美國消費信貸決策技術的現狀及發展

最新 02-14

近年來，以大數據、人工智慧、移動互聯、雲計算以及區塊鏈為代表的信息技術的發展為消費信貸決策(以下簡稱「決策」)科學及技術的發展提供了前所未有的機遇與挑戰。決策的要素包括數據、模型、策略及決策引擎等內容。大數據的充分利用有待於數據市場的發展和決策分析能力的增強。決策的自動化不等於決策智能化，只有當企業各部門的決策與企業的總體目標相聯繫，決策應變力能夠隨著約束條件的改變而迅速做出調整時，決策才能達到智能化的水平。

一、大數據為決策提供條件

大數據涵蓋了時間和空間的兩個維度：在時間的維度上，由於信貸領域中的信貸周期(高峰和低谷)與經濟周期相關，借貸行為會隨著人們對經濟走向的預期而改變，因此模擬及預測所用數據的採集時間應覆蓋周期的不同階段;在空間的維度上，數據的廣度、深度以及可獲取性會隨著社會經濟生活的發展、技術的進步、數據市場的發展及商業法律的完善而不斷提升。

隨著信息技術的發展，嵌入式感應器越來越廣泛地應用在各種App設備上，手機、智能家居、智能城市、企業智能設備、物聯網以及社交媒體產生了難以想像的海量數據，包括區域性數據，人口數據，消費數據，教育數據，交通數據，金融數據，生活方式和健康醫衛數據等。據美國IDC IT諮詢公司預測，到2020年，數字世界(Digital World)將有44萬億千兆的數據，是2011年的24倍，並將以1.7MB/秒的速度增長。

大數據發展的重要條件是大數據的傳輸、儲存和處理能力的發展。隨著數據壓縮技術、傳輸技術的進步，存儲利用率的提高，分布計算處理系統功能(Distributed Data Processing)和區塊鏈的發展，大數據的應用得到了快速發展，也給企業的IT部門提出了挑戰——與大數據有關的基礎建設需要商業遠見，而IT部門的日常業務有明確的短期目標，因此，平衡二者在業務安排上的關係成為企業的重要工作之一。

大數據為決策提供了必要條件，而不是充分條件。只有當大數據有助於更好地決策時，它才是有用的。把大數據轉換為決策信息的條件是信貸評分、策略開發應用及策略引擎。

二、信貸評分是現代金融管理的

重要手段

信貸評分是指給每一位客戶或潛在的客戶打分，以便信貸機構對客戶進行區別管理。

早期的信貸評分是由專家憑藉經驗手工完成的，在數據匱乏的年代，這是唯一可行的方法。它的缺陷也顯而易見：嚴重地依賴專家的經驗，而且模型參數修改需要大量的工作。

在後來的數據發展初期(非大數據時代)，信貸評分是通過在小樣本中建立統計模型來進行的，如線性回歸、邏輯回歸、GAM等。由於是先在小樣本中開發模型，然後再運用到全樣本人口作預測推導，因此受到統計學規則的一些限制。

到了大數據時代，數據科學家們可以直接在大數據或接近全樣本人口的數據中開發模型。人工智慧、機器學習等模型顯示出了它們獨有的優越性。

1.人工智慧模型

簡單地說，人工智慧模型就是一些演算法。例如神經網路模型(Neural Network)是模擬人腦的神經網路，多重變數交互影響，根據結果自動調整參數的演算法。

圖1是一個由8個輸入變數、2×8個隱節點(Hidden Nodes)、2個輸出結果組成的神經網路模型。相關公式如下。

隨機森林模型(RandomForest，如圖2所示)是決策樹類的模型。它不是單一的決策樹，通過隨機選擇樣本及變數，產生成百上千個決策樹模型，所以被稱為「隨機森林模型」。每一個客戶有成百上千個評分，而最後單一概率的計算是通過集合過程(Ensemble)來確定的。相關公式如下。

其中，B=#模型訓練次數。集合方法取決於模型的選擇。

再如GBM模型，它是疊加模型的一種。它的演算法是自身通過對預測偏差的加權而重新訓練模型，把所有的預測值疊加在一起，以形成最終預測。相關公式如下。

人工智慧模型處理結構化(數字)和非結構化(文字、圖像、視頻等)的海量數據的能力遠遠超過人腦。它的一個顯著特點是，能夠讓模型隨著數據的不斷增加而改進演算法，如同人腦的學習過程一樣，可以通過不斷積累數據來提升自身的準確度。

