个人信用报告数字解读在平安银行的验证与应用

。同商业银行内部风险评分模型相比，数字解读具有覆盖面广、表现充分、样本量大等优点。平安银行自2014年开始开展对数字解读的分析验证，结果显示数字解读具有优异的风险识别能力，适合作为全行层面的通用模型工具，为全行个贷提供一致的风险评估标准。自2016年起，数字解读开始在全行逐步推广应用，范围覆盖房贷、车贷、消费贷等主要产品。本文简要介绍平安银行数字解读验证工作以及目前的应用情况，并对使用过程中积累的经验认识进行归纳总结。

数字解读产品简介

数字解读基于信贷数据精确预测违约概率，是最符合银行风控要求的大数据产品。同征信业其他评分产品相比，数字解读源于最重要的信贷数据，具有核心竞争力；同银行内部的评分模型相比，数字解读解决了银行内部样本量少、否决客户无表现、变量来源不统一的痛点。我们在下表中对数字解读同银行内部评分模型进行了简单对比，不难看出数字解读具有覆盖面广、表现充分、样本量充足的优点。

除了模型本身优点，数字解读查询方式便利，可以快速落地应用。实时查询仅需对已有的征信报告查询接口做很小的改动，批量查询也仅需要客户三项信息即可快速返回。银行可以借助数字解读快速建立内部的风险模型体系及组织架构。

数字解读验证

目前征信中心每半年都会提供数字解读验证报告，监控数字解读在个人征信系统整体及各类人群上的表现，并为银行提供验证几率表。根据验证结果，数字解读一直保有很高的风险区分度和排序能力。但是，因为各家银行的客群定位和风险政策千差万别，为了评估数字解读在特定银行产品的表现，就需要银行组织开展专项验证。验证目标首先是精确测算数字解读同违约概率的对应关系，其次通过验证可以明确应用策略，为进一步的落地实施打下基础。

自2014年开始，我行在征信中心大力支持下，每年开展数字解读验证工作，已经持续三年。验证由银行提供测试样本(包括客户三项标识、请求查询的评分时点)，征信中心返回相应的数字解读分数。为保证验证的全面性和有效性，测试样本覆盖了我行主要个贷产品(包括房贷、车贷、消费贷款)，评分时点覆盖贷款的各个生命周期。在获取评分数据之后，再对评分及评分后1年的违约情况进行回顾分析。结果显示，无论整体还是细分产品、账龄、逾期级别的子样本，数字解读都保持很高的区分度。分应用场景看，在贷款审批阶段，数字解读的KS达到0.3以上；在贷后应用阶段，对于评分时未逾期样本，数字解读的KS达到0.4以上；根据作者经验，国内新资本协议达标的商业银行，内部模型的区分指标即KS达到0.3以上。由此看来，引进数字解读不但可以大幅提高行内模型的区分度，甚至可以直接用做内部违约概率模型的分池变量。比区分度指标更重要的是，银行根据验证结果可以掌握数字解读评分与违约概率的对应关系，用于风险策略。根据验证结果，我行建立了各个产品的风险损失标尺，参见图1。图1可证明数字解读的风险排序性，以及评分对应的违约概率。由此，即可根据产品定价等参数反推盈亏平衡点。假设产品1年利率为5%，资金成本3%，运营成本1%，则违约概率不得超过1%。再根据验证结果，数字解读600分对应的损失率为1%，则可以确定600分为最低准入线。

数字解读应用

通过3年的全面验证，我行对数字解读的性能、分布、同违约概率的对应标尺都有了充分的积累，并同时完成了IT系统改造，开通查询接口。目前，对所有个贷客户在贷前贷后都会查询人行数字解读，查询结果接入决策引擎，通过引擎运算形成全自动或半自动的业务决策，用于贷前审批及贷后的各个环节。主要的应用场景概述如下：

贷前应用

一是准入控制。首先，建立了全行客户级的准入线，数字解读低于一定水平的客户，在全产品线禁止准入。准入控制是申请评分最主要的应用场景。根据验证结果，数字解读如果低于一定分数，损失率会超过全行所有产品的定价承受能力，这个节点就是全行的准入线。其次，在不同产品上细分准入线，进行差异化准入控制。对高风险产品，准入线也定的较高，反之亦然。最后，对于已有内部评分模型的产品，实行数字解读同内部评分的两维准入策略；对于没有内部评分模型的产品，则以数字解读为准入线。

