背景

?

風險控制就是風險的識別和防范，它直接影響著銀行的績效。商業銀行的風控工作需要足夠的信息方能開展，商業銀行對數據的采集、分析和整理的水平決定著銀行的風控水平，進一步決定著它的盈利和競爭力?；谏虡I銀行盈利性、流動性、安全性的經營原則，風險管理在商業銀行經營管理中的重要性越來越大。然而隨著經濟形勢和信息技術的進步，數據信息日益復雜，交叉風險日益加劇。這些變化給傳統風控工作帶來諸多挑戰，傳統的銀行風控體系已經力有不逮，風控體系的改善工作勢在必行。

?

大數據的發展改變了銀行獲取信息、分析和整合信息的渠道，使更多有效信息以更準確、更穩定的方式保存下來，為信息化的風控體系創造條件。人工智能方法在銀行風控業務中的發展，使商業銀行可以充分利用已存儲的數據信息，以多個維度了解到真實的借款者面貌，以更高效率完整客觀的評估借貸風險。例如，近年來金融欺詐事件數量逐年攀升，欺詐團伙內部分工越來越精細，欺詐分子通過隱瞞、編造重要信息，制造信息不對稱的假象，謀取不正當利益。傳統的風控體系受制于數據信息不對稱，反欺詐效果不夠理想，某大型國有銀行利用大數據及復雜網絡技術優勢，尋找和利用更多線索特征，挖掘欺詐者的行為特征和社交特征，實現信用卡的申請反欺詐功能，提高反欺詐效率與能力。

?

總的來說，借助大數據背景整合的海量數據及先進的人工智能方法，銀行可以刻畫出更為全面、多元、立體的客戶形象，建立主動、實時響應機制，提高風控效率，提升風控水平，成為商業銀行傳統風控體系的補充，彌補其應對當前復雜信息環境的不足。

?

現狀

?

在商業銀行經營過程中，銀行所面臨的首要風險是信用風險及市場風險，即借款者的違約風險或利率、匯率、金融衍生品價格變動所帶來的市場風險，而市場風險和信用風險量化難度較大。在風險量化分析過程中，對數據來源充分性與及時性，對業務人才能力，對量化模型實施能力及后續模型有效性的保證都有較高要求。因此，不同商業銀行由于自身的財力與背景、業務種類與規模、優質人才獲取與培養等存在明顯差異，對應的風險管理水平及風險量化能力差劇頗大。

?

對于四大行等大型商業銀行，已建立了較為成熟的智能風控體系，實現了將智能風控應用于風險管理的各個環節及場景。在將大數據和人工智能技術應用于行內風險管理，已經有了一系列的應用實踐和解決方案。其一是智能模型。智能模型是一種欺詐風險量化的模型，最典型的是監督型機器學習模型，基于可觀察到的交易特征變量和給定“正確答案”的案件數據，模型從正確的答案中進行學習，從而進行正確的信用風險預測。同時，在一些交易、賬戶登錄等場景應用無監督機器學習模型，在沒有“正確答案”的標簽數據的情況下，通過分析欺詐用戶和正常用戶行為模式的異同，結合知識圖譜技術，識別欺詐風險。其二是在信貸場景中，基于用戶的多維度數據，利用信用評分的建模方法，進行用戶的信用等級劃分，衡量用戶的還款能力和還款意愿。

?

而對于中小銀行，由于成本控制因素、自身的發展格局、對人才和技術引進的限制等因素的影響，注重定性分析及業務專家的經驗，以傳統風控為主。在傳統的風控體系中，定性風險管理占主體，風控手段保守，以主觀規則及客戶評級為主，存在數據獲取維度窄、定量分析能力偏弱、難以精確化用戶特征等缺點?？偟膩碚f，中小銀行風險識別和管理技術手段較為原始，管理體系缺乏靈活性，導致風險防控滯后，缺乏風險預警。但同時，隨著業務風險水平上升，行方對于提升自身風險防控能力的需求日益迫切。

?

天云解決方案

?

