论文部分内容阅读
中图分类号：TP297 文献标识码：A 文章编号：1009-914X（2018）12-0180-01
随着科学技术的迅速发展，各行各业都处于大数据的浪潮之中。商业银行与互联网大数据的结合也是是一种必然趋势。本文在认识国内商业银行业务发展、大数据机器学习新技术发展的基础上，提出大数据机器学习算法在零售信用卡业务领域（贷前、贷中、贷后）的应用，最后针对我行信用卡业务发展现状，提出大数据时代下我行信用卡业务的具体提升方法建议。
一、我国商业银行业务发展现状
近年来，受国内宏观经济增速放缓、供给测结构调整等因素影响，商业银行不良贷款率不断攀升，据相关统计，全国商业银行平均不良贷款率由2012年末的0.95%上升至2017年末的1.74%。从不良贷款余额看，2017年末我国商业银行不良贷款余额已达到17100亿元，银行面临的信用风险挑战也愈发严峻。
二、大数据及机器学习算法在零售业务应用概述（以信用卡业务为例）
从信贷三个管理环节来看，分别为贷前管理、贷中管理和贷后管理。
（一）贷前管理
1.客户管理
信用卡分析人员通过搜集和处理大量数据，利用相应的机器学习算法建立模型，发现其数据模式及特征，以此来对客户进行分类，分析某个客户群体的特性、消费习惯、消费倾向和消费需求，进而推断出相应消费群体下一步的消费行为，然后以此为基础，对所识别出来的消费群体进行特定产品的主动营销。这样可以大大减少管理和营销成本，提高营销效果。
招商银行较早在机器学习算法的应用方面进行了探索和实践。招行采用了数据挖掘技术中的聚类分析技术和判定树算法建立客户细分模型，有针对性地选择目标客户进行推广，从而提高了营销的精确性，也大大节约了营销的成本。此外，招行还基于对客户消费数据的分析，利用特约商户模型选择目标客户，并主动邀请商家参加活动，大大提高了刷卡量。
2.信用评估
适用于大数据征信的机器学习算法包括人工神经网络、深度学习、支持向量机、随机森林、GBDT、集成学习等，与传统信用评估模型相比，通过机器学习算法可以大大提高信用模型的评分精度，减少银行违约损失，提高信用卡用户的申请效率。
3.发卡审批
在信用卡贷前审批环节，通过应用机器学习算法，可以实现自动化审批，节省人力成本，提高审批效率和审批精度。目前较为有效的机器学习算法包括以下几种：
1、朴素贝叶斯模型。将朴素贝叶斯分类模型应用于判断风险客户的银行审批业务中，帮助银行根据以往的先验知识判断申请客户是否是风险客户，帮助审批人员进行智能决策支持，提高了审批效率，降低审批风险。
2、梯度提升决策树。该算法对于信用审批决策有一定的辅助和支持作用，审批人员可以直接使用信用风险模型的预测结果，作为预测用户违约概率的工具；也可以把信用风险模型的预测结果作为其审批策略的一部分，规定其违约概率在某个数值以下的用户才能通过审批，提高审批精度和效率。
（二）贷中管理
1.风险排查
当前，商业银行为抢占信用卡市场份额，信用卡发放、审核宽松，只追求数量忽略质量，增加了信用卡贷后管理难度，加大恶意透支和经济案件发生，为银行带来巨大潜在风险。因此需要加强在信用卡的贷中阶段管理，实现交易风险管理、违约风险监控。
（1）交易风险
所谓交易风险是指通过对交易信息和交易数据的分析，通过数据挖掘和评分模型评定的存在欺诈或虚假交易的风险。防范交易风险，主要目的是保护客户利益。
