中国农业银行信用卡中心数据团队资深专员 颜虎

  大数据风控是基于海量数据，通过创新科技量化业务风险，并提出解决方案的系统化实践，主要在金融领域应用，其本质是通过数据赋能解决传统风控的低效率、信息不对称等问题，指数级提升风控方案的应用效果，进而防范和化解金融风险。“用数据说话”改变了金融业风险管理的方式，并使大数据风控在零售风险管理领域得到蓬勃发展。

  2020年以来，大数据风控加速在信用卡领域落地。当下，信用卡业务从“跑马圈地”的粗放式发展阶段迈入了专业化、差异化、精细化的高质量发展新阶段。建立适应信用卡业务发展的大数据风控体系，是现阶段各商业银行信用卡中心风控管理长期且艰巨的工作。

  一、新形势下信用卡业务面临的挑战

  目前，各商业银行信用卡中心已基本建立了全方位、一体化、标准化的全流程大数据风控体系，覆盖信贷全生命周期，显著提升了风险识别能力和效率。该体系基于内外部数据，构建机器学习模型，制定自动化调查、审批、授信策略，实现优质头部客户秒批及高额度授信，尾部高风险客户快速识别。让“数据多走路、客户少跑腿”，促进信用卡业务快速发展。

  2022年以来，国内国际形势瞬息万变，信用卡业务发展面临前所未有的新挑战。一是内外部经济形势复杂严峻。如今，我国经济发展已由高速增长阶段转向高质量发展阶段，经济发展处在一个新的周期，叠加疫情冲击，经济仍处于恢复期。当前，我国经济恢复的基础尚不牢固，需求收缩、供给冲击、预期转弱三重压力仍然较大。同时，全球政治经济形势极不稳定，给我国经济带来的影响持续加深。二是持续深化的严监管带来新的机遇和挑战。一系列与信用卡业务紧密相关的监管新规相继颁布和实施，使严监管和强监管成为常态，长期来看利好信用卡业务发展，但短期内信用卡业务需要快速作出较大调整，以满足监管要求。商业银行信用卡中心应以高质量发展满足客户消费信贷需求，处理好“质”和“量”的关系，重点建设自主可控的大数据风控体系，处理好大数据风控和个人信息保护之间的关系。三是人口红利出现了新的变化，我国人口出现负增长，人口老龄化问题日益突出，“人口红利”周期转向“人才红利”周期。根据国家统计局数据，2022年我国人口自然增长率为-0.60‰。虽然新增适龄劳动力人口受高等教育的比例持续增长，但适合使用信用卡的绝对人数进入下降期。四是从信用卡贷款相关数据来看，银行信用卡业务进入了发展的瓶颈期，贷款余额增长乏力。人民银行2022年第四季度统计数据显示，截至2022年末，银行卡应偿信贷余额8.69万亿元，较年初(8.62万亿元)仅上升0.81%，增速同比下降8.16个百分点。

  大数据风控核心原理在于历史规律会在未来重演。前期建立的大数据风控体系能否适应转型期的变化，需要通过实践检验。粗放经营期构建的风险模型在转型期的风险区分能力有可能会下降。在大数据风控实践过程中，风控模型和策略局部失灵情况频繁发生，某些区域的不良率远高于全国平均水平，部分产品、区域的业务因风险原因关停。风险异常现象频出，急需系统性解决方案。

  信用卡业务正处于严监管下的转型期，如何做好全流程大数据风控，为发展赋能，支持信用卡业务规模和利润增长，实现风险收益兼顾，是风控从业人员攻坚克难的重点。

  二、新形势下全流程大数据风控赋能

  在新形势下，信用卡业务风险管理工作应始终坚信大数据风控的科学性，坚守全流程“用数据说话”的核心理念，牢固树立业务高质量发展是检验大数据风控成功与否唯一标准的思想。

  为促进信用卡业务在转型期持续健康发展，应强化风控全流程数据的采集、整合、加工能力，丰富客户画像;构建智能化、差异化的风控体系，提高大数据嵌入业务流程中的效率效能，精准探查信用卡业务风险点;深入分析导致异常的内外部因素，靠前站位，通过优化风控模型和策略，提升风险识别能力，把优质客户比例做高，支持业务发展。

  一是在合法合规的前提下，完善源数据的采集、沉淀、标准化工作，提高数据的丰富性、稳定性、易用性，向数据要红利。丰富的源数据能够为大数据风控体系的运转提供源源不断的动能，夯实大数据风控的底座。

  数据采集方面，在丰富C端个人数据的同时，也要重视收集客户对应B端和G端数据，包括企业经营情况数据、区域经济数据、政府提供的政务类数据。从以上数据维度出发，构建“千人千面”的客户画像，全面认识客户。建立标准化、流程化的行内个人数据采集机制，整合金融属性数据和非金融属性数据，最大程度丰富行内数据来源，深入挖掘行内数据价值，优先使用行内数据解决风险问题。对于外部个人数据，在引入前应充分评估其对现有风险识别体系的增益作用,防止无用数据对客户造成误判。逐步规范B端和G端数据的采集，帮助信用卡业务评估客户在转型期收入的稳定性，精确量化客户还款能力，解决信用卡业务长期缺乏高质量收入数据源问题。

