信貸的全流程是怎麼做的？是否有可能做到較高的自動化？
都說信貸是一個強調經驗積累的行業。但是百度國學都上線了，程序能寫唐詩宋詞，計算機下象棋能打敗人腦了。信貸為啥就只能強調經驗呢？
信貸的核心，行業分析、三張表財務分析、現場調查、流水。審貸分離也好，成本覆蓋價格也好，還都特彆強調非主觀的判斷。電腦比人腦客觀哈。為什麼銀行實際使用中，都是在貸款審批系統中把人工干預設置到最大一檔，而不是程序計算呢？該採取怎樣的方式實現電腦來做做自動化的信貸審批放款？
---20140417修改
有人提阿里小貸，阿里小貸是依託阿里的生態體系。有商戶詳細的流水信息，行為數據，有強大的風險抓手。借款人的違約成本著實高。但問題是，再造一個阿里，難度不小的樣子。
有沒有什麼土方法，在某個特定的用戶場景，或者面向某個特定的客戶群體，實現較高程度的自動化審批，以及相對可接受的違約率。
---201404180824修改
現在一聽大數據，立馬把發言人歸入忽悠行列。阿里小貸很牛。FICO評分也很牛。問題是，脫離了具體業務場景，談風控就是耍流氓。而所謂風控模型，首先是拿數據跑出來再不斷回歸優化，數據最重要的是逾期壞賬數據，換句話說就是錢堆出來的。買個fico益佰利的專家諮詢，也就花錢買個踏實，數據量上去，都得自己調整。（anyway，關鍵指標也就那麼幾條，真來幾千個指標，數據缺項的問題就出來了。）ps：從前電信行業打雜工的視角，銀行這點數據量，就不要說大數據這個詞了，丟人。做經營分析的時候，不跑個幾個t的數據量，不帶感。
----20161205修改
這三年做了一些嘗試，有了一點小成績。傳統銀行的人在專業性上有其局限，很多傳說弄清楚後感覺不過如此，技術確實能解決很多問題。但還沒有經歷過一個完整的經濟周期，還不好吹牛。
2015.9.28更新
幾天了吧，感謝的多，點贊的少，看來大家對我的態度表示認可，內容嘛，呵呵。其實這個答案我還是傾注了一些東西的，因為這不是單純硬知識的講解而是趨勢和想法的分享，但現在我卻有點迷茫了。
可能有些朋友覺得我是紙上談兵，夸夸其談，其實我又何嘗不知道中國的信用環境？在我的履歷中，我做過一年的客戶經理，一年的貿融產品經理，參與了半年的信貸審批和放款，我父親和叔伯都是老銀行了，在偏遠小地方一直跑業務，我聽過、看過、經手過的不良也不在少數，然後呢？那又如何？
中國的銀行需要更高效的審批模式，而中國的企業更需要快速的放款流程。
這套流程已經在國內兩家銀行匹配化改良後落地了（沒錯，我是帶頭大哥），目標1000萬以內的中小微，行內流程清晰，客戶體驗極佳，利潤資產雙增，員工熱情高漲。
如果我們沒人願意邁出第一步，也就永遠邁不出這一步。你大可以選擇在抱怨中維持現狀，偃旗息鼓，而我更願意用適用的方法解決問題，不客氣的說一句，我們的國家就是太多人在抱怨，太少人在做事，做好事，做實事。
有問題私信交流，答案不再更新了。
--------------------------我是分割線--------------------------
2015.9.26更新
沒想到被推送熱點和精選了，又看了看排名前列並得到大家點贊支持的答案，更新點自己的想法。
我敘述的一些自動化信貸的原則可能有一點點偏理論，而排名考前的答案提到了幾個問題都是實際操作中遇到的，寫答案的答主們內行人一看就知道干過審批或者客戶經理，就這些問題簡單闡述下自己的看法：
問題1：中國信用混亂，騙貸問題嚴重，報表虛假，你連數據來源都無法保證是真實的，你怎麼用模型套審批？
中國有句古語叫「因噎廢食」，可能話有點重，但我個人確實是這麼看的。的確我們有時無法保證「所有的數據」全部是準確的，也無法保證「每個客戶」都有一個匹諾曹的鼻子，但我們可以確定的是「大部分客戶「是誠實、守信的，而我們」風險覆蓋收益「的核心就是抓住那些」大部分「，覆蓋那些」小部分「，一個黑板上如果出現了一個白點，我們總不能叫它」白板「吧？通俗點講，你手段高超，騙到了貸款，逾期，不良，我認了。
但在實際業務中，我們還是有多個環節去控制這部分的風險，讓」我認了「這個比例進一步的縮小。- 我們有現場調查，我們一直聊的是高效的流程，從來沒說過我們要省略現場調查，而恰恰由於我們前期鎖定了營銷的目標行業，使得我們調查的目標也就更有針對性。我們可以通過聘請行業專家制定現場調查內容和任務，甚至在團隊中加入行業專家作為調查人員，從而保證我們的現場調查精準而快速。
- 我們有數據交叉驗證，如果我們的目標群體是小貸，報表還原的功力則不一定是每個想騙貸的客戶都具備的，而隨著經驗的積累，我們對於交叉驗證的手段也逐漸增多，幸運的是，我們不需要就複雜的毛利率和經營成本還原公式對員工進行培訓，一個簡單的信貸系統升級可以將這個工作不動聲色的完成。
問題2：實際業務中，掌握大部分風險的仍然是客戶經理，如果客戶經理和企業串通騙貸，成功幾率極高，如果批量審批，資產惡劣程度高。
以歷史的角度看客戶經理串通客戶騙貸屢見不鮮，而從趨勢上看，應用工廠化信貸工廠流程也剛好是解決這個問題的最好方式。
客戶經理參與全流程是傳統信貸的弊端之一，也是滋生案件的溫床，而我們現在將職責打散劃分，客戶經理只負責營銷，確定貸款意向後，現場調查是另外一撥團隊，貸後檢查則是又一撥團隊，從源頭上剝奪了客戶經理的評價權和決定權，這樣對客戶經理帶來的好處就是客戶經理同樣也不用為後續產生的不良而擔心，只管掃街就好。客戶如果想腐化銀行的三個調查團隊，呵呵，等卒。
問題3：企業是數據是實時動態的，如何監測，還不是要靠人工現場看。
這個是個貸後問題。貸後一直以來是個難點，直到有了標準化營銷。當我們針對某個行業制定營銷策略的同時，就應該把貸後監測的主要內容和範圍清晰化，這一點同貸前檢查的道理是一致的。
動態的財務數據現在更不是問題了，ERP對接銀行信貸系統十年前就不是新玩意了，動態提取企業財報數據，甚至直接同會計師事務所獲取數據都已經是在運作的事情，至於監測的過程，要分為現場和非現場兩部分，請參考之前寫的貸前數據部分。
我還是不能否認實操業務中有這樣那樣的可能性，但我更不能否認流程化審批、快速信貸是銀行發展的趨勢，閱讀到之前的答案能感覺到答主們深厚的經驗和積累的實例，但我可能不得不承認他們無形中放大了對」騙貸「這個事件的影響力度，這種意識形態究其根源是各行，尤其是四大行一直在不良率控制上採取高壓策略，連坐問責，總行壓分行、分行壓支行，稽核壓風險、風險壓客戶經理，最終導致大家談」不良「色變，生怕自己過手的東西出問題，不好意思，我們現在是21世紀了，1990s的理念該讓讓位了。
富國在推動」收益覆蓋風險「的過程中也經歷過陣痛，這種變革不是簡單的組織結構和流程節點，而是挖心掏肺的理念變革，我從來沒說過這條路簡單，因為它不會簡單，它要求管理層戰略上的魄力和財務上的精準控制。而在今天，從業八年，幾乎干遍銀行各個工作的我直觀的感受是，現在的部分中國金融機構可以適時的推動這種理念上的變革了。
站在鐵軌上對著迎面開來的火車希望它停下，還是提前買票上車欣賞沿途的風景，to me, there is not even a choice.
