今年5月，《政府工作報告》強調大型商業銀行普惠型小微企業貸款增速要高於40%，並鼓勵銀行大幅增加小微企業信用貸、 首貸、無還本續貸。

雖然國家提出40%的增速要求，但國有大行普遍表示壓力較大。當下提高小微企業的信貸比例，需要將貸款目標客羣進一步下沉細分，沒有抵押物，就需要更多維度的數據來審覈風險，傳統僅靠線下人工的逐筆審覈，則將導致效率低下和成本無法承受的難題。

如何在風險可控的前提下，高效、紮實地做好小微企業金融服務，我們需要轉變哪些新的業務思路？

▲圖片來自網絡

完善授信管理機制，通過優化考覈標準等措施確保實現目標；使用雲計算技術和數據實時系統，實現對企業經營狀況的動態監測，及時進行風險識別；小型區域性銀行、民營銀行和完全依賴線上的互聯網銀行來說，更需要外部徵信的支持。

由於外部徵信制度尚不完善，小微金融風險定價中存在數據斷裂。互聯網銀行對小微企業可獲得的授信額度較低，無法滿足其融資需求。

但隨着近年來，數字化、開放銀行的理念深入行業，部分小型銀行已通過數據管理、數據分析與風控的聯動，可彌補小微企業在數據整合能力方面的不足。

那麼，小微企業如何加速數字化轉型，提升平臺風控能力領跑行業？以金融智能風控服務商MobTech爲例，可通過小微企業貸前—貸中—貸後的全生命週期智能風控解決方案，助力銀行機構有效識別風險用戶，風險設備，補充風控模型多維度數據，降低損失。

貸前信用評估：全景標籤模型+用戶終端行爲

▲全景標籤模型

貸前，針對銀行缺少小微企業第三方數據的現狀，MobTech可打破銀行數據孤島的困境，實現信息整合。通過線上+線下不同渠道的數據源打通，進行深度整合、清洗、分析，並挖掘金融機構自有數據的價值，完善其用戶畫像體系，助力後期風控場景的用戶分層管理。

藉助MobTech的全景大數據產品服務矩陣，使用聯合建模的形式，以用戶在App終端的行爲變化爲依據，對小微企業申請的逾期概率進行預測。通過與銀行自有數據結合，有效進行信用的評估。

貸中風險預警：用戶特徵篩選+場景定製模型

▲數字化轉型展示

貸中，小微企業借貸意願如發生改變，可提前對有逾期風險的用戶進行分析預測。根據前期篩選出貸前信用評分不高的用戶特徵，使用MobTech貸中特徵預警模型進行評測，並通過聯合建模的方式，用同態加密的方式獲取MobTech數據源，進行橫向、縱向的聯邦學習，實現多樣定製化風控場景模型的搭建。

目前，MobTech聯邦學習實踐研究，用源數據和特徵梯度建模，在風控領域進行建模，差異小於1%，在業內處於領先位置。

貸後監控管理：三方徵信數據+企業信用評分

當小微企業進行消費分期或提現後，銀行可從平臺內部和外部對小微企業分別進行實時監控：

▲圖片來自網絡

對內，基於平臺內部數據進行實時提醒，用戶是否按時還款，是否發生逾期，交易行爲數據是否有異常等。若是正向變化，可給予適當地提額；若是風險發生，提醒注意還款。

對外，基於三方徵信數據進行實時監控，包含多重申請、多頭借貸、失信記錄、執行記錄、涉訴公告、風險分、高頻查詢等方面。

同時，基於小微企業額度使用情況、消費類別、還款情況等，建立行爲評分模型，用於額度調整、風險預警。

寫在末尾，銀行信貸產品設計、產品規劃是整個風險循環的開端。當數據創新與信貸產品規劃、產品創新有機結合，實現數據、產品、場景、獲客、風控的協調統一，才能更切實地提高小微企業的融資便利，助力他們通過信貸解決資金難題，改善經營，從中受益。