基于大数据的信用风控在化工行业的应用研究

关键词：数据

1.引言

大数据风控是风险管控和互联网大数据技术的结合, 是一种新型风控管理模式, 近几年大数据在各个领域得到了快速发展, 显示出大数据广泛的用途。但由于中国征信体系的不完善, 给企业特别是化工行业带来了较大赊销的风险, 因此建立一个有效的风控体系是十分最重要的。化工企业是基础性工业企业中十分重要的一种,化工企业的交易对象包括各种各样的行业,交易对象自身比较多样,而且化工行业因为其自身的特点其客户相对金融等行业比较稳定。而且随着经济和社会信用交易的发展,化工行业的信用交易越来越多。由于化工交易自身的单次交易额比较大,从而导致信用风险逐渐提升,因此对信用风险进行防控已成为现代企业正常运营与发展的重点关注问题。

2.相关概念和研究现状

为了实现对信用风险定义的精准界定,需要建立在对信用含义进行深入了解的基础上。信用是指受信人与授信人之间建立契约关系,确保自身的本金能够满足回流和增值的要求。信用风险包括个人信用风险、商业信用风险、投资信用风险、银行信用风险以及国家信用风险几种类型[1]。企业的信用风险传导主要是指借助于相应载体,对企业内外部环境中所蕴含的风险进行释放,将其传递至企业各类业务流程中,导致企业的经营发展偏离预先设定的目标,进而对企业的运营效率造成损伤[2]。基于外部层面进行审视,企业信用风险传导的过程实际上也是风险源的释放过程。大数据是指在划定的时间和空间范围内把大量的、多样的、复杂的、混乱的、有价值的数据使用新的工具和方法高效的对这些数据进行搜集、整理、分类、提取和分析,从而生成企业需要的信息。目前国内还没有建立起比较完整的征信体系,而相对于化工行业而言,信用赊销的比例比较多,所以建立一个完善的信用风险体系至关重要。关于信用风险的研究主要是选择使用采用信用评分卡模型进行评估。评分卡模型具体是指首先利用已经收集的数据,评估出客户的信用、营业额、净利润率、赊销额、支付能力等指标,再按指标进行划分等,说明各个等级的重要性程度,然后计算各个等级的权重,再者利用上面的结果计算得出我们需要的客户信息等级[4]。

BillFair与EarlIsaac在1956年利用判别法设计了第一个商业化信用评分系统FICO,之后,Myers等[5]采用判别分析和回归分析法,将评分系统运用到消费者信用领域;OrglerSrinivasan等利用模型对信用风控进行了进一步的研究。随着技术的发展,机械学习被引入信用管理系统,最早的是Angelini等[6]运用人工神经网络设计信用风险模型,Bequé等[7]将最近提出的人工神经网络的极限学习算法(ELM),这种方法被证实非常方便,而且精准度高预测精度高在信用风险建模领域的价值有很高的价值。过去的信用风险方法在分布假设、线性等方面有严格的假设条件,使这些方法在互联网快速发展的时代难以适用。

3.大数据在化工行业信用风控的应用

(1)风险识别

风险识别是风控的基础,在充分了解对方的基础上才有科学准确的风控。风险识别包括交易的全过程,目前应用比较多的是使用评分卡模型[8]。利用评分卡模型汇总各部门业务和数据,并与业务专家一起确定通用模型的输入指标和权重,确定通用评估模型的数据源,制定个体公司的综合评分模型,为交易对象画制一个360画像。

(2)风险体系构建

信息挖掘是信用风险监管过程中,借助大数据的作用有效实施的最重要环节。通过构建信用风险评价模型确定评价指标如财务指标、交易数据、信号数据、公司信息、宏观经济、负面信息等,力争综合全面的挖掘出交易对象的具体信息,进而可以帮助公司决策者科学的识别和判断风险与机遇,最终做出最合适的决策[9]。可以具体分为以下3个模块,第一、客户基本信息模块:个体客户信息是区别于其他客户的基础。通过公开渠道、第三方渠道、行业协会、管理机构等收集客户的个人信息,借用财务系统收集客户的商业信息、借还款信息,利用政府数据网络收集公信信息等相关数据对客户的信用风险进行综合分析。第二、信用风险评估:可以细分为风险评估、破产违约、交易价值、业务员评价,在交易前可以运用已经收集好的数据进行基础风险和破产违约的评估,初步判断风险,在交易过程中根据交易价值进行事中风险评估,在事后统筹之前的评估结合业务员的评价进行全面的风险评估。第三、风险预警模块:通过对交易对象相关风险数据的监测和企业自身的情况设定风险触发信号同时利用数据技术支持自定义配置风险监控指标,接受到风险后决策者根据实际情况进行决策,同时记录下风险处置措施。

