基于大数据视角的惠农e贷智能风控研究

《基于大数据视角的惠农e贷智能风控研究》

摘要：智能风控可以通过大数据完善流程，提高效率、提升精度，实现自动风险决策，基于算法、模型规则的风险预警，更加客观公正，且在贷前全面分析客户，识别客户更加精准，贷中动态实时监测客户风险状况，极大降低潜在风险，推动商业银行风险管理水平全面提升，数据是风控的血液，数据全面性、准确性决定了大数据风控的生命，大数据智能风控构建要依托多维度的数据，如客户的社会属性、客户的行为数据、客户的消费数据、客户的征信状况等信息，进行客户精准画像，建立智能风控制要引入大数据技术，打破原有数据边界限制，建立互联网、第三方机构、政府、消费、社交、人脉、公安、司法、舆情等全维度数据，通过推进数据平台建设和企业级数据，多维度、广视觉采集客户生产经营、生活消費、社交等数据，夯实数据基础，整合线上下、跨界数据，丰富数据维度

摘 要：本文基于对农行陕西省分行互联网金融产品——惠农e贷分析的基础上，指出风险防控中存在的问题，分析了大数据风控的机遇和挑战，从大数据视角提出构建智能风控的对策。

关键词：大数据;惠农e贷;智能风控

大数据、云计算、人工智能、区块链等技术的推动，促进了科技与金融的高度融合、相互渗透，驱动客户行为向线上化、场景化、数字化转型。为顺应场景化、数字化的客户需求，商业银行逐步创新线上化互联网信贷模式。伴随线上信贷规模的扩大，风险管理问题日益凸显，如何构建基于大数据的智能风险防控体系，成为商业银行面临的重要问题。农行陕西省分行顺应互联网金融浪潮和线上化的需求，创新推出了线上信贷产品，改变了

.

信贷方式，提升了信贷效率，该模式的推出也为风险防控带来前所未有的挑战。为更好应对风控挑战，商业银行可借助大数据开展挖掘和智能分析，以数据驱动风险决策，提升风险管理专业性，使金融和科技深度融合，促进风险防控能力提升。因此，智慧风险管理已成为商业银行的必然选择。

一、陕西惠农e贷发展现状

近年来，农行陕西省分行围绕“互联网化、数据化、智能化”的思路，践行总行“服务‘三农、做强县域”的战略定位，利用互联网技术优势，积极破解农户融资难、融资慢等问题，创新推出线上融资产品—惠农e贷，努力打造经营富有特色的区域强行，惠农e贷业务初见成效。

（一）业务发展阶段

大体来说，农行陕西省分行惠农e贷经历了三个阶段。第一个阶段：创新试点。为适应互联网金融发展趋势，探索大规模、线上化的要求，2017年农行陕西省分行以烟叶为切入点，利用数据挖掘客户信息，开展农户信贷线上化试点。第二个阶段：突破提升。2018年，围绕主导产业和区域资源优势，提出惠农e贷突破提升的思路，探索创新推出特色产业、政府增信、信用村新用户等典型模式，业务取得迅速全面突破。第三个阶段：提质增效。2019年，紧扣“三农”发展趋势，以服务乡村振兴战略为主线，全面扩量提质增效，将“惠农e贷”打造成农户贷款新的增长极。

（二）业务增长状况

.

在2017年试点基础上，2018年全行加速推进“惠农e贷”，业务持续保持健康、高速增长。2017年末，惠农e贷余额296万元;2018年一季度末，贷款余额达1643万元，二季度末贷款余额达114720万元，三季度末贷款余额达215033万元，年末贷款余额达225898万元，一举扭转了2013年以来农户贷款持续萎缩的不利局面，贷款余额创历史新高。2019年，按照上级行提质增效要求，不断加大惠农e贷投放，一季度末贷款余额达325406万元，5月末贷款达到335279万元，并继续保持高速发展。

（三）业务路径逐步完善

近年来，农行陕西省分行围绕区域特色产业、行内客户数据、银政合作等，主动、及时响应客户融资需求，通过了解产业规模、成本、收入等信息，确定基础额度和区域参数，逐行业制定服务方案，目前，全行制定服务方案70多个，涵盖了陕西主要涉农产业，包括苹果、猕猴桃、冬枣、葡萄、烤烟、中药材、花椒等。

（四）业务数据来源多样

目前，业务数据主要通过内部渠道和外部渠道获得。外部数据主要通过扶贫局、科技局、果业局、村委会、惠农支付点获取;三方数据主要通过产业链上下游企业和烟草公司获取。内部渠道主要通过农行信贷、金融资产和营销管理系统获取，其他无数据来源的主要通过客户经理人工采集。从入库数据看，采集渠道主要以人工采集为主，线上化水平较低。从2019年5月末贷款发放数据看，纯大数据获取数自动入库放款的3515笔、2.42亿元;三方获取经过数据加工处理核实放款的9970笔、7.43亿元;主要靠客户经理采集辅助三方校验的29743笔、23.68亿元。

.

