大数据分析为银行信用风险管理提供全新思路
大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。银行在长期经营过程中，已经积累了有关客户资金及交易行为的海量信息数据，为运用大数据技术管理信用风险奠定了坚实的基础。但数据是基础，分析数据才是关键。数据特征转换、分析假设合理性、模型适用性等，不可能一蹴而就，需要长时间积累和校验。但毫无疑问，大数据分析为银行信用风险管理开启了一扇全新的大门。
一是大数据分析真正实现了贷后风险监测与预警。
对借款企业账户信息、资金流向、关联方信息、网络信息、政府部门公开信息的深度挖掘，可以接近还原企业经营风险状态，为前瞻性动态监测借款企业风险提供了可探索的路径。
二是大数据分析可以实现银行信贷前中后台信息的贯通。
大数据分析需要处理有关借款企业的海量信息数据，将原本分割的银行前中后台信息进行有效整合贯通，吸纳在信贷业务条线之外的其他碎片化信息，运用先进技术手段进行过滤与整合，进而分析预测借款企业的信用风险。
三是大数据分析可以为贷款前台营销和授信审批提供有效指导。
经过大数据分析处理后的结果，可以为前台营销提供指导。基于数据之间的显著性分析，企业具备相同特征的信息，发生违约风险的可能性就越大。这样一来，前台营销可以对借款企业进行更为有效的筛选。也基于相同原理，在对借款企业授信过程中，可以更有效地把控企业风险总额，而非不切实际的授信。
四是大数据分析可以更有效地提升信贷经营与风险控制的效率。
基于大数据分析，可以有效提升贷前调查的效率。原本对贷款风险评估具备重大影响的信息，可以部分通过对借款企业过去账户信息、征信信息、网络信息等而获得，从而减少了贷前调查的时间，促使客户经理有针对性地开展现场调查。通过机器和大数法则来替代人工经验判断，可以进一步精简从事贷款授信审批人员。而在贷后管理过程中，广泛采用模型进行数据分析，可以有效提升风险监测的效率和前瞻性，并为前台营销提供方向性指导。
围绕大数据分析再造银行信用风险管理架构
大数据分析为银行信贷集约经营和信用风险有效管理提供了强大的技术支持。而大数据分析的逻辑基础在于对海量数据的集中、整合、分享与挖掘。因而围绕大数据分析再造银行信用风险管理架构，就需要根据数据处理链条对银行信贷经营体制进行变革。
一是建立统一的客户信息管理系统。
目前，多数银行已经开发或购买了信贷管理系统，有些大型银行的信贷管理系统功能还比较齐全、强大。但信贷管理系统与客户信息管理系统并不完全相同，对实时判断客户经营状况具有重要参考价值的账户流水信息往往由银行运营管理部负责管理，并不直接在信贷管理系统内反映。特别是银行可以掌握的企业主要负责人、关联方、重要供货方、重要收款方的信息往往不在信贷管理系统内显示。
还有外部通过网络爬虫技术抓取的涉及客户的敏感信息，也未在信贷管理系统内反映。因此，需要对银行内部各业务条线信息管理系统进行有效整合，建立统一的客户信息管理系统，集中所有能够收集的信息。在客户信息管理系统下设若干业务模块，根据业务需要对相关数据进行整合。
二是将客户营销功能与客户调查功能相分离。
过去，贷前调查实质上也包含着对客户营销的功能。虽然审贷分离后，客户经理在贷款发放上的发言权显著下降，但因为贷款审查信息相当部分来自客户经理调查，即使设立“双人调查制度”，也不能完全排除客户经理可能存在的道德风险。更何况贷款业务构成银行主要收入来源，除非贷款企业表面上存在重大瑕疵，审贷委员会倾向于通过贷款申请。
在大数据分析下，将客户营销与客户调查职能相分离，客户经理只负责深入借款企业调查，收集所有可能涉及企业经营的信息，并实时录入系统，不负责撰写贷款申请报告，也不进行信息价值判断，客户营销职能由营销业务团队负责。营销业务团队根据大数据技术全面分析借款企业信息，判断企业贷款价值以及其对综合收益率的贡献度，确定是否采取营销，并确定相应的营销策略。与过去贷前调查模式相比，企业调查信息因为剔除了客户经理的主观判断而更加接近实际。同时，经过大数据分析技术过滤后，可以更好地选择客户，提高客户营销的效率。
