银行数字化风控演进的4个阶段

银行数字化风控演进的4个阶段

银行经营过程中需要具有风险承担与风险管理的能力，即具备风控能力，而银行风控能力的演化，又经历了传统风控模式与数字化风控模式的过程。那么如何解读银行风控的模式演化阶段？一起来看看作者的分析和解读。

银行经营的本质是对风险的承担与管理，也就是风控能力。

银行风控全称风险控制，银行通过大数据建模一定方式和手段降低甚至消除客户在贷款的过程中风险事件发生（贷款逾期或者坏账）的可能性，减少和避免风险事件带来的损失，无论是贷前审查还是贷后管理都是银行风控的一种手段。

在一家银行的经营管理过程中，有两个因素决定其最终风险承担能力。

一是资本金管理，资本充足率高的银行具有更强的竞争力，也有能力接受高风险、高收益的项目，三个版本的巴塞尔协议核心内容，都是对银行核心资本充足率的具体要求。

二是风险管理水平，资本充足率决定了银行承担风险的潜力，而银行承担的风险能否带来实际收益，最终还是取决于一家银行的风控能力。

我们有必要了解银行是如何从传统风控模式，逐渐演进到数字化风控模式的。一般来讲，银行风控的演进，大致经历了以下4个阶段。

一、第一阶段：“KYC”与专家经验式风控

现代化银行信贷风控的第一阶段，主要做法是以专家经验为主，辅之于早期KYC规则，实施风险管理。那么，什么是KYC呢？所有的银行人，对此应该是十分熟悉的。

KYC（Know Your Customer，了解你的客户）也可称为“投资者适当性管理体系”。在我国《反洗钱法》（2006）中，KYC被具体表述为客户身份识别。KYC是指金融机构在与客户建立业务中，对客户身份进行识别和背景调查，了解客户及其交易目的、账户实际控制人与受益人的流程。

1998年12月，巴塞尔银行监管委员会在《关于防止犯罪分子利用银行系统洗钱的声明》中，明确提出金融机构在提供服务时，应当对用户信息和用户画像进行采集和识别。随后，KYC原则被各国的监管机构所接受并推行。

在信贷领域，如果银行不能清晰识别客户身份，客户经理、审查审批人员在不了解目标企业的营业范围、公司规模、经营状况、法定代表人、疑似实际控制人、股东、对外投资企业等基本状况及风险状况的前提下，是不会发放贷款的。

基于KYC的专家经验式风控，一般而言，具有以下4个特征。

1）经营主体

一般是以国有银行及股份制银行在各省级行政区设立的分行，或当地支行网点为主体，也有一些区域性银行以总分行为主体。一笔贷款能否获得审批通过，在风控因素上，主要依据分、支行长的认知程度来做最终判断，而这种判断一般主观性较强。

2）客户来源

此阶段的银行客户获取，以线下营销、关系营销为主，熟人、亲属、朋友、同学、邻居等，各种社交关系网络，都是银行贷款客户的重要来源。与此同时，关系贷款、面子贷款、人情贷款等种种非正常业务也时有出现。

3）授权、授信管理

此阶段，大部分银行在授权、授信管理上并不严谨，总行在向分支机构授权时，往往是以对分支行长的经验判断为主，信得过的行长权限高一些，觉得能力不足的行长权限就低一些。对于授信管理，也主要基于行长对客户的良好印象。

4）风控要点

此阶段的风险管理是最为原始，也最为薄弱的，还谈不上技术、风控这些概念。负责任的分支行长，大多数都会要求客户提供担保物或抵押品，像第一还款来源、现金流分析等其他因素并不看重。同时，整个信贷流程冗长而缓慢，做笔贷款花上大半年时间是常有的事儿。

这一阶段的银行风控，主要依靠专家经验，并不严谨，也不科学。

二、第二阶段：“5C”与要素分析式风控

现代化银行信贷风控的第二阶段，主要做法是在专家经验的基础上，提炼关键要素，并在授信过程中逐一分析。相较于第一阶段，银行风控技术含量有了大幅提升，业界一般称之为“C”要素分析法， 是西方经济学家就企业客户信用要素分析归纳、提炼、总结的重要风控技术。从最初的“3C”分析法到普遍运用的“5C”分析法，要素分析法在不断增加分析要素的过程中，逐渐趋于成熟稳定。

