1703655176
三、分级预警机制
1703655177
1703655178
由于风险情况的复杂性，在有效的预警体系内，需要设计差异化的预警体系。所谓差异化是以识别预警信号的严重程度和所需的响应速度为基础，通过设置预警级别来实现。预警级别所要解决的问题是，告诉金融机构预警信号的严重程度，并明确需要处置的紧急程度。简单地说，就是将全部预警信号区分为严重兼紧急、严重不紧急、不严重但紧急以及可滞后处理的不严重也不紧急的观察类预警信号。根据预警信号的级别，处置的速度、方式可有较大差异。无论对于哪种级别的预警信号，均需做出相应的原因分析，找到发生预警的原因，但针对原因而采取的措施，可根据预警级别具体考虑其实施的范围和实施的速度。
1703655179
1703655180
分级预警需要以预警指标的有效设置为前提，即知道观测何种指标做出预警，依据何种指标衡量预警紧急程度和严重程度。在预警指标的选取上，要遵循全面、充分的设计原则，既要反映业务风险水平，同时又要体现出不同维度上的个性特征，并定期对预警指标进行检视。这些预警指标通常与预警阈值共同作用，预警阈值根据指标反映出的风险状况设置不同的等级，当指标突破某一预警阈值时就启动相应级别的差异化管理措施。
1703655181
1703655183
四、“互联网预警”
1703655184
1703655185
这里说的互联网预警指的是结合互联网大数据的预警体系，将金融机构预警信号的获取范围从内部推向了外部，从有限的公共记录推向了无限的网络世界。互联网预警的优势突出体现在信息全面性和更新及时性两个方面。
1703655186
1703655187
互联网预警体现了预警信息全面性的必然趋势。个人客户在互联网上的行为信息为金融机构的预警信号捕捉提供了更多的信息素材，仅仅是简单地在网络上搜索“借钱不还会怎么样”之类的文字，就可能预示着一起个案违约的发生。在互联网和移动通信渠道与金融的关系日益密切的今天，客户在网上申请贷款，或是通过手机转账的时候，相应的设备编号和入网编码已经为后端客户同一的识别提供了基础。
1703655188
1703655189
通过网络可以将金融机构所需的各类外部信息统统收入囊中，包括公安违法信息、法院执行信息、税务缴税信息、行业重要新闻、个人或企业负面信息、借款人社交关系网中的重大负面情况、借款人的网络浏览行为、资金支付结算情况等。甚至没有信息本身也是一种信息，一个借款前网络活动频繁的用户突然“失踪”了，也很可能预示着某种异常情况的发生。
1703655190
1703655191
但是，网络信息颇为碎片化，必须经过相应的加工处理，方能实现有效应用。互联网是信息获取的渠道，也提供了信息加工与整合方案，网络技术、IT系统支持使得信息收集、处理和整合的速度加快。这种技术支持，也使快速更新的信息得到更有效及时的应用变为可能。
1703655192
1703655193
随着市场竞争的白热化，金融机构自身宏观预警信号的变动频率在逐渐提高，更容易受到外部市场环境的重大影响。宏观层面和微观层面的风险预警的及时性要求都更高了。互联网大数据具有非常高的更新频率，完全超出了金融机构自有数据的更新情况。这种快速更新的信息的输入，在某种程度上使得金融机构的预警及时性得到跨越性的提高。在预警系统高效运行之下，客户的异常网络支付行为，会在瞬间被获取并识别出来，并直接将预警信号推送到客户经理管理设备上，客户经理即可进入处置流程，与风险客户进行沟通，排除潜在风险。预警系统可以无缝地自动触发指定的风险管理动作，对任何潜在风险作出快速反应。
1703655194
1703655195
大数据在风险预警中的应用
1703655196
1703655197
互联网预警本身其实是大数据在风险预警应用中的一个侧面。互联网作为大数据的一个主要来源，包含了海量的数据信息，且更新速度更为频繁，为风险预警提供了更多可以参考的信息。
1703655198
1703655199
1703655200
1703655201
例如，对小微商户的存量风险管理过程中，金融机构可以从数据合作方获取商户交易流水信息，对其交易流水设置监测预警规则，对于突然出现的资金异常流入、流出，不符合经营规律的交易流水下滑情况，正常营业时间之外的大额交易等，均可以触发预警，金融机构可视预警的严重程度，采取相应的管理措施，及时排查异常情况。
1703655202
1703655203
1703655204
1703655205
另外，大数据更新频率快的特点，使其在风险预警方面的应用前景尤为突出。例如，金融机构对授信客户的风险情况的了解如果通过大数据做到实时监测，一旦在外部数据监测过程中发现严重负面信息，就可以即时触发预警，立刻采取止损措施。例如，对于一个有多家机构共同贷款的授信客户，通过大数据监测该企业工厂开工情况、物流情况等，同时和同类企业进行交叉匹对，即可快速判断该企业是否正常经营，即使客户在本机构的贷款仍然在正常还款，也需要立即启动提前催收动作。如客户偿付能力不足，迟早会出现全面逾期的情况，一般而言，最先启动催收的金融机构更有可能追回欠款。
1703655206
1703655207
1703655208
1703655209
1703655210
1703655211
1703655213
互联网信贷风险与大数据：如何开始互联网金融实践 第五节 存量管理计量模型体系
1703655214
1703655215
存量客户管理主要包含交易欺诈管理、再贷客户营销管理、授信额度管理、流失客户管理等业务，以上业务开展目的在于巩固客户忠诚度，提升客户价值，从而优化资产结构、提高资本收益率。要达到这个目的，金融机构需要识别客户的风险、收益、流失倾向、营销响应概率，在此基础上，金融机构设计客户差异化的管理策略，在实现资源有效配置的同时可以降低管理成本，提升客户满意度。存量客户管理模型体系主要有行为风险模型、交易欺诈模型、行为收益模型、行为流失模型和市场响应模型等。
1703655216
1703655218
一、行为风险模型
1703655219
1703655220
行为风险模型是存量客户管理中最常用也是最重要的模型之一。行为风险模型是金融机构控制风险的利器，在进行再贷客户营销、市场活动、额度管理等活动中均起到重要作用。行为风险模型通过客户历史行为预测客户未来出现坏账的可能性，是对客户风险全面、准确的评价，目前业内用来开发行为风险模型的方法通常是利用Logistic回归模型。
1703655221
1703655222
另外，行为风险模型是申请风险模型很好的补充。在申请端可以获取的数据较少，而当客户成为金融机构的存量客户，可以观测到客户更多的行为，利用行为风险模型可以对客户的风险情况进一步评估，对客户的风险把握得更准确。同时，随着外部环境的变化，客户的资质也会发生改变，对客户的风险评价也需要动态调整。
1703655223
1703655224
行为风险模型是预测客户风险的模型，其目标变量和客户逾期的严重性相关，客户逾期多少天被认为是坏客户呢？这个由多方面因素决定：一方面，可通过数据分析，分析逾期天数和客户未来变成损失的相关性，作为坏客户的判断标准。另一方面，可结合历史数据长度判断，如果金融机构积累得数据时间长度较短，那么选为坏客户判断标准的逾期天数较短，如果数据积累的足够充分，坏客户的判断标准更依赖于数据分析的结果。此外，如果金融机构的风险容忍度低，坏客户的判断标准就会更加严格。常见的坏客户判断标准通常有逾期30天、60天、90天以上的客户。
[
上一页 ]
[ :1.703655175e+09 ]
[
下一页 ]