㈠ 大數據如何助力銀行業金融機構輿情防控
金融企業運用大數據和機器學習演算法，對欠款客戶進行人群聚類並根據聚類的結果識別騙貸、惡意欠款、惡意透支、盜刷盜用、對交易有疑問拒絕還款、經濟狀況惡化無力還貸、遺忘還貸等多種欠款類型；從而准確預測客戶的還款概率和金額，從而進行催收策略評估，最大限度降低催收成本。
中國建設銀行資產總行風險管理部/資產保全部副總經理譚興民曾詳盡分析大數據何以幫助銀行提高徵信水平和風險管控能力：
首先，一站式徵信平台可以進行貸前客戶甄別。目前，銀行查詢客戶的情況既費時、費力，又增加銀行費用，而利用企業的一站式徵信平台，則可以最大限度地節省銀行的人力、物力及時間，並確保數據有效、及時、准確。
其次，風險量化平台可以助力貸後風險管控。平台基於企業日常經營數據，結合平台數據模型，採用動態、實時的雲端數據抓取技術，對企業的發展進行分析和評測，給出風險量化分數，並第一時間發現企業的生產經營異動，在風險觸發前3到6個月預警，使銀行等金融機構能夠及時採取相應措施，防止和減少損失發生。
同時，利用「企業族譜」查詢，對不良貸款進行監控。如一些企業通過關聯交易轉移利潤、製造虧損的假象，為不償還銀行貸款尋找理由；或者通過關聯交易製造虛假業績，為繼續獲得銀行貸款提供依據，這些假象通過關聯交易查詢，都可以很快發現蛛絲馬跡，讓企業造假暴露原形，可防止銀行上當受騙。
大數據風控相對於傳統風控來說，建模方式和原理其實是一樣的，其核心是側重在利用更多維的數據，更多互聯網的足跡，更多傳統金融沒有觸及到的數據。比如電商的網頁瀏覽、客戶在app的行為軌跡、甚至GPS的位置信息等，這些信息看似和一個客戶是否可能違約沒有直接關系，但實則通過大量的數據累積，能夠產生出非常有效的識別客戶的能力。
在運行邏輯上，大數據風控不強調較強的因果關系，看重統計學上的相關性是大數據風控區別於傳統金融風控的典型特徵。傳統金融機構強調因果，講究兩個變數之間必須存在邏輯上能夠講通因果。
在數據維度這個層級，傳統金融風控和大數據風控還有一個顯著的區別在於傳統金融數據和非傳統金融數據的應用。傳統的金融數據包括上文中提及的個人社會特徵、收入、借貸情況等等。而互金公司的大數據風控，採納了大量的非傳統金融數據。
相對於傳統金融機構，互金公司擴大了非傳統數據獲取的途徑，對於新客戶群體的風險定價，是一種風險數據的補充。當然，這些數據的金融屬性有多強，仍然有待驗證。
巨頭優勢明顯，並不代表創業公司的路已被堵死。大公司不可能面面俱到，布局各種場景。在互聯網巨頭尚未涉及的領域，小步快跑，比巨頭更早的搶下賽道，拿到數據，並且優化自己的數據應用能力，成為創業公司殺出重圍的一條路徑。
㈡ 防範外資銀行泄露重要金融信息：金融大數據下金融安全三大戰略點
#管清友：防外資行泄重要信息#
金融信息安全越來越重要已經成為一個不爭的事實，更是一個緊迫的事實。
管清友的觀點和指向是非常明確的，而其提出的銀行信息安全是外資銀行的金融信息安全卻具有非常大的普遍性意義和戰略性意義，特別是在金融大數據趨勢之下，金融信息越來越具有戰略性和國家安全特性，而曾經或者已經出現的一些事件也大多與金融信息相關。
在金融大數據下金融信息安全三大戰略要點：
一是在金融大數據下，金融信息安全應該上升為國家安全戰略
我國已經進入一個金融大數據時代，金融大數據的火爆已經遠遠超出人們的想像。經過幾年的發展和新技術的廣泛應用，金融大數據的分析和應用已經進入到了一個新的層次，也就是說經過十年的數據積累和 科技 分析能力的提升，目前的大數據分析進入到了一個廣泛的應用階段，又一次的火爆並進入人們的視野也就是理所應當的。
但在金融大數據背景下，金融信息安全越來越應該受到重視。今年以來，金融安全成為人們熱議最多的話題，許多 社會 熱點話題都或多或少與金融安全高度相關。我國也前所未有地對金融安全問題高度重視，將維護金融安全視作「關系我國經濟 社會 發展全局的一件帶有戰略性、根本性的大事」。
金融安全風險和經濟安全風險、生態安全風險、網路安全風險等都屬於非傳統安全風險范疇，但非傳統安全風險越來越對我國的國家安全產生非常大的危害，以前我們對傳統金融信息的安全是比較重視的，但在傳統金融信息安全的前提下，非傳統金融信息安全更應該上升到國家安全戰略以提升我國金融信息安全的保障能力。
