本篇案例為數(shù)據(jù)猿推出的大型“金融大數(shù)據(jù)主題策劃”活動(dòng)（查看詳情）第一部分的系列案例/征文；感謝 恒豐銀行 的投遞

作為整體活動(dòng)的第二部分，2017年6月29日，由數(shù)據(jù)猿主辦，互聯(lián)網(wǎng)普惠金融研究院聯(lián)合主辦，中國(guó)信息通信研究院、大數(shù)據(jù)發(fā)展促進(jìn)委員會(huì)、上海大數(shù)據(jù)聯(lián)盟、首席數(shù)據(jù)官聯(lián)盟、中國(guó)大數(shù)據(jù)技術(shù)與應(yīng)用聯(lián)盟協(xié)辦的《「數(shù)據(jù)猿·超聲波」之金融科技·商業(yè)價(jià)值探索高峰論壇》還將在上海隆重舉辦【論壇詳情丨上屆回顧】

在論壇現(xiàn)場(chǎng)，也將頒發(fā)“技術(shù)創(chuàng)新獎(jiǎng)”、“應(yīng)用創(chuàng)新獎(jiǎng)”、“最佳實(shí)踐獎(jiǎng)”、“優(yōu)秀案例獎(jiǎng)”四大類案例獎(jiǎng)

來(lái)源：數(shù)據(jù)猿丨投遞：恒豐銀行

近年來(lái)，擔(dān)保圈風(fēng)險(xiǎn)在一些行業(yè)和地區(qū)凸顯。據(jù)《第一財(cái)經(jīng)日?qǐng)?bào)》獲得的監(jiān)管部門監(jiān)測(cè)數(shù)據(jù)顯示，佛山的銀行不良貸款余額從2013年末的60.54億元飆升至2014年7月末的192.14億元，7個(gè)月增幅達(dá)217%；不良貸款率也從去年末的0.85%升至2.6%，究其原因，經(jīng)濟(jì)上升周期鋼貿(mào)行業(yè)的“聯(lián)?；ケ?rdquo;貸款機(jī)制，成為了風(fēng)險(xiǎn)蔓延時(shí)的“連坐”機(jī)制。

“互?；ヂ?lián)”將非系統(tǒng)性風(fēng)險(xiǎn)變得系統(tǒng)起來(lái)，加速風(fēng)險(xiǎn)擴(kuò)散，增加貸款主體和銀行的風(fēng)險(xiǎn)。因此梳理、分析、防范和化解擔(dān)保圈風(fēng)險(xiǎn)，已成為穩(wěn)定經(jīng)濟(jì)增長(zhǎng)，維護(hù)金融穩(wěn)定的重要方面。

擔(dān)保鏈中主要隱藏以下幾類風(fēng)險(xiǎn)：

(一)擔(dān)保鏈中存在企業(yè)超出自身?yè)?dān)保能力對(duì)外擔(dān)保的現(xiàn)象。

(二)擔(dān)保鏈中個(gè)別企業(yè)出現(xiàn)信貸風(fēng)險(xiǎn)，風(fēng)險(xiǎn)會(huì)通過(guò)擔(dān)保鏈條迅速傳導(dǎo)和放大。

(三)擔(dān)保鏈信貸風(fēng)險(xiǎn)的集中爆發(fā)，易引發(fā)區(qū)域性和行業(yè)性風(fēng)險(xiǎn)，對(duì)區(qū)域性經(jīng)濟(jì)發(fā)展產(chǎn)生沖擊。

恒豐銀行正處于高速增長(zhǎng)的新階段，信貸業(yè)務(wù)與日俱增，客戶貸后違約案例也隨之上升，傳統(tǒng)的人工盲掃式的風(fēng)控手段跟不上業(yè)務(wù)的發(fā)展。本案例創(chuàng)新應(yīng)用了大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)方法，綜合客戶行內(nèi)信息、外部數(shù)據(jù)以及客戶擔(dān)保網(wǎng)絡(luò)圖等信息，深度挖掘和揭示了恒豐銀行擔(dān)保圈風(fēng)險(xiǎn)，構(gòu)建了貸后違約風(fēng)險(xiǎn)預(yù)警模型。此模型成功對(duì)客戶貸后違約風(fēng)險(xiǎn)進(jìn)行自動(dòng)化預(yù)警，控制了信貸違約風(fēng)險(xiǎn)，減少了恒豐銀行風(fēng)險(xiǎn)運(yùn)營(yíng)成本。

