伴随着云计算、物联网以及社交网络等新兴服务的兴起促使人类社会的数据种类和规模正以前所未有的速度增长，大数据时代应运而生。而金融自产生以来就具备开展大数据研究与应用的先天条件。它们将自身拥有的大数据资源与互联网金融相结合产生非结构化数据，结合云计算等信息化方式，挖掘客户全方位信息，从而选择相对优质企业放贷以降低风险。
大数据时代下，商业银行需要积极树立“大数据”的信贷思维，充分运用大数据信贷技术积极开展信贷反欺诈的具体实践，提升信贷经营管理水平和信贷风险驾驭能力。从大数据视角分析，互联网对传统信贷模式带来了前所未有的冲击和挑战，但同时也为信贷风险管理的创新带来了一股新鲜的“空气”，为金融机构带来了更多解决信贷欺诈问题的新思路、新方法和新工具。从风控角度讲，大数据为风险管理提供支持，降低了违约成本。
传统的银行信用风险管理方法对于个人和小微企业的评估能力正逐步下降，问题的关键就是缺乏足够的数据。初次贷款或有过信用污点的个人很难提供更多的数据供银行判断其还款意愿和能力，小微企业在初创期也很难证明其信用度。大数据的一个重要特征就是数据类型多元化（Variety），目前，Facebook、微博、微信、视频和音频等非结构化数据已经应用于个人信贷的风险评估。如美国ZestFinance公司专门针对无法提供信用证明的人，通过互联网上大量的个人碎片化信息和ZestFinance风险评估模型重组个人信用视图。该公司目前首次还贷违约率低于竞争者，投资回报率达到150%，其背后依托的是强大的大数据挖掘能力。
01
基于大数据视角的信贷反欺诈基本逻辑
1
宏观思考：大数据视角下的银行业机遇与挑战
随着网络化信息在快速的发展，企业数据在逐渐地增多，在网络日志、社交媒体以及遍布各地的传感器网络等迎来了大数据时代的到来。在大数据的分析过程中各行各业的竞争发展在不断变革。大数据时代的到来，为银行业发展既带来了机遇，也充满了挑战。
在银行业发展的机遇中大数据分析的挖掘是重要的组成部分。在大数据处理中能够不断地提高银行经营决策，通过数据的挖掘来给银行业带来发展和引领行业的基于，在数据分析中挖掘大量的客户，通过“数据的收集能力+数据的分析能力=企业的智商”，来为银行业寻求更加良好的发展趋势。
在大数据视角下，银行业需要构建银行大数据分析平台，由于在银行业的发展中，传统的商业智能、数据仓库在数据处理中出现了大量的结构化以及非结构的数据，这些数据没有固定的模式，并且数据价值的密集程度比价高，这就影响了银行的决策效果，因此为了提高银行的创新能力、提高数据精细化以及专业化的模式，这就需要将这种挑战实施相应的对策。银行业面临的挑战还有培养大数据分析人才。
由于信息时代的冲击,数据已经成为商业以及企业挖掘的重要手段，在复杂的数据中，目前来说大数据分析的方式有：基于假设的模型，来关注这高价值数据，促进数据效率的提升；另一种是机器学习的模型，然而在这种数据形式中需要分析人员具有较高的业务理解能力，并且能够快速地建立数据模型，及时地了解数据市场的动态，这些有助于银行业能够快速地把握市场环境的变化，最终提升银行机构的竞争能力。
2
逻辑起点：银行需要直面信贷欺诈风险问题
信贷逻辑的一个显著特点，就是直面信贷业务的各类问题，以问题意识来解决现实问题。商业银行开展信贷反欺诈的主要目的，是非常明确的，就是为了防御信贷欺诈风险。根据我国刑法第193条规定，信贷欺诈是指以非法占有为目的，通过以下方式诈骗金融机构融资：
编造引进资金、项目等虚假理由；
使用虚假经济合同；
使用虚假证明文件；
使用虚假产权证明作担保或者超出抵押物价值重复担保；
使用贷款进行违法犯罪活动；
假冒他人名义申请贷款等。