1）“3C”分析法

衡量企业的信用要素，最早出现的是“3C”分析法。“3C”分别指的是品德（Character）、能力（Capacity）和资本（Capital），能够体现客户最基本的品质，是企业信用分析的基础要素。因为这3个要素的英文单词开头均为C，所以称为“3C”分析法，主要含义如下。

1. 品德：侧重于了解企业过往信用记录。
2. 能力：侧重于考察企业的还款能力。
3. 资本：侧重于探求企业的“家底”，分析其资本实力。

2）“4C”分析法

“4C”分析法，在“3C”分析法的基础上，增加了担保品（Collateral）要素。担保品要素，是指客户拒付款项或无力支付款项时，可以被用作抵押的资产，一旦不能如期收到欠款，银行就会处置抵押物。是否增加担保，对于首次贷款或信用状况存有疑点的客户非常重要。一家银行的风控能力高低，在一定程度上，可以从其对担保品要素的分析及运用上看出来，特别是信贷退出机制。当然，银行在担保品分析的时候，也需要避免抵押物“崇拜”的认识误区。

2）“5C”分析法

5C要素分析法，包括借款人品德、经营能力、资本、资产抵押、经济环境五个方面。“5C”分析法，是在“4C”分析法的基础上，增加环境状况（Condition）要素。

环境状况是指可能对中小企业客户的履约偿付能力产生影响的所有因素，包括政治的、经济的、文化的因素，以及客户所从事的行业、所处的经济发展区域和地理位置、经营软环境等。环境状况因素是由外部引起中小企业履约偿付能力变化的因素，是中小企业自身无法控制和操控的。

3）其他要素分析法

在要素分析方面，业内常见的还有“3F”要素分析法、“5P”要素分析法以及“10M”要素分析法等方法，基本都是通过定性与定量相结合的分析方法，剖析企业客户信用风险。

① “3F”要素分析法

美国罗伯特·莫里斯协会将“5C”分析法归纳、提炼、概括为“3F”分析法。其中，品德要素和能力要素合并为个人因素（Personal Factor），资本和担保品合并为财务因素（Financial Factor），环境状况则改为经济因素（Economy Factor）。

② “5P” 要素分析法

“5P”要素分析法立足于信贷实践的需要，主张实用性和完整性，具有鲜明特色。例如，在分析贷款资金用途时，更加凸显从银行角度分析信贷资金的具体流向和资金安全性，也顺应了监管机构的监管要求。“5P”要素分析法主要内容如下。

1. 个人因素（Personal Factor）：注重“人”的分析，关注企业实际控制人。
2. 资金用途因素（Purpose Factor）：评估企业贷款客户的资金用途。
3. 还款来源因素（Payment Factor）：重点考察企业的还款意愿。
4. 债权保障因素（Protection、Factor）：重点关注授信合约的限制条件、担保品的种类、性质、价值及变现性等内容。
5. 企业前景因素（Perspective Factor）：重点研究宏观经济周期规律与银行信贷的关系，分析企业生命周期规律，预判企业失败概率。

③ “10M” 要素分析法

“10M”要素分析法，力求多维度、全方位、系统化，分析企业客户的信用状况，主要内容如下。

1. 人力（Man）要素分析：经营者的品质、能力、经验、作风和企业技术水平。
2. 财力（Money）要素分析：财务角度分析客户资本结构，资金的流动性、安全性和收益性，并辅助考察资金长期、短期筹集和运用计划情况。
3. 机器设备能力（Machinery）要素分析：重点了解企业的机器设备的配备情况、规格、出厂日期、价值、折旧、产能设计情况等信息。
4. 销售能力（Market）要素分析：授信客户销售能力的强弱对其收益能力的影响程度。
5. 管理能力（Management）要素分析：高管层的领导能力、组织能力、协调能力和计划执行能力。
6. 原材料供应能力（Material）要素分析：分析企业客户的原材料品质、价格、成本、存量等因素对中小企业授信客户的经营造成的影响。
7. 计划能力（Making Plan）要素分析：从中小企业客户有无制定长期、短期经营活动的方针，制定的方针是否适合其经营和发展等方面进行分析。
8. 制造能力（Manufacturing）要素分析：从中小企业授信客户的人力、财力、机器设备能力、原材料购买能力等多方面分析企业的制造能力。
9. 方法（Method）要素分析：透过中小企业生产、经营、技术等角度分析其持续发展的能力。
10. 获利能力（Margin）要素分析：回归信贷经营的本质。

