打开文本图片集

摘 要：互联网推动的全方位管理逐渐成为银行业的热点，虽然人工智能现在尚无明确定义的具体概念，但在人工智能信息系统和分析技术的研究中已经取得了一定的成绩。大数据时代，商业银行转变经营管理模式是大势所趋，随着商业银行承担风险的增加，大数据应用推动了商业银行风险管理的实现，然而基于商业银行风险分析体系中的大数据应用研究较少。本文介绍了商业银行大数据分析应用的历史与发展，提供了通过大数据分析的企业风险预警系统，并提供了企业的一些建设路径建议，以供参考。

关键词：风险分析体系；大数据应用；商业银行；互联网；数据挖掘

本文索引：王美婷，崔兆鹏.<标题>[J].商展经济，2023（09）：-107.

中图分类号：F832.33 文献标识码：A

伴随着互联网金融和大数据的快速发展，商业银行既面临着严峻挑战，又迎来了发展机会，商业银行转变经营管理模式是大势所趋。大数据时代的到来，数据已经成为金融机构发展阶段不可或缺的因素，商业银行内部拥有的数据资产有着至关重要的作用，同时其中潜在的风险显著增加。随着商业银行承担风险的增加，大数据在商业银行风险管理中的作用愈发明显。

1 商业银行大数据挖掘及其应用的历史背景

对数据进行挖掘属于一种全新的处理技术，可以实现对商业信息的高效处理，早在1980年该技术就已在美国出现，并在各个领域得到充分运用。比如，金融和电信等行业，该技术具备的最重要的特征就是可以实现对数据的有效抽取和转换，同时将数据通过模型的形式体现出来，从而实现对相关数据的有效提取，推动商业决策的进一步发展。随着银行信息化发展步伐的不断加快，业务数据的规模也得到进一步扩大，通过大量的数据可以及时获取有效信息，从而为银行制定决策提供切实合理的帮助，实现对数据的有效挖掘具有深远的现实意义。在运用数据挖掘技术时，汇丰、花旗及瑞士银行处于应用较早的阶段。当前，对于整个银行业来说，数据挖掘技术已经得到充分运用。

人工智能的一般概念与特点：现在尚无明确定义的具体概念，程学旗等在人工智能信息系统和分析技术的研究中提出需要从宏观经济世界、信息工程和社区经济发展视角界定人工智能，海量信息能够广泛应用，信息种类多样，并且获得的频率整体偏低，价值密度相对较高。简单来说，人工智能主要具备以下特征：规模庞大、良好的多样性、频率高、质量高及价值丰富，人们通常称之为5V。

1.1 大数据分析在银行风险管控中的应用

银行在实际经营和生产过程中，在对内部风险进行控制的同时，大数据分析技术的作用充分体现出来，主要包括以下几点：（1）顾客数据分析和洞察：提升顾客视野、精确销售、互动感受；通过大数据的分析实现对客户及关联关系的风险动态分析，进一步优化风险控制。（2）分析市场走势，创新业务产品：大数据分析可以很好地进行预测，政策环境等因素变化时，商业银行可根据大数据的预测结果提前布局，挖掘新机会和新市场，同时利用数据预测创造新的业务模式和新的产品。（3）运营优化和升级：经营渠道服务优化，业务流程转型升级，完善智能化平台服务。（4）完善风险决策能力：通过丰富的宏观角度和微观角度风险分析方法，完善客户的信贷资质评估，增强风险警示，实时接收动态信息，及时进行数据分类和管理加工等，并从中获得洞察风险的能力，从而更快地做出风险管理决策，进一步完善商业银行内控。

1.2 人工智能技术将助力大数据挖掘在银行风控领域中的运用

结合当前全新的发展背景，大数据技术不仅是银行最重要的财富，还是企业未来的价值来源。人们在获取数据时，可以通过多种不同的途径，比如移动终端、网络及物联网等实现对数据的有效获取，并进行融合得到大数据分析，内容可以分为：内部和外部数据、交易和交互数据、结构化及非结构化数据、处于积累和发展状态的信息相结合，以充分满足5V的要求。

对于普通的信息基础技术来说，包含多种不同的信息，比如云技术、区块链等，此外，还有大量的安全信息技术，比如加密和生物识别技术等。要想提高商业信息具备的精确性，就需要具备更有效的大数据分析技术。为了尽可能地发掘信息价值，就必须致力于提高人工智能技术的整体效率，要做到深入学习，实现对图像数据的有效保存和分类处理，将图像化信息技术充分运用起来，最终获得相应的研究成果。