信贷欺诈风险，涉及信用风险、操作风险、道德风险，往往引发巨大信用和声誉损失，对该风险的识别与防控也历来得到西方金融机构的高度重视。
目前信贷欺诈风险呈现出三方面的特点：
一是个人和民营企业是信贷欺诈风险防控的外部重点对象。从已有风险事件或案件情况看，借款人均为个人或民营企业。
二是批发贸易企业及贸易融资业务是信贷欺诈风险多发领域。该类企业具有经营门槛低、资金监控难等特点，易于虚构贸易背景、骗取银行融资。
三是信贷前台部门人员是银行信贷欺诈风险防控的内部重点对象。
信贷欺诈的发生与在信贷业务办理中未认真调查（审查）申请人有关文件、资信状况或与借款人串通造假等行为密切相关，主要涉及支行信贷客户经理、支行贷款审查审批负责人。
1
剖析信贷欺诈风险的主要风险来源
信贷欺诈风险的外部因素分析。
一是受社会信用体系建设、公民道德诚信水平等因素影响，包括我国在内的新兴市场国家的信用环境还不成熟，信贷欺诈行为还处于多发阶段。
二是当前我国经济增速放缓、流动性趋紧，部分个人或企业，实施信贷欺诈的资金压力与动机明显增强。三是科技发展也为假单证、假印鉴、假合同等提供了以假乱真的手段，欺诈手段多样化、智能化倾向明显。
信贷欺诈风险的内部因素分析。
一是信贷人员操作不规范。由于未能严格按要求尽职调查、审查、贷后管理、作业监督，给外部欺诈以可乘之机。个别人员甚至与外部人员串通勾结，套取银行融资。
二是信贷系统存在漏洞。信贷系统对流程以及权限缺乏必要的控制，出现超授权、超授信、超过抵（质）押率控制等情况发生，未能约束重复融资、骗取融资行为发生。
三是欺诈风险识别与防范滞后。目前国内银行信贷业务欺诈风险管理，仍然以案件管理为主，多事后跟踪、处罚，事前识别、监控相对不足。
2
企业信贷欺诈风险的主要类型与表现
第一类信贷欺诈风险，是虚假融资主体，主要体现为两种情形：
第一、虚假证照。这种情况包括虚假营业执照、身份证明、工作证明以及收入证明等。如新开业企业，为规避银行对借款人经营实体经营期一年以上的信贷标准，在个人经营性贷款申请中使用虚假营业执照。
第二、虚假出资。这种情况是指公司股东未交付应当交付的出资额，完成验资手续后将出资或增资转移、挪作他用。在项目建设领域，表现为借款人的股东不具备出资能力、资本金未用于项目建设或以非权益性资金充当项目资本金等。
第二类信贷欺诈风险，是虚假交易背景。虚假交易背景往往有以下特点：交易双方财务科目间（如应收账款、应付账款等）勾稽关系与交易背景不符；缺乏历史交易往来记录或不能从交易对手得到确认或验证；交易双方存在逆上下游关系的大额交易；交易双方存在关联关系等。
虚假交易背景游戏分为三种情况：
第一、虚假发票，指伪造、变造纳税发票，或先开具发票办理，在过程中或放款后予以注销（如通过纳税服务热线查询发现前期提供的增值税发票已处于作废状态）。
第二、虚假合同，指采用无真实贸易背景的购销合同虚构资金需求以套取银行融资，或通过伪造、变造购销合同粉饰经营绩效。
第三、虚假单据，指伪造或变造仓单、提单、物流凭证或应收账款确认书等，套取银行融资。
第三类信贷欺诈风险，是虚增流水。
虚增流水是指借款人为满足银行贷款条件而提供伪造的银行对账单流水，或通过关联企业和关联账户虚构交易结算记录形成的流水。该类欺诈多见于小企业信贷业务。流水是核定小企业信用等级、授信额度的重要依据，基于虚增流水的融资行为易导致过度融资、风险放大。主要表现为：账户流水贷前异常大幅增长、贷后迅速回落；借款人无实际交易背景情况下结算账户当日大额转进当日转出，基本无留存；结算账户贷方发生额发生笔数少且金额较大，借款人提供与经营无关的个人账户流水充抵经营回款等。
