习近平总书记指出，防范化解金融风险，特别是防止发生系统性金融风险，是金融工作的根本性任务。当前，大数据应用推动银行信贷审批从人工走向智能，一方面，有助于银行风控触角从表层延伸至内涵，深入挖掘信息价值和判断实质风险；另一方面，有助于商业银行风控逻辑从单环节延展至全流程，在客户准入、贷中审核、贷后监测等各节点形成数据链路。但基于大数据的智能化审批尚处于初级阶段，数据孤岛、低质、滥用、造假、泄露等挑战依然严峻。商业银行如何在数据爆炸时代去伪存真？如何在风险多发背景下实现智能化、精准化防控？如何在互联网冲击下凝聚竞争优势？这些已成为亟待解决的重要课题。
智能化重塑银行传统审批模式
传统信贷审批模式以流程驱动、人工审批、经验判断为主，在移动互联网效率竞争、数据竞争、体验竞争的时代，越来越不能满足客户的需求。智能化审批之所以盛行，缘于其能更好地平衡客户体验和风险管控之间的关系。
改变信用触点。相较于传统信贷审批模式，大数据环境下的信贷模式，是“业务+数据”共同驱动的智能化审批模式。银行与客户的信用触点发生改变，APP、小程序等交互平台作为银行信用集散地的作用日益凸显。信贷审批不再受时间和空间限制，依托线上形成的“数据资产”以及相应的模型，可在极短时间内自动完成信贷审批和定额，从而大幅降低信用发现和定价成本。
改变获客模式。传统信贷获客模式主要通过流水分析筛选客户，发送电子邮件或以电话访问的方式，为用户推荐信贷产品。虽然用户质量高、风险低，但获客模式单一、客源量少、客户选择少、体验不佳。随着大数据、人工智能技术的发展，基于海量在网数据，通过客户多维画像，不断挖掘客户价值、个性化需求，并以场景嵌入、精准营销、数据反馈等方式，实现“沉浸式”获客和“无感”风控。
改变风控技术。传统信贷利用身份核验、现金流、资产估值等强验证资料，数据维度单一、制式非标准、易于造假，导致审核和授信周期较长。智能审批的数据基础是大数据，既有交易、流水、事件等时间数据，也有位置、行动轨迹等空间数据。以多源多维、弱变量组合、交叉验证的方式，反映用户综合风险和信用情况。同时，设备指纹、人脸识别等AI技术应用在风控场景，强化了对用户真实性的验证。
改变风控模式。贷前环节，智能审批基于大量数据、模型和策略，在授信阶段对流量精细化运营，按风险维度对客户进行组合分层，以满足个性化风险偏好，设置差异化价格和服务。根据不同风险等级和授信评分情况，对用户进行授信定额和智能准入。贷中环节，基于用户终端、交易、身份信息等多维数据，建立申请欺诈识别、套现识别、盗刷识别、人机识别等风控模型，防范欺诈和道德风险。同时，基于用户行为数据，划定不同的服务体验周期，进而做到精细化运营，保证用户黏性、活跃度和留存率。贷后管理环节，构建智能催收系统，根据用户价值、逾期情况、风险等级、行为习惯，匹配不同的催收方式，以保证催收的针对性和有效性。
智能审批的有效性问题
大数据驱动的智能化审批仍处于发展初期，有效性问题十分突出。P2P平台作为最早一批应用智能化审批的机构，近年来问题平台数量暴增，除资金运作背离信用中介本质外，也与智能审批有效性不足、风险控制质量不高有很大的关系。
数据来源的真实性问题
一是数据来源存在“孤岛”效应。政府、银行、券商、互联网企业、第三方征信机构掌握的信息资产难以在短时间内互联互通。“信息孤岛”导致信息不对称、不透明，获取不及时，可能带来多头债务风险和欺诈风险。
二是数据质量存在有效性偏差。近些年，金融机构、电子商务、社交网络、公共政务、OTO互联网平台等数据载体，每天聚集和制造EB级的海量数据。然而，格式多样化、形式碎片化、数据缺失和内容不完整等问题随之而来，甚至出现电商平台“刷单”、信用数据专业造假等网络黑产。因此，改善数据质量是提升智能化审批有效性的必备环节。
映射现实的有效性问题
一是网络信息难以还原现实信息。金融信用与社会信用不存在必然的相关性。个人信用体现在多方面，既包括交易、征信、金融行为等直接信用，也包括事业、家庭、朋友等间接信用。直接信用只代表历史特征，不代表未来的违约风险；社交平台积累的间接信用，同样不能精准确定违约风险。
二是金融信用与社会信用的相关性不确定。信贷主体在网络中的表现，并不能完全反映其社会真实性。尤其在线上、线下割裂的状态下，个人的行为方式可能出现强烈反差。因此，对于同一个人和同一个企业，根据单维度数据对其信用判断的准确性有限，多维数据展现多面特征，“全数据”异常重要。
