近几年虽有众多学者从大数据、金融科技视角下研究银行信用风险管理，但从易宪容(2017)基于金融理论的一般性分析，对金融科技的内涵、实质及未来发展进行探讨，到众多学者就金融科技所作研究文献发现，金融科技问题的研究偏重于对其概念、内涵、发展趋势、金融监管、业务创新和服务效率等方面的探讨，而很少涉及商业银行如何利用金融科技手段提升风险管理水平。
2016年以来，金融科技(FinTech)成为整个金融业关注的焦点，它以金融需求为导向，以科技创新应用为支撑，在较短时间内对金融业产生巨大而深远的变革。金融科技主要是指金融机构通过大数据、云计算、物联网、区块链和人工智能等新型数据分析和存储技术，加强经营管理，提升服务效率和市场竞争力，同时带来金融业态新变化。
目前，大数据智能风控仅在大行个人消费信贷和小微企业主贷款中得到较好应用，但在企业类融资中，银行风控仍主要以专家经验法为基础，且存在较多的数据缺失，特别是政务涉企数据缺失严重。
传统信贷风控首选信用评分卡模型
本质上而言,商业银行是经营风险的金融机构，以风险经营作为盈利的手段，所以风险控制是其发展的根本。
如何有效控制信用风险，是商业银行经营管理成败的关键，如何利用存量基础数据以及外部引入数据，探索以大数据技术进行信用风险管理的方法，无疑对商业银行具有重要的理论及实践意义。
传统的信贷风险控制大多首选采用信用评分卡模型，评分卡模型是指利用大量的历史数据，刻画出消费者的信用、收入水平和支付能力等指标，再把各个指标分成若干个档次，标注各个档次相应的得分，然后计算每个指标的权重，最后算出贷款申请者的信用评分。
但是对于数字经济条件下的企业而言，银行原有风控方式存在的问题已经十分明显，主要表现在：一是静止时点的企业数字已无法真实、全面、实时地反映企业的实际经营情况，市场的高交易性、快变化性随时会使企业的经营成果在不同时间变得面目全非;二是主观性较强，以经验作为决策的主要依据，难以精准地给服务对象下结论;三是管理过程会浮冰式管理，没有信贷管理的穿透力;四是会发生较多的道德风险，决策上的主观性使决策结果会有较大的弹性空间，因而少数不法分子会用此权力进行寻租，信贷决策由技术工种转为权力工具;五是被动式管理，面对突如其来的企业变化，等发现或采取管理措施时企业已经病入膏肓。
传统信贷风控体系面临严峻挑战
随着国内经济向“新常态”的逐步转型，金融市场改革的持续深化，以及现代化信息技术的快速渗透，银行监管机构对商业银行自身风险管理能力的重视程度大大加强，银行传统的信贷风险管控体系面临严峻挑战。
一是经济增长换档回落以及经济结构深入调整带来资产质量下行压力;二是企业跨地域、集团化经营业态的发展，风险传导机制复杂，增加风险刻画难度;三是银行信贷规模增长以及客户结构深刻变化，传统信贷业务模式下的信贷风险控制方法存在较高的优化需求，基于大数据新型信息化风险监控模式成为大势所趋。
因此通过大数据技术实现跨平台、跨业务条线、跨区域的数据整合和风险信息挖掘，提高对信贷风险管理的敏感度及对其衡量的准确度是未来商业银行不断创新业务发展的需要，也是银行风险管理发展的必然趋势，对建立新型风险监控体系具有重要的战略意义。
一是大数据可为风险识别赋能。传统风控受限于单一专家经验和综合人力成本，风险识别能力有限。大数据技术可构建风险全景视图，伴随数据中心、智能计算提供的强大算力，支持海量风险数据深度挖掘，快速甄别各业务条线中暗藏的风险信息，有效解决风险数据数量大、信息隐藏层次深的问题。
二是新技术可提升风险模型的效能。挖掘算法可发现海量数据中的风险因子，机器学习、神经网络可进行高维非线性建模，人工智能可根据不同的风险场景精准构建风控模型，缩短模型训练时间，加快风控模型迭代效率，提高模型精度，为提升风险模型效能提供契机。
