信用管理对于银行以及非银行金融机构的生存与发展具有举足轻重的影响作用。随着2015年全球及国内经济发展形势的进一步转化，国内银行不良资产率的持续提升更是让国家银监会以及相关政府部门对加强信用管理高度重视。

信用管理包括贷前管理、贷中管理与贷后管理，贷前与贷中管理往往需要在相对较短的时间内完成，而贷后管理是目前金融机构容易忽略或者是重视程度不够的，而且也是周期长的风险重重的环节，因而更需要加以严格管理。

信用管理的各个环节都离不开足够的信息与大数据的支撑。大数据主要涉及受信客户的还款能力与还款意愿层面的复杂的数据。信息匮乏与信息不对称是导致信用风险的重要原因，亟需大数据的支撑。其中，信用双方存在着信息不对称是信用风险存在的最大原因之一。而信用风险存在多种内在与外在的诱因。比如，道德风险与逆向选择、内部制度性寻租空间、外部法律制度的不完善、行业经济发展的不确定性、企业经营的不确定性等。

银行与客户之间的信用合作关系及其相关各方如下图1所示，银行的信用管理是一个复杂的系统，足够的数据支撑对于良好的信用管理是必须的。在授信银行与受信企业之间的合作的过程中，需要全面利用相关的数据流关系来全面把握与信用风险相关的多种静态与动态数据，并通过数据分析来做好与授信以及授信后相关的信用管理。

图 1授信银行与受信企业间的业务与数据流关系

 授信前管理亟需大数据的支撑

 授信前的分析与管理工作需要大数据支撑。从授信过程来看，在授信之前需要全面了解受信客户的相关信息，这首先就是一个大数据的工作，而且还面临着突破信息不对称的挑战的威胁。要从待授信客户的偿还能力与偿还意愿能多层次确定是否进行授信以及授信的级别。比如，从客户处采集与企业经营相关的数据，并分析企业的偿债能力。考虑到企业申请授信过程中可能存在道德风险，因而，银行在授信决策过程中，要充分考虑信用申请客户的相关关系，并采集相关的数据以协助银行做出最为科学、严谨的授信决策。

信用分析是信用管理的重要基础，而有了相关的大数据的支撑才有可能做出科学的信用分析与管理。信用分析是破解信用风险的重要基础。信用分析的目的就是，确定借款人未来按照借款合同按期偿还贷款及利息的意愿与能力。作为对客户信用状况统一的评价标准与客观的判断方法，能够帮助银行选择信誉良好的客户，规避风险较大的客户，保护对银行价值较大的客户，赢得那些真正优质客户的信任。能将银行客户资源维护在一个较高的水平，维护银行整体利益。银行通过对客户在一定时期内的生产经营活动的各种资料的搜集、整理，采用发各种方法对客户的信用品质与偿债能力进行分析，从整体上把握客户信用状况的方法。

根据传统的观点来看，信用分析方法可以分为两类：一是定性分析，根据人们的经验与主观判断来确定客户信用状况的方法。包括专业人员个体分析，专业人员集体分析，专家调查等方法。二是定量分析，根据会计报表数据，通过经济指标分析，通过计算得到客户信用好坏的评定。有比较分析法、比率分析法、结构分析法、因素分析法、趋势分析法等。两种方法必须有机结合起来才能更有效地进行信用管理。

在信用分析过程中，对于不同类用户的信用风险识别是信用分析的目的，也是信用管理的重要内容。单一法人客户的信用风险识别。涉及对于客户的基本信息（法人类型、经营情况、信用情况）相关系列数据的采集与分析。财务数据分析包括对客户的经营成果、财务状况、现金流量等时间序列的数据进行采集与分析，要求必须建立系统的分析模型与框架，不能孤立的分析，系统的分析应该包括财务报表，比率分析与现金流量分析。非财务因素分析则包括：管理层风险，行业风险，生产与经营风险，宏观环境与自然环境。担保与质押分析：保证、抵押、质押、留质、定金。集团法人客户风险分析复杂程度远远超过单一法人企业客户。在单一法人客户的基础上，复杂的关联关系判断最为关键。

贝叶思咨询认为，从大数据的角度而言，首先就是要通过如上图1所示的流程化与结构化分析的思路找到与信用风险相关的数据来源。比如，通过与潜在受信客户官方的合作建立企业经营数据及分析框架，可以协助银行判断企业还款能力；结合其他授信机构的大数据采集与分析，可以进一步帮助银行来采集、分析并判断客户的清偿能力，同时可能规避单一数据源道德风险的问题；结合担保、质押等机构的数据可以进一步帮助银行分析客户清偿能力；而通过政府有关部门的政策及管理措施数据支撑，可以协助银行判断未来行业及企业走势，并补充判断未来企业清偿能力的变化趋势；通过政府部门（比如工商、税务、环保与人力资源、法院等）、媒介等的大数据支撑都可以协助银行判断企业的还款意愿以及道德风险等问题；通过与目标授信客户相关的其他授信客户、关联客户与非关联客户等的数据有可能为银行提供更多规避授信风险的数据；而通过法院以及律师协会等的法律事务数据支撑则可以帮助银行充分了解企业的违约可能。

