2016年7月-10月，中国金融认证中心（CFCA）、中国电子银行网（微信公众号：cfca-cebnet）联合全国70余家银行发起“2016金融科技引领银行未来”征文活动。以下为热心网友通过网络渠道投来的稿件。 　　　

　　作者单位：苏州银行 零售银行总部互联网融资事业部

　　一、前言

　　进入2013年，蓬勃发展多年的互联网公司开始在金融领域跑马圈地。以阿里、腾讯等巨头为代表的互联网新贵，利用多年在线上积累与经营的平台优势与支付渠道攻城略地，在商业银行占据的市场中撕开了一道道口子。特别是2015年以来，以大数据风控为核心特征的线上消费金融开启井喷式发展的势头，各类参与者如雨后春笋般层出不穷，除了持牌消费金融公司之外，电商零售巨头以及各类分期公司等迅速加入，诞生了蚂蚁借呗、微粒贷、京东白条等诸多基于大数据来识别客户风险的在线贷款产品，在消费金融市场掀起一波波浪潮。相比之下，银行传统的信审模式多依赖于人工分析，难以通过互联网快速复制扩展业务。尽管一些银行开始尝试引进咨询公司，希望能依靠其先进的技术来开发模型，然而收效并不显著。那么，面对互联网新贵们在消费信贷领域咄咄逼人的竞争压力，银行还有没有机会突出重围呢？该如何突围呢？

　　二、数据是银行在风险建模领域的优势

　　突围的关键在于找到自身的优势。在银行看来，建模工作的成败取决于建模团队的技术实力，那么通过向咨询公司购买技术，就可以开发出一套先进的模型。然而，在当今时代决定模型好坏的因素已经越来越多的从单纯的建模能力趋向于数据的完整性以及使用的有效性。我们知道，最近几十年，伴随着计算机计算能力的增强和制造成本的降低，以往晦涩深奥的统计理论与技术不断被嵌入应用软件，从而越来越广泛的被普通研究人员所应用。比如说机器学习理论中的支持向量机（SVM）算法，在20世纪80年代还是相当前沿的理论，但在R语言的崛起与不断更新之后，这一算法已经成为高校统计专业的普通研究生都可以应用的技术了。因此，随着建模技术的“傻瓜化”，建模的门槛越来越低，而决定建模有效性的因素更多的在于所掌握数据的完整性与有效性。恰恰在这一方面，银行相比于一般的互联网公司有着难以估量的优势。

　　（一）银行在征信信息获取方面的优势

　　首先，银行相比于互联网公司有更多的机会获取客户的人行征信信息。在客户风险的度量方面，人行征信报告是非常有价值的信息，其包含的个人信贷交易历史，最直接的反映了客户的信用水平。然而，由于征信报告的高度私密性与敏感性，人行对于征信报告的获取与使用有着非常严格的限制。目前，接入征信系统的主要包括各类商业银行、融资性担保公司和小额贷款公司等具有较高注册门槛的金融机构，大多数互联网公司仍然被排斥在征信系统之外。尽管未来征信系统的发展趋势是向所有使用者开放，但在短期之内还难以实现这一点。

　　（二）银行在存量客户及特殊数据获取方面的优势

　　银行经营多年积累的存量客户数据，以及在政府扶持下享有的特殊数据（如社保、公积金信息）查询资格等，更是一般的互联网公司可望而不可及的。以工商银行为例，截止2016年一季度末，其个人客户数量已经达到5.05亿户。更为重要的是，在这5.05亿户背后是海量的个人储蓄、基金、保险、国债等交易记录，对于建模来说无疑是一座巨大的金矿。

　　此外，一些中小型地方银行尽管没有国有大型银行的那么广的数据覆盖面，但利用其在当地的本土优势，也拥有出奇制胜的潜力。例如面向本地居民发行的市民卡往往集成了社保、就业等种种功能，一旦能够获取市民卡信息，相应的收入、职业信息也就尽在掌握中。地方政府出于扶持本地法人金融机构的目的，往往将发卡行的资格授予当地城商行，这就使它们在获取此类信息方面居于优先的地位。

