大型商用车集团智能化金融风控管理探析

孙成龙

【摘要】目前大型商用车集团拥有产销研完整的产业链和价值链。为更好地支持主业，满足终端客户金融需求，大型商用车集团设立金融公司，为集团公司产品全生命周期提供金融服务，有效助力集团公司打造全新商用车生态圈。随着产业的不断发展，大型商用车集团财务风险管理复杂多变，所属金融公司面向终端客户办理市场化业务并具有一定的杠杆效应，一旦发生风险，将直接导致集团公司资金断裂，甚至引发系统性风险。由于大型商用车集团内的金融公司主要面临客户违约形成的信用风险。文章主要从金融信用风险防控角度，探析大型商用车集团如何进行智能化风控管理，进一步优化集团整体层面的财务风险管理。

【关键词】大型商用车集团；金融公司；智能化金融 风险管理

【中图分类号】F831.5

一、引言

近年来，随着大数据、云计算、物联网、人工智能等新技术广泛应用，大型商用车集团越来越重视财务风险管理，为防止因金融业务产生系统性风险，不断利用大数据搭建智能化的金融风控体系。智能化风控管理的核心在于从多维、海量数据中获得有助于风控决策的信息，提高风险防控的质量和效益。大型商用车集团采用核心业务系统、数据库系统、大数据技术等，提升风险数据分析与信息处理能力，将数据信息与相关内容转变成为有价值的数据资源，提升风险管控工作分析层次，便于有效决策。同时创新风险管控的模式，由原有传统人工识别风险转变为数字化、智能化的风控管理，并预测未来风险的发展趋势。

二、大型商用车集团智能化金融风控管理的意义

大型商用车集团传统的财务风险管理主要通过汇总各类报表信息，分析权属金融公司风险点，进而制定整体的风险防控策略。由于不掌握金融公司的业务及授信额度管理情况，常造成风险防控策略无法有效落地实施，同时风险信息滞后，无法及时止损，引发严重的系统性风险。智能化金融风控管理是对科技、业务场景、客户、数据等方面进行整合，从而为商用车集团提供智能化、可视化、信息化的风控决策[1]。智能化风险管理以构建智能化的风险管控能力为核心目标，搭建贷前、贷中、贷后管理一体化，实现从数据采集、整合到数据加工处理、数据挖掘与分析、模型部署上线和持续优化迭代的智能风控闭环管理。大型商用车集团以业务为突破口，通过外部引智和借鉴同行业先进经验，借助大数据、人工智能等先进技术，以数据为基础、风控模型为工具、风险指标为决策依据，形成主动拦截风险且事前防范、事中控制、事后预警与处置的智能风控体系，以便于风险整体控制。

三、大型商用车集团智能化金融风控管理的构建

（一）搭建大数据管理平台，夯实智能风控平台的基础

智能风控的基础是对数据进行整合、获取、清洗。大型商用车集团一般会成立大数据管理中心，专门梳理内外部各种有价值数据，建立统一的数据管理工作模式，明确工作标准，并统筹管理内外部数据信息，搭建数据的闭环管理。

1.大型商用车集团数据

作为汽车的生产厂家，具有海量的经销商数据、销售车辆数据、结算数据、车型数据、配件库数据、维修服务数据、智能通数据等高附加值的数据，而集团所属商用车金融公司，拥有大量的信贷客户数据、渠道数据及信贷业务数据、还款质量数据、逾期客户数据等。各种数据普遍分散于多个核心和外围系统，缺乏统一的标准、统一的数据字典、统一的数据规范，導致数据质量不高，甚至出现无效数据、数据管理难度大、数据无法有效共享及使用的问题。大型商用车集团通过大数据管理中心整合集团内部所有数据，规范数据基础，改善数据质量、提高数据治理水平和能力。

2.引入外部三方数据

在移动互联互通时代，大型商用车集团树立数据共享理念，不断研讨及寻找外部有价值数据，达到内外部数据的有效支撑。目前主要的外部数据包括风险黑白灰名单信息、征信信息、消费信息、过度借贷信息与反欺诈信息等。外部数据的采集主要通过购买、外部共同合作、研发等方式。为了充分利用外部数据的各种维度、提高外部数据的有效价值，需不断测试研究并与集团内部数据进行整合管理。

3.搭建大数据平台，支撑数据闭环管理

智能化的风控管理必须整合、分析巨量数据，并将数据充分应用，构建大数据支撑平台，达到数据采集、分析、利用、反馈及评估的闭环管理，同时必须结合场景化进行分析应用 [2]。大型商用车集团金融大数据平台对接大型商用车集团内部系统，并与海关、司法、工商、税务等外部数据进行对接，通过分析，提炼高效且符合业务场景的数据，为智能化风控坚定基础。

（二）制定风控策略，深挖数据价值

1.全流程风控策略

风控策略包括风控规则和风控模型。风控模型的搭建和运用是智能风控的核心。大型商用车集团金融风控管理通常由贷前、贷中、贷后三个环节构成，贷前准入能够过滤资质差的客户，贷中审批可以降低客户逾期，贷后管理可以进行风险预警及催收，三个环节相互作用构成了整个风控体系管理，将内外部数据分析，结合机器学习建立相关模型，从而满足全业务流程的风控需求。通过风险控制规则，同时设置反欺诈模型、信用评级模型、信用额度模型、贷后风险预警等，达到对不同客户风险的识别、评价、预警。同时大型商用车集团引入机器学习等新技术进行智能化风控管理。构建模型的流程包括数据收集及处理、特征工程、特征选择、模型构建、模型评估等环节[3]。

