• <nav id="s6oc6"></nav>
    <menu id="s6oc6"><strong id="s6oc6"></strong></menu>
  • <menu id="s6oc6"><strong id="s6oc6"></strong></menu>
  • <menu id="s6oc6"><code id="s6oc6"></code></menu>
    注冊

    小微企業貸困局下 金融大數據成風控殺手锏

    2016-01-08 07:21:19 零壹財經 
      
    前言:互聯網金融之小微企業貸


      前言:互聯網金融之小微企業貸

      我國目前正處于一個產業結構調整的階段,經濟的下行已經是不爭的事實。如何在下行的經濟環境下,控制好金融風險,對于金融機構是一個首先要解決的問題。

      傳統的以銀行為代表的金融機構,企業信用貸款過于依賴政府授信和國有企業,這種粗獷型的信用風險管理在經濟結構調整過程中的缺陷凸顯。一方面粗顆粒度的風控體系無法防范住新形勢下的風險;另一方面,現有的風控模型無法從眾多的貸款申請企業中篩選出優質客戶,實現普惠金融。

      究其根本,貸款的主體變了,需要金融機構的風控體系也隨之改變。產業結構的調整,傳統行業的轉型,勢必會造成一批舊的行業衰敗,而一批新的行業興起;而傳統行業的轉型,意味著原有軌跡的停滯;一個新行業的興起,一批企業的成長,是需要時間的。在相當長的一段時間里,中小微企業,可能是整個經濟的主體,這也是這一階段的特質。不解決好這一問題,以銀行為代表的金融機構,可能就無法完成在新的經濟形勢下自身的轉型。

      有鑒于此,我聯合了在信用貸款鏈條上各個環節的一線專家,共同推出本專題,希望能為小微、微小企業的普惠金融做出一點貢獻。

      本專題是按照數據篇,反欺詐和征信篇,信貸模型篇三個環節來展開的。這也是我們實際業務流程里最主要的三個步驟,最后再以一個實際的例子作為結尾。

      這篇專題雖然不長,但每一篇都經過了我跟各位專家的認真思考和討論,耗時一月有余。還得到了很多業界專家的鼎力支持,在此特別感謝中智誠CEO李萱先生,數聯銘品BBD CEO曾途先生,在整個專題的編寫過程中給予了大力的支持,在此表示衷心的感謝。

      小微企業

      關于何為小微企業,全球范圍內并沒有統一的定義。已有的劃分標準通常是從雇員人數、資產總額、年營業額等幾個指標進行限定。工信部、國家統計局、發改委、財政部等四部委2011年曾出臺具體的劃分標準,是目前我國的國家標準。但一般的看法是該標準界定的微型企業的范圍偏大。比較合理的劃分標準為:雇員人數20人以下、資產總額500萬以下、年營業額1000萬以下為微型企業;雇員人數200人以下、資產總額5000萬以下、年營業額1億以下的可以定義為小企業。這并非一個嚴格的界定標準,但實際工作中對目標客戶還是要掌握一個大概的范圍。

      破解小微企業貸困局:數據篇

      一筆成功的貸款發放需要有多個環節的努力才能實施。數據,正是整個風控鏈條中最前端的一個環節。我們首先來看一下,如何在數據層面上解決好小微企業的問題。(這里需要說明的是,在數據交換市場遠未成熟的今天,數據的獲取確實需要一些獨特的資源;目前的現狀是八仙過海,各有各的高招。所以,如何獲取數據,不屬于本篇討論的問題。)

      小微企業的金融風控都需要哪些數據?是傳統的結構化數據,還是時髦的大數據?如何正確對待二者之間的關系,又如何來應用這些數據,為小微企業畫像?這是本篇要闡述的問題。

      傳統金融數據v.s互聯網數據

      一般來說,傳統金融風控領域使用的數據多為結構化數據;而由于業務的重心不同,面向的對象不同,互聯網金融所采用的數據除了結構化數據以外,還采納了很多互聯網的非結構化數據,這就是我們經常所稱的“大數據”。

      大數據較傳統的結構化數據,具有體量大,種類雜,時效性好等特點。

      從數據組織的角度來說,傳統金融數據跟要預測的事件有著很強的因果關系,比如,信貸歷史違約記錄,它對預測企業是否再次違約具有比較強的關聯性;相反,大數據更多地集中在刻畫行為能力上,是描述行為的信息;至于這種情況,是否會直接導致企業違約,有多大影響力,還缺乏有力的實踐依據。換句話說,企業的某種行為,還沒有建立起跟企業違約的直接邏輯關系。

      所以說,單純的大數據在整個金融風控鏈條里所能發揮的作用還是有限的。這并不是否定大數據的手段,而是不要過分夸大其在這一環節中的作用。

      客觀地講,在傳統金融風控數據中引入互聯網大數據,至少可以解決兩方面的問題,一是數據維度不足的問題;二是數據的時效性問題。

      一、數據維度不全

      量化風險評估需要將涉及到此風險的所有相關數據都包含進來,通過模型進行信用風險評估,計算出還款意愿和還款能力。評估采用的基本數據因素有年齡、收入、學歷、客戶資歷、行業、區域等,其占主要部分。信用因素包含如負債狀況、繳款記錄、理財方式;以及行為因素例如交易時間和頻率等。