------------------我是分割線2015.9.26------------------------
生怕自己拖延症發作，在加班做項目的間隙上來把此坑填滿，且聽我慢慢說來。
講到高效流程化的貸款，現在最火的莫過於各種電商的消費貸款了，主流電商平台基本都可以做到當天申請，當天放款。其實現在大家都懂了，人家玩的是大數據。大數據這東西說到底沒什麼玄妙的，將所有與一個人有關的可以搜集到的互聯網信息捏合在一起，基本就是一個人的側描了，你的互聯網烙印越深，你通過大數據暴漏給電商的東西就越多，貸款的風險把控自然也就越強。
其實這種貸款模式早幾年就有很多消費金融公司在搞了，只是苦於我國沒有健全的個人徵信大資料庫，當時的互聯網化程度也沒有如今這麼高，風控上有些捉襟見肘，不良率節節攀升，最終沒能善終，但殊途同歸，理念其實是一致的，只不過BAT的硬實力更強（就是錢多），還揚著互聯網的三角帆。
如果說消費貸款是針對個人，那麼最新的網商銀行的類快貸產品就是針對小企業或者個體工商戶了，怎麼玩的呢，其實是對大數據的放大利用，利用小企業主或者個體工商戶的個人信譽等級，綜合了一些地區和經營行業的權重，匹配給企業授信額度，萬變不離其宗，大數據是互聯網金融安身立命的看家本事，也是互聯網企業能實現全自動化審批信貸的原點和核心競爭力。
- 授信額度有限-----利用大數據審批的貸款一般為小額貸款。
- 惠及群體有限-----沒有互聯網記錄，或記錄較少的申請人很難申請到滿意的授信額度。
- 推廣難度有限-----沒有互聯網企業願意無償共享自己的大數據，而數據互聯互通就更像是個遙遠的夢，更多的企業選擇自己做自己的。現在的事實是普惠金融的門口站著一波肌肉男，胳膊上紋著BAT，想進門嗎？您得交錢買票。不掏錢，那您就自己攢資料庫吧，線下做的最好的某信公司，但距離BAT還有好一段路。這不連以往趾高氣揚的銀行也彎腰了嗎：
芝麻信用簽約北京銀行 開啟商業銀行應用互聯網徵信先河
6月25日，北京銀行和芝麻信用簽署戰略合作協議，成為芝麻信用首家合作銀行，雙方將開展信用信息查詢和應用、產品研發、商業活動等多個方面的合作。此次合作開啟了商業銀行應用互聯網徵信的先河，將為互聯網徵信大數據批量化應用於傳統金融作出有益探索。
那麼現在的問題是，不靠大數據，我們怎麼實現高效、快速的自動化審批和放貸？
筆紙準備好，以下上乾貨：
我們可以從以下四個角度出發，在傳統銀行信貸的領域開闢出可以適應我們這個時代要求的快速貸款：- 源頭標準化
- 流程工廠化
- 模型特色化
- 風控契合化
源頭標準化：將進入信貸流程的一切人、物、數據、信息盡全力標準化。首先是行業細分，名單制營銷，做到精準打擊式銷售，之後通過高度標準化的產品要求，將客戶的信息採集、資料收集全部標準化，甚至通過遠程移動終端完成，這將是實現自動化審批的基礎，香腸為什麼好吃-----首先肉要好啊，將源頭標準化後，後續的操作才不會有傳統信貸中經常出現的反覆過程。
流程工廠化：將整個信貸流程職責和崗位進行細分，崗位和職責一一對應，全流程工廠化，摒棄傳統信貸中客戶經理參與貸前貸中貸後全流程的模式，打造一人一崗的流水線作業模式，客戶經理專註營銷，並且不再為產生的不良擔任何責任。
模型特色化：自動化審批的關鍵節點是一個好的評價模型，而財務分析模型也好、信用評價模型也罷，在審批階段應用的應該是針對標準化源頭數據的特色化模型，傳統的應該包括財務信息交叉驗證、償債能力、經營能力等，特色化的可以有行業特色數據分析、區域信用考慮、潛在還款能力量化分析等可適用的內容，只有特色化且契合本區域的信用評價模型，在實踐中才有價值。
風控契合化：這一點感覺聽上去很空，其實很重要，自動化審批下的風控理念不應該是傳統信貸下的控不良，提高資產質量這些東東，而應該轉向------「收益覆蓋風險」的理念，並且貫徹執行，這就是所謂的風控理念契合自動化審批的本質。「收益覆蓋風險」其實很好理解，我來賣香蕉，當天賣不出去的香蕉會爛掉，香蕉成本一根2元，銷售價格一根3元，正常情況下一天能賣出10根，但我覺得我的香蕉是從巴厘島進的，比國產的甜，於是提價銷售，5元一根，這下我一天可能只能賣出去8根了，還爛掉了2根，但是每天多賺的錢（5*8-3*10）已經能覆蓋我爛掉香蕉的損失（2*2），甚至都可以覆蓋機會成本（2*3），這就是收益覆蓋風險。在銀行角度，就是通過提高貸款效率、放款額度、放低擔保要求等手段改善貸款人體驗，獲得更好的定價水平，從而覆蓋由自動審批帶來的不良資產損耗。
在全流程的角度，我們有專註於營銷的客戶經理，負責大量推送客戶，有標準化的源頭數據要求，控制進入信貸流程的每一個數據和資料都是標準的，有特色化的評價模型，可以做到人工少干預、或不干預的自動審批，同時又全流程明細職責的分工，確保案件流轉線性，平順。
輔以遠程操作、影像傳輸、數據同步調閱這些信息科技支撐，現在很多銀行都可以做秒貸了，秒貸也許誇張了點，但在我的實際經驗中，100萬以內的貸款上午申請，下午拿錢還是很容易做到的，即使是上千萬的貸款，3天內放款是正常的速度，和互聯網金融比，即使單論速度也不落下風。
而以如上的信貸全流程理念來看，大數據的局限性就凸顯出來了，假設我們有了大數據，嵌入到全流程，也無非是對模型進一步的優化，另外對下沉的零售和小微批量貸款有所裨益，其他的方面，尤其是處理大額貸款審批上，幫助甚微。
我不否認大數據是實時造英雄，是趨勢，是潮流，但我也堅信優化後的傳統信貸流程依然會有他的不可替代性。它們在各自的領域都在發揮著積極的作用，而真正喜聞樂見的是二者的融合，要多久？不遠的將來吧。
我應該回答了題主的問題，如上。謝謝邀請，我的從業經驗是：
首先，我從2010年開始做這一塊了，模型、數據、風控，成熟的審貸模式，現在才知道這玩意兒比較火。模型+人工，而不是人工+模型，也就是說模型佔了很大位置，人工只是輔助。所以行業里做的一般不說，反而是近年來諮詢公司漫天吹，說的人從來也沒有做過，而且過於神話，反而引起誤導，把想像當成現實，大數據是個框，什麼理想都往裡面裝。
1、模型要細分再細分，才能有用。數據缺失的處理要小心。汽車金融4S店、阿里小貸能做的原因是貸款客戶都是單一商貿流通，通過數據是可以估算出來其盈利能力的。如果推廣到一般企業，還是要按照行業細分調整模型。個人小額貸款，也可以嘗試去做。還是按類別劃分不同的人群，建立不同的模型。