三是数据的滞后性和风险传染性。传统信贷审批的基础是标准正态分布状的概率模型，但数据总是滞后于行为。智能化审批的基础是大数据，依据是相关性而不是概率论。若按照概率论推算，2008年国际金融危机约250亿年才会爆发一次，而CDS、CDO交易的大数据，同样没办法揭示风险的来临。在大数据时代，“黑天鹅”事件依然没办法预测。数据互联互通，甚至有可能将某个较小风险通过蝴蝶效应演变为“黑天鹅”事件。
数据收集和使用的安全性问题
一是数据仍未成为经济主体的财产和资产。2012年“世界经济论坛”曾发布《大数据、大影响》报告，认为数据已成为一种新的经济资产类别。但直至目前，数据作为重要生产要素，仍未被纳入企业资产负债表，进而形成大数据时代的“超级资产负债表”。
二是存在数据滥用和隐私泄露。互联网金融时代，金融科技公司的营收和利润，很大程度上依赖用户数据流量变现。在网行为、社交游戏、交通出行、购物记录、消费记录等数据与用户日常生活、个人和企业隐私、经营安全息息相关，数据所有权和使用权的归属是用户，而非金融科技企业。如何合法、适度、有效地采集和使用大数据？这不仅是一个技术实现问题，更是一个社会进步问题。
商业银行推进智能化审批的比较优势
相比电商和金融科技头部企业，商业银行在互联网技术、平台层面稍显不足，但通过资金、网点、客户等禀赋优势，可以不断积累信用数据，丰富优化审批模型，不断深化贷中、贷后的资金过程管理。长期来看，商业银行更具有搭建“数据+模型+动态监测”智能化审批核心体系的能力。
数据的触发点较广、容量较大
不管是甄别客户进行授信和贷款的活动，还是用户交易活动留下的痕迹，都是银行重要的数据资产。大型银行凭借网点、客户、科技优势，实现几何级数的数据增长，其中既包括以工资、公积金、贷款、理财等为代表的结构化数据，也包括文档、图片、影像、地理位置等非结构化和半结构化数据。波士顿咨询公司指出，银行每创收100万美元，平均产生820GB数据，数据强度踞各行业之首。国内商业银行数据已达100TB以上。在运用大数据开展智能审批方面，银行具备天然优势。
另外，大型银行是客户流和资金流的集散地。贷款和金融业务开办之前，各自然人、企业和机构，均需要在商业银行开户并填报基本信息，POS机和ATM获取个人消费信息，企业资金划转以商业银行为媒介。商业银行已形成庞大的金融数据库，其结构化程度优于电商等企业。
金融科技先发优势和人才储备
大型银行具备建立智能化审批系统的条件。特别是2000年之后，大型银行提出建立“数据集市”的思路，纷纷设立数据中心和备份中心，数据存储利用效率大幅提升。2014年之后，部分大型银行开始革命性地建立分布式数据交互和松耦合的科技架构，风险防控能力和数据分析能力再次跃升，这都将为智能化审批的应用赋能。
另外，大型银行均设有科技开发中心、数据测试和收集中心。在20世纪初的数据集中管理过程中，大型银行累积了建设复杂数据信息系统的经验，涉及软件开发、数据仓储等具体实操项目，自主研发了一批具有品牌效应的互联网业务和产品，储备了大量软件开发、科技管理人才。
开放经营和场景共建
智能化审批的“智能”，不仅体现在对线下网点、人工经验的弱依赖，而且体现在开放共享场景和获取客户资源方面。一是线上快贷模式。银行借助“内部存量客户信用数据+外部行为信息”，明确目标客户，筛选预授信白名单，通过智能化审批系统完成线上身份核实、自动审批放款。二是联合贷款模式。银行发挥资金优势，第三方发挥渠道、获客、线上技术优势，批量行外获客，双方独立进行风控审批，共同实施贷后管理与催收。三是联合建模模式。合作方（互联网金融平台）一方面向银行输出互联网金融产品实践经验，帮助初步过滤客户；另一方面联合建模帮助银行控制信贷风险。四是内嵌场景审批模式。银行与具有高频消费场景的第三方合作，共建金融服务生态平台。银行将智能化审核审批和贷后管理“内嵌”到生态平台。
商业银行开展智能审批的应用难题
商业银行现处于数据资产化、审批智能化的起步阶段。基础信用数据以描述性为主，预测性为辅；以自身交易和客户数据为主，外部数据为辅。数据应用深度、广度和频度还存在不足，迫切需要拓宽数据应用层面，实现数据资产增值。
