【大咖访谈秀】资深风控专家陈磊：企业客户信用风险监测的实践与思考

资深风控专家陈磊：企业客户信用风险监测的实践与思考...

由“大数据风控联盟”打造的首个风控工具千人共建计划。在3月22日晚八点，为千名风控精英推出第四期大咖访谈秀！

此次邀请到的嘉宾是资深风控专家陈磊先生，他将为告诉我们如何找到企业客户信用风险的“七寸”所在。

以下是经整理后的访谈实录：

感谢风控千人计划提供的这个平台，之前听了各位前辈大咖的分享以及之后的讨论，收益匪浅。

先说句题外话，大咖万不敢当，和群里很多从业多年的前辈相比，我只是后学，迄今为止，做风控和审批刚刚六年。但受吴总邀请，盛情难却，所以赶鸭子上架，结合自己在银行做风控工具设计的相关工作，和大家做个分享，算是抛砖引玉。不妥之处，还望指正。

我今天的分享主题是企业客户风险监测与分析。

在银行的信贷风控体系中，主体是前台客户部门、中台风控、后台内控审计构成的“三道防线”。在三道防线基础上，又辅以授信办法、信贷政策、风险评级、项目评估、资产分类等制度设计和技术手段，实现对信贷业务的整体管控。

在信贷业务全流程中，风险监测与分析一直是一条暗线，从事前客户选择、事中风险审批、到事后贷后管理，监控一直发挥着“第二双眼睛”的作用，监测做的好，客户选择效率提高，风控决策更托底，贷后风险敏感度提高，总部风险偏好传导更加有效。

从实用角度，今天主要从监测的三个使用主体的角度分享风险监测中较为实用的三类监测工具和规则。从我了解的情况看，目前很多机构都在这三方面下功夫，取得了一定成效，但目前的监测分析效果都还不完善。假以时日，这三个方向的研究成果也可能成为某些融资机构和第三方信息提供商的竞争优势。

另外说明一下，今天分享的监控工具主要针对的是具有一定规模的企业融资业务，而非纯零售的小企业融资。零售信贷业务由于成本收益比和信息透明度等因素，风控逻辑和大中型客户显著不同，因此衍生出不同的风控模式，包括IPC、信贷工厂、关系型信贷等若干模式，时间和能力有限，不能兼顾。

第一类，是风控和审批人员使用的监测分析工具，侧重于刻画客户尽可能全面的风险特征，为审批决策提供支持。

一般到了审批时点，客户主体信息都已经收集的比较充分，比如财务指标、经营情况等。但有些信息是无法通过客户渠道获得（或者真实性存疑），但的确对客户风险判断有核心影响。最突出的信息之一，是股权、债权和担保关系。目前大银行普遍采取的方式是做成风险统一视图，直观的列出企业的股权关系、借款关系、担保关系，数据来源主要是客户经理调查上传、本行的客户信息积累、人行征信系统、监管定提供的关联关系数据库等。

目前这一块的信息有很大的短板，主要是各机构的融资信息不可能完全互通，因此隐藏的控制关系太多，重复授信横行。近年来爆发重大风险的大型民营企业，几乎每一个都是设立各种隐形控制公司在各种金融机构大额融资，出事之前各家机构看起来授信十几个亿，风险可控，结果出事了，回头一看，关联企业各类融资合计上百亿。中小企业这方面由于财务制度不健全，重复融资的问题更多。

当然现在很多机构都在进一步完善这部分内容，其中比较有效的是两块，一个是银行内部流水信息整合，通过资金流向判断企业实际控制关系，这块是各银行的自家买卖，估计市场化的概率很低。另一个是客户行为信息，比如客户供应链数据标准化，控制货流和信息流。这块现在是很多外部机构的发力点。目前融资机构，特别是银行很有意愿和各种行业内的供应链企业合作，制造所谓的资金“闭环”。

但在资金闭环之外，更看重的是行业内供应链企业对范围内企业是否能形成信息闭环，即企业所有的资金都能走在明面上，而不是随便假造一个受托支付，钱跑了，没看住，流到其他银行不知道的用途上去了。

