Day 13：AI 發想 20 個描述性風控分析題目

2026 iThome 鐵人賽

DAY 13

佛心分享-IT 人自學之術

30 天從數據思維到自動化稽核實戰系列第 13 篇

18th鐵人賽資料分析

小恩

2026-09-25 06:20:02

49 瀏覽

分享至

收到！各位打火弟兄注意，我是今天的資料分析兼 AI 戰術教官。裝備檢查完畢，全部給我集中精神進入狀況！

今天的救援任務是推進 「Day 13：AI 發想 20 個描述性風控分析題目」！

在進行複雜的機器學習風險建模（Predictive Modeling）或壓力測試之前，如果沒有先透過「描述性分析（Descriptive Analytics）」全面勘查資產品質與風險分佈全貌，就冒然推進建模，這就跟不帶熱顯像儀、不查明起火點就直接衝進火場一樣危險！資料中隱藏的「高風險產業過度集中」、「個別分行逾期放款暴增」或「單一集團暴險超標」等暗火，隨時會引發連環爆炸！

以下依照我們的「救災標準作業程序 (S.O.P)」進行全方位的實務拆解與實力演練：

🚨 1. 災情評估與風險控制 (Size-up & Problem Analysis)

在風控數據分析的火場中，缺少描述性分析打底是導致風險模型潰敗的盲點：

數據火場的致命盲點：許多新手分析師拿到授信資料後，急著套用複雜的 AI 演算法（如 XGboost、Random Forest）來預測客戶違約率，卻完全忽略了基礎的「描述性統計（Descriptive Analytics）」。如果連現階段「風險資產如何分佈（What happened）」都沒搞清楚，模型預測出來的風險分數也只是空中樓閣！
打火弟兄最常犯的致命迷思：
1. 迷思一：「認為描述性統計只是拉拉平均值、算算總和，沒有技術含量。」 —— 錯！描述性分析是金融監管稽核（如巴塞爾協定、集中度限額控管）的核心。沒有精準的交叉統計，根本無法識別出隱藏在數據底層的結構性風險！
2. 迷思二：「請 AI 發想分析題目時，只給一句『幫我發想風控題目』。」 —— 錯！沒有提供明確的資料欄位結構（Data Schema），AI 只會給出通篇空話。必須貼上真實的資料 Schema，AI 才能產出精準可落地的交叉分析題目！

🧯 2. 戰術下達與核心原理 (Tactical Strategy)

為了在風險建模前全面勘查資產全貌，我們採用 「Data Schema 宣告 + AI 多維度爆發發想戰術」：

描述性風控分析（Descriptive Risk Analytics）：
專注於回答「發生了什麼事？風險分佈在何處？」。透過「分行」、「產業」、「信用評級」、「擔保品」等不同維度（Dimensions）對「授信金額」、「逾期天數」、「違約戶數」等度量（Measures）進行交叉交叉切片（Cross-Tabulation）。
AI 驅動的 20 大監管焦點發想（Prompt-Driven Brainstorming）：
將企業授信資料庫的 12 個核心欄位完全宣告給 AI，指派其擔任「資深金融風控顧問」，一次性自動產出 20 個切中金融監管焦點與內控稽核審查的關鍵分析題目。

🚒 3. 黃金救援步骤 (Actionable S.O.P)

事前佈線（Data Preparation & Schema Definition）

我們向 AI 宣告一份來自銀行企業授信系統的真實 Data Schema，包含 12 個核心欄位：

客戶代號 (CustomerID)
企業名稱 (Company_Name)
附屬集團 (Group_Name)
承辦分行 (Branch_Name)
產業類別 (Industry_Category)
授信總額 (NT$) (Credit_Limit)
動撥餘額 (NT$) (Outstanding_Balance)
逾期天數 (Days) (Overdue_Days)
資產評等 (Asset_Quality: 1類正常/2類應注意/3類不良)
擔保品類型 (Collateral_Type: 無擔保/不動產/動產/信用保證)
負債比率 (%) (Debt_Ratio)
近一年營業現金流 (Cash_Flow_Status: 正數/負數)

