随着经济发展转型加速，金融改革持续深化，构建先进的风险管理体系成为银行的核心竞争力之一。与此同时，数据海量快速增长和大数据技术的日益成熟使得基于大数据分析的银行业全面风险管理成为可能。大数据时代，如何有效收集、存储、分析、使用大数据，实现商业银行风险管理的系统化、标准化、流程化，并最终做到批量化的目标？在日前举办的“2015中国金融风险经理年度总论坛”上，SAS北亚区风险管理高级总监、大中华区风险管理总经理刘志玲给出了建议。
刘志玲指出，风险管理的过程是一个金字塔，由四部分组成：数据、模型、应用、落地。在新的经济形势下，商业银行要实现全面风险管理，需要做到实现底层数据多元化、分析建模专业化、决策应用批量化和标准化、落地实现系统化、流程化。
“在数据层面，金融行业面对大量的内部数据和外部数据，如何为我所用？除了数据采集和存储之外，一定要有数据分类和数据汇总，只有在分类和汇总之后，才能更充分地运用数据的价值，数据所代表的规律才能更好体现，从而为有效的风控手段打好基石。目前如何让既丰富多彩又五花八门的数据给商业带领价值，成为有用的数据？这一定要从数据的特点入手，一是准确；二是全面；三是时效性；四是突破性。”刘志玲说，“传统银行业和保险业除了各类静态数据，交易系统中产生的大量数据，这更是宝藏，做数据挖掘、分析和商业应用时，必不可少，尤其在信用风险防范领域。 而企业内部应该全力做到企业内部数据的共享，并要有效整合和应用。但是在互联网+的时代，传统渠道数据也许慢慢已经不能满足商业需求和全面风控管理，互联网和移动互联网带来更多的非结构化数据，也需要传统金融企业纳入数据收集的范畴，尤其在市场拓展和欺诈防范领域会发挥其作用。”
数据之后是模型开发，评分模型和风险因子的建设是量化风险管理的基础工具。模型的实质就是通过数据分析 压缩数据信息提炼数据规律，了解过去和预测未来。商业银行在风险管理模型中要根据自己数据的可获取性和充足性选择适当的统计方法，尤其要结合业务实际。要用统计手段，满足业务需求，不论是模型的细分还是模型所用到的有效变量。银行风险管理内容主要包括三大类：信用风险、操作风险和市场风险，目前尤其是信用风险和操作风险的量化管理体系的建立和完善，是各家银行和保险行业需面对的，及需采取行动的。对于反欺诈模型设计和开发来说，更是对技术和业务专业都需要较高的要求。
有了模型还要有业务应用，而业务应用才是模型和风险因子发挥效用的体现方式。要达到标准化和批量化，同样需针对不同的业务产品、不同的业务需求、不同的人群或账户特征、不同的风险容忍度等，设计和开发有业务意义的策略规则，在市场开拓、申请进件、申请欺诈防范、贷后管理、交易欺诈防范和催收管理不同的信用生命周期阶段，逐步建立完善强劲的决策管理策略。
当然，无论风险因子和模型多强大，无论策略规则多契合业务实际，要想使之发挥充分有效的作用，一定要建立决策管理平台，部署落地风险因子、模型和策略，要真正用起来，实现系统化和流程化。而在应用的过程中，又是不断完善数据积累，优化模型和策略的过程。所以决策平台的扩展性和管理能力至关重要。
刘志玲最后介绍了SAS公司在风控领域的技术优势：“市场的变化、经济形势的变化、客户群的变化对风控模型的灵活性提出要求。除了SAS 强大的风控专家团队的多年国内外的专家经验外，SAS风控全生命周期模型和策略开发平台和管理平台在量化分析、模型及策略的开发和验证、以及监控和调优方面帮助商业银行更有效、方便、快捷地对模型及策略进行管理和优化，应对市场和经济的变化，以及战略转型的需要。在反欺诈解决方案方面SAS更是具备了业界顶尖的算法和全套解决方案产品。无论在数据质量管理、非结构化数据的结构化，分析和建模，业务专业性，以及平台建设方面，SAS都为我国银行业全面风险管理提供了强大的技术支撑，并担任着前沿领袖的角色。”