（五）业务风险状况

由于信贷管理严格，内部制度健全，对产业、行业、客户选择准确，数据采集规范，并辅助交叉验证方式获取客户人品、诚信、经营等信息，入库审核严格，信贷模型设计科学，贷款系统自动审批，无人工干预，贷后管理重视，惠农e贷整体质量较好。截至2019年5月末，不良率为0.02%，远低于全行不良水平。

二、风险防控措施及问题

（一）风险防控措施

1.贷前风控措施。一是严把产业关，明确支持产业重点，对成熟度高、发展潜力大的产业优先支持;二是严把模型关，在充分调研基础上，科学设计业务模型，并按定期进行模型修订;三是严把客户关，将有生产经营基础、人品好、讲诚信的客户作为目标客户，对内部系统或者三方渠道获取客户，认真审查，确保真实、有效，对无三方渠道来源客户，做好客户调查、审核、完善客户信息，确保客户准入“第一”关;四是严把数据审核关，做实数据采集，确保责任落实到岗、到人，监督制约到位，确保数据真实可靠。

2.贷中风控措施。一是利用C3系统，动态查询海关、司法、工商、区域行业舆情等信息，确保客户准入严格;二是借助客户征信系统，对农户严格筛选，对有不良、涉及诉讼、黄赌毒等行为的客户严禁办贷;三是对线下业务申请的，与客户进行面谈，充分了解客户生产经营信息，并签订“阳光廉洁办贷卡”，严防道德风险，对线上申请的客户，与内部校验相关情况，全面了解客户;四是与通过与政府部门、政策性担保公司合作，建立

.

风险补偿基金，分散资金风险。

3.贷后风控措施。一是利用系统和科技手段，強化风险监测，做好风险预警提示，已经上线个人线上信用贷款风险监控系统，对客户资金异常交易、贷款用途等进行实时监测;二是非现场检查，主要通过电话外呼、客户经理电话回访、短信提醒等方式，对客户做好核实和提醒;三是通过还款方式监测，鼓励通过按月、季、半年等方式结息，判断客户风险状况，对还息疑点，及时组织客户经理现场核实，做好风险处置，做实贷后管理;四是通过风险线索监测系统，定期对可疑贷款进行下发，做好疑似问题核实。

（二）风险防控存在的问题

1.风险管理能力与发展不匹配。一是智能化风险防控意识薄弱。惠农e贷是农行创新推出的线上化信贷产品，由于便捷、高效、手续简便，推出后发展突飞猛进，但大部分行受固有观念制约，未能充分认识推广“三农”互联网信贷的内涵，风险防控还停留在原有传统信贷阶段，对风险过于乐观，强调贷前“真人”“真事”多，对贷款管理不够重视，信贷观念有待更新。二是风险管理举措单一。目前，风险管控主要通过白名单入库前客户数据核实、贷中客户面谈、贷后风险预警或风险发生后采取措施等手段，不能提前发现客户风险隐患，做好风险防控准备，特别是部分客户经理忽视贷后管理风险预警功能，只是简单处理，现场核实风险线索和信贷资金监测不扎实，难以发现问题，易埋下风险隐患。

2.智能风控水平较落后，人工防控仍占主导。目前，农行已经上线个人线上信用贷款风险监控系统，通过C3预警风险线索，但还需要客户经理通过分析、电话调查、现场调查等方式，核实贷款资金实际用途，判断是否存在挪用行为，定位问题所在。因此，风险

.

