大數據時代下,預測分析如何助銀行業開發信貸客群

許多新創企業沒有傳統信用紀錄,較難以獲得銀行貸款額度,銀行業者可以透過預測分析重新建模,加入新數據,以找出優質、低風險的新客戶。圖/本報資料照片
許多新創企業沒有傳統信用紀錄,較難以獲得銀行貸款額度,銀行業者可以透過預測分析重新建模,加入新數據,以找出優質、低風險的新客戶。圖/本報資料照片

文/郭曉薇 CRIF中華徵信所總經理

台灣金融產業普遍面臨純網銀、金融科技業者相繼加入戰局、不斷變化的客戶需求、在競爭激烈的市場環境中進一步擴大客群等挑戰,如何深入了解所有潛在風險、客戶關係與其他關鍵因素以及時應對與管理,正是銀行業者應進一步導入預測分析(Predictive Analytics)的重要性所在。預測分析是透過一系列高階分析,使用全新或歷史數據以預測客戶未來可能的行為趨勢,而這須透過數據挖掘、建模、採用統計分析技術及自動機器學習演算法進行,協助業者及時發現潛在問題或風險,並於適當時機解決以獲得最佳成果。

隨著金融科技進步,銀行和金融貸款機構可利用客戶信用紀錄、財務資料等數據,運用統計和機器學習技術建模以計算出客戶之信用評分,預測客戶未來違約、拖欠債務或破產的可能性,以降低貸方的借貸風險,並以快速、有效的方式進行放貸決策,例如是否接受客戶借貸或增減貸款額度、利率或期限。

然而,許多新創企業或中小企業由於沒有傳統信用紀錄,通常較難以獲得銀行貸款額度,而預測分析可透過重新建模、加入新數據以協助銀行業者找出優質、低放貸風險的新客戶,並重新校準、評估並開發新的信用評分模型,重新進行「被拒絕客戶分析」以減少模型所導致之誤判可能。

傳統金融業者面臨網路銀行與新創業者加入借貸市場戰局,也紛紛開始以更數位化、高效率的服務流程吸引客戶申請信貸服務。面臨如此競爭之市場環境,銀行可透過預測分析與現有客戶資料,建立客製化信用評分模型並精準找出高風險客戶。

以消金業務角度來說,客製化信用評分模型與過去銀行所使用的非統計型傳統申請模型相比,可提升銀行信貸申請批准率達20%以上,進一步降低銀行風控風險、催收成本,基於風險之定價模式也可再提昇獲利能力,核貸率提高也可直接增加客戶量與收入業績。

此外,預測分析還可運用於「詐欺檢測」(開發反欺詐解決方案,並透過詐欺模式檢測以預防犯罪行為)、「催收款項」(有效區分高風險與無風險客戶,進一步優化催收流程與效率)、「交叉銷售」(分析客戶行為模式以擬定交叉銷售與行銷策略)等不同層面,持續協助銀行業提升策略制定的能力。為了獲得更大的競爭優勢,台灣銀行業者應體認到預測分析的重要性,並將其納入決策流程以制定相應策略。許多新創企業沒有傳統信用紀錄,較難以獲得銀行貸款額度,而預測分析可透過重新建模,加入新數據以協助銀行找出優質、低風險的新客戶。

>>訂閱名家評論周報,關心全球財經大小事