對于中小銀行，如何借助大數據技術及人工智能方法、快速提升自身風險防控能力，天云針對不同的風控場景提供高效準確的人工智能風控模型，實現對客戶風險識別、客戶信用評級評分、申請反欺詐、風險預警等風控環節的覆蓋，嵌入到信用風險、欺詐風險等風險管理的領域。

?

?

信用風險

?

目前廣泛使用的信用風險防控應用有客戶畫像、客戶信用評級評分、智能催收、風險預警，天云提供一系列模型防范各個業務環節的信用風險。

?

其中，客戶畫像是運用HTAP數據庫和有監督學習方法，建立全面的客戶信息審察體系，衡量客戶的還款能力和還款意愿，精細化定位人群特征，從而全景式展現客戶的風險特征，為精細化客戶管理、交叉營銷提供技術支持。

?

在貸前審批過程中，風險預篩選模型綜合客戶申請信息及征信、黑名單、多頭貸等外部信息，通過整合的規則模型對進件進行預篩選，拒絕掉高風險或疑似欺詐的客戶，預篩選后的客戶會繼續通過申請評分模型等其他評估模型對客戶進行風險量化。通過風險預篩選模型，快速過濾得到“好客戶”，再對客戶進行細分。申請評分模型（A卡）基于信貸申請人的資信狀況，通過邏輯回歸算法，預測其未來嚴重拖欠或壞賬概率。模型評分作為信貸審批的主要依據，在信貸風險管理中有著非常重要的作用。申請評分模型結果可顯式地得到模型中每個相關特征的得分，實現了對模型中每個特征的風險量化，幫助風控部門制定可解釋的策略規則以降低壞賬率。另外，客戶價值模型根據各項重要因子，計算客戶當前價值，并預測客戶未來一段時間的價值，對新客戶根據客戶預期價值提供不同的營銷刺激策略。

?

在貸中監控過程中，行為評分模型（B卡）可以根據該賬戶歷史上所表現出來的各種行為特征，預測該賬戶未來的信貸表現。賬戶行為數據屬于銀行內部數據，該模型不依賴于征信記錄及其他外部數據。通過行為評分模型，評估客戶貸中行為風險，進而持續對客戶進行定價，例如：確定分期的手續費或利率等。行為評分模型作為貸中的基礎模型可以在貸中的調額、授權、挽留、激活等活動中作為客戶的基礎評分。差異化利率定價模型（客戶分群模型）可以綜合賬戶信息及信用卡交易信息，實現將信用卡客戶進行分群，確立各群體的風險等級，進而應用于風險定價及利率市場化?？蛻艟帜Ｐ完P注客戶在行內的消費情況及消費變化，通過多次聚類分析精準細分客戶生命周期（客戶獲取期，提升期，成熟期，衰退期，退化期），確定穩定性高、可維護性強、群體間具明顯差異的客戶分群。通過客戶精準細分，客戶經理選擇以不同策略維護客戶關系，銀行對存量信用卡用戶進行合理的貸后管理，提升信用卡收益，降低違約損失。另外，收益評分模型針對可能產生的收益進行計分,按照銀行長期積累的數據和客戶的交易習慣,評估客戶可能帶給銀行的收益,從而根據收益調整客戶的風險管理級別,在風險可控的情況下達到收益最大化的目的，收益評分一般與申請評分及行為評分模型配合使用。

?

在貸后催收過程中，催收評分卡模型（C卡）包括還款率模型、賬齡滾動模型及失聯模型，利用客戶逾期信息及歷史催收記錄、客戶聯系人信息等催收信息，預測逾期賬戶未來還款的可能性，從而采取相應的催收措施。同時，銀行可通過復雜網絡技術對疑似關系進行失聯補全，通過有監督學習算法對客戶進行分類，對不同類別的客戶自動應用不同的撥打策略進行自動催收撥打，將催收結果數據再次反饋至策略模型，提升模型準確率，從而提高催收效率。另外，貸后違約率模型通過對各項風險因子的分析，預測借款人違約可能性，同時監測各貸款類型總體違約率并與銀行歷史數據對比，提供動態風險預警。

?

欺詐風險

?

