_原题为 同盾咨询杨景香：金融风险管理既是科学也是艺术
【杨景香|同盾咨询杨景香：金融风险管理既是科学也是艺术】近日 ， 同盾咨询首席专家杨景香做客“金卡生活”直播间 ， 和大家一起聊《智能分析驱动的银行数字化转型》 ， 杨景香引经据典 ， 用生动的国内外案例来讲述智能驱动带来的种种变革与创新 。
小盾将本次直播干货给大家温故一下 。
杨景香表示 ， 大量如智能语音、NLP（自然语言处理）、云计算、人脸识别等技术的成熟 ， 为智能风控技术的发展奠定了基础 。 近年来 ， 各类新颖的名词涌现 ， 如互联网金融、金融科技以及银行数字化转型 ， 但万变不离其宗 ， “金融的归金融” ， “技术的归技术” 。 金融就是金融 ， 有它自身的规律和使命 ， 而科技是为金融服务的 ， 不管是机器学习、数据分析还是智能系统平台等 ， 都要归拢在金融的叙事框架中 。
因此 ， 今天我们要谈的主题是智能分析 ， 仍然要沿袭金融业务一般性业务流程——获客、审批、贷中、贷后而展开 。
获客
当下获客已经进入一个白热化阶段 ， 为了争取最优客群 ， 金融机构使出了浑身解数 。
传统模式下 ， 由于银行对于客户没有清晰的了解渠道 ， 所以在客户触达上 ， 较为简单粗暴 。 扫街、摆摊不在话下 ， 更有甚者扫楼、扫园区……
在跑马圈地时期这是有效的 。 但是这种经验难复制 ， 尤其是能力强的员工一离职 ， 新老员工之间可能带来天差地别的结果 。
而融合了大数据、云计算和人工智能技术的智能分析技术 ， 能帮助银行通过各类数据分析 ， 多视角立体式描摹出用户画像 ， 提升营销效率 ， 优化用户体验 。
针对有场景的营销触达来说 ， 智能分析能基于营销产品、用户类型、营销价值 ， 选取适用用户画像标签 ， 为总体营销规划制定差异化营销策略提供支持 。
在银行信用卡、现金分期响应预测场景下 ， 结合外部围绕用户特征的客户画像 ， 假如发现是“双高”客户的话可以重点去跟踪 ， 进行资源的倾斜投入；如果发现是“双低”客群的话 ， 就直接pass掉 ， 不浪费资源 。 假如有个单高的 ， 就再基于营销资源做选择性的触达和唤醒策略 。
此外 ， 针对无场景的营销触达来说 ， 智能分析与传统模式的对比更为直观 。