二是在金融大數據的大環境下，金融信息安全要內外兼治，特別是對外資金融機構涉及我國金融信息的安全要強化戰略構想和設計
應該說，我們對我國內資金融機構和內資金融信息的安全還是比較重視的，對相關風險的處理也是非常重視和有力度的。
以前我們常說，金融改變人們的生活，生活也會改變著金融；但如今卻是，金融大數據已經成為改變人們的生活和金融行為的重要手段和方式，而這種對生活的改變和對行為的改變卻有可能成為我國的一種國家安全的風險隱患。
近年來，金融領域的個人信息保護也開始受到重視，而銀行客戶信息泄露的事件也時有發生，包括個人徵信信息未經授權被查詢甚至泄露、銀行內鬼倒賣客戶信息謀利、貸款客戶財產信息被泄露、銀行App違規收集信息屢遭點名等，不僅僅體現出了金融信息的價值，更體現出了金融信息安全的重要性。
而外資銀行涉及的金融信息安全更對我國的經濟安全和經濟風險帶來非常大的安全隱患，特別是華為事件的發生和發展，更是對我國的金融信息安全特別是外資銀行、外資審計機構、外資評估機構和外資投資銀行機構的金融信息安全敲響了警鍾，內外統籌治理金融信息安全應該上升到國家戰略的角度並不為過，而且很緊迫。
三是在金融大數據的大背景下，金融信息安全要做到標本兼治，特別是強化國家法律的硬性約束特別關鍵
金融大數據之下，不僅對未來的金融產業發展前景產生重要的影響，會催生和細分出很多新的行業，如數據存儲行業、數據分析行業以及新的其它行業，如人工智慧醫生、人工智慧分析師，都依託於大數據，更重要的是任何人都可以藉助於大數據的分析和應用，對產業模式和人們的行為習慣進行改進和引導，從而導致金融服務方式和模式的改變。
更嚴重的是，如果這些金融大數據被一些不懷好意的境外機構所利用，那就不僅僅涉及到盈利和虧損多少的問題，更可能會在經濟安全和國家安全領域帶來無法彌補的損失。
由於金融行業數據的量級和復雜性，對金融數據的風險控制、信息安全和數據防護能力以及技術處理手段都提出了更高的要求。更重要的是，我國目前金融信息法律保障機構不健全，缺乏專門性立法，對違法機構和個人的法律追究機制尚不健全。雖然我國從近年來先後出台了關於金融信息的保護性法律法規，但從進一步建立健全金融信息安全的法律法規上還需要進一步完善，特別是對外資銀行機構和金融機構涉及金融信息安全的違法行為，一定要從標本兼治的高度進行設計和完善，從而為我國的金融國家安全提供法律保障。
金融信息安全已經上升到國家安全和國家戰略，三大戰略因素成為重點。 （麒鑒）
㈢ 銀行數字化轉型加速，潛在風險如何防範業內共識：加強監管！
金融業數字化轉型正銜枚疾進。
這條因新冠肺炎疫情倒逼而來的轉型之路，已由勻速變成加速。而市場需求之迫切，更是超乎想像：數字化轉型，不僅成為近來很多金融論壇的重要議題，一些互聯網銀行以及傳統金融機構金融 科技 方面的負責人，更成為炙手可熱的嘉賓，或專題講座，或網上授課，或論壇演講。而金融 科技 巨頭更是大舉進軍金融業，為數字化轉型需求迫切的金融機構提供 科技 支撐。繼阿里雲加碼「數字農信」戰略，將開放更多智能風控、數據智能經驗和數字生活場景等生態資源，助力農信社、農商銀行等中小銀行形成特有的創新型服務業態後，8月16日，騰訊雲也與崑山農商銀行正式簽署戰略合作協議，雙方將在銀行私有雲平台建設、分布式架構轉型、分布式資料庫應用、移動端開發等金融新基建領域展開合作，同時依託雙方優勢資源，推進零售業務數字化建設以及場景金融創新，構建面向未來金融場景的數字新連接能力。
然而，數字化轉型從來不像人們想像的那樣，將業務從線下搬到線上，就一勞永逸；也不是成立一個金融 科技 部，做幾個銀行APP那麼輕巧。由於涉及金融機構整個內部架構、流程和理念等全方位重構，想要實現真正意義上的數字化轉型，並非易事。這其中，在轉型過程中，如何有效防控未來智能金融的潛在風險，尤其困難。
眾所周知，數字化轉型離不開大數據、雲計算、人工智慧；只有充分發揮技術的力量，才能實現傳統金融向數字化時代智能金融的轉變。利用大數據，金融機構可以構建符合自身實際需求的業務、風控模型；利用雲計算，可以按照模型，進行高效快速運算，將結果用於日常運營；利用人工智慧，可以實現高頻小額貸款的自動發放，實現真正意義上的「秒貸」。可以說，數字化時代的智能金融，顛覆了傳統金融業務模式，省去了大量人工操作過程，極大提升了客戶體驗和滿意度，讓以客戶為中心的經營理念變成了現實。這從頭部民營互聯網銀行每年動輒服務數千萬，甚至上億客戶，發放數千萬筆貸款中可窺見一斑。