2、能做哪些事情。一是信息採集自動化。也就是說把銀行客戶經理盡職調查的內容盡量通過爬蟲抓取。這一塊比較簡單，也即是傳統流程的改造與優化，這一塊沒有任何爭議，能自動化的盡量自動化，的確能提高生產效率。比如信貸調查需要水電氣數據，一種方法是客戶經理去客戶那裡拿到繳費單據，另一種方法是與當地代扣代繳銀行拿到繳費流水，都不如和水務公司、電力公司、燃氣公司系統對接直接拿數據來的可靠和簡便。傳統授信需要調查的，現在一樣也不少，而且更多。二是授信決策。拿到信息以後如何決策，以前是人工，貸審小組、貸審會，現在要用到機器學習模型，如邏輯回歸，決策樹，神經網路，深度學習。第二塊有爭議。一些簡單的模型，比如說通過上面說的水電氣數據和企業生產能耗進行建模，推衍企業開工情況，經營狀況，大家都容易接受，畢竟，傳統上大家都這麼做。一些複雜的模型，信用違約概率分析，這一塊誤差非常大，爭議很大。找到大量的指標，用數據跑一下，剩下的指標，為什麼是剩下這些指標而不是其他指標？經濟學上如何解釋？明明用了幾十年的指標為啥對於企業違約不顯著。這一塊，還真難說個所以然。機器學習的速度與人學習造假的速度，誰快？哪個銀行又能拿著真金白銀去做這種實驗呢？出了大面積的違約到底追究誰的責任？還是數據的問題？還是模型的問題？模型開發者背黑鍋？所以目前大多數都是用小額貸款做。要轉變銀行的思路，特別是不良貸款容忍度。這一塊，銀監會只給小微企業貸款開了一個口子，就是追究責任要有比一般貸款高2%的容忍度。
3、電腦模型不能做的，機器的邊界在哪裡。一般企業類型的風險控制，模型最終是無法搞定的。企業家的核心是什麼？創新精神，不斷創新才能在商場生存。電腦模仿的本事很強，創意創新這一塊，比較弱，機器學習是不是能實現企業家創新，難說。風險控制關鍵是企業實際控制人，你要駕馭實際控制人的本事，和實際控制人鬥志鬥法，所謂下棋，控制住實際控制人的「七寸」就能控制住風險局面。等啥時候，造一個比實際控制人本事還強大的機器人，智商比企業家還高，那時候就不需要人工審核貸款、人工風險控制了。造一個機器人版本的企業家，這個機器人可以在經濟不景氣的時候想出一些生意點子，能夠應對複雜的商業環境，管理人員，做出正確的經營決策，甚至能夠白手起家創出一番事業，一年賺取幾百萬利潤。到時候，還審核什麼貸款，坐在家裡等機器人去創業，去賺錢就好了，也就是永動機，這個人類幾百年來一直的夢想啊。
4、潑冷水的很多，但是做優化的很少。從2010年開始做模型，一直以來，有不少人潑冷水，那時候做調研的時候，同事要麼不配合，要麼就是冷嘲熱諷，但是等做出來以後，基本上也就服氣了。把一個傳統客戶經理、審查、審批要做的事情，一一列舉，然後看哪些可以自動化，例如查詢徵信、工商、法院，這個就可以批量化嘛。社交網路數據判斷這個人特徵、類型，例如QQ空間全是打打殺殺，信貸員會覺得這個人比較差，模型通過分析空間文章字元也可以判斷出這個人不像好人，也就是通過字元語言機器是可以模擬人腦判斷。如果社交網路數據不正確，人看到錯誤信息照樣會判斷失誤。所以要做出成果來，才是王道。被潑冷水，是因為做的不夠好。
5、瞎吹的很多。一提大數據，然後大家覺得很難，很專業，得花錢找專業公司做。覺得可以解決一切問題。很多年前，火箭發射是很難的事情，系統工程。推而廣之，一切難的事情都是系統工程，有了「系統工程」專業，言必談「系統工程」，最後還是不了了之，因為社會經濟領域考慮的因素太多。現在「大數據」又是一個「系統工程」。遇到無法解決的問題，口頭禪就是「這是一個系統工程」，潛台詞就是無解。
很多朋友留言，未能一一回復，本人近期將出版一本信貸業務與風險管理方面的小書，系統全面梳理一下，敬請關注。
前信貸員前來簡答一下，現在的信貸申報到放款的流程已經非常自動化了，信貸系統里從基礎行業數據、財務分析模型、貸款定價和企業評級等數據分析都已經非常發達了。但是，系統再牛，它能看出企業是在假生產嗎？能看到這個老闆為了養小三把錢敗光的個人道德問題嗎？阿里目前的大數據模型只是建立在貿易為主的電商基礎上的，放到生產企業去，毛用沒有！我們行的貸款相關的系統從貸前到貸後已經算是行業翹楚了，不良也沒見從良多少！為什麼？因為，貸款的審批不良的控制，光靠0和1是沒有用的！整個制度的設計和執行才是最最重要的！
只有從事了這個行業，才會看到這個行業的複雜，想起一個同事剛入行就從事信貸，做第一筆貸款，從材料到財務到企業生產到行業看不出任何問題，最後它還是不良了。
當初在培訓的時候，風險條線的同事總會無數次強調現場走訪的重要性，為什麼？因為在現場你可以突擊查看企業的生產情況，查看進出的貨車是不是滿載的，原材料是不是不斷補充的，根據市場價格和出貨量估算銷售額，減去成本算出利潤，定期看電錶水表是否在轉的，周圍的地方走走看看，跟保安開開玩笑問老闆最近情況怎麼樣，問問廠里的工人工資又沒按時發放，打電話給稅務局的熟人問它的繳稅怎樣。。。這些事，除非有人能研發出個人工智慧出來，否則，是非人工不可的！
風險控制的源頭還在於客戶經理自身！很多企業老總干過十幾年銀行，比你還熟悉政策你造嗎！？有人本事通天，分行行長都搞定了，逼著你做貸款你造嗎？！這些東西，那斷了電就歇菜的傢伙能應付來嗎？
阿里做了點小額，不代表它們的系統就有普適性，上千萬的貸款那時我一年做好多筆，企業沒有支付寶不可能只在一個銀行周轉，提供過來的流水甚至可能都是長期刷出來的，信了我早就停職催貸去了，行業的周期性經濟的不穩定，這些都只有靠人自己。
這些貸前審查和貸後管理只有去靠自己的主觀判斷，而系統目前只能起到過濾、輔助分析的作用，我個人認為未來的很長時間也是如此。全自動幾乎是不現實的，那麼如何控制效率與風險？只有在制度上發揮二者的優勢，加大不良的處罰的同時提高系統能力才是最好的辦法。
基於電商、社交等信息的線上大數據授信(個人授信、企業授信)，可以做到較高的自動化，在1~10分鐘完成授信、放款
一、線上大數據個人授信
傳統P2P網貸線下授信，資金到帳至少T+1(銀行授信時間更長)，貸前需要經歷填寫信息-&>上傳資料-&>信審-&>支付等等環節，人工操作費時費力，這沒什麼，關鍵是個別人員的資料經過包裝(目前北京市價，花150~300，可以購買到真實的銀行流水信息)，更有包裝組團騙貸的，讓你防不勝防。
線上大數據授信，面向線上白領，純線上操作，借款人的電商信息，收貨人是真實的，地址是真實的，信用卡賬單也是真實的……
授信時，通過用戶授權系統讀取信用卡賬單郵箱、電商、社交網 站(微博/人人網等)、學信網相關記錄信息，得到有關你性格、消費偏好、意願的個人畫像。同時進行交叉驗證形成風控機制，進而計算出每一個用戶的風險評分，最終判斷是否應該放款，以及該用戶的授信額度、 還款周期等。這些數據之間的驗證和計算，可以在1~10分鐘內完成。
線上大數據個人授信栗子:案例1：宜信宜人貸「極速模式」上線 刷新借款速度新紀錄(組圖)_網易新聞中心
案例2：隨身攜帶的信用錢包：Wecash閃銀客戶端 非凡上線(組圖)_網易新聞中心
二、線上大數據企業授信