在审批方面，第二个待发掘的监测分析指标是同行业客户关键数据的横向分析与比较，展现客户在行业中各关键数据（包括核心财务指标、行业关键规模指标等）的排名情况。例如根据某行业的固贷项目情况，绘制近期全国同类型项目的产能分布和总产能变动趋势，了解行业产能是否过剩，作为其他类似项目审批参考。这一块很多垂直领域的团队都在做，而且可以用的外部数据也多，包括政府行政主管部门信息，如：发改委批复项目信息、国家统计局各期统计数据、人民银行统计数据、国土资源部土地类数据、住建部的建设类数据等；专业咨询机构的数据，如：克尔瑞、万德资讯、银联信信息等；行业协会数据，包括：行业运营数据、开工率、平均利润、新建项目及产能、淘汰项目及产能、行业内企业数等。

对于很多系统性重要大银行机构在做全国性数据分析是有很多优势的，毕竟春江水暖鸭先知，在个别领域甚至只用自家客户的数据就已经很有意义了。但在更多领域，和业内优秀数据分析企业或者行业管理机构直接合作，可能是融资机构更有效率的做法。但是这种合作不能停留在买份报告，回来一传阅，就完了，而是应该真正实现信息流的动态分析，通过外部接口直接应用到业务一线，对具体业务提供特定时点和特定领域的数据支撑。这一部分现在很多机构都在尝试，大家也越来越愿意接受外部信息，毕竟从风控数据来说，广开门路远比闭门造车威力大的多。

第二类监测分析工具，是客户经理、风险经理做贷后管理用的。

当客户的经营指标出现下滑，或客户所属行业和领域的风险开始爆发，必然要通过监测提醒客户经理进行相关处理。这里的指标涵盖非常广，宏观、财务、用信、还款、流水，基本上审批人考量客户的各类量化因素在这里都能设计成指标，大银行的监测指标体系基本都是几百条规则同时在运行。这时候，难的不是设计指标，而是判断指标的有效性。

目前从有效性上来看，所有指标都是各有利弊，流水信息往往是最先行且最真实的指标，但客户完全可以走其他银行账户，规避监控；现金流量表的指标相对不易粉饰，但定期报表肯定是滞后的，而且很多企业的财报真实性实在堪忧；企业融资水平和经营周转变化异常数据一般很准，但滞后性明显，而且非财务数据量化很困难。从经验来看，没有一条指标是百分百准确的，核心的工作是“交叉验证”。

把不同维度的指标综合使用，可以大幅提高指标的准确性。如果有足够的客户数据，完全可以通过回溯分析判断指标组合的有效性，这种方法原理上与量化交易中的回测分析完全相同。如果没有这种技术或者数据积累不够，更常用的手段就是“交给时间”，不断地试错，优胜劣汰，最后留下的指标往往是最符合实际的。

从我个人的感受来说，很多经营时间比较长的机构的理念不是最科学的，技术不是最先进的，人也未必是最专业的，但很多做法的确非常契合市场。无他，只是很多方法都是真金白银的教训砸出来的，这种东西往往要比很多高大上的理念有效的多。当然，对于一些阶段性的控制指标，比如近两三年的联贷联保、钢贸铜贸等，还是要仰仗专家判断，快速反应，不可能精心打磨，否则规则还没出，问题都快暴露完了。

第三类指标，是传导总部偏好的相关指标。

这类指标对于跨区域经营的机构是非常有用的管理手段。除非是大集中式的审批，否则保证分支机构做总部想做的客户、执行总部要求的审批标准就是风控的重中之重。由于总部的要求种类繁多，特别是很多要求就是定性的，无法定量表述，为监测指标的设计带来很大困难。

目前各机构采取的普遍做法是机器初筛+人工判断。机器做的工作主要是锁定一些疑似目标，合规性判断和实质性风险把控由审批人员来进行。可能从做系统的角度，过多的人工参与意味着效率降低，但是现阶段非固化的灵活执行才是适应管理现状的做法，由于监测未必非要嵌入流程中，对效率的要求是第二位的。尤其是在实际风险把控过程中，太多的因素需要综合判断，不是规则可以厘清的。从实践来看，被总部机构提示或叫停过业务的分支机构，在相关领域的偏好会有明显调整。这种威慑作用，是纯机器规则达不到的。Q：上个月去南昌的时候，跟华XXX公司的信息官聊天的时候，他就提到现在他们就在帮银行做大客户的经营数据动态监控，通过对企业的各项经营数据，比如用电量等实际经营数据进行实时的动态监测。现在很多银行对于这些大客户的监测也是越来越重视了，这些数据一旦积累下来都是很有价值的。

