数字经济时代，金融科技渐成银行核心驱动力。
2020年5月，中国银保监会正式发布《商业银行互联网贷款管理暂行办法》，其中对商业银行的风险管理体系、风险数据和风险模型管理、信息科技风险管理、监督管理等均作出了明确要求，这意味着互联网贷款野蛮生长的时代即将结束。
可以预见，未来业务发展更合规，数据分析和模型管理能力更强的商业银行，必将在互联网金融领域发展中更具竞争优势，并能在金融科技3.0时代大放异彩。
近日，零壹财经与融慧金科联合创始人兼首席科学家盛军就模型管理与应用实践进行了深入对话。
盛军毕业于清华大学，后取得美国密歇根州立大学博士学位，并在加州理工学院做过博士后研究。他有着多年研发经历，在金融风险管理和数据信息挖掘及应用方面有着深厚积累，此前曾担任美国运通全球风险监督/企业级模型监管部总监、百度金融风控模型总经理，在大数据应用及机器学习建模方面有着专家级认知和实际运用经验。
“目前，国内金融机构在数据和模型算法能力上已基本成熟，但对于大多数中小银行来说，在模型开发与应用中，可能会对模型的设计是否符合需求、目标变量和建模数据的选择是否合理、算法的选择和建模的方法是否恰当、模型的应用是否做到和策略规则的有机结合、模型效果的监控是否及时等事项，还没有完全的体系化的把控。”
在与零壹财经的对话中，盛军表示，结合多年国内外经验来看，银行数据和模型风险管理体系的建立和完善会是一场深刻变革，距离真正落地还有很长一段的路要走。
一、银行模型开发及落地应用的难点
当前大部分头部银行已经认识到模型的重要性，并积极探索大数据的创新应用，但在模型开发与应用过程中也面临很多难题。结合以往与银行客户合作的实践经验，盛军表示，银行机构在模型开发及落地应用上的难点主要在数据应用、建模方法、模型团队三个方面。
首先在数据应用上，银行习惯于依赖传统的征信体系，但目前的征信体系覆盖的人群和信息还不够全面，因此在数字化转型和推动普惠金融发展的进程中，业务模式和客群结构逐渐发生变化，用户更加复杂、多样和下沉，加上对征信报告的数据挖掘能力还有待提高，使得传统风控模型发挥的效力依然很受限制。
除此之外，大部分银行内部仍未建立成熟完整的数据管理体系，普遍存在数据多头管理、职责分散、标准不统一等现象，数据挖掘和分析困难，模型能力难以有效落地。
“在以往的工作经历中，我也遇到过一些类似挑战，比如企业内部存在数据管理部门多、数据处理标准不统一、数据互通融合差等历史沉淀问题，以及没有成熟的模型团队，缺乏模型管理体系等方面的问题。”据盛军介绍，针对这些问题，我们很快组建了模型团队，快速打通了底层数据库，通过一系列数据清洗、加工及整合，将数据有效地深入应用于模型与策略中。
从市场成效看，团队在信贷和支付领域取得了不俗成绩：通过对数据的深入挖掘和对模型的迭代，迅速提高了模型的分辨能力和准确度，并应用于多个信贷业务场景中，实现风险大幅降低，通过率显著上升；在支付领域，构建了强大的反欺诈模型和策略，大幅降低了损失率和打扰率，效果非常明显，客户满意度也随之上升。
一个好的模型，是着眼于过去的经验而预测未来。盛军指出，目前业界的模型很多是仅基于短期的某个业务形态下的历史数据表现，或是经济平稳时期的数据，没有考虑到一个完整的经济周期或是可能发生的大环境及业务的变化对模型适用性的冲击。
“事实上，模型的好坏，80%是由数据驱动的，一旦发生大的变化时，没有可解释性和稳定性支撑，模型很快就失效了。所以在模型中需要引入更多维度的数据，深度挖掘数据规律及生成更多的衍生变量，投入大量精力进行变量的设计和开发，更要充分考虑数据的稳定性、特征变量的结构以及宏观因素对预期的影响。”
其次是在建模方法上，在从传统的评分卡或传统建模方法真正过渡到运用大数据、机器学习的建模方法时，除了需要引入多维的数据、拥抱新的算法外，还需要建立大数据建模的方法论和机制。
根据业务需要设定模型目标和选取适当的算法，避免单纯地唯数据论和唯算法论导致模型过拟合的情况。同时要坚持金融建模的虽然传统但是行之有效的基本理念，来保证模型的可解释性和稳定性。这也是这一转变过程中需要着力提升的难点。
第三是在模型团队上，虽然模型的算法基本相同，但能真正掌握这些算法并在金融业务场景上合理运用的人才并不多。
