信用报告信息综合应用经验交流

招商银行是个人信用信息基础数据库最早的用户之一，从2002年12月份开始发展信用卡，到2005年通过单笔获取个人信用报告时，已经将它运用于当时的发卡审核环节中。当时因为是人工单笔查询，还没有达到广泛与深入的应用，但从2006年到2012年间，本行不断挖掘信用报告的价值，并将其推广到评分模型、贷后管理和反欺诈等业务领域。

2015年，招行的信用报告查询量为4700多万笔，其中贷前占35%，贷后占65%。该查询结构跟本行业务发展阶段密切相关，我行对于存量客户的资信管理，也是查询征信报告的重要的原因。从查询结果来看，86%申请本行信用卡的客户能够查到征信信息，其中60%的客户有信贷信息，其比例高于征信系统中有信贷信息的客户群与系统中全部客户群之比。这也是本行对于目标市场定义和选择的一个结果，也是借助征信报告完成风险收益平衡和完成选择客群的过程。对于已有信贷信息的客户中，单有贷记卡信息的占33%，单有贷款信息占7%，同时有贷记卡、贷款信息的占22%。因此从过程上来看，信用报告的应用对本行定位客群有显著作用。

多年来，随着招行信用卡不断发展并调整自身策略，监管部门也陆续下发多头授信、刚性扣减等规范性意见。这些都秉承审慎性原则，也是对央行层级的全国统一的信用信息基础数据库运用比较重要的应用范畴，即对客户整个收入负债属性的完整统计。人行征信中心的定位是希望有一份基于客户视角、完整的记录其负债信息的报告，这对金融机构合理评估客户具有重大价值。

区别于互联网数据公司，人行征信中心提供的个人信用报告是离客户信贷属性最近的一个判断变量。所以对于互联网信息的运用，不能舍本逐末、舍近求远。当然对于多元化尝试本行也不排斥，但验证下来，最直接的金融属性判断，还是有赖于信用报告上的信息。

风控环节的应用

信用报告贯穿本行贷前、贷中、贷后三个阶段。贷前包括利用信用报告对客户信用进行评估，以及把信用报告中的一些信息，融入本行模型预判客户未来违约概率。在调整额度过程中，本行会运用自有的行为评分，并在模型外围配合了信用报告上信息的运用，比如整个决策流上面，将客户在征信系统中的一些预警信息和一些表现行为放在前置模型里面。在贷后环节，随着信用报告不断更新，逾期客户会不断申请其他银行的信贷，这提供一些有效联系方式，征信信息对于获取失联客户有效联系方式的重要性不言而喻。

贷前应用

在贷前应用环节中，对于信用报告应用策略十分丰富。概括出来有以下几类：第一，对客户信用不良最基本的判断。各银行因为自身风险偏好的设计，会有不同的定义，但综合客户历史行为表现，切到合适的平衡点，既不能排除掉过多的“好客户”，也尽量保证把超出风险容忍度之外的客户排除出去。第二，由于监管政策要求譬如多头授信，这种情况商业银行应本着审慎原则做综合判断。2014年上海银监下发了关于信用卡授信刚性扣减的文件，虽然该政策对于商业银行对客户经营策略稍嫌武断，但却说明当时在这种比较特殊的信贷周期的情况下，从监管层面对于商业银行有着审慎监管原则警示的要求。

从数量上面来看，招行每月处理上百万件信用卡新申请客户，由于信用不良而退件的客户月均1.8万件左右，收回授信约2个亿；多头授信退件月均2.1万件，收回授信约2.5个亿；刚性扣减月均退件1万件左右，收回授信约1.2个亿。把整体情况切到各个渠道上做验证，包括分行和直销以及互联网新型渠道，信用报告可查得的比率是基本稳定的。互联网渠道获取的客户，能保持比较高的征信报告查得率，这对金融机构向互联网获客转型有很高的价值。

贷中调整

我们会设定一些前置逻辑或者后置的蜕变逻辑，通过信用报告中的信息判断客户是否需要调升额度。利用信用报告，本行对3000多万客户进行了深度的贷后管理。在2016年初，特别需要关注的客户，经积累大致有40万户，多头授信客户有110万户。通过信用报告的信息在调额的环节拒绝掉大概2万个客户，在多头授信环节拒绝大概10万个客户，挽回的授信分别是1.4个亿和6.5个亿。

