对接银行贷款业务？

建设银行“云税贷”支持服务民营及中小企业

一、背景与起因

民之所盼、民之所需、民之所急，是新时代金融改革发展的行动指向。中小企业贡献了50％以上的税收，60％以上的GDP，70％以上的技术创新，80％以上的城镇劳动就业，90％以上的企业数量，是国民经济和 社会 发展的生力军，是“大众创业、万众创新”的重要载体，是扩大就业、改善民生的重要支撑。但是，民营及中小企业、特别是小微企业融资难、融资贵、融资慢的问题长期存在，亟待解决。

目前，全国诚信纳税企业超过2100万户，其中A、B级企业近1000万户、M级企业超过1100万户。诚信纳税证明了企业的经营能力，也佐证了纳税人的信用状况。诚信纳税信息可以弥补民营及中小企业、特别是小微企业财务信息不充分、不准确的缺陷。用足、用好纳税相关数据可以帮助银行更好地判断企业经营能力及信用水平，从而支持守信企业 健康 发展，增强金融服务实体经济能力。

因此，建设银行近年来不断开启第二发展曲线， 探索 推进与国家税务总局的合作，实现“银税互动”工作的从无到有，不断扩面、增效和提质。银税合力破解横亘在小微企业面前的融资“高山”，打通金融活水流向小微企业的“最后一公里”。

2015年9月，建设银行首家与国家税务总局签署“征信互认、银税互动”合作框架协议，建立以征信互认、信息共享为基础的银税合作机制，通过推进纳税信用和银行信用的有效对接，盘活企业信用资产，破解小微企业融资难题。

2017年12月，建设银行独家与国家税务总局签署“线上银税互动”合作协议，通过搭建专线的方式实现数据直连，将银税信息交互从“线下”搬到“线上”，加大信息交流力度，丰富信息互换内容，全面开启“银税互动”新篇章，进一步促发展、惠民生，服务经济发展大局，推动 社会 信用体系建设。

二、举措和亮点

建设银行在国家税务总局的大力支持下，高度重视“银税互动”工作，充分发挥银税互动支持服务民营及中小企业、促进实体经济发展的重要作用，持续强化顶层设计和机制建设，通过建立“以税授信、以税促信”的服务理念和业务模式，借助新兴 科技 ，创新“云税贷”产品，为按时足额、诚信纳税的小微企业提供全流程在线办理的信用贷款，无需抵质押担保，实现以税换贷，具体举措和亮点如下：

（一）首创“税务流”专属评价方式，实现客户精准画像

服务小微企业不光是一种愿望，更是一种能力。大银行服务小微企业一直存在信息、信用“瓶颈”，传统授信模式下要求的财务信息很难为小微企业精准“画像”，而辅助增信的抵押和担保更是拉长了融资链条，推高了融资成本。

建设银行“云税贷”产品基于大数据技术及评分卡技术进行客户评价，重点把握小微企业经营状况与纳税行为之间的关系，通过纳税金额、纳税行为判断企业经营状况和诚信水平，实现客户精准画像，不再依靠财务报表进行客户评价，建立小微企业融资“正面清单”，做到信贷资金“精准滴灌”和穿透落地。与此同时，建设银行深挖纳税相关数据，推动批量精准获客，变等客上门为主动服务，主动满足诚信小微企业的金融服务需求。

（二）打造线上银税信贷模式，提升客户互联网金融服务体验

建设银行“云税贷”产品以“新一代”核心系统为契机，创新运用大数据、互联网等技术，实现了线上自动化审批及全流程在线自助办理，大幅提升了业务流程效率，资金实时到账，快速满足企业融资需求；同时，额度循环使用，按需支取、随借随还，根据实际支用按日计息，使用便捷，给予客户“一分钟”融资、“一站式”服务、“一价式”收费的全新信贷体验。

（三）差异化确定贷款额度，灵活满足客户融资需求

建设银行基于行内代缴税数据及银税直连信息，通过大数据分析，以小微企业纳税额为基数，结合客户行内信息及纳税信用等级等多个维度，放大一定倍数确定“云税贷”预授信额度，并根据多维度额度计算模型精准定标客户需求，进行差别化调整，在有效控制风险的前提下，充分满足诚信小微企业用款需要。