      除了這些變量和因素,其實還有一些因素并沒有被考慮到現有的風險評估模型中。例如貸款者的身體健康情況、生活規律、是否參與賭博、是否參與民間借貸等,同信貸違約高度相關的信息沒有被考慮到信用風險評估當中。

      特別是用戶行為特征,幾乎很少的信貸評估模型會考慮用戶的行為。如果客戶在借款前,頻繁去澳門賭博、或參與民間高利貸、或有吸毒歷史、或者飆車、或者經常半夜出入夜店等危險區域、或經常半夜使用App等。這些危險行為因素都會對其信用風險產生影響,但這些因素原來并沒有被考慮到信用風險評估之中。

      風險評估過程中,如果數據維度不全,高相關數據沒有被考慮進來,對風控模型是一個大的風險。信用風險評估模型缺少了重要風險因素的輸入,其評估結果的偏離度就會較大,評估結果失效的可能性就很大。

      二、時效性

      實時有效的數據對于風險評估結果影響也很大,數據是有時間價值的,滯后的數據會影響評估結果,不能反映實時風險變化情況。實時的數據錄入和動態信用風險評估現在對銀行是一個巨大的挑戰,一個月進行一次的風險評估并不能實時反映信用風險變化情況,銀行需要找到一個好的方法來建立動態風險視圖,不僅僅是信用風險管理,其他的風險管理方法也要向實時數據錄入和風險實時評價方向轉變。

      客戶信貸信息分散和孤立,造成了外部風險來源的多樣化,銀行需要尋找一種方式來打破這種信息不對稱,購買外部信貸數據可以解決這個問題,但信貸數據的覆蓋率也是一個較大的挑戰。

      數據選擇的原則

      在數據的選擇上面,一個是需要考慮數據的維度,另一個就是數據的數量。到底采用哪些維度的數據作為風控變量?到底選擇多少數量的數據才能滿足一個風控模型的準確性?

      原有風控體系考察貸款對象主要有兩個方面,還款能力和還款意愿。傳統金融數據就不在這里詳述了,主要說一下大數據的數據維度與數量。大數據所能補充的數據主要是行為數據和社交數據(對于小微企業而言,行為數據就是它的經營財務數據;而社交數據就是它的企業關聯數據)。實踐證明,這兩部分數據對還款能力和還款意愿都有明顯的效果。一般來說,行為數據對還款能力有一定的作用,在貸后的預警方面,已經被證明是行之有效的;而社交數據,對還款意愿有一定的幫助。

      應該說,傳統金融數據與互聯網大數據打通,可以更好,更及時地反映企業或個人的情況,以達到更好金融風控的目的。

      很多人有一個誤區,既然是大數據,那么一定是多多益善。這個認識是錯誤的,多數數據并沒有任何價值;ヂ摼W女皇Mary Meeker在2012年報告中曾經做了一個形象的比喻,大數據就是從一堆雜亂無章的稻草里去尋找一根針。多數數據都是產生不了任何價值的稻草;而大數據的魅力也在于此,它就是要從浩瀚的雜亂無章的數據里,尋找出有序的,有價值的東西來。

      在同等數據價值的基礎上,當然更全的維度,更大的數據量,才可能更好地刻畫和還原出事物的真相。

      除此之外,數據的代表性和穩定性也是很關鍵的問題。在實際模型設計過程中,一般都是先用一個種子數據庫來完成模型的設計和實現。這個時候,種子數據的選擇就至關重要。沒有足夠的代表性,就會使模型與實際目標偏離,很難修正,甚至直接導致模型的失敗。

      穩定性其實跟代表性是相通的。所謂穩定性就是某種情況或者某類數據在過程中會不斷重現。如果只是偶爾產生的數據,不可重復,那么是不穩定的,也是不具代表性的。

      代表性和穩定性是刻畫數據質量的兩個重要指標。

      數據的組織與應用實例

      談到對企業的畫像,數聯銘品(BBD)無疑是這一領域的佼佼者,他們有著自己的一套基于大數據的最佳實踐方案。

      這套最佳實踐方案歸納起來就是三要素,企業行為數據庫、模塊化的風險畫像以及多種大數據算法。

      一、企業行為數據庫

      企業行為數據庫,顧名思義,就是企業的各種基本信息,包括:工商注冊信息、市場行業信息、法人治理(公司結構,股權信息)、公司關聯方、風險管理、媒體數據(其在傳統及社交媒體上的信息)以及產權信息(專利,版權,商譽等)七個維度的信息。在此基礎上,在授權情況下還可以拿到包括稅務等在內的多維度數據。

      二、模塊化的企業風險畫像

      在企業行為數據庫的基礎上,就可以提供企業風險全息畫像方案,全面刻畫企業風險DNA。企業的風險描述并不依賴單一模型,而是可以多維度完成企業風險特征刻畫,并解決上述傳統風險分析體系的缺點,而且可自由選擇定制風險畫像模塊。

