商业银行内审技术和方法.ppt

商业银行内审技术和方法 目录 商业银行内审技术 商业银行内审方法 案例 1 2 3 1.1商业银行内审技术的变革 1、大数据、云计算和互联网的发展 大数据 云计算 互联网 2、银行全面电子数据化 金融产品数据化 金融服务数据化 业务流程数据化 3、现场审计和非现场审计技术逐步融合 非现场审计不仅作为现场审计的抽样工具，现场审计阶段也需要通过计算机辅助工具获得信息，现场审计和非现场审计的边界越来越模糊 即使信息技术非常发达，现实世界仍有部分信息不能被数据化，非现场审计不能完全替代现场审计 1.2 审计数据采集处理技术 随着我们所获取的数据变得越来越庞大，我们也正在逐步逼近全体数据，数据获得的边界便是审计的边界。 1.2数据采集处理技术 1.2 数据采集技术 内部数据VS外部数据 结构化数据vs非结构化数据 数据分类： 内部数据vs外部数据 内部数据：目前银行内部数据主要是联机交易数据和联机分析数据， 是最主要的数据，包括： 报表 传票 客户账户和交易 合同或协议 机构、渠道和产品 业务运营 业务审批 业务档案 客户之声反馈数据 外部数据： 人行征信 工商登记 法院、环保 第三方支付 海关、税务 WIND 第三方公司风险数据集成 互联网爬虫 …… 结构化数据VS非结构化数据 结构化数据 会计报表 客户结算 业务台帐 …. 非结构化数据 监控录像 客户之声 信贷档案 会计影像 贷款审批意见 … 1.3 审计检查分析技术 1、业务场景、流程还原 2、风险数据、审计经验历史积累 3、可视化SQL技术 4、数据挖掘技术 1.3.1业务场景、流程还原 客户视图 机构、渠道视图 产品视图 贷款视图 账户视图 …… 业务场景举例：客户视图 业务场景举例：客户视图 业务系统数据 客户基本 产品信息 账户信息 交易信息 …… 企业内外大数据 微博信息 社交网站流量日志 音频视频 …… 传统客户画像数据仅仅来自业务系统，事件信息、关系信息、等多类信息缺失或不足，很难形成准确、全方位的画像。引入大数据，实现了客户360o立体画像 客户视图举例-业务流程和信贷档案 审计业务 流程举例 审计业务流程举例 客户视图举例-具体交易 审计业务 流程举例 审计业务 流程举例 1.3.2 风险信息、审计经验历史积累 1.3.3可视化SQL技术 数据分类 1.3.3可视化SQL技术 17 功能演示 1.3.4 数据挖掘技术 审计常用数据挖掘技术 一般统计技术 聚类 相关 分类 Benford定律 1.3.4.1.一般统计方法 19 19 频数分析 集中趋势 均值、中位数 离散程度 方差、标准差 分布状态 偏度、峰度 1 2 3 4 平均值：95 中位数：55 数据之间差异大，存在个别极端值时，用中位数 衡量数据之间的差异程度，如最大和最小值差距多少。 方差和标准差： 每个数据与其均值相比平均相差多少 是否符合正态分布 峰度：描述分布形态的陡缓程度 偏度：描述图像尾部的相对长度 数值 频数 20 101 30 122 40 230 50 301 60 242 70 140 80 97 * * * * * * * * * * * 中位数 平均值 1.3.4.2 聚类 在数据挖掘中，“聚类分析”基于“物以类聚，人以群分”的朴素思想，根据数据特征属性对数据样本进行区分。尤其当不知道数据样本所带标签时，可以使用聚类技术促使带同类标签的数据与其他标签的数据相分离。 在聚类分析中，类别中样本的相似性越大，类别间样本的差别越大，聚类的效果就越好。 在聚类分析中，如果一个对象不强属于任何类，那么该对象是基于聚类的离群点。 1.3.4.3相关性分析 使用目的：研究变量或事物之间是否有关系以及关系密切程度 衡量方式：相关系数 21 1.3.4.4 分类 “分类”所要解决的问题是为一个数据对象归类，即确定一个特定的对象属于哪一类别。分类工作的任务就是要构建一个分类模型（或称：分类器）。分类技术和回归技术均可用于预测，分类的输出是离散的类别值，而回归的输出是连续数值。 分类模型是通过对那些已知的历史数据学习（或训练）出来的。 这里用于建立模型的数据称为学习（训练）集，通常是已经掌握历史数据。 在学习（训练）集中每个对象都赋予一个类别的标记，不同的类别具有不同的标记，如“违约”和“不违约”。因此，在已知客户是否违约、是否流失等类标的情况下，通常采用分类数据挖掘方法对客户数据进行分析。 1.3.4.4 分类 决策树 Logistic回归模型 审计常用技术 24 1.3.4.5 Benford定律 概念 所有自然随机变量，只要样本空