第四类信贷欺诈风险，是虚假用途。虚假用途是指借款人未将贷款用于借款合同中约定的融资用途，挪作他用的行为。表现形式包括：超出自身资金需求申请融资（如超过实际营运资金需求申请流动资金贷款，取得后挪用于项目建设），贷款支付对象与借款人无上下游关系或支付金额明显超过日常交易所需；贷款支付对象多选择关联企业。第三方提供抵质押物且贷款发放后流向第三方。贷款资金支付后出现回流、流入股市或房地产等现象。
第五类信贷欺诈风险，是虚假报表。财务报表是银行评价企业经营状况和偿债能力的重要工具之一，是评级、授信、贷款审批的重要依据。银行以虚假报表为依据实施的信贷行为，必然对企业经营状况和偿债能力形成错误判断，导致信用等级、授信额度虚高、贷款额度超过企业实际风险承受能力等问题。表现形式包括：报表的多个科目之间的勾稽关系存在较大疑问；在无明显竞争优势情况下，主要财务指标明显优于同业；报表虽经审计，但企业不能向银行提供审计报告原件；提供的财务数据与企业账户流水、实地查看的销售及库存情况存在较大差距等。
3
反欺诈的核心要义：信息比对和逻辑校验
商业银行开展反欺诈的主要核心是信息比对和逻辑校验，从而识别信贷欺诈的具体风险类型。商业银行要做好内外部信息积累与整合工作。信贷欺诈风险的本质在于信息不对称。当前，国内银行内外部信息资源收集、整合、利用不够，对信贷欺诈风险识别能力形成制约，也与当前欺诈行为多发的严峻形势不尽相称。因此，首先应加强内部融资、结算、财务以及外部征信、工商、税务、海关、物流等类信息的收集、整合工作。
在业务办理过程中，查询或通过系统自动调取相关信息进行多维度的交叉验证分析，及时识别欺诈行为。如利用纳税申报表信息通过所得税金额验证利润真实性问题，利用海关进出口信息、财务报表科目信息验证贸易融资背景真实性问题等。同时，建立积累黑名单信息库，纳入日常发现存在虚假或欺诈行为的企业或个人，在信贷系统中自动加载引用，在流程中进行预警、控制。
商业银行要积极研发部署反欺诈模型，持续总结信贷欺诈风险特征、异常融资行为，构建模型，及时筛查、预警。如企业成立时间短、在银行开户时间短，企业注册或经营地、贷款申请地以及抵押物所在地不同，短期内多个借款人贷款发放后流向同一企业或自然人，多个借款人还本付息资金来源与同一企业或自然人，累计开证、开票以及贴现金额巨大且与对应财务报表科目不符等。商业银行要规范操作流程，在尽职调查、审查审批、贷后管理等环节明确，明确防范欺诈风险的岗位职责，包括需要核实的内容、工作方式以及对应处理措施等。
同时，优化系统功能，将制度流程中对各操作环节的衔接控制设计嵌入信贷系统中，进行刚性控制。在贷前阶段，银行通过核验企业财务报表与实地调查情况的一致性、核对营业执照载明经营范围与拟申请贷款用途的一致性等方式核验客户资料的真实性。在审查阶段，审查人要加强对贷款资料的完整性审查，强化贷款资料的逻辑性分析。信贷审查人员须通过查询谈话记录中调查人、借款人的签字或与借款人电话核实等方式，验证调查人双人见客谈话落实情况。对公司贷款，通过财务数据间的比较分析、趋势分析，对财务报表的真实性和可靠性进行甄别，判断客户真实生产销售情况。
02
互联网浪潮下信贷反欺诈的三大对策
随着互联网时代的来临，与大数据、云计算、移动互联网、垂直搜索引擎相结合的互联网金融业既冲击着传统商业银行，又为商业银行的发展提出了新的视角。互联网浪潮下，商业银行开展信贷反欺诈，需要大胆创新，勇于变革，积极采取科学的信贷策略与技术手段。
1
以移动互联技术为精髓的“远程”非现场信贷调查
移动通信技术(指移动终端设备通过移动通信网络进行通信)与互联网技术的有机结合产生了移动互联技术。与固定的有线互联网相比，移动互联网特点主要体现在终端设备和接入网络，以及由于终端和移动通信网络的特有功能所带来的独特应用。大多数专家学者认为移动互联网是未来十年内最具有创新活力和市场规模的领域。
