2.中国银行业依靠大数据控制信贷风险能力不适应。资产转化功能是金融企业其最核心功能，即实现资金在时间、空间、规模等维度上的转化，资产转化的全过程都伴随着风险。传统上银行发放贷款前后，须对企业的资金流、物流和信息流的运行进行全过程、不间断的监控。通过数据的异常变化揭示风险。由于信息割裂，融资银行对融资企业缺乏整体把握，对客户信息掌握不深不广，维度单一，无法真正“了解你的客户”。银行无法完整、及时掌握客户经营行为、资金流动、销售动态及交易对手和关联企业状况。无法把握资金流、物流、信息流的匹配。随着经济活动的日渐复杂，企业交易对手关系复杂、关联企业面貌模糊。依靠企业财务数据、经验分析和历史经营业绩等报表审查已不适应现状。对由企业供应链、关联企业链、担保互保链形成的复杂关联，仅对孤立的不多数据分析已难以准确判断信贷风险。信贷分析判断及决策的信息数据量不足。对假数据、假贸易、假资料、假用途因数据维度单一、数据信息短缺而难以鉴别。对客户财务指标、资金流向、异常交易、隐形关联、交叉违约难以及时预警及采取措施。而且通过抽样或单点、静态调查分析信贷往往不能揭示问题。有些数据从单笔看是正常和合理的，但从多笔或累计交易看，就可能是不正常、不合理的。只有通过全部交易数据的长时期变化分析，才能抽丝剥茧，揭示风险迹象。

　　信用市场的参与者因获得信息渠道不同、信息量多寡差异而承担不同风险，获取不同收益。要成功实现资产转化和风险转移交易，需要掌握比交易对手更充分、有效的信息。银行长期承担的资产转化职能，锻造了银行的专业管理和风险控制基因。但传统的银行风控模式依靠人工调查、授信、审批、贷后管理，依靠抵押担保来缓释信贷风险。依靠银行信贷人员的专业技能和经验，而经验积累需要时间甚至失败磨砺，成本甚高且耗时过久。随着中小企业融资客户群体扩大，线下人工信贷作业成本昂贵，制约了业务规模和质量的提升。互联网时代金融交易的形态有所改变，小微企业融资小额化和高频化。客户数量、交易数量多但单笔业务规模小、期限短。融资交易要求速度快、便捷灵活。中国银行业迫切要实现信贷数字化管理变革，运用新型数据化信贷风险控制方式以适应信贷风险新常态。

　　3.中国银行业信息数据化建设亟须提升。中国商业银行在长期经营中已经积累起了丰富而高质量的信息资源，依靠信息优势，经营及控制风险。在长期承担信用中介的过程中，依托自身在资金流动中的枢纽地位，成为经济信息的重要汇集点，逐步积累了基于个人、企业资金及账户活动的大量有价值信息。这些信息积累时间长，基本反映了各类社会经济主体生产、交易、投资等行为的历史明细、习惯特征和违约记录等；信息的完整度较高，因此挖掘分析成本较低。银行长期从事信用中介，擅长信息收集、数据分析、模型构建等，具备风险甄别、风险定价、风险监测、风险处置等核心能力。商业银行利用这些信息资源，一定程度减少了由交易成本和信息成本所带来的市场摩擦，把不对称的信息变得对称，促进资金供求双方更有效地匹配，银行对于传统的结构化数据的挖掘和分析是处于领先水平的，但对非结构化数据的管理与应用处于起步阶段。但同时中国商业银行数据信息库建设又是分步骤、渐进式的，系统之间整合不足，业务运行和管理系统分隔，各种子公司、子业务、子产品系统之间彼此独立，客户、市场、业务、交易与信贷风险控制的系统整合不够。与信贷相关的数据库存在着专业分割、标准不一、架构复杂、布局分散、共享不够、维护不佳等问题。跨业务条线、跨机构的信息流转不够顺畅。使信贷数据收集不足和闲置浪费问题并存，缺乏数据整合、场景交易等行为数据。使海量数据成了“沉没数据”，即便坐拥海量信息，也因数据断裂、缺乏挖掘而患上数据“贫血症”。在系统开发上，缺乏对异常交易信息的模型分析。或信用评级模型简单，数据源单一，导致模型失真。从目前多发的信用风险状况中，可以看出银行现有的数据信息采集、管理都已不太适应互联网时代的信贷风险控制。