談互聯網時代下大數據統計在銀行風控場景的應用

文/李佼洋

（對外經濟貿易大學統計學院）

在人類發展歷程中，三次科技革命給生產生活帶來了巨大的變革。雖然目前尚無對第四次革命的通用定義，但大量學者認為互聯網的應用正是一個新時代開始的標志。在信息高速傳遞的網絡中，數據密集型產業在互聯網時代迎來了日新月異的更迭，銀行業作為其中的代表，從其數據化、線上化、智能化的成果可見一斑。2019年央行發布了《金融科技（FinTech）發展規劃（2019-2021年）》，時值規劃的最后一年，關于強化金融科技合理應用的遠景布局已有顯著的實踐成果，在與互聯網技術的碰撞下，科學規劃運用大數據統計已成為當今銀行業轉型發展的重要戰略[1]。

一、互聯網時代下大數據統計對銀行的意義

2015年國務正式印發《促進大數據發展行動綱要》。銀行業作為典型的與數字打交道的行業，在經營貨幣信貸業務的各個環節均生產、加工、使用了海量的數據。以信貸審批為例，圍繞單一客戶，通過對個人收入水平的分析可以推測其償債能力，通過對抵押物的價值評估可以衡量擔保措施的力度。但隨著互聯網的發展，大數據統計使信息變得結構化和線上化，銀行對數據的處理和應用也從單樣本、單變量分析轉變為了大樣本、大數據的綜合應用。在時代背景之下，互聯網金融的概念逐漸清晰，數據驅動成為銀行業乃至金融業發展的核心力量。

（一）外部統計數據帶來新的利潤增長點

互聯網時代的到來極大拓展了銀行業務的想象空間。從數據維度來看，對個人信用的評估不再局限于銀行流水、工作證明和資產證件等，對企業信用的評估也不再局限于財務報表、供銷合同和評級報告等。來自外部場景的統計數據，如個人生活產生的通訊、購物、出行和保單數據，生產經營活動產生的商流、物流和資金流數據，極大地幫助了銀行從業者去刻畫更豐富立體的客戶畫像。甚至對于傳統金融產品無法覆蓋的缺乏信貸記錄或資產證明的客群，通過大數據統計也可以對他們作出相對客觀的信用評價。從展業模式來看，傳統銀行依靠網點展業的線下模式也正逐漸被顛覆。過去，部分區域性銀行和小型股份制銀行在四大行的擠壓下本就面臨嚴重的經營困境，加上展業地域受限，難以摸索出長期的生存之道。而互聯網時代下，踐行數字化轉型的銀行在拓寬展業區域、擴建營銷渠道、提高客戶體驗、豐富產品維度和實現業務增長等方面均享受到了傳統線下展業模式無法帶來的紅利。

（二）內部數據統計增強核心競爭力

除成立之初就定位于互聯網展業的銀行和四大行外，絕大部分銀行的基礎數據規模和數據質量均有不同程度的缺失，科技與系統建設水平良莠不齊。在外部數據逐漸標準化和同質化的大環境下，銀行自建數據生態將成為未來的核心競爭力，內部統計數據將成為銀行的核心資產。無論起點如何，內部數據治理都必然會成為銀行業發展轉型的一項長期重要工作，數據部門的建設和數據架構的搭建，應成為每一家銀行機構頂層設計中的核心組成部分。信息和數據天然是銀行設計金融產品、提供金融服務和管理金融資產的基礎。銀行既是數據的應用方，更是數據的生產方，加強內部數據管理和統計能力建設，是傳統銀行享受互聯網金融紅利和科技賦能成果的必經之路。

二、大數據統計在風控場景中的應用

圍繞對借款人還款能力與還款意愿的評估，大數據提供了維度豐富的描述性風險屬性信息。從申請環節的準入判斷、定額定價，到審核環節的反欺詐識別、信用評估，再到放款環節的支用監控、放款審查，最后到貸后環節的風險預警、催收策略，每一個環節都調用了不同來源、不同屬性的數據。除了將數據本身作為風險管理的依據，從業者們更將數據統計加工成特定含義的衍生變量和特定用途的數據模型，從而使得秒級信審和線上信審變成可能。但大數據風控絕不僅限于對信審方式的升級，更根植于流程扁平化、決策自動化和監控數字化等方方面面。

（一）統計數據應用的五個層級

通常來講，從原始數據到決策應用，一般會經歷五個層級的轉化，分別是：數據層、治理層、分析層、決策層和應用層。在數據層，主要完成的是數據的收集工作。無論是通過外部數據源獲得，還是從銀行自有渠道采集，目的都是收集到盡可能準確、有效、及時的“一手數據”。但事實上，這些底層的“一手數據”往往是不標準的、缺失的、甚至存疑的。于是在第二層，治理層，從業者需要運用統計學方法對龐雜的底層數據進行清洗，進一步提升數據的結構化價值。同時，根據不同的應用場景，需要對原始數據進行統計加工，將最能準確刻畫用戶的變量呈現出來。前兩層通常需要花費相當多的時間去識別數據的價值和構建決策的邏輯，只有做好前兩層的基礎建設，才能順利地進入第三層。在分析層，從業者需要對樣本的特征數據進行描述性統計分析，找到特定的趨勢，按特征屬性對樣本進行歸類或分層，從而對網絡另一端素未謀面的用戶有一個總體的了解。然后進入專業壁壘和經驗要求均較高的決策層，從業者通過統計建模得出具有統計學意義的結論，對決策形成支撐依據。最后在應用層，通過對統計結論賦予不同的業務含義，在最終目的的指引下作出業務上的判斷，完成一整套數據驅動的風控動作。