授信時，通過電商交易數據(物流、現金流、信息流數據)做信用審核，電商的經營數據(如訪客量、交易量、用戶評價、物流信息等)、品牌在社交網路的聲望等等因素都列入考察指標，利用這些數據來評估網店主的風險，進而決定是否放貸、放貸金額及還款利率等。
線上大數據企業授信栗子:
案例1：數據驅動型貸款公司Kabbage專為網店店主提供服務，以網店交易數據做信用審核
案例2：eBay攜手宜信商通貸發放無抵押貸款
案例3：阿里開啟「信用金融」試驗 芝麻信用等產品內測芝麻信用：依據企業留存在阿里巴巴上的交易行為數據而設計的信用打分體系。即根據客戶的已有數據（包括個人信息、徵信信息、歷史表現、交易信息、經營狀況等）來預測未來一段時間發生違約風險的概率，區分出好壞客戶，決定準入客戶，細化客戶授信，實現貸前風控。
（20日補充前置觀點，便於理解，下段黑體字）
觀點：短期內恐怕電腦很難取代現場調查。但是可以通過信息化手段輔助人力，降低現場調查成本。
4.18日正文
從財務數據分析這個角度來說說快速批貸的難點。
一、傳統財務分析是有局限的。
有些財務分析是時點截面，企業經營是動態的，這個矛盾如何解決？這個矛盾導致貸前審核內容和貸中、貸後跟蹤脫節。
脫離了宏觀調控，行業經營等內容，單純堆砌這個指標那個比率是沒意義的。
二、分析數據來源
以會計處理來說，手工做賬先不談，使用ERP軟體取數分析，數據介面如何打通，用友金蝶等不會直接開放介面。拖庫倒是簡單，問題是拖來了數據，如何判斷真帳套假帳套？
三、現有的分析體系，財務一個維度是判斷不了值不值得放貸的
OK，有人說，那我們引入第三方數據源做交叉比對，比如稅務報表、銀行流水、央行徵信系統、紅盾個人信息、工商局系統等。問題是坑爹系統不互聯，全是一個個信息孤島。打通抓取就能愁死一片人。還有人說這些官面的數據拿不到就拿不到吧，我直接抓社交數據或者電商數據，這是個思路，國內外都有公司探索，但也僅僅是探索，這些非主流分析維度銀行等認不認是個大問題。
也有人喜歡在財務一個維度裡面做文章，縱向深挖分析，這倒也行，一般是三個方向
（1）數據邏輯判斷
（2）傳統財務分析建模
（3）行為分析
（1）和（3）是最有價值的，可惜國內有人知道也不會詳細說，這是未來忽悠風投的金礦。
四、人的因素
1.信貸專員是有KPI考核的，信貸專員為了搶優質項目與客戶合謀造假？這又回到了數據真假判斷的問題上，只能建模找出數據疑點，給一個大致評分區間，不能給出真或假的絕對判斷，采不採納這個評分標準是人來判斷的。
2.如何讓企業同意定期上傳數據，很多財務電腦是不聯網的。企業憑啥為了貸款把財務家底全部暴露？國內資金來源廣泛，企業不一定在某家樹上弔死；那些逼不得已開放財務數據的企業，放貸人敢貸款嗎？
3.類似渾水這種深挖證據鏈的方式很多人很推崇。關鍵是放貸收益和成本、時間、人力要匹配。息差收入100萬，中美往來機票5萬，住宿30萬，探子被當地工廠送山西煤窯（撈人打點30多萬）。。。
4.這塊的研究對人員要求很高，至少要了解銀行系統、支付系統、稅務系統、工商系統等等。資深信貸專員、財務分析理論派、有實戰經驗的會計、數據挖掘人才、ERP廠商人員等等。你分析的維度越多，需要的業內專家越多。這不是請幾個CPA或者做過銀行系統的研發就能搞的定的。
綜上：光財務一個維度就有這麼多難點，怎麼自動起來，只能靠人堆啊。題主的想法有很多人都考慮過，誰能把整個鏈條串起來自動化，或者切個小口子做深，都有可能拿到投資。
4.18日補充
題主增加註釋了，那我也啰嗦幾句。實話實說
在知乎做需求調研想法挺好。不過請注意，凡是張口閉口阿里大數據行為分析的回答很有可能啥都不知道。這問題討論氛圍還成，近來知乎比較少見。不希望水成一般性科技媒體報道。
建議你關注細節和流程，有些環節，一般的創業人員是切不進去的，我為啥說財務分析？因為這個是最屌絲的切口領域，是可以外包的。
說的太多，罪過！
下面 @ETHAN HAN 的回答比較有理。目前看符合他那個標準的，是財務數據和稅務數據。不過稅局的數據也比較封閉，不太好拿，其實我個人最想要的是納稅評估下面，各地稅局定期接收的各行業稅負平均值，然後與財務數據比對，這個是可以做一個衡量標準的。
4.19周末瞎扯,
請注意是瞎扯，沒考慮預算、客戶調研之類的，俺的正經回答在正文。我是數據流這個派別的，認為可以憑藉不同維度數據交叉判斷輔助決策，減輕人工評判成本和壓力。錯誤和虛假的數據也有分析價值。
周末閑的蛋疼，看到匿名用戶說的人工判斷，勾起一段回憶，我當年是做稅務信息化的，曾和銀行的人聊天，幾個年輕人喝多了腦洞大開，想了不少減少貸前調查人工成本的想法。
1.比如各類水電煤單據拍照識別，自動轉換標準數據格式，便於以後匯總整理。
2.定期跟蹤庫房車流量困難。這做期貨的的那幫神仙有解決思路啊。那行當早就開始動用衛星掃描大豆產地面積變化，輔助預測了。咱們也定期掃庫房前的車流量啊。
3.企業多賬本，內外帳分辨困難，你只要用ERP軟體。我就能能從會計做賬的行為習慣上看出問題。比如每年企業所得稅彙算清繳期截止月份，ERP軟體取數發現憑證中的制單人、審核人、會計主管人名環比發生變化.，我是否能判斷財務人員感覺造假壓力過大，辭職或者換人了？
信息化輔助人工判斷這個領域，前段時間美國有個公司很是出了一把風頭，做互聯網徵信的ZestFinance | Big Data Underwriting，2萬多個分析維度（不知道是不是吹牛），他們能從申請表格中人名大小寫這個維度推測此人教育程度，潛台詞是受過高等教育的找到穩定工作幾率較大，還款能力較強。。。
信息化輔助人工調查領域很有意思的，有些傳統金融業出身的人自設框架，限制了手腳。我見過幾個這塊的創業團隊，有的組合很奇怪，不要金融行當出身的人，恐怕就是擔心職業思維困住了創新思路。
4.20.更新，此問題回答總結，後續不再更新
周日無事，我看了這個提問下20多個回答。研究了題主的所有跟隨評論，才算有點知道題主準備涉足的領域是什麼了。我以前做PM的毛病犯了，我幫你梳理一下需求，也可能猜的不對：
1.可能是P2P做信用貸、流水貸給你們提的需求，是否是想通過信息化手段優化審批流程，加快提交入件速度，快速放貸。
2.中間可能涉及貼個優質貸款項目推薦人的標籤，讓銀行等放貸機構承認你們的推薦項目是靠譜的。由於這個理由題主才會諮詢信貸流程，詢問自動化等問題。
3.你所在的單位各類數據獲取困難，或者你們的項目推薦邏輯是基於pos機流水、財務報表之類的簡單模型，所以題主的問題描述裡面會涉及到這塊內容，其實題主你不是真的關心FICO、貸審分離、放貸機構現場調研判斷等內容（問題下的20多個回答，其實不是你真正想要的回答）
4.我從你某個評論提到了「進件」這個頗有某個行業特色的名詞亂猜的。你的核心需求可能是做一個優質貸款項目推薦系統，能夠獲得銀行、P2P、小貸等公司認可，快速放貸。項目的前提是機構認可這種模式，這個和技術無關，和各類批貸前調查無關，純屬商業談判。
