《中国金融》｜王炯：数字化信用风控体系实施路径

作者｜王炯「中原银行行长」

文章｜《中国金融》2021年第21期

随着数字经济的发展，客户信贷需求特点发生了很大改变，对获取资金的时间和体验都提出全新要求，而商业银行传统信贷服务模式很难满足客户要求，风险管理模式也面临挑战。商业银行在全面推进数字化转型的背景下，要探索建设数字化信用风控体系，将风控管理流程数字化，提升对客服务效率和风控能力。

构建数字化信用风控体系的中心支点与保障要素

对商业银行而言，数字化信用风控是通过数字技术重塑信用风控的系统和流程，实现流程自动化、决策自动化、智能监测与风险预警，提高风险管理的效能效率。构建数字化信用风控体系，必须明确核心支点、保障要素、基础支撑和关键环节（如图1），其中，客户是数字化信用风控的中心支点，技术和机制则是贯穿数字化信用风控体系始终的保障因素。

满足客户需求是数字化信用风控建设的核心支点。在数字化日益加深的大环境下，客户自身的行为模式、金融诉求等发生较大改变，而商业银行借助新技术对客户特征的分析、了解程度也在加深，这使得银行贷款服务的供需双方要在数字化信用风控方面达成共识。一方面，客户需求变得多元而复杂。以往，客户只是在有购房购车之类的大额资金需求时，才会倾向于选择贷款服务，但随着网购等数字生活新模式的崛起和普及，小额且分散的贷款需求日趋寻常，而传统贷款模式无法有效满足此类需求。另一方面，客户对金融服务体验有更高要求。客户对标互联网公司，希望贷款服务触手可及，对时限容忍度降到极低，商业银行必须提高产品体验，才能吸引和留住客户。

技术是数字化信用风控实现的基础和持续演进的保障。新技术的日益成熟和广泛应用为商业银行数字化信用风控从探索到推广提供了不可或缺的支撑，实现了提升效率、增加精准度、规避风险的价值。其中，大数据和人工智能技术在数据挖掘和深度学习中不断进行自我更新、自我优化和自我迭代，发掘更具普遍性的风险规律，如机器学习可以突破人类经验的极限，基于用户行为、业务事件频次、事件异常程度等进行风险预警，提高了商业银行风控能力。因此，商业银行在构建数字信用风控体系时，要筑牢分布式技术架构基础，以便实现风险系统流程间的串联与并联；同时便于风控系统随着业务场景更加复杂、分析数据体量变大，随时引入更多功能，来满足各类型业务需要。

机制是推进数字化信用风控成功实施的融合剂和助推器。构建数字化信用风控体系是系统性工作，需要数字化重塑风险识别、风险计量、风险监测、风险评估、风险控制、风险报告等环节，必须基于对业务的深刻理解，对风险的分析与评估，对大数据和技术的应用，对流程、数据和组织进行协同调整才能最终完成，因此必须充分发挥激励、约束和保障机制的作用，既完善制度、风险偏好等顶层设计，也充分结合一线人员的反馈意见，规范细化工作流程，同时强化科技与数据部门、业务部门、风险管理部门的沟通协作，最终使数字化信用风控能够有效覆盖全机构、全员、全流程。

构建数字化信用风控体系的基础支撑

强化文化指引。在构建数字化信用风控体系过程中，要切实发挥文化的积极引导作用，树立敬畏风险的文化，将稳健的风控理念贯穿风险管理全流程。从员工角度，强调严守信贷纪律，认真执行流程操作要求，落实客户经理调查信息真实性第一责任，引导树立“风险面前、人人有责”的理念。从银行角度，规范业务流程，明确流程各环节职责和尽职要求，严格各环节包括执行、复核、验证的闭环管理，强调严格追究违规责任，形成“有规必依、违规必究、执规必严”的合规文化氛围。同时，商业银行要坚持风险底线思维，积极开展风险文化建设活动，提升全员风控意识。

