半岛BOB中小金融机构智能风控体系建设的分析与建议伴随着全球金融一体化进程的加快,金融机构的经营环境日益复杂,面临的风险进一步加大,对风险管理能力提出了更高的要求。大数据、人工智能、云计算等新一代信息科技的高速发展,驱动着包括金融业在内的经济社会各领域加速向数字化、智能化的更高阶段发展。在此背景下,各金融机构都在努力谋求转型升级,以金融科技作为提升效率、控制风险的有效手段。
传统的风险管理体系以专家经验评估为主,存在数据获取维度窄、量化分析能力偏弱、精细化程度低等缺点。在数字化转型的背景下,传统的风险管理模式已无法满足全面风险管理的需求。以大数据、人工智能为代表的新技术的发展为现有风控领域相关问题的解决提供了很好的契机。一方面,大数据技术通过整合大量数据,包括金融机构内部的数据和外部第三方机构的数据,从度对客户进行全面评估,极大地提升了对客户评估的精准度,促使传统模式下难以度量的风险显性化,提升风控能力;另一方面,凭借强大的计算能力和先进的人工智能算法,对弱变量数据进行整合以及信息提取,提升风控模型的精准度和人群覆盖度,建立主动、实时响应机制,提高风险管理的效率。可以说,利用大数据、人工智能等技术建立智能风控体系,已成为互联网金融时代下金融机构塑造核心竞争力的重要举措。
(一)智能风控的定义和内涵。目前业界对于智能风控内涵的理解比较多样,缺乏清晰标准的定义。随着人工智能发展进入落地阶段,对于“智能”的定义已不局限于大数据或者人工智能等单一技术的应用。下表整理了业内较为知名的智能风控企业对于智能风控的理解和表述:
我们可以将智能风控定义为:综合运用大数据、人工智能、云计算等先进的技术手段,以数据驱动风险管理,达到风险管理流程的智能化转型,提升风控自动化程度,在有效降低风险事件发生概率和损失的前提下,降低风控成本,扩展金融服务的覆盖人群。
智能风控注重对多种技术的综合应用。通过广泛应用多元化的技术,最大程度规避单一技术的缺陷,同时打通各个业务环节,实现风险管理的自动化闭环,有效提升风控水平和风控效率。目前,大数据、人工智能、云计算是智能风控的代表性技术,这些技术优化甚至颠覆了传统风控的管理流程,加速了智能风控的应用落地。这些技术互为融合,又各有侧重。比如,云计算提供了充足的基础算力和灵活的算力分配;大数据技术打破数据孤岛,整合数据,并提供大规模数据分布式计算以及高效实时的流式计算能力;人工智能则在大数据技术的基础上,通过生物特征识别、机器学习、自然语言处理、计算机视觉和知识图谱等手段,实现风控决策的模型化和自动化。
(二)智能风控在金融业的发展格局。作为典型的数据密集型行业,金融业与大数据的关联极为密切,每一轮信息技术发展也对金融业起到了极大的变革作用。基于大数据、人工智能的智能风控,也天然地在金融业中找到了极佳的落地场景。目前,大型商业银行、股份制商业银行、城商行、农商行以及互联网金融机构等,均在智能风控领域有所动作,但涉足的深度和研发的力度参差不齐,呈现梯队式发展格局。其中,以微众银行、网商银行、新网银行为代表的互联网金融机构,脱胎于互联网科技公司,对技术的推崇以及强劲的创新动力使其成为大数据时代金融机构风控智能化的先锋队。通过先进的技术平台、巨大的场景流量来源、灵活的组织架构,互联网金融机构率先完成智能风控在某一业务场景下的闭环应用,并进行了能力和模式的输出。大型商业银行与头部的股份制商业银行由于资金实力雄厚、品牌认知度高、人才储备较充分,通常采取自主研发的技术模式,并与金融科技巨头强强联合,将自身在网点、客户资源、金融数据、资金等方面的优势,与后者在流量、场景等优势结合,维持自身领头羊的角色。其他中小金融机构受制于人才、资金、技术、机制、客户数量、管理层认知等因素,智能化转型步伐快慢不一,但大多在智能风控体系自主建设方面困难重重。不少金融机构采取了被动跟随策略,依赖外部金融科技公司产品化的解决方案,实现对智能风控的应用。从短期看,这对于业务数据的快速积累和智能风控新模式的熟悉有所帮助,但也容易让金融机构产生“惰性”和“依赖性”,如果未能及时、积极、主动地进行智能化风控能力的自主建设,则必然会限制金融机构自身的可持续发展。