  数据标准化方面，需对各类数据源进行整合治理，构建客户级的标签体系，供开发模型、制定策略、专题分析等风控环节使用。沉淀的数据来源广泛，数据质量往往不够稳定，做成标签则有助于形成对客户的统一认识，缓释因数据质量问题造成的数据应用风险。下一步，需建立数据质量监控体系，及时反馈数据质量的变化，保障数据应用连续性。

  二是建立风险运营体系化监控机制，向监控要红利。信用卡业务进入转型期后，探寻风险异常点是大数据风控的核心工作之一。从模型和业务两个方向，多维度自动化全流程监测风险波动情况，推动业务、数据、科技融合，建立寻找引发风险异常点的排查机制，支持风控专家开展归因分析，定位原因，快速制定应对措施。

  模型监控方面，建立监控模型策略风险区分度和稳定性变化的报表体系，规范风控模型风险管理，确保大数据风控模型不出现纰漏。所建报表体系不仅要监控模型和入模特征的性能、分布变化，更需要评估模型的应用效果是否符合预期。操作层面上，应特别关注模型性能和应用效果的相关性。如果发生模型自身性能没有变化但应用效果出现偏差的现象，应及时排查原因，采取针对性措施。

  业务监控方面，要从渠道、产品、职业、行业、区域等各个角度交叉监控新发生逾期、不良等风险指标，把控风险整体和局部运行情况。重点监测风险上升较快的客群，以便判断前期建立的大数据风控体系在各个维度是否正常运行，是否出现局部失灵现象。为实现自动化判别风险异常，应结合历史风控表现及信用卡业务经营方向，对局部失灵现象进行定义并形成阈值参数，嵌入监控体系。如果监测到局部失灵的数据特征，则及时与风险专家合作，制定解决方案，防止风险继续攀升。

  三是基于丰富的源数据和完善的风险监控体系，建立高效的大数据风控运营机制，向机制要红利。高效的大数据风控运营机制，应将系统、数据、模型、策略、制度、流程等风控六要素整合，统筹推进，打造“六边形战士”，不能有弱点，缺哪补哪，不断迭代优化。同时，风险营销互联互通，打造极致的客户体验，做大优质客户规模。

  搭建以数据应用为核心的信用卡风控系统，提高内外部数据应用到风控流程中的效率以及快速应对转型期风险变化的能力。传统风控系统的设计往往是为了解决业务流程问题，忽略了存储、记录全流程风险处理的过程性数据，数据应用效率低。从大数据分析结果到应用于风险流程中的时间越短，数据应用效率越高。

  构建智能化、差异化的模型策略体系，精准识别客户风险，快速适应转型期的风险形势变化，为信用卡业务的高质量发展提供更好的支持。模型方面，基于全流程采集的数据，使用前沿机器学习算法构建模型，自适应调整模型参数，量化贷前、贷中、贷后不同阶段客户的风险。策略方面，基于“千人千面”的客户级画像，制定差异化策略，优化客户体验。贷前端，根据地域、渠道、行业等因素产生的客群差异化，配套做好针对性的风控策略，让客户拥有流畅的申卡体验;贷中端，银行主动发起调额，以场景触发为主;贷后端，充分考虑贷前贷中留存的风险信息，结合客户刷卡记录，采取差异化催收策略。需要注意的是，模型策略使用的算法应与行内科技水平适配，实现早上线早拦截，产生实际成效。对于新算法，信用卡中心应建立评估机制，量化其对现有风险识别体系的提升作用，小心求证，独立判断，选择使用适应于本行实际情况的算法。

  建立风险营销互联互通机制，打造极致客户体验，吸引优质客户多用卡，支持业务发展。在获客营销阶段，建立风险前置的营销库，对于不能满足申请准入的客户提前剔除，提升营销通过率，将有限的营销资源使用在吸引优质客户上。在给存量客户设计营销活动时，将风险情况作为重要考量因素，避免出现客户今天参加营销活动获得了奖励，明天就因风险原因被冻卡降额的情况发生。

  重视制度和流程在大数据风控中的作用，防范操作风险。制度和流程在大数据风控中是两个重要的补充要素。在制定制度和流程时，可以将实践得出的风控规律形成统一的行为准则，避免重复犯错，规范内部信用卡从业人员行为，避免出现合规风险和操作风险。此外，好的制度流程有筛选客户的作用。流程制度制定得越好，客户体验越好，吸引的优质客户越多。

  当前，世界经济形势总体不容乐观，不稳定、不确定、难预料的因素较多，但国内经济发展仍具有很多优势条件，有较为厚实的发展基础、较高的“人才红利”。随着扩大内需战略和深化供给侧结构性改革各项措施的落地实施，我国经济运行整体好转的动力正在积聚，经济运行有望总体回升，实现“质”的有效提升和“量”的合理增长。面对内外部复杂形势，信用卡业务应迭代优化升级全流程大数据风控体系，只有持续深挖数据价值，深耕系统模型策略，深化制度流程建设，以客户为中心，才能实现促发展和防风险的平衡。