三是建立以专家审批替代集体审批的制度。
在专业银行向商业银行转轨的过程中，为防范信贷员、银行行长道德风险，建立了审贷委员会集中审批制度。随着银行内控制度日趋完善，客户经理专业素质和职业道德规范都较以往有显著提升。而集中审贷制度越来越不适应贷款规模显著增长以及客户业务多元复杂化的需要，客观上需要以专家审批来替代集体审批，提高审批的专业性和效率。
为此，需要整合建立不同业务种类、不同业务模式的专家审批队伍，对于授权范围内的贷款申请，结合大数据分析结果，以及专家对企业信贷风险演化规律的认识而直接审批；超出授权范围内的贷款申请，或由上一级专家审批，或临时随机组成3人专家队伍进行集体审批。
四是组建客户风险监控中心。
首先，银行需要改变贷款风险不能被动态监测的陈旧观念。过去，很多银行贷后风险功能基本缺失，并非贷后风险无法监测，而是因为数据来源不足、缺失以及专业经验技术落后。通过大数据对客户信息的实时抓取和集中处理，可以基本还原企业经营状态，为动态监测贷后风险提供了坚实基础。
其次，银行要提升贷后风险监测信息的权威性。很多银行信贷管理部门存在顾虑，不敢使用通过贷后风险监测分析得到的信息。一方面是因为对自身风险分析监测能力不自信，生怕存在严重误差；另一方面是因为在贷款未出现明显风险迹象时，贷后风险预警将会受到前台和分支行强力抵制。因此，要想发挥大数据分析提升银行信用风险管理效率的作用，就必须要有不怕“试错”的精神，要求前台和分支行尊重贷后风险监测信息价值，除非有事实支持贷后风险监测信息与实际存在重大误差，都将按照贷后风险程度大小进行相应处置。
第三，成立若干风险监测作业团队。从全行抽调具备丰富信贷专业经验、掌握计量模型技术、懂得数据分析的人才队伍组建若干风险监测作业团队。团队职责就是在建立统一客户风险视图基础上，根据行业分类通过模型技术对客户信用风险进行动态监测。
第四，及时处置贷后风险预警信息。在客户风险监测中心之下设立风险处置团队，向负责前台收集信息和调查的客户经理发出指令，要求对风险预警信息进行核实。如果核实后风险预警信息基本属实，那么由风险处置团队及时采取贷款退出、补充抵押担保等措施，维护银行信贷资产安全。同时，在客户信息管理系统中及时录入相关信息。如果核实后风险预警信息存在较大误差，那么将相关情况及时反馈给风险监测团队，对模型参数、方法进行动态调整，以逐步提高模型监测风险的覆盖率。
工商银行在全国率先在信用风险管理中积极探索大数据应用，组建了风险监控中心，初步实现了存量信贷资产和新发放贷款的动态风险监测和实时预警控制；该中心组建一年的时间里，已累计预警和化解潜在风险贷款4237亿元。
五是组建行业中心行使逆周期信贷结构调整职能。
所谓逆周期信贷结构调整机制，就是要求信贷结构调整要贯穿于一个完整的经济周期；信贷结构调整力度总体保持稳定，不以经济周期不同阶段而出现过大波动；信贷结构调整方向与经济结构转型方向保持基本一致，实现金融与实体经济之间契合度的持续上升。
为实现这一目的，客观上需要组建行业中心，行使逆周期信贷结构调整的职能。行业中心负责动态监测行业发展演变趋势，及时发现行业发展的潜在风险隐患，提出银行行业信贷投向总额与业务拓展策略。在这个基础上，行业中心要与客户信息管理系统进行有效对接，提出单一行业目标客户名单以及退出客户名单，为前台客户营销提供方向性支持。还有，行业中心要赋予行业风险监测职能，建立与风险监测团队的信息沟通机制，及时提示并预警行业发展风险，平衡把握银行信贷资金投入。
(作者系中央财经大学经济学博士)