5.如果承認4的猜測正確，那梳理平台使用的四類角色是很重要的：申請貸款人、平台審核人（包括超級用戶）、資金支付託管方、放貸人，如何把四個角色流程打通 ，易用性交互做好是更重要的。而不是僅僅局限於了解銀行等信貸流程上。
我18日正文的回答前加了我這個回答的前置觀點，便於題主理解。貌似我一開始想多了，扯的一大段不同維度數據判斷的事情，不是題主想要看的。
我來介紹一下富國銀行的貸款全流程，其管理可以簡要歸納為「5個維度」和「44個流程環節」。
先來說說貸款管理的5個維度
（一）透明度。原則：客戶所有的風險敞口和本行相應的風險管控措施都必須清晰可見。包括：CICAT（事件及應對措施追蹤集成系統）報告、RCSA（風險管控自評）報告、監管機構要求的報告、富國銀行內部風險管理工具的實施、定期風險管理報告（包括季度監測和行動報告、風險矩陣分析和趨勢分析）、可持續的客戶關係、專家委員會等。
（二）可信度。原則：客觀和值得信賴的風險管理戰略和行為，達到保護資產安全性的目的。包括：風險趨勢分析、回應監管要求、市場風險防控、信用風險防控、對風險防控措施的後評價等。
（三）及時性。原則：風險管理措施必須基於對風險緩急程度合理評價的基礎之上。包括：綜合信息支持、風險管理項目制、風險管理指引等。
（四）針對性。原則：風險管理措施（流程、判斷、模型、工具）是否有效，關係到最終的資產質量。包括：ILD（內部損失數據評估）、RCSA和再評價、CRAS＋（合規風險評價系統）、CICAT、CRMP（公司客戶風險管理系統）、LDRPS（災難恢復計劃系統）、POQ/CID（初始銷售和交易客戶信息系統）、CIBOS（投資銀行客戶數據中心）、SCI（戰略合作夥伴信息系統）、帳戶活躍度監管工具、SOX（索克斯法案查詢系統）等。
（五）系統性。原則：風險管理措施必須體現綜合性、規範性、一貫性的要求。包括：公司業務政策指引、RCSA報告、虧損趨勢分析、風險和合規控制效果後評價、內外部審計、檔案管理、突發事件管理、合規培訓、業務持續性計劃等。
再來詳細介紹貸款「三查」的44個流程環節
根據富國銀行信貸管理要求，一筆普通貸款「三查」流程所必須經歷的44個環節列示如下。其中，每個環節都必須形成完整記錄（書面記錄或系統記錄），並對內部風險管理部門、合規部門、內審部門和外部的審計機構、監管機構完全開放。
（一）貸前調查流程
1．初步財務狀況分析（客戶經理）。
2．研究貸款需求（客戶助理、客戶經理、操作風險經理、審貸員）。
3．準備所需要的資料清單（客戶助理）。
4．現場拜訪（客戶經理）。所需了解的公司狀況包括：公司概述、商業模式、經營戰略和投資理念、目標回報率和資產狀況、競爭者情況、流動性情況和前瞻、組織架構運作情況和變革計劃；其中，就資產狀況而言，細化指標有當前目標市場情況、過去和未來12個月的損益情況及預估、用風險－收益矩陣評估其運營效率、用SWOT矩陣分析其經營優劣勢、非現金收入策略、其他銀行對其的信貸政策等。
5．擬定貸款條件清單（客戶經理）。
6．將客戶資料和貸款申請錄入信貸管理系統（客戶助理）。
7．準備貸款申請書面材料和電子檔案材料（客戶助理）。
8．收回客戶簽字確認的貸款條件清單及其他信息資料（客戶經理）。
（二）貸中審查和貸款發放流程
9．完成財務分析（客戶經理）。
10．在信貸系統內完成成本收益評估、貸款可行性評估和環保評估（客戶助理）。
11．準備合規部門所需的材料（客戶助理）。
12．了解外部法律顧問的意見（審貸員）。
13. 準備貸前調查和確認客戶不在美國政府「黑名單」內（客戶助理）。
14．準備有助於了解客戶的其他輔助性材料（審貸員）。
15．審閱所有的第三方對抵押物的評估報告（審貸員）。
16．根據UCC（美國統一商法典）要求，進行所需保險項目的評估（客戶助理）。
17．審查項目預算、準備貸款預算、聯繫貸款申請登記部門（客戶經理）。
18．在信貸數據系統中建立貸款申請項目（審貸員）。
19．準備審貸材料（審貸員）。
20．在貸款申請通過後，收到開貸通知書（客戶經理）。
21．對全部貸款合同文件進行終審，並寄送借款人（客戶經理、審貸員、法律顧問等）。
22．完成全部合規性審查和財產保險工作（客戶助理）。
23．完成所有相關費用的計算，出具終稿（審貸員）。
24．協調所有參與該筆貸款業務的人員，確認貸款發放前的全部工作結束。
25．再次確認內外部貸款合同和文件的完整性（審貸員）。
26．將第25個流程環節涉及的內外部合同和文件存檔（審貸員）。
27．完成貸款概覽表並呈交上級審貸官備案，同時通知貸款作業中心進行放貸和簿記工作（審貸員）。
28．將其他相關的文件材料存檔（審貸員）。
29．在UCC和納稅系統中建立工作檔案（客戶助理）。
（三）貸後管理流程
30．開始貸後管理流程工作，完成「高風險客戶」分析報告（客戶助理）。
31．完成對在建工程的現場檢查計劃（客戶經理）。
32．列出例外事項和棘手問題的清單，供貸後監管之用（審貸員）。
33．完成合規自查清單（客戶經理及其上級主管），如：對於新貸款而言，必須自查的內容共17項，包括：是否將美國的相關法律內容告知借款人、所有貸款調查報告是否均經過客戶經理確認、是否符合美國《信貸業務公平交易法》（FACTA）的要求等。
34．監督信貸資金的劃付是否與貸款申請一致，並將不符情況提交部門主管和客戶經理（貸款作業中心）。
35．對信貸資金的使用情況進行跟蹤和報告，並對借款人採取相應行動（客戶經理）。
36．每月出具貸後監管簡報，對借款人財務指標和非財務因素的較大變化作出分析，對抵質押物情況進行評估和判斷（客戶經理）。
37．每月收集和分析第三方評價報告，出具月度綜合分析盡職報告，報送上級管理層直至批發業務條線負責人（貸後管理人員）。
38．定期查閱CRAS系統，確保業務和流程的合規性（合規人員）。
39．每季根據借款人的季度財務報告進行內部評級（AQR）工作，即通過借款人評級（BQR）和抵質押物評級（CQR）計算AQR變動情況，並追溯歷史紀錄以了解AQR變動趨勢，並將變化上報上級管理層（客戶經理）。
40．按月生成貸款業務綜合報告（Portfolio Credit Summary），提交批發業務信貸委員會。包括：當月貸款與貸款承諾餘額、新增貸款情況、新建信貸關係情況、AQR降級客戶情況、問題貸款情況等，所有內容均含綜述、趨勢分析和明晰表等內容（貸後管理部門）。
41．統計分析借款人的還款情況是否與原定還款計劃一致，並將反饋至部門主管和客戶經理（貸款作業中心）。
42．對還款情況進行跟蹤和報告（客戶經理），並對借款人採取相應行動。
44．借款人到期全部還本付息，解除抵質押（客戶經理、貸後管理部門）或