最典型的交易风险是信用卡盗刷。现在，由于交易量激增，各大银行的信用卡部门开始依靠大数据，并通过机器学习和云计算的方法快速甄别未经授权的信用卡交易。用于信用卡检测的机器学习算法首先将被海量正常的交易数据和持卡人数据进行训练。交易结果会成为机器理解交易的一个重要维度，比如一个正常人可能每周买一次电、每两周去一趟购物中心等等，这些交易结果将成为正常交易的模型。接下来，机器将接受实时交易数据的考验，并给出该交易是否不合法的概率，比如97%，如果检测系统设置每笔交易不合法的概率不能高于95%，那么所有这些交易将被拒绝接受付款。
除盗刷意外，银行信用卡中心需要拒绝高风险交易。高风险交易涉及的参数很多，包括国家、城市、商户、客户信息等。以建行为例。近年来，建设银行陆续引进了VISA、万事达基于评分模型的实时交易监控系统，成为国内首家对跨境交易使用欺诈评分模型的银行。当一笔跨境交易发起时，系统会根据交易的国家、城市、地点、商户以及客户的行为特征，运用模型打分，并结合系统规则，实时拒绝高风险交易，保障客户用卡安全。2014年，建设银行通过交易监控侦测到的欺诈交易达18500多笔，为客户防范欺诈损失超过4.15亿元，成为客户身边看不见的“守护城墙”。
（2）违约风险
所谓违约风险，是指客户由于资金状况、消费水平等原因可能产生的违约还款的风险。防范违约主要目的是保护商业银行自身的利益。
BP神经网络可以用于信用卡风险预测和检测。如选择三个指标标量：个人特征、经济状况和信用状况。这些指标是动态的，在给客户发卡之后，一旦这些指标发生动态变化，就可能产生违约。因此在贷中管理阶段。可以基于动态的指标对用户的违约风险进行监测，从而实现保护银行利益损失的最小化。如中国银行依托技术工具，提高风险决策的规范化与科学化，不断优化和动态调整欺诈侦测规则参数，不断优化风险计量模型。
（3）额度管理
利用大数据驱动技术挖掘行内客户数据，以存量数据作参照，准确定位目标客户，实时精确的授信额度管理并主动授信。同时，挖掘有效的风险识别因子，预测客户交易所需授信额度，开展动态额度管理。如中国银行利用大数据实施客户的动态额度管理，用客户过去的行为数据和规律，来判断客户未来信用好坏的概率，并对信用好的客户调高信用额。
（三）贷后管理
从90年代信用卡出现开始，逾期与坏账便随之而来，催收也成为了信用卡贷后管理的重要一环。利用机器学习算法建立智能催收系统，根据用户具体逾期状况建立不同层次的催收模型。如美国一家服务全美20多家大银行的创新型互联网智能催收公司TRUEACCORD，他们依靠的就是一个自动化系统，利用社会网络分析和行为分析等，自主研发一套催收评分卡模型，将逾期借款的人分类从按逾期天数、金额简单的划分改为按还款能力、还款意愿进行细分，在进行风险评级之后，对不同的客户在不同的时间，用不同的手段，不同的频率触达，推行不同的催收策略。这种做法不仅使得催收工作更有针对性，也节约了大量的人工成本，提高了催收進件到分类处理的效率和回款率。能够提前预测客户在早期将会发生失联的可能性，排查存量客群中的高风险客户，进而及时调整、修改催收策略，提升催收效率。同时，该公司在传统催收数据中创新融入社交数据，能够精准勾勒逾期客户画像，拓宽逾期人的联系渠道，直击客户失联的痛点。以M1-M2的早期不良贷款处置为例，采用机器学习模型分类的案子最快能做到当天回款，而传统催收一般需要一周左右回款，回款率得到较大提升。
三、我行信用卡业务提升方法建议
2018年，随着金融科技与信用卡业务的不断融合，如今信用卡的定位已经不再是纯粹的支付工具，而是在不断融合大量消费场景的背景下，令信用卡成为一个链接各类消费场景的流量入口，将金融服务体验嵌入消费支付场景中，推动消费升级、提升用户体验。
为保障信用卡中心达成2018年经营目标，建议以项目为依托开展新模型建设和开发，并联合向行内申请模型开发资源，从而满足信用卡中心新业务的发展以及精细化管理要求。对于存量已有模型，合作建立科学的模型评价机制，确保模型计量结果准确。
