一、大数据时代商业银行信用风险管理SWOT分析

　　（一）定性分析

　　1.优势分析。商业银行在多年发展中，拥有广大的客户群体，积累了客户基本资料、客户交易、客户存贷款等大量数据。在大数据时代，商业银行凭借其雄厚的资本，可以建立大数据服务器等设备，将这些传统数据与其他来源数据进行整合，数据分析人员通过云计算等技术手段挖掘出有价值的信息，从各个角度分析客户需求以及识别信贷风险，从而有助于商业银行更加科学地评价经营业绩、评估业务风险、配置全行资源，引导银行业务科学健康发展。

　　2.劣势分析。在现有的银行交易系统中，客户的身份证、交易流水等大量信息已被银行掌握，但缺少如客户的家庭情况、收入状况、消费习惯、兴趣爱好等其他方面的信息。另外，目前小微企业客户信息以及商业银行的产业链客户信息也比较缺乏，直接影响着银行对这些客户提供金融服务的水平。再者，大数据时代下，需要金融专业人才和数据分析人才相互配合，才能充分挖掘数据价值，但数据分析人员较为匮乏也将成为商业银行的软肋。

　　3.机会分析。刚刚进入大数据时代，商业银行应率先构架大数据战略体系，制定大数据发展战略，突破同质性，实施差异化业务发展战略，从而赢得先机。如果大数据获得成功应用，将为银行创造先发竞争优势，使银行决策从“经验依赖”向“数据依据”转化，打造不可复制的核心竞争力。“数据—信息—商业智能”将逐步成为银行定量化、精细化管理的发展路线，数据分析也将成为其风险防控的法宝。

　　4.威胁分析。大数据在给商业银行带来前所未有的机遇的同时，也给其带来了诸多威胁，例如大数据存在的风险、网络安全、数据失真等。在大数据开发利用过程中，云计算技术将会得到广泛应用。但是云计算将数据存入云端，而云端往往是由第三方服务器实现存取的，如果第三方将数据泄露，将会给银行带来极大的风险。另外，互联网金融正在颠覆着传统的金融模式，网商具有活跃的交易记录和巨大的金融需求，但商业银行很难开发到这些客户，将给银行带来挑战。

　　（二）定量分析

　　除了对大数据时代商业银行信用风险管理面临的内外部环境进行定性分析外，还可以进行定量分析。具体思路为：

　　①确定包括优势与劣势、机会和威胁等多于10个的内外部环境因素；

　　②利用主观赋权法、客观赋权法、层次分析法（AHP法）等任一方法确定各因素的权重；

　　③给各个因素打分，分值范围为1到5分，评分越高说明因素越重要；

　　④将各个因素的权重与得分相乘，从而最终计算出各个因素的加权分数；

　　⑤各个因素加权分数计算代数和得出公司的总加权分数，然后根据分数进行判断。某商业银行内外环境分析如附表所示。由附表可以看出，该银行外部机会大于外部威胁，内部优势大于内部劣势，应抓住大数据带来的机遇，充分利用信息技术，更加科学地评估业务风险、配置全行资源，引导银行业务科学健康发展。

　　二、基于大数据的商业银行征信系统构建

　　目前，我们已经进入了大数据时代，由于大数据包含的信息量大而且非常复杂，传统的系统已不能满足银行新的分析需求，有必要建立一个统一的数据环境，构建大数据的商业银行征信系统，采取新分析算法，搭建大数据跨业务的统一应用平台，从而满足银行精细化管理、差异化服务、提升风险分析能力的需求。

　　（一）大数据时代商业银行征信系统概述

　　在金融交易安全日益突出的今天，如何迅速、有效地发现各类欺诈行为，对保证商业银行的正常运作和国家人民财产安全都显得十分重要。商业银行征信系统要针对信贷风险防控工作的实际特点，通过客户交易信息以及客户其他信息收集来加强客户信用风险监测。系统总体见附图。附表某商业银行内外环境分析内部环境评分权重加权分外部环境评分权重加权分⑴整体竞争优势明显；30.100.30⑴云计算的快速发展；50.150.75⑵良好的客户群体；50.150.75⑵数据来源多样化；50.251.25⑶资本雄厚，有能力建立大数据库；40.050.20⑶科技发展为数据应用提供支持；40.200.80⑷拥有专业客户人才；30.200.60⑷精准评估业务风险；40.251.00⑸良好的内控环境；50.251.20⑸先入为主的机会；40.150.60优势⑹丰富的风险防控经验；50.251.25机会⑹精细化管理的趋势。40.100.40小计1.004.30小计1.004.80⑴缺乏个人客户基本信息；-30.25-0.75⑴网商的竞争；-50.3-1.50⑵缺乏小微企业基本信息；-30.20-0.60⑵大数据安全风险；-50.25-1.25⑶缺少产业链客户的信息；-40.20-0.80⑶网络安全面临挑战；-30.2-0.60⑷缺乏专业的数据分析人才；-30.10-0.30⑷外部风险事件的影响；-30.15-0.45⑸缺乏非结构化数据收集能力；-50.15-0.75⑸外部风险来源多样化。-30.1-0.30劣势⑹商业运营模式面临变革。-30.10-0.30威胁小计1.00-3.50小计1.00-4.10优势劣势合计0.80机会威胁合计0.70系统将从海量数据中提取出有关联的数据信息，以发现潜在或已知的风险，系统将数据仓库、模型库、知识推理、人机交互四者有机地结合起来，充分发挥数据挖掘的作用，通过建立风险评估模型较好地处理数据资源中存在的模糊性和随机性，在成熟的模式识别技术和智能分析技术的辅助下，对银行业务的全方位、多角度的可靠性分析和风险评估，有助于商业银行实施全面风险管理体系，从而进一步提高融资、贷款、授信等方面的风险评估、监控水平。