周期節(jié)奏

本案例具體實(shí)施時(shí)間從16年4月份到17年4月份，主要分為以下幾個(gè)階段

一，業(yè)務(wù)調(diào)研和需求梳理（2016.04—-2016.05）

二，數(shù)據(jù)獲取及預(yù)處理 （2016.05—-2016.07）

三，特征工程 （2016.05—-2016.09）

四，建模分析評(píng)估及優(yōu)化（2016.06-—2016.10）

五，模型部署上線 （2016.10—-2016.11）

六，后期改進(jìn)及前端開(kāi)發(fā)對(duì)接 （2016.11-—2017.04）

客戶名稱/所屬分類

恒豐銀行/貸后風(fēng)控

任務(wù)/目標(biāo)

●如何利用大數(shù)據(jù)技術(shù)進(jìn)行建模并及時(shí)識(shí)別、量化企業(yè)違約風(fēng)險(xiǎn)；

●如何識(shí)別擔(dān)保圖中主要風(fēng)險(xiǎn)企業(yè)及其完整的擔(dān)保路徑；

●如何對(duì)擔(dān)保圈貸款進(jìn)行高效清查，并分析擔(dān)保風(fēng)險(xiǎn)的原因，及時(shí)采取防范措施；

本案例針對(duì)以上問(wèn)題，基于復(fù)雜網(wǎng)絡(luò)技術(shù)深入挖掘擔(dān)保違約風(fēng)險(xiǎn)影響因子，并運(yùn)用分布式機(jī)器學(xué)習(xí)算法進(jìn)行建模，預(yù)測(cè)企業(yè)貸后違約概率。

構(gòu)建動(dòng)態(tài)的擔(dān)保鏈網(wǎng)絡(luò)監(jiān)控平臺(tái)，基于客戶所在擔(dān)保鏈的圖特征以及客戶行為特征進(jìn)行建模，提供風(fēng)險(xiǎn)客戶名單，基于擔(dān)保鏈網(wǎng)絡(luò)模型找出高風(fēng)險(xiǎn)的擔(dān)保鏈和高風(fēng)險(xiǎn)企業(yè)客戶，加強(qiáng)風(fēng)控力度，重點(diǎn)監(jiān)控。

挑戰(zhàn)

傳統(tǒng)的風(fēng)險(xiǎn)管理模型主要基于線性數(shù)學(xué)模型，沒(méi)有考慮到擔(dān)保圈的復(fù)雜圖結(jié)構(gòu)和關(guān)聯(lián)關(guān)系對(duì)風(fēng)險(xiǎn)的影響，且主要基于行內(nèi)數(shù)據(jù)。本文模型融合行內(nèi)、行外、征信方面的數(shù)據(jù)提取企業(yè)基本屬性，歷史行為以及擔(dān)保圖和社區(qū)特征，精確預(yù)測(cè)貸后客戶下一季度的逾期概率。

實(shí)施過(guò)程中遇到的一些挑戰(zhàn)主要?dú)w納為以下幾個(gè)方面：

1）業(yè)務(wù)數(shù)據(jù)分析及模型解釋

在數(shù)據(jù)挖掘過(guò)程中，與一些前沿的算法模型相比，對(duì)業(yè)務(wù)的理解同樣重要。數(shù)據(jù)挖掘建模各個(gè)環(huán)節(jié)都有一定相似的思路和流程，但是每個(gè)領(lǐng)域和場(chǎng)景下的業(yè)務(wù)知識(shí)都不同，需要數(shù)據(jù)挖掘人員深入到客戶現(xiàn)場(chǎng)，多和業(yè)務(wù)人員溝通交流，多看數(shù)據(jù)，才能有所把握。

對(duì)業(yè)務(wù)數(shù)據(jù)的理解，我們認(rèn)為包括2個(gè)方面:

其一是對(duì)整體業(yè)務(wù)流程的理解，比如做貸后違約預(yù)測(cè)，需要先了解這個(gè)業(yè)務(wù)從開(kāi)始到結(jié)束都有哪些流程，每個(gè)流程中都涉及到哪些主體，以及主體之間的關(guān)系是怎么樣的。

