一、项目背景及目标

1.项目立项背景

本行自成立以来，不断探索新常态经济金融环境下现代银行的发展路径，坚持科技立行，深入推进数据化转型。近年来随着大数据技术日趋完善，其在经济金融领域的应用日益广泛，为商业银行在风险管理领域使用数据分析工具和相关的解决方案提供了技术准备和实践经验。

根据业务发展和风险管理的需要，我们积极建立基于大数据风险决策的对公细化客群智能贷后评级体系，优化并完善贷后信用风险评价体系，分类开发对公客群行为评级模型，扎实推进评级模型在贷后业务管理和风险管理中的智能化应用，并综合运用大数据技术构建客户数据分析平台，旨在为行内对公信贷资产管理提供精细化的业务和风控管理手段，增强风险敏感性和前瞻性，以更高效、精准、定期的机制对业务价值和风险进行计量和评价。通过构建客户大数据风险评价体系，协助实现智能贷后风险决策在行内系统工具平台化、模型决策规划化以及系统实现模块化的整体设想，进一步提高行内风险管理能力和精细化水平、提升对公授信客户全生命周期闭环风险管理能力。

2.项目目标

围绕客群、技术加持，提升闭环风控能力。在科学合理划分我行对公授信企业客群的基础上，围绕各客群企业风险特征，利用数字化风控技术，针对性构造客群专属模型评级方案，强化贷后风控水平，提升企业全生命周期闭环风控能力。

统一标准、数据驱动，精准管控贷后风险。统一规范各客群评级等级与违约的一致性，充分挖掘我行宝贵的存量企业授信数据，以三分贷七分管的管理理念，提高对贷后风险管理的重要性认识；以数据驱动为开发理念构造客群模型，科学量化各客群风险状况，提升贷后风险管理的精准化水平。

动态监控、联动推送，丰富贷后管理体验。以动态监控方式定期更新客户评级结果，实现对客户风险水平的周期性评估，前瞻性预判客户风险劣变迹象；以贷后客群细化模型为抓手，实现与贷前评级有效联动，促进贷后应用场景及贷后管理制度和措施有效落地，丰富贷后管理体验。

二、创新点

1.客群设计创新

客群划分，是根据客户风险特征的不同，对客户进行分组并选取适用的评级模型的过程。由于不同行业内贷款客户的风险特征差异较大，因此仅仅使用单一模型来覆盖所有的客户类型和行业并不合适，需要从风险特征的角度，仔细考量各敞口客户可能表现出的信用风险违约特征。为有效衡量银行在日常经营过程中所面临的各行各业的风险，需要分别针对对公企业贷后信用风险模型进行划分；信用风险模型划分方案的基础上同时进行模型（含统计模型、机器学习模型和打分卡）开发方案的设计；基于监管要求和行内授信偏好，本次项目总共将对公授信企业客群风险暴露划分为12大类客群。

2.模型创新

细化对公企业分类维度，遵循业务代表性、风险同质性、样本充足性、授信联动性四个原则，将对公企业科学划分为不同客群，使用逻辑回归、AHP、XGBoost等建模方法。对于样本量充足的客群，引入大数据和人工智能风险模型对数据进行多阶段、多领域机器学习，从数据角度高效挖掘有价值的洞察，并通过集成学习方式进行结果综合应用，得到高可靠信用风险评价结果和理想的区分能力。

3.数据创新

梳理、整合内外部数据，通过行内核心系统、对公系统、预警系统、风险报表系统中分析企业的基本信息、征信信息、财务信息、合同信息、授信信息、还款信息等维度数据，将数据挖掘技术方法与专家经验综合并举，构造强有效预测特征，累计共衍生构造730多项备选风险特征指标，形成风险特征指标库，应用于各客群的数据区风险模型中，提升模型风险识别能力。

4.决策创新

根据数据分析和风险模型设计不同的预警、临期、续贷等贷后管理策略，并反哺授信指引方案，深入应用于贷前、贷中以及贷后环节的风险控制点和辅助决策，开展智能贷后系统建立和相关管理系统的改造、数据分析平台和监控平台的规划，将决策创新落实到日常业务中。