强化数据支撑。构建数字化信用风控体系，数据是基础要素。一是做好数据治理。根据风控逻辑编制数据需求清单，理顺数据之间的校验关系；丰富外部数据来源，在合规合法的前提下，高效采集或购买客户消费记录、行为数据、信用数据、政务数据等，为风险决策提供依据；强化内部数据收集、加工，使数据维度更加全面、丰富、有效。二是推进数据共享。打通前中后台各类系统，实现所有信息的数据化，确保数据全流程可用，提高业务管理效率。三是保证数据真实性。数据管理工作要做到责任明确、闭环管理，线上数据的真实性由模型设计与管理人员负责，线下数据的真实性由具体承办人负责，做好数据的交叉验证，确保数据真实。

强化行业研究能力。优质的行业研究可以成为指引商业银行业务发展的“指南针”。一是持续强化宏观政策和行业发展的研究能力，依靠大数据技术和不断丰富的数据积累与沉淀，建立分区域行业全谱客户分层标准，针对不同层次客户提供不同的风控策略和服务方案；二是针对营销企业的市场定位、竞争环境、竞品情况、客户议价能力等要素特点，对标所在行业的分层标准，判断该企业发展态势及蕴含的业务机会，制定差异化的风控及服务策略，完成更加精细、更有前瞻性的风险预判，从而为客户提供更加高效的授信支持。

构建数字化信用风控体系的关键环节

科学设定风险偏好。风险偏好是一个机构愿意承受或避免的风险类型、风险总体水平的集中体现。商业银行要结合发展环境和自身定位，科学设定风险偏好，建立健全风险偏好政策，以风险偏好陈述书、授信政策指引等为载体，明确对各类风险的管理目标和具体措施，并以整体风险偏好为指引，设定完备的风险偏好指标，将无形的风险管理要求转化为银行机构内部有形的选择，确保盈利、资本和风险等指标与银行自身价值导向、业务规模及风险承受能力等相适应。同时，在风险管理实施过程中，要注重强化风险偏好的引领作用，借助限额、授权、阈值等风险管理工具，将风险管理目标进行分解应用，引导业务部门主动筛选目标市场和客户、主动经营风险，有效指导和引领业务发展，推动形成统一的风险文化。

搭建完善的信用风险管理制度体系。一是职责清晰的信用风险治理制度体系，明晰董事会、经营层、风险管理职能部门、营销部门的职责边界、责任标准和约束条件，并明确为各类权责分明的授权行为。二是规范清晰的流程操作制度体系，细化数据采集、模型建设、核保验证、风险预警、催收调查等流程的操作要求和结果评价标准，使每个环节都能风险可控。三是稳定可靠的风险运营制度体系，利用信用风险驾驶舱和信用风险视图等管理工具，全面监测银行、条线、机构、产品的整体风险情况。同时，构建风险地图，及时反馈各类风险限额、行业、区域、客群的风险状况；并通过信用管理系统实时反映欺诈状况、关键流程、预警提示等风险点。此外，要实现线上风险提醒闭环管理，将风险信息及时传递到有关岗位，确保相关操作要求落实落细。四是严格的问责制度体系，践行权责相符、履职尽责的管理原则，对涉及信用风险管理的各类行为细化分类，对违规行为严格处理。

优化数字化信用风控的流程设计。数字化信用风控能够成功实施的关键环节之一是构建设计合理、运行高效、快速响应客户需求的工作流程，重点是明确关键风险流程并推动流程标准化。一是将以往单一串联式的风控流程改为“串联+并联”的风控流程，即风险判断流程继续保持串联模式、业务处理流程和风险判断流程由串联变为并联，从而在业务处理的每一个环节，既保证风险控制循序渐进，同时又能够实现风控措施的实时介入，指导业务决策。二是打造全生命周期风控流程，通过系统、数据、模型、策略等手段，将风控贯穿于产品、业务、授信及客户服务的全流程，实现决策时效快、客户零感知。