随着科学技术的迅速发展，各行各业都处于大数据的浪潮之中。商业银行与互联网大数据的结合也是是一种必然趋势。本文在认识国内商业银行业务发展、大数据机器学习新技术发展的基础上，提出大数据机器学习算法在零售信用卡业务领域（贷前、贷中、贷后）的应用，最后针对我行信用卡业务发展现状，提出大数据时代下我行信用卡业务的具体提升方法建议。
一、我国商业银行业务发展现状
近年来，受国内宏观经济增速放缓、供给测结构调整等因素影响，商业银行不良贷款率不断攀升，据相关统计，全国商业银行平均不良贷款率由2012年末的0.95%上升至2017年末的1.74%。从不良贷款余额看，2017年末我国商业银行不良贷款余额已达到17100亿元，银行面临的信用风险挑战也愈发严峻。
二、大数据及机器学习算法在零售业务应用概述（以信用卡业务为例）
从信贷三个管理环节来看，分别为贷前管理、贷中管理和贷后管理。
（一）贷前管理
1.客户管理
信用卡分析人员通过搜集和处理大量数据，利用相应的机器学习算法建立模型，发现其数据模式及特征，以此来对客户进行分类，分析某个客户群体的特性、消费习惯、消费倾向和消费需求，进而推断出相应消费群体下一步的消费行为，然后以此为基础，对所识别出来的消费群体进行特定产品的主动营销。这样可以大大减少管理和营销成本，提高营销效果。
招商银行较早在机器学习算法的应用方面进行了探索和实践。招行采用了数据挖掘技术中的聚类分析技术和判定树算法建立客户细分模型，有针对性地选择目标客户进行推广，从而提高了营销的精确性，也大大节约了营销的成本。此外，招行还基于对客户消费数据的分析，利用特约商户模型选择目标客户，并主动邀请商家参加活动，大大提高了刷卡量。
2.信用评估
适用于大数据征信的机器学习算法包括人工神经网络、深度学习、支持向量机、随机森林、GBDT、集成学习等，与传统信用评估模型相比，通过机器学习算法可以大大提高信用模型的评分精度，减少银行违约损失，提高信用卡用户的申请效率。
3.发卡审批
在信用卡贷前审批环节，通过应用机器学习算法，可以实现自动化审批，节省人力成本，提高审批效率和审批精度。目前较为有效的机器学习算法包括以下几种：
1、朴素贝叶斯模型。将朴素贝叶斯分类模型应用于判断风险客户的银行审批业务中，帮助银行根据以往的先验知识判断申请客户是否是风险客户，帮助审批人员进行智能决策支持，提高了审批效率，降低审批风险。
2、梯度提升决策树。该算法对于信用审批决策有一定的辅助和支持作用，审批人员可以直接使用信用风险模型的预测结果，作为预测用户违约概率的工具；也可以把信用风险模型的预测结果作为其审批策略的一部分，规定其违约概率在某个数值以下的用户才能通过审批，提高审批精度和效率。
（二）贷中管理
1.风险排查
当前，商业银行为抢占信用卡市场份额，信用卡发放、审核宽松，只追求数量忽略质量，增加了信用卡贷后管理难度，加大恶意透支和经济案件发生，为银行带来巨大潜在风险。因此需要加强在信用卡的贷中阶段管理，实现交易风险管理、违约风险监控。
（1）交易风险
所谓交易风险是指通过对交易信息和交易数据的分析，通过数据挖掘和评分模型评定的存在欺诈或虚假交易的风险。防范交易风险，主要目的是保护客户利益。
最典型的交易风险是信用卡盗刷。现在，由于交易量激增，各大银行的信用卡部门开始依靠大数据，并通过机器学习和云计算的方法快速甄别未经授权的信用卡交易。用于信用卡检测的机器学习算法首先将被海量正常的交易数据和持卡人数据进行训练。交易结果会成为机器理解交易的一个重要维度，比如一个正常人可能每周买一次电、每两周去一趟购物中心等等，这些交易结果将成为正常交易的模型。接下来，机器将接受实时交易数据的考验，并给出该交易是否不合法的概率，比如97%，如果检测系统设置每笔交易不合法的概率不能高于95%，那么所有这些交易将被拒绝接受付款。
