抵质押品的中小微企业难以获得银行的融资授信。

传统信贷风险管理模式下，贷前调查是以客户申请提供的信息为核心进行核对，没有其他数据源进行校验，这使得银行收集的数据存在质量风险。另一方面，银行主要搜集的数据有借款人财务信息、借款人过往借贷与还贷情况、银行卡流水以及央行征信等借款人自己提供的信息和贷款银行自己的内部数据等。部分数据银行无法验证。从而使得银行前期收集的信息弱化，甚至导致信息无效。

(二)信息搜集成本高昂

为了确保贷前信息收集的可靠性，银行在做出授信决策前需要投入大量的人力与物力反复调查借款人的基本情况，这衍生出高昂的信息搜集成本。在贷后管理过程中，考虑到成本的因素，银行反而很少主动定期跟踪检查借方资金使用情况及其近期生产生活状况。只有当借款方某一期还款出现违约的时候，才会引起银行的关注。此时，借款人的财务状况可能已经恶化。这时往往发生借款人失联等情况，导致既定的还款计划无法正常履约，银行也只能将这笔贷款归为损失。

(三)信息获取时效滞后

传统技术下，信息获取时效滞后也是限制银行管理信贷风险的一大难题。一方面，银行搜集的贷前信息存在滞后，商业银行无法及时获得有效、准确的企业环境信息，从而影响其信贷审批工作。马秋君和刘璇指出由于央行征信信息存在滞后，同时银行间缺少有效沟通，评价信息也存在标准不一的情况。严重制约了商业银行信贷业务的发展。[30]

另一方面，信息搜寻方式有限，贷后疏于管理，难以有效跟踪借款人基本面的动态变化，导致银行掌握的信息严重滞后，滋生道德风险。当危机积累到一定程度，银行才会意识到风险的发生。贷后信息的滞后严重影响银行处理不良贷款的成败。尤其是通过法律诉讼回收的账款，因此信息的时效性显得至关重要。[31]

(四)信息处理效率低下

传统技术下银行风控系统存在信息处理效率低下的痛点，问题的来源有二：一是传统技术下银行缺乏快速处理数据的运算能力，特别是软信息无法硬化，风控工作只能依赖人工完成；二是银行内部风控制度的不完善，信贷投放行业和领域相对集中，评估方法粗糙，管理流程不完善等。[32]这些问题的存在导致需要融资的企业必须额外花费较长的等待时间以获得资金。

四、大数据技术对信贷风控的机制创新与实际运用分析

银行在传统技术下，由于信息搜寻方式单一、信息搜寻成本高昂、获取时效滞后、信息处理效率低下问题的存在，使得银行既不能在贷前对借款人生成精准画像，又不能在贷后及时获取借款人信息，从而难以控制信贷风险。为了有效防控信贷风险，借款人是否能够提供尽可能多的抵押品和增加担保方等增信方式，成为银行判断放贷与否的主要指标。而大数据技术的应用扩大了银行的数据来源，增强了信息的全面性，让银行有能力处理传统技术下无法处理的非结构化数据，进而完善信息系统的决策规则。大数据技术在数据清洗与处理速度方面的绝对优势将提升银行信息系统的决策能力。在大数据风控系统的支持下，银行信息系统得以重构，从而降低信息搜寻成本、提升信息时效性，缓解信息不对称问题。

(一)大数据信贷风险管理的作用机制创新

1.银行大数据信息处理机制创新

大数据可以赋能银行信息处理能力，创新信息获取方案，重构信息系统。Schönberger指出，大数据并没有一个具体的数量单位。而是指需要处理的信息，超出一般电脑的处理能力。据此，可以提炼出两点大数据区别于传统计算机技术下的数据挖掘之处：

第一，从定量的角度看，大数据有能力处理数量级更大的样本，甚至是全样本。当前的科技革命是数据量按指数级增长的时代。同时，借助移动互联网的普及，这些数据可以轻易的上传到云端。在银行获得客户许可之后，银行可以获得关于客户的海量数据，而大数据的运算能力则是银行快速转化数据的保障。

