本文共字，预计阅读时间。

在信贷管理各环节中，贷中管理效果相对难以量化，不少金融机构更侧重于贷前、贷后管理。但从信贷管理流程来看，贷中管理既是贷前管理的延续，又直接或间接影响贷后管理策略的形成，其重要性不言而喻。为充分挖掘贷中管理潜能，金融机构需对传统风控技术进行革新，构建起行之有效的智能风控体系。

贷中管理是信贷管理中的重要“拼图”

从金融机构的信贷业务流程来看，其信用管理可划分为贷前管理、贷中管理和贷后管理。贷前管理是指从借款人发起融资需求起，至贷款人完成风险评估，并形成综合决策为止的贷款管理，直接影响金融机构的审批决策；贷后管理是指不良或连续逾期贷款的催收管理，既包括对逾期借款人的风险评估并形成催收决策建议，也包括对催收全流程的跟踪监控，贷后管理策略的有效性与不良信贷处理效率相关。

贷中管理则是指从贷款发放之日起，至贷款本息收回日期为止的贷款管理。与贷前管理和贷后管理相比，贷中管理既不能直接对金融机构的审批决策产生影响，也不像贷后管理那样直接反应在不良或逾期信贷的处理效果上，其产生的影响和实际效果相较而言不易量化，以至于不少金融机构更侧重于贷前和贷后管理，对于贷中管理投入较少，从而造成信贷业务管理上的不完整。

难以量化并不意味着贷中管理的重要性不高。从流程上说，有效的信贷业务管理应是连续的，对用户的分析、评估贯穿于业务开展中的每一环节。以风险评估为例，用户的风险程度并非一成不变的，并不应局限于贷前管理，金融机构在放款后仍要持续追踪用户的信用程度、还款能力是否会产生变化。若是个人用户，金融机构要追踪其资金用途是否符合申请承诺，还款资金来源是否稳定；若是企业用户，金融机构还要追踪分析企业的经营状况以及宏观环境变化等。

贷后管理同样要对逾期借款人进行风险评估，从而为催收策略制定提供建议，有效的贷后风险评估有赖于贷前、贷中环节打下的基础，尤其是贷中环节的持续监测。对用户行为的动态监测和分析，有助于金融机构实现更为精准的用户画像，并针对用户特点制定个性化催收策略，提升贷后管理效率；同时，贷中监测能够实现对用户异常情况的预警，提醒金融机构及时采取措施化解潜在风险，避免因出现用户信用恶化等情况带来的损失。

在一个周期的贷款业务完成后，金融机构对用户信用程度进行重新评估，决定用户是否具备复贷资质、授信额度是否调整以及是否列入“黑名单”等。在评估过程中，整个周期内形成的用户画像是重要的参考依据，对金融机构下一周期内的决策产生影响。因此，无论是贷前、贷中还是贷后，用户的行为表现都在不断重塑着金融机构的认知，任何一个环节的数据缺失都将导致认知出现偏差，贷中管理也是如此。

原银监会2009年发布的《固定资产贷款管理暂行办法》也规定，贷款人应定期对借款人和项目发起人的履约情况及信用状况、项目的建设和运营情况、宏观经济变化和市场波动情况、贷款担保的变动情况等内容进行检查与分析，建立贷款质量监控制度和贷款风险预警体系。这充分说明贷中管理对信贷管理的重要性。

智能风控技术应用使贷中管理更具成效

对金融机构而言，建立起行之有效的贷款质量监控制度和贷款风险预警体系并非易事。在实际业务开展中，仍有不少金融机构沿用传统风控技术，内部数据难以有效整合，外部数据的补充缺乏适配性，大量的贷中管理工作开展困难或者成果有限。

近年来兴起的智能风控为金融机构破解信贷管理困局带来希望，大数据、人工智能等技术的使用，可帮助金融机构实现对传统风控流程的革新，促使贷中风险监控更具成效。落实到具体业务场景，实时多头查询、贷中预警模型以及失联预警的应用，能够更精准地监测用户的还款意愿、信用程度、资金流稳定性等，直接或间接影响贷后管理策略的形成。

正是意识到这一点，越来越多的金融机构选择发展智能风控技术，对自身风控体系进行优化升级。以银行为例，不少银行在原风控系统上，将银行数据与客户的社会网络关系和足迹行为数据进行融合实现优化，以提升贷中管理的效率。

此外，与金融科技公司合作也是不少金融机构的选择。就银行系统而言，金融科技公司在银行智能风控层面的介入涵盖了个人和中小微企业信贷业务。在具体合作场景中，金融科技公司更多承担着“管家”角色，为银行提供包括数据治理、产品设计、风控系统流程构建、人才培养等服务，推动金融机构的贷中管理能力从弱变强。

例如针对个人金融服务中的欺诈行为，以智能风控为技术支持，通过对个人用户支付结算、信贷业务、电子商务、信用卡等交易行为的时间和空间多维度分析，结合移动终端的设备指纹技术，可识别高风险交易的特征，并形成复贷记录和失信黑名单，有效地交叉验证用户信息的真实性，及时发现潜在的欺诈行为。

基于设备指纹和社交网络大数据的智能风控可以对同一时间、同一地点发生的多笔信贷交易、关联人士之间的频繁交易等异常行为进行重点监控，有效防止集体诈骗与套取资金等欺诈行为的发生。同时，机器学习模型的配合使用，可以有效的提高风控系统的精准度，通过聚类算法分析相似性行为、依赖标签数据训练深度网络等手段，更有效地实现复杂环境下的反欺诈。

至于企业客户信贷风险的识别、传导和跟踪处理，也可通过大数据风险预警实现。即以单一用户为观察核心，通过搜索其集团、股东、高管、工商、税务、行业、上下游、借贷及担保关系等多维度信息，形成关联数据体，再针对其中每个维度的账户、交易、治理、经营、新闻等各方面开展数据收集、关联分析和挖掘，依靠网络舆情和监管发布信息，进行用户的甄别和预警。

综合来看，在与金融科技服务平台合作过程中，金融机构可利用移动化信息技术手段，通过自身建设或服务外包，实现规模化贷中实时监控。在获取更加及时、可靠的客户信息的基础上，对接实时的智能数据分析系统，识别用户经营变化、异常行为和违规操作等高风险行为，实现更有效的自动化风险预警与控制，并节约大量人力成本的投入。

文/天机风控 王培文

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。