“所有模型设计的再好，不满足业务需求都是无效的，因此模型的一大难点也在于对业务的逻辑与需求的深入理解和挖掘。”盛军指出，每个领域和场景下的业务知识都有所不同，需要建模人员深入到客户现场，多沟通交流，多看数据耐心分析总结，才能有所把握。
事实上，整个业务数据的理解及分析流程是相当繁琐的，而模型的核心就是通过不断的测试，最终实现需求的最大化满足。
盛军强调，一个有能力的模型团队，有着较强的理解力和认知力，能够针对不同的业务场景在较短时间内定制出合适的模型，非常清楚如何利用模型更好地识别客户需求与风险点，并输出相应的风控策略，有效解决金融机构在实际落地场景中的痛点。
二、如何做好模型，打造差异化竞争力
盛军表示，做好模型，不仅需要数据和技术的支撑，更要有对金融业务的理解和实践。银行机构若想以更高的效率和更低的成本完成模型开发与落地，完全可以寻求外脑合作，借助金融科技企业的力量创新变革，来建立自身长期发展的核心能力。
值得一提的是，目前市场上的科技公司所提供的服务侧重点都是不同的，金融机构在筛选匹配满足建模能力需求公司的同时，还应考虑其长远的业务能力尤其是数据服务和技术能力上能否对自身提供最大帮助。
盛军指出，如果两个建模团队的知识背景、算法使用等都相同，关键就要看将模型应用到客户实际业务场景后的效果表现如何。
“我们的专业建模团队是一支有活力、有思想、成长快、能创新的年轻队伍，学习能力极强，不断运用创新思维追求模型的卓越，积累了丰富的建模经验，模型评判标准和理念也早已融入我们的血液。”盛军提到。
在美国运通时期，我带领跨美国和印度的团队，负责独立监管各个部门用于运营过程中的所有模型，包括营销、信用评估、额度定价、欺诈等各类行为预测模型，搭建了满足监管机构要求的模型验证体系，既满足了企业对模型的辨别力、精准度、稳定性、可解释性和快速迭代的需求，也保证了数据和模型的合法合规使用。
也正是在这段经历中，通过推动模型开发和模型管理的创新，获得了对建模平台和建模艺术的深度认知，因此融慧金科建立的模型管理平台更完善、更成熟。
对此，盛军向零壹财经介绍了一个与某头部城商行合作定制化建模的实际案例。该银行从助贷业务转型到自营业务，亟需提升自身模型的稳定性及准确性。融慧金科通过海量数据优势，深度挖掘出数千维衍生变量，纵深维度提升模型效果。
双方联合开发的信用模型上线后表现优异，在稳定性、精准性和可解释性上均出现大幅提升，帮助该银行对客户的信用风险进行贷前审核时精准度更高，并带来显著的业务增长，最终赢得了该银行高度肯定。
盛军强调，客户至上一直是融慧金科的服务宗旨，秉承着开放、专业、价值、绿色的发展理念，凭借快速学习和快速理解业务的能力，在与客户的合作中，我们总是站在客户的立场思考问题，让客户深刻感受到我们提供的高品质服务。
“业界口碑与客户反馈，就是对融慧金科实力最好的证明，特别是在建模能力上，深受客户认可，客户口碑已在行业内位居前列。”
最后谈到定制化建模未来发展空间时，盛军认为，在国家金融监管趋严及银行业全面数字化背景下，机构对模型的需求将越来越大。
一方面随着机构自身能力的提升，他们对更精准的获客、更精准的风控、更精准的运营要求越来越高，可能会从引入第三方数据模式转变为用自身业务产生的数据为主去做，提升模型的能力，以实现更精准的用户分层。
另一方面通过银行业调研可以看到，中国的银行IT市场规模已超过千亿，科技公司将有更大舞台，大型银行或可走“以自建为主，外部合作”的路线，而中小行囿于财务实力，可能会更多地依靠金融科技公司。
“而对于像融慧金科这样的金融科技公司来说，如何通过大数据、算法和模型等先进的技术和工具，大幅度降低金融服务的成本，最终帮助机构实现风险和收益的平衡，将是我们未来着力思考和发展的重点。”盛军如是说。
版权声明及安全提醒：本文转自网络平台，文章仅代表作者观点，不代表「金融文库」立场。相关版权归原作者所有，「金融文库」仅提供免费交流与学习，相关内容与材料请勿用于商业。我们感谢每一位原创作者的辛苦付出与创作，如本转载内容涉及版权及侵权问题，请及时联系我们客服处理（微信号：JRwenku8），谢谢！