(1)人工智慧模型與傳統的統計模型的異同

人工智慧模型和傳統的統計模型都是通過數據對模型加以訓練(Training)，在訓練過程中都有計算參數的過程，都有對客戶分群、變數選擇、目標結果的檢驗。它們的區別也很大，傳統的統計模型注重參數擬合、假設檢驗、人工變數選擇、不同時間樣本的推斷預測;而人工智慧模型不注重參數擬合、假設檢驗以及自變數的相關問題。與傳統的統計模型不同，人工智慧模型是模式判別而非推斷預測。

舉例來說，早在20世紀90年代，人工智慧就已應用在信貸管理中。當時的HNC欺詐評分就屬於神經網路模型，後來被FICO公司購買，成為FICO公司的產品。這個欺詐評分的運營方式是將每一個信貸交易欺詐的嫌疑通過POS系統中的欺詐警示系統輸送到FICO欺詐資料庫，再通過欺詐決策引擎進行模式匹配，然後將得到的欺詐評分送到欺詐風險操作管理部門，並採取相應的對策。這個匹配依據FICO欺詐資料庫中的案例來進行，欺詐資料庫中的案例(模式)越多，匹配的準確性就越高。

(2)人工智慧模型的優勢及存在問題

人工智慧模型的優勢不少：一是人工智慧模型可以提高識別/預測的準確性。根據研究，人工智慧模型預測欺詐的準確性比傳統的統計模型高出10%～30%。二是人工智慧處理大數據的運算能力遠高於傳統的統計模型。三是人工智慧模型可以有效地解決數據科學家短缺的問題。大數據的發展和決策複雜化的增加，要求大量的數據科學家參與模型開發工作。然而，據麥卡錫的預測，到2020年，美國勞動力市場只能供給20萬名數據科學家，市場需求卻高達50萬名以上。人工智慧模型可以有效解決數據科學家短缺的問題。

然而，人工智慧模型也存在不少短板。

一是模型過度擬合的問題。無論是小數據還是大數據都存在這個問題：在小數據開發樣本的傳統模型中，這是個比較嚴重的問題;在大數據開發樣本的人工智慧模型中，這個問題相對小一些。

二是開發期與使用期不一致的問題。隨著時間的延續，社會、經濟、文化、人群結構等的變遷，現實數據與模型開發期的數據會產生不一致的情況。如果模型系統進行「快速模型參數再擬合」的能力較強，能夠隨時把新數據/新模式加入到模型參數再擬合中，模型的準確性就會不斷改進。

三是人工智慧模型的監管問題。美國的金融監管機構要求，任何模型評分和以評分為基礎的決策都應該讓使用者清楚其含義。傳統模型的結構相對簡單，在採用一些演算法後，可以排列出對最終分數影響的重要變數，即拒絕原因編碼(Reason　Code)。人工智慧模型的內部結構過於複雜，像一隻「黑箱」，人們很難分清哪些變數能影響最終分數。因此，業界一直在探索以簡單演算法模擬人工智慧模型的演算法結果，用以產生拒絕原因編碼(如FICO變數敏感度圖像分析)。

2.模型評分的類型與應用

美國消費信貸管理中使用的模型，按數據的覆蓋面可分為徵信局模型和信貸企業模型。徵信局模型是根據所有借貸企業數據而開發的模型。徵信局模型收集了各銀行、非銀行金融機構的信貸數據，可以開發出基於不同信貸行業的模型和全行業模型，如銀行信用卡借貸模型、房屋抵押貸款公司借貸模型、汽車貸款模型等。信貸企業模型則源於企業自己的客戶數據模型。

此外，美國消費信貸管理中使用的模型，按信貸生命周期可分為新客戶獲取模型、現有客戶管理模型、催收模型等，按模型業務功能可分為響應概率模型、激活模型、收益模型、風險模型、反欺詐模型等。

(1)模型開發

模型開發是指通過模型開發系統，對開發數據和驗證數據進行分析，選擇模型的結構、變數和參數。

(2)模型安裝

模型安裝是指通過模型部署系統把模型的演算法安裝在模型庫里。評分計算引擎系統，根據需要，按時/日/周/月對賬戶計算評分。

(3)模型追蹤監控

模型追蹤監控系統對監控指標進行計算，並按月/季度/年發表。

三、決策系統

策略系統也稱為「非評分式模型(Non-scoring Model)」，採用數據驅動的方法，用決策模型開發策略，用數據檢驗策略效果。模型安裝後需要跟蹤監控、業績審核等。