其二 ，根據(jù)自己理解的業(yè)務(wù)流程框架，從銀行數(shù)據(jù)倉(cāng)庫(kù)中找對(duì)應(yīng)的數(shù)據(jù)，在找數(shù)據(jù)過(guò)程中，你可能會(huì)遇到一個(gè)字段出現(xiàn)在多張表中，那么你就需要和數(shù)倉(cāng)人員確認(rèn)這幾張表主要的用途和意義以及所表達(dá)的數(shù)據(jù)粒度，然后一張張表去看數(shù)據(jù)分布，最終確認(rèn)哪張表哪個(gè)字段是方案所需要的。

整個(gè)業(yè)務(wù)數(shù)據(jù)的理解、分析流程相當(dāng)繁瑣，這也是對(duì)數(shù)據(jù)挖掘人員的考驗(yàn)，需要耐心分析總結(jié)，最終才能達(dá)到事半功倍的效果。倘若業(yè)務(wù)理解分析不到位，就無(wú)法通過(guò)建模分析得出有指導(dǎo)意義的結(jié)果。

在項(xiàng)目中，模型最終得到一個(gè)不錯(cuò)的精度并不代表建模工作完成，接下來(lái)需要花費(fèi)大量時(shí)間去解釋你的模型，解釋每一個(gè)變量是如何影響你的模型的，預(yù)測(cè)出的結(jié)果如何一步步追溯到指標(biāo)。

比如模型預(yù)測(cè)出該企業(yè)下一季度違約的可能性比較大，那么就需要去定位違約的原因，是因?yàn)檫^(guò)去經(jīng)常違約，還是因?yàn)樗谠趽?dān)保網(wǎng)絡(luò)中受到與之關(guān)聯(lián)企業(yè)風(fēng)險(xiǎn)的傳導(dǎo)等等，這些都需要一步步去分析拿到證據(jù)。

2）多數(shù)據(jù)源融合及分布式建模

眾所周知數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限，所以特征工程在整個(gè)數(shù)據(jù)挖掘過(guò)程中占據(jù)大部分精力和時(shí)間。模型融合行內(nèi)外多維度數(shù)據(jù)，并基于這些數(shù)據(jù)提取企業(yè)靜態(tài)和行為特征，并基于大規(guī)模分布式圖計(jì)算引擎從擔(dān)保網(wǎng)絡(luò)中提取大量圖特征和社區(qū)特征，給模型精度帶來(lái)質(zhì)的提升。

實(shí)施過(guò)程/解決方案

本文模型案例基于TDH平臺(tái)Discover進(jìn)行開(kāi)發(fā)，恒豐銀行在此引擎上通過(guò)綜合使用多種機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了對(duì)客戶行為分析、客戶標(biāo)簽畫(huà)像、客戶流失預(yù)警、風(fēng)險(xiǎn)分析、智能推薦等模型開(kāi)發(fā)。本案例主要包括以下6大模塊。

對(duì)公擔(dān)保貸款主要業(yè)務(wù)

對(duì)公擔(dān)保貸款業(yè)務(wù)主要涉及客戶，擔(dān)保，貸款以及借據(jù)相關(guān)信息。企業(yè)在向銀行借款的時(shí)候，銀行為了降低風(fēng)險(xiǎn)不直接放款，而是要求借款人找到第三方為其做信用擔(dān)保，第三方擔(dān)保可以是擔(dān)保人也可以是擔(dān)保公司。

首先銀行需要和第三方簽訂擔(dān)保合同，擔(dān)保合同形成后，銀行和借款人簽訂貸款合同，然后發(fā)放貸款，并產(chǎn)生借據(jù)信息。

根據(jù)業(yè)務(wù)流程定位模型數(shù)據(jù)

模型數(shù)據(jù)主要包括三大類，分別為行內(nèi)數(shù)據(jù)、人行征信數(shù)據(jù)、外部數(shù)據(jù)。行內(nèi)數(shù)據(jù)直接描述企業(yè)在整個(gè)業(yè)務(wù)流程中的行為以及擔(dān)保關(guān)系的形成，根據(jù)以上的業(yè)務(wù)流程從CDM（對(duì)各個(gè)系統(tǒng)的數(shù)據(jù)按主題進(jìn)行匯總整理的公共數(shù)據(jù)模型層，模型需要的數(shù)據(jù)主要從該層?。┇@取客戶、擔(dān)保、貸款以及借據(jù)相關(guān)的所有數(shù)據(jù)。

