主讲嘉宾：王大超
主持人：中关村大数据产业联盟秘书、亚信王维
承办：中关村大数据产业联盟
嘉宾介绍：
王大超，亚信数据银行解决方案部资深咨询顾问，具有10多年IT、通信和金融行业经营策略、大数据发展战略和大数据应用策略咨询从业经历，金融咨询网专栏作家。在金融领域、通信行业参与过众多大数据咨询与数据分析项目的成功实施，具备丰富的行业前沿研究、发展策略和大数据应用方案咨询经验，目前主要从事银行业的发展战略、行业发展动态和大数据应用研究。
以下为全文分享：
大家晚上好!我是亚信数据银行方案部的王大超，很感谢，也很高兴能在这个兼容并蓄、百花齐放，百家争鸣的开放平台进行学习、分享关于大数据各领域的宝贵经验，使人受益匪浅。那么今天由我跟大家分享一下大数据在银行贷后风险管控方面的思考，只是一家之言，观点如有偏颇不足之处，还请各位专家多多包涵、指正。
本次分享主要有以下几部分：1、经济新常态下，银行贷后风险管理的重要性；2、大数据对银行贷后风险管理模式的变革；3、利用大数据，银行贷后风控应用探索；4、贷后风控模型优化与分层预警机制的建立；5、实现大数据贷后风控管理的若干保障能力。
贷后管理是银行风险管理的核心组成部分，是控制风险、防止不良贷款发生的重要手段。贷后管理体现信贷全程风险管理的最终成果，贷后管理质量的好坏，直接关系到前期的贷前管理、贷中管理的所有努力的成败。尽职的贷后管理可以发挥三个方面的作用：一是风险预警。通过有效的贷后管理及时发现风险隐患并快速化解，可以起到降低风险化解成本、减少经营损失的作用。二是存量客户深度挖潜。应该认识到贷后管理的过程是巩固客户关系和业务需求挖掘的契机。三是以管理创造价值。通过抓好贷后管理中的基础管理工作，可以有效杜绝客户信用评级中断、贷款临时性逾期等增加经济资本占用的事项发生，直接创造价值。
据统计，国有商业银行新暴露不良贷款中至少有 50% 都存在着贷后管理问题， 贷款质量与贷后管理有着高度的相关性，能否及时发现、识别，并妥善防范、化解、处置风险，关系到商业银行信贷资产质量，关系到国家金融秩序的稳定
1. 经济“新常态”下，信贷资产质量下行，银行不良贷款呈现“双升”趋势，贷后风险管理愈加重要 。
近年来，随着经济新常态的到来，中国经济进入换挡期，商业银行也将迎来自身发展的“新常态”：整体规模增长放缓，融资需求结构性低迷，负债成本有所上升，盈利能力面临持续挑战，行业信用风险明显增加。
银行不良贷款呈现“双升”趋势，银行信贷风险持续暴露。2014 年末商业银行不良贷款余额达8,426亿元，增幅42.3%；不良贷款率较2013年末上升0.25个百分点，至1.25%。其中尤以大型商业银行和股份制商业银行不良贷款余额上升趋势明显，同时外资银行、城市商业银行和股份制银行不良贷款率亦领先平均上涨趋势。
银监会近日发布数据，2015 年二季度末，商业银行不良贷款余额为 10919 亿元，较上季度末增加1094亿元；不良贷款率为1.50%，较上季度末上升0.11个百分点。
整体来看，商业银行不良贷款率仍在攀升，不良率反弹力度增大，在经济下行压力持续加大的形势下，防控风险对银行业来说异常严峻和重要。
2. 积极拥抱大数据，建立贷后交叉风控模式，探索外部数据对银行风险管控的价值合作
随着商业银行对风险管理的认识和重视度逐渐提升，陆续建立起了系统性的风控体系和内控制度。尤其是在资产业务风险管理方面，通过制度设计和岗位分离，有效减少了信贷业务在贷前调查、贷中审批环节的信用风险以及道德风险。但在贷后管理环节，由于“重贷轻管”的思维模式存在，执行效果明显不如贷前和贷中环节，贷后检查“查而不纠、屡查屡犯”现象无法根除，贷后管理薄弱、流于形式屡见不鲜。在“互联网+”、大数据不断深化发展的背景下，银行业需要在激发内生资源的同时，积极借助外力，提升贷后精细化管理水平，补足这块风险管理的短板。
引入大数据理念，打造贷后交叉风控模式。随着“互联网+”和大数据在金融领域不断应用深化，大数据技术为银行增强贷后风险的识别的实时性、精准性、全面性，提高银行贷后风险管理水平，完善整体信贷风险管控闭环体系增添了新的动力。