(3)风险决策

在大数据指标构建完整的基础上,建构相应的自动化决策模型与风险监控预警模型,核算风险层次,并为决策者提供适当的信用信息,真正地做到大数据在化工行业的应用。通过对客户的信息进行整理和评估,生成评估资信报告,以资信评估报告为基础,根据事先设置好的模型,对客户的信用风险进行实时的监控,从而及时准确的衡量客户的风险等级。

4.大数据在化工行业信用风控的应用存在的问题

(1)数据质量直接影响模型效果

数据的真实性和数据的完整性的程度不一会生成不同的评估结果,但是信用风险评估模型只是我们在评估中使用的工作,只是纯理性的结果,如果要不断提高信用风险评估模型的准确度, 那就要求公司从最开始尽可能的收集到模型需要的全部数据,并就其真实性进行去伪存,从大量数据中提取有效特征数据。

(2)传统评分卡模型具有一定的局限性

评分卡模型虽然已经应用到很多领域但因为评分模型内含很多的维度,所以在应用过程中可能会过于臃杂,根据化工行业自身的特点和个体公司的需求,挑选出部分变量,然后将需要的数据转化成标准的信用评分。

(3)借鉴新的方法建立更直观的风控体系

与传统的评分卡模型相对比,机械学系方法不仅准确度更高,更全面,而且其信用风险模型的统计假设条件相对于传统的方法较宽松。如最新的XGBoost算法,这使得机器学习方法可以比传统的评分卡模型表现更为出色,使得信用风险的评估结果具有更好的可解释性和可操作性。

5.提升大数据风控能力的建议

(1)完善初始数据的真实性和准确性性

数据的质量体现在完整性、一致性、准确性、及时性等方面[10]。数据十分真实直接影响到信用评估的结构是否可行,因此实现数据的真实性和完整性显得必要而迫切。一方面,构建以政府为支柱、辅助以社会各方的力量共建的大数据库。政府在中国是社会公信力的代表,提供最广泛和最有公信力的数据。这就要求政府完善监管标准和监管方法,特别是在需要纳入系征信数据进行严格的监管核实,并对社会公众公开。另一方面,随着互联网技术的发展,应加强各地区,各部门之间以及社会各方力量的信息实时互通,因为社会各方力量涉及领域到信息的各个角落,从而构建完善的基础征信体系,可以从源头提高合作公司信息的真实性和准确性。

(2)实现内部数据的标准一致性和完整性

对于内部数据第一步要做的就是改变之前区块分割、部门分开的风险管理体系,使用统一的标准,链接交易前,交易中,交易后的数据。针对收集到的外部数据,鉴于数据链条繁多,标准差异就需要根据同甲乙对象根据协商一起共同推动数据标准制定。在交易开始到交易完成,随着交易的进展的推进和各种可能出现的情况,信息随时会变更,这就需要在统一标准下,对数据进行实时的更新,从而尽量减少因分歧数据和遗漏数据所造成的误差。

(3)加强安全监管安全使用数据

信用评估和风险预测中,很多信息是涉及到顾客隐私的,如果不加强监管就会导致数据内外部泄露。对于各种内外部数据,都要严格注意合规使用,特别是涉及客户隐私的数据,要先脱敏再运用,这样既可不丢失数据分析价值,又不会触犯国家法律,经过脱敏处理后以产品或服务的形式进行使用或输出。最后是加强数据安全管控,既包括建立客户信息保护机制,防范内部人员操作风险,也包括加强技术安全体系建设,防范外部非法窃取风险,加强对日常管理和系统运行进行密切监控,发现潜在系统漏洞时及时修复,加强物理硬件的安全,保证在数据的收集、整理、分类、处理、保存等环节都没有失误。

摘要：大数据风控是互联网大数据技术和风险管控结合的新型风控管理方法,随着技术的快速发展,大数据已经在各个领域显示出其广泛的用途。首先本文介绍了大数据和风控的相关概念和研究现状,然后具体分析了大数据在风险控制上面的应用,继而分析目前风险管理中存在的问题,最后本文认为提高大数据在风险控制上的应用需要从最初保证数据的真实可靠,其次在使用数据过程中要统一衡量标准,同时在使用数据过程中要加强安全监管安全,确保客户的信息安全。

关键词：大数据,风险,信用,风险控制