识别主要依靠客户经理的管理水平和管理经验，很难快速精准识别出目标风险信息，精度和效率都很差。客户经理经验、业务能力、履职责任心等都会影响风险管理效果，甚至存在风险线索核查流于形式，极大降低了风险管理水平。

3.预警模型精准度较低，数据资源不够全面。一是风险预警模型多为线性规则，即是客户、时间、金额、用途等参数，简单对比分析、判断，提供预警线索。受制于数据维度和处理能力，风控预警主要通过有限数据获取尽可能多的信息，有大量无效信息无法过滤，可能造成分析、判斷失误，不能通过客户行为、社交网络、消费等维度全面分析，提升风险管理能力。二是风控效率不高。为了避免遗漏，风控预警范围很大，大量风控线索使客户经理疲于应付，真正关键线索容易被疏忽，精准度严重不足。三是数据维度面较窄。惠农e贷是通过批量采集数据，建立信贷模型，为客户预授信贷款额度，这对传统信贷思维、文化、制度都带来巨大冲击，推动信贷由被动申请、审批向主动授信、自动审批转变，有效提高了信贷作业效率。但风险控制方面能够依赖的数据维度单一，缺乏主动依靠自动检索、分析客户全方位数据的水平，智能风控能力较低，线上优势未发挥。

4.智能风控人才缺乏。随着大数据技术的广泛应用，庞大的数据、复杂的数据关系、种类繁多的数据对风险管理人员提出了更高要求，不仅需要专业的业务知识，而且需要有高超的数据挖掘、数据分析能力。从省市行层面上看，缺乏即懂业务又有数据分析能力的复合型人才;从基层风险经理队伍看，“三农”客户经理大多为兼职，且年龄整体较大，尤其缺乏互联网思维的风控能力。

5.智能风控机制不健全。一是缺乏数据共享机制。大数据背景下线上信贷业务，需要匹配智能风险防控能力。智能风险是大数据、云计算驱动下的风控，因此需要大量数据支

.

撑，目前银行拥有大量客户金融数据、征信、司法、银行卡交易等数据，但存在静态、碎片化局限，金融业之间、金融业和其他行业间存在信息孤岛，数据共享严重不足，对数据加工、分析存在障碍。二是缺乏纠错迭代机制。互联网信贷是批量化产品，这对智能风险管理提出了更高要求，不仅要随着业务发展做好信贷政策和业务流程的优化，也需要系统开发和完善上迅速迭代;另外，大数据本身也存在不足，也会出现不确定性问题，因此，需要建立纠错迭代机制，及时修正模型或系统，完善流程，提升风险控制有效性。

三、大数据风控机遇和挑战

在大数据浪潮下，互联网金融已快速发展，商业银行主动介入互联网金融领域，开始构建贷前、贷中、贷后全流程风险预警、风险管理机制，为商业银行智能风险管理奠定了良好的基础，但对于大数据风控即要看到机遇也要看到挑战。

（一）大数据风控管理的机遇

1.宏观政策的利好。在金融供给侧结构性改革背景下，国家明确提出鼓励金融与科技融合。在此背景下，各商业银行积极运用科技支持信贷业务，开发探索个性化产品，这为大数据风控管理提供了难得的历史机遇。

2.大数据分析技术成熟。随着大数据、云计算、人工智能技术的成熟，大数据与其他行业融合更加紧密，演变出更多的应用领域，特别是为响应业务需求，商业银行启动了云转型和大数据部署。一是有效提升信息获取能力，利用OCR技术主动抓取业务数据，极大提升金融机构的数据处理能力;二是客户体验更优，大数据分析可以精确定位客户需求，

.

针对性开展营销，更好满足客户个性化需求，提升客户体验。

3.大数据挖掘维度的丰富。随着网络经济和消费的发展，各行各业都积累了大量客户数据。目前可挖掘的数据，不仅包括金融数据，还包括客户消费、社交、征信、司法、网络交易、网络活动等海量数据，这些数据与网络金融有千丝外缕的联系，有助于商业银行从多角度、全方位了解客户，做好风险评估，为智能风控提供良好的机遇。

4.智能风险防控优势凸显。智能风控可以通过大数据完善流程，提高效率、提升精度，实现自动风险决策，基于算法、模型规则的风险预警，更加客观公正，且在贷前全面分析客户，识别客户更加精准，贷中动态实时监测客户风险状况，极大降低潜在风险，推动商业银行风险管理水平全面提升。

（二）大数据风控管理的挑战

1.金融服务数字化、线上化的冲击。随着互联网金融的发展，商业银行面临诸多竞争，信息不对称、智能化水平低、风险管理系统陈旧等问题更加凸显，传统依靠风险识别方式，难以满足数字化、场景化的发展需要。

2.精准画像能力挑战。数据是风控的血液，数据全面性、准确性决定了大数据风控的生命，大数据智能风控构建要依托多维度的数据，如客户的社会属性、客户的行为数据、客户的消费数据、客户的征信状况等信息，进行客户精准画像。商业银行要多维度采集数据，进行精准画像，受成本、技术、数据来源、数据分析人才等方面因素影响，不仅需要金融机构的努力，也需要政府、社会等多方面配合。

.