对于个人信用报告数字解读，招行在早期的应用尝试探讨阶段和验证阶段都做了积极参与，未来中心提供的数字解读会成为对零售信贷客户进行信用判断的一个公允的标尺。当然各行也会有个性化的评分，他们之间怎么运用和结合，会是我们未来研究的课题。目前数字解读在产品创新方面已有一些应用，譬如一个新型的信贷产品，我们发现数字解读对锁定其中的高风险客户非常有效，所以即使这名客户在我行的内部评分中是比较优质的，但如果数字解读评分较低也会拒绝，这对产品违约率的改善，是相当有帮助的。

在风险预警方面的应用，各家商业银行考虑到对于客户维护、解释和服务等原因，对本行没有逾期在他行有风险信息的处理是一个比较困难的课题，如果直接停卡往往会引起纠纷。因此采取的策略要深度分析，哪些需要立即采取处理，哪些需要做持续观察，哪些客户不必采取比较强硬的措施。我们有个客户招行信用卡表现相对正常，但持有16家银行信用卡，合计额度56万元，并出现了违约的风险信号，因此我行对客户做了提前强制停卡的处理。

贷后管理

对于客户失联修复，客户在申请本行的信用卡后，还会不断申请其他银行的信贷产品。信用报告可以帮助我们不断获取最新的联络信息，把联系不上的客户找到。在催收的案例中，某客户所有联系方式已经失效了，但是可以利用该客户信用报告当中的职业信息，获取他当前的单位。再通过114查到单位电话，通过单位给客户一定压力，整个过程保证了在催收流程中，合法合规向客户传达信息。

反欺诈运用

信用报告中的基本信息对反欺诈有较大作用，譬如客户的单位信息，手机号码等信息和客户自填的信息可交叉验证。以手机号为例，一旦系统提示手机号码比对不一致，就会有相应的策略做查核。在实际中，我们会优先利用客户在信用报告中最新的手机联系方式，通过这样的查核发现了较多冒名案例，拒绝了客户的欺诈申请。通过这些欺诈申请，以点带面的挖掘到团伙性的欺诈申请。因此通过某些单点的信息，结合本行的应用策略，以及其他的蛛丝马迹，就可以帮助机构在贷前反欺诈环节发现大量欺诈的线索。

再如向他行申请信贷次数，这个在美国市场上已经验证过，客户信贷申请的活跃度会是未来信用风险非常有效的判断指标。举例来讲，有多名检附豪车证明的我行新申请客户，在他行短期内申请次数非常多。但买车注册发证的时间，与申请信用卡的时间很靠近。结合其它线索，我们发现是代办公司通过购买豪车申请高额信用卡的案例，有效防止了高额信用卡授信这部分风险。目前高额信用卡授信是我们需要关注的一个问题，特别在做高端客户授信的时候，不要被表面的财力物力所迷惑，充分利用信用报告中提供给我们的线索，挖掘背后申请高额信用卡的真实用处和渠道。

信用报告与建模

信用报告应用的另一个方式是把信用报告中的数据信息和变量纳入到本行模型当中来，包括个人基本信息、信贷信息、查询记录等。在比较不同的数据源风险识别能力后，我们发现个人信用报告的信息是处在一个信息量（IV值）非常高的区间里。就运转效果而言，有个人信用报告信息模型效果比没有个人信用报告信息模型的效果好30%以上。

目前本行许多模型的变量都大量应用了个人征信报告的数据字段，信用卡申请评分模型中贡献达到40%，客户盈利预测模式中贡献达到38%，消费信贷评分模型中贡献达到68%，价值是不言而喻的。本行还在推进建立基于客户整个生命周期的模型体系，包括贷前审批，风险预警、价值客户的经营、以及催收和资产处置，在整个模型体系中都在尝试利用个人征信报告的数据字段，提高它的使用价值。

系统对接建设

从单笔、批量查询到开发接口，招行建立起全行统一的资信平台对接征信系统，不断提升了信用报告的运用效率。从整个架构讲，征信信息和其他资信信息都会放入到资信平台，并在平台中建立中间数据层。在业务系统调取数据前，会做好常用标签的数据准备，整合变量后调用会更高效，速度会更快。此外，资信平台对接了各种策略引擎，包括客户筛选、授信审核、资产管理、贷后管理等。目前招行使用的是应用程序（Webservice以及MQ）的查询接口，与本行业务系统对接有同步接口和异步接口。通过不同业务不同接口的有效分配，实现本行运用效率能够适应各种查询场景的要求，也让信用报告信息发挥更高的价值。

经过多年的努力，招商银行已经建立了比较完善的系统架构，逐渐通过自动化的方式引入信用报告信息，并且已经应用到贷前、贷中、贷后，以及反欺诈，信贷审批等多环节。对于招行的零售信贷,特别是信用卡业务领域取得的成绩，征信系统的作用是不可取代的。