2020年初国务院公布的数据显示，我国社会消费品零售总额41.2万亿，同比增长8%，消费对经济增长贡献率57.8%，拉动GDP增长3.5个百分点，消费已连续六年成为经济增长的第一驱动力。

在消费日渐成为拉动经济增长核心驱动力趋势下，商业银行零售金融业务也逐渐成为数字化转型重点。

 10家上市银行将超过50%的贷款投向零售领域

信用算力研究院通过梳理26家上市银行2020年半年报发现，零售金融业务尤其是零售信贷业务，正逐渐成为拉动商业银行收入增长的主力引擎。

从数据看，26家上市银行零售贷款较上年增长14.5%，较对公贷款业务高出5个百分点，且中小银行尤其是城商行的零售贷款增速相对更高。从贷款结构看，有10家银行将超过50%的贷款投向零售领域，银行零售信贷业务下沉明显。

26家上市银行零售信贷业务发展情况（信用算力研究院制图，数据来源2020年半年报）

时间进入下半年，7月17日，互联网贷款“基本法”——《商业银行互联网贷款管理暂行办法》（以下简称“《办法》”）正式落地，此前广泛讨论的互联网贷款内涵、跨区域经营、核心风险管理、数据合规性与管理、合作机构管理、消费者保护、互联网贷款事中事后监管等，均有了明确释义和说明。业界普遍认为，从《办法》可以看出，监管层对商业银行发展互联网贷款业务持鼓励态度，行业迎来利好。

在释放向好信号的同时，明确资金用途，严控资金流向，控制整体不良率的防范要求，也对银行风险管控与数据管理能力提出更高要求，互联网贷款业务调整重心更加明确。

商业银行互联网贷款业务流程涉及多个环节，从产品定价设计、营销获客、身份核验与审批、反欺诈，到贷中审批、人工复核、数据档案存储、贷后管理、催收清算等等。

信用算力研究院通过研读《办法》，结合业务流程中的重点环节，对银行业务端涉及的资产运营管理、统一数据源管理、风控决策引擎与自动化建模、进件审批等系统/平台，保持关注与定制化服务输出。

 自主掌握核心风控能力，强化全流程风险管控

《办法》在第四条、第十九条、第三十八条等均涉及风险建模、决策引擎、反欺诈系统相关内容，坐实监管敦促银行摆脱外部依赖，掌握核心风控这一要求。从业务层面看，全流程的风险管控离不开在大数据风控系统（决策引擎、建模平台、审批管理系统）这一基础风险管控设施环节的投入。

目前大多数第三方服务商提供的决策引擎系统已实现针对可重用的规则、决策表、决策树和规则流等风控组件的编辑、部署、运行、监控功能，确保银行可根据不同信贷产品场景自主灵活配置，对准入预授信、申请反欺诈、实时授信决策、工作流分配、催收预警等模型策略进行管理优化。高阶的智能决策引擎系统，需要支持对风险规则的可视化、透明化。

信用算力智能决策引擎系统示意图

目前市场化的风控建模服务已经可以提供模型开发、测试、配置、检验、部署、监控与全方位模型管理功能，辅助银行搭建定制化身份认证模型、反欺诈模型、反洗钱模型、风险定价模型、授信审批模型、风险预警模型、贷款清收模型等，缩短建模时间，降低建模技术门槛，减少银行风控建模人力投入。

以信用算力过往服务为例，在接入信用算力决策引擎系统和风控模型后，某银行线上小额信贷产品风险违约模型KS达0.45，模型评分区分度表现良好，分值区间对应预测违约率与实际违约率误差有明显降低。

此外，《办法》第二十二条提到，“商业银行应当明确人工复核验证的触发条件，合理设置人工复核验证的操作规程。”此处对商业银行互联网贷款业务中的信审策略提出明确要求。

搭建以“风控数据+风险模型+策略与规则”为核心的信贷审批管理系统，通过系统分流执行不同的风控决策与规则，辅助自动化识别欺诈行为，自动完成申请审批和授信定额，大幅度节省进件批复时间，降低人工成本投入。

但自动化的决策系统并非完全取代或舍弃人工复核这一重要环节，尤其在风险数据出现缺失项、矛盾项的情况下，决策系统需要将进件申请分配至信审系统，进行人工干涉、人工核验。