44．將AQR7級及以下的貸款、部分惡化趨勢明顯的AQR6級貸款、非應計貸款和其他足夠形成不安理由的貸款轉交資產保全部（Workout Group）處理（客戶經理、資產保全部人員）。
忽然消息提醒多了起來，不管是贊或者是感謝都很高興，謝謝大家賞臉：）
目前的條件下，信貸的全流程是人和自動化的結合，隨著科技的發展和大的信用體系的完善，人的因素會降低，自動化的因素會逐步提高，但是完全排除掉人的因素，現階段，自動化信貸審批不可能，不靠譜。但是可以人歸人，電腦歸電腦，各司其職最好。
實際操作上也是這麼做的。以前信用報告不全、企業信息沒公示、法院系統被執行沒公示、沒有所謂的失信黑名單的時候，要做一筆信貸業務，調查人員的調查工作調查範圍是更大的，但是隨著這些信息的互通可用，省事了很多。所以我說只要是有助於提高效率的東西，我都支持。最好有一個系統，我把企業名稱一輸，各種情況都出來了，關聯公司、對外擔保、信用情況、報稅信息、之前發生過的貸款情況，有無逾期記錄等等，生產型的企業可以直接調閱他們的電費水費氣費，再點一個分析報告，我直接調查報告都不用寫了。然後自己去企業印證一下。無論如何，實地調查這個環節是省不了的，因為你的對象是人，人是tmd最難說的，各種可能性都有。可能前一天還在按時交稅費，後一天就跑路了。沒有一絲猶豫，沒有一絲防備，你就這樣發現，出風險了……
好，不扯了，現在銀行的系統也很發達，已經自動化程度很高了，但是完全放手像有的P2P平台標榜的那樣，接駁大數據分析，全自動化批量審批，我持懷疑態度，信貸這玩意兒，現世報太快了……
2015-10-13更新
以下是原答案：
-----------------------------------------------------------------------------------------------------------------------------------
首先上結論，我是一個懶人，希望並支持任何可以提高效率的幹活，但是現階段，自動化來大批量進行信貸審批，還不靠譜。
事情的發生是這樣的，我們單位最近重新搞了一套OA，並且鏈接了一個所謂的「大數據分析」（某央視採訪品牌公司），就是想達到提問這樣一個目的，出於某種不友好的推測，弱化有經驗客戶經理和風控（基本都注會）的項目干預，達到所謂信貸業務流水化一體化建設，也可以降低人力成本。
作為一個信貸前台混了六年的老渣渣，聽了培訓之後直接提了五六個問題，沒有一個能正面解決。也跟大家分享一下。（以下大數據公司簡稱大）
1 大：採用銀行、統計局等口徑的數據模型建模
我：如何保證這些建模數據的真實性，從頭歪起，分析報告也沒指導作用。
大：目前大數據分析應用不能做權威證據，跟實際情況一致的說明大數據有用。不一致的，應該是你們提供的數據不對。
2 我：對於房地產企業這種財務報表不一定有連續性的行業（武漢這邊中小地產公司不一定連年開發），大數據分析能準確識別么？
大：只能分析生產貿易型企業，房地產相關企業不能分析。
我：我們叫房地產部…那大型建築企業能分析么？
大：抱歉，也不能。
我：我們平時還有一些集團性客戶，可能涉及行業較多，子公司也很多，這種情況能搞定么？
大：只能對各子公司分析授信，無法分析出集團總體評價。
3 我：貴司需要企業每月上傳更新一次財務報表、所有賬戶流水、應收賬款發生額、電費單發貨單等等，對於大中型企業或者集團客戶，工作量偏大，如何應對？能否簡化？
大：不能簡化，只能手動一一上傳。
我：那大中企業有十幾個財務人員的，不會因此單獨配一個人員來操作這個，怎麼辦？小型企業會覺得麻煩，不配合怎麼辦？
大：要說服他們主動上傳數據，這在下面教你們營銷方法。
我：幫你們採集數據，營銷，還要為你們繳納費用，這個經營模式不錯啊。
大：奸笑ing
4 我：假設企業同意上傳數據，也是真實財務狀況，但是在現實情況中，真實狀況和企業報銀行、稅務，口徑並不一致，如果統一化了，給企業帶來的稅務麻煩和銀企糾紛如何解決？企業真實經營情況泄露給其他同業或者競爭對手也很難辦。
大：相信我們的保密和加密手段，不會出問題的。
5 我：就現在實際情況而言，我們一個季度至少要做一次貸後檢查，那麼現在大數據上來了，對我們工作的實際幫助是什麼？
大：可以在貸後檢查之前就有針對性的發現問題，例如流水波動，來減少工作量。
我：並不能減少，貸後檢查是要求下戶的，該問的都得問，可能有一點作用吧。
但是按現在已出現風險的一些項目來看，一些苗頭卻都是不能量化的，例如企業法人去澳門賭博或者家裡鬧矛盾等等，等到實際流水銷售大幅度下滑，那基本問題已經形成了，要行動也晚了，預警的效果並不好，能不能通過大數據分析來提前提醒？
大：不能量化的東西愛莫能助。
6 我：你們如何判斷企業提供財務數據的真實性？
大：我們有海量的模型和部分銀行的使用數據予以參照，經過大數據分析來算取他們各種數值以判斷真假。
我：例如都是貿易行業，武漢這邊的特點和上海那邊的肯定有相似性，但是未必都一樣，以上海的數據來判斷武漢的真假，中間的誤差怎麼處理？
大：我們的系統國內領先。
我：那麼，我就找一個我們自己公司的注會，來針對你的系統做一個賬套，各種勾稽關係也都ok，但是整個數據都是編的，這種東西能識別么？
大：……估計不能
不邀自答。
我一直有一個觀點：在中國，任何脫離實地調查的信貸業務都是高危業務。我也一直很反感所謂「批量信貸」、「自動審批」的概念，原因只有一個，在中國，你要考慮的調查因素實在太多了。互聯網、物聯網還有什麼大數據，確實能解決不少問題，但能不能別走極端直接就跳到自動、批量上去（消費信貸除外）？
1.從風控對象說起
任何標準化的風控模型應用都是以標準化的風控對象為前提，在國內「屎」一般的信用環境下，各種奇葩企業層出不窮，財務監管變「空談」，你跟我談「自動化」？要說「標準化」，大中型企業遠比小企業好得多，但諷刺的是當前國內的標準化風控、批量信貸往往應用在了小企業甚至個體工商戶身上，搞笑吧？更搞笑的是，還能拿出依據來，什麼依據？你看，某電商自己的小貸不就是這麼搞的，也難怪別人說你銀行沒用，1、電商內小貸客戶多少體量？2、人家那麼丁點客戶都是在同個商業模式下的，你的呢？3、人家能直接凍錢，你呢？4、人家在這麼好的風控條件下做出了怎麼樣的業績呢？咱別整媒體上報的漂亮數據，用發生額混淆餘額概念，糊弄外行可以。這麼好的負面例子擺在這裡，銀行偏要學，只能說看報紙拍腦袋決策的人太多了。
2.再說風控模型中的數據來源
有毛個可信數據來源啊！！！！！
報表？騙小孩呢？這是哪？中國！！！
