深度连载三：经济转型期的普惠金融——技术变革提升风险管理水平

客户风险的产生和识别一般包含产生、发展和暴露的演化过程，风险识别的目的是在客户风险演化的初期，对各种风险信号或可能导致产生风险的交易行为等进行及时判断。值得注意的是，普惠金融业务中的逆向选择和道德风险问题仍然是风险识别的弱点，前期的信贷审查往往不能准确把握客户风险暴露情况，潜在风险难以识别。愿意支付较高贷款利息的贷款者往往更加容易获得贷款，但由于其经营方式或投资活动的高风险性往往面临较大道德风险。因此，风险识别与计量应该作为风险管理的关键起点，无论对传统商业银行，还是对互联网金融企业，风险识别都是未来重点探索与扩展的主打方向之一。

经过大量的数据资源，包括商品流、资金流、信息流资源在内的大数据整合，抓住风险因素暴露出的特征，并抓住风险新规律和新特征，及时调整优化信用识别模型。对于已识别的风险，利用互联网数据运用风险监测数据对风险进行量化与建模，比传统方式更有依据。以前的风险管理往往用的是抽样样本。而大数据是全样本，所有的数据都纳入这个分析之中。

大数据技术对企业历年生产经营数据的深度分析，能真实反映其经营、成长发展现状。大数据技术在准确掌握企业发展状况的基础上，设计出量化的企业风险，极大的加强企业风险可审性。应用大数据技术为金融机构控制和防范风险，能够实现24小时全天候、量化地进行风险跟踪。

风险匹配即风险与收益的最优匹配，在同等风险下追求更高收益，在同等收益下追求更低风险。在大数据技术运用之前，对于特殊人群、项目等的差别分析，都是靠文字描述，并不能有效地把它的风险收益特征揭示出来。而大数据的出现使得风险匹配与风险定量成为可能。利用大数据信息与技术，可以搜索到借款人的区域及该区域借款人的特征；借款人的行业及行业特征、行业运行状况等，都可做成定量或者可视化的东西。对于借款人以前的记录、尤其是借贷方面的，可以马上生成弹窗式的风险提示。这就是一个方便审贷的很好的辅助工具。通过这一工具，就能设计出与风险匹配的金融产品，也可用于预测风险，提醒企业及时转移、分散风险。

运用大数据设计与风险匹配的金融产品

大数据使用实验设计，可以更好地识别产品收益和风险之间的关系，更好地进行产品设计和销售。金融产品的风险和收益都受到诸多因素的影响，正确地认识这些因素，准确地度量这些因素的影响力，我们才能更好地进行产品设计和调整。大数据恰好可以提供一系列实验设计模型，帮助根据定义的因子和响应，自动地进行试验模型的选择，并提供设计评估工具集，帮助进行模型评估，确保实验设计的正常性。最终设计出与风险相匹配的产品，并结合对用户信用评估进行销售。即对不同信用级别对象，销售与之相适的、不同风险与收益的产品，在提高销售成交率的同时，降低销售风险。所以，基于大数据的应用，可将金融产品与其客户有机结合，设计出与风险匹配的金融产品，帮助金融平台在提高收益的同时降低风险。

大数据预测未来，帮助风险转移、分散

风险的转移与分散最直接的体现就是借款客户数量众多，如果采用传统的信审模式，在还款能力、还款意愿等难以统一量度的违约风险判断中，风控成本会高至业务模式难以承受的水平，这也导致很多平台铤而走险做大额借款。大数据为风险控制提供了新的技术与方法，其对风险转移、分散的作用和意义十分重大：

1）大数据帮助实现金融服务对象的极致分散。

2）大数据可以为分散金融额度。

3）大数据帮助实现自动化决策风险控制，及时转移风险。

大数据助推风险预警机制构建

在大数据时代，利用企业内部积累的大量数据和互联网上的海量信息，建立风险预警机制，使得用自动化的预警系统替代大量人工成为可能。但是，在普惠金融业务中所面临的规模失控与违约风险却不可忽视。多头负债是小额信贷业务中最显著的问题，随着小额信贷业务的快速发展，部分金融机构重复放贷，借款人由于盈利能力不足而无法弥补利息本金支付，出现大面积违约，造成小额信贷市场的规模失控，违约风险暴露加剧。在解决多头信贷问题中，风险预警机制的构建与风险的监测、防控系统的紧密配合起到了至关重要的作用。

大数据实时监测风险保障资金安全

无论是传统金融机构还是互联网金融企业，依托于网上平台和线上系统，均可开发风险实时监测系统，使客户在不同渠道的交易历史在系统内得到汇总，打破各个系统间的信息孤岛问题，为全面、准确进行风险评估和分析提供了有力支撑。依据客户交易的风险评估结果，平台可以选择最适合的后续措施，包括对客户进行二次认证、对客户进行现场核实及直接放行等，在保证风险得到有效控制的前提下，保证良好的客户体验。

大数据分析可视化展现风险防控过程

大数据为传统金融机构带来风险防控的新机遇。大数据分析技术可以对海量数据的复杂关联关系进行有效的梳理、分析、并且可视化展现，大数据技术在内控合规、反欺诈以及信用风险防范等方面发挥了不可替代的作用。大数据成为互联网企业风险防控的根基之本。

依托于互联网的广阔数据含量，大数据为风控数据挖掘指明了方向，并运用新兴互联网手段及方法对数据进行筛选和清理，为后续风控数据分析与风险评估提供充足的原料素材。在海量且庞杂的互联网大数据中，与风险控制相关的大数据主要有以下六类：

1，电商类网站大数据。

2，信用卡类网站大数据。

3，社交类网站大数据。

4，小贷类网站大数据。

5，支付类网站大数据。

6，生活服务类网站大数据。

大数据为风控提供了良好的数据原料，为风险管理与风险评估提供支持与保障。风控数据的加工作为风险决策的前导环节，在风险管理中的地位不可小觑。在面对海量的数据素材时，大数据保证了用于风控的历史数据具有一定的广度和深度。数据广度即风控数据来源的多样化，数据深度即风控数据是否具备还原真实业务流程的数字逻辑。其次，大数据准确定位了风控数据的边界，即自动化定位风控的主体、行业，深耕其主要特征与风险控制要点，如大学生消费贷应明确大学生人群特征，农机农具贷款应考虑行业定位与需求方向等。最后，大数据技术助力数据加工与信用评估过程。在获得明确的数据后，通过模型计算或机器学习可以对不同类型的数据进行智能化归集和处理，为信用评估与决策奠定坚实基础。

大数据的应用为金融企业带来了风险决策模式的创新。结构性数据和非结构性数据总量越来越多，加上分析工具的日益复杂化，都促使决策形式朝着以数据为导向不断转变。一方面，通过多渠道采集数据，更加全面、准确、实时地掌握借款人信息，能有效降低信息不对称带来的风险。另一方面，利用大数据技术可以找到不同变量间内在关系，形成更准确的决策模型。同时，大数据的使用也提高了风险决策的效率和质量。伴随着其它技术进步，大数据的兴起极大地缩短了响应时间，显著地拓展了实时决策的范畴。