随着大数据技术在金融场景的深入应用，银行业正积极进行金融科技的战略布局，以实现各信贷业务条线的风控自动化。信用卡作为标准化的零售类信贷产品，在快速抢占市场的过程中， 须采用数据驱动风险决策模式实现自动化审批，以满足其业务发展需要。数据驱动下的自动化审批是以海量的、多样的、时效的数据为基础，通过数据建模技术挖掘数据价值刻画客户的风险水平，在精细化的系统支持下实施全流程的自动化审批。在日益竞争的市场环境下，自动化审批将成为信用卡机构的核心竞争力。

　　自动化审批是信用卡业务发展的必然选择

　　随着金融行业“互联网+”、金融科技等战略布局，商业银行信用卡业务发展面临着多重挑战。首先是来自线上业务的冲击，互联网金融行业巨头推出“花呗”“借呗”“微粒贷借钱”“金融白条”等信贷类产品，以其服务和流量优势正在迅速扩大其客户市场，此类同质化信贷产品层出不穷。其次，各家银行纷纷意识到客户运营的重要性，将客户服务和发展市场视作同等地位。在拓展市场过程中，以数据驱动的风险决策从而实现自动化审批是信用卡机构追求服务效率的趋势所在。要想实现上述目标，需以丰富的数据获取能力和快速的数据处理传输为基础， 通过自动决策的数据模型体系和系统平台作为保障，经过营销引流、信息输入、审批决策、初始授信、风险监测等过程，快速建立数据的业务关联度，通过数据分析不断调优营销与准入授信策略，在提高营销效率的同时，重点提高准入客户的风险管理水平。

　　相对于传统的人工决策，数据驱动决策有如下几点优势。一是数据驱动更为客观。数据驱动风险决策过程中，每个环节都有相应的数据论证和统计分析，通过更为深层次的数据挖掘技术发现潜在的信息量，提取更为深入和准确的洞察信息，降低了审批人员因情绪、经验以及认知不足而导致的偏差，使得风险决策更为客观。二是数据驱动更适用于不断变化的决策环境。外部经济形势变化、政策调整以及业务的变动都会对风险管理的效果产生影响。相较于传统的利用专家业务规则和人工审批，数据驱动不仅引入了业务数据还将人口统计信息、行为数据、账户信息、外部数据纳入决策范围，使得数据成果在面对环境变化时有更为稳定的表现。同时，可以实现自动化的更新，根据新的历史数据调整各指标在模型中的权重，以达成对新数据更好的预测效果。三是数据驱动使个体更具区分度。“机器学习+大数据”的模式使得数据驱动评分卡构建出的模型更复杂也更具精细化。相对于专家评分卡，数据驱动评分卡中的评分更为分散，这也意味着个体与个体之间更具区分度，业务人员有更大空间去制定精细化的应用策略。

　　在内外部竞争环境和发展指标的压力下，自动化审批的重要性不言而喻。对客户而言，在其提交申请后，如能第一时间获取审批结果和授信额度等信息，这将有助于提升客户体验。因此可以说自动化审批是信用卡业务发展的必然趋势。

　　大数据为自动化审批提供技术动能

　　互联网的蓬勃发展为大数据技术兴起带来机遇，数据采集、数据存储到数据应用技术都得到快速的发展。在此背景下，越来越多的行业意识到大数据的重要性，各家企业尽可能地利用数据决策在竞争市场中获得优势。对商业银行而言，风险领域的数据决策主要表现为基于数据规则及数据挖掘结果做出决策，而非依赖于业务专家人员的经验判断。

　　引入外部数据，多视角评估客户风险。在自动化审批中， 数据资源是实现风险决策的基础。能够刻画客户风险的数据有很多，商业银行最容易获取的数据是客户申请表、银行内部数据， 包括客户基本信息、客户行内交易流水、客户行内资产负债情况等。对于外部数据，最有价值且目前应用最广泛的是人行征信报告，该报告涵盖信用卡、汽车、住房、消费等业务领域，在信贷审批环节发挥着重要作用。其中人行征信报告数字解读是基于个人征信系统的信贷数据，利用统计建模技术开发出来的个人信用风险评估指标，是一种外部机构通用评分，具有覆盖面广、表现充分、普适性等特点，该评分的价值已经多轮验证并获得多家银行的认可。其次是学信网、政务及第三方征信公司等数据。