第二，从定性的角度看，大数据有能力处理更复杂的数据结构，即非结构化数据。银行在信贷领域多年的经营，积累了大量的非结构化数据。过去由于技术和成本的原因，导致非结构化数据并不被重视。但是大数据技术改变了这一现状。以较为成熟的Hadoop架构为例，借助HDFS数据管理模块和MapReduce数据处理模块，大数据将收集到的结构化数据和非结构化数据打散再重新归纳。根据既定的逻辑函数，归纳出不同的指标。整个归纳的过程和传统技术背景下，信贷审批人员所做的事情逻辑上是一模一样的，但是却不需要过多的人力介入。

除此之外，大数据在人工智能和云计算的支持下，可以在拓宽数据处理类型的同时提升数据挖掘的能力。随着大数据风控系统训练次数的增加，大数据风控的能力也会得到优化，重构银行信息系统，提升系统决策能力，赋能信贷风险管理能力。目前，越来越多的银行推出线上无抵押的“快贷”产品，从申请到审批再到放款，只需要几分钟的时间就能完成。这背后就是大数据技术在银行信贷风险管理的典型运用。

2.大数据降低逆向选择风险的机制创新

金融科技时代，银行有比过去更多的信息搜寻方式，更广的数据获取渠道，借助大数据的信息处理能力，可以生成更精准的借款人画像，降低逆向选择的风险。

首先，更多的信息搜寻方式。区别于过去主要依赖人工走访的信息搜寻方式，网络搜寻降低了搜寻次数，减少了客户经理采集信息过程中的摩擦，为银行提供了简单高效的搜寻方式。其次，更广的数据获取渠道。当前，银行可以通过地方税务系统、法院诉讼系统、借款人的社交网络等多渠道获取客户信息。同时，利用大数据可以处理非结构数据的机制，传统渠道搜集到的借款人非结构化数据也被运用到贷前的风险评估。最后，更精准的借款人画像。人工智能是大数据区别传统数据挖掘的一大特点。在更多信息不断被银行系统采集，进入大数据风控系统，借款人画像的精准度会随着系统训练次数的增加而变得更精准。借助更精准的借款人画像，银行可以降低逆向选择的风险。

3.大数据防范道德风险的机制创新

金融科技时代，数据实时更新与获取，银行可以针对性地关注贷后风险指标，大数据风控系统24小时监控，可以尽早发现借款人风险，防范道德风险。

借助各种互联网设备，借款人的行为数据会被实时记录在互联网上，获得的数据实时有效。再在大数据的算力支持下，银行可以实现在极短的时间内对数据变现，并在系统中及时警示可能发生的风险。降低信息滞后给信贷风险管理带来的影响，对贷后风险做到动态响应。

另外，不同于传统技术下有限的信息来源。大数据风控系统可以利用在贷前搭建的多维度数据渠道。譬如：借款人在贷后是否继续按时足额缴税、借款人的生产生活支出是否发生应有的变化、还有借款人的利益相关方是否存在资金风险等。通过应用大数据技术可以将必要的信息列入银行贷后的监控范围，让银行可以及时发现风险，并及时介入，防范道德风险。

(二)银行大数据信贷风控系统实际运用分析

通过对现有文献的梳理以及对大数据信贷风控的机制创新分析，大数据能够有更多的数据来源、更强的数据处理能力以及更快的数据转化能力。鉴于此，根据笔者对银行的实地调研以及其大数据风控系统过往案件的整理，总结分析出大数据风控系统在实际运用场景中具有以下特点。

1.更充足的数据支持：笔酣墨饱，多渠道数据助力银行信贷风险防控

根据数据是否可以实时更新，我们将大数据风控系统的数据库分为线上数据库与线下数据库。借助互联网传输，一旦线上数据库前端有所更新，大数据风控系统便能及时更新系统内的数据，确保信息的有效性。另一方面，线下数据库的设立可以帮助弥补线上数据库无法搜集到的数据，确保数据的全面性。为大数据风控系统提供尽可能多的数据，才能更好的发挥大数据风控的作用。

除了既有的信息渠道以外，银行还会主动建立新的信息渠道。以光大银行的“云缴费”为例。通过建立云端缴费平台，积极为各个政务系统搭建生活缴费平台，并允许用户使用其他银行卡账户或者第三方支付，将用户的生活缴费数据引入自家大数据风控系统，为风险防控提供更多的数据支持。