除盗刷意外，银行信用卡中心需要拒绝高风险交易。高风险交易涉及的参数很多，包括国家、城市、商户、客户信息等。以建行为例。近年来，建设银行陆续引进了VISA、万事达基于评分模型的实时交易监控系统，成为国内首家对跨境交易使用欺诈评分模型的银行。当一笔跨境交易发起时，系统会根据交易的国家、城市、地点、商户以及客户的行为特征，运用模型打分，并结合系统规则，实时拒绝高风险交易，保障客户用卡安全。2014年，建设银行通过交易监控侦测到的欺诈交易达18500多笔，为客户防范欺诈损失超过4.15亿元，成为客户身边看不见的“守护城墙”。
（2）违约风险
所谓违约风险，是指客户由于资金状况、消费水平等原因可能产生的违约还款的风险。防范违约主要目的是保护商业银行自身的利益。
BP神经网络可以用于信用卡风险预测和检测。如选择三个指标标量：个人特征、经济状况和信用状况。这些指标是动态的，在给客户发卡之后，一旦这些指标发生动态变化，就可能产生违约。因此在贷中管理阶段。可以基于动态的指标对用户的违约风险进行监测，从而实现保护银行利益损失的最小化。如中国银行依托技术工具，提高风险决策的规范化与科学化，不断优化和动态调整欺诈侦测规则参数，不断优化风险计量模型。
（3）额度管理
利用大数据驱动技术挖掘行内客户数据，以存量数据作参照，准确定位目标客户，实时精确的授信额度管理并主动授信。同时，挖掘有效的风险识别因子，预测客户交易所需授信额度，开展动态额度管理。如中国银行利用大数据实施客户的动态额度管理，用客户过去的行为数据和规律，来判断客户未来信用好坏的概率，并对信用好的客户调高信用额。
（三）贷后管理
从90年代信用卡出现开始，逾期与坏账便随之而来，催收也成为了信用卡贷后管理的重要一环。利用机器学习算法建立智能催收系统，根据用户具体逾期状况建立不同层次的催收模型。如美国一家服务全美20多家大银行的创新型互联网智能催收公司TRUEACCORD，他们依靠的就是一个自动化系统，利用社会网络分析和行为分析等，自主研发一套催收评分卡模型，将逾期借款的人分类从按逾期天数、金额简单的划分改为按还款能力、还款意愿进行细分，在进行风险评级之后，对不同的客户在不同的时间，用不同的手段，不同的频率触达，推行不同的催收策略。这种做法不仅使得催收工作更有针对性，也节约了大量的人工成本，提高了催收進件到分类处理的效率和回款率。能够提前预测客户在早期将会发生失联的可能性，排查存量客群中的高风险客户，进而及时调整、修改催收策略，提升催收效率。同时，该公司在传统催收数据中创新融入社交数据，能够精准勾勒逾期客户画像，拓宽逾期人的联系渠道，直击客户失联的痛点。以M1-M2的早期不良贷款处置为例，采用机器学习模型分类的案子最快能做到当天回款，而传统催收一般需要一周左右回款，回款率得到较大提升。
三、我行信用卡业务提升方法建议
2018年，随着金融科技与信用卡业务的不断融合，如今信用卡的定位已经不再是纯粹的支付工具，而是在不断融合大量消费场景的背景下，令信用卡成为一个链接各类消费场景的流量入口，将金融服务体验嵌入消费支付场景中，推动消费升级、提升用户体验。
为保障信用卡中心达成2018年经营目标，建议以项目为依托开展新模型建设和开发，并联合向行内申请模型开发资源，从而满足信用卡中心新业务的发展以及精细化管理要求。对于存量已有模型，合作建立科学的模型评价机制，确保模型计量结果准确。