1.3 传统数仓与大数据平台的技术融合

对于传统的技术架构及数据分析来说，在实际发展期间，无论是发展的途径还是特点都截然不同，但相关技术之间是相辅相成的。对于传统模式下的大数仓模型来说，具有一定的可复制性和结构特征，但大数据分析模型具有高速迭代的特征，智能水平也整体偏高。在对深层数据进行分析的过程中，需将结构化和非结构化的数据充分结合起来，以提高数据所具备的解析能力，从而获得更多的有效信号，实现对风险的合理控制。借助风险传导预测的方法能够及时找到新的风险顾客，从而有效改进银行面临的不良贷款，提高个人贷款的业务质量，同时推动银行的进一步发展。在此期间，要实现对数据的高效和准确分析，充分结合各个方面的社会关系，比如股东、雇员及融资伙伴等，对顾客的关系进行有效刻画，最终得到相对完善的顾客联系体，并鼓励服务技术人员针对顾客关联之间的关系进行深入分析和探究，比如连通性、紧密性等。同时，实现对相关信息和资料的有效检索，充分运用多种不同的分析方法，比如机器和动态网络数据的分析等，建立健全完善的危险传导机制，对可能面临风险的用户提供有效预警。对于可能出现的结构变化，一般包括保证伙伴关系、融资伙伴关系、与股东联想、雇员社会关系中的共同法定代表人、公司管理者及与家庭关联关系等。

2 通过大数据分析的商业银行风险预警系统

整合企业内外资源，建立风险控制系统能力，并发掘新的信息系统资源。我国正致力于利用整合大数据的分析手段和新的大数据分析手段，进一步健全企业风险管理体系。在这些数据中，主要有来自外界的数字资源，这些资源都具有非结构化特征，其中包括媒体页面、电脑系统等；境内非结构化数据：市场调研信息和企业资讯统计情报；外部结构化的数据分析资源：人行征信报表资料和银保监会统计情报；内在结构化数据资源：企业的经营体系和风险管理体系。通过统计分析的方式可以实现对数据的合理分析，充分运用图文和文本分析的方式，在大数据仓库实现信贷风险引擎模型（叶康，2009），充分运用潜在的风险，针对异常的交易行为展开分析，同时了解有关资信的具体状态，就可以促进信用评估的顺利实现，带动风险引擎的发展。在运用风险引擎的同时，主要包括以下几点，分别是：报告系统、模型分析、大数据技术、数据管理。在对信贷风险进行分辨和控制的过程中，可从以下几点入手，分别是：区域风险识别、贷前预警及贷后控制。在进行尽职调查的同时，也要加大对风险的管理和控制力度，实现对风险的有效处理，利用大数据分析快速进行风险排查，同时对调查结果进行有效提交，以下是具体步骤：

（1）申请，客户服务经理需要通过系统的前台，将客户服务的有关信息录入，比如客户服务实体或担保机构等。此外，还要将地址、执照等相关内容录入。

（2）针对大数据风险预警的服务，可以实现对相关信息的有效收集，同时实现对预警的有效排查。

（3）落户风险清单：先完成对顾客自身风险事项的排查，再完成分档并给予合理评分。

（4）针对关联公司的风险进行全面排查：对客户关系风险进行有效排查，其中包括客户担保、上下游客户及小股东等，并确定关联层级和强度，再进行分档并予以评分。

（5）对客户或利益相关人实施黑名录进行全面筛查，由此可以实现对数据的有效整合。如果是诈骗名录或洗钱清单，就需要采取禁止通行的措施。

（6）针对客户的分档及分值情况进行有效判断，同时对风险预警的结果进行有效提示。

（7）通过风险预警系统实现对结果的有效输出：针对风险警示的相关等级及报告内容进行有效输出，同时将预警结果录入系统档案内。系统预警数据主要包括以下几个点，分别是：结果的评估和预警详单。

2.1 借助图数据分析

商业银行应对潜在风险进行有效传递和监控，实现对风险的准确分辨，涵盖源发出经营风险与传递性经营风险。借助图分析的技能，将机器学习的计算方式结合进去，同时对其中可能出现的传导性损失进行准确计算，就可以帮助企业做出准确辨识，从而有效化解信用担保问题。针对有关信息具备的可靠性及真实性进行深入分析，同时明确风险转移的方向。与财务关联的交叉度、与业务关系的可靠性及业务周期的变化规律可以建立关系图谱，从而确定相关公司和个人之间可能出现的问题，并通过对违约关系的研究，通过图数据库研究，对各种不同的风险关系模式进行有效挖掘和提取。

