一、大數據時代商業銀行信用風險管理SWOT分析

　　（一）定性分析

　　1.優勢分析。商業銀行在多年發展中，擁有廣大的客戶群體，積累了客戶基本資料、客戶交易、客戶存貸款等大量數據。在大數據時代，商業銀行憑借其雄厚的資本，可以建立大數據服務器等設備，將這些傳統數據與其他來源數據進行整合，數據分析人員通過云計算等技術手段挖掘出有價值的信息，從各個角度分析客戶需求以及識別信貸風險，從而有助于商業銀行更加科學地評價經營業績、評估業務風險、配置全行資源，引導銀行業務科學健康發展。

　　2.劣勢分析。在現有的銀行交易系統中，客戶的身份證、交易流水等大量信息已被銀行掌握，但缺少如客戶的家庭情況、收入狀況、消費習慣、興趣愛好等其他方面的信息。另外，目前小微企業客戶信息以及商業銀行的產業鏈客戶信息也比較缺乏，直接影響著銀行對這些客戶提供金融服務的水平。再者，大數據時代下，需要金融專業人才和數據分析人才相互配合，才能充分挖掘數據價值，但數據分析人員較為匱乏也將成為商業銀行的軟肋。

　　3.機會分析。剛剛進入大數據時代，商業銀行應率先構架大數據戰略體系，制定大數據發展戰略，突破同質性，實施差異化業務發展戰略，從而贏得先機。如果大數據獲得成功應用，將為銀行創造先發競爭優勢，使銀行決策從“經驗依賴”向“數據依據”轉化，打造不可復制的核心競爭力。“數據—信息—商業智能”將逐步成為銀行定量化、精細化管理的發展路線，數據分析也將成為其風險防控的法寶。

　　4.威脅分析。大數據在給商業銀行帶來前所未有的機遇的同時，也給其帶來了諸多威脅，例如大數據存在的風險、網絡安全、數據失真等。在大數據開發利用過程中，云計算技術將會得到廣泛應用。但是云計算將數據存入云端，而云端往往是由第三方服務器實現存取的，如果第三方將數據泄露，將會給銀行帶來極大的風險。另外，互聯網金融正在顛覆著傳統的金融模式，網商具有活躍的交易記錄和巨大的金融需求，但商業銀行很難開發到這些客戶，將給銀行帶來挑戰。

　　（二）定量分析

　　除了對大數據時代商業銀行信用風險管理面臨的內外部環境進行定性分析外，還可以進行定量分析。具體思路為：

　　①確定包括優勢與劣勢、機會和威脅等多于10個的內外部環境因素；

　　②利用主觀賦權法、客觀賦權法、層次分析法（AHP法）等任一方法確定各因素的權重；

　　③給各個因素打分，分值范圍為1到5分，評分越高說明因素越重要；

　　④將各個因素的權重與得分相乘，從而最終計算出各個因素的加權分數；

　　⑤各個因素加權分數計算代數和得出公司的總加權分數，然后根據分數進行判斷。某商業銀行內外環境分析如附表所示。由附表可以看出，該銀行外部機會大于外部威脅，內部優勢大于內部劣勢，應抓住大數據帶來的機遇，充分利用信息技術，更加科學地評估業務風險、配置全行資源，引導銀行業務科學健康發展。

　　二、基于大數據的商業銀行征信系統構建

　　目前，我們已經進入了大數據時代，由于大數據包含的信息量大而且非常復雜，傳統的系統已不能滿足銀行新的分析需求，有必要建立一個統一的數據環境，構建大數據的商業銀行征信系統，采取新分析算法，搭建大數據跨業務的統一應用平臺，從而滿足銀行精細化管理、差異化服務、提升風險分析能力的需求。

　　（一）大數據時代商業銀行征信系統概述

　　在金融交易安全日益突出的今天，如何迅速、有效地發現各類欺詐行為，對保證商業銀行的正常運作和國家人民財產安全都顯得十分重要。商業銀行征信系統要針對信貸風險防控工作的實際特點，通過客戶交易信息以及客戶其他信息收集來加強客戶信用風險監測。系統總體見附圖。附表某商業銀行內外環境分析內部環境評分權重加權分外部環境評分權重加權分⑴整體競爭優勢明顯；30.100.30⑴云計算的快速發展；50.150.75⑵良好的客戶群體；50.150.75⑵數據來源多樣化；50.251.25⑶資本雄厚，有能力建立大數據庫；40.050.20⑶科技發展為數據應用提供支持；40.200.80⑷擁有專業客戶人才；30.200.60⑷精準評估業務風險；40.251.00⑸良好的內控環境；50.251.20⑸先入為主的機會；40.150.60優勢⑹豐富的風險防控經驗；50.251.25機會⑹精細化管理的趨勢。40.100.40小計1.004.30小計1.004.80⑴缺乏個人客戶基本信息；-30.25-0.75⑴網商的競爭；-50.3-1.50⑵缺乏小微企業基本信息；-30.20-0.60⑵大數據安全風險；-50.25-1.25⑶缺少產業鏈客戶的信息；-40.20-0.80⑶網絡安全面臨挑戰；-30.2-0.60⑷缺乏專業的數據分析人才；-30.10-0.30⑷外部風險事件的影響；-30.15-0.45⑸缺乏非結構化數據收集能力；-50.15-0.75⑸外部風險來源多樣化。-30.1-0.30劣勢⑹商業運營模式面臨變革。-30.10-0.30威脅小計1.00-3.50小計1.00-4.10優勢劣勢合計0.80機會威脅合計0.70系統將從海量數據中提取出有關聯的數據信息，以發現潛在或已知的風險，系統將數據倉庫、模型庫、知識推理、人機交互四者有機地結合起來，充分發揮數據挖掘的作用，通過建立風險評估模型較好地處理數據資源中存在的模糊性和隨機性，在成熟的模式識別技術和智能分析技術的輔助下，對銀行業務的全方位、多角度的可靠性分析和風險評估，有助于商業銀行實施全面風險管理體系，從而進一步提高融資、貸款、授信等方面的風險評估、監控水平。