三是金融科技推动风险管理流程再造。金融科技使得风险信息的快速共享、风险政策的高效传导成为可能，风险管理更趋扁平化。风险管理流程逐步实现由线下、延时、事后管理向线上、实时、事前事中管控升级，由“事后救火”向“事前防火”转变。商业银行使用大数据进行风险控制管理的逻辑，可通过外部数据采集、内部引擎处理、对外服务接口三个步骤完成。
商业银行运用大数据进行风险管控的逻辑
智能风控技术已满足当下需要
近年来，在算力、算法和大数据的合力推动下，人工智能在计算机视觉、自然语言处理、语音识别、机器学习、知识图谱、机器人技术等方面快速发展;分析算法、数据挖掘、并行计算和分布式处理、云计算服务架构与能力等研究领域亦发展迅速，在技术上已满足当下银行风控的需要。
通过实证研究证明，利用机器学习算法的互联网金融风控模型，通过与传统的统计评分卡模型进行对比试验，同时将机器学习模型预测结果转化为传统信用评分的解决方法，结果表明，机器学习模型能更好地预测个人信用风险，从而构建更加有效的风控体系。
同时，信用评分卡模型作为一种应用最为广泛的风险评估模型，随着机器学习在金融领域的逐渐深化应用，我国商业银行在运用智能风控方面也进行了部分实践。如农业银行信用卡中心构建网点及营销人员风险动态评级模型，通过机器学习技术识别高风险网点和高风险营销人员，实现差异化的贷前准入策略;建设银行搭建线上统一模型策略研发实验室，引入了基于神经网络模型的实时评分模型，运用于客户账户分级管理，基于知识图谱社交网络模型进行欺诈和产业分析，实现了多维度的智能侦测;交通银行信用卡中心将基于机器学习的风险评估模型应用于申请反欺诈，有效提升了申请欺诈的识别效率。
随着我国数据要素市场化的推进，数据作为数字经济时代重要生产要素，银行借助政务数据等，建设起实时更新、丰富完善的智能风控系统成为可能。在实践方面，上海上线大数据普惠金融应用，向银行开放了300多项公共数据，支持银行运用大数据分析等金融科技手段，加大对中小微企业的信贷投放;安徽芜湖市政府要求以中小企业为服务主体，以政府大数据为基础，以金融科技为手段，以政策性担保增信为支撑，以企业自主申请，诚信合作为前提，通过搭建芜湖市金融综合服务平台，采取“线上+线下”一体化金融服务模式，进一步深化中小企业信用贷试点改革，构建金融供给与企业融资需求常态化的在线对接平台。湖南常德农商银行于2018年9月推出线上普惠型信用贷款产品——“常德快贷”。区别于一般线上贷款产品，“常德快贷”充分借力常德市智慧城市建设成果，以政务数据为核心，整合银行数据、征信数据和互联网数据，利用大数据风控建模技术建立智能化风控体系，实现线上贷款信用风险有效控制。
但在上述实践中，同样存在政务数据共享合作因客户政务数据较为敏感的原因，政府内部数据共享流程尚处在业务论证阶段，导致金融业对政务数据的使用较为混乱。部分关键政务大数据尚未在中小企业融资中得到应用，目前的政务大数据仅仅开放了工商、税务、法院等部门的数据资源，且字段信息不完整，而对银行信贷决策起道重要作用的水电费缴纳情况、不动产情况、海关进出口情况等均暂未开放。
《中国银行家调查报告(2020)》指出，六成银行家将金融科技引领的数字化转型视为银行业未来利润主要增长点，金融科技在大数据风控的应用(47.8%)较去年(42.2%)有明显上升。金融科技的发展持续推动银行经营管理数字化转型，不断提升客户服务和风险防范水平。在众多金融科技的应用场景中，最被银行家看好的是基于大数据分析的风险管理(73.5%)。
大数据、云计算人工智能和隐私计算等技术的快速发展为商业银行创新金融风控手段提供了更多的解决思路，科技对于金融的作用不断被强化，创新性的金融解决方案层出不穷，基于人工智能方法从大数据中快速获取准确的信息吸引了越来越多的关注，逐步应用于商业银行风险管理，并实现了应用价值，让银行通过大数据技术解决金融业务中的各种关键问题成为可能，金融科技发展进入新阶段。
