来源：http://www.mckinsey.com/business-functions/risk/our-insights/risk-analytics-enters-its-prime
作者：Rajdeep Dash,Andreas Kremer, Luis Nario, and Derek Waldron
简介：
本文详细介绍当今金融机构在风险和分析方面遭遇的局限性和发展瓶颈，并提出了一些新的思考方向和实践思路。并提出了当下正在进行实践的企业的一些共同属性和特征。
随着计算能力的提升和新的分析技术的出现，银行从不断增长的数据中，挖掘出更深入、更有价值的洞察见解。由于许多关键的过程现在都是自动化的，因此银行可以快速的完成。对于几十年来一直使用数据分析的风险部门，这些趋势呈现一些新价值，能够识别、衡量和减少风险。关键的是，他们可以利用在数据和分析方面的专业知识，帮助管理者制定银行的战略议程。
那些分析能力领先的银行开始利用内外部数据产生价值。在银行内部，他们整合更多不同来源的数据，比如交易和行为数据，并识别出这些数据的高价值。同时，银行也在寻找外部数据来评估风险，这些数据往往是超出传统的结构化信息范畴，比如信用局报告和市场信息。他们查询非传统数据源（如政府统计数据、公用事业客户数据、超市会员卡和地理空间数据），甚至还有新的非结构化数据（如聊天和语音记录、客户评级网站和社交媒体）。此外，他们通过独特方式将内外数据结合起来，并取得很好的效果，例如通过在银行的交易数据中重叠外部的地图数据，创建出一个产品使用的地图。令人惊讶的是，一些新兴市场的银行正在开创这样的工作。这种模式是可行的，因为这些银行通过抓取更多维度的数据来不断建设风险数据库。
近期计算能力的急剧提升使银行能够在大规模生产中部署先进的分析技术。机器学习技术，如深度学习，随机森林，和XGBoost，是现在风险分析部门经常使用的。这些新工具从根本上改善了银行的决策模式。像自然语言处理和地理空间分析等技术进一步扩充数据库，并以此获得更多洞察。
这些进步使银行能够将很多工作步骤自动化，改善在当下的手动工作，如数据采集和清理。随着自动化实践，大多数事务自动化处理已将成为可能，报告的创建接近实时化。这意味着风险团队能够更准确、更快速地衡量和降低风险。
风险分析的好处和挑战
充分利用这些变化的银行正在经历风险分析的“黄金时代”，这些银行在信用风险模型的准确性和全新商业模式的影响力方面获取利益。他们看到信贷风险模型有了根本性的改善，并提高了盈利能力。例如，在默认的预测模型中，基尼系数达到0.75或更大是可能的，图1罗列出分析对这些模型所带来的价值。
图1
一些银行正在将风险模型扩展到新领域。其中一些公司已经能够将零售和中小企业的贷款流程自动化。这些银行针对信贷流程增加了新的分析工具，包括针对承受能力或预先审批限制的计算器。通过这种直通式处理，银行可以在几秒钟内批准高达90%的消费贷款，产生50%的效率，收入增长5至10%。一些银行认识到快速审批和准确决策的价值，他们尝试在其他领域使用风险模型。例如，一家欧洲银行将其风险模型与营销模型叠加，以获得每个客户的风险收益观点。因此，银行也找到寻找新收入来源方法。
一些领先的金融机构正在利用风险分析从根本上重新考虑他们的商业模式，扩大他们的投资组合，并为他们的客户创造新的服务方式。桑坦德银行英国和加拿大丰业银行已经联手与Kabbage，其中，利用自己的关系与凯尔特人银行，使这些银行提供在英国，小企业贷款自动承保的加拿大和墨西哥，使用更清洁和更广泛的数据集。另一家主要银行利用其抵押风险模型为房地产经纪人和其他提供住房购买服务的人提供了一个平台。
发挥潜能
对许多银行来说，风险分析的优势存在，但还是个期许。他们看到过时的技术，难以清理的数据，技术差距，组织问题，以及严格的监管要求。这些障碍似乎不可逾越。然而，银行可以采取一些经过深思熟虑的行动来推动（见图2）。
图2
也许最突出的问题是风险分析尚未列入战略议程。银行领导往往不明白什么是真正的风险分析，有时因为分析经理针对业务情况提出高度复杂的解决方案并附加作为事后的想法。显然，落伍的银行丢掉这些好处，也把其他项目和活动置于危险之中。如果针对细分客户提供的是不准确的风险评估而导致较差的选择，那么就需要推行建立增加收入和优化定价的倡议。在贷款方面，当风险模型表现不佳，银行往往是添加业务规则和政策，以及其他人工干预。但这不可避免地降低了客户体验，并促成金融科技市场开放，他们通过更好的体验和更精确的定位来占据一席之地。从逻辑上讲，可以想象，银行可能会沦为只提供融资的“哑管”。
然而，一些敏捷的风险集团正在寻找解决这些问题的方法。我们的分析表明，这些团队有六个共同的行为：
从高层来说，将风险分析提升到战略议程。例如，汇丰银行银行在2015推出的10项战略行动中，有4项严重依赖于风险分析。
对每一个重大决策都要进行大的思考和应用分析。众所周知的Capital One，将分析应用于它所做的每一个决策，甚至在雇用数据科学家时也是如此。
从你拥有的数据开始实践。如果数据是混乱的或不完整的，不要等待更好的版本或“数据湖涅磐”。就使用你有数据，或找到一种方法来补充它。当毕尔西班牙对外银行想贷款给客户时，但缺乏信息，它就与一个公用数据公司destacame合作，提供更多的数据来支持承保客户。
通过快速招聘或收购和伙伴关系，快速积累能力。然后，通过财务与非财务激励留住你的人才，比如引人注目的项目。像西班牙对外银行、汇丰银行、桑坦德银行和俄罗斯联邦储蓄银行已经投入1亿美元以上的资金收购和与合作金融科技，以增加他们的市场份额，先进的技术和人。
久经失败才可成功，以一系列的“最小可行产品”（MVP）快速迭代，同时也打破了传统的组织架构。在短短的16个周内经历6次MVP历练，一个银行建立的完全数字化的贷款产品打造而出，并可以更广泛的推广。
使用模型验证来推动持续改进。验证团队可以成为风险模型的许多改进的来源，同时保持它们的独立性。关键是团队要把自己打造成模型效果的守护者，而不是仅仅检查模型的传统活动。
如果银行能够掌握这些要素，那么深远的影响在等待着我们。风险分析并不是全部答案。但正如各大银行所发现的那样，它本身也是值得的，它也是许多成功转型的核心，比如数字风险和信贷承销等关键流程的数字化。
读后感
可以预见的是无论是风险分析还是整体数据分析，在对于金融机构今天的发展来讲，作用将愈加明显，但是同时提出了更高的要求是，如何利用数据为企业带来实际的价值，这是核心，但这需要在组织协同，基本的流程更方面要创造性解决问题，未来的企业是以客户嘉伟为核心的导向。