导读
哈佛大学Gary King教授说过：“Big data is not about the data.” 大数据的价值不在于数据量，而在于数据分析和应用。数字经济时代，面对数据的爆发增长和海量集聚，如何充分释放数据要素价值、激活数据要素潜能，各行各业都在进行积极的数字化转型探索。金融是经济的血脉，银保监会在《关于银行业保险业数字化转型的指导意见》中指出，银行数字化转型内容之一，就是建立数字化风控体系、提升数字化风控能力。那么，银行要如何发挥大数据的价值，建立大数据风控模型，在数字化转型浪潮中乘风破浪呢？
1、产业金融服务数字化转型势在必行
数字经济正成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。新兴数字科技手段的快速发展以及成熟应用，为数字经济发展添加了强劲引擎，而近年来国家密集发布推动数字化转型发展的有关文件、规划等，则筑牢了数字经济发展的底座。
数字经济相关政策文件概览
我国数字经济规模2020年达到39.2万亿元，同比增长9.7%，占GDP比重38.6%，其中，产业数字化规模占数字经济总规模的80%。产业数字化转型的深入发展，推动着产业链上下游全要素逐步完成数字化升级、转型和改造，5G、物联网、区块链等技术的集成赋能下，产业数据具备了金融风险管理的参考价值，但是传统金融服务往往无法适应大量的数据积累，金融机构开展产业金融服务数字化转型势在必行。
金融的核心是风控，在银行等金融机构数字化转型中，大数据风控模型强势登场。大数据风控模型能够充分使用数据信息，融合和开发数据价值，降低由业务参与各方信息不对称造成的业务不确定性，成为风险控制更强有力的工具，为产业链上的企业带来金融活水。
2、透视大数据风控模型
风控模型主要用于评估和衡量借款方的还款能力。传统的商业银行风控体系以定性风险管理为主，传统风控模型数据基础较差，依赖人工操作、主观因素较强，且更多体现的是比较单一的、强特征的关系，较少考虑到其他相关变量对于结果的影响，效率较低、模型迭代周期较长、操作繁琐、耗时较长且模型部署的位置不灵活，这些都不适用于数字经济时代。
如今，商业银行越来越强调运用数字科技力量来降低风险管理成本、提升客户体验，《中国银行家调查报告（2021）》显示，91.3%的银行家积极接受和使用金融科技，而在金融科技重点应用领域中，大数据风控和反洗钱位列前三。据统计，全球金融机构使用的模型数量每年增速在20%左右，银行正是通过运用大数据构建模型的方法，对产业链上的企业进行风险控制和风险提示。
大数据风控模型四大特点
● 数据是基石
数据是构建大数据风控模型的立身之本，没有充分的数据支撑，可谓“巧妇难为无米之炊”，也就没有所谓数据驱动下的风控建模。
● 体现“大”数据
大数据的“大”也体现在数据维度多元化、参与机构多元化，包括企业的生产交易数据，各类金融业务中产生的金融数据，以及在工商、行政、司法诉讼、征信等各个方面产生的数据。
● 强调相关关系
强调相关关系，弱化对经验的依赖。构建大数据风控模型过程中，能够加入更多、更全面的非传统变量，站在更加客观的角度分析各变量间的相关关系，而不是像传统风控模型中更加依赖“经验”以及有因果关系的变量。
● 适用范围广
传统的风控模型一般是基于历史业务经验及数据形成，而大数据风控建模弱化了此方面的前提条件，能够将依据大量数据构建的模型广泛应用于某个业务，并能够反过来对模型进行验证和迭代优化。
大数据风控模型开发流程
相较于传统风控建模，大数据风控建模虽然在原理和方法论上没有本质区别，但要想对海量、多维的数据进行分析、评估、运用，需要设立相对标准化的开发流程，主要包括业务分析、数据探索和处理、模型构建和评估。一般来说，大数据风控建模分为下图七个步骤。
大数据风控模型开发步骤
制图：聚量集团
其中，后五个步骤耗用的时间占到整个开发过程的近90%，为了提高模型开发效率，常常使用自动化工具，进行模块化封装。此外，由于大数据的出现，机器学习在模型构建中也逐渐发挥着更大的作用，由此带来多种复杂的算法，一方面提高了模型的拟合能力，帮助模型挖掘价值，另一方面也实实在在提高了模型的复杂程度。
由于数字化能力的提升，金融服务得以下沉到产业链的各个细分场景中，大数据风控模型的运用越来越广泛。国有银行中如中国工商银行自研大数据风控智能服务平台，构建大数据风控模型，持续加强业务风险的识别和评估。城商行中如北京银行创新打造“京御”风控模型体系，累计上线近20个线上产品（22个数字化风控模型）、覆盖5大业务场景，全方位赋能产品创新、场景拓展、流程改造及效率提升。
3、进阶全产业链服务
当前，银行的数字化转型正向产业数字金融发展，而加快建设与数字化转型相匹配的风险控制体系、将数字化风控工具嵌入业务流程、提升风险监测预警智能化水平，是银行数字化转型的重中之重。产业数字金融模式下，银行可以服务产业链上所有企业，实现全产业链封闭场景中交易的数字化、透明化、可控化，形成“主体信用+交易信用”相结合的数字风控模式，进行更完整的业务和风险决策。
由此，也形成了“进阶版”的大数据风控模型。它以全产业链的商流、物流、资金流、信息流“四流合一”数据为基石，运用大数据计算处理技术和机器学习、深度学习模型，根据不同业务场景及风险管理需求进行设计、开发、调整、迭代，充分应用于贷前、贷中、贷后全流程的风险管理中：通过以交易信用为主的风险特征提示，构建企业评估模型、加强贷前排查，构建动态的贷款额度设定模型、提升贷中审批效率，构建企业收入预测模型、监测贷后按期还款能力，最终，形成风控的闭环管理，实现对产业链风险更全面的掌控，让银行真正做到敢贷、愿贷、能贷、会贷。
总 结
作为一家懂金融的科技公司，聚均科技助力银行建设智能风控平台，基于大数据、区块链、人工智能等技术，根据产业链行业特点及银行风控数字化转型需求，形成便捷开发、快速迭代、灵活部署的风控模型，实现风险识别、资产穿透、数据分析、风险预警的全流程智能管理，有效赋能商业银行实现智能化的风险管控能力，提高产业端金融供给的充分性和均衡性。
参考文献：
【1】中国信通院：《中国数字经济发展白皮书》
【2】吴军：《智能时代：大数据与智能革命重新定义未来》
【3】蒋韬：《银行风险与智能应用的深深与浅浅》
【4】蒋宏：《自动化特征工程和自动建模在风控场景的应用》
【5】人工智能前沿学习：《深度了解特征工程》
【6】融慧咨询、中关村互联网金融研究院：《数字经济下模型风险管理最佳实践白皮书》
【7】东方财富网：《北京银行数字化助推转型发展》
【8】中国银行业协会：《中国银行家调查报告（2021）》