人行征信數(shù)據(jù)記錄企業(yè)以及企業(yè)法人等相關(guān)的信用信息。外部數(shù)據(jù)作為補(bǔ)充。企業(yè)互聯(lián)網(wǎng)上面的負(fù)面信息，以及企業(yè)所在行業(yè)的經(jīng)濟(jì)趨勢(shì)對(duì)企業(yè)是否逾期都會(huì)產(chǎn)生一定的影響。數(shù)據(jù)取出來(lái)之后，根據(jù)主鍵進(jìn)行關(guān)聯(lián)匯總，并對(duì)數(shù)據(jù)進(jìn)行去噪、去缺省值/異常值等處理，加工成模型標(biāo)準(zhǔn)特征輸入表。

數(shù)據(jù)到特征

特征工程是使用專業(yè)背景知識(shí)和技巧處理數(shù)據(jù)，使得特征能在機(jī)器學(xué)習(xí)算法上發(fā)揮更好作用的過(guò)程。更好的特征意味著只需用簡(jiǎn)單模型（小數(shù)據(jù)量復(fù)雜模型容易過(guò)擬合）。

基于以上數(shù)據(jù)，如何做數(shù)據(jù)預(yù)處理，從哪些角度提取模型輸入特征，如何選擇特征，是整個(gè)建模過(guò)程中比較關(guān)鍵的一步。

1.數(shù)據(jù)預(yù)處理

首先，由于數(shù)據(jù)中存在大量的缺失值，需要對(duì)缺失值數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)于類別型的變量我們視缺失值為一種特征值進(jìn)行處理,而對(duì)于連續(xù)性變量我們一般用均值,中位數(shù)替代或者運(yùn)用K近鄰方法根據(jù)它周圍的點(diǎn)來(lái)預(yù)估。

其次，數(shù)據(jù)中違約客戶遠(yuǎn)遠(yuǎn)少于未違約的客戶，針對(duì)類別不平衡問(wèn)題，我們進(jìn)行了過(guò)采樣處理。從業(yè)務(wù)意義和模型穩(wěn)定性方面考慮，我們對(duì)部分連續(xù)變量進(jìn)行了離散化，離散化主要有兩種劃分方式：一種是等值劃分（按照值域均分），另一種是等量劃分（按照樣本數(shù)均分）。

我們對(duì)數(shù)值類型的特征采用了等量劃分的離散化方式：先將每一維特征按照數(shù)值大小排序，然后均勻地劃分為10 個(gè)區(qū)間，即離散化為1~10。 前面已經(jīng)對(duì)特征進(jìn)行了離散化，如某個(gè)客戶某個(gè)特征離散化后它的值是5,3,1,2,2,2,2,7,2，可以進(jìn)一步統(tǒng)計(jì)離散特征中 1~10 出現(xiàn)的次數(shù)ni(i=1,2,…,10)，即可得到一個(gè)10維計(jì)數(shù)特征。

基于這10維特征訓(xùn)練了xgboost分類器，得到一定精度的提高，說(shuō)明這10維特征具有不錯(cuò)的判別性。對(duì)于無(wú)序的變量，我們一般對(duì)它進(jìn)行One—Hot 編碼，解決了分類器不能處理類別特征的問(wèn)題。為了防止異常值對(duì)模型的影響，我們對(duì)離群值進(jìn)行了處理；為了統(tǒng)一量綱，對(duì)特征進(jìn)行了歸一化等操作。

2.特征提取

基于以上處理好的數(shù)據(jù)，我們從多個(gè)角度提取特征，其中主要包括以下幾類特征。

1）基本信息特征定性地反映客戶的資歷，信用及還款能力，描述了授信企業(yè)基本情況。如經(jīng)濟(jì)性質(zhì)，注冊(cè)資本，信用評(píng)級(jí)狀態(tài)，中小企業(yè)標(biāo)志等。

2）行為特征根據(jù)客戶的歷史行為判斷客戶未來(lái)違約的可能，企業(yè)的歷史行為反應(yīng)了他的習(xí)性，而習(xí)性一般會(huì)延續(xù)。行為特征如歷史逾期天數(shù)、歷史逾期次數(shù)、歷史逾期本金利息等。

3）圖結(jié)構(gòu)特征描述客戶所在擔(dān)保圖的圖結(jié)構(gòu)特征，企業(yè)所在圖中所處的位置對(duì)其它節(jié)點(diǎn)產(chǎn)生的影響。比如企業(yè)在圖中的影響度值，中心程度等（如果圖中的關(guān)鍵企業(yè)破產(chǎn)違約了，可能會(huì)對(duì)它相關(guān)的企業(yè)產(chǎn)生一定的影響）。

