大数据分析在商业银行风险管控中的运用探讨

张绍波 何允钊

摘 要：商业银行的业务开展中，风险因素贯穿各个环节，新时代背景下，将大数据分析技术应用在风险管控中，才能保证业务的安全性。文章首先分析了大数据背景对商业银行的影响，指出传统风险管控模式的弊端;然后总结了大数据技术在银行风险管控中的运用经验，最后探讨了基于大数据的风险管控体系。

关键词：商业银行 风险管控 大数据 影响 预警体系

在商业银行的风险管控中，大数据分析技术的应用价值，体现在四个方面：一是分析客户，实现精准营销，改善客户的服务体验;二是创新产品，有利于研发新型的金融产品和服务;三是优化运营，简化业务流程;四是防控风险，提高银行的内控水平。以下结合实践，探讨了大数据技术在风险管控中的应用。

一、大数据背景对商业银行的影响

（一）提高了竞争力

要想提高商业银行的竞争力，客户和市场是两个法宝。大数据技术的出现和应用，有利于在市场上站稳脚跟，提高金融服务水平，凸显出准确性、完整性的特点。不可否认，大数据技术成为商业银行竞争的一种重要手段，通过数据采集和分析，能为竞争策略、业务开展提供支持，适应新的市场发展需求。

（二）带来了新风险

大数据技术的应用，对商业银行的发展带来挑战，银行必须变革管理理念和方法。银行要想获得稳定的客户资源，就要收集客户信息，开展预测工作，提高销售服务的长远性。在这个过程中，金融交易结构更加复杂，数据量明显增多，信息的识别、整合、处理难度也在提高，很容易产生风险因素。

（三）创新了防控理念

大数据技术下，虽然商业银行的经营风险增多，但也创新了风险防控手段，尤其是风险的识别、监控、预防等方面。相关研究称，在信用卡诈骗案件中，利用大数据技术能降低诈骗成功率。基于数据挖掘技术下，风险监测和预警具有充足的数据支持，风险应对能力明显提升。

二、商业银行传统风险管控模式的弊端

（一）信息获取受限

随着电子商务、互联网等平台的出现，银行数据中的信息量非常有限，甚至截断了一些数据来源。例如：用户使用支付宝时，在第三方支付平台上留下消费信息，银行只能留下交易金额，商家名称、商品类型等信息无法得到。在此影响下，银行的信息获取受限，难以发挥出信息采集和处理的作用，继而影响业务运营和产品服务等工作。

（二）信息利用率低

在传统管理模式下，银行对于数据信息的利用率低，主要体现在两个方面：一是信息不对称，数据处理具有碎片化、本地化的特点，存在信息孤岛、数据黑盒等问题，部分数据得不到授权，银行也不能非法使用。二是随着信息技术的发展，银行采集用户信息时，应该关注购物兴趣、记录、工作特点等方面，这些数据多是非结构化数据。然而实际情况中，银行多是采集存储简单的结构化数据，这些数据中的有效信息少，在信用评估、风险管理上会产生偏差。

（三）风险防控滞后

在多种因素的影响下，商业银行在信贷业务上存在漏洞，一是信贷投放问题，二是贷后监测不足。传统的管理模式下，银行评估业务风险，取决于客户的财务信息、征信信息。但是，这些信息具有滞后性，且信息本身不够准确，会影响风险防控工作的开展，甚至造成巨大的经济损失。

三、大数据技术在商业银行风险管控中的运用经验

（一）工商银行——融安E信

2012年，工商银行构建企业数据库和风险模型，用来防范信贷客户的信用风险，结果显示具有良好的效果;同时挖掘了部分非结构化数据，例如文本信息。2016年，工商银行继续整合信息资源，和公安部共同推出防止电信诈骗的软件，即融安E信。该软件的应用，对诈骗账户进行全方面控制，具有风险筛查、风险挖掘、反欺诈、定制服务等多种功能，客户的风险识别能力明显提高。

（二）光大银行——大数据挖掘平台

光大银行在数据挖掘技术的基础上，构建大数据挖掘平台，将内部行为数据、外部征信数据相结合。该平台的应用，功能包括用户管理、风险管理、营销、定价等，一方面提高了信息利用率，能为银行的经营决策提供支持，增强了应变能力。另一方面，算法模型的构建、分析、处理能力提高，能有效防控银行业务运营中的风险因素。

（三）北京银行——PureData方案

北京银行利用IBM公司的PureData方案，采集客户的行为预判信息，从而对潜在客户进行精准定位，为跨界销售创造了机会。该方案的应用，重点功能有两个：一是反欺诈交易，二是大数据征信。不仅实现了行内业务系统的全面对接，能对反欺诈行为进行全程管理，将人工智能技术和风险管控相结合;而且业务应用的场景、模式不断创新，不论是客户的资金安全、还是银行的快速发展，均有完善的安全防护措施。

四、基于大数据的风险管控体系

商业银行风险管控体系的建立，要求整合内部外部资源，挖掘数据的有用价值，和大数据、人工智能等技术结合，促进管控体系的不断完善。以下简要介绍了该体系的应用情况。

（一）风险预警流程

该体系的风险预警流程是：①申请，在客户端输入客户信息，例如地质、执照、账户行、关联实体等。②系统接收前端数据，进行预警排查，形成风险清单，给出分值或分档。③排查关联企业风险，例如股东、上下游客户等，确定关系强度，并给出分值或分档。④过滤筛查黑名单，如果是欺诈、洗钱、及其他黑名单，禁止通过。⑤综合评定客户的分值或分档，得到风险预警结果。⑥输出结果，并且传输至档案室。

（二）关键功能的实现

第一，风险识别功能。商业银行的运营风险，可以分为原发性风险、传导性风险两类。对于风险的识别，可以采用图数据分析技术、机器学习算法，将两者结合起来，实现风险识别的目标：①分析关联业务的稳定性、交易合同的真实性、财务关系的交叉性，结合风险传递的特点、销售活动的规律，建立关联图谱，从而识别原发性风险。②对违约客户进行分析，从中发现多种风险因素的关联，从而识别传导性风险。

第二，數据整合功能。数据整合功能的实现，关系到风险管理体系的应用，整合后的信用风险数据库，包括信贷系统、风险系统、资金系统、内屏系统、融资平台系统、客户关系管理系统、银监会信息、央行信息、税务信息等。需要整合的资源有：①内部资源，分析系统的运行现状，对分散的客户信息、产品、业务数据进行整合。②内外部资源，严格按照系统管理要求，对内部、外部数据进行调研分析，实现两者的整合。③实体数据，掌握数据业务的特征，将相似的业务数据整合在一起，促使分散的数据集中化。④参数代码，对各个系统的参数代码进行转换，形成统一的标准体系。

第三，客户关联关系。建立客户关联关系预警图，首先采集风险数据库信息、客户关联和交易信息;然后进行深度挖掘加工，识别客户关系，例如供应链关系、担保关系、集团子公司关系等。

五、结束语

综上所述，大数据背景下，提高了商业银行的竞争力，带来了新风险，也创新了防控理念。分析可知，商业银行传统风险管控模式的弊端，是信息获取受限、风险利用率低、风险防控滞后。文中结合部分银行的管理经验，介绍了风险管控体系的建设和应用情况，希望提高风险管控水平，促进商业银行健康发展。

参考文献：

[1]陈婕.大数据时代商业银行服务小微企业的风险管控[J].财经界，2019，（29）：74-75.

[2]刘文杰.大数据分析在商业银行风险管控中的应用[J].电子世界，2019，（19）：27-28.