FICO評分？就那點破指標賣那麼多錢？你以為是在做諮詢啊？問幾個問題，以小見大了？？？指標算出來這企業是一坨屎，但人家手裡捏著一個大額訂單，你就直接把人否了？？？有人說我極端是吧？那我告訴你，我見過不少信貸客戶本身資質稀爛，但具備起色因素的。做信貸看的是趨勢，就靠那麼一張評分表看出趨勢？你以為玩雙色球呢？？？這還不如玩雙色球的呢！！！FICO的真正價值在於風控禁止條款的觸發提醒，咦？這我自己的信貸管理系統就能做，要你FICO干毛？
內部ERP？相對靠譜，只是相對
總的來說，數據有很多種，很多來源，什麼數據都不重要！但是什麼數據都要看！挑刺眼的挨個搞清楚就可以了。
3.人是世界上最奇妙的本體，企業是人做出來的，在其他因素不可靠的前提下，還有什麼比看透實際控制人本身重要的呢？走上銀行這條路，在我身邊讓我佩服的人中有幾個是大銀行的資深客戶經理，聽過人精嗎？他們是人精中的人精，只要他肯教你，一天勝過一個月的課堂式教學。MS的一個資深經理對我說過：「做信貸不是體檢，而是算命。」這句話太入骨了，指望電腦算命？只能說宅男太多了。
小結：銀行不能和企業結婚，那是VC乾的事，銀行只能和企業玩曖昧，進一步親昵的很，退一步照樣自如。結婚可以有固定程式，但曖昧只能看你自己把握，指望電腦教你？你還是轉行吧。最後，我說話不是那麼客氣，邏輯也不是那麼清楚，如果有什麼讓你不滿意的地方，那我也無所謂哦。
卟腰子來。現在已經在做了，機器批貸需要三個條件，第一業務相似性，業務模式必須相似不能差異過大，第二，指標可量化，審核指標必須能夠抽象出來，第三，經濟性，業務數量需要很多，就為批2筆貸款開發個模型出來不合算。符合上述三條件的個貸（按揭），小企業抵押貸（各行名字不同）以及信用卡基本上都實現了機器批貸，人工複核。至於複雜的貿融，項目融資等等具體差異比較大無法提取成抽象模型，所以無法機器批貸。盡職調查階段必須要人員介入，畢竟現在機器人還沒大規模應用。。。
信貸的範圍太大了，如果按類別細分一下的話，
企業信貸：
我認為面向企業的信貸涉及到的數據無法標準化，基本上都是行業相關的，對信貸經理的行業經驗要求很高，而且每個信貸員只熟悉他常做的幾個行業，做多了才能摸清楚這個行業的潛規則。所謂大數據能解決的只能獲取各種標準化的數據簡化人工查詢的時間，決策還是靠人看的。為了做風控而要企業長期錄入各種數據是不現實的，只有本來就擁有相關數據平台類公司在有足夠的積累後能夠自然介入信貸業務，比如阿里巴巴，京東等大型互聯網電商公司。
個人抵押貸款：
比較典型的是抵押車貸，對於借款人做自動風控有一定的需求，但是更重要的風控手段來自於線下網店對於車的核查以及後續追蹤手段，還有逾期抵押車的處置，這方面的工作無疑需要人工的大量介入，風控審核自動不自動的意義並不太大。
個人無抵押信用貸款：
說到重點了，先說下觀點，個人無抵押信用貸款最適合自動化風控，做這個業務的公司也有足夠的動力上系統減少人工介入成本。小額信貸和大額信貸的邏輯不一樣，單筆能產生的利潤不高，每筆都投人工審核，先不說有沒有效了，光算審核員的工資就要虧錢了，而且按照大數定律，小額信貸只要達到一定規模，並且運營成本不隨著業務量同步線性增長的情況下才有盈利的可能，實際上在這波互聯網金融浪潮中，信貸領域的Fintech公司主要都集中在面向個人小額信用貸款的風控技術上，有的想辦法獲取各種個人數據，有的做大數據風控模型等等。
當然這裡面衍生出另外一個問題，就是做風控模型的或者做數據的公司如果系統效果不好，就沒人用，如果效果好，自己算了算投入投入產出，乾脆心一橫就自己借錢放貸了。這當中中國金融業普遍存在的凡事都要托底回購的風氣也起了推波助瀾的作用。想一想也是，就算表面上是助貸平台幫銀行放貸，不承擔風險，其實總會被要求想辦法處理壞賬，那還不如乾脆自己借錢自己放貸賺錢賺的更多，風控這東西，真的好不好很難評價，自己覺得做得好又能搞到錢總會控制不住放貸的衝動，至於結果如何2017年看吧。為什麼要信貸處理自動化呢？！！！！還是答題吧。有點兒絮叨。。。
信貸處理自動化的基礎是數據的標準化，可信性，及時性、前瞻性，通用性，對比性。
目前銀行基本實現了部分信貸工作的標準化或系統化工作。
比如：目前大型主流銀行都採用了 信用評級系統、風險定價系統、貸後資產分類系統；某些做中心企業信貸的外資銀行也實現了信貸打分系統制度。但不管怎樣的系統化都無法改變信貸必須要人為參與，甚至是主要是人為決策的現狀。
信貸流程中最關鍵的幾個流程是：1、盡職調查；2、調查數據轉化；3、形成調查報告；4、送審；5、集體評審會制度審議；6、批複授信；7、具體信貸運用。
如果將上述流程進行簡化，就是盡職調查、經驗評審。
那麼為什麼不能自動化呢？
A、數據不能標準化，以及數據判斷的複雜性：就企業貸款來講，企業本身是一個非常複雜的法律個體，其自身的參數太多，參數之間的依賴性也太多，標準化處理太難。 簡單說幾個銀行信貸關注的參數：成立時間、股東背景、股東比例結構、治理架構、管理人員素質、資本狀況；經營上如所屬行業、政策情況、經營地位、產品屬性、產能情況、價格情況、產品市場情況（這個又包含太多因素、如客戶多寡、客戶是否集中、距離情況等等）、產銷情況、品牌情況、渠道情況等等；財務上，涉及的更多，企業財務數據具有結構性和發展性，結構如何、每年都在變化，為何變化，變化反映了什麼？這些數據，有很多可以具有標準化，並數據化，但是有些做不到。及時都做得到了標準數據化，但這些參數之間又是相互影響的，電腦如何如人一樣去做判斷？
比如：一個多元化運作的企業，涉及多個行業，行業之間關聯性較低。你將上述數據標準化，並錄入自動化系統，則他們只是數據而已，這個企業的好壞，還需要用你取得的數據去判斷。那麼判斷的標準是什麼?是按房地產行業判斷，還是醫藥行業判斷？
B、數據的可信性？
我們理想的自動化是，銀行只處理數據。數據由申請人去提供，或者有個數據介面，信貸自動化系統對接處理。但是這時候就有了可信性的問題。
在目前國內連政府都不敢信的時代，企業尤其是私營企業的數據你敢信嗎？
即使你說數據由銀行人員自行獲取，轉化。那這樣，銀行人員，也就是人，是不是就有了參與人為判斷？
但是，銀行人員也是人，他也會有數據造假的動機 和機會？ 因此，如果在這一步之後完全依賴於系統自動化，則這樣的系統結果沒人敢信。
C、數據的及時性、前瞻性
剛才講到了企業本身是個複雜的法律實體，其處於的市場環境也是複雜，瞬息萬變。這就需要數據自身需要達到及時性、前瞻性的要求。
及時性，比如，行業政策突然改變，企業就會遭殃，如果僅僅以A中提到的數據進行判斷，則極為不妥，因為企業的據是有時滯效應的，不是馬上就會體現在財務數據上。比如，2013年反腐前，茅台相當牛逼，反腐開始時數據也相當牛逼，但是如果以此數據判斷，一年後就慘嘍。
數據的前瞻性：舉個例子，兗礦在澳大利亞投資百億；如果沒有前瞻性，澳大利亞投資具有較大的不確定性，簡單以數據看，資金充足，有新項目上馬，好兆頭。但目前看兗礦，依然岌岌可危。