新兴的移动互联技术正在悄然改变人们的生活方式，移动4G通信、云计算、大数据等新技术的发展更进一步推动支付宝、余额宝、微信支付等互联网银行的崛起，这使传统银行业的发展面临前所未有的挑战。目前，互联技术和大数据技术为信用风险管理提供数据支持和创新手段。大数据、云计算、社交平台、垂直搜索引擎等技术对商业银行业务的帮助很大。
银行的私人银行客户、公司银行中小客户、同业银行客户等都具有自身网上交易习惯，借助新技术去改善客户关系管理、授信业务管理、交易结算业务等很有必要。就信贷业务而言，移动互联技术使得无论人与人的物理距离有多遥远，都可以通过一台电脑、一部手机，直接将银行与客户的距离拉到最近，为“远程”的非现场信贷调查提供了技术层面的可能性。例如，人脸识别技术为贷款对象的身份识别提供了强大的信息技术支撑作用。
随着移动互联技术的进步和发展，商业银行开发出很多基于移动互联网的信贷产品。信贷客户通过手机银行APP，即可便利地申请银行贷款，获得银行的贷款支持。银行在信贷反欺诈的风险控制中，首先要确定的就是贷款对象的身份问题。银行通过人脸识别技术，可以实现贷款对象的身份识别。
如图所示，人脸识别是一种特殊的生物认证识别技术，其处理过程主要包括人脸图像或视频采集、人脸检测、特征值提取、人脸识别。人脸检测，即在给定的图像中，检测是否存在人脸，如果是人脸，则给出人脸的具体位置、大小等信息。特征值提取，即提出人脸的特征，人脸图像信息数据量巨大，为了提高运算速度，需要对数据压缩，如降低向量空间的维数，用少量的具有生物特征的数据来表示尽可能多的数据。人脸识别，即将输入图像中的特征值提取出来，并与事先保存好的人脸特征值进行比较，以此来识别人脸的合法性。信贷实践中，客户在申请过程中，银行通过嵌入手持手机拍照的过程，将客户自己的面孔与身份证件放置于指定的方框内，方可进行贷款申请。方框内截取的图像，可在后台通过人脸识别技术，匹配申请人与所持证件的一致性，进而实现贷款对象身份的反欺诈识别。人脸识别技术，其本质特征属于生物特征识别技术。从内涵上讲，生物特征识别技术是通过提取生物某些特定的易于区分本体的特征或行为，并将所提取的特征与事先录入数据库中样本数据进行筛选和匹配，从而完成对个人身份的识别。
人脸识别技术，主要通过人脸识别系统加以实现。如图所示，人脸识别系统主要包括视频实时采集及预处理、数据库管理、人脸识别和识别信息输出等四个模块组成。系统具体识别过程：首先对样本视频中人脸进行检测，剪切出人脸图像部分，并对所剪切出的图像进行去噪、平滑等处理。在身份信息管理数据库模块，将特定的人脸与身份信息进行匹配，如：姓名、联系方式等信息。
在人脸识别功能阶段，采用PCA(Principal Component Analysis)算法将视频中人脸特征与数据库中人脸特征进行数据比对，筛选出与输入图像相匹配的身份信息进行输出。在人脸识别中，商业银行可以通过采用PCA分析算法进行人脸特征提取及数据维，该算法属于多元统计分析法，是用一种较少数量的特征对样本进行描述，以达到降低特征空间维数。人脸图像特征信息是一个高维的矩阵信息，PCA算法可以将高维的人脸图像矩阵映射到低维特征空间中，基于各个正交基底来生成对应的特征矢量。这种特征矢量不仅可以免除环境和人为因素如光照、姿态、表情等干扰因素对识别的干扰，同时可以精确地反映人脸图像的全局信息与局部特征信息的关系。
2
以大数据思维为理念的“客户画像”刻画技术
商业银行需要树立大数据思维，通过整合“线上+线下”数据、跨平台数据、多维度信息，全面地客户“客户画像”特征，从中获取更为真实的客户画像。商业银行可以通过已建立的信息服务平台，并结合基于爬虫等技术手段获得的舆情信息，利用半结构和非结构化数据的加工分析技术，将信用信息数据转化成结构化数据，并在结构化数据的基础上进行加工整合，构建全面的客户征信视图，进行客户画像，从而实现对客户的 360 度画像标签。