不過，硬幣總有兩面。當金融機構享受數字化轉型後的智能金融帶來的便利、高效等好處的同時，潛在的風險也如影隨形。
中國證監會原主席肖鋼日前警告稱，「人工智慧與金融業深度融合的新業態，是金融模式變革的方向，在大力發展的同時亦需要提防可能帶來的系統性風險。」他表示，由於人工智慧主要依靠模型和演算法，因此在該技術運用於金融市場時，一旦數據質量不高或出現偏差，則有可能產生蝴蝶效應，帶來系統性風險。例如，在資本市場上，事先設定的投資模型往往在實施中沒有人為干預，這可能使得投資策略產生高度一致性，並在某個時點上對市場造成沖擊，由此引發系統性風險。美股就曾經出現過「閃電崩盤」，道瓊斯指數在極短時間內暴跌上千點。
雖然肖鋼的觀點，業內早有認知，但在當前金融機構紛紛加大數字化轉型、發展智能金融的大背景下，仍具有振聾發聵的意義。
事實上，業內對智能金融潛在風險認識非常深刻。蘇寧銀行董事長黃金老此前在接受采訪時就表示，通過數字化轉型，金融服務會像水一樣滲透到各個場景各個生態之中，把金融服務或者金融產品內嵌到企業的生產環節、交易環節和個人的生活環節，但這種「滲透」也會帶來新的風險和挑戰。第一大風險是數據風險，這來源於金融的全自動化，要依靠數據來決策。銀行是數據化應用最豐富，或者是最全面的一個領域。如何合理整合這些數據是數字化轉型中銀行的必修課。應對不當，就會產生數據造假、數據中斷、數據泄露、數據濫用等風險。第二大風險是技術風險，既包括演算法的可解釋性和可評估性，比如構造了包含一百個變數的模型來評估貸款是否可以發放，但由誰衡量這個模型是否適當。也涵蓋技術帶來的安全風險，在高度依賴數字化系統的情況下，一旦系統被攻擊或者停擺，可能會對金融安全造成更大的危害。
正因為數據採集來自於人，模型搭建來自於人，因此，智能金融雖然省事，雖然智能，但也會因為數據質量問題和演算法參數設定等問題，潛藏較大風險。如果建立模型的人再有不良用心，潛藏的風險更大。而智能金融一旦發生風險，常常是系統性的。因此，未雨綢繆，做好風險防控工作，非常重要。
如何防範潛在風險？業內共識是，加強監管。
智能金融時代，傳統監管理念和手段，無法有效匹配。因此，金融機構在加速數字化轉型，監管當局的監管手段也應當加速轉換。既然智能金融的風險點潛藏在數據治理和演算法等方面，那麼，監管對象就應當既包含對模型的可解釋性的監管，要讓監管對象能夠解釋清楚模型到底基於何種邏輯；也應包含對智能金融有關模型和演算法的構建者、設計者的監管，為此要及時完善監管制度，堵塞監管盲區，通過資質認定，讓相關從業者具有監管層認可的資質。最重要的是，監管層要有懂行的監管者，要能看得明白，管得到位，治得有效。
㈣ 如何利用大數據防範金融風險
1、徵信大數據挖掘： 互聯網海量大數據中與風控相關的數據。在數據原料方面，越來越多的互聯網在線動態大數據被添加進來。 2、風控運營： 貸前營銷：帆沒 1、已有客戶開發、新客戶開發； 2、預審批、申請評分； 3、預審批，客戶准入、預授信額度估算。 貸中審批： 1、欺詐甄別、反欺詐液此監測； 2、申請再評分； 3、授信審批； 4、貸款定價。 貸後管理： 1、行為評分模型； 2、額度管理； 3、風險預警、預態埋納催收； 4、催收評分、催收策略。
㈤ 如何利用大數據做金融風控
大數據能夠進行數據變現的商業模式目前就是兩個，一個是精準營銷，典型的場景是商品推薦和精準廣告投放，另外一個是大數據風控，典型的場景是互聯網金融的大數據風控。
金融的本質是風險管理，風控是所有金融業務的核心。典型的金融借貸業務例如抵押貸款、消費貸款、P2P、供應鏈金融、以及票據融資都需要數據風控識別欺詐用戶及評估用戶信用等級。
傳統金融的風控主要利用了信用屬性強大的金融數據，一般採用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意願。信用相關程度強的數據 緯度為十個左右，包含年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等，金融企業參考用戶提交的數據進行打分，最後得到申請人 的信用評分，依據評分來決定是否貸款以及貸款額度。其他同信用相關的數據還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。普惠在線
