发送GP到6666 随时随地查行情
首先非常感谢主持人邀请我们来分享一下我们的观点，我今天讲的主要是信用卡风险管理的情况。在我正式开始进入主题之前允许我简单的介绍一下麦肯锡公司，麦肯锡是一家全球性的咨询公司，在中国地区来看，我们是在中国最大的咨询公司，从建立上海分公司那天算起，我们已经在中国开展了12年的业务，刚才主持人已经对我的经历做了简单的介绍，我主要从事金融领域的咨询工作，其他工作都是银行风险管理的项目。这一张表上列出了我们在亚洲地区所从事的风险管理工作的项目情况，其中有很多的工作都在韩国和中国开展。
从列出的表中可以看出，我们所做的工作涉及到银行当中的各个领域，我今天主要介绍的内容是有关信用卡的风险管理的情况，其中引用的是来自韩国和中国的情况，如果任何一位嘉宾有兴趣进一步进行讨论的话，欢迎在问答期间提问，也欢迎会后进行交流。
对于信用卡的风险管理来说，从宏观的角度来说可以分成三个阶段，第一个阶段是对申请人的评估，第二个是申请人获得信用卡之后，对信用卡的使用情况进行跟踪和分析，第三阶段是当持卡人发生拖欠的情况就要对贷款进行催收。今天我们着重讨论的是第一和第三两个阶段当中的风险管理情况。
在讨论第一个阶段是信用审核的阶段的时候，先列出来一些常见的观点，这些观点包括因为中国现在有数据的充分性还不够，基于数据统计进行一个风险评估还不行，这些信用决策需要用人工的办法来进行，另外一种观点信用卡的风险管理主要是通过降低违约率来降低风险。第三种观点尽管在上海有了征信局，但是整个中国的征信的机构还不是非常充分，所以征信数据不够多，但是在中国这三种观点都是错的，我们通过我们的实践，可以在中国利用现有的数据建立非常有效的模型，同时对风险管理如果仅仅管理违约风险是不够的，同时还发现上海征信机构提供的数据是非常有效的。
接下来我们着重来讨论一下这些观点。第一个观点就是有关现有的数据不充分，建立统计模型还不成熟。从银行网点或者从申请表上提供的客户申请数据来评估申请者的风险这个模型还不够可靠，从实践当中我们发现从网点或者申请表上获得的数据对于申请者在未来持卡以后，违约等情况发生的预测性非常好。
还有一种认为尽管通过各种努力建立了评分体系，因为中国的发展速度非常之快，这种体系会失效，但是也不是这样，我们曾经用2003年建立的一个模型，这个模型到现在还是非常有效的。还有一些人认为应该充分利用一些人员与客户的的了解，但是这样的话有可能会导致巨大的风险。
这张图列出的是风险模型得出的结果，这些信息，这些变量包括在申请表上的数据，来自于商业银行网点的信息以及来自地理区域的信息，右边这张图显示是通过风险模型分析后所得出的结果，这个深色的有可能发生违约的申请人的情况，如果把各个上面的数字相加的话是100，就是有百分之百的人都有可能发生拖欠和违约，这个浅色的则表示申请者或者潜在的持卡人不发生违约的本性，如果这个模型达到理想化的状态，只会出现两根在左边是浅蓝色的百分之百好的，还有是百分之百坏的客户，可以很好的完全区分高风险的客户和没有风险的客户。但是事实上任何一个模型都不可能达到完全区别好和坏的目的，所个这个分析的结果已经很好的体现了风险的区分。看一下7、8、9、10的四个风险级别，有全坏的客户被分离出来，而混在当中百分之百好的全好却没有，这个模型是根据上海的数据所建立的，所以反应的是上海的情况，基于这样一种实践的经验，我们相信在中国利用现有的数据建立分析模型是非常可行的。
另外一个方面是通过风险管理为了达到什么样的目的？这个评分模型的建立方法有两种，一种是只考虑控制违约率的模型，采用这种模型是中国经常碰到的很大的误区，如果采用这样的模型把风险最小化，最后得到的结果发卡的客户几乎没有什么消费的，违约率也是非常低的，最终给你所带来的利润几乎为零的一群持卡人。
一个比较好的建立评分模型评估持卡人在持卡生命周期当中为银行带来的最大利润率的模型，建立这样的模型就必须考虑持卡人潜在的违约风险，可能消费的金额，使用循环贷款的额度，以及有可能的流失，根据申请人在整个使用卡的生命周期当中为银行带来利润最大化来建立模型。鉴于中国使用的循环性带来持卡人消费行为还非常少，我们在四个变量当中至少要着重考虑两个方面，一个是持卡人违约风险的大小，另外就是潜在的消费额。
这张图上列出的是预测信用卡违约和信用卡的消费额的变量，这个是韩国的一些数据，这个工作带来了两个模型一个是有关违约的模型，一个是消费预测的模型，最终把这两个模型进行结合，把这样的结果进行组合以后，就形成了这样一个矩阵，然后在矩阵上根据前面两个模型的预测来填入持卡人在持卡生命周期当中为银行所带来的利润大小，当预测出来持卡人的生命周期利润为正的时候，银行就发卡，如果测出来为负的话银行就不发卡。