为此，银行应积极拥抱大数据，建立数据开源理念，在统筹协同内部业务数据与跨部门、跨系统数据基础上，引入外部风险控制关键数据项目，建立以大数据分析技术为基础的贷后风险交叉风控模式。
3．深挖外部大数据价值，探索大数据对贷后关键风险识别的应用场景与逻辑
在银行外部，散落很多有价值的数据金矿，如同业之间的信贷、黑名单等信用类数据、运营商的通信行为与位置数据、电商的消费关联数据、政府的社保、税收、环保、质检、司法等行政执法数据等等，这些数据对银行丰富个人与企业贷后风险监测因子，提升风险预警识别能力大有裨益，需要深入挖掘、探索数据应用场景与分析逻辑。
举例1：利用运营商大数据可以开展个人客户生活状态与行为异动监测，实时洞察其还款意愿与还款能力变化，为贷后风险预警提供帮助。
举例2：通过引用运营商政企大数据，对贷后企业经营状态信息、产业链通信情况、互联网舆情信息、员工规模、离网率等企业员工状态信息、法人行为、企业资金信息、运营商信用违约记录等信息的深入挖掘，帮助银行全面、实时地了解贷后企业的变动情况，打破企业（特别是中小企业）贷后风险信息不对称的瓶颈，实现银行对单个企业、整体产业链、法人个体等多层次、立体化的异动风险识别，促进银行企业贷后风险管控的全面提升。
4. 在对外部大数据价值充分挖掘的基础上，建立大数据贷后风险监测模型，制定贷后风险实时预警评估机制，实现贷后风险管理的预见、智能、可控
（1）建立大数据贷后风险异动识别模型。依托运营商、互联网等外部数据资源，利用大数据位置定位、情绪分析、实时分析等技术，从偿付能力异动和偿付意愿异动两大维度出发，对个人客户、企业客户进行多维信息的深度洞察、行为精确跟踪，实现信用风险多维监控与实时评估。
• 个人偿付能力风险异动识别：包括对个人基础状况异动信息的实时侦测与反馈，如：收入变动、工作变动、住址地变动、婚姻变动等；以及对信贷衍生对象异动风险信息监测，如：抵押品变动、担保人异动等。
• 个人偿付意愿风险异动识别：包括对个人跨行业信用状况异动的获取与反馈，
如：行业黑灰名单客户、新增违法犯罪记录等；以及个人行为异动信息，如：通信状态异常、不正常的离境变动等。
• 企业偿付能力风险监测识别：包括企业经营管理异动监测（管理状态异动、经营异常等）、行业发展异动监测、区域发展异动监测及企业舆情监测。
• 企业偿付意愿风险监测识别：包括企业信用状况异动（跨行业的信用违约行为等）、法人及相关干系人异动监测（法人信用状况异动、行为异常变动等）。
（2）风险实时评估与分级预警：基于大数据开源的风险信息实时识别与输入，利用大数据贷后风险评估模型与识别系统，对目标对象进行贷后风险评估。结合各风险因子对逾期或违约的影响程度分析，形成风险分级预警机制，实现风险分层分级管理。并通过与银行现有预警机制对接，辅助银行研判信贷等业务的逾期或违约风险。
5. 完善贷后风险监控平台，强化银行大数据技术能力，为贷后风险防范提供 IT支撑保障，建立与完善银行大数据贷后风险监控平台，固化相关风控能力模型，将银行自身数据、同业数据、运营商等外部跨行业数据、网络数据等，通过数据融合、关联分析、深度挖掘、交叉验证等集成算法引擎，形成统一数据处理平台，为贷后风险识别应用提供集中、实时、精准、高效的系统支持。
同时，为了更好地利用大数据为风险管控服务，实现贷后大数据交叉风控模式及贷后管理的实时性与精准化，保障贷后风险监测平台的落地，银行自身需要加强大数据技术能力的培育与提升。着眼于大数据获取、大数据处理、大数据应用及管理三个层面，银行需重点在大数据实时采集能力、平台 IT 架构支撑能力、海量数据实时分析处理能力、内外部数据综合治理能力、数据资产管控能力等多方面进行系统化提升。
综上，银行通过跨行业数据共享与合作，建立、完善基于大数据的贷后交叉风控模式、核心应用模型与系统支撑能力平台，实现对客户多维信息的深度洞察、行为精确跟踪、信用风险实时评估，凭借前瞻性风险研判，实现贷后风险精细化管控，进而帮助银行降低经营损失、巩固客户关系和提升管理价值。
以上就是我今天的分享内容，对大数据促进银行贷后风险管理提升方面的一些思考，不足之处还请各位同仁多多包含指教。