      模塊化的風險畫像降低了對財務報告的依賴性,尤其是對于中小企業群體,更多強調企業行為數據的捕捉與分析,利用大數據平臺多源異構數據分析優勢,充分利用非結構化數據,降低對結構化數據的依賴。

      BBD的模塊風險畫像,有一個非常實用的功能,就是通過對企業基因圖譜分析,使得企業錯綜復雜的關聯關系一目了然。

      通過BBD專有的關聯方圖譜深度識別目標企業與發生投資及管理行為關系的自然人(公司)的風險狀況,完善企業風險DNA刻畫。比如輕資產企業,很少有資產信息和抵押信息,通過BBD關聯方圖譜找到背后的投資方,投資方背書能力以及資產信息來作為企業資產信息的補充。該模塊還包括關聯企業緊密程度評價、關聯企業資信狀況及影響、管理層關聯企業任職情況、關聯方訴訟及失信情況等關聯方信息對企業風險進行畫像

      這一功能,使同一企業主擁有多家企業或者多家企業之間的顯隱性關聯關系一目了然,從而避免相互之間的風險轉移和傳遞。

      在模塊化風險畫像中還有一個非常有用的功能,是BBD專有預警模塊。

      該預警模塊體現模型的前瞻性和預見性,能夠識別企業早期的風險跡象,避免由于風險暴露的滯后性帶來更大損失。特別是業務快速增長的企業,一旦風險爆發,其想扭轉局面,則需要較大的業務調整動作和較長的風險消化時間。因此,對該類型企業風險預警以捕捉前置信號為主要目標,以在顯著風險暴露以前及時采用相應風險管理措施。BBD的企業全息畫像根據大數據抓取的信息,既有通過財務關鍵指標的變化趨勢,提前預判企業的風險趨勢,比如主營業務收入變動情況、現金流變動情況等;也包括針對客戶非財務信息的異常變動,比如工商信息異常(在特定時間段內提高公司注冊資本額等)、股東變動(短期內頻繁變動公司股東等)、重大人事變動、訂單變動情況等來預警企業的風險動態

      三、多種大數據算法

      近幾年來,企業信用風險度量的研究出現了結合模糊數學、粗糙集、支持向量機(SVM)、人工神經網絡等學科新技術方法的度量信用風險潮流,出現了越來越多的新的方法。

      目前,應用于信用風險度量的新技術方法的學科主要有數學、統計和人工智能等。數學方法有粗糙集、模糊綜合評價法,統計方法有Logit模型、支持向量機,人工智能方法有人工神經網絡、決策樹等方法應用于信用風險度量的方法。

      與傳統的統計方法相比,人工神經網絡具有以下特點:

      1.具有自我組織與學習的能力;

      2.可以描述輸人資料中變量間的非線性關系;

      3.可以依據樣本和環境的變化進行動態的調整;

      由于企業各項財務指標與信用風險之間往往存在著非線性關系,因此人工神經網絡比較適用于企業的風險評價。

      傳統的數學或統計方法都是建立在精確的觀點假設基礎之上,但是在自然科學、社會科學和工程技術等領域,存在著很多模糊或不確定性;人類的認知模式、思考方式、甚至推理邏輯也涉及許多非確定性。

      因此利用傳統的方法無法解決這樣的不確定問題,而模糊數學是將數學的應用范圍,從精確擴大到模糊現象的領域,提出了隸屬函數理論,確定了某一事物在多大程度上屬于所講的概念,或者不屬于所講的概念,這樣描述模糊性問題比精確數學更為合理。同樣,企業風險刻畫也屬于模糊性問題,其風險狀態如何,用精確數學“是”或“非”的概念很難做出判斷,因此,應用模糊分析法對企業風險狀況做出綜合評價比較科學。

      以上就是數聯銘品的在企業大數據征信方面的最佳實踐。

      數據,之于小微企業貸是至關重要的,是整個信貸模型的第一個環節。選擇什么樣的數據,如何處理好傳統金融數據和互聯網大數據的關系,直接影響到最后信貸模型的結果。一個正確的起點,加上一個正確的方向,是取得成功的堅實基礎。

      本文作者:

      TalkingData首席金融專家 鮑忠鐵

      BBD數聯銘品CFO吳桐

      中關村(000931,股吧)老李

    (責任編輯:陶海玲 HF003)
    看全文
    寫評論已有條評論跟帖用戶自律公約
    提 交還可輸入500

    最新評論

    查看剩下100條評論

    推薦閱讀

    和訊熱銷金融證券產品

    【免責聲明】本文僅代表作者本人觀點,與和訊網無關。和訊網站對文中陳述、觀點判斷保持中立,不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考,并請自行承擔全部責任。

    精品一区二区不卡无码av
  • <nav id="s6oc6"></nav>
    <menu id="s6oc6"><strong id="s6oc6"></strong></menu>
  • <menu id="s6oc6"><strong id="s6oc6"></strong></menu>
  • <menu id="s6oc6"><code id="s6oc6"></code></menu>