有效识别和监测跨区互联网贷款业务

《办法》第九条提到，“地方法人银行开展互联网贷款业务，应主要服务于当地客户，审慎开展跨注册地辖区业务，有效识别和监测跨注册地辖区业务开展情况。”从大方向上来看，监管并未对地方性银行跨区域经营采取“一刀切”的态度，也暂未对业务经营设置统一的量化管理标准，这无疑是为长期受地域限制的区域性银行“松绑”。

从业务管理层面来看，《办法》中提及的“识别和监测跨区互联网贷款业务”，考验的是商业银行客户/资产运营与管理，强化识别用户地域分布的能力，结合当地经济发展与个人收入水平，评估区域业务规模，以及整体产品定价、进件准入规则。

通过自研或接入内置用户画像分析功能的资产运营监控平台，建立包含性别、年龄、地域、学历、资讯、泛娱乐、电商、金融、生活等在内的全方位用户画像，并持续进行标签补全，强化用户分层与价值挖掘，是区域性银行开展和监测跨区域业务行之有效的办法。

信用算力资产运营监控平台示意图

 准确理解风险数据和风险模型，强化数据源管理

《办法》第十五条提到，“商业银行应当确保具有足够的资源，独立、有效开展互联网贷款风险管理，确保董事会和高级管理层能及时知悉风险状况，准确理解风险数据和风险模型的作用与局限。”

互联网贷款业务中的风险数据，涵盖了用户基本属性数据、设备数据、社交网络数据、电商消费数据、网络借贷数据、运营商数据等，除银行自有数据外，通过接入外部合规数据源扩充数据量级，为风控决策提供客观依据。

从现实情况来看，目前银行在接入外部数据源时面临几个棘手的问题：数据源甄选难，市场数据源繁多，选型周期长；大量外部数据需要技术对接，耗时长，维护成本高；数据监控管理复杂，数据接入后，接口数据质量与接口稳定性评估难；外部各数据源计费方式不一，对账方式复杂，数据源成本增加。

针对银行不同业务场景需求，设计出对目标业务效果最佳且最具性价比的数据源组合方案，解决银行外部数据甄选难、数据开发对接难、数据质量监控难、数据源成本控制难问题，是目前金融科技服务商的业务服务价值之一。

信用算力自研的统一数据源管理平台由六大核心模块组成，功能涵盖数据源管理、数据质量监控、账务管理、OpenAPI、BI报表、数据回溯管理等。具体来说：

1.覆盖主流数据源，提供各类标准化、定制化数据产品服务API，支持机构自主并全可视化筛选、使用、切换对接。

2.快速对接数据源，对各类第三方数据源差异化API进行预处理整合，以标准通信协议、加解密方案、鉴权方式、数据格式等统一Open API提供给银行业务端。

3.数据质量全监控，通过内嵌数据监控模块，对数据质量如接口稳定性、响应性能等运行指标进行实时监控和报警，支持银行全可视化配置报警策略和接受人员，并对数据源异常情况下的同类数据源灾备切换。

4.实时数据成本管控，通过内嵌账务管理模块，确保各个数据源接口自动化，支持查询周期性调用量、查得率，和导出可视化对账表，方便成本管控人员全面掌握数据源使用情况。

5.实时查询全维度数据调用量，通过内嵌BI报表模块银行可以对不同分支机构业务产品、数据源、数据产品、分日、周期等全维度数据调用量、调用成本、查得率、成功率等统计指标可视化表格展示，为业务人员分析和决策提供高效支持。

6.数据全量可回溯，通过对所有数据源调用查询记录进行版本化、日志化、 结构化存储，提供全可视化历史调用记录查询回溯，支持业务人员分析评估数据源质量。

信用算力统一数据源管理平台示意图

商业银行互联网贷款业务迎来利好，业务优化也涉及链条上的方方面面，本文仅从跨区域用户管理、数据源管理、决策引擎与自动化建模、信审管理等业务系统/模块提出建议。

信用算力作为金融科技智能解决方案提供商，为商业银行提供营销、风控、运营、咨询研究在内的互联网贷款业务解决方案，并希望通过整合数据、产品与技术，输出一体化科技服务，深化科技与金融的深度融合，帮助银行扩大资产规模，盘活存量客户，释放业务产能和潜力。