2.2 数据整合方案

对于企业内部存在的数据，要深入分析其中的潜在价值，对相关数据和资源进行充分收集和合理分析，均依赖有效的大数据分析整合。统一的商业信用风险大数据集市（魏国熊，2013）包含多个不同的系统，比如风险管理系统，财务平台管理系统，资金管理系统，内屏管理系统，电信信息、税收信息系统，网络信息等。

（1）行内系统集成：通过分析行内服务情况和信息系统状况，从行业数据应用角度对散落在行内有关顾客的数据展开分析，实现对产品销售情况的有效统计，并将服务相关的数据充分结合起来。

（2）内部系统集成：充分结合系统的实际需求，在对内信息、对外信息进行分析的基础上，进行与内部信息的集成。

（3）对系统中的信息实体进行有效融合：要充分了解现有的数据和义务内容，对类似的业务要将其集中在同一个实体中，从而实现对分散信息的有效结合。

（4）实现对参数和代码的有效整合：严格按照有关数据规范，尤其是对代码数据的定义，确保各个系统都可以建立在相关代码的基础上进行有效转换，并提高系统的规范性。

2.3 客户关联关系建模

根据与单一客户预警的关联关系，形成多方位的预警模式（见图1）。

如图1所示，在对数据进行采集和整合的过程中，需要充分运用风险相关的数据，将内外客户的交易信息充分体现出来，再对此进行深入挖掘和再加工处理，实现对客户关系的准确识别。主要包括以下几个部分，分别是：供应商之间的关系、企业子公司关联、担保关联和公司资本关联。

3 商业银行风险分析体系中的大数据应用策略

第一，将大数据具备的价值充分发挥出来，对数据集成风险进行有效控制，同时做好相应的预警工作。借助大数据对银行预警展开分析，需按照以下流程：首先，建立健全完善的大数据风险预警框架，对内部和外部的数据进行全面整合，充分挖掘数据的潜在价值；建立健全完善的预警体系，准确识别其中潜在的财务和非财务风险，对预警结果做到充分运用；其次，有效拓展外部的数据集；最后，将大数据分析和图形数据分析的技术充分运用起来，从而实现对风险预警的合理分析。

第二，对现有的预警系统进行完善和优化。积极引进各种先进的外部数据，有效扩大风险信息来源，从最初的规则识别慢慢发展为模型识别，临时建立相对完善的预警系统。将图形数据分析的技术引进系统，从而避免数据之间的过渡关联，积极引进人工智能技术，建立健全完善的模型测量系统，以提高预警模型的准确性。

选择合适的场景，有利于提高最终结果的有效性，同时在众多领域得到全面推广和普及。结合现有的银行数据，在进行收集的过程中，主要有以下两个部分，分别是：事务性和交互数据，借助位置信息、行为偏好等可以实现对数据的充分运用。在后期工作的过程中，在有能力分析大数据的基础上，需要不断优化和挖掘业务需求。

4 结语

随着互联网和大数据的飞速发展，商业银行应树立大数据理念。随着数据挖掘强大的信息处理和分析能力的展现，商业银行应积极引入大数据分析处理手段，并通过数据挖掘和大数据分析，整合企业内外资源，增强企业风险控制系统能力，进一步健全风险监测管理体系，切实提升商业银行的风险控制水平，降低经营风险，在全球化的今天顺应时代潮流，利用大数据更好地促进商业银行健康发展。

参考文献

刘文杰.大数据分析在商业银行风险管控中的应用[J].电子世界，2019（19）：27-28.

梅崇秀.基于大数据背景下的银行智能风控体系建设[J].中外企业家，2020（6）：82.

孙曼青，孙文绮.大数据在商业银行风险管控中的应用[J].财经界，2020（3）：92.

郑默.大数据分析技术在金融风险控制中的应用[J].中国商论，2019（15）：57-58.

佘骏逸.人工智能在金融风险管理领域的应用及挑战探析[J].科技经济导刊，2019，27（24）：36.

张绍波，何允钊.大数据分析在商业银行风险管控中的运用探讨[J].财经界，2020（8）：20-21.