让数据说话

商业智能可以帮助我们追踪每种工作和方法是否有效。

风险管理是所有金融机构中最为关键也是最为复杂的管理职能，其管理的好坏直接关系到机构的利润及安全性，甚至是金融机构的生死存亡。因此，风险管理已经成为金融机构的头等大事。与国外相比，国内金融机构在风险管理上的经验、方法、手段乃至技术方面均相对薄弱。此外，在对金融机构的管理上，历史上曾有许多人为的、违反金融规律的操作方法及因素，直接或间接地形成了国内金融机构的风险，银行的高坏账率就是其中之一。所以，规范流程，健全制度，完善组织架构以及建立有效的绩效考核标准，均成为防范和管理金融风险的必要措施。

金融机构究竟面临哪些风险

金融机构要想得到长期、稳定的发展，就必须把握住市场和客户，如果采用的手段得力，就可以不断满足客户需求，防范金融风险的发生。因此，金融机构的高层管理者需要足够的信息来帮助他们制订业务策略，有效地管理风险，扩大客户群，提高利润。简单地说，规避金融风险就是要获取数据、对数据进行分析并将之转换成有用的决策信息，再将这些信息用于日常的决策过程。

目前国内金融机构在数据、信息及分析三个关键环节上均存在严重的不足，主要问题可以归纳如下：

数据质量及完整性存在问题；

数据不集中；

缺乏基本信息的展示能力；

缺乏基本分析能力；

缺乏有效而系统的风险评级机制；

缺乏完整的员工考核体系；

风险控制流程存在漏洞，运作不完 全合理；

监控乏力；

分析对象的合理性(以产品还是以客户为分析对象)。

商业智能化解金融风险

要应对这些风险，传统的管理理念和操作方法已经远远不能适应今天的商业发展模式了。面对海量数据和繁复的分析、决策过程，金融机构的高层管理者必须借助现代化的管理思想和管理工具来规避经营风险。利用商业智能进行风险管理是一种高效的手段。

商业智能的本质是对分散在机构内相对孤立的数据（业务系统，简单分析系统，财会系统，外部数据等）进行收集、整理和分析，从而获取企业发展所必须的信息，并通过对这些信息进行智能化的分析，揭示机构内的运作和市场情况，帮助管理层做出正确、明智的经营决策。用比尔・盖茨的话来讲，商业智能的作用就是帮助我们追踪每种工作和方法是否有效。

商业智能涵盖了两个技术层面：数据仓库和数据挖掘。

（一）数据仓库

企业管理者要综合全局做出有理有据的决策，就必须迅速及时地获取能反映企业真实情况的信息。数据仓库就是用来对一个企业分布在不同的部门和分支机构里的有用信息进行抽取、整合、清洗、转换、存储的。

数据仓库可以从四个方面来定义：第一，它是一个以企业整体决策支持和信息利用为目标的数据组织；第二，数据仓库中既包括现时数据，也包括历史数据；第三，它所存放的数据是完整的、统一的、安全的和清洗过的；第四，它是企业用于决策支持和应用的主要信息来源。

管理人员往往希望从不同的角度，例如时间、地域、年龄、教育、职业来看同一类的储蓄以及贷款的总额、余额等来审视业务数据。因此，从各个不同角度进行多维分析就是数据仓库中必不可少的。

数据仓库对数据的使用主要是通过查询、制订报表、多维分析和数据挖掘来实现的。通过这一过程，可以将数据转换为有用的决策信息。

通常，一个数据仓库环境可用图1简要说明：

从上面数据仓库环境（决策支持系统）的整体架构可以看出，一个实用的数据仓库环境包括以下主要内容：

数据来源；

数据加工（ETCL）；

数据仓库实体：它是整个系统结构中，最重要、最值得注意的。数据仓库中包含了集成的、历史的数据，这些数据对整个企业是公用的。此外，数据仓库还包括概括数据和详细数据；

数据集市：数据集市是一个满足特定用户需要的相关数据集合，这些数据主要来自数据仓库，也可以由外来数据源提供数据，一般是数据仓库的一个子集。这些数据通常是非常概括的，但也可按照特定用户的要求包含细节数据；

终端用户界面：终端用户通过数据查询、制订报表、统计和多维分析与数据挖掘的方法来获取所需要的信息。

（二）数据挖掘

数据挖掘是对数据进行深层次分析的过程，具体地说，就是从数据仓库或数据库的海量数据中获取未知有用的信息，并将这些信息用于决策过程。它对防范和降低金融风险、提高客户关系、挖掘业务潜力、降低成本、提高利润都会产生极大的作用。