　　（二）大數據時代商業銀行征信系統工作原理

　　1.數據原料。數據原料是商業銀行風險防控中的關鍵一環，它直接影響到數據挖掘的效率、精準度以及所得模式的有效性。目前，商業銀行針對客戶資料和消費記錄都建立了功能龐大的消費市場數據庫系統，在以大數據引領、以智能化為核心的產業變革時代，銀行要真正將數據作為風險控制的源點，有效整合來自銀行網點、PC、移動終端設備、社交網絡、征信機構等傳來的結構化和非結構化的海量數據，既要獲取常規渠道的數據，又要收集社會化媒體數據，真正將數據作為戰略性資產，實現從管控風險向經營風險方向的轉型。

　　2.數據工廠。數據工廠是利用數據挖掘理論與技術將數據中潛在的、有用的模式搜索出來，是整個征信系統最為關鍵的一步，也是技術難點。在數據工廠中，系統通過數據抽取工具、數據集成工具、數據過濾工具、數據挖掘工具以及模式評估工具等，從海量數據原料中提取輔助決策的關鍵性數據，并經過歸納總結、推理、分析數據，利用數據挖掘中分類、聚類、偏差檢測、概念分析、異類分析、關聯分析、時序演變分析和元數據挖掘等功能，完成對銀行信用風險控制、銀行市場風險評估和銀行操作風險評估，從而幫助決策者對信息預測和決策起作用。

　　3.數據產品。數據工廠最終的結果是數據產品，把所有最終經挖掘發現的知識直觀地通過可視化技術展示給商業銀行，以幫助其理解和解釋數據挖掘的結果，控制信貸風險。這些數據結果既包括傳統的諸如違約率、違約損失率、違約暴露和違約期限等客戶信用信息，也包括客戶的其它方面的信用記錄、客戶的信用評級以及對市場風險的評估。當然，整個數據挖掘過程是一個不斷反饋、循環往復的過程，信用評級結果也是動態變化的。

　　4.數據應用。經過數據挖掘得出的風險評估結果為商業銀行評估信貸業務的風險和收益情況提供了量化工具，改變了單純被動信用風險管理模式。在此背景下，商業銀行應規范貸款審批標準和審批程序，優化金融信用監控機制，完善組織架構和規章制度，實施風險動態防控，使信貸風險管理體系健康運行。

　　三、大數據時代商業銀行信用風險管理應注意的問題

　　在“大數據”時代，商業銀行面臨著信用風險防控的新形勢，要積極做好如下應對工作。

　　（一）風險意識要思維開放

　　商業銀行在進行風險預測時，需要考量政策、人為的操作風險、市場環境等等眾多因素，但現有的技術水平難以支撐挖掘大數據的商業價值。因此，商業銀行需要具備一種像互聯網一樣的開放式思維，建立分析數據的習慣，重視“大數據”開發利用，關注與風險預測高度相關的大數據信息，如客戶的基礎信息（如客戶開立賬戶時留存的住址、年齡、從事行業、性別等等）、客戶交易信息（如客戶在ATM機上的存取款情況、使用銀行卡、購買理財、使用其他業務的記錄等等）、外部的信息（從互聯網、電信運營商、證券交易所等處挖掘來的有關信息）等，用數據說話，從而提高不確定風險的預測水平。

　　（二）數據整合要注重質量

　　大數據很多時候是從一種非傳統的角度去分析、挖掘、利用數據價值的思路。由于數據來源龐雜廣泛，需要不斷利用技術創新去挖掘利用大數據的價值，再加上數據之間的關聯性很強，商業銀行應建立自己的數據地圖，整合銀行內部數據和大數據鏈上的其它外部數據，堅持做到數據要依照標準化采集，確保數據來源真實可靠，杜絕以假亂真；同時構建專門的數據分析方法和使用體系，對數據進行規范化處理，并嚴格按照國家法律法規進行使用，從而確保數據質量，提高數據應用性。

　　（三）系統建設要高屋建瓴

　　大數據具有一般數據所不具備的特殊性，傳統的處理工具和解決方案難以滿足針對大數據的處理和分析需要，因此需要采用新的處理模式，才能發揮大數據的效能。商業銀行需要投入大量資源加快完善高度集中、完備、綜合、專業的數據倉庫系統，建設完善數據倉庫項目，從而適應“大數據”技術的需要。在系統建設中要高屋建瓴，要把對于非結構化數據分析的技術與現有的、基于結構化數據的分析工具相結合，預裝一些成熟的數據挖掘算法和文字文本的算法，完善數據挖掘工具的擴展性，便于數據分析人員能夠快速地進行大數據分析。同時，對資源的投入一定要有相當的前瞻性，并兼顧當前實際，盡可能地實現資源利用最大化。