（四）创新数据直连范式，深化银税互动合作

建设银行“云税贷”产品创新了外部数据接入及在信贷领域增值应用的标准范式，和国家税务总局的线上银税互动合作，也已成为银政合作的典范。截至目前，建设银行与国家税务局“总对总”专线已经建立，超过80％的一级分行也已实现与当地税务部门的数据直连。通过从税务部门批量获取纳税小微企业客户名单，大大拓宽了建设银行“云税贷”产品金融服务覆盖面，提高了小微企业贷款可得性。此外，“云税贷”将业务申请入口嵌入税务部门网上办税大厅，小微企业申报纳税时即可了解产品详情、申请办理贷款，充分享受“线上银税互动”带来的便利。

（五）强化系统工具运用，实施针对性风险监控

建设银行根据税务部门提供的小微企业动态纳税信息，通过行内小微企业早期预警系统进行贷后监测，针对企业纳税额的异常波动及不良纳税行为及时预警，有效防控风险，降低经营成本，推进“云税贷”产品实现可持续发展。

三、成果与反响

（一）政银企多方共赢

建设银行“云税贷”产品创新成果显著，有效促进了建设银行与税务部门的互动合作，让众多诚信小微企业受益、受惠，实现企业、税务部门、银行等多方共赢。

从企业层面来看，有利于提高小微企业金融服务可获得性。以纳税信息展示小微企业经营状况、信用水平，为小微企业增信，解决了小微企业“缺信用、缺信息”的问题，企业凭借良好的纳税记录直接获得建设银行信用贷款，无需抵押担保，有效降低了小微企业融资门槛与融资成本，破解了小微企业融资难、融资贵、融资慢问题，增强了小微企业的发展活力。

从税务部门乃至国家层面来看，有利于打造良好的 社会 信用环境，体现了“以税授信、以税促信”的理念。税务部门向建设银行开放企业纳税信息，作为小微企业授信依据，让更多纳税守信小微企业从中受益，从而引导企业更加重视自身信用的维护，营造依法纳税、诚信经营的良好 社会 氛围，在支持小微企业发展壮大的同时，也培养、扩大了企业税源，推动了经济发展。

从银行层面来看，有利于破解对小微企业的分析判断难、风险控制难。根据税务部门提供的小微企业纳税信息，对小微企业进行分析评价，解决了大银行在服务小微企业过程中缺信息问题，降低了客户调查信息采集成本和依靠抵押担保等经营成本，提升了银行甄别和防控小微企业信贷风险的能力，有利于小微企业金融服务进入良性循环。

（二）市场反响热烈

建设银行“云税贷”产品推出以来得到了新华网、人民网、新浪网、腾讯网等央级、主流媒体的多次专题报道，客户使用体验之后更是好评如潮：

天津某印业包装有限公司是天津市南开区A级纳税户，建设银行根据该公司连续3年的纳税记录和纳税额，给予了200万元信用贷款。公司负责人表示：“没想到诚信纳税还能获得银行的信用贷款！今后我们要继续维持优良的纳税记录。”

江苏镇江某电气有限公司长期在建设银行代缴税款，原先预授信额度为21万元，企业主表示额度小无法满足融资需求。“云税贷”上线后，企业主在客户经理的提示下再次申请，发现预授信额度提高至174.3万元，当场支用部分资金购买原材料，并当即表示将向亲朋好友介绍建设银行“云税贷”这个好产品。

广东湛江某 科技 公司老板李女士不到5分钟便完成了“云税贷”的线上申请，她高兴地说：“这次我们申请了100万元的额度。以前从银行贷款手续比较繁琐，现在建行网上办理‘云税贷’十分便捷，能及时缓解我们的资金周转困难，这个贷款太方便了！”

四、服务企业数量及资金规模

截至2019年4月末，建设银行“云税贷”授信客户数21.4万户，授信余额1301.1亿元；贷款客户数18.4万户，贷款余额954.8亿元。

善税者，享快贷。建设银行将依托“云税贷”等拳头产品，在服务民营及中小企业的道路上继续深耕、久久为功，培育经济发展新动能，为大众安居乐业、建设现代美好生活贡献更大力量！

更多精彩资讯，请来金融界网站()