三、第三阶段：“数据库”与信贷生命周期分析

随着数据库的出现，现代化银行信贷风控进入第三阶段，银行更加看重对客户信贷生命周期分析。在信贷业务中，常见贷款流程为申请——审批——签约——放款——贷后管理——催收回收——资产处置，也就是我们常说的，信贷用户生命周期管理过程。随着数据库的发展，及在银行的广泛应用，信贷客户生命周期管理得以实现。

数据库是按照数据结构来组织、存储和管理数据的仓库，随着信息技术和市场的发展，特别是20世纪90年代以后，数据管理不再仅仅是存储和管理数据，而转变成用户所需要的各种数据管理的方式。在信息化时代，充分有效地管理和利用各类信息资源，是进行科学研究和决策管理的前提条件。数据库技术是管理信息系统、办公自动化系统、决策支持系统等各类信息系统的核心部分，是进行科学研究和决策管理的重要技术手段。

随着银行信息化建设的进程加快，数据库在银行风控上发挥了独特作用，特别是在Credit Cycle（信用周期）的风险管理方面。此时，风控跟营销、业务以及盈利形成统一共同体，更加强调银行资产之间的互补性与协调性。客户一旦逾期不还，要做相应的贷后处置，泛称资产管理。为了能够明确获悉此笔业务的最终盈亏状况，银行需要针对每一个客户，建立数据库，从各个维度进行分析。

1. 产品设计

在产品设计上，结合数据库及信用周期分析，主要包括以下内容：

• 目标市场设定。
• 产品/市场调研。
• 产品利润机构分析。
• 损失率评估。
• 产品调整和复盘规范。
• 产品启用/还款/逾期的处理方法。

2. 营销配置

在营销配置上，主要包括以下内容：

• 渠道配置，包括在线、网点、门店、委外。
• 营销管理规则。
• 营销激励办法。
• 营销及获客流程设计 。

3. 风控政策/审批

此部分主要有以下内容：

• 授信规则制定。
• 授信流程安置。
• 审批授权办法。
• 违例审批办法。
• 政策执行细则。
• 风控报表编制。
• 政策调整。

4. 贷中管理与客户维护

此部分主要有以下内容：

• 客户还款记录数据。
• 客户电话回访/核实。
• 预防优质客户流失。
• 客户分层分类维护。

5．贷后/资产管理

此部分主要有以下内容：

• 催收部署，包括短信、电催、上门、法务、委外。
• 不良资产综合管理，包括不良贷款、毛损失、净损失、不良回收。

6. 盈亏分析

此部分主要有以下内容：

• 获利（或损失）分析。
• 有利因素。
• 不利因素。
• 解决方案。
• 全流程检讨。

从数据库参与风控过程开始，银行的数字化风控渐行渐近。

四、第四阶段：“大数据”与银行数字化风控

近年来，以大数据、云计算和人工智能等为代表的金融科技，正在改变和重塑传统银行的业务流程、经营模式乃至风险理念，推动银行向数字化、智能化的BANK4.0迈进。大数据作为云计算和人工智能的重要技术基础，经多年发展，已取得瞩目成效，特别是在金融领域的应用更加明显。

2021年，《数据安全法》《个人信息保护法》先后落地实施，再加上2017年的《网络安全法》，国家在法律层面，严格规范数据使用与个人隐私保护。近几年，确实也有相当一部分大数据公司或金融科技公司，因涉嫌违法相继被查，引发行业风波，客户隐私保护等敏感性问题再次受到公众热议。随着整肃深入，行业风波已经波及助贷业务，并向信用卡共债风险蔓延，部分中小银行也暂停了大数据合作业务（风控相关）。在大数据的应用上，银行必须坚守合法合规的安全底线。

大数据的广泛使用，推动银行真正走上数字化转型之路。“大数据”风控技术，则帮助银行在构建数字化风控体系方面取得极大进展。通过大数据在贷前、贷中及贷后的全流程应用分析中，我们可以看到银行的3个重要改善。

