深圳农商行：零售信贷风控系统项目案例

随着深圳农村商业银行客户数量、业务种类和贷款额度的日趋增加，以及与市场同类产品之间竞争的逐渐加剧，使得信贷中的运营成本和风险成本在近年内显著升高。为此，不仅对于前端业务员的营销、获客、风险以及客户管理能力提出更高要求，而且对于后端管理人员的风险管理、客户管理、产品定价和贷款政策等等的要求和标准日益提高。同时，随着贷款主体的业务状况和商务运营状况日趋复杂，贷款业务的风险和客户管理要求也日益提升。

经过长期的业务发展，深圳农村商业银行已经积累了丰富的数据资源，包括行内的信贷业务数据、第三方征信、贷后行为以及业务员的调查报告信息等。利用上述丰富的数据资源，深圳农村商业银行于今年初开始建设零售信贷风控系统，采用大数据分析技术，对信贷客户及其产品进行更加精准的风险评估。通过完整的数据采集、清洗、挖掘等大数据分析过程，可以对行内信贷业务进行全面梳理。进而，采用评分卡建模和决策树等先进技术，完成对信贷产品客户定制化的评分卡及策略的建设。最终提升信贷审批效率、降低运营成本和风险成本，平衡信贷产品总体资产质量和信贷产品盈利能力的关系，从而总体提升深圳农村商业银行在该领域的竞争力。

该项目的目标主要体现在以下几个方面：

l 在同等逾期风险比例的情况下，降低运营成本。

l 在业务量增加的情况下，保持同等的通过率，并且保持逾期风险比例不变，或者对于逾期风险比例有所降低。

l 在业务量不变的情况下，提高通过率的同时，保持或者降低逾期风险的比例。

l 通过高通过率，高效审核流程，低成本的获客和信用审核流程，以及具有竞争力的产品利率，增加风险低的高端优质客户的比例并降低流失率。

l 量化识别高风险客户和优质低风险客户，并做出不同的审批策略。

l 提高客户分层体验，越是高端的客户审批速度越快。部分产品实现自动化审批。

l 降低审批风险对审批人员素质的依赖性，一定程度上防止内部欺诈案件的发生。

实施时间实施过程

本项目开始实施的时间为2017年5月份，预计结束时间为2018年4月份。项目实施范围覆盖本行现有的零售、小微及信用卡贷款产品；同时涵盖客户预筛选、信审模型、自动审批支持、贷后风险预警等功能，覆盖整个零售信贷业务生命周期。

主要内容有以下方面：

1、存量业务风险剖析

2、零售信贷评分卡 (信用类,不含信用卡、抵押类、信用卡类)及策略咨询

1）客户预筛选评分卡及策略；

2）信审评分卡咨询及策略；

3）贷后评分卡咨询及策略。

3、搭建统一的零售信贷风控平台，包含以下功能模块

1）预筛选模型评分卡评分及应用模块；

2）信审评分卡评分及应用模块；

3）贷后预警及贷后管理策略应用模块；

4）模型监控模块；

5）系统管理模块；

6）统计查询模块；

7）数据导入导出模块；

8）批量任务计算及日志分析和管理模块。

2017年5-6月完成行内存量业务风险剖析、零售信贷评分卡及策略咨询。2017年9月底，完成“客户预筛选评分卡及策略模型”及其应用、管理模块的系统设计、模型开发、结果验证和系统测试，并于9月份上线了“信用卡预筛选评分卡及策略模型”及其应用、管理模块，预计10月份上线“抵押类和信用类预筛选评分卡及策略模型”及其应用、管理模块。预计2017年12月份，完成“信审评分卡及策略模型”及其应用、管理模块的上线。预计2018年4月，完成“贷后评分卡及策略模型”及其应用、管理模块的上线。具体如下：

应用技术

大部分传统和常规实施的信贷业务系统主要是流程的定义和实现，最重要的是清晰的功能定义和功能在各流程环节的实现，而风控模型及策略系是以数据为驱动、模型为核心的系统。其有如下的特点：

1、通过数据驱动的系统设计来满足零售信贷业务的需求。系统涵盖了数据清洗、分析、提炼、计算、整合和复杂应用。通过人工智能和大数据技术，对来自核心系统的数据、业务系统的数据、外部实时对接的数据、以及人工整理的数据等等进行了全面的分析和建模，采用了国外顶尖的分析和技术，构建可靠的系统模型。

2、保证系统的长期迭代和演进，不做一次性的数据建模。通过项目从整体上考虑不同类别和来源的数据对接、清洗、验证、提炼、存储、整合、升级迭代和后期交叉利用，并且通过科学的分析及智能学习的方法进行多维度的分析，支持系统的长期迭代和演进。

3、优化的算法和集成技术，保证线下数据和线上实施结果的正确性、回溯性和稳定性验证。通过标准化的开发平台结合分析、IT领域的专家经验和技术，充分保证各类算法的效率、正确性、回溯性、重现性和稳定性。并在多方面进行效率优化。

4、先进的数据验证技术保证模型的全面测试需求。采用了多种自动化的手段和工具，通过海量数据的测试，保证了系统结果的正确性和稳定性。

5、快速的部署和实施。通过计算引擎、策略引擎、模型监控等多种模块搭建了稳定可拓展的系统结构，同时保证了系统的快速开发和部署。

应用效果

1、引入客户预筛选以及自动化审批决策辅助机制，提升零售信贷业务审批效率

2016年全年我行信用卡共开卡7.89万张，平均每周每人审批300多笔信用卡申请。零售贷款业务全年审批1.48万笔，平均一笔零售贷款业务需要经过3~4个人审批，平均每周审批零售贷款100多人次。

通过零售信贷风控系统建设，将客户预筛选和自动化审批决策辅助机制引入我行零售信贷业务以及信用卡业务，能够大大提高审批效率，同时优化人力资源配置，使得更多人力资源可以向前台倾斜，促进本行业务发展。

从2017年9月21日上线的信用卡客户预筛选模型来看，截止2017年9月30日，信用卡客户预筛选模型共对2310个信用卡申请进行了筛选，其中自动拒绝390个申请，自动拒绝率17%。自信用卡客户预筛选模型上线一周以来，共审批信用卡2700多件，较上线前一周（1800多件）增加50%，审批效率大大提高。

2、提高审批通过率，降低业务拓展成本

通过该项目的实施，在不良率控制在合理范围的情况下，可以提高审批通过率，减少业务拓展成本。

2017年5-8月份，信用卡人工审批件总计27757件，审批通过19059件，审批通过率为68.66%。通过对这段时间的生产数据进行模型验证，验证结果显示审批通过14553件，审慎通过为12311件，审批拒绝893件，审批通过率为96.78%。在对风险进行量化，不良率可控的情况下，审批通过率可以得到较大提高。

3、对零售信贷风险量化，为我行零售信贷精细化管理提供有力保障

我行现有贷款风险暴露是有一定的时间滞后的，因此使用五级分类、欠供率等指标衡量贷款风险存在一定的时间滞后，不能准确反应真实的风险状况。通过零售信贷风控系统建设，使用评分模型对每个客户违约概率进行估算，进而对客户名下业务风险量化，为授信业务人员的风险管理、客户管理、产品定价和贷款政策等提供数据支持，为我行零售信贷精细化管理提供有力保障。

更多金融大数据案例：
【案例】中国人寿：大数据服务平台
【案例】江苏银行：智多星大数据分析云平台项目