客户画像可以分为个人客户画像和企业客户画像，其中个人客户画像包括性别、年龄、健康状况、职业、婚姻、文化水平、收入等人口统计学特征数据，还包括个人消费能力、兴趣、风险厌恶情况等数据，而企业客户画像涉及企业生产经营的各个环节，包括生产、运营、销售、客户、财务、流通等数据，还包括相关产业链的上下游数据。
客户画像还可以分为立体画像和专业画像。其中立体画像指的是通过数据挖掘和关联分析技术，以多维标签组合对客户特征进行全面描绘，建立一个以客户为维度，综合消费、投资、支付、信贷等信息的立体画像。对立体画像背后内在关联的挖掘，对于设计监控模型、管理交叉风险、实行精准营销等决策给予了强有力的信息支撑。专业画像指的是为了实现某种管理目的以及业务需求，以大数据和标签组合化思路深入剖析形成的特定画像，如营销画像、风险画像等。专业画像能够应用到控制风险、维护客户关系、精准营销等众多领域，使得诸如银行等机构能够准确对客户的交易行为进行预测、迅速洞察并有效防范潜在的风险、及时抓住营销机会等等。
需要注意的是，客户画像并不是一成不变的，会伴随着客户行为以及交易习惯的改变而进行动态的调整。因此，为了保证准确性，需要对客户画像进行管理，一般采用系统自动更新与人工定期修正相结合的方式。信贷实践中，商业银行可以通过抓取客户身份信息、个人社交网络信息、互联网浏览记录、金融帐户的收支记录等信息，推演更多数据，来刻画客户的财务情况、兴趣爱好、支付习惯和社会关系，进而刻画出更为真实的“客户画像”，为银行的信贷决策提供技术支撑。
3
以金融科技为动力引擎的“智能化”反欺诈风险控制模型
近些年来，金融与科技相结合的例子不胜枚举，如何既汲取传统金融行业在风控上的优势与经验，又能将此与“大数据”“云计算”等技术更好的结合，从而在提高效率、降低成本的同时，将风控做到更好，也一直是业内外共同探讨和致力的方向。时至今日，“大数据”“云计算”等词汇，对于人们而言，即便不能理解其中深意，却也是耳熟能详的词汇了，这也从侧面反映出技术对于人们生活影响的广泛与迅捷。在过去，对于传统金融业而言，严谨的风控常是其被人们所津津乐道的优势，随着互联网浪潮的发展，科技手段的不断更迭，关于“如何将传统金融的谨慎与新技术的高效相结合”这一话题的探讨也越发频繁地被提及。
随着信息科技的进步，大数据风控是金融科技应用的大势所趋。大数据风控的一个显著特征便是智能化风控模型。智能风控，被誉为传统金融的变革之翼，商业银行通过引入外部数据和提前设计好风控规则，实现各类信息采集与对比校验的自动进行，通过事先部署反欺诈规则和策略自动执行拒贷动作，实现信贷反欺诈的智能化风险控制。大数据风险控制模型是能够量化欺诈风险的模型，是一种智能模型。
该模型以可观察到的交易特征作为变量，利用计算出来的分值来代表交易的欺诈风险，并且在此基础上将欺诈风险分为几个不同等级。通过风险控制模型与客户画像相结合，从客户进行交易的第一个行为就进行分析，以对应的风险分数赋予客户的每一个动作，为反交易欺诈，从而能够有效控制风险进行科学决策，对欺诈风险高的交易可以据此形成预警并展开调查。此外，在风险模型的基础上，结合客户画像，可以在并行数据处理技术环境下灵活运用R语言等工具，自动挖掘客户担保圈的关系，对预警担保圈的形成进行自动标识。智能风控会根据客户的履约记录、社交行为、行为偏好、身份信息和设备安全等多方面行为特征去评判一个人的反欺诈和信用评估行为，从而形成信用画像，进而实现对客户欺诈风险概率的科学衡量，实现自动化、精准性的反欺诈风控调查。
閱讀更多 信貸風險管理 的文章