银行数据仓库体系实践（18）--数据应用之信用风险建模

信用风险

        银行的经营风险的机构，那在第15节也提到了巴塞尔新资本协议对于银行风险的计量和监管要求，其中信用风险是银行经营的主要风险之一，它的管理好坏直接影响到银行的经营利润和稳定经营。信用风险是指交易对手未能履行约定契约中的义务而给银行造成经济损失的风险。典型的表现形式包括借款人发生违约或信用等级下降。借款人因各种原因未能及时、足额偿还债务/银行贷款、未能履行合同义务而发生违约时，债权人或银行必将因为未能得到预期的收益而承担财务上的损失。

        那如何来表示某个交易对手的信用情况呢，一般使用信用等级或信用评分来来表示，等级越低或评分越低，发生违约的概率会增加。这个信用评分主要应用在客户的贷前和贷后管理中，贷前是指客户贷款申请阶段，银行受理客户贷款申请时会根据客户提交的信息、人行征信、其它数据源按一定的规则计算出一个违约概率和风险评分或信用等级。再根据这个评分或评级来确定客户的授信额度和利率。计算出的评分或评级越高，违约概率越低，比如在进行个人贷前评分时主要关注以下5方面：

        （1）People：贷款人状况，包括历史还款表现、当前负债情况、资金饥渴度等；

        （2）Payment：还款来源，如基本收入、资产水平、月收支负债比、无担保总负债等；       

        （3）Purp.o.s e：资金用途，如消费、买房，需要规避贷款资金用于投资或投机性质较高领域，如股票和数字货币；

        （4）Protection：债权确保，主要是看是否有抵押物或担保，需要看抵押物用途、质量、价格等关键要素；

        （5）Perspective：借款户展望，从地域、行业、人生阶段等考察稳定性及潜力；

        贷后是指客户借款后银行持续跟进客户的信用情况，如果发现信用评分降低或者某些指标达到风险预警指标的阈值，说明风险升高，则会进行冻结额度甚至提前进行贷款收回。特别是对于逾期客户。

风险建模步骤

       在进行信用评估时如何选择客户属性、如何确定评分或评级规则呢？这就需要进行风险建模，通过分析历史数据来确定哪些特征或指标对客户的违约相关性大，可以了解客户的还款能力以及还款意愿。并通过一定方法来建立评分和评级的规则。那风险建模主要分为以下步骤：

        （1）业务理解：主要评估当前现状、确定业务目标，选择建模方法，比如需要进行XX贷款产品的贷前评分模型并确定准入规则，建模方式比如为评分卡，评分应用为基于评分确定贷款准入规则以及额度和利率规则，同时需要确定分析数据的好客户和坏客户标准，如逾期90天以上为坏客户；

        （2）数据理解：首先需要准备建模的样本数据，如抽取近2年的获得类似产品的客户相关信息以及根据好客户和坏客户标准确定的结果。并针对业务数据进行业务含义理解、对数据进行收集、探索，了解每个变量的数据质量、缺失情况，数据分布等。比如对于客户在人行的征信数据、客户在银行的存款、理财等信息、以及客户申请填写的家庭、房产信息、外部获得的客户教育、司法等相关信息进行业务理解和数据分布、质量的探索，对缺失值比例过大的变量或准确性不高的变量进行剔除，同时也要确定对于样本数据中哪些数据进行建模，哪些数据进行验证。

        （3）数据准备：主要对数据进行预处理和指标加工，指标加工指基于基础数据进行指标加工，如最近1个月的征信查询次数，最近1年的逾期次数等，数据预处理主要工作包括对每一个变量进行数据清洗、缺失值处理、异常值处理、数据标准化等，主要目的是将获取的原始数据转变成可用于建模的结构化数据。

        比如对于连续变量，就是要寻找合适的切割点把变量分为几个区间段以使其具有最强的预测能力，也称为“分箱”。例如客户年龄就是连续变量，在这一步就是要研究分成几组、每组切割点在哪里预测能力是最强的。分箱的方法有等宽、等频、聚类（k-means）、卡方分箱法、单变量决策树算法（ID3、C4.5、CART）、IV最大化分箱法、best-ks分箱法等。如果是离散变量，每个变量值都有一定的预测能力，但是考虑到可能几个变量值有相近的预测能力，因此也需要进行分组。

        通过对变量的分割、分组和合并转换，分析每个变量对于结果的相关性，剔除掉预测能力较弱的变量，筛选出符合实际业务需求、具有较强预测能力的变量。检测变量预测能力的方法有：WOE(weight of Evidence) 、IV(informationvalue)等。