(一)促进金融机构业务高质量发展。智能风控的应用能够改善金融机构风险被动管理的局面,在贷前客户准入、贷中风险评级、贷后风险预警和逾期催收等全信贷周期风险管理流程中进行科技赋能,能够帮助金融机构主动发现高风险客户,为不同的客户匹配与其风险级别相对应的额度和利率,实时发现客户的异常行为,及时预警,提高风控系统评估准确率bob半岛,有效降低不良率,改善金融机构资产质量。智能风控还能够降低人工的不稳定性因素。比如,有研究显示,信贷审批员的情绪与审批员的审批决策行为之间存在一定的相关性,而智能风控系统的运用,可有效降低风控流程中对人工的依赖,减少人为审批评估失误而导致的不良。
(二)促进金融机构业务普惠化发展。智能风控模型可完成对无征信记录人群的信用评级,扩大金融服务范围,促进金融机构业务普惠化发展。近几年来,国家大力推行普惠金融事业,颁布了一系列政策来促进普惠金融发展。一直以来,金融机构零售业务的主要目标客户是央行有征信记录的客群,但目前征信信息覆盖面还比较低,这部分客群基本上被排除在金融机构信贷服务范围之外。另外,由于普惠金融客群较为下沉,单笔信贷金额小半岛BOB,分散程度高,在传统的风控体系下信贷成本很高,也导致金融机构难以为这些长尾客群提供有效服务。而智能风控体系可以充分利用各类第三方数据,利用人工智能算法对各种弱变量进行有效整合,提取高维信息,从而有效识别风险,并实现授信的自动化,将风险和成本控制在可承受范围内,加快金融机构普惠金融发展。
(三)促进金融机构集约化发展。智能风控可以提升金融机构审批效率,短时间完成大规模的信贷业务审批,给客户提供良好的体验,实现人性化、集约化业务管理。传统金融机构的信贷审批具有多层级流程化的特征,从申请到放贷需要多个工作日。相比之下,运用智能风控的信贷审批,一般可以实现分钟级甚至秒级的放款。利用人工智能技术和大数据技术,可以高并发同时处理大规模的信贷业务申请,在实现信贷集约化管理的同时也为客户提供了良好的信贷体验。
由于人工智能对原来风控领域的人力决策产生了替代,所以风控领域人力岗位会被削减,人力数量也相应减少。根据波士顿报告,到2027年,中国金融业就业人口可达到993万人,其中23%的工作岗位会受到人工智能带来的颠覆性影响,削减或转变为新型工种。在风险管控和审核领域,风险审批将会减少22万个服务岗位,催收和风险审核分别减少2万个工作岗位。风险管控和审核环节有62%的工作时间缩减。除此之外,模型自动定价等过程具有无纸化、自动化和电子化特征,为金融机构节约了纸张、扫描仪器、凭证库房、监控设施等成本。
智能风控体系建设是一个长期的过程,各家金融机构唯有认清自身的不足,才能有的放矢。目前中小金融机构在构建智能化风险管理体系方面的源头性障碍或不足主要有以下几点:
(一)风险管理理念仍以经验驱动为主。许多金融机构多年来遵循固有的风险管理体系,不论是事前风险评估、事中监测还是事后催收,主要还是凭借各级风险条线人员的个人经验进行决策和审批,并且主要是以合规性、满足监管要求为导向,而缺乏对风险发生概率bob半岛、风险收益对价测算等量化指标的主动评估和监测。应该说,经验驱动的风险管理方式在客户数较少、单笔授信金额较大的情况下,表现出较高的优越性,比如处理灵活、方向调整迅速、对风险对象了解透彻等。但随着金融机构资产规模上升、客户数量增加bob半岛,叠加数字化、移动化、智能化时代背景,金融机构想要更好地持续发展,原有经验驱动的风险管理理念已经开始显得捉襟见肘。一是科技快速发展导致各类新型风险层出不穷,企业经营模式、商业模式发生了巨大变化,旧有的经验不一定能够准确判断风险。二是经验驱动的方式效率较低,人力成本高。随着资产规模扩大、客户数增多,会出现人手紧张、风险评审和处置速度慢的状况,无法为业务的可持续快速发展提供有力支撑。三是经验驱动的方式精细化不足,导致差异化定价能力较弱,只能在一些低风险领域开展业务,造成利差较小,利润率不高。四是经验驱动的风险管理模式无法支撑零售业务的快速拓展,在金融服务竞争日益加剧的当下,不进则退,零售市场的优质客群有限,先发者优势明显,缓慢的增长其实就意味着将市场拱手让人。