數據分析和評分都是決策要素，幫助形成決策但還不構成決策。決策是整合這些要素，明確並系統化約束條件，根據當前目標做出優化的對策。這些決策的約束條件可能來自信貸企業外部;也可能來自信貸企業內部，如企業系統運算能力、企業風險承擔能力、企業市場目標的限制等。

決策要解決的問題可以是：對於不同的客戶群應該制定多高的貸款利率(定價決策)?對於不同的客戶群應該制定多高的貸款額度(額度決策)?對於不同的客戶群應該制定多長時間的貸款期限(非循環產品的貸款時間決策)?這裡要解決的是如何根據不同客戶的情況來優化貸款利率、貸款額度、貸款期限，以確保在控制風險的同時實現信貸企業的業務目標。

1.策略開發(策略開發系統)

(1)建立信貸政策

每個新開發的信貸策略都要先建立相應的信貸政策，即根據信貸產品的特點、受眾的消費習慣等建立信貸政策。

(2)策略的開發

首先要定義策略，確定要實現的商業目標(一定時期的風險、收益、活躍度等);然後再對樣本進行選擇，如決策樹的應用、變數的選擇、窗口的選擇、風險評分的選擇、收益評分的選擇;最後是策略的確定。

(3)策略開發的檢驗

策略開發的檢驗是指通過不同時間的樣本，檢驗指標的穩定性、入組條件、組距差別以及新舊策略互換的盈虧分析等。

2.策略評估

優化策略的過程是通過對策略結果的評估進行的。策略的實施分兩個階段進行：第一個階段是測試，策略只安裝在一個較小比例的客戶群中，需要若干個月的測試結果來檢驗。它先進行試驗組和控制組的業績對比，再用對比結果做冠軍/挑戰者的策略對比。如果表現滿意，則進入第二個階段，即採用較多的安裝客戶人口，或者是全客戶人口。如果策略的評估結果不令人滿意，則需要重新開發。

3.策略的應用(策略執行系統-決策引擎)

策略是由一群變數和參數組成的決策樹。在它的每個分支中設置不同的對策(可能是以組為單位，也可能是以個人為單位，取決於決策模型的類型)。如同評分引擎一樣，決策引擎可以根據賬戶的情況，對現有或潛在賬戶進行實時/每日/每月的策略計算。

策略包括：一是貸前銷售策略，即新客戶的選擇、貸款額度決定、風險定價、貸款時間;二是貸後管理策略，即對現有客戶的管理，包括激活、風控、額度調整等;三是催收策略，即對拖欠賬戶進行管理，包括尋找最優時間和方法、準確確定還款人等，達到以最小成本獲取最大程度賬款回收的目的。此外，策略還包括反欺詐策略。

4.策略的監控和追蹤(策略監控系統)

策略上線後，監控系統會按月/季度/年生成策略的業績評估報告，評估風險和收益的業績等。

5.信貸企業的「內存」管理

正如電腦需要配置內存一樣，每個企業也有自己的「內存」。信貸企業的「內存」包括數據，評分，策略的演算法開發、檢驗、跟蹤監控、審批，以及所有與政策、程序相關的報表等要素。

信貸企業「內存」的運用、保護和風險控制是非常重要的內容。根據《巴塞爾協議》關於操作風險的管理要求，信貸企業的「內存」管理制度應能保障企業運營的持續性。信貸企業確保，任何有關業務人員都可以根據文件理解數據、模型、評分和策略，一切數據、模型、評分和策略都要有相應的管理政策。

信貸企業「內存」管理的內容包括：一是文件化。所有的數據、模型和策略都應具備完整的開發、檢驗和審批文件。二是組織化。信貸企業內部一定級別的負責人作為責任人，負責模型和策略的開發、檢驗以及對業績追蹤結果進行審核。三是安全化。信貸企業根據管理人員業務的範圍制定相應的准入規則。四是系統化。文件管理和模型審核通過業務平台實現全程信息化。

6.決策的自動化與智能化

決策的自動化不等於決策的智能化。例如，如果信貸的各部門只注重優化自己部門的目標且決策速度慢，就會導致企業層面的目標不能最優化，決策因此就不是智能化的。企業目標與各部門目標的關係如圖4所示。