互聯網金融的大數據風控並不是完全改變傳統風控，實際是豐富傳統風控的數據緯度。互聯網風控中，首先還是利用信用屬性強的金融數據，判斷借款人的還 款能力和還款意願，然後在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，藉助數據模型來揭示某些行為特徵和信用 風險之間的關系。
互聯網金融公司利用大數據進行風控時，都是利用多維度數據來識別借款人風險。同信用相關的數據越多地被用於借款人風險評估，借款人的信用風險就被揭示的更充分，信用評分就會更加客觀，接近借款人實際風險。
常用的互聯網金融大數據風控方式有以下幾種：
驗證借款人身份
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以藉助國政通的數據來驗證姓名、身份證號，藉助銀聯數據來驗證銀行卡號和姓名，利用運營商數據來驗證手機號、姓名、身份證號、家庭住址。
如果借款人是欺詐用戶，這五個信息都可以買到。這個時候就需要進行人臉識別了，人臉識別等原理是調用國政通／公安局 API介面，將申請人實時拍攝的照片／視頻同客戶預留在公安的身份證進行識別，通過人臉識別技術驗證申請人是否是借款人本人。
其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。
分析提交的信息來識別欺詐
大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸和學生貸都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往 往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相 同、單位名稱相同、甚至居住的樓層和號碼都相同。還有一些填寫假的小區、地址和單位名稱以及電話等。
如果企業發現一些重復的信息和電話號碼，申請人欺詐的可能性就會很高。
分析客戶線上申請行為來識別欺詐
欺詐用戶往往事先准備好用戶基本信息，在申請過程中，快速進行填寫，批量作業，在多家網站進行申請，通過提高申請量來獲得更多的貸款。
企業可以藉助於SDK或JS來採集申請人在各個環節的行為，計算客戶閱讀條款的時間，填寫信息的時間，申請貸款的時間等，如果這些申請時間大大小於 正常客戶申請時間，例如填寫地址信息小於2秒，閱讀條款少於3秒鍾，申請貸款低於20秒等。用戶申請的時間也很關鍵，一般晚上11點以後申請貸款的申請 人，欺詐比例和違約比例較高。
這些異常申請行為可能揭示申請人具有欺詐傾向，企業可以結合其他的信息來判斷客戶是否為欺詐用戶。
利用黑名單和灰名單識別風險
互聯網金融公司面臨的主要風險為惡意欺詐，70%左右的信貸損失來源於申請人的惡意欺詐。客戶逾期或者違約貸款中至少有30%左右可以收回，另外的一些可以通過催收公司進行催收，M2逾期的回收率在20％左右。
市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。
黑名單來源於民間借貸、線上P2P、信用卡公司、小額借貸等公司的歷史違約用戶，其中很大一部分不再有借貸行為，參考價值有限。另外一個主要來源是催收公司，催收的成功率一般小於於30%（M3以上的），會產生很多黑名單。
灰名單是逾期但是還沒有達到違約的客戶（逾期少於3個月的客戶），灰名單也還意味著多頭借貸，申請人在多個貸款平台進行借貸。總借款數目遠遠超過其還款能力。
黑名單和灰名單是很好的風控方式，但是各個徵信公司所擁有的名單僅僅是市場總量的一部分，很多互聯網金融公司不得不接入多個風控公司，來獲得更多的 黑名單來提高查得率。央行和上海經信委正在聯合多家互聯網金融公司建立統一的黑名單平台，但是很多互聯網金融公司都不太願意貢獻自家的黑名單，這些黑名單 是用真金白銀換來的教訓。另外如果讓外界知道了自家平台黑名單的數量，會影響其公司聲譽，降低公司估值，並令投資者質疑其平台的風控水平。
利用移動設備數據識別欺詐
行為數據中一個比較特殊的就是移動設備數據反欺詐，公司可以利用移動設備的位置信息來驗證客戶提交的工作地和生活地是否真實，另外來可以根據設備安裝的應用活躍來識別多頭借貸風險。