2.更多元的风险评估：补偏救弊，综合多维度信息评估风险

传统的技术手段与思维模式下，受制于数据来源有限，风险评估主要是针对借款企业本身，风险管理很容易忽略借款企业的关联方或者缺乏应有的关注。但是在一条完整的产业链上，一旦某一个环节出现问题，上下游厂商自然也会身陷囹圄。

在大数据风控系统的历史案件中，有一个案件曾经出现两次风险预警是与借款企业的关联企业相关。系统通过公检法系统可以收集到借款企业的关联方是否存在公司治理问题。通过要求借款企业在本行开设交易账户，可以了解企业和关联方的资金周转情况。通过对企业关联方数据的收集，让银行可以有更多元的风险评估能力。

除了建立监管关联方的思维，大数据还改变了传统数据挖掘里追求因果关系的思维模式，转而追求数据与借款违约之间的相关关系。即在大数据时代，银行只需收集尽可能多的数据，通过人工智能算法对数据进行分析与挖掘，发现与贷款违约相关的指标，再对这些指标进行日常监控。一旦监控指标有恶化趋势，系统就会发出预警信号。

3.更主动的风险监控：实时监控，借方一举一动尽在掌握

有了海量数据与相应的数据变现能力，银行便可以从更多元的角度对借款人违约风险进行综合评估。通过更多元的风险评估，银行一改往日被动的贷后管理模式。在大数据的帮助下，贷后管理可以对借款人进行24小时风险监控，主动将借款人的各种风险指标纳入监控范围，杜绝传统技术背景下风险已经积累到一定程度以后，银行才发现贷款出现问题的情况发生。

在实地调研中笔者搜集到一个化工企业的案例：在贷后管理的过程中，大数据风控系统首先监测到借款企业现金流可能存在问题，并提示“借款企业流动负债率过高”；之后提示“监测到借款企业在他行贷款出现逾期的情况”。整个过程大数据风控系统都已经记录在案。银行由此对借款企业的财务情况有一个基本的认识，贷后管理人员能对借款企业的违约风险做出准确的画像，借款人一旦有任何负面信息，系统会立刻提示银行管理人员。

4.更及时的风险预警：防微杜渐，细微风险也能及时预警

还是在化工企业的案例中，涉及的贷款期限为一年，借款企业每月均按时完成在本行的还款要求。但是系统并没有因为企业良好的还款行为而放松对风险的监控。在2018年4至6月期间，大数据风控系统在三个月内四次发出预警信号。虽然这四次预警和借款企业并无直接关系，但却给银行的贷后管理敲响警钟：借款企业所在行业上下游存在风险，需要加强对企业的关注。对潜在风险及时识别、尽早发现，这正是大数据为银行贷后管理带来的金融技术创新。这与传统技术下，风险发生再进行风险控制形成鲜明对比。

5.更积极的风险处置：有的放矢，预防性处置潜在风险

风险处置是在风险预警的基础上，为控制和最大限度消除风险而采取的一系列措施。风险处置可以划分为预防性处置和全面性处置。预防性处置可以在短时间内，用较少的人力物力防范贷后风险。但这也对银行的风险预警提出要求。只有在风险尚未完全爆发的前提下，银行才能进行预防性处置。而大数据风控系统的出现，可以从多方面对风险进行评估，主动将风险指标纳入监控范围，从而做到及时的风险预警，为银行尽早发现风险，尽早介入防控风险提供有力支持。

通过梳理大数据风控系统过往的案例发现，大数据风控系统预警提示能反映出借款人生产经营正在发生变化，存在潜在的风险。在贷前，通过系统给出的预警提示，授信审批人员可以清楚了解借款人风险状况。在贷后，银行首先会派出客户经理进行实地取证，再由人工进一步上报具体存在的情况。随着预警频率的升高，客户经理也加大了企业实地走访力度，每周定期查看企业流水。同时，联系担保人和查看抵押物情况，确保第二还款来源。通过及时的介入，高频次地对接借款人和担保方，确保银行能够按时收回贷款。

