闫鼎华

（中国矿业大学外国语言文化学院，江苏 徐州221116）

一、大数据应用的时代背景

（一）大数据的定义和特征

所谓大数据并不仅仅是指海量数据，而更多的是指这些数据都是非结构化的、残缺的、无法用传统的方法进行处理的。全球知名咨询公司麦肯锡将大数据定义为“无法在一定时间内用传统数据库软件工具对其内容进行抓取、管理和处理的数据集合。”

国际数据公司定义了大数据的四大特征：海量的数据规模、快速的数据流转和动态的数据体系、多样的数据类型和巨大的数据价值。

如今，数据已经渗透到当今每一个行业和业务领域，成为重要的生产因素。全球新产生的数据年增40%，全球信息总量每两年就可翻番。人们对于海量数据的挖掘和运用，预示着新一波生产率增长的到来。

（二）大数据应用的技术背景

金融科技是互联网金融在监管的逐渐规范中回归本质，强调技术创新，而非渠道创新或监管套利，落脚点在科技，偏重技术属性，强调利用大数据、云计算、人工智能等新技术在金融服务和产品上的应用。

金融科技技术逐渐成熟并加以应用，迄今为止金融科技经历了通过IT软硬件技术提高金融行业的业务效率、通过互联网或移动终端实现信息共享和业务撮合而扩大业务范围这两个阶段，现在已经进入第三个阶段。金融业通过大数据、云计算、人工智能、区块链等最新IT技术，改变传统金融的信息采集来源、风险定价模型、投资决策过程、信用中介角色等，大幅提升传统金融的效率，解决传统金融的痛点，其代表技术有大数据征信、智能投顾、供应链金融等。金融科技的发展以北美为主导，欧洲与亚洲紧随其后，在过去的五年间，三大洲金融科技投融资规模激增。

二、银行业大数据应用于风险预警方面的进展

从银行业智能风控的最新进展来看，总体呈现如下几个特点：

1.大中型银行已普遍在风控领域应用了大数据。

2.先进同业已将大数据技术应用于包括获客、调查、审批、贷后监控的信贷全流程。

3.从规则预警逐渐向模型预警过渡。

4.提升了风控实时性、准确性、前瞻性并节约人力成本。

银行业大数据在风险预警应用方面代表性银行如下页表1。

三、商业银行传统风险预警的主要内容

（一）授信业务的风险预警环节

授信业务的风险预警工作是贯穿于整个授信业务始终的，一旦客户与银行开始产生授信业务关系，风险预警工作就随着开始了。在授信调查、授信审批、放款管理、贷后检查等所有环节均明确提出风险预警工作要求，如放款管理过程中一旦发现风险预警信号，客户经理、客户经理主管、国际业务等专业审核人员、押品管理人员、放款审核员、放款主管等所有流程人员立即终止放款业务流程，同时发起风险预警流程。

（二）风险预警主要工作方法

授信业务工作人员主要通过贷后检查、日常管理和公开信息等渠道，发现已经或可能对银行信贷资产安全带来风险的信号，首先要进行初步识别，专业岗位工作人员要及时督促授信业务的管户客户经理按流程在信贷系统发起预警并提出行动方案建议。授信业务人员识别和发现风险预警信号的主要方法有如下几种。

表1

1．人工调查。授信工作人员在授信调查、贷后检查等过程中，通过仔细查阅、分析相关客户资料，与以往资料进行对比，发现变化并进行判断得到风险预警信号；也可以通过现场观察客户经营情况的变化，发现风险预警信号；或者在与客户或他人交往过程中、通过法院等机构公开发布的信息、通过查看客户银行账户变化等多种方式，得到与银行授信客户相关的信息加以识别判断出风险预警信号。

2．系统识别。通过已实现客户风险信息的自动化应用，能够自动识别导入客户，该客户在系统中办理授信业务时，通过警示标识，给系统操作人员以提示。

3．系统识别与人工调查相结合。系统识别不可能做到完全准确，客户经理会更直接了解客户的情况，会根据其掌握的客户情况，对部分系统识别出的风险预警信号进行再调查，根据调查结果判断是否需要进行预警。

（三）传统风险预警工作的难点

在基层工作层面，系统识别的信息不可能做到完全合理，若发生客户经理认为不应当预警的信息，一次两次客户经理还能够接受，但超过两次便会产生“狼来了”效应，引起客户经理的非议。即便系统识别的风险预警信号准确，但客户经理出于自我保护心态，或者存在侥幸心理，想要在续授信时顺利通过，就有可能会找个理由将风险预警流程终止，少报或不报风险预警信号。

从分行管理层面，目前授信业务不良频发，授信业务人员疲于应对，会不重视甚至忽视尚未发生显性风险的客户，更对揭示隐性风险的预警信号风险无暇顾及。通常每家分行只有一名后台专业人员兼职处理风险预警事项，身兼多岗产生的繁杂工作，使得不少风险预警信号难以得到及时处理，预警效果无从体现。

四、以大数据技术提高风险预警工作成效

随着大数据技术的发展，应充分利用基于大数据构建的风险预警系统。通过对授信客户的信息采集、分层处理、甄别和判断，预测未来市场和客户的风险状况，根据风险状况进行不同程度的警报，并传送至相应岗位采取措施，对风险提前采取控制措施，以避免风险继续扩大对商业银行造成不利影响。在构建风险预警系统的过程中，需要注意以下几方面。

（一）夯实大数据基础

对商业银行而言，大数据主要包括两部分，一是外部大数据，包括公开数据如工商、税务、法院等，也包括非公开数据如征信数据、电商交易数据；二是在银行内部的账户行为数据、企业定性和财务数据。而其中较难获取的是外部大数据，需要银行花费大量的人力、物力构建大数据系统，以夯实应用基础。

（二）与金融科技公司联合构建预警模型

风险管理信息化和大量数据积累，使得准确计量业务风险成为可能，商业银行应借鉴国内外对授信业务风险预警模型研究成果和经验，与专业的外部金融机构合作，通过整合内外部数据，构建银行授信业务客户风险预警模型。

（三）注重应用成效

海量的数据虽然增加了收集和处理的难度，但却为银行的主动性风险管理提供了强大的技术支持。通过对客户的实时数据和历史数据进行全局分析，设置风险控制点，及时发现问题并预警，可以增强风险识别和防范能力。上述一切均应在实际业务中进行检验，并在业务应用中不断修正预警规则和模型，以进一步提升预警的前瞻性和针对性。