數據的及時性和前瞻性，並不是數據本身可以自我實現的，需要人為參與。
D、數據的通用性、對比性
這個通用性不是平台間或者不同金融機構之間的通用性。 這裡著重的意思是判斷。 同樣90%的資產負債率，3%的凈利率，對不同的企業來講是不同的，即使他們處於同一個行業，同樣的規模。如果，自身產業結構、技術水平、區域性不同，則該數據則可以意味著不同的判斷。這個判斷不是增大數據維度、和多層邏輯判斷就可以解決的。
總體來看，信貸自動化之路遙遙啊。當然不否認在某個細分行業，細分類型客戶中進行小規模試驗。 我本身是特別喜歡講數據標準化，自動化的。但是為什麼要把所有東西都系統自動化呢？有些時候僅僅為了系統化而系統化是無意義的。因為在整個銀行信貸體系中，具有重要判斷職能的信貸評審人員、評審委員會人員在銀行系統中佔據的人數比例相當小。
但是如果通過數據的系統化，輔助人工判斷，是發展趨勢。目前銀行根據巴3在搞內部評級系統，就是好的兆頭。
就先絮叨這些吧。。
Fico評分系統在美國很適合，因為美國對於稅收這點抓得很緊，所以即使是小微企業也有相對明晰的賬單。但是在中國肯定是不適合的，想給一個普通的國人的信用打分幾乎是不可能。
也是基於這點我創辦了標準普惠的系統，從軟硬信息著手，把IPC中最核心的交叉核驗技術融入系統中，目前來看，國內還沒發現比我們做得更好用的信貸系統，講真。手機簡單答一下。個人認為，特定環境特定產品條件下，一定程度的自動化現在可以達到。大環境下，完全的自動化基本沒戲。
信貸審核真正的核心其實在於兩點：
1）確認還款能力。
2）確認還款意願。
在我國大環境下的信貸審核目前，通過大量的資料庫，以及各種指標化後，能做到自動化的：
只能對客戶未來的還款能力做一個儘可能的準確的預測。無論你的數據基礎量多大，都是不可能對各個不同行業，不同時期的企業做完全準確的自動化判定，因為指標也在不斷變化。
而另一方面，對客戶還款意願的判定上，自動化就更不靠譜了。還款完全是個體主觀行為。就我國目前的信用環境而言，違約成本太低，所以大量採用抵押的行為來提高客戶違約成本，增強客戶還款意願。
題主前面提到了幾個例子，我也就我的了解說一下：
1）FICO。真正的從業人士應該都了解，FICO在國內的應用就是一個笑話，各個涉及批量自動信用評審的企業把FICO的名字擺出來更多只是看重廣告效應。完全不一樣的信用環境，文化，思維方式，等等。造就FICO原有的評判標準根本就不適用。自己調整，往往數據量又不夠或是指標不準確。
世界上最難懂的是人心！信貸流程里，判斷借款人的還款意願是非常重要的一環！從個人授信來說，所謂還款意願就是面談的過程中相面，那些看起來老實本分過日子的人，雖然有時條件不好，但生活穩定，即使真的碰到經濟困難，也會想辦法和銀行溝通，催收比較簡單，我更願意給這樣的人放款。從企業授信來講，那些老實的人經營更穩健，企業也穩定。電腦無從判斷這些東西，也無法量化這些東西。
大家如果有興趣，這裡面的故事比電視劇還要精彩啊。
1、當下的信貸評估系統還沒有哪個能識別好人與壞人吧，有些銀行的貸審，當貸款金額達到一定金額的時候，甚至必須多人平行貸審，道德風險是必須防範的！
2、憑這麼多年的工作經驗，如果沒有客戶經理實地上門貸審，就憑一個系統一杆子到底，我有信心通過資料造假從這個銀行貸出幾百萬，我碰到客戶有意而為，通過公安系統關係辦兩張身份證，一個身份下掛有所有資產，一個身份用來貸款，這個怎麼發現的？出事之後法院去查可執行財產的時候才發現，多大的損失！資料造假多容易！
3、餓死了，待會再繼續
我們直接在2014年做了一批信貸工廠的集中放款，個人消費貸款，30萬以內，任何零售客戶經理包括新員工都可以進資料，無需調查，工廠作業集中審批，最快當天放款。結果喜聞樂見。我們全國各家支行零售貸款不良飆升，該類資料造假成風，整個該類型貸款開始抽貸，處理相關造假責任人，客戶出現逾期的對客戶經理各種降級處罰，總行說產品是 的，問題全是客戶經理的。從此該貸款有名無實，大家對信貸工廠呵呵。我只想說，幸好當時批量做經營貸款只是說說沒像這個消費貸強制推行，不然那畫面一定很美。
說到信貸的全流程，不同於大家從很專業的審核和大數據方向出發，我僅從就職的小貸公司其剛上線的貸款平台的信貸流程做一個簡單的介紹，再講講能否做到較高的自動化。
首先，讓我們先看看證大速貸在線貸款平台的貸款流程。【利益相關，不喜勿噴】
上圖是證大速貸在線貸款的貸款流程，在官網
上圖是證大速貸在線貸款的貸款流程，在官網http://www.zdcredit.com/也可以看到。
簡單來說，全線上信貸流程是這樣的：客戶在線申請，上傳資料，進行視頻預約，等工作人員審查客戶資料是否符合要求之後，再通過視頻審核客戶資質是否符合，然後是審批，最後確定是否放款。
或許會有一些人問：沒有實地考察客戶，怎麼保證客戶的質量？沒有當地營業網點，怎麼保證客戶按時還款，風控上如何把握？
這些我不能回答，非常抱歉。
接下來我們講一下能否實現較高的自動化。
我的看法也是，暫時還是不行的。
對客戶來說，他們可以不用去網點就可以辦理貸款。
但我們這邊，從聯繫客戶，檢查資料，視頻面核，這一階段都是人工在進行操作，所以，我認為短期內無法實現較高的自動化，當然，這只是針對我們公司來說，我們公司還有很長的路要走，大家都在努力探索中。
可能提問者想問的是審核審批放款這一塊如何實現自動化，其實現在審批結果是根據客戶提供的材料進行資質自動判斷的，可能其他公司在這方面走得更快吧。
但提供全線上貸款服務的小貸公司，我們公司算是走在比較前面的了。
同時，也希望大家可以回答一下這個問題：http://www.zhihu.com/question/27602974
謝謝！看了目前所有的答案，靠譜的不多。
首先，任何技術方法都有適用領域和範圍好吧。流程自動化以數據分析、模型、策略為基礎，是有適用範圍的。就目前的實踐情況來看，在零售業務領域，可以做的很好，自動化程度相對很高（完全自動化純粹是找死的節湊）。在對公業務領域，自動化基本為零。而這小微業務這部分，自動化程度有一些，但相對比較低。
其次，什麼情況下適合採用自動化？看看零售業務，針對大量或者海量的消費者客戶，其相關數據相對容易獲得，而且其數據準確程度相對容易檢查確認（例如，查一個人的學歷比查一個企業的財務數據簡單多了）。這種情況下，才能有自動化的前提。同時，海量的賬戶、小額的損失也使這種操作在經濟上（包括成本、收益）可行。
最後，算了，不說了。
用人來做信貸，出現壞賬了，可以追究客戶經理，支行行長，審批人乃至風險總監、首席風險官的責任，用機器來做，出現壞賬了找誰去？
作為一條信貸狗，我基本不看數據
推薦閱讀：