五、银行大数据信贷风险防控面临的挑战

相较于传统技术下的信贷风险防控，大数据信贷风控扩展了信息搜寻方式、降低了信息搜寻成本，同时也提高了信息处理的效率，缓解了信息不对称问题。但是大数据在银行信贷风控领域也并非十全十美，在实际运用过程中，银行大数据风控系统还面临着如下挑战。

(一)数据孤岛严重制约大数据风控效果

数据挖掘需要有非常好的数据基础，没有丰富完整的数据就无法获取好的内容。若要充分发挥大数据的潜能，信息搜寻的效果就必须进一步提升。而数据孤岛就是阻碍信息搜寻的主要问题。

首先，央行征信构筑的信息孤岛。央行在2020年1月份已经推出第二代征信系统，将过去每月上报的情况改进为T+1报送，也纳入了第三方征信信息。但是，央行的征信数据库并不是对银行24小时开放。因此，大数据风控系统虽然能做到24小时后台运行，但是征信数据却不能实时供给。这样看似打通的数据通道，由于时滞和可能出现的错漏导致结果存疑，其实也是另一种形式的数据孤岛。

其次，第三方支付建立的信息孤岛。在二维码支付普及以前，非现金结算的途径主要是信用卡。通过POS机终端，银行可以获得信用卡支付记录，掌握客户的消费信息和消费偏好。但是现在，二维码支付成为公众生活的日常。通过微信或者支付宝支付的交易，在银行的交易记录上只会显示“支付宝扫码支付”或者“财付通转账”，并不会记录客户具体的消费项目和地点。银行也就无法通过交易数据提取客户的相关信用信息。

除此之外，出于数据安全角度形成的银行业数据孤岛。客户的个人隐私安全是首要任务，每家银行因此相互形成了数据孤岛。但是每一家银行都是一座巨大的数据岛屿，尤其是借款企业和其关联企业的财务情况，如果这些数据岛屿可以连在一起，那么大数据在银行信贷风险防控的运用将会进一步扩大。

(二)数据质量问题依旧存在

大数据技术背景下，银行的信息来源于大数据风控系统的线上自动抓取与线下人工采集。在实地调研过程中，信贷审批人员提到当前无论是系统线上自动采集的数据，还是线下人工采集的部分，均存在数据污染的问题。

首先是系统抓取的舆情数据。大数据风控系统通过爬虫技术对网络上的信息进行下载，再对文字信息进行识别、提取、转换。由于当前人工智能在自然语句识别上还存在缺陷，导致在此基础之上的“舆情监控”准确度不高。时常出现“有风险没预警，有预警没风险”的情况。导致银行关闭大数据风控系统中的“舆情监控”信号。转而将这部分工作交由贷后管理人员负责。

其次是人工采集数据的污染。由于逆向选择和委托-代理问题的存在，调研人员帮助借款人隐瞒甚至修改信息，以期达成业务指标。本次调研的银行曾经出现过个别客户经理名下多个账户频繁出现预警的情况。而当问题显现时，这位客户经理早已离职，把问题账户留给银行。

(三)传统信贷管理思维仍然占据主导

关于大数据赋能银行信贷风险防控，强化银行风险管理能力的研究有很多，但经过实地调研之后，我们发现银行依然是在用传统的信贷管理思维经营。“嫌贫爱富”依然是银行的特点。大数据风控系统在银行授信审批过程中只是一个最基本的参考，最终的决定权依然在授信人员手中，与传统的方式并无差别。

调研中笔者发现这样一个案例：借款人为一家药企，有专利权也有厂房作为抵押，需要资金完成已签订的订单。在收集上来的资料中证实企业的订单金额为500万，一年以后可以收回，企业希望申请300万的贷款。大数据风控系统没有发出任何风险提示。但是最终的授信额还需要人工审批，工作人员在查看完报告以后决定只给企业150万的授信额度。

虽然越来越多的银行借助大数据技术推出自家的“快贷”产品，实现了无抵押、全线上快速放款。但是其业务规模只占据银行信贷规模的一小部分。以调研银行为例，2019年末，该银行全部信用贷款余额占全部贷款余额比不到30%。而且授信额度最高不超过30万。这对于亟需资金的企业可能只是杯水车薪。通过上述的案例，不难发现银行对于大额的私人贷款和对公业务还是存在诸多疑虑。出于银行从业者的角度，防范风险无可厚非。但是让企业融资难融资贵的社会现象持续下去，并不利于金融服务实体的实际需求，也无法促进社会的发展，只会让科技赋能金融，让大数据助力银行信贷风险管理成为一句空话。