4）圖行為特征描述客戶所在擔(dān)保圖中客戶的行為特征，企業(yè)是否會(huì)違約和給他擔(dān)保的企業(yè)質(zhì)量是密切相關(guān)的。比如子圖違約率、子圖違約天數(shù)、子圖違約額度等。

5）社區(qū)行為特征描述客戶所在社區(qū)中客戶的行為特征，人以群分物以類聚，所以社區(qū)內(nèi)的企業(yè)一般具有相似的性質(zhì)。比如客戶所在社區(qū)的違約率、逾期天數(shù)、罰息等。

3.特征降維與特征選擇

特征選擇是為了踢除原本特征里和結(jié)果預(yù)測(cè)關(guān)系不大的特征，而降維是做特征的計(jì)算組合構(gòu)成新特征。前面我們基于原始數(shù)據(jù)生產(chǎn)了幾百維特征，這么多維特征一方面可能會(huì)導(dǎo)致維度災(zāi)難，另一方面很容易導(dǎo)致過(guò)擬合，因此需要做降維處理，常見(jiàn)的降維方法有 PCA、ICA、LDA等。

除了采用降維算法之外，我們也做了特征選擇來(lái)降低特征維度。特征選擇的方法很多，其中包括最大信息系數(shù)（MIC）、皮爾森相關(guān)系數(shù)（衡量變量間的線性相關(guān)性）、正則化方法（L1， L2）、基于模型的特征排序方法。比較高效的是最后一種方法，即基于學(xué)習(xí)模型的特征排序方法，這種方法有一個(gè)好處：模型學(xué)習(xí)的過(guò)程和特征選擇的過(guò)程是同時(shí)進(jìn)行的，因此我們采用這種方法。

基于決策樹(shù)的算法（如 random forest，boosted tree）在模型訓(xùn)練完成后可以輸出特征的重要性，我們綜合了多種方法進(jìn)行特征選擇和解釋判斷，其中包括統(tǒng)計(jì)指標(biāo)方法Z-Score，基于集成學(xué)習(xí)的特征重要性計(jì)算方法等，隨后使用了shrinkage和subsampling等方法進(jìn)行特征選擇和比較。

特征分析

從以上數(shù)據(jù)中提取了上百個(gè)特征，那么這些特征對(duì)模型的影響有多大，是否對(duì)預(yù)測(cè)企業(yè)貸后違約有幫助？

依據(jù)行內(nèi)近3年數(shù)據(jù)訓(xùn)練模型，觀察基礎(chǔ)信息，貸款行為，復(fù)雜網(wǎng)絡(luò)相關(guān)特征的變化趨勢(shì)。我們發(fā)現(xiàn)隨著時(shí)間的變化，復(fù)雜網(wǎng)絡(luò)圖的特征越來(lái)越重要，進(jìn)一步說(shuō)明加入擔(dān)保圖進(jìn)行擔(dān)保貸后分析的必要性。以下分別舉例介紹這3類特征的重要性。

靜態(tài)特征：注冊(cè)資本

上圖每個(gè)季節(jié)中逾期客戶和非逾期客戶注冊(cè)資本均值相差較大（已歸一化處理），可以看出注冊(cè)資本的多少對(duì)企業(yè)是否會(huì)逾期有一定的影響，注冊(cè)資本較小的企業(yè)更容易逾期，這相對(duì)符合常理。

行為特征：歷史逾期天數(shù)

從上圖可以看出每個(gè)季節(jié)中逾期客戶和非逾期客戶歷史逾期天數(shù)均值相差較大，說(shuō)明過(guò)去逾期的天數(shù)越多，貸款逾期概率可能越大。

圖特征：社區(qū)違約率

上圖是一個(gè)擔(dān)保鏈?zhǔn)疽鈭D，該擔(dān)保鏈圖包括2個(gè)社區(qū)（橙色為逾期客戶，藍(lán)色為非逾期客戶），不同社區(qū)的違約率差距非常明顯，這表明了社區(qū)特征的必要性。

構(gòu)建模型

1）模型訓(xùn)練之前，我們先提取特征和標(biāo)簽，我們以每個(gè)季度為時(shí)間窗提取特征，這里時(shí)間窗設(shè)置為一個(gè)季度是因?yàn)槲覀兘y(tǒng)計(jì)發(fā)現(xiàn)近幾年擔(dān)保貸款逾期呈現(xiàn)出季節(jié)性周期規(guī)律，每個(gè)季度具有相似的走勢(shì)和分布。