　　值得关注的是，在引入外部数据过程中，银行首要考虑的因素是数据的合法性和合规性。判断数据合法合规性主要从两个层面考虑，首先要求数据供应商的数据获取方式和渠道都要符合合规性要求，数据加工及建模方法具备科学性、可解释性，坚决不使用非法获取的数据。其次银行使用数据要取得客户授权，数据只能用于产品的运营需要，不得随意出售或者提交给第三方使用。数据价值性是银行决定是否引入外部数据的重要依据，数据不在多而在于精，有价值的数据才能支持复杂的风险决策。有价值的数据是指经过充分测试验证并能较为准确的识别高风险客户，如地理位置、社交网络等可识别客户的欺诈风险，多头借贷、信用逾期等可识别客户的信用风险，具体以风险客户覆盖率、客户命中率、模型区分度等指标度量数据价值。总之，在引入第三方数据时，银行要有一套数据价值评估方案。

　　构建数据模型，综合评估客户风险。有些数据可以直接作为决策依据，如人行征信报告失信被执行人、过度负债客户、逾期客户等能直接评估客户风险状况。年龄、性别、区域等需要综合起来才能评估客户的信用风险。因此对于和风险表现强相关的特征可以直接设置成规则集过滤风险客户，对于和风险表现弱相关的特征需要通过构建数据模型综合评估客户的风险水平。

　　数据模型是能够实现风险决策的模型体系，包括准入模型、授信模型和定价模型。准入模型指准入规则和评分模型，准入规则是根据产品、客户、市场等因素制定，例如产品目标客群年龄、收入要求、学历要求等，过滤掉各类黑名单客户，过滤掉失信被执行人、征信逾期等高风险客户。评分模型指申请评分模型，通过数据挖掘机器学习算法对客户的特征信息进行加工生成一个综合评分来度量客户的风险水平。该模型可以由银行自建， 也可以使用外部征信的评分结果。目前比较流行的做法是银行内部模型结果和外部评分进行融合，实现更精准的风险识别。授信模型是申请时的初始授信模型，该模型上下限为产品的额度范围，如信用卡金卡额度1万～5万元。

　　每家银行的具体授信模型均不相同，但大体思路一致，都是用评估的客户收入减去综合负债。收入核算依据很多，可以通过公积金、代发工资直接获取，也可以通过纳税记录、消费流水等间接获取，还可以通过行业、工龄、学历等构建函数模型推算收入。综合负债由人行征信报告和其他渠道可获取的负债项累加而成，包括信用卡透支、房贷、经营贷、消费贷、现金贷等剩余本金。对于风险控制严格的银行，可以设置风险系数，如客群系数、风险系数、区域系数等实现差异化授信，控制整体的风险敞口。定价模型只针对分期业务，简单的操作是从风险、客群维度定价，稍微复杂的做法是运用历史数据测算，通过收益矩阵确定每类客群的收益率，在此基础上进行定价。

　　打造动态闭环，追踪模型应用效果。自动化审批是基本不需要人工干预的审批模式，银行需要构建实时的数据统计分析预警机制，以及时发现潜在的风险。打造动态闭环需要开发一系列报表，安排专人负责日报、周报及月度分析报告，构建全视角闭环跟踪。首先是基本面分析，统计进件量、过件量、通过率、平均审批时间、审批额度、激活使用情况等，并构建趋势分析评估审批的效能。其次是稳定性分析，分析拒件原因、客群占比、波动率、额度分布等，分析审批政策是否存在问题，以便政策及时调优。最后是异常点分析，对模型使用如KS、PSI等统计指标监控模型的效果，对整体授信额度进行总额监控，以及排查政策及系统问题可能的异常点，在发现异常的时候，需要及时解决问题。

　　做好监控是风险决策管理的重要举措，既能做到洞察业务趋势，也可以发现业务异常、潜在风险或漏洞，总结新的规律。最终目的是为了驱使银行的风控能力不断强化，帮助风险部门做出明智及时的决策。

　　精细化系统设计为

　　自动化审批提供技术保障

　　设计灵活精细的自动化审批流程

　　自动化审批需要有一套灵活精细的审批流程，可以从经济、效率、可行性等角度设计。传统的审批流程包括客户资料录入、客户分类、信用审查、欺诈调查（电核）、一级审批、二级审批等。自动化审批摈弃人工环节，充分考虑优先级和逻辑关系，可设计为客户资料录入、禁入规则审查、第三方审查、欺诈识别、信用风险识别、授信定价等环节。

