一、项目背景及目标

中原银行自成立以来，坚持科技立行，深入推进数智转型，积极探索大数据技术在风险管理领域的实践与应用。根据业务发展和风险管理的需要，我行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风险管理中的智能化应用。

本案例通过推进对公智能贷后模型体系建设，致力于解决行内原有对公贷后模型体系对公贷后风险管理中风险敞口管理粗放、线下化人工化决策、模型算法陈旧、模型设计粗糙、数据价值利用低、贷后管理事后化被动化、手段单一、流程复杂、操作性差等痛点问题，通过客群划分精细化、模型应用智能化、应用场景多样化为为体系建设核心思路和实施目标，以强化中原银行对公授信贷后风险管理水平和能力，完善对公授信客户全生命周期闭环风险管理，促进贷后管理精细化水平提升。

二、项目/策略方案

针对对公企业授信金额大、主体结构复杂、贷后风险多变等管理难点，本案例重点从客群、模型和应用三大模块着手，以客群划分精细化、模型应用智能化、应用场景多样化为思路，针对性化解企业贷后风险管理难的问题。

客群划分精细化方面，本案例通过对客群规模重要性、风险复杂性、授信政策等重点考量，遵循业务代表性、风险同质性、样本充足性、授信联动性等四项原则，将全行授信企业科学划分为10大类客群，实现客群精细化设计，为构建精细化客群模型筑牢根基。

模型应用智能化方面，项目突破传统技术，针对性使用更加丰富智能的算法对不同客群风险规律进行挖掘学习，用模型集成等方式得到更加全面、适用的风险计量结果。具体实践中，依据不同客群的风险特点差异及行内存量样本数据表现，针对性设计以“数据驱动/专家AHP/混合模型”等为核心的模型方法，将数据挖掘技术与专家智慧综合并举，构造强有效预测特征，充分挖掘各客群中的风险规律，并针对性开发构造各客群专属模型方案，实现科学、准确量化各客群风险状况。

应用场景多样化方面，项目以对公细化客群智能贷后模型为抓手，实现对企业贷后风险的周期性评估，促进贷后管理制度和举措有效落地，提升了风险管理的前瞻性和主动性、实现了贷后管理应用场景丰富化目标。通过以动态监控的方式定期输出各客群模型评分，实现对客户风险水平的周期性评估；同时创新贷后应用场景决策可视化功能，将模型结果充分应用于风险盘存、临期管理、资产质量分层、续贷管理等贷后举措；并结合总分行不同角色管理需要，针对性设计包括企业风险详情、企业级及客群级风险趋势变化、区域风险分布、机构风险复盘等细化场景风险预警页面，有力支撑不同层级管理人员对所辖资产风险管理的全局性、规范性和时效性。

三、创新点

技术思路创新方面，不同于以往仅对对公授信企业设计通用类风险预警规则，案例围绕各客群企业风险特征，精细化划分为10大客群，并突破传统技术，利用先进机器学习等数字化风控技术创新模型开发、利用AHP等统计计量方法提炼专家经验智慧，针对性构造客群专属模型方案，得到更加全面、适用的风险计量结果；

管理模式创新方面，本案例强调贷后决策在全链条全流程的独立性、客观性、自动化和标准化。强化数据资产和应用管理水平，改变原有数据获取主要靠人工、获取方式单一、数据系统分散等不足，实现模型所需数据跨平台跨系统自动化采集及运算，实现平台协同增效、决策快速响应。将模型核心决策逻辑纳入各客群贷后检查模块，突出客群管理重点，增强针对性、强化各客群贷后检查管理的差异化、特色化水平。

应用场景创新方面，聚焦于总分支行不同角色对于风险管理的不同需求，针对性设计个性化风险预警展示页面，包括客户详情、企业级及客群级风险趋势变化、区域风险分布、客户经理业绩概览等细化场景，有效满足不同级别管理人员对所辖资产风险管理的全局性、时效性和前瞻性。

业务模式创新方面，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，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；若经线下核实获取了其他核心证据证明评级结果存在偏差，允许专家对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。

四、项目过程管理

项目各阶段的执行周期

（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

本案例将模型核心决策逻辑纳入各客群贷后检查模块，差异化设置各客群贷后检查模板内容，并根据各客群客户风险等级的不同，按照对应的频率、优先级等，定期给客户经理推送贷后检查任务，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。

六、项目成效

本案例建立健全了行内主动退出、黑名单管理、预警叫停和盘存机制,不断去劣存优，优化我行资产结构。经验证核实，本案例模型对行内各客群高风险企业客户的压退命中率均达到70%+，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，较原有模型准确率提升了2倍以上，以客群批发零售和大中制造业为例，模型对压退类客户的预警准确率分别提高到2.24倍和2.86倍。模型效果以业内通用评价指标AUC值来看，各核心客群统计模型效果均达到0.85+以上；案例有效实现风险管理前移、风险处置快人一步的效果，取得领先同业的风险管控质效。

七、经验总结

本案例创新性的将行内对公客群进行科学划分，突破传统技术，将业内主流的算法模型和专家模型融合，实现对企业贷后风险的周期性评估，并搭建完善了贷后预警系统，弥补了对公贷后风险管理的短板，在业内具有较好的示范效性及可扩展性。

在提升对公贷后风险管理能力方面，以案例为核心体系构建全行主动型贷后风险管理模式，打造基于大数据的授信企业全资产、全行业、全流程的风险管理工具，助力风险前瞻性防控。

在促进风险管理数智化转型方面，案例基于大数据和模型集成的智能模型体系建设，强化行内外数据价值应用，降低信息不对称，提升模型系统应用场景，取得同业领先的风险管控成效。

在创新智能贷后管理模式方面，案例突破传统贷后管理机制弊端、充分赋能行内的同时，也为同业尤其是中小银行贷后风险管理智能化转型方面，提供了有益实践和全新思路，在方法技术迁移应用上，具有较强的示范推广性及可扩展性。