　　（三）互联网公司在数据应用中面临的问题

　　与银行拥有的上述数据不同，许多互联网公司拥有的数据在建模中还存在着较大的问题。近年来，一些互联网公司标榜能够从客户在互联网上的行为来判断其信用水平（例如从客户晚上10点以后登陆不同类型网站的记录来推断欺诈的概率）。然而，在实际应用上尚未发现此类“软信息”与客户资质之间存在稳定、显著的联系。LendingClub在建立之初，也曾尝试通过个人在Facebook上的交互行为来判断其风险，然而屡遭碰壁，最终还是依靠引入FICO基于信用卡和信贷等交易历史计算的得分，才逐渐有了稳定的模型效果。

　　既然网络行为之类的“软信息”难以反映客户的信用水平，而人行征信的大门又不对互联网公司开放。为此一些P2P公司尝试组团搭建行业征信平台，通过互相分享逾期客户数据来进行弥补。如果这一机制能够有效运转，那么无疑是非常有价值的。但是，在该机制中潜伏的利益冲突削弱了其有效性。比如说，如果一家P2P平台发现自己的客户已经逾期，那么他们可能希望该客户在其他P2P平台成功借款来偿还在自身平台的贷款，因此他们并不愿意将该客户的信息告知其他平台。这就导致了最终分享的信息存在严重的扭曲，从而导致实际使用时的效果大打折扣。

　　三、银行在发挥数据优势中需要注意的问题

　　以上的分析显示银行具有一般的互联网公司不可比拟的数据优势，然而仅仅拥有这一优势并不意味着能够变成现实的生产力。实际上，将数据优势转化为有效的风险模型，还需要大量的工作，下面试举两点说明。

　　（一）“坏客户”数据的获取

　　只有数据中同时存在大量的“好客户”（正常还款的客户）与“坏客户”（逾期或恶意拖欠客户），我们才能够通过两者的对比发现决定这些客户最终表现的各种因素，进而得到风险模型。但是，银行自身拥有的数据往往难以满足这一点。与一般的互联网公司较为激进的信贷政策相比，银行在风险管理上的举措相对显得保守。传统银行信审模式下对于个人或企业财务情况的高要求，以及对于担保措施的要求等将绝大多数可能发生逾期或不良的客户排除了出去。相应的，银行的数据中坏客户的数量一般极少，这对于建立一个有效、稳定的风险模型提出了很大的挑战。为此，银行可以通过从其他互联网金融公司购买逾期客户数据来进行弥补。但需要注意的是，引进的数据中客户特征需要与银行自身的客户特征存在较大的一致性，这样才具有可比意义。

　　（二）数据治理机制的建立

　　银行拥有的数据虽多，却往往分散在各个部门，形成了一个个“数据孤岛”，这就引起了一系列的问题。首先，这些来自于不同部门的数据缺少统一的数据标准，难以建立全面准确完整的单一数据视图。其次，不同部门往往存在不用的数据治理流程与考核机制，因此数据质量也千差万别。第三，由于数据分布在不同的业务与技术部门，缺少清晰的协调机制与统一的报告渠道，这会导致建模缺少及时的数据支持。第四，数据的分散也对数据安全管理构成了较大的隐患，对敏感信息的访问如果没有有效控制，银行可能面临潜在的法律与声誉风险。因此，银行还需要建立一套完整的数据治理机制，做好数据的获取、管理与使用。

　　四、结论

　　当今的时代是信息时代，决定未来的关键在于信息获取的完整性、及时性与有效性。而对于消费金融蓬勃发展的今天，数据更是风险建模的生命。可以说，谁掌握了数据，谁就掌握了消费金融的未来。与发展历史很短的互联网公司相比，银行在长期经营中积累了海量的客户数据。另外，银行能够直接获得人行征信数据、地方特有数据（如社保、公积金数据）等一般的互联网公司难以获取的宝贵信息。这就为风险建模铺平了道路。明确了这一优势，银行需要做的就是尽快将数据优势转化为模型优势，从而打造银行在消费金融市场的“独门秘籍”。　

责任编辑：晓丽