　　第一步是禁入规则，是对客户的自动筛选。通过年龄限制、行业限制、名单限制、产品互斥、重复申请等规则将触犯规则的客户直接过滤。对于存量客户再次申请，可以通过行内的历史信用表现排除高风险的客户。这一步是最经济的环节，不需要花费任何成本，只用行内数据即可拒绝非目标客户。

　　第二步是第三方审查，主要是公安人脸比对、指纹识别以及接入人行征信等第三方数据。这一步对于贷前风险防范至关重要，以基础欺诈风险识别和第三方数据规则为依据实现初步的风险识别和防范。

　　第三步是欺诈识别。黑白名单设置是最原始的反欺诈手段， 触发黑名单客户予以拒绝。其次通过LBS、知识图谱、社交网络等技术手段识别团伙欺诈。有欺诈样本积累的银行可以建立有监督学习的反欺诈模型预测客户欺诈概率，做出高概率欺诈客户拒绝准入的决策。

　　第四步是信用风险识别。申请评分模型结果结合外部征信评分评估客户的准入风险，对客户是否可以通过申请进行审批决策。对于评分高的客户说明其信用风险低批准其准入，对于评分低高风险客户直接拒绝。

　　第五步是授信定价。对于准入的客户通过模型进行初始额度授信和定价。

　　各家银行需要根据数据源、模型技术手段、产品等自身情况制定自动化审批流程，经过不断扩大的业务场景应用不断完善该流程，逐步实现自动化程度。

　　创建稳健高效的自动化审批系统

　　由于信用卡业务的复杂性，自动化审批系统设计除了快速高效命中高风险客户、提升审批效率及准确度，还需要符合稳健性和高效性原则。

　　首先是多平台联合。秉承“主核心+大外围”的系统设计思路，银行需要开发审批的主系统，该系统具备根据业务特点灵活设置审批风控流程，支持业务产品的创新迭代等最核心最基础功能，同时满足网络负载、数据库服务等各方面的负载均衡要求。外围系统包括决策引擎系统、反欺诈系统、影像系统、数据库系统等。在外围系统整体业务架构规划上，从功能定位角度进行这些外围系统的高效融合。

　　其次是数据决策的自动化审批需要以决策引擎系统做支撑。决策引擎系统是一个独立的、可开发的、可维护的风险模型策略管理系统，可灵活部署、修改风控规则和模型，该系统策略执行的结果返回给主系统。决策引擎的优点包括以下几点：一是业务策略的开发、部署和发布。业务参数的灵活配置与维护。二是提升系统决策的自动化水平，提高业务处理周期，提高业务处理效率。三是提高客户的精细化管理水平，实现对不同客户分群制定差异化的准入、授信、定价服务策略。决策引擎系统是自动化决策的大脑，是代替人工审批实现系统自动化智能化的决策平台。

　　自动化审批系统提高信用卡申请审核流程控制管理能力， 依托大数据技术进行多维信息审核，更加系统地评估和识别客户风险，完成客户的准入和授信，实现快速完成信用卡申请的审批操作。

　　坚持数据为先，提升软硬科技实力

　　数据驱动风控模式的实践表明，以信息科技赋能风控体系， 探索发展金融智能风控，是进一步推动风险管理创新升级的有效途径。当前大多数商业银行尤其是城商行、农商行受多重因素的制约，难以顺利实现这一目标。一是缺乏数据文化、数据理念。自上而下的数据文化是数据驱动理念的核心思想，商业银行要以数据为生产要素拓展客户、经营业务、控制风险等。二是人才储备不足、科技力量薄弱导致成果难以落地应用。银行可以通过内部培养加外部合作，融合内外部力量增强科技实力。三是创新能力不足。当前新技术日新月异，银行业只有不断创新才能跟上时代步伐，尤其是加大新产品新技术的研发应用，“小步快跑”的开展业务创新。

　　数据驱动下的风险决策核心在于坚持数据为先原则，构建数据驱动下决策模型，紧盯准入客户的数据表现以不断的迭代、优化策略。这需要建设一支“数据+”的金融科技队伍，提升软硬科技实力，不断研究和探索新的技术手段，如人工智能、区块链和生物识别等应用场景，进一步提升风险控制能力，从而打破产品、区域、客群分割的格局，将数据决策充分应用到各个产品线的审批过程中。

　　作者单位：徽商银行信用卡中心

本文首发于微信公众号：银行家杂志。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。