目前，财务公司贷后管理方式主要依托客户经理定期或不定期通过现场或非现场方式，利用调查监控的手段对贷款客户进行跟踪管理。而非现场检查的工具和方法不多，财务公司风险识别的信息源仍然依托传统的采集方式，重要的财务报表信息和生产经营信息主要靠成员单位提供，缺乏专业的信息搜索工具。企业集团内部、同业之间和政府公共部门缺乏有效的信息共享机制。另外贷后管理的压力集中在信贷业务部门或者风险管理部门，识别与判断风险主要依据个人的主观意见，也没有对应的风险预警系统辅助收集信息并做出风险提示。贷后管理的专业性很强，对客户经理的能力要求很强，如果客户经理不够警觉、不够专业，一些早期的风险信号就可能被忽略。

大数据等新兴科技的创新发展，使非现场贷后动态检测成为可能，有望解决贷后管理风险隐秘难量化、时间跨度长难跟踪、依赖主观判断难操作等困难。在大数据思维角度下的贷后管理策略如下：

强化大数据人才培养力度

人才是第一生产力，大数据时代需要培训专门的数据人才。财务公司规模普遍较小，人员结构相对单一。大数据时代对银行业数据人才的基本要求，一是用大数据思维考虑问题，掌握相应的方法和工具，了解先进的信息技术。二是补齐知识短板，从业人员需具备丰富的行业知识、信息网络知识、金融知识。由于财务公司数据挖掘、数据分析起步晚，目前储备的数据挖掘人才不足，一方面，要建立完善的培训考核持证上岗机制，顶层设计与财务公司信息化发展相适应的系列培训课程，可涵盖金融、法律、市场营销、信息、数据挖掘分析等方面，并设置相应的进阶级别；另一方面，要组织员工成立大数据课题组深入调研，提升大数据应用理论水平，与外部信息机构开展合作，提升对各种软件和方法的实操能力。三是要在公开市场招聘中逐步侧重于同时具有信息背景、金融背景的人才储备。

建立可靠的风险预警系统

大数据技术在财务公司贷后管理中发挥作用，现有的管理模式、信息系统和硬件基础设施需要深度改造，但这对财务公司而言是一个长期而艰巨的任务。首先，需要转变原有的风险管控理念，从主要由人工主观判断控制风险的体系转型为系统自动判别控制为主、人工判别控制为辅的工作模式，以此来适应体量日渐庞大，形势愈加复杂的中国实体经济。其次，顶层设计构建财务公司关系数据库、搭建分布式云计算平台，加强对复杂海量数据的分析，从而节约不同系统间数据整合成本，解决信息不对称问题。后续，用专业、复杂的算法和数据模型来发现隐藏在不同数据间的内在联系，提升贷后管理实时监控的工作效率，帮助信贷人员更加精准地识别、计量和规避信贷风险。

优化贷后风险量化模型

随着技术的发展，风险管理决策的核心技术已由风险管理决策技术逐渐演变为风险计量技术。风险计量模型的出现，让金融机构实现了对风险的准确计量，而实现风险管理量化的核心在于构建风险量化模型。风险计量的趋势将是整合统计模型、决策树、神经网络和知识图谱等模型，并逐步将非结构化和半结构化数据（客户相关图像、录音、信函和邮件等）纳入风险计量模型中，利用大数据挖掘和智能深度学习技术，使风险计量突破结构化数据（客户财务信息、交易信息等）的限制，增加风险计量的准确性。风险量化模型为客户每一笔交易或一项商业决策赋予对应的风险数值，动态监测风险变动，对风险分值高的客户实时给予提示，便于高效地分配有限的调查管理资源，提高贷后管理工作的效率和质量。