虽然中小金融机构已经在逐步尝试建立风险管理量化体系,但实际进展缓慢。这既有数据积累不足等客观原因,也有经验驱动的风险管理理念根深蒂固的主观原因。因此,应该勇于打破原有理念、积极接纳新观念,并融入风险管理的实践当中。
(二)数据基础较为薄弱,数据治理相对滞后。智能化风险管理体系是以先进的信息技术驱动的风险管理体系。智能化技术的基础是数据。大数据时代,数据是宝贵的资产,对于信息密集型的金融机构业来说更是如此。如果说石油是工业时代的血液,那么数据就是智能时代的养料。数据是构建智慧型质量管理体系的基础和源泉,数据的规模和质量也最终决定了这一体系的“智商”所能达到的高度。
从目前的情况来看,中小金融机构的数据基础仍较为薄弱。具体表现为几个方面:一是数据积累的时间长度不够。中小金融机构建立较为完整的信息化系统时间并不长,存储的数据时间甚至都还没经历过一个较大的经济周期,这对于建立风险计量模型来说是相对欠缺的。二是客户基础相对薄弱,有效客户数总量较少,导致进行客群细分之后,某些类别的客户样本数很少,无法进行有效分析。三是数据治理仍差距较大。比如,缺乏数据资产目录,金融机构内部有哪些数据,数据归属部门是谁等等没有一个全局性的统一目录管理,不利于跨部门沟通和知识的传递;数据的定义和统计口径不规范,数据人为调整的主观性较强,容易出现前后不一致的情况,不利于准确判断和决策。
(三)知识体系相对落后,人才队伍建设有待完善。不论是经验驱动也好,智能驱动也罢,其关键还在于人才。金融机构不乏实战经验丰富的风险管理人员,对于金融机构内外的规章、政策、法律等了然于胸。但由于长期以来,风险管理以经验驱动为主,以监管合规为导向,缺乏风险计量的实践,因此熟悉并能应用数理模型、统计学等方法的人员十分匮乏,对于新兴人工智能技术熟悉和了解的更是少之又少。大多风险管理人员数据分析能力不足,对于数据的分析和理解要还是限于简单的描述性统计分析,分析的深度不足,无法处理度、高复杂性的数据关联性问题,对数据隐含的内在信息价值挖掘不够,而且容易犯统计分析中常见的幸存者偏差、伪相关等问题,导致得出的结论不准确甚至相反。
另外,风险管理人员对于科技的理解不到位。就如同比尔·盖茨说的,对于科技所能引发的变革,人们总是“高估了未来一到两年的变化”,而“低估了十年所能带来的变化”。许多风险管理人员对于科技的期望存在一定的偏差,误以为某项新科技一旦应用即能发生翻天覆地的变化,而一旦受挫或短期成效不佳则对于科技的预期又落入谷底,从而缺乏对于科技战略性、持续性的关注和投入。同时,对于新信息科技工具的不了解或了解不足,使许多风险管理人员无法在实际的业务处理过程中自觉、主动地发现科技嵌入的方式,从而影响其引领部门进行持续的转型升级,实现从量变到质变的过程。
(一)注重风控数据积累,强化风控数据治理。数据是智能化风控体系的基础“养料”。目前中小金融机构的数据基础普遍较为薄弱。因此做好数据治理工作、提高数据质量对于充分发挥数据要素的生产力显得尤为重要。
数据治理应该坚持数据标准先行。目前金融机构内部数据来源多头,定义不一致,格式不统一,导致部门间的“数据孤岛”,造成数据应用困难,所以数据治理要坚持标准先行原则。同时,数据治理应该建立数据质量检验核查、落实数据质量考核评价和问责机制。数据治理的最终价值,将从数据应用体现出来。数据治理需要以提升数据资产价值、增强数据应用价值为导向,明确数据治理的目标,了解数据在哪里、为什么用、怎么用,才能真正实现基于数据驱动的智能风险管控。