　　（二）大数据时代商业银行征信系统工作原理

　　1.数据原料。数据原料是商业银行风险防控中的关键一环，它直接影响到数据挖掘的效率、精准度以及所得模式的有效性。目前，商业银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，在以大数据引领、以智能化为核心的产业变革时代，银行要真正将数据作为风险控制的源点，有效整合来自银行网点、PC、移动终端设备、社交网络、征信机构等传来的结构化和非结构化的海量数据，既要获取常规渠道的数据，又要收集社会化媒体数据，真正将数据作为战略性资产，实现从管控风险向经营风险方向的转型。

　　2.数据工厂。数据工厂是利用数据挖掘理论与技术将数据中潜在的、有用的模式搜索出来，是整个征信系统最为关键的一步，也是技术难点。在数据工厂中，系统通过数据抽取工具、数据集成工具、数据过滤工具、数据挖掘工具以及模式评估工具等，从海量数据原料中提取辅助决策的关键性数据，并经过归纳总结、推理、分析数据，利用数据挖掘中分类、聚类、偏差检测、概念分析、异类分析、关联分析、时序演变分析和元数据挖掘等功能，完成对银行信用风险控制、银行市场风险评估和银行操作风险评估，从而帮助决策者对信息预测和决策起作用。

　　3.数据产品。数据工厂最终的结果是数据产品，把所有最终经挖掘发现的知识直观地通过可视化技术展示给商业银行，以帮助其理解和解释数据挖掘的结果，控制信贷风险。这些数据结果既包括传统的诸如违约率、违约损失率、违约暴露和违约期限等客户信用信息，也包括客户的其它方面的信用记录、客户的信用评级以及对市场风险的评估。当然，整个数据挖掘过程是一个不断反馈、循环往复的过程，信用评级结果也是动态变化的。

　　4.数据应用。经过数据挖掘得出的风险评估结果为商业银行评估信贷业务的风险和收益情况提供了量化工具，改变了单纯被动信用风险管理模式。在此背景下，商业银行应规范贷款审批标准和审批程序，优化金融信用监控机制，完善组织架构和规章制度，实施风险动态防控，使信贷风险管理体系健康运行。

　　三、大数据时代商业银行信用风险管理应注意的问题

　　在“大数据”时代，商业银行面临着信用风险防控的新形势，要积极做好如下应对工作。

　　（一）风险意识要思维开放

　　商业银行在进行风险预测时，需要考量政策、人为的操作风险、市场环境等等众多因素，但现有的技术水平难以支撑挖掘大数据的商业价值。因此，商业银行需要具备一种像互联网一样的开放式思维，建立分析数据的习惯，重视“大数据”开发利用，关注与风险预测高度相关的大数据信息，如客户的基础信息（如客户开立账户时留存的住址、年龄、从事行业、性别等等）、客户交易信息（如客户在ATM机上的存取款情况、使用银行卡、购买理财、使用其他业务的记录等等）、外部的信息（从互联网、电信运营商、证券交易所等处挖掘来的有关信息）等，用数据说话，从而提高不确定风险的预测水平。

　　（二）数据整合要注重质量

　　大数据很多时候是从一种非传统的角度去分析、挖掘、利用数据价值的思路。由于数据来源庞杂广泛，需要不断利用技术创新去挖掘利用大数据的价值，再加上数据之间的关联性很强，商业银行应建立自己的数据地图，整合银行内部数据和大数据链上的其它外部数据，坚持做到数据要依照标准化采集，确保数据来源真实可靠，杜绝以假乱真；同时构建专门的数据分析方法和使用体系，对数据进行规范化处理，并严格按照国家法律法规进行使用，从而确保数据质量，提高数据应用性。

　　（三）系统建设要高屋建瓴

　　大数据具有一般数据所不具备的特殊性，传统的处理工具和解决方案难以满足针对大数据的处理和分析需要，因此需要采用新的处理模式，才能发挥大数据的效能。商业银行需要投入大量资源加快完善高度集中、完备、综合、专业的数据仓库系统，建设完善数据仓库项目，从而适应“大数据”技术的需要。在系统建设中要高屋建瓴，要把对于非结构化数据分析的技术与现有的、基于结构化数据的分析工具相结合，预装一些成熟的数据挖掘算法和文字文本的算法，完善数据挖掘工具的扩展性，便于数据分析人员能够快速地进行大数据分析。同时，对资源的投入一定要有相当的前瞻性，并兼顾当前实际，尽可能地实现资源利用最大化。