二是流程优化。首先，数字解读具有较高的区分度，因此在准入线以上的客户，符合分数越高风险越低的趋势。由此，我们根据数字解读对准入线以上的客户进一步细分，匹配不同的审批流程。对于高分客户，简化审批规则，在不影响资产组合质量的前提下，可以降低20%的工作量。特别对线上贷款可以实现秒批。其次，，而征信查询通常都处在流程最前端，所以银行可以在第一时间获知客户大致的审批结果，在最前端拦阻不符合要求的客户，从源头降低后端的工作量。最后，新产品开发。随着互联网金融的兴起，传统个贷业务也在快速走向线上。线上贷款在降低运营成本的同时，进一步凸显了风险管理的重要性。精确计量风险成本和违约概率是准入、限额和定价的依据。模型开发需要数据积累，所以在新产品开发阶段通常是没有内部模型支持的。这时，数字解读就体现出了通用模型的巨大价值。

我们的经验是，根据新产品特征从已有客户中选择特定的客群进行风险计量，力求精确测算分数对应的风险成本，以及客群的分布特征和数量。尽管这种测算的准确性可能有误差，但通用模型可贵之处在于排序性，而排序性是客群差异化经营的基础。使用数字解读区分不同等级的客户，为他们提供差异化的限额和定价，这样既能为优质客户带来更好的体验，又能降低高风险客户的损失。在新产品上线初期，数字解读的准入线可以控制得略紧一些，后续再根据持续验证结果进行调整。通过不断尝试修正，最终实现精确的风险计量。

贷后管理

一是风险预警。目前，房贷、车贷和消费贷大多是一次发放的非循环贷款，这类贷款的特点是——客户在贷后同银行只有还款关系。表现在数据上，就是客户只留下还款行为的记录。与之相反，循环类贷款例如信用卡，客户在贷后还会提供消费、购车、出境等行为记录。信息缺失为房贷、车贷和消费贷的贷后管理带来很大问题，得不到有用的前瞻性信息就不能防患于未然。尽管贷后查询人行征信报告能够得到有用信息，但因征信报告信息量大，查询频率会受限制。

数字解读完美解决了银行缺少客户贷后信息的痛点。一方面综合了客户最新的征信信息，反映了客户在行外的最新动态，能有效识别高风险客户。另一方面把征信报告几百个字段综合为一个“数字”，大大降低了查询量，提高了查询效率，即使是千万的客户量也可以实现每月更新。根据查询结果，可以从大量的正常客户中识别出在他行已经严重逾期的客户，并进行提前干预，实现早期风险预警。

二是组合监控。长期以来，个人贷款组合的监控报表中的主要前瞻性指标是滚动率和Vintage分析。我行在验证的基础上，将数字解读与违约概率建立了映射关系，所以监控数字解读即可预知未来的风险，这使得监控具备了充分的前瞻性；同迁徙率相比，数字解读可以对未逾期客户进行进一步细分，这提高了风险预测的准确性；此外，因为数字解读依托于统计模型，背后有征信中心整个模型团队的支持，模型自身就有准确性稳定性的监控，可以保证主标尺的前后一致。所以，基于模型得出的监控结论，也是稳健可靠的。

综上，数字解读与违约概率有直接的对应关系，由此从违约概率的角度检视资产质量，具有更高前瞻性、更强准确性、更可靠的稳健性。

三是再授信。再授信是贷后管理的重要环节，及时准确的再授信能降低营销成本、提高客户满意度、优化资产组合，当然前提是精确的风险计量。利用数字解读，不但能在再授信时准确排除高风险客户，还可以对合格客户根据风险水平分群，制定差异化的经营策略，改善用户体验。

个人信用报告一直是国内商业银行个贷风控的主要工具。信用报告完整记录了借款人的信贷行为，最能体现借款人未来的信用风险。征信报告的原始数据需要合理的“解读”，才能从几百个字段中筛选得出最具备预测力的信息，并借助评分模型技术，转化为评分的形式来计量客户未来的违约概率。同商业银行内部风险评分模型相比，数字解读具有覆盖面广、表现充分、样本量大等优点。

综上所述，数字解读是利用大数据实现风险计量的一个标志性的成功案例。它集成了最优质的数据，从中挖掘出了最有用的信息，建立了数据同风险的对应关系，提供了风险管理科学决策的量化基础。他既是客户级通用模型，又能用于产品级的应用；既能单独使用为银行提供现成的模型填补空白，又能与已有模型结合运用提升精度；既能用于贷前审批，又适用于贷后管理；既为新产品保驾护航，又能有效支持线上化业务的开展。总之，数字解读打通了大数据风控的核心路径，体现了数据分析创造价值的理念，为银行在风控、运营、营销领域带来巨大的收获。