台湾金融分析联盟

谈商业银行客户化评分的发展与应用

东伯利亚 2020-08-09 12:15:20

随着《商业银行资本管理办法》的颁布,各家商业银行均以节约资本为目的开展巴塞尔协议Ⅲ(以下简称“巴三”)项目。在商业银行设法轻资本运营的同时,互联网金融横向介入,使原本已经竞争激烈的市场更加血腥。本文就商业银行信用卡业务零售信用评分的发展、应用以及未来作一简单阐述。


信用评分模型的发展历程


商业银行在开展信贷业务初期,主要应用政策、制度、流程来控制风险,但随着业务规模的扩张,尤其是零售业务规模的扩大,传统的以人工经验为基础的审批模式已不适用,人力成本的上升也让银行承受着巨大的成本压力。各银行除需严格控制审批成本外,还需提高业务处理效率,才能获得客户的认可;同时,量化的预测风险,做出正确的审批判断也至关重要。在此背景下,依靠数据挖掘和统计分析方法开发的各类信用评分模型(以下简称“评分模型”)在批量化、标准化、高效化等方面占有巨大的优势。尤其是在信贷业务过程中,风险评分模型对未来坏账预测的准确性已经远超出传统的经验审批。信用评分模型项目作为巴三项目的基础,也逐渐在各行推广实施。


评分模型建设的基本情况


商业银行发展初期主要的经营工作集中在对公信贷业务和个人抵押信贷业务上,此类业务可以短时间内实现规模增长,审批主要以人工经验以及抵质押品情况来决定。随着银行规模的逐渐扩张,业务线条的完善,零售信贷业务逐渐向规模化、小额化、批量化发展,信用卡业务是其中一项典型的小额贷款业务。尽管利用统一的授信标准进行管理,但是依赖人工经验的审批方式处理信用卡业务在效率及风险把控能力上存在较大的缺陷。由于规模巨大,信用卡业务在各行中都是首先启动信用评分模型的建设。先期,商业银行大都选择专家经验的申请评分模型,同时引入决策引擎等先进的管理工具,配套调整原有的审批政策和审批流程,在部分程度上实现审批自动化。


通过一段时间的应用,银行内部对评分模型的应用积累了一定经验,对应用决策引擎进行流程化处理的业务模式逐渐适应。同时,数据量的积累使得银行具备了建立数据驱动模型的能力。加之巴三项目实施第一阶段就要求对所有客户进行定量的风险分析。这时,以自有数据驱动的评分模型建设应运而生。数据驱动的评分模型建设将带来以下成果:


一是由专家评分模型转为数据驱动的评分模型,预测能力将大幅提升。具有超过5年数据长度和大于500个有效违约客户的数据时,数据驱动的评分模型能够有效提高评分模型的群体稳定性指标(PSI)、柯尔莫格洛夫-斯米尔诺夫指标(K-S)等各项指标,为巴三达标打下坚实的基础。同时足量的交易、表现数据积累,能够开发信用卡业务相关的申请、行为、催收三类评分模型,并按照一定的维度进行客户细分,极大地提高了单个模型的预测能力,总体上更能够区分“好坏客户”。


二是建设风险数据集市。如果在全行体系下建立信用评分模型,可以充分整合行内个贷、小微、零售等多部门数据,实现数据收集与交叉应用,有效提高风险预警能力。


三是批量化的审批作业模式。经过业务梳理,能够实现流程化、标准化、批量化的审批模式;通过审批节点拆分、人员岗位分离的分配方法,使得人员配备、岗位设置、审批流程更为标准、科学、高效。多节点划分模式,已基本满足未来几年的业务发展需要,如果功能变更等需求,仅需在部分节点上改动即可,具有较强的扩展性。


四是建设报表体系,实现监控管理。通过报表监控,能够清楚的了解评分模型的运行情况,同时对业务中的规则运行情况也能够进行后端评价,如自动审批线的设定等,为后期评分及策略调整打下数据基础。


五是培养内部团队,在模型开发、策略制定、流程梳理方面,提高了自有员工的业务能力。


六是评分模型的建设信用卡业务发展带来了活力,使得信用卡业务向自动化、智能化全面迈进。


对信用评分模型建设的认识


评分模型建设一般周期较长,无论是专家评分模型还是数据驱动的评分模型,考虑上实施周期,需要近一年的时间。同时其中业务过渡也要经历很长的周期,在开发与实施的过程中将面临不同的问题。总体来看,各行遇到的问题均有自己的特点,这与企业架构、人员配置、业务目标息息相关。下面简单谈一下笔者对此的认识。