A：是的,纵向和横向的经营数据一旦积累到一定数量，会发挥很大的作用。 一方面，建立了经营数据的均值水平，相当于建立了企业的估值中枢，如果本企业或同类企业出现异常偏离，就一定要关注，事遇无常必有妖。

另一方面，对于培养本机构的审批人员，建立对相关行业的初始认识，有极大的帮助。相当于所谓审批人员“感觉”的定量化。

Q：像一些国有大型银行的审贷是北京总行集中做的么？企业个人都是么？

A：涉及到就职机构的内部消息，不便透露太多，我只能说现在各大行在中心城市都是对公集中审批的，原则上下放二级行的审批权主要是高频低风险的业务。

个贷情况不一，一般是大分散小集中，一般分行有一定的裁量权。

Q：现在大家都在讲大数据风控，陈先生能不能分享下，第三方大数据对于企业风控监测方面具体的应用？举个例子。

A：个人意见，目前大数据风控更多的是概念，能落到实处的东西相对还少。 近期有实用价值的还是在客户选择和贷前审批判断上。举个例子，目前在公路建设项目上，哪些项目未来能有车流量，直接关系到还款来源的稳定性，但传统的车流量估计模型有效性实在太差，误差甚至达到80%。有做过相关项目的同行肯定知道。那么现在大数据可以在这方面做很多事情。比如灯光指数，ATM指数。

灯光指数就是测算公路节点上的灯光亮度，越亮意味着城市活力越强，根据现有公路项目和灯光数据的相关性进行评估。ATM指数与之类似，用城市ATM机分布做类似的事。

Q：请问风控里模型的重要性应该放在什么位置？还是找出监控指标更重要？

A：个人意见，模型更多的是应用在银行宏观层面和数据底层，利用较长的数据周期得出基础判断，这种判断决定了银行整体的风险收益变化走向，在长期管理上作用无可置疑。落实在银行的风控，核心的指标就是违约概率PD，以及衍生出来的一系列风险收益评价体系。

但在对公贷款个案监控上，模型的作用至少在国内还没有发挥出作用，越简单的指标反而越有效，短平快，更多的考虑是交叉验证，而不会纠结于共线性等技术性问题。

不过零售信贷的打分卡是另一个逻辑，话题比较大不能细谈。

Q：银行对于大额对公贷款一般都采取哪些缓释的手段？抵押、联合担保、货押？

A：首先考虑的是企业自身信用  大型企业信用贷款还是很多的。  但由于银行的风险偏好和国内信用环境，大部分企业风险缓释还是没办法的办法，其实不是为了真的处置抵押物（因为抵押物处置在国情下非常困难），而是提高企业还款意愿，以及控制重复融资。你说的这些缓释都会做，只是优先级排序、抵质押率底线要求不同。


 陈磊先生




风控工具千人共建计划


更多精彩，戳文回看联盟| Union 

立即加入大数据风控联盟 和10万风控同行共享最新风控干货！视角| Viewpoint  仰望，交流，学习做风控到底有没有前途？每一个风控人都应该看完！

风控人的6种死法，看哭了所有做风控的！

恒丰银行CRO教你：如何搭建信用风险量化模型

从风控及产品设计的角度看链家事件及其背后的商业模式大咖| Expertise  集首席风控人物 享风控经验精髓

黄劲尧：首席风控官是如何炼成的？（“风控大咖系列访谈”第一期）

钱静波：揭秘冠群首席风控官（“风控大咖系列访谈”第二期）

国美金控副总裁穆远：教你做消费分期风控和产品设计（“风控大咖系列访谈”第三期）

【纯干货】风险厌恶者，小微企业贷款如何赢在起跑线？（风控大咖系列访谈第四期）

马上消费金融刘志军：从0到1，打造消费金融普惠霸业（“风控大咖系列访谈”第五期）

信融财富吕剑：互金出海3周年——怎样的风控体系能够抵御长期风险？

【大咖访谈秀】财加网首席风控官教你如何搭建风控系统

实操| Practice  满满是干货

不会这项技术，永远都做不好风控！

非金融出身干风控该学哪些的专业知识？

【年货】27页ppt搞定国内外小微贷款风控技术！

贷前、贷中、贷后风险控制，风控总监都这么干！

    关注 大数据风控联盟