2.贷前准入策略

（1）构建客户全景风险画像

首先，构建客户关系图谱系。客户关系图包含客户自身担保关系、客户高管关系、实际控制人、客户对外投资关系、与客户资金往来间关系等。客户关系图谱区分受益人、实际控制人、股权等，通过一系列网状呈现，明确标示客户所处角色，识别关联风险，防止外源性风险的导入及传染。其次，客户风险画像的形成。坚持以授信客户为中心，全面分析内部风险信息，深挖企业的外部风险信息，形成多维度、立体化的客户风险画像，最终实现“信息找人”。最后，形成智能化、可视化的分析报告。根据客户最终的风险画像，形成智能化的评价策略，形成利用分析决策的报告体系。

（2）制定贷前反欺诈策略

搭建贷前反欺诈策略包括反欺诈规则和反欺诈模型。反欺诈规则具体包括：维护自身黑名单、外部欺诈名单、司法信息名单等数据，并设置客户准入所需要的征信规则。客户申请时，将核心业务系统中的姓名、身份证号、手机号、年龄、收入等信息传至风险决策引擎，通过反欺诈规则，判断客户身份的真实性。若命中名单，直接否决客户身份准入；若未命中，客户身份准入通过。客户身份通过后进入反欺诈评分模型。反欺诈评分模型通过识别客户特征，利用函数计算，得出反欺诈分数。随着金融欺诈数量不断增加，欺诈方式越来越多样化，同时反侦查能力越来越专业，欺诈行为具有复杂性、隐蔽性，难以有效甄别。金融欺诈利用信息不对称、隐瞒、编造虚假信息，谋取不正当利益。传统的风控管理由于技术落后，信息不对称，无法有效识别欺诈行为。智能化风控管理可充分利用大数据技术及系统数据，深挖客户欺诈行为，识别风险特征及客户关联关系异常信息，结合征信、司法等外部信息，有效提升反欺诈能力。

3.贷中审批策略

贷中审批策略包括信用评分卡、客户行为监控等，构成风控的第二道防线。信用评分是通过历史数据，首先定义好客户和坏客户。再选择好客户和坏客户的特征，如年龄、收入、消费水平等作为客户特征，并通过判断选取客户逾期的有效特征。以年龄特征为例，通过机器不断学习及函数计算，年龄在40～48岁之间好客户的比率最高，得出年龄特征评分。商用车金融常见的客户评分特征包括年龄、性别、文化程度、职业、行业、收入、电话、婚姻状况、住址、房屋类型等。通过对以上特征分析，逐一分析计算出以上特征的分数，定义客户阈值，并最终搭建客户评分模型。办理金融业务时，通过客户评分模型，计算出每个借款客户分值，超过设定的阈值，客户未来逾期率低，同意办理金融业务，低于阈值则拒绝客户准入。

4.贷后预警策略

（1）逾期客户预警策略

贷后预警由逾期预警、催收决策组成，构成了风控的第三道防线。智能化贷后风险预警能建立主动实时监控方式。为使得贷后全过程管理，实时预测及监控客户信用风险，搭建“信贷业务实时监测+客户风险及时预警+客户逾期预警”的监控平台。智能风控平台及时捕捉客户行为特征及关联关系人特征，通过信贷业务全过程监控，智能分析客户运营情况及还款信息，及时预测客户逾期情况，同时通过外部数据，有效监控风险信息，及时通过集团内部系统进行预警，并将风险情况通过系统传至相关决策领导，及时采取风险应对措施。智能化风控需要设定监测指标，涵盖客户经营过程中的财务状况、经营情况、违约情况、涉案情况等内容。同时将检测指标纳入风险检测模型，生成风险日报信息，并完善风险实时报送机制。

（2）逾期车辆预警策略

大型商用车集团拥有自身车辆运营的GPS定位系统，智能化风控管理将集团车辆运营GPS定位与业务系统进行集成，并设置业务规则，针对不同的区域及不同的车辆设置不同的行驶里程和盈利能力阈值。一是根据车辆GPS位置信息、车型、驾驶路线及发动机数据，搭建客户车辆盈利模型，实时监控客户还款能力。二是根據客户的行驶里程、车型信息及区域，设定阈值，一旦触及及时进行风险预警。

（三）多场景生态融合，驱动智能风控平台迭代

大型商用车集团内的金融业务是多维度的，产品是多元化的，拥有较长产业链、管理链和业务链。产业链涉及上游供应商、下游经销商，二级网络及终端客户；管理链涉及商用车集团层管理、金融公司自身管理及渠道、客户、车辆管理；业务链主要涉及商用车金融自身业务产品、业务模式等。每个维度及每个链条都涉及风控管理，大型商用车集团必须不断对风控平台进行迭代优化。

主要参考文献：

[1]邢桂伟.依托大数据技术构建商业银行智能风控体系[J].中国金融电脑，2018（8）：19-22.

[2]闫鼎华.基于大数据的商业银行风险预警研究[J].经济研究导刊，2018（17）：146-148.

[3]陆登强.立足金融科技，大数据智能风控助力普惠金融[J].中国金融电脑，2018（8）：23-25.