因地制宜,落地实施为根本。从评分模型建设中可以发现,评分模型本身只是项目中的一个重要组成部分,配套的实施应用才能充分发挥其的最大功效。如果仅拥有不足三年的数据积累,同时系统又不够完善,则开发数据驱动的评分模型存在较大的风险,模型稳定性将不足以支持业务持续开展。所以采用专家经验的评分模型既符合实际需要,又在一定时期内具备稳定性。同时运用自有客户进行数据验证以及校准,使得模型切合自行业务,在实施、投产过程中项目难度也较为适中。同时上线后定期进行监控,确保评分模型的适用性。


对于积累足够数据的银行,数据驱动的评分模型能够更好地适应业务发展,同时结合行内自身系统建设规划,分步骤进行落地实施,逐步在贷前、贷中、贷后三个环节充分利用各类评分模型,达到全流程数据决策的目的。


数据为基础驱动力。评分模型是在统计学基础上,结合业务经验,得出的具有普适性的工具。因此数据积累就成了重中之重。在开发中过程中可发现,由于对数据的重视程度不足,部分关键信息收集上出现了遗漏或缺失,对后期模型建设产生了重大影响。因未来模型的准确性完全取决于数据收集的全面性,笔者建议,在业务开展过程中,尽早实现系统化(如征信报告电子化、黑名单电子化等),如果无法进行系统化,应第一时间对数据进行记录(如各类清单资料)。如在实际业务中发现,传统欧美经验认为,自有房产客户普遍信用较好;而数据分析显示,国内拥有房贷的客户才更注重信用,风险更低。


业务开展,稳定很重要。以北京银行为例,一期项目虽然开发的是专家经验的评分模型,验证也仅运用北京地区数据进行。但实际上运用3年后模型仍未发生较大退化,同时在异地分行的申请上,评分模型仍能够产生很好的效果。二期项目的数据分析也显示,在我行的发卡地区上,模型无较大差异,能够通用。商业银行除新业务外,大部分传统业务的政策不会发生较大的变化,故在一定经济周期内,评分模型大体稳定,仅需要对个别变量进行微调即可。


数据与业务兼得的精英团队。项目开发中,如果希望缩短进度,需要挑选精英团队,同时熟悉系统与业务。开发评分模型需要进行数据分析、模型设计、数据准备、细分分析、模型确定、模型验证等众多环节,任何一点都是业务和数据结合的关键点。尤其是针对小银行以及城商行,人员不具备建模条件的情况下,主要依赖第三方咨询公司,这样更需要行方核心人员的充分介入。


评分模型开发人员参与开发。在整个项目中,并不是评分模型开发完毕项目就结束,评分模型的部署实施同样关乎项目的成败。模型的实施基本上是对开发的重现,每一点都至关重要,反复的确认需求细节,才能够保证项目事实准确。笔者建议此处需要模型开发人员全程参与,保证质量。


客户化评分模型未来的发展趋势


目前,国内外评分模型建设项目,大部分仍采用传统的费埃哲评分体系,也就是利用逻辑回归,针对的变量或衍生变量进行模型建设,目标变量明确,基本上包含是否违约、是否适合营销、是否符合特定维度要求等。费埃哲评分体系在应用中有着方法通用,建模过程标准化、流程化,部署应用较为简单等诸多优点,同时模型稳定性较好,故深受商业银行的青睐。


但随着互联网应用技术的发展,获取数据的广度和深度不断加大,很多变量对风险的预测能力非常微弱,但是如果收集足够多的变量,其预测能力将出现质的飞跃。在模型建设方面,国内外互联网公司已经开始摒弃传统的逻辑回归模型,进而采用机器学习方法,从而开发出强大的预测模型。


随着依托大量征信数据的中征信数字解读即将投入使用,以腾讯、阿里为后台数据的第三方征信评分也逐步完善。自有评分体系尚未完善的银行,可以充分借助第三方评分来迅速扩大自身规模,同时积累自身数据,以达到开发自有评分的目的。由于无法获知这些评分的具体计算方法,建议在进行充分数据验证后再确定是否应用,或进行部分测试后再大规模应用。


信用评分模型的未来,就是信贷业务的未来,从国外的发展来看,做大、做强并不是银行的竞争力,做精做细才能够实现利润最大化。金融危机的发生对传统的信贷风控手段提出了重大的挑战,巴三的出现正是为了防范这种全球性风险。作为巴三的根基,评分模型是否准确决定了信用风险、市场风险、操作风险的衡量是否准确。相信未来微信、微博等大量的非结构化数据将逐渐进入模型变量,从而使风险无处遁形。


友情链接

Copyright © 台湾金融分析联盟@2017