随着改革开放的推进,中国逐步建立起了现代化的商业银行体系,面对市场经济的迅速冲击,中国商业银行体系也承受着巨大的风险,作为商业银行健康发展的重中之重,风险管理在商业银行的经营管理过程中处于核心地位,其中最主要的风险为借贷风险。只有尽量避免不良资产,提高优良贷款比率,严格把控贷款风险,才能为商业银行的生存和发展提供重要保证。在大数据时代,中国商业银行具有领先的硬件系统和数据仓库,积累了大量的数据信息,随着时间的推移,数据价值也随之逐渐上升。利用历史数据信息建立适当的数据挖掘模型,对积累的海量数据展开全面分析,从中提炼出埋藏于数据深处的规律和趋势,获取充分的信息指标应用到银行的业务决策中,为银行的战略决策和业务发展提供有力支持,有助于实现数据价值的最大化。本文利用某国有商业银行支行的企业贷款历史数据进行建模分析,其中所得数据包括企业财务信息和规模信息。首先将对所获取的各字段进行量化处理,进而进行数据预处理,用清洗干净的数据建立信用风险评级的神经网络模型,计算出模型中各字段的权重,客观地确定影响贷款信用风险的指标及指标的权重。模型结果表明,成本费用利润率和总资产报酬率的预测变量重要性程度以及Pearson相关系数的值都很高,因此企业的获利能力是影响授信企业能否到期还款的最重要因素。将授信企业的信息放入所建立的神经网络模型中,就可得到企业是否逾期还款的预测值,凭借模型对银行授信企业进行风险定量分析,从而可以有效辨别企业风险水平,帮助商业银行提高运营效率。