（二）大數據統計對風控效能的提升

根據行業報告披露，大數據風控的升級可以使風控運營成本降低20-30%。這意味著大數據在改善風險表現的同時，風控動作本身付出的成本也在降低。此外更有難以量化評估的是因時效性提升帶來的隱性收益。從人力成本的角度分析，傳統信審需要實地盡調、紙質資料收集、人員訪談等一系列面對面的操作，不僅占用大量人力資源，且因為人工參與過多，操作風險難以把控，質檢與復核的難度相當大，最終的風控效果往往因人而異，參差不齊。而如果銀行風控系統在前述第一、二層能產出保質保量的數據，那么風控模型輸出的穩定性和策略規則的有效性可以得到有效保障，風控結果的可靠程度與量化程度亦是傳統人工主導的信審模式無法比擬的。從時間成本的角度來看，大數據與統計科學的應用可以將KYC周期從幾天壓縮到幾秒，亦可以將抵押物價值評估和確權行為從幾周壓縮到幾分鐘。傳統信貸用戶從提交紙質資料到銀行網點，到最終放款成功，歷時短則數周，長則數月，信審周期的拉長無形降低了資金周轉效率，不僅客戶體驗較差，同時在漫長的信審周期中，借款人的信用狀況、經營狀況、負債狀況等也可能發生極大的改變，風控結果可能出現嚴重的時滯[2]?？梢钥吹?，大數據的應用在改善風控結果和提升資金效率方面都有著卓越的成效。

三、數據統計應用中存在的問題與思考

自大數據概念提出以來，互聯網金融步入高速發展階段，監管體系同樣也處在不斷建設的過程中，大數據統計技術在給銀行業帶來變革與機遇的同時，也帶來了一系列現實的問題。其中數據來源的合規性、數據產品質量和內部組織架構協同是較為常見的影響銀行數字化轉型的問題。

（一）統計數據來源的合規性問題

2019年下半年，國內數家數據廠商相繼被有關部門調查，調查重點多圍繞旗下爬蟲部門?；ヂ摼W時代下，數據的可獲得性大大增強，此前各行業從業者雖然有《個人信息保護法》和《網絡安全法》作為工作規范，但并沒有針對數據的法律準繩。生活中，每一個人都是一個生產數據的單位，數據本質上承載了很多私密信息，人們可能對自己的數據隱私并不敏感，但數據廠商卻對它們趨之若鶩，最典型的當屬爬蟲產業的盛行。大數據不僅將每個人的“秘密”公之于眾，更頻頻發生安全事件，大到一個政府的國家安全數據泄露，小到一個普通人的身份信息盜用，數據黑產盛行，監管壓力空前增加。2021年9月，已醞釀三年的《中華人民共和國數據安全法》將正式實施。大數據在創造時代紅利的同時，也必將走向合規化，野蠻生長的時代已經結束，隨著法律法規的健全，泛數據行業未來必將走入監管體系內，成為有法可依的市場化工具。

（二）數據產品的質量問題

隨著數據產品的日益增多，數據產品的質量也變得參差不齊，且使用者極難穿透底層邏輯，產品間同質化的情況也逐漸突出。實際應用中，數據產品的有效性通常顯得極不穩定。對底層數據的檢驗可以通過完整性、有效性、一致性、唯一性和時效性五個方面進行分析，但對于衍生變量和成型的數據產品就難以通過以上的維度進行衡量。無論是數據產品的提供方還是使用方，都難以做好事前檢查，更多的問題是暴露在生產環境中，只能事后發現。對此，頭部數據廠商和研究機構可能需要聯合制定行業標準，通過市場化的優勝劣汰，最終形成穩定健康的行業環境。

（三）內部組織架構的問題

銀行在完成數字化轉型的時候通常需要自上而下的布局，這個轉型由科技驅動還是業務驅動是很多銀行面臨的難題。高度分散的系統環境與數據架構無法為大數據統計的應用提供有效的框架支撐，此時科技部門就顯得尤為重要；但同時，作為數據的實際應用方，業務部門則更貼近使用場景，是數據實現經濟價值的最重要一環。故而出現了銀行業務部門與科技部門協同效應差的問題，加上內部決策機制的掣肘，技術與業務的雙向驅動難以實現。因此，此類長期的戰略規劃不僅需要前瞻的頂層設計，更要輔以健全的制度保障，可以嘗試采用敏捷小組或類事業部的統一行動單位，才能順利達成最終目的。

四、結束語

互聯網時代下，銀行業的數字化轉型是大勢所趨。統計科學與大數據的應用為廣大銀行，尤其是中小銀行帶來了前所未有的機遇。以風險管理為代表的核心部門，無疑成為轉型的先驅，大數據統計從質效上均對傳統工作模式帶來了顛覆性的變革，數據也成為銀行的核心資產。但與此同時產生的合規性問題、數據質量問題和轉型過程中內部組織配合的問題也是不容忽視的發展痛點。因此，大數據要走上健康的發展道路，以及實現長久的應用，必有賴于外部監管環境日漸完善、市場機制逐漸建立，以及銀行內部強有力的架構與制度。歷經一定時期的規范發展后，大數據方能成為真正的生產要素，在統計學的支撐下產生最大化的、持續的經濟價值。