如何打造商業銀行智能風控平臺

劉小莉

近年來，大數據、云計算、人工智能、區塊鏈等新技術的應用促進商業銀行向數字化轉型發展，金融科技手段在拓展客戶、改進服務、防控風險、增強競爭力等方面發揮著積極作用。風控領域傳統手段存在效率低、精度差、成本高等問題，難以滿足商業銀行業務創新發展的要求，智能風控作為金融科技在金融領域最主要的應用之一，在銀行業受到廣泛重視。智能風控平臺以大數據為基礎資源，以云計算和人工智能為技術依托，運用于授信審批、反欺詐等風控場景，可以提升風控效率和精度，降低風控成本，是集數據、模型、規則為一體的風控中樞。目前，國內大多數商業銀行正在積極探索搭建智能風控平臺，為智能風控的模型開發、決策分析和場景落地提供系統支持，推動風險防控走向智能化時代。

智能風控平臺的建設目標

智能風控平臺的建設以構建智能化的風險管控能力為核心目標，運用大數據計算處理技術和機器學習、深度學習模型，實現“數據采集和整合->數據加工處理->數據挖掘與分析->模型部署上線->持續優化迭代”的智能風控閉環管理。

實現風險數據整合和可視化管理。大部分商業銀行在IT建設的歷史過程中，由于前期缺乏數據治理和系統建設科學規劃，曾形成多個煙囪式系統，大量數據分散在不同系統中，雖然商業銀行通過建設數據倉庫、數據集市等基于關系型數據庫的系統，一定程度解決了風險數據分散的問題，但受關系型數據庫存儲成本高、運算能力低、支持數據類型少等方面的限制，仍有大量風險數據尚未集中存儲。同時，通過數據倉庫、數據集市提取數據流程較長、加工運算能力較低，缺乏便捷、有效的數據管理工具，導致風險數據利用效率不高，對風控決策支持造成制約。因此智能風控平臺需要基于大數據技術對內、外部風險數據進一步整合，并實現數據的可視化管理，以便開展便捷、高效的數據處理，為智能風控提供數據支撐。

支持基于人工智能技術的機器學習建模。人工智能模型作為智能風控的“靈魂”，是商業銀行應掌握的核心風控能力。人工智能模型構建往往需要復雜的機器學習算法，傳統建模工具通常缺少對機器學習算法的直接支持，并且需要大量的人工編碼，對于大部分銀行建模人員來說使用門檻高。因此智能風控平臺需支持基于人工智能技術的機器學習建模，以便銀行建模人員實現智能風控模型的便捷開發。

支持風控模型快速、靈活的迭代和部署。真正發揮智能風控的作用需要依靠風控模型及時迭代優化，并進行快速部署運行。商業銀行以往使用傳統建模工具建模往往效率較低、模型迭代周期較長，同時模型部署通常需要預先部署決策引擎，再使用人工方式進行參數配置，操作繁瑣、耗時較長且模型部署的位置不靈活，難以適應新形勢下風控模型迅速迭代、快速部署的需要。為保證模型的時效性，快速適應客群風險特征的變化，智能風控平臺需具備支持模型及時優化更新的能力，并可以將模型快速、靈活部署到模型運行環境。

智能風控平臺建設的困難和挑戰

系統架構和技術較為復雜。智能風控平臺包括風險數據整合、數據可視化管理、機器學習建模、模型發布和模型應用等多個模塊，需要對各模塊進行橫向、縱向銜接以及技術的融合運用。從縱向看，從底層數據源到上層的風控應用，需要根據數據依賴關系及業務邏輯對系統進行分層設計。從橫向看，不同功能模塊之間，需要根據相互調用關系進行有效銜接。同時建設過程中還要考慮分布式計算、機器學習、知識圖譜、圖計算等新技術以及ETL、關系型數據庫等傳統技術的綜合運用和技術兼容問題，這些都對平臺建設構成了挑戰。