三、项目技术方案

1.技术架构

本项目主要分为三大核心环节：客群划分、特征衍生及模型构建、贷后应用。客群划分：根据业务代表性、风险同质性、样本充足性、授信联动性四个原则，将对公企业科学划分为不同客群；特征衍生及模型构建：梳理、整合内外部数据，通过行内核心系统、对公系统、预警系统、风险报表系统中分析企业的基本信息、征信信息、财务信息、合同信息、授信信息、还款信息等维度数据，通过统计计算等方法衍生构造730多项备选风险特征指标。

对客群的企业规模（企业数量、合同数量、贷款规模）以及贷中风险模型构建（可建模样本量、违约占比）等维度进行了再梳理与再分析，基于分析结果和模型特点，确定各客群的建模方法论，包括专家经验判断模型（AHP法）、数据驱动模型以及数据驱动模型与专家经验相结合的混合模型。

贷后应用：根据模型结果确定客户评级，将客户评级应用于贷后预警、临期管理、续贷管理等贷后各环节，对行业、地域风险进行监测并及时预警，并反哺贷前授信指引方案，深入应用于贷前、贷中以及贷后环节的风险控制点和辅助决策，实现对企业风险全面诊断、企业风险提前预判、企业债项共同治理的有效风险管控目标。

本项目充分运用了行内数据智能服务体系资源，打破了原有的数据平台技术壁垒，将客户画像平台、特征衍生平台、机器学习平台、贷后预警平台、贷后管理平台等不同平台的优势进行了充分融合，应用于各业务环节，实现平台协同增效、业务快速响应，极大地提升了我行的贷后管理水平。

2.业务模式

智能贷后评级系统的业务模式为“核心模型+外部模型+人工推翻调整”。核心模型为数据驱动/专家经验/混合模型的评级结果，同时使用征信模型对客户评级结果进行增降信调整，该评级结果会根据客群风险的严重程度，调整为不同的跑批频次；外部模型包括了资金用途、上下游、关联方、风险缓释等风险预警规则，这些规则可以实时触发并推送到客户经理，经处理后，对核心模型的评级结果进行进一步地增降信调整；若发现了其他证据或数据证明评级结果存在偏差，可以对原有的模型评级进行人工调整或更改，调整结果需要在我行内部进行审批和确认。

模型评级结果、内部参数、评级调整等系统功能支持按总/分/支行进行不同的管理权限分配。

四、项目过程管理

项目各阶段的实施周期：

（1）2022年3月至2022年5月为项目调研及原贷后预警模型的复盘梳理阶段。

（2）2022年6月至2023年2月为项目建设阶段，模型方案设计、模型验证、模型部署上线以及相关系统改造和模块开发同步进行。

（3）2023年3月至今为项目运营阶段，项目初步应用于风险客户盘存和风险可视化监测等贷后管理工作中，取得了良好的风险管控效果。

五、运营情况

累计构造风险指标700多个，部署预警规则200多个、预警模型11个（4个专家经验模型+7个数据驱动模型），上线了总/分/支行共3个风险监控报表和系统可视化展示应用。

六、项目成效

系统推送的贷后检查任务中，模型从3个月前对资产劣变为风险一二类（实质不良）的客户预测命中率达到80%以上，极大提升了贷后检查的精准度，减轻了客户经理的检查工作负担，增强了我行贷后管理的效率，为我行的风险管理和合规引导提供了更优秀的方法和手段。

七、经验总结

本项目结合了我行实际贷后管理需求与风险偏好，借鉴业内领域先进实践经验，结合行内外丰富的信息数据资源，通过运用大数据风控等人工智能技术、方法，实现了技术和专家经验相融合，同时整合了模型方案开发、系统建设、功能模块开发等多个业务条线的资源，构建了一套完整的数据收集、实时预警、动态评级、评级推翻、可视化分析、贷后管理的闭环流程。这一方案广泛发挥了金融业在科技赋能和创新中的引领作用，为行内对公信贷业务贷中风险管理精细化、智能化和科学化水平的提升，提供了全新的举措手段与方法实践。