2）建模過(guò)程中，我們選取多種機(jī)器學(xué)習(xí)分類算法，并做相應(yīng)的融合。其中用到基于樹(shù)模型的集成學(xué)習(xí)方法，基本思想是把成百上千個(gè)分類準(zhǔn)確率較低的樹(shù)模型組合起來(lái)成為一個(gè)準(zhǔn)確率較高的模型。

它的最大特點(diǎn)在于能夠自動(dòng)利用CPU的多線程進(jìn)行并行計(jì)算，同時(shí)在算法上加以改進(jìn)提高了精度。考慮到后期數(shù)據(jù)量不斷增長(zhǎng)，我們開(kāi)發(fā)了該算法的分布式實(shí)現(xiàn)，部署于生產(chǎn)環(huán)境。

3）在部署生產(chǎn)環(huán)境之前，我們利用近3年的數(shù)據(jù)進(jìn)行多次模型驗(yàn)證，優(yōu)化和調(diào)參，以達(dá)到較高的精度和模型穩(wěn)定性。

結(jié)果/效果總結(jié)

模型用數(shù)倉(cāng)近3年的真實(shí)數(shù)據(jù)進(jìn)行了驗(yàn)證，auc均在0.85以上（auc為度量分類模型好壞的一個(gè)標(biāo)準(zhǔn)，越接近1表明模型預(yù)測(cè)能力越強(qiáng)）。

上圖為模型對(duì)所有違約客戶，首次違約客戶，非首次違約客戶命中和未命中的分布圖。首先提取客戶2016年第三季度和第四季度行為特征和標(biāo)簽，并訓(xùn)練學(xué)習(xí)得到模型，然后模型預(yù)測(cè)2017年第一季度有活躍貸款的客戶違約情況，模型預(yù)測(cè)最有可能違約的TOP N客戶中，違約客戶的命中覆蓋率為64.24%，與傳統(tǒng)方式相比提升了6倍左右。

其中首次逾期客戶命中覆蓋率為46.5%，非首次逾期客戶命中覆蓋率為66.9%?？梢钥闯霾还芸蛻羰鞘状芜€是非首次違約，模型都有較高的識(shí)別能力。即使客戶沒(méi)有歷史逾期行為，根據(jù)擔(dān)保圖中企業(yè)風(fēng)險(xiǎn)的傳導(dǎo)關(guān)聯(lián)關(guān)系也可以較準(zhǔn)確的識(shí)別未來(lái)可能產(chǎn)生違約行為的客戶，這也論證了復(fù)雜圖特征的重要性。

模型上線以來(lái)，對(duì)客戶信貸中后期進(jìn)行檢測(cè)，提前發(fā)現(xiàn)大量違約風(fēng)險(xiǎn)，貸后違約壞賬率逐漸下降，較之前的貸后違約數(shù)量平均減少30%，有效遏制了客戶貸后違約風(fēng)險(xiǎn)，極大的減少了貸后違約損失并提升了風(fēng)險(xiǎn)運(yùn)營(yíng)效率。

從整個(gè)實(shí)施過(guò)程來(lái)看，深入挖掘分析復(fù)雜網(wǎng)絡(luò)對(duì)識(shí)別企業(yè)風(fēng)險(xiǎn)信息至關(guān)重要，本案例主要基于擔(dān)保網(wǎng)絡(luò)挖掘風(fēng)險(xiǎn)信息，后期會(huì)不斷探索交易圖譜，供應(yīng)鏈圖譜，投資、高管任職圖譜等對(duì)企業(yè)風(fēng)險(xiǎn)的影響，進(jìn)一步提高模型識(shí)別違約客戶的精度。

企業(yè)介紹:

恒豐銀行股份有限公司是12家全國(guó)性股份制商業(yè)銀行之一，注冊(cè)地?zé)熍_(tái)。

近年來(lái)，恒豐銀行穩(wěn)健快速發(fā)展。截至2016年末，恒豐銀行資產(chǎn)規(guī)模已突破1.2萬(wàn)億元，是2013年末的1.6倍；各項(xiàng)存款余額7682億元，各項(xiàng)貸款余額4252億元，均比2013年末翻了一番。2014年至2016年累計(jì)利潤(rùn)總額312.17億元，這三年的累計(jì)利潤(rùn)總額為以往26年的累計(jì)利潤(rùn)總額；服務(wù)組織架構(gòu)不斷完善，分支機(jī)構(gòu)數(shù)306家，是2013年末的兩倍。