天云提供包括申請反欺詐及商戶反欺詐等模型，有效防控欺詐風險。

?

申請反欺詐模型突破了業務規則的描述，結合復雜網絡技術提取了傳統機器學習模型無法表達的網絡特征，在看起來獨立無關聯的申請信用卡的進件中，尋找存在相似的電話，郵箱，地址，特定業務規則等關聯痕跡。通過復雜網絡將這些關聯度量出來，升維新的特征，例如，離高風險或疑似詐騙的距離、高風險或疑似詐騙數量等，這些稀疏的變量和傳統金融變量一起輸入深度學習模型，更動態更全面的識別欺詐，極大提升反欺詐的效率和能力。該模型對于團伙欺詐具有顯著的效果，且模型隨著社交網絡的變化自動更新迭代，持續保證識別效果。

?

銀行零售業務中，二維碼收單業務已經逐漸積累了商戶信息，且在商戶經營過程中，交易量及交易頻率持續增長。隨著業務的不斷拓展，商戶質量良莠不齊，出現虛假商戶和套現商戶，這些異常商戶的潛在風險可通過商戶反欺詐模型進行識別。商戶反欺詐模型通過商戶基本信息、清算信息等內部數據及業務定義的商戶清單，通過有監督學習算法建模，識別異常商戶及異常交易模式，通過模型結果對商戶風險進行量化評估，從而對異常商戶進行處置，確保銀行二維碼收單業務的健康發展。

?

除常用的有監督學習外天云可提供圖計算技術及其他無監督算法，如：孤立森林、高斯混合模型及深度學習中的AutoEncoder-Decoder等異常檢測算法構建反欺詐模型，減少欺詐風險帶來的巨大損失。

?

天云產品優勢

?

天云提供完整的自動化建模平臺，包括數據及特征處理、模型訓練及評估，模型上線及監控，可以實現完整的風控模型及策略，助力中小銀行快速實現大數據風控落地。自動化建模平臺主要包括自動化特征工程工具Kaleido、自動化建模優化工具MaximAI、決策引擎Gaea及模型上線工具Sail，通過對功能模塊的封裝，實現了自動化模型快延，可快速批量的復制模型，加速建模過程，縮短建模周期。通過天云平臺，中小銀行可快速完成防范信用風險的ABC卡、客戶價值模型、收益評分模型以及欺詐風險模型等模型的構建與上線。

?

自動化特征工程工具Kaleido通過簡單的拖拉拽即可實現復雜的數據預處理及特征工程流程，也可以根據RFM模型自動衍生特征。該工具基于Spark的分布式計算框架，對于億萬量級以上的數據量也可以很快的處理。此外，Kaleido可獨立完成申請評分卡模型的構建。

?

自動化建模優化工具MaximAI支持四大類、共八種機器學習算法，通過自動化機器學習功能，實現模型自動調參與評估，可支持銀行風控模型所需所有算法模型。同時它增加了對模型結果和特征的自動化分析，從而可以讓建模人員有方向的進行模型迭代優化，同樣在分布式機器學習算法的支持下，億萬量級數據也可全量建模，同時自動化機器學習功能也大大縮短了調參的等待時間。

?

決策引擎Gaea基于RETE（規則匹配）算法，提供了決策集、決策表、決策樹、評分卡及決策流共6種類型的規則定義方式，同時可利用機器學習模型及圖計算結果，定義業務規則與決策，快速實現規則的定義、維護與發布。同時，決策引擎提供機器學習模型上線功能，模型可作為接口快速被業務系統使用。當然，Gaea也可獨立作為業務規則引擎，業務人員可根據業務流程，按需配置業務規則，快速上線。

?

通過對上述特征工程及建模評估等多個模塊的流程復用與繼承，自動化模型外延使得相似的模型不再需要“從頭再來”，只需要進行標簽的重新定義，大大縮短建模周期，提高建模效率。

?

模型上線工具Sail可支持多種類型模型上線，同時提供模型上線監控、資源管理等模型上線全流程監控，大大降低了模型上線復雜程度，減少模型上線及更新成本。

?