(二)加强外部合作,提升自身“内功”。第一,与行业领头羊合作,以业务发展带动风控变革。由于中小金融机构数据基础较为薄弱,且人员缺乏智能风控的经验,单凭内部探索以及自我改革不仅见效缓慢,而且阻力重重。目前,市场上已经有一些在智能风控领域运作较为成熟、技术较为先进、经验较为丰富、数据较为多样的金融科技公司,可以通过与之合作,借他山之石,为我所用。与金融科技公司的合作一方面可以拓展业务,带来直接的利润收入、看到实际的成效;另一方面,可以在合作中进行理念的碰撞,学习金融科技公司的创新意识、建模方法、运营方法等,对风险管理变革起到“鲶鱼效应”,最终实现独立自主的智能风控能力。应该注意的是,与金融科技公司的合作应该秉持一个生态共建、互利共赢的原则,从产品设计、渠道建设、联合建模、运营管理等方面进行合作,最终实现知识的转移和理念的重塑,而不是走捷径,从一开始就仅仅为了流量以及短期的业务上量而去,这样是无法实现可持续的发展,自身的“内功”也得不到提升。第二,与科研机构共同探索,实现从跟随到领先的跨越。业界更注重应用以及实践,而高校等科研机构则具有较强的探索能力,并对于前沿的技术以及方法保持较高的关注度。业界目前使用的大多数方法都是由学术界率先提出并加以完善的。由于数据分析、风控建模是一门实用性较强的学科,从前沿探索到实际的落地应用所经历的时间和链条短,因此,保持与学术界的联系,共同探索前沿领域的方法应用,有助于自主风控能力的快速提升,实现从跟随到领先的跨越。
(三)完善模型管理机制,提升模型开发效率。智能风控模型是建立智能风控体系的关键。因此,应当将模型视为金融机构重要的资产之一,完善模型管理机制,有效控制模型风险、提升模型研发效率。第一,建立一整套覆盖模型开发、验证全流程的规范体系,包括外部数据评估验证规范、数据质量探索规范、模型开发报告规范、投产前验证规范、投产后验证规范等,为规范化、标准化的智能风控模型开发流程奠定基础。第二,风控模型开发涉及金融机构大量敏感的生产数据,可以建立人工智能实验室。通过受控物理环境在准入控制、权限管理半岛BOB、行为监控、数据安全等方面进行统一规范化管理,不仅为模型开发人员提供便捷、高效的模型研发工作环境,同时又能够保障生产数据安全、规范、可控的被使用,防范信息泄露风险。
第三,在组织架构上,要保证模型开发和验证团队相互独立,可以成立模型评审委员会对模型进行评审,以最大限度保证模型的稳定性和安全性半岛BOB。
(四)加强人才队伍建设,提升风险条线人员的科技素养。人才队伍是建设智能风控体系的核心力量,同时也是金融机构风控的核心竞争力。风险建模技术,尤其是要融合新兴的人工智能技术,是一个高度综合化的领域,需要一支专业化水平较高的队伍。从职责分工角度,可以大致分为数据采集和清洗人员、模型设计/开发/验证人员、业务专家人员、技术平台人员。在团队设置方面,至少应该包括两个团队,模型研发团队和模型验证/监控团队。模型研发团队主要负责模型的设计、开发、内部验证和应用对接工作。模型验证/监控团队主要负责第三方验证,应具备一定的独立性,同时负责模型日常监控工作,定期出具监测报告,向研发团队反馈问题,控制模型风险。风控模型研发核心人员,属于复合型人才,在精通相关理论知识的同时,还要具备相当的行业经验,同时还需要有一定的编程能力,专业门槛很高,因此可以考虑引入该类中高端人才,作为团队的核心引领人员。
(五)以场景应用推动智能风控体系迭代优化。以场景应用推动智能风控体系迭代优化,将智能风控深入应用于风险管理的各个环节,探索“智能评估、智能决策、智能监控”三位一体的智能风控体系,全面整合内部、外部数据,捕捉和发现客户行为背后的相关性,把控客户信用风险的变化,提升应急处置能力,有效降低资金风险。同时,要在场景应用的过程中逐步优化风险管理模式。智能风控体系与传统风控体系的管理模式差别较大,在传统风控体系下建立的业务制度、业务流程势必无法完全适应智能风控体系。因此,应及时调整优化业务流程,使之与智能风控体系衔接更加紧密。
Copyright © 2012-2025 半岛BOB·「中国」官方网站 版权所有HTML地图 XML地图 鲁ICP备18053584号-2
收到你的留言,我们将第一时间与你取得联系