文章图片

如果我们能有效利用数据 ， 比如利用信用分、智察分、猎客雷达形成多维度客户画像 ， 形成一份优质意向名单 ， 这一步的有效客户名单可能在数量上不如传统电销纸面上的数据更好看 ， 但是可以通过响应程度来进行筛选 。 由于数据画像后的客户行方已经非常了解了 ， 并不需要80多个变量的申请表 ， 只需要用简化的申请流程 。 最后经过风险的筛查 ， 最终我们算下来大概有240个人成功通过 ， 远远超过传统模式下的数量 。
整个过程中 ， 降低成本、增加响应 ， 提升客户体验从而提升客户忠诚度 ， 同时也减少审批端征信及人工审批成本 。
审批
审批在风险管理中扮演非常关键的角色 。
传统方法：一个信贷员的典型工作流程是查看用户资料——核实用户信息——反欺诈——第三方联系人电话沟通确认——审批复审——现场面审 。
这样流水线一样的严格程序会贯穿每一笔进件申请 ， 不断重复 ， 但是同样的流程背后是每个用户差异化的信息组合 ， 要以谨小慎微的态度面对每个数字甚至每个符号 ， 容不得半点差错——在这样高强度、机械性、重复性的劳动面前 ， 每个信贷员要承担数以百计的审批任务 ， 但仍然无法满足爆发式增长的业务量 。
在智能分析模式下 ， 大数据、人工智能技术已经全面渗透到 ， 从申请到智能信审、身份核实、反欺诈、信息核查、评分\策略等各个流程上 。分页标题#e#
另外在审批阶段 ， 初始额度的设置非常重要 ， 初始额度的设置是一个双刃剑 ， 用好了 ， 它就是非常有效的风险管理的手段 ， 同时又是影响/提升收益的工具 。 用不好的话 ， 哪怕优质客户 ， 给了他50万的额度 ， 如果他不用 ， 对于银行的经济资本和成本都是一种浪费 。
额度的使用和判断非常关键 ， 它决定了目标人群、以及目标人群下沉的程度 ， 这需要多维度的考虑 ， 这个环节谁做的好 ， 谁就能留住更多的客户 。
贷中
传统模式下 ， 银行在贷中监测的管理上能做得有限 ， 由于数据维度较为单一 ， 金融机构贷中监测主要依靠规则堆砌 ， 但没有形成体系 ， 这也就导致了预警时效慢 ， 当触及预警时 ， 往往事态已经比较严重了 。
而智能分析模式带来的革新可以用三句话来概括 ， 更多的数据、更多的体系和更多的预警 。
凭借更多的数据 ， 金融机构能更加了解客户及风险；依靠更多的量化风险评级体系 ， 能更精准评估风险程度 ， 形成预警体系；依赖更多的预警体系 ， 能更早发现用户风险、对交易账户进行更全面的保护 。 根据长期探索和沉淀 ， 同盾提出了贷中全面管理系统的理念 ， 我们可以做得更细致一些 ， 尤其是早期FPD ， 对于金融机构风险干预和预警起到重要作用 。
现场互动
1、现在动辄就是数据模型、言必称自动化 ， 是不是数据量越大越好？
杨景香：我的答案是不一定 ， 假如你有一亿人的数据 ， 首先我要知道数据覆盖率、人口分布是什么情况？如果都是集中在某个省或某个城市 ， 那覆盖率是有局限性的 ， 如果机构的业务是面对二三线城市的 ， 这一亿人的数据可能还不如十万个全覆盖的目标客户更为有价值 。
归根结底我们追求的是量和质的平衡 。
2、如果什么数据都没有 ， 银行的业务还能做吗？
杨景香：如果业务的展开只围绕数据驱动的模型和评分展开 ， 那就可能只能等这几个月 ， 积累一定样本 。 不仅仅是整体的大小 ， 还包括坏样本的大小 ， 如果坏样本不够 ， 不足以判断坏人长什么样 。
但是没有数据就不能开展业务吗？答案是否定的 ， 模型就是模型、评分就是评分 ， 模型不一定就是数据驱动的 ， 原来没有数据驱动的时候 ， 过去几十年银行的业务不是照样开展 。 这种情况下我们会依据专家模型 ， 根据我们在行业的经验积累提炼出的变量、规则 ， 结合经验权重搭建的专家模型 。
银行风控不能只看数据 。
尤其是对于一些中小银行来说 ， 没有知识储备、资金、经验和数据系统 ， 要如何弯道超车呢？
我认为可以采取自主研发实施+寻求外脑合作的方式 ， 比如同盾科技这样的外脑 。 同盾已经服务300多家银行 ， 成功完成了对6大国有银行、12家股份制银行、24家持牌消费金融公司全覆盖 。 沉淀下丰富的实战经验和知识财富 ， 可以直接嫁接到中小银行 ， 助力其跨越式发展 。 在没有数据的情况下 ， 从专家模型开展业务 ， 去积累数据 ， 直到可以支撑数据驱动或半驱动的业务模式 ， 在自主研发+外脑合作的模式下 ， 一家中小银行在“一无所有”的情况下 ， 从立项、开发、部署 ， 九个月内就能投入运营了 。

文章图片

我一直认为 ， 做金融风险管理是艺术性（经验）和科学性的结合 。
3、数据驱动的智能分析结果是否就能无条件相信？
杨景香：我认为千万不要迷信数据 ， 在数据上有判断 ， 在业务上也要有判断 。 历史上这样的案例比比皆是 。
另外 ， 经济环境的因素对数据模型的影响也不容忽视 。
有人会发现这么一个现象 ， 我的模型历史上表现 ， 比如KS、指标都还挺好的 ， 但现在经济下行时期业务就是很差 。 这个时候策略、人群都要细分一下 ， 找到风险恶化到不达标的人群 。 如果优质人群占大部分的时候 ， 那些边缘人群是要最关注的 ， 整体KS的稳定也不能代表风险排序能力的完好 ， 评分已经无法准确分辨出边缘客群了 。分页标题#e#
美国次贷危机的时候 ， 很多银行就发生了大量类似的事件 ， 如FICO评分在边缘人群的风险排序不准 ， 只能从策略来补救 ， 用其他的变量细分 ， 多维度的去找到边缘人群到底是谁 ， 有可能他们已经恶化了 ， 要及时止损 。
评分是策略之中的一个变量 ， 它可能只是50个变量之一 ， 在关键时期 ， 它可能很不好用 ， 要及时排查出来 。
作为风险管理的从业人员 ， 我不掩饰自己对于数据的喜爱 ， 对于数据的信赖 ， 但是要保持警醒 ， 要时刻提醒自己这是一门平衡的艺术 。

来源：(同盾科技)

【】网址：/a/2020/0818/kd435397.html

标题：杨景香|同盾咨询杨景香：金融风险管理既是科学也是艺术