        （4）分析建模：即对于筛选出来的变量以及完成好坏定义的样本结果。放入模型进行拟合。如评分卡一般采用常见的逻辑回归的模型，PYTHON、SAS、R都有相关的函数实现模型拟合。以下是生成的评分卡的例子。

        （5）评估及报告：即通过验证样本对模型的预测进行校验。评估模型的准确性和稳健性，并得出分析报告。常用的方法有ROC曲线、lift提升指数、KS(Kolmogorov-Smirnov)曲线、GINI系数等。

        （6）应用：对模型进行实际部署和应用，如基于评分进行客户准入和产生额度，并在贷款系统进行模型部署，自动对申请客户进行评分。

        （7）监测：建立多种报表对模型的有效性、稳定性进行监测，如稳定性监控报表来比较新申请客户与开发样本客户的分值分布，不良贷款分析报表来评估不同分数段的不良贷款，并且与开发时的预测进行比较，监控客户信贷质量。随着时间的推移和环境变化，评分模型的预测力会减弱，所以需要持续监控并进行适当调整或重建。

        在信用风险建模中，目前评分卡建模还是主要的方式，除了申请评分（A卡（Application score card））还有B卡（Behavior score card）行为评分卡、C卡（Collection score card）催收评分卡。B卡主要进行客户贷后管理，如何进行风险预警，C卡进行催收管理，确定如何催收以及催收方式和时间点。信用风险模型中还有一个是反欺诈模型，它主要是识别假冒身份、虚假信息、批量薅羊毛等欺诈行为。随着机器学习和大数据的发展，其它的一些建模方式如决策树、深度神经网络也越来越多的应用到了风险建模中。

        信用风险模型是数据仓库支持的重要数据应用之一，在风险建模分析阶段，数据仓库是建模样本数据以及衍生指标加工的主要提供者，业务人员一般在自助分析平台进行数据分析和建模，模型建立完成并部署后，会基于数据仓库数据进行模型效果的监控。在贷后管理中，风险集市也会进行贷后指标的加工。另外风险模型以及预警中会经常使用到外部数据，这部分数据也是通过数据仓库进行对接、加工和存储。

贷款大数据过不了怎么办

贷款大数据过不了首先要知道什么原因导致的，然后根据这些原因进行改正。不过有些是没有办法改正的。比如个人征信不良是没有办法更改的，在征信中的不良记录（逾期归还后）至少会保存5年，5年以后会自动消除。

如果贷款大数据过不了因为自己的还款能力不足造成的，这时可以增加担保人，增加以后通常都会通过银行的审核。如果不想增加担保人，这时可以减少贷款的额度，这时自己的还款能力就符合银行要求了。

在银行办理贷款时需要借款人年满18周岁，拥有稳定的工作且能按时归还贷款，能够提供个人有效的身份证明，银行最近半年的流水，还有就是征信报告，以上几点都是办理贷款的基本条件，根据贷款类型还需要提交其它的资料。

在办理贷款前一定要评估自己的还款能力，预测可能出现的状况以及应对能力，比如得了疾病有没有钱治，工作会不会波动等，这些都是需要考虑好，毕竟贷款后的还款是一个长期的过程，尤其是房贷，还款期限长达30年。

【拓展资料】

网贷大数据怎么消除。

网贷大数据上的不良数据，不能够通过人为进行删除或者更改，只能通过时间，慢慢更新最新的数据来覆盖之前的不良数据。

一般影响个人网贷大数据的情况主要有三种：

1.网贷逾期；

2.网贷申请太多；

3.被机构查询次数太多。

想要消除不良数据，首先要知道个人网贷信用的问题出在哪里。

如果申请过多的话，想要改善个人网贷信用还是可以的，只要三个月之内暂停贷款申请，就会有明显的改善；但是如果有其他不良数据的话，则需要其他方式进行改善。

可以在微信首页查找：佰易数据。

就可以查询到自己的网贷大数据报告。

该数据库对接全国2000多家网贷数据中心，数据真实且精准。

能够查看到用户的申请次数，网贷数据，网黑指数分，命中风险提示，。

该数据库不光可以查询到用户信息，也可以查询到用户是否有仲裁案件信息，刑事案件信息，法院起诉信息，是否为法院失信人等信息。

关于贷款外部数据对接和对接银行贷款业务的介绍本篇到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。