1. 贷前：有效解决信息不对称

大数据的应用，让银行有能力服务更多的小微企业，普惠金融成为可能。服务小微客户，实现普惠金融，从政府到监管机构，再到银行层面，我们已经说了很多年，但实际效果非常不理想。最关键的原因就是，传统风控模式无法解决“信息不对称”的难题，导致银行不愿做、不敢做。具体来看，可以归结为以下3个原因。

1）效益低下

与传统对公贷款相比，小微贷款具有单笔金额低、借贷频率高、用款要求急的特点。同时，业内普遍认为，小微贷款存在“三高”现象，即风险成本高、运营成本高、获客成本高。在传统风控模式下，银行在小微贷款上的收益非常低。

2）风险极大

绝大多数小微企业成立时间短，抵御风险能力弱，受经济波动影响很大，存在极大不确定性。同时，由于缺乏长期经营数据，也没有合适担保，对于银行而言，信息不对称、不透明，按照传统风控做法，难以有效识别风险。

3）定价困难

传统银行很难做大小微企业贷款，也难以实现真正普惠。高风险高收益，低风险低收益，是风控定价要优先考虑的因素。然而，与个人业务相比，小微贷款客户对价格的敏感度却又非常之高，也导致银行不愿过深的介入小微企业贷款。

大数据与智能风控的出现，首先解决了信息不对称的难题。其次，我们还可以凭借金融科技手段，全方位、多角度了解企业整体情况，根据企业画像对客户进行分层分类管理，大幅降低企业尽调成本，提高边际收益。最后，我们还可以对企业进行更多的风险识别和评估，风控精准度大幅提升。

2. 贷中：大幅提升模型精准度

随着人工智能的广泛应用，在相同数据基础的情况下，分别用传统方式和机器学习算法构建模型，其性能可以提升20%-30%左右。例如在某项目中，基于相同的数据源，分析人员分别用传统算法与机器学习算法，得到两个不同版本的模型，对其性能对比后可知，传统算法模型，KS值为0.31；机器学习算法模型，KS值可以达到0.37，提升幅度非常大。无论我们开发什么模型，有了机器学习、深度学习等人工智能的参与，性能提升十分明显。

3. 贷后：明显提高逾期催回率

传统风控模式中，贷后管理与催收主要依靠人工完成，辅之于客服系统，不仅工作效率低、催回率不高，客户体验也很差。建设数字化风控体系，引入IVR（Interactive Voice Response，互动式语音应答）、文字机器人、外呼机器人，制定机器人催收策略，对传统贷后管理模式进行数字化智能改造提升，我们能够发现，智能催收大幅降低催收成本，某行实际数据显示，催收成本可以降低1/3左右，同时效率得到大幅提升。

目前，在M1阶段，智能催收可以替代90%以上的人工。智能催收相对人工催收来说，它的产能是无限的，产能不够时，只需要增加线路，不像人工催收短缺时，银行还要做很多诸如招聘、培训、考核之类的繁琐工作。

大数据和金融科技在很多方面改变了银行的业务模式，其中最具颠覆性的，是以大数据为代表的各种金融科技的应用改变了很多传统上线下的、事后的甚至滞后很长时间的信息收集模式，使银行风险管理可以使用的数据更加实时、细致和全面。

银行在解决系统性风险方面相比过去也有了很多改变，譬如现在很多银行都推出了线上的小微快贷类产品，这些代表性的产品相较于过去线下审批模式，能更好地解决小微企业这个庞大客户群体的信息不对称问题。

在个人贷款方面，传统的产品，例如信用卡和消费贷款，需要客户在填表和审批等流程上消耗较长时间，相较之下，现在的个人快贷类产品只要在APP里进行操作，客户就可以很快地获得授信。可以说，金融科技日渐改变着整个金融业和银行业的发展方式。

随着各家银行基于线上业务快速发展，针对银行的欺诈和犯罪日益增多，并呈现出多样化、科技化的特点，给银行造成了非常大的风险，另外监管部门的政策明确规定银行在开展互联网业务中必须具备独立自主的全流程风控管理能力，因此，在发展互联网上线业务的同时需要建立配套的全流程风控体系，通过合理运用大数据技术，实现风险策略自动化、智能化，提高应对市场环境和监管政策变化的及时性和有效性，激活数据价值、降低业务风险、提升竞争力，更好地持续健康发展 。