数据挖掘的方法可依据其功能被分成四组：预估模型、分割、链接分析和时间序列预测。为实现数据挖掘的每一项功能，可使用多种不同方法或算法。例如：分类模型可通过使用决策树、神经网络分类、区别分析、逻辑回归或概率回归等统计类或非统计类算法来建立。统计类方法是建立在传统统计理论上的，而非统计类方法则主要基于神经网络技术。

具体到银行业务中，分类模型可被用于建立目标模型、预选模型、风险模型、损耗模型、欺诈探测模型和破产模型。这些模型可用来提高市场销售效率、增强风险管理能力和提高客户管理效率。

如何提高风险管理能力

金融机构最关心的问题无外乎产品、销售、客户和风险管理，在这四个环节上商业智能能够帮助企业实现提高风险管理的目的。

具体地说，在产品分析方面，商业智能能够回答诸如哪些产品有效益，哪些产品没有，哪些产品虽然目前效益不好但却有发展潜力。

在销售方面，商业智能能够解决哪些产品有销售增长趋势，哪类客户喜欢购买这些产品，不同地域、不同行业的销售趋势等难题。

在客户分析方面，商业智能则能回答哪些客户流失的可能性较大，有无必要挽留以及挽留的方法，10%最有价值、最没有价值客户的共同特点，最有价值的客户分布等问题。

在风险管理方面，商业智能能够回答诸如哪些客户可能会有信贷风险，哪些客户可能会破产，出现信贷风险的客户特征是什么，哪些行业或哪些地区的客户是信贷风险的高发区等问题。

风险分析是支持风险管理体系的关键。风险分析系统用于对金融机构的市场风险、信用风险、客户风险、产品风险以及决策风险进行全面分析，进而为银行采取必要的风险措施提供决策依据，使其将经营中的风险损失降到最低，同时为银行制定风险政策提供信息依据。

风险分析系统的核心是各种风险的识别、判别、预估和预测模型。分析模型要求加工和处理大量的业务数据，对多种分析结果进行综合评价。而数据挖掘是模型建立的最为有效方法。虽然，当前国内风险管理系统的整体建设尚处于初级阶段，面临着分析技术的复杂性强，前期数据准备和环境搭建工作量大，数据的可得性以及数据的完整性无法保证等问题。但是风险分析成功实施的关键还是在于人们的思维方式、工作方法、管理体制和工作经验。

具体地说，数据仓库和数据挖掘方法可以在以下几个方面有效提高金融机构风险管理的能力：

提高风险识别能力；

建立系统而有效的风险评级机制；

提升风险分析能力：

问题贷款结构分析，其中包括行业结构、品种结构、部门结构、状态结构、所有制结构、产品结构

行业分析：行业分析解决你的借款人运作的环境可能会发生什么样的问题。该环境是由借款人和放款人无法控制的经济、市场、人口分布等力量决定的。行业分析可以帮助识别某一行业所有公司面对的主要风险，并对该行业的未来及其对客户的影响进行合理的猜测

地域分析

业绩考核

追贷成本分析

不良贷款的作价

催收人员的分配

授信额度的分配及其产品组合

不良资产的分析，核销时机与数量

风险贷款在贷款5级分类中的级别变化情况分析

建立风险评级模型,其中包括信贷决策模型、逾期模型（30天、60天、90天、120天以上）、坏账模型、破产模型、欺诈检测模型；

建立和完善工作流程；

风险预测；

加强风险监控：风险监控主要是通过数据查询，把重要数据展示出来。对银行比较重要的监控数据有：授信审批监控、重组贷款监控、以物抵债资产处置监控以及对各单位抵债资产的台账内容进行监控；

控制利率风险:利用分析工具进行资产和负债的管理。根据对利率趋势的预测和判断，对资产和负债比例进行适当调整，以防范利率风险；

控制操作风险：

建立以业务操作规程为基础、岗位独立、人员分工、职责分明的业务操作制度

员工业务操作责权分明，按工作性质、权限承担相应的责任

对员工的工作数量和质量做量化评分，建立奖励机制

对信贷员的考核，除考核其工作量外，还要考核其经手贷款的风险度

风险作价：以风险为基础确定产品 及服务价格

风险与利润的综合管理

建立综合风险分析指标，诸如风险 值（VaR）等。

建立风险管理机制是我国金融机构的当务之急，同时也是一项复杂的系统工程，牵涉到制度、规范、业务流程、操作流程、组织架构乃至统计分析、多维分析以及数据挖掘等诸多层面，其中的每一个环节都很重要。关键在于如何借鉴好别人的管理经验和利用好风险管理的工具。

商业智能技术无疑是一种有力的工具，它对于提升我们对风险的判断、识别、进行有效的分析、做出准确的预测、预估都将发挥巨大的作用，进而对于防范风险和提升金融机构的风险管理水平具有极大的推动作用。