數(shù)據(jù)挖掘在個(gè)人貸款潛在風(fēng)險(xiǎn)客戶識(shí)別中的應(yīng)用

江繼龍 李宇希

摘要 不良貸款是銀行業(yè)金融機(jī)構(gòu)信貸風(fēng)險(xiǎn)的重要參考指標(biāo)，控制不良貸款率是金融業(yè)整體風(fēng)險(xiǎn)管理的首要目標(biāo)。筆者選取了某商業(yè)銀行分行的存量個(gè)人貸款客戶作為研究樣本，通過(guò)對(duì)客戶多維度數(shù)據(jù)屬性的分類(lèi)、交易行為的建模和存量貸款客戶違約指數(shù)的聚類(lèi)，將與已成為不良貸款客戶交易行為高度類(lèi)似的正常及關(guān)注類(lèi)客戶進(jìn)行風(fēng)險(xiǎn)預(yù)警并提前干預(yù)，從而實(shí)現(xiàn)對(duì)該分行個(gè)人不良貸款率的有效控制。

【關(guān)鍵詞】個(gè)人貸款 數(shù)據(jù)挖掘 風(fēng)險(xiǎn)識(shí)別

1 業(yè)務(wù)背景

銀行業(yè)金融機(jī)構(gòu)是國(guó)家金融體系的重要組成部分，而不良貸款余額和不良貸款率則是衡量銀行信貸風(fēng)險(xiǎn)的重要指標(biāo)。根據(jù)國(guó)家統(tǒng)計(jì)局和銀監(jiān)會(huì)的數(shù)字，金融機(jī)構(gòu)各項(xiàng)貸款余額從2013年末71.90萬(wàn)億元增加到2016年末106.60萬(wàn)億元，年增速14。商業(yè)銀行不良貸款率也從2013年末的1.0%上升到2016年末的1.74%，年增速遠(yuǎn)超貸款增速。對(duì)銀行業(yè)金融機(jī)構(gòu)信貸風(fēng)險(xiǎn)的有效管理成為了控制金融風(fēng)險(xiǎn)，甚至是避免系統(tǒng)性經(jīng)濟(jì)危機(jī)的重要措施。

2 個(gè)人貸款分類(lèi)及特征

2.1 貸款的五級(jí)分類(lèi)

商業(yè)銀行目前仍然采用脫期法對(duì)逾期貸款進(jìn)行五級(jí)分類(lèi)，并進(jìn)行相應(yīng)壞賬準(zhǔn)備計(jì)提及核算一一未逾期貸款為正常類(lèi);逾期90天內(nèi)為關(guān)注類(lèi);逾期91-180天為次級(jí)類(lèi);逾期181-730天為可疑類(lèi);逾期731天以上為損失類(lèi);后三類(lèi)貸款，即次級(jí)、可疑、損失類(lèi)被統(tǒng)稱(chēng)為不良貸款，不良貸款額在貸款總額中的占比就是“不良貸款率”，這個(gè)最重要的信貸風(fēng)險(xiǎn)指標(biāo)。

2.2 個(gè)人貸款特征

個(gè)人貸款是銀行的零售主要業(yè)務(wù)，和對(duì)公貸款客戶相比，個(gè)人貸款客戶擁有著原始信息不可修改、交易流水?dāng)?shù)據(jù)粘度高等特點(diǎn)，是數(shù)據(jù)挖據(jù)理想的研究對(duì)象?？蛻粼谏虡I(yè)銀行的數(shù)據(jù)按照性質(zhì)可分為靜態(tài)數(shù)據(jù)、半靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)三類(lèi)。其中靜態(tài)數(shù)據(jù)為客戶的姓名、性別、身份證號(hào)碼、出生地等不可修改的數(shù)據(jù);半靜態(tài)數(shù)據(jù)為客戶的年齡、學(xué)歷、電話、工作地、所屬行業(yè)等可修改數(shù)據(jù);動(dòng)態(tài)數(shù)據(jù)為商業(yè)銀行通過(guò)發(fā)放給客戶銀行卡及衍生品產(chǎn)生的數(shù)據(jù)，如銀行賬戶的交易流水?dāng)?shù)據(jù)、貸款余額、逾期次數(shù)、五級(jí)分類(lèi)、關(guān)聯(lián)數(shù)據(jù)等信息系統(tǒng)自動(dòng)收集和按固定規(guī)則自動(dòng)更新的結(jié)構(gòu)化數(shù)據(jù)。

3 違約指數(shù)公式

客戶數(shù)據(jù)中動(dòng)態(tài)數(shù)據(jù)主要描述著交易行為的動(dòng)態(tài)變化，其中交易流水可以從交易時(shí)間、頻率、金額對(duì)交易行為進(jìn)行客觀描述，而半靜態(tài)數(shù)據(jù)中的貸款五級(jí)分類(lèi)作為重要信貸風(fēng)險(xiǎn)信號(hào)，可以與動(dòng)態(tài)數(shù)據(jù)中的交易行為相互聯(lián)動(dòng)，將己成為不良貸款客戶的違約指數(shù)在銀行存量客戶中進(jìn)行掃描并甄別，提前對(duì)潛在的風(fēng)險(xiǎn)客戶進(jìn)行前置預(yù)警并采取一定的措施，避免貸款質(zhì)量下滑，甚至變成不良貸款的實(shí)質(zhì)性信貸風(fēng)險(xiǎn)的發(fā)生。