 无论是单一法人还是集团企业客户在关联交易以及通过关联交易进行逆向选择，从而被银行带来道德风险的案例很多，因而，对于关联企业大数据的采集与分析非常有必要。

 在足够的大数据的支撑下，在授信前的信用分析与管理过程中，不同的风险需要采用不同的方法。经常采用的数理分析方法包括：收益的计量风险的量化原理、风险分散的数理逻辑、风险敏感性分析的泰勒展式等。

授信前与授信中的管理过程中，客户信用评级是目前全球银行业的普遍做法，结合能够获取的大数据及相关模型对客户偿债意愿与能力的计量与评价。并计算出相关的违约风险与违约概率，确定是否向客户授信以及如何授信。

客户信用评分的专家系统往往包括与客户有关的因素（比如声誉、杠杆、收益波动性等）、与市场有关因素（比如经济周期、宏观经济政策、利率水平等）、品德、资本、还款能力、抵押、经营环境等。这里还涉及定性数据的定量化过程。

信用评分法评分模型。利用可以观察到的借款人特征变量计算出一个得分来代表其信用风险，并将其归类为不同风险等级。对于个人而言包括收入、资产、年龄、职业以及居住地等。法人而言包括财务比率与现金流量等。包括线性概率模型、Logit模型、Probit模型和线性辨别模型。法人的评级模型：Altman的Z积分模型（流动性、盈利性、杠杆比率、偿债能力、活跃性）与ZETA模型等。

授信后管理更需大数据的支撑

根据来自于中关村大数据产业联盟与亚信数据的阐述（参见“亚信数据王大超：大数据助力银行贷后风险管控”），贷后管理是银行风险管理的核心组成部分，是控制风险、防止不良贷款发生的重要手段。贷后管理体现信贷全程风险管理的最终成果，贷后管理质量的好坏，直接关系到前期的贷前管理、贷中管理的所有努力的成败。尽职的贷后管理可以发挥三个方面的作用：一是风险预警。通过有效的贷后管理及时发现风险隐患并快速化解，可以起到降低风险化解成本、减少经营损失的作用。二是存量客户深度挖潜。应该认识到贷后管理的过程是巩固客户关系和业务需求挖掘的契机。三是以管理创造价值。通过抓好贷后管理中的基础管理工作，可以有效杜绝客户信用评级中断、贷款临时性逾期等增加经济资本占用的事项发生，直接创造价值。

随着商业银行对风险管理的认识和重视度逐渐提升，陆续建立起了系统性的风控体系和内控制度。尤其是在资产业务风险管理方面，通过制度设计和岗位分离，有效减少了信贷业务在贷前调查、贷中审批环节的信用风险以及道德风险。考虑到目前对于大部分银行以及金融机构的实际情况而言，大量的存量贷款实际上是需要通过代后的管理来实现风险管控的，因而，在上述做好授信前管理的基础上，银行等金融机构尤其要加强贷后管理。引入大数据理念，打造贷后交叉风控模式。随着“互联网+”和大数据在金融领域不断应用深化，大数据技术为银行增强贷后风险的识别的实时性、精准性、全面性，提高银行贷后风险管理水平，完善整体信贷风险管控闭环体系增添了新的动力。

在银行外部，可以通过本文上述图1的分析，可以有效地借助于诸如银行同业之间的信贷、黑名单等信用类数据、运营商的通信行为与位置数据、电商的消费关联数据、政府的社保、税收、环保、质检、司法等行政执法数据、关联企业的授信数据等等，这些数据对银行丰富贷后风险数据采集渠道与数据库，从而帮助很大程度上银行提升贷后风险预警识别能力有重要意义，需要深入挖掘、探索数据应用场景与分析逻辑。

在对外部大数据价值充分挖掘的基础上，建立大数据贷后风险监测模型，制定贷后风险实时预警评估机制，实现贷后风险管理的预见、智能、可控。企业偿付能力风险监测识别：包括企业经营管理异动监测（管理状态异动、经营异常等）、行业发展异动监测、区域发展异动监测及企业舆情监测。企业偿付意愿风险监测识别：包括企业信用状况异动（跨行业的信用违约行为等）、法人及相关干系人异动监测（法人信用状况异动、行为异常变动等）。风险实时评估与分级预警：基于大数据开源的风险信息实时识别与输入，利用大数据贷后风险评估模型与识别系统，对目标对象进行贷后风险评估。结合各风险因子对逾期或违约的影响程度分析，形成风险分级预警机制，实现风险分层分级管理。并通过与银行现有预警机制对接，辅助银行研判信贷等业务的逾期或违约风险。

完善贷后风险监控平台，强化银行大数据技术能力，为贷后风险防范提供IT支撑保障，建立与完善银行大数据贷后风险监控平台，固化相关风控能力模型，将银行自身数据、同业数据、运营商等外部跨行业数据、网络数据等，通过数据融合、关联分析、深度挖掘、交叉验证等集成算法引擎，形成统一数据处理平台，为贷后风险识别应用提供集中、实时、精准、高效的系统支持。同时，为了更好地利用大数据为风险管控服务，实现贷后大数据交叉风控模式及贷后管理的实时性与精准化，保障贷后风险监测平台的落地，银行自身需要加强大数据技术能力的培育与提升。着眼于大数据获取、大数据处理、大数据应用及管理三个层面，银行需重点在大数据实时采集能力、平台IT 架构支撑能力、海量数据实时分析处理能力、内外部数据综合治理能力、数据资产管控能力等多方面进行系统化提升。