六、结论与建议

(一)主要结论

通过对现有关于大数据技术在风控领域的文献整理，以及对商业银行的实地调研资料的整理和分析，本文主要得到以下结论。

大数据技术重构了银行信息系统，缓解了信息不对称问题。传统技术下的银行信息搜寻方式有限，数据质量存在问题，信息提取能力不足，导致银行信息系统运转低效，借贷双方信息不对称问题严重。而大数据技术，借助云端数据的接入，依托其强大的数据处理能力和变现能力。银行可以丰富搜寻方式，降低搜寻成本，提升信息处理效率，重构其信息系统，缓解借贷双方之间的信息不对称问题。尤其是在贷后管理阶段的运用，通过对借款人相关风险指标的实时监控，帮助银行尽早发现风险，管理风险。

同时，大数据技术在银行信贷风险防控的运用还存在诸多挑战。首先，数据孤岛严重制约大数据技术在银行信贷风控领域的效果。其次，无论是大数据系统线上抓取的数据还是银行线下人工采集的数据，均存在数据污染的现象，不利于大数据风控系统对风险的识别。最后，虽然大数据技术已经在银行业广泛使用，但是银行传统信贷管理思维依然占主导。“强抵押、强担保”依然是银行授信部门衡量风险的主要标准。

(二)对策建议

首先，建立数据共享平台，加强同业合作，打破行业数据孤岛。数据孤岛问题自大数据概念诞生以来就一直常伴左右，同业间相互建立的数据孤岛就是阻碍大数据在银行业发展的主要问题。目前我国的征信体系主要由三大部分组成：一是由人民银行征信中心运营的金融信用信息基础数据库；二是由各部门、各地方政府掌握的本部门的信用信息，在国家倡导社会信用体系建设的大背景下，各信息掌握者正探索推动系统间的信息交流和互联互通；三是各类社会征信机构，比如阿里巴巴一类的互联网企业，利用平台优势收集的信用数据。如果可以通过政府部门牵头，将三方征信数据整合，再将整合以后的数据向各金融机构开放API，就可以将各个数据孤岛连接在一起，最大化地将数据资源开发。就可以让金融机构更大化地服务实体经济，让经济发展引入良性发展的快车道。

其次，整合银行电商平台，增加客户粘性，扩展客户行为数据。随着大数据运用的逐步普及，互联网巨头早期对流量端口的控制，成为阻碍银行业大数据发展的关键。为了从更多维度收集客户信息，目前国内已有部分大银行推出了自己的电商平台，比如建行的善融商务、农行的e商管家、交行的交博汇等。但是这些银行创办的电商平台普遍存在用户粘性不高，社会知名度低的问题。而且各家银行电商平台产品重合度高，单打独斗现象明显。虽然也可以通过其他银行账户支付，但是支付体验与支付宝和京东白条等电商平台支付方式存在较大差距。面对早已是被阿里和京东牢牢占据的市场，银行电商平台必须整合起来，明确各家分工，注重细分市场，尤其是金融业务领域的市场建设。如此银行创办的电商平台才能有机会在寡头垄断的电商市场生存，从而进一步达到收集客户行为数据的目的。

最后，明确银行技术短板，加强科研投入，提升大数据风控能力。大数据技术进入银行领域已经有十几年的历史，但是银行依然在用传统的思维经营。这与大数据风控系统时常出现错报、漏报的情况不无关系。但是，延续传统的思维并不有利于银行业和信贷市场的良性发展。大数据技术区别于传统数据挖掘的地方在于其背后有人工智能的支持。借助机器学习、深度学习的帮助，银行应该主动为大数据提供更多训练数据，改进其风险识别能力。除此之外，增加科研投入，提升大数据风控系统的算法，也是提升其风险识别能力的重要途径。让大数据风控系统有能力在未来的银行信贷风险管理中扮演更重要的角色，让银行信贷管理摆脱传统的思维束缚。