3.多维数据平台构建挑战。随着大数据、人工智能等技术的发展，风控的科学性、准确性会越来越高。大数据专业性强、技术更新快，组建专职的团队，构建基于大数据的多维度数据平台也成为现实选择，以持续提升挖掘数据能力。

4.数据安全性的挑战。一是在采集、存储、使用方面数据上要有统一、标准化流程，特别是数据加密、脱敏等技术处理，也需要专业化人员进行，数据安全不容忽视。二是与外部三方数据对接，在保证商业银行数据安全、厘清数据权责等方面，也需要商业银行采取特定措施和手段。

四、基于大数据智能风控策略

（一）夯实数据基石，提升数据的维度

商业银行传统风控主要依赖自身掌握的客户信息、金融资产、交易数据、检查记录、整改记录、风险分类状况等，数据维度较为单一。建立智能风控制要引入大数据技术，打破原有数据边界限制，建立互联网、第三方机构、政府、消费、社交、人脉、公安、司法、舆情等全维度数据，通过推进数据平台建设和企业级数据，多维度、广视觉采集客户生产经营、生活消費、社交等数据，夯实数据基础，整合线上下、跨界数据，丰富数据维度。

（二）构建系统平台，提升分析决策能力

一是构建大数据平台。建立数据应用云平台，将数据嵌入风控业务场景，引入人工智能技术，提升风险决策的及时性和智能化水平。二是建立“数据分析+风控”决策闭环。

.

将商业银行风险管理规则、风险管理经验和风险模型识别相结合，形成动态决策闭环，推动智能风控体系发展。三是提升数据分析能力。通过数据挖掘，对业务进行全方位透视，探索数据背后联系，从风险控制角度提供合理建议。四是深化科技应用，探索智能风控决策能力。运用多样化数据分析方法开展数据挖掘，提取消费、社交、交易等数据的风险特征，实现风险预判的前置。

（三）迭代风控模型，提升智能风控精度

一是升级风险控制思路。从区域、客户、产业、机构、产品、流程、消费等维度入手，围绕风险特征，分析区域风险特征、行业风险特征、对象行为的风险特征，对客户风险状况进行画像，并提出精准化风控建议。二是迭代风控模型。通过系统监测分析，结合人工经验和历史风险案例，通过客户行为、客户习惯、可疑交易、历史风险事件、内外部监督发现问题等不断迭代风险模型，优化内外部风险变量参数，不断优化风险模型。三是精准定位风险线索。运用数据分析技术，对不同客户状况、不同类型的风险线索，通过动态分析、模型识别、数据印证，剔除无效预警信息，不断核实，精准定位风险，做好风险评估，提供合理化风控措施。

（四）强化科技业务融合，培养复合型人才

一是实施数据强行战略。把大数据作为基础性战略资源，全面加快大数据发展行动，加快数据资源开发和业务应用融合，助力金融变革转型。二是加强定岗培训。积极引入先进大数据理念和风控知识，通过多岗位定向培训，培养数据分析师、风控模型专家，提升商业银行智能风控水平。三是加强复合人才培养。培养即懂业务有懂数据和模型的专家人

.

才，打造对潜在风险有判断能力、掌握数据整合挖掘和风险分析能力的复合型人才队伍。

参考文献

[1]杜振涛.移动支付浪潮下惠农支付路径的思考[J].农银学刊，2019，（01）：66.

[2]刘刚.大数据时代智能风控体系建设实践[J].中国金融电脑，2018，（07）：15-18.

[3]林得发.商业银行智慧型风险管理的特征及长效机制的构建[J].农村金融研究，2019（03）：50-54.

[4]农行课题组.关于面向大数据的运营风险监控体系建设思考[J].农村金融研究，2018，（03）：24-28.

[5]刑桂伟.依托大数据技术构建商业银行智能风控体系[J].中国金融电脑，2018，（08）：19-22.

责任编辑、校对：王兆华

.