深入火場（Analysis & Brainstorming - 實力練習：20 個關鍵風控交叉分析題目）

步驟 1：輸入 AI 的結構化 Prompt（宣告 Schema 與發想需求）

# Role (System Prompt)
你是一位資深的「銀行信用風險數據分析專家」，精通金融監管規範、授信集中度管理與描述性風險統計。

# Goal
請根據我提供的【企業授信與風控資料庫欄位 (Schema)】，幫我發想 20 個切中金融監管焦點與內部稽核需求的「描述性風控交叉分析題目」，並列出每個題目對應的分析維度與監管審查重點。

# Input Data Schema
欄位包含：[客戶代號, 企業名稱, 附屬集團, 承辦分行, 產業類別, 授信總額, 動撥餘額, 逾期天數, 資產評等, 擔保品類型, 負債比率, 近一年營業現金流]

# Output Format
請輸出 Markdown 表格，欄位包含：[編號 | 交叉分析題目名稱 | 交叉分析維度 (欄位組合) | 風控與監管觀察重點]。

步驟 2：AI 自動產出之 20 個關鍵風控交叉分析題目表

編號	交叉分析題目名稱	交叉分析維度 (欄位組合)	風控與監管觀察重點
01	各分行逾期放款與不良資產分佈	承辦分行 x 資產評等 x 逾期天數	識別哪一家分行的資產品質惡化最嚴重，是否存在區域性風控疏失。
02	高風險產業授信集中度分析	產業類別 x 授信總額 x 動撥餘額	監控單一產業（如房地產、景氣循環業）暴險是否衝破監管集中度限額。
03	前十大集團客戶暴險與資產品質	附屬集團 x 授信總額 x 資產評等	評估集團客戶之連帶違約風險（Group Exposure），防止單一集團倒閉引發系統性危機。
04	無擔保授信之負債比率分佈	擔保品類型 (無擔保) x 負債比率	審查高槓桿（負債比 > 70%）且無擔保品保護之高風險授信資產規模。
05	營業現金流為負企業之逾期狀況	近一年營業現金流 x 逾期天數 x 授信餘額	追蹤獲利能力惡化、現金流枯竭企業之實際違約預警指標。
06	各產業擔保品涵蓋率與結構	產業類別 x 擔保品類型 x 授信總額	評估特定產業若發生違約時，銀行擔保品的實際處分與清償保障程度。
07	各分行高槓桿企業授信占比	承辦分行 x 負債比率 (>70%)	排查是否有個別分行偏好承作高財務槓桿企業之不當激勵行為。
08	逾期 90 天以上案件之產業分佈	逾期天數 (>90天) x 產業類別	精確定位實質違約（NPL）集中在哪些產業，作為產業授信政策調整依據。
09	信用資產評等與動撥率交叉分析	資產評等 x (動撥餘額 / 授信總額)	觀察應注意（第 2 類）或不良資產企業是否出現異常衝高動撥率（搶刷額度）現象。
10	各產業現金流異常與資產評等矩陣	產業類別 x 現金流狀態 x 資產評等	交叉比對財務現金流警訊是否已及時反映在資產評等分類中。
11	各分行前五大客戶授信集中度	承辦分行 x 企業名稱 x 授信總額	檢視單一分行之放款是否過度集中於少數企業，缺乏風險分散。
12	信用保證/無擔保放款之逾期率比較	擔保品類型 x 逾期天數	評估不同擔保機制下，授信資產的實質違約機率差異。
13	負債比率與資產評等不對稱分析	負債比率 (>80%) x 資產評等 (正常)	抓出財務槓桿極高卻仍被歸類為「正常類」的潛在漏網評等錯估案件。
14	跨分行之同一集團暴險分佈	附屬集團 x 承辦分行 x 授信總額	排查同一企業集團是否在多個分行分散借款，避開單一分行審查權限。
15	各產業授信動撥率與違約預警	產業類別 x 動撥餘額 x 逾期天數	識別哪些產業出現「高動撥率 + 逾期天數增加」的雙重高風險特徵。
16	輕資產 (無不動產擔保) 企業風險交叉	擔保品類型 (非不動產) x 負債比率 x 現金流	評估缺乏不動產抵押之新興或服務業企業的綜合財務承受力。
17	不良資產 (3類) 之擔保品分佈	資產評等 (3類不良) x 擔保品類型	評估已實質違約案件中，可透過擔保品拍賣回收資金的預期受償率。
18	各分行營業現金流負數案件占比	承辦分行 x 近一年營業現金流 (負數)	檢視各分行轄下企業客戶的整體營運健康度與流動性風險。
19	中高負債比企業之動撥餘額總和	負債比率 (50-70% vs >70%) x 動撥餘額	量化整體授信資產組合中，暴露於中高財務風險企業的實質資金規模。
20	各產業違約資產 (2/3類) 累積金額排名	產業類別 x 資產評等 (2/3類) x 授信餘額	為風控指揮中心提供整體產業風險限額（Industry Limit）檢討之核心依據。

殘火處理與儀表板（Visualization & Risk Dashboard Integration）

題目優先級篩選：
風控小組由這 20 個題目中，挑選出最緊迫的 5-8 個關鍵指標（如：高風險產業集中度、各分行逾期放款分佈）。
Tableau / Excel 樞紐分析儀表板：
將上述 20 個分析邏輯導入數據圖表，建構「全行授信資產品質與風險集中度監控儀表板」，讓風控高層一眼辨識資產組合的起火點。