4 交易流水?dāng)?shù)據(jù)的處理模型——RFM模型

交易數(shù)據(jù)在銀行中的日增量都是以TB級(jí)的，然而在如此海量的數(shù)據(jù)中進(jìn)行潛在客戶的甄別，就必須用上數(shù)據(jù)挖掘的相關(guān)技術(shù)。同時(shí)，由于銀行網(wǎng)點(diǎn)分布廣泛，不同地域的文化、教育、商業(yè)、經(jīng)濟(jì)水平的差異，在挖掘結(jié)論上將會(huì)是大相徑庭的，故對(duì)課題研究在一定區(qū)域內(nèi)的效果將比總行層面的數(shù)據(jù)掃描好得多。

針對(duì)交易數(shù)據(jù)，使用RFM模型將是一個(gè)不錯(cuò)的選擇。RFM模型的核心理念是計(jì)量銀行客戶的R值，即最近交易時(shí)間間隔、F值，即交易頻率和M值，即交易總金額來(lái)計(jì)算客戶交易行為的價(jià)值。RFM模型值便成為了客戶違約指數(shù)中權(quán)重最高的首選變量Xn。

5 數(shù)據(jù)挖掘的實(shí)際應(yīng)用

5.1 數(shù)據(jù)挖掘的定義

數(shù)據(jù)挖掘，根據(jù)最新的解釋?zhuān)直蛔g為資料探勘和數(shù)據(jù)采礦，是從大量數(shù)據(jù)中通過(guò)一定的算法搜索隱藏于其中信息的過(guò)程。實(shí)現(xiàn)的方法主要有如統(tǒng)計(jì)、在線分析處理、機(jī)器學(xué)習(xí)和專(zhuān)家系統(tǒng)等。

5.2 銀行內(nèi)的應(yīng)用

數(shù)據(jù)挖掘的實(shí)施步驟大體可以分為問(wèn)題定位、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)挖掘、結(jié)果驗(yàn)證、知識(shí)運(yùn)用5個(gè)基本步驟。對(duì)于本文課題的實(shí)際應(yīng)用層面可歸納到以下幾個(gè)詳細(xì)步驟上：

（1）問(wèn)題定位，在銀行存量客戶中識(shí)別潛在風(fēng)險(xiǎn)客戶;

（2）數(shù)據(jù)準(zhǔn)備，根據(jù)定位的問(wèn)題可將客戶數(shù)據(jù)中的性別年齡、所屬行業(yè)，動(dòng)態(tài)數(shù)據(jù)中的交易流水RFM模型值等多個(gè)基本數(shù)據(jù)作為變量，按照違約指數(shù)公式進(jìn)行建模;

（3）數(shù)據(jù)挖掘，對(duì)貸款已經(jīng)成為不良的客戶進(jìn)行標(biāo)記，再根據(jù)選定的數(shù)據(jù)和模型，通過(guò)簡(jiǎn)單高效的K值聚類(lèi)方法將存量貸款客戶聚類(lèi)，在聚類(lèi)結(jié)果中將己標(biāo)記為風(fēng)險(xiǎn)客戶的高相似度正常和關(guān)注類(lèi)客戶進(jìn)行甄別;

（4）結(jié)果驗(yàn)證，需要引入業(yè)務(wù)部門(mén)的專(zhuān)家評(píng)估，由于存在著某些客戶交易行為數(shù)據(jù)過(guò)少、還款行為受客觀條件約束等不可抗力影響的情況，所以需要對(duì)聚類(lèi)出來(lái)的結(jié)果需要驗(yàn)證。對(duì)通過(guò)驗(yàn)證的風(fēng)險(xiǎn)隱患的客戶采取相應(yīng)措施，如加強(qiáng)貸后檢查、關(guān)注還款能力的變化、評(píng)估抵押物價(jià)值的變化，甚至是提前收回貸款;

（5）知識(shí)運(yùn)用，由于市場(chǎng)環(huán)境變化可能導(dǎo)致不同行業(yè)的周期性違約概率變化、又如客戶自身交易習(xí)慣的改變也會(huì)導(dǎo)致數(shù)據(jù)挖掘結(jié)果的置信度的降低，所以對(duì)數(shù)據(jù)挖掘模型的更新是非常有必要的。如新增核心字段的變量、調(diào)整部分核心字段變量的權(quán)重等。

6 結(jié)束語(yǔ)

筆者任職于國(guó)內(nèi)上市的某商業(yè)銀行審計(jì)部門(mén)，擁有著訪問(wèn)上述研究所需所有數(shù)據(jù)的客觀條件。就本研究課題已經(jīng)在某分行進(jìn)行了實(shí)際操作，選定7個(gè)變量并進(jìn)入到“結(jié)果驗(yàn)證”階段。但在實(shí)際操作中，遇到了總體變量的選擇難、變量權(quán)重的分配難等問(wèn)題，但相信在專(zhuān)家團(tuán)隊(duì)介入后，不斷對(duì)模型參數(shù)的調(diào)整可將最后的結(jié)果置信度達(dá)到令人滿意的高度。最終通過(guò)實(shí)現(xiàn)對(duì)潛在風(fēng)險(xiǎn)客戶的甄別、風(fēng)險(xiǎn)預(yù)警、前置干預(yù)等步驟而達(dá)到控制銀行不良貸款率的目標(biāo)。

參考文獻(xiàn)

[1]劉玥，基于改進(jìn)的K-means算法的銀行客戶聚類(lèi)研究[D].吉林大學(xué)，2016.

[2]李博雷.超越交易重塑銀行與客戶關(guān)系——互聯(lián)網(wǎng)時(shí)代銀行業(yè)客戶體驗(yàn)管理策略探索[J].清華金融評(píng)論，2014 （09）.