数据处理复杂，充分挖掘困难。一是缺乏与数据和科技变革相匹配的组织架构，数据在组织内部处于割裂状态，数据资源整合度不高，缺乏顺畅的共享机制，导致数据使用效率较低、交互成本较高。二是在审批模型开发中，采取战略跟随或合作共建策略，尚未形成自主、系统的数据治理方法和体系，缺乏有效的数据分类、整理和加工。三是非结构化数据占比不断上升，数据构造方法重复率高、关系复杂，难以充分挖掘数据资源潜在价值。
模型的筛选精准度有待提升。智能化审批的第一个环节是贷前客户筛选和预授信。在客户筛选环节，银行的底层风险数据，主要为较明确的不良记录，如失信、未结案、公示不良、交叉违约等。该类信息对筛查极劣客户具有效果，但对特征不明显的中间客户，筛查作用有限，易形成“非黑即白”的判断，导致白名单客户过多。在预授信环节，线下走访流程的缺失，可能导致潜在风险客户获得资金，也可能导致客户授信额度偏低。
风险难以有效控制。一是商业银行线上审查审批的前中后台，通常集中于一个部门或少数团队，承担数据使用、模型研发、客户筛选、贷款审批、贷款发放、贷后管理等全部环节，缺少风险管理的有效制衡。二是客户筛选、授信测算、贷款投放、贷后监测均由系统或模型进行，既易造成风险出现后责任下压至经办行的问题，又难以对经办人员的行为形成制约。三是资金监测频率与业务7×24小时实时投放的实际情况不符，资金流向无法完全闭环管理，导致部分资金流入理财、证券、期货等投资领域或房地产领域。
大额线上贷款经验不足。商业银行探索线上贷款，通常放款额度不超过20万～30万元，且以信用类品种为主。尤其是对于不超过1万元的小额个人贷款，互联网基因良好的银行已在尝试纯线上开户，并取得较好的成效。但对于大额贷款审批风控模型，市场上整体经验不足。主要原因有以下三方面：一是按照监管对大额资金的管理要求，新客户在首次放款前仍需线下开户，以及线下授权征信查询；二是针对小微企业虽然已开展线上开户业务，但目前只对小微企业主提供线上贷款，本质上是个人经营性贷款，对公端贷款效果不理想；三是不同于小额贷款的批量预警和催收机制，大额贷款仍离不开线下催收和司法诉讼模式。
商业银行发展智能化审批的政策建议
建设智能化审批大数据服务云平台。一是充分发挥大数据云存储成本低、扩展性好的特征，建立统一的智能化审批数据云存储平台。同步搭建基础数据库和指标库，支持数据与指标长期存储，打破存储资源不足的瓶颈。二是利用云计算的数据处理能力，实现定期（如按月）抽取、加工、更新全量基础数据和指标，实现数据稳定可靠、即需即用，进一步缩短授信审批模型的运行效率，提升模型迭代速度。三是将市场、行业、信用、流动性、合规等各风险模型管理的应用“上云”处理，打通各类应用的数据隔断，整合优化为统一的风险量化数据云存储平台。同时，建立统一标准、统一口径风险数据库和指标库，提高各类风险量化模型的开发、优化、监控、运行的效率和稳定性。
完善审批模型技术平台。一是探索建立客户人脸、指纹、声纹、虹膜等生物档案库，利用智能化的生物识别技术，替代传统人工审核和U盾、密码器等介质认证，简化业务流程，提高客户身份识别的效率和准确度，强化欺诈风险防控的智能化水平。二是引入高维特征计算、机器自学习等大数据技术，提升数据处理和计算能力，增强模型的风险识别能力。引入社会网络分析、图数据库等关联分析技术，挖掘客户关联关系，绘制客户关系网络。对关联风险程度进行分级，对关系种类、疏密程度、风险传染方向进行识别，解决关联交易和多层嵌套隐含的风险。三是推进客户统一授信管理和系统开发，对同时具有对公授信和个人授信的企业主，按授信额度孰高的原则统一授信，防止过度授信。
优化信贷风险动态监控和预警体系。一是针对融资客户、产品，以及放款机构、信贷人员，实时开展风险监测预警和跟踪管控，实现对客户准信用和类信用风险事件的精准和高效识别，以及核查管控、跟踪督办、反馈优化、考核评价等全流程管理。二是适度扩大基层行客户筛选和授信核定权限，鼓励分支机构主动进行现场尽调，并通过不定期抽查、走访，做好贷后资金用途真实性和风险监测工作。三是推动线上审批前中后台分离，对线上信贷业务实施换手管理，防止出现违规和道德风险。同时，厘清上级行和下级行在客户准入、贷款投放、清收处置中的权责利，将信贷风控责任具体落实到人。
来源：微信号： 中国金融杂志，https://mp.weixin.qq.com/s/J51igL5T12KtFA00WsaQhA 发表时间：2020年1月3日