下面给大家展示的是根据中国的数据所确定的真实的矩阵情况，由于这是实际的客户案例，当中的数字用指数来表示，对一个持卡人来说是风险级别最低，然后消费额又是最高的话，对银行的利润是最大的，通过这样一个案例给大家展示的是一个是风险级别的预测，一个是消费额的预测，可以为银行带来非常重要的意义。如果单单只看风险这一块，如果只取风险最低的客户来看，那么这些所谓非常安全的客户实际上对银行来说是没有利润，反而是亏损的，如果向这些潜在的申请人发卡的话，银行最终是亏损的，所以采用这种把风险的预测和消费额预测相结合的模型对中国的特例是非常有效的，同时采用这种模型进行分析以后整个发卡能够为银行带来总体正的利润。
下面谈一下有关上海的征信体系，很多人认为征信局的数据还不是非常有用，但是根据我们的实践，我们发现这些数据是非常有效的。这张图上列出来两个风险模型得出来的结果，都是根据上海的情况来制定的模型。在上面的模型当中我们没有采用上海征信局的任何数据，下面一个采用的上海征信局的数据，如果来比较风险级别为8、9、10，利用上海征信局的数据之后区分好、坏申请者的容易程度提高了，而误判断为好的申请人的比例下降了。上面的模型区分出了百分之百坏的客户，下面的模型区分出了57％坏的客户，上面的模型所误判好的客户有13％，下面的模型只有6％，通过这样的实际案例我们确实发现上海征信局的数据非常有用。
下面我要谈的一个问题就是在建立统计分析模型的过程当中要避免一个很大的失误。用台湾的一个例子来说明这方面的问题，这家台湾的发卡机构准备把他们的模型进行重新的改造，他们所用的数据是现有持卡人的数据，他们把新开发出来的模型来替代以往使用的模型，结果发现违约率大幅度上升，其中一个原因是采用新的模型，他们向警察和在酒吧工作的女性发放了大量的信用卡，这些人群因为风险很高，所以在以前的评估模型当中，这两个人群是完全被排除在外的，所以当他们利用这个信用数据来建立模型的时候，是没有警察和在酒吧工作的女性消费行为的任何数据，因此鉴于这样的数据基础上建立的评分模型，根本没有办法判断警察和在酒吧工作的女性消费行为，所以就导致违约率的大幅度上升。所以通过这个案子对中国大陆要不要开发评分系统给我们一个启示，在建立平分模型的时候必须要有全人口的样板，这里面包括不太好的申请者的数据，使这个模型能够应用所有的申请者，在实际的发卡过程当中，应该对这些原本要拒发的潜在的持卡人，发放少量的卡，以便追踪这些信用卡的行为数据来完善。
下面要谈一下有关催收方面的情况。中国的发卡情况当中持卡人在第一个付款周期当中出现拖欠的比例比较高，这主要是因为中国人对信用卡还不太了解，不知道到期要还款，所以这种情况并不意味着这种人群是发生高风险的，而是这些人使用信用卡的时候对信用卡还不是十分的了解。因此发生在第二个拖欠周期，或者第三个拖欠周期当中，我们发现拖欠的催收的回收率很高，这当中主要的原因也主要是因为这些持卡人不了解怎么来使用信用卡，而不是持卡人本身的风险就很高。
这样的风险结果对我们怎么来设计催收的策略非常重要，这是因为在发生了拖欠所有的客户当中有两类，一一类是真正的拖欠客户，一类是因为自己的错误而导致了拖欠，所以在催收当中要区分这两类拖欠客户。
怎么来区分这两类客户，我们的建议方法就是来看一下已经发生在还款周期当中的客户，在下一个还款周期还是保持这个拖欠的状态可能性进行一个预测，这张图显示的是我们在中国实施的催收方案，左边的纵轴显示的是催收的逾期周期，横轴是对客户发生拖欠的预测，这当中显示的具体数字可以看出，在第一个还款周期当中发生拖欠的客户可能带来的预期损失是不一样的，有些人预期损失是2％，有一些人则有预期损失20％的可能性，这个时候应该把催收工作放在最右边的这一栏里面，因为针对这一类客户进行催收的话我们的回收率会很高，通过这个案例说明应该可以把催收策略从以前更多的侧重于拖欠额比较大的客户催收，转向风险比较高的客户催收。
总结一下刚才所说的内容，主要有四个经验教训大家可以借鉴。第一在中国根据现有数据建立预测性较高的统计评分模型是可行的，但是由于客户行为和市场营销风险管理政策的迅速变化，中国的银行需比其他地区银行更为频繁地更新其模型，有效的更新评分模型最重要的是银行必须保留信用卡申请人群的数据。
第二，信用卡风险管理不完全只是管理丰富，在一个信用卡客户中以交易者占主导地位的市场中，信用卡决策应同时考虑风险和消费潜力。
第三，尽管中国征信机构仍处于发展初期，征信机构数据已可以使评分模型更加有预测性。
第四，在中国进行催收的关键就是有效区分高风险客户和好的逾期客户，基于风险的方法比基于金额的方法对于管理中国的催收流程更加有效。所以在这四个方面做得好坏与否，是在中国的信用卡市场发展到目前的阶段，把一个好的发卡机构和坏的发卡机构进行一个很好的区分，我的演讲就到这里，下面欢迎大家提问。
（ 责任编辑：李江平 ）