强化信用风控模型的研发及应用。数字化信用风控的核心任务是构建智能风控模型体系，本质是将业务风险场景与算法模型和专家经验有机结合，最终实现主动驾驭和控制风险。一是在风控模型的设计中，要从业务全流程风控的角度出发，将身份认证模型、反欺诈模型、反洗钱模型等高质量模型进行融合，构建全方位风险防御体系，形成智能风控模型库地图。二是风控模型的研发要从单维度规则模型向高维度智能算法模型演进，使其成为兼具统一性与灵活性的多维模型架构，并在运用高质量风控数据的基础上借助机器学习算法模型，进一步提高风险识别的精准性和有效性，为未知领域的风险研究、前瞻预判提供有益尝试。三是在风控模型的运营中，要依托模型分类体系，实现线上化、自动化的风险监测和预警，并通过关联监控逻辑，有效区分模型间的关联程度，推动单维度、单因子、单环节监控向企业级集成监控提升。四是加强模型全生命周期管理。风险模型的实质是风险政策的体现，所以模型建设要以风控逻辑为基础，紧跟监管、形势及管理需求的变化，对风控模型进行持续迭代和调优；模型的应用管理也要符合风险管理的逻辑，建立模型使用和变更评审制度，组建专业的模型风险评审队伍，对模型应用需求提出、模型建立、模型验证等不相容环节进行隔离管理，使模型能够扎实高效地服务信用风险管理。

打造高素质的专业化风控队伍。一是搭建专业人才梯队，建立涵盖风险审查、风控模型研发、数据分析等重要岗位人才库，确保风险管理人才体系与数字化信用风控体系建设相匹配。二是优化队伍能力结构，在提升风控队伍金融及风险专业能力的同时，重点加强对数据挖掘分析、模型开发等数字化能力培养，提升专家判断的精准性及适用性，构建复合型风险管理人才队伍。三是提升风控人员全流程协作能力，持续推动包括产品创设、风险定价、贷后管理等全链条的数字化信用风险管理创新和应用，助力客户服务及价值提升。

构建数字化信用风控体系需要坚守的原则

数字化信用风控体系虽然在技术、流程、理念、机制等层面对商业银行传统风控管理体系进行了全面优化升级，但是实质并未发生改变，风控的内在逻辑并未改变。因此，在建设数字化信用风控体系的过程中，商业银行依然要坚持以下原则。

数字化信用风控的逻辑是风险管理的逻辑。商业银行信用风险管理的目标与实质不会因为数字化而有所改变，数字化信用风控只是通过模型与数据提升识别和判断客户的精准度，而不能改变外部环境、客户特点和信贷服务本质，其本质还是通过线上化、数字化手段实现了解客户、识别客户、判断客户、对客户进行有效授信的目的，并将风险控制在合理范围。

模型的适当性是风控质量的保证。模型的适当性是数字化信用风控质量的重要保障，高质量的风控模型可以高效满足不同场景和客群需求。在模型的建构和应用过程中，要结合实际需要，选择合适的自变量，确保风控的针对性和实效性；同时，持续推进模型迭代，适应不断变化的市场与客户。

数字化信用风控需要闭环管理。一是实现全流程闭环管理，在由上而下确定、传导银行自身风险偏好的过程中，要确保能够根据总体风险偏好导向，选择客户并实施有效的风险管理，同时结合经营结果，在合理范围内修正风险偏好相关指标，更好地践行战略方针。二是做好关键节点的闭环管理，在反欺诈、核保、预警等环节，要按照确定工作目标、设计工具模型、搜集整理数据、校验数据真实性、检验模型有效性、推进模型持续迭代这样的流程循环更迭，确保关键环节管理有力有效。

数字化信用风控要强化业务协同。数字化信用风控体系涉及营销、服务、流程、技术、人员等方方面面，必须协调推进，确保各环节彼此促进、共同作用。一是加强行业研究与服务单体客户协同，商业银行在服务单体客户时可以对照行业授信的比较标准，提高营销效率以及分析问题的精准性。二是在建模方面形成内部合力，风险模型的建立需要风险专家、业务专家、模型专家三类人员共同参与。业务专家基于产品功能，结合适用场景和客户体验，设计并优化业务流程；风险专家找出关键因子和相关权重比例，提供风险控制逻辑；模型专家则选择最佳建模方法，形成高适当性的模型。三是加强风险管理的敏捷组织建设，构建风险数据集市和风险墙，并加强应用，充分利用风险集市提升风险决策效率，并通过风险墙让业务人员更好地把握关键风险点的控制策略，提高风险意识和风险管理的主动性。■

（责任编辑　许小萍）

本文首发于微信公众号：中国金融杂志。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。