欺詐用戶一般會使用模擬器進行貸款申請，移動大數據可以識別出貸款人是否使用模擬器。欺詐用戶也有一些典型特徵，例如很多設備聚集在一個區域，一起 申請貸款。欺詐設備不安裝生活和工具用App，僅僅安裝和貸款有關的App，可能還安裝了一些密碼破譯軟體或者其他的惡意軟體。
欺詐用戶還有可能不停更換SIM卡和手機，利用SIM卡和手機綁定時間和頻次可以識別出部分欺詐用戶。另外欺詐用戶也會購買一些已經淘汰的手機，其機器上面的操作系統已經過時很久，所安裝的App版本都很舊。這些特徵可以識別出一些欺詐用戶。
利用消費記錄來進行評分
大會數據風控除了可以識別出壞人，還可以評估貸款人的還款能力。過去傳統金融依據借款人的收入來判斷其還款能力，但是有些客戶擁有工資以外的收入，例如投資收入、顧問咨詢收入等。另外一些客戶可能從父母、伴侶、朋友那裡獲得其他的財政支持，擁有較高的支付能力。
按照傳統金融的做法，在家不工作照顧家庭的主婦可能還款能力較弱。無法給其提供貸款，但是其丈夫收入很高，家庭日常支出由其太太做主。這種情況，就需要消費數據來證明其還款能力了。
常用的消費記錄由銀行卡消費、電商購物、公共事業費記錄、大宗商品消費等。還可以參考航空記錄、手機話費、特殊會員消費等方式。例如頭等艙乘坐次數，物業費高低、高爾夫球俱樂部消費，遊艇俱樂部會員費用，奢侈品會員，豪車4S店消費記錄等消費數據可以作為其信用評分重要參考。
互聯網金融的主要客戶是屌絲，其電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。
參考社會關系來評估信用情況
物以類聚，人與群分。一般情況下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，
參考借款人常聯系的朋友信用評分可以評價借款人的信用情況，一般會採用經常打電話的朋友作為樣本，評估經常聯系的幾個人（不超過6六個人）的信用評分，去掉一個最高分，去掉一個最低分，取其中的平均值來判斷借款人的信用。這種方式挑戰很大，只是依靠手機號碼來判斷個人信用可信度不高。一般僅僅用於反欺詐識別，利用其經常通話的手機號在黑名單庫裡面進行匹配，如果命中，則此申請人的風險較高，需要進一步進行調查。
參考借款人社會屬性和行為來評估信用
參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高，其中50歲左右的貸款人違 約率最高，30歲左右的人違約率最低。貸款用於家庭消費和教育的貸款人，其貸款違約率低；聲明月收入超過3萬的人比聲明月收入低於1萬5千的人貸款違約率 高；貸款次數多的人，其貸款違約率低於第一次貸款的人。
經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。
午夜經常上網，很晚發微博，生活不規律，經常在各個城市跑的申請人，其帶貸款違約率比其他人高30%。刻意隱瞞自己過去經歷和聯系方式，填寫簡單信 息的人，比信息填寫豐富的人違約概率高20%。借款時間長的人比借款時間短短人，逾期和違約概率高20%左右。擁有汽車的貸款人比沒有汽車的貸款人，貸款 違約率低10%左右。
利用司法信息評估風險
涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。
尋找這些涉毒涉賭的嫌疑人，可以利用當地的公安數據，但是難度較大。也可以採用移動設備的位置信息來進行一定程度的識別。如果設備經常在半夜出現在 賭博場所或賭博區域例如澳門，其申請人涉賭的風險就較高。另外中國有些特定的地區，當地的有一部分人群從事涉賭或涉賭行業，一旦申請人填寫的居住地址或者 移動設備位置信息涉及這些區域，也要引起重視。涉賭和涉毒的人員工作一般也不太穩定或者沒有固定工作收入，如果申請人經常換工作或者經常在某一個階段沒有 收入，這種情況需要引起重視。涉賭和涉毒的人活動規律比較特殊，經常半夜在外面活動，另外也經常住本地賓館，這些信息都可以參考移動大數據進行識別。
總之，互聯網金融的大數據風控採用了用戶社會行為和社會屬性數據，在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，評價客戶的風險水平。互聯網金融企業通過分析申請人的社會行為數據來控制信用風險，將資金借給合格貸款人，保證資金的安全。