近年來(lái)，恒豐銀行屢獲榮譽(yù)。在英國(guó)《銀行家》雜志發(fā)布的“2016全球銀行1000強(qiáng)”榜單中排名第143位；在香港中文大學(xué)發(fā)布的《亞洲銀行競(jìng)爭(zhēng)力研究報(bào)告》中位列亞洲銀行業(yè)第5位；在中國(guó)銀行業(yè)協(xié)會(huì)發(fā)布的“商業(yè)銀行穩(wěn)健發(fā)展能力‘陀螺（GYROSCOPE）評(píng)價(jià)體系’”中，綜合能力排名位列全國(guó)性商業(yè)銀行第7位，全國(guó)性股份制商業(yè)銀行前三；榮獲“2016老百姓最喜歡的股份制商業(yè)銀行”第二名、“2016年互聯(lián)網(wǎng)金融創(chuàng)新銀行獎(jiǎng)”、“2016年最佳網(wǎng)上銀行安全獎(jiǎng)”、“2016年度創(chuàng)新中國(guó)特別獎(jiǎng)”等多項(xiàng)榮譽(yù)。

作為一家肇始于孔孟之鄉(xiāng)山東的全國(guó)性股份制商業(yè)銀行，恒豐銀行秉承“恒必成 德致豐”的核心價(jià)值觀，踐行“1112·5556”工程，即：一個(gè)愿景（打造“精品銀行、全能銀行、百年銀行”）、一個(gè)文化（打造“開(kāi)放、創(chuàng)新、競(jìng)爭(zhēng)、協(xié)同、守規(guī)、執(zhí)行”的“狼兔文化”）、一個(gè)目標(biāo)（五年目標(biāo)是以客戶為中心，以創(chuàng)新為驅(qū)動(dòng)，高效協(xié)同，彎道超車，五年內(nèi)進(jìn)入全國(guó)性股份制商業(yè)銀行第二方陣；十年目標(biāo)是要打造一個(gè)國(guó)際金融控股集團(tuán)）、兩個(gè)策略（“植根魯蘇，深耕成渝，拓展中部六省和海西，進(jìn)軍京滬廣深”的區(qū)域策略和“四輪驅(qū)動(dòng)、兩翼齊飛”的經(jīng)營(yíng)策略）、“五化”強(qiáng)行戰(zhàn)略（國(guó)際化、信息化、精細(xì)化、科技化、人才化）、“五力”工作方針（忠誠(chéng)力、執(zhí)行力、目標(biāo)力、風(fēng)險(xiǎn)經(jīng)營(yíng)力、恒久發(fā)展力）、五個(gè)引領(lǐng)（人才引領(lǐng)、科技引領(lǐng)、創(chuàng)新引領(lǐng)、效率引領(lǐng)、效益引領(lǐng)）、六大綜合能力（價(jià)值分析能力、風(fēng)險(xiǎn)鑒別能力、定價(jià)能力、創(chuàng)新能力、調(diào)研能力、學(xué)習(xí)能力）；大力實(shí)施“12345”行動(dòng)綱領(lǐng)，即:“1”是做金融綜合解決方案的提供商，“2”是金融云平臺(tái)和大數(shù)據(jù)平臺(tái)，“3”是數(shù)字銀行、交易銀行、銀行的銀行，“4”是龍頭金融、平臺(tái)金融、家庭金融、O2O金融等四大金融創(chuàng)新業(yè)務(wù)模式，“5”是投行、資管、平臺(tái)、人才盤點(diǎn)和以“One Bank”為核心的績(jī)效評(píng)價(jià)體系等五大戰(zhàn)略落地工具，致力于做“知識(shí)和科技的傳播者、渠道和平臺(tái)的建設(shè)者、金融綜合解決方案的提供者”，力求打造令人矚目、受人尊敬的商業(yè)銀行，為客戶和社會(huì)提供效率最高、體驗(yàn)最佳的綜合金融服務(wù)。

歡迎更多大數(shù)據(jù)企業(yè)、大數(shù)據(jù)愛(ài)好者投稿數(shù)據(jù)猿，來(lái)稿請(qǐng)直接投遞至：tougao@datayuan.cn

來(lái)源：數(shù)據(jù)猿