數據處理和數據安全管理難度大。數據問題既是平臺建設要解決的問題，也是要面臨的難點。通過智能風控平臺進行建模的基礎條件是所整合的風險數據質量有保障，但商業銀行現有數據存在不同程度的數據標準不一、數據定義不明、數據口徑不清以及數據缺失等問題，使得智能風控平臺建設過程中的數據梳理、口徑統一、數據清洗等工作耗時長、難度大。同時，平臺整合行內外大量可視化風險數據，為提高數據的利用價值，更多數據需要向用戶開放，增加了數據安全管理的復雜性。

自主建設能力存在不足。智能風控平臺作為金融科技應用的創新實踐方興未艾，大部分商業銀行由于前期缺乏技術積累，專業人才較為匱乏，同類項目建設經驗不足等原因，在探索建設過程中對平臺的功能邊界、風控規則等難免有認知局限。同時，平臺建設涉及多種風控應用落地，較難一次性完成，自主實施也存在一定難度。

華夏銀行智能風控平臺的建設實踐

華夏銀行智能風控平臺通過外部引智和借鑒業內先進經驗，克服了架構、技術、數據、應用等多方面的困難，共歷時一年多，分兩批投產上線，具備了客戶風險畫像、風控建模、智能風險分析等功能。第一批2019年3月投產，完成了行內多個數據源重要風險數據的整合，并引入工商數據與行內客戶數據融合，第二批2019年10月投產，形成了“天機星”企業客戶風險畫像系統和“天算星”風控建模系統兩大核心功能。

建設“天機星”企業客戶風險畫像系統，建立客戶風險全景視圖。針對企業客戶關聯關系存在真實情景復雜、客戶刻意隱瞞從而難以充分準確識別等問題，“天機星”系統優先著力解決集團客戶風險捕捉不全面、過度授信等業務痛點，力圖識別每條客戶關聯關系的“天機”。一是構建客戶譜系。進行關系挖掘分析聚合，從投資、擔保、控制人關系等多維度構建關系圖譜，網狀呈現客戶在關系圖譜中所處的位置及角色，區分強經濟圈、最終受益人圈、最終控制人圈、集團圈，識別企業的實際控制人，有效識別關聯風險，預防外源性風險傳導。二是生成客戶風險畫像。以客戶為中心整合內外部風險信息，深度刻畫剖析企業的內外部風險，形成多維立體的客戶風險畫像，實現從“人找信息”到“信息找人”的轉變。三是提供智能分析報告。基于客戶風險畫像，引入智能評價策略，構建客戶、集團、行業、地域等不同統計維度上的風險分析報告體系。

建設“天算星”風控建模系統，賦能智能風控模型敏捷開發。“天算星”集成了風險數據整合、數據可視化管理和機器學習建模等功能，為開發建設智能化風控模型提供建模平臺，可極大地提高算力。一是對內外部風險數據進行整合。涉及內外部多個信息系統數據源，涵蓋了客戶、業務、擔保、財務、征信、工商及銀保監會客戶風險信息等多種數據。二是實現風險數據分類管理和權限管理。既支持數據資源的可視化訪問，提供多種格式的數據導入，大大提高數據提取和數據利用的便利性，也支持數據分類管理，實現精細化的數據分類和不同數據庫之間的數據相互調用。同時支持靈活的數據權限管理，對不同用戶設置差異化的數據讀、寫權限控制，采用樹狀結構配置數據庫和表、用戶組和用戶之間的權限，實現了數據權限的靈活管理以保障數據安全。三是提供了豐富的數據處理功能。既支持數據統計、數據拆分、數據清洗等預處理功能以及特征抽取、特征組合等自動化的特征工程，也支持數據定制化加工，并同時提供菜單式和編碼式的數據處理功能，從而大大降低數據處理的難度。四是支持機器學習建模。引入多種高精度的機器學習算法，支持自動、智能、精準、快速的模型開發，同時具有模型直接發布部署和模型翻譯功能，大大提高模型開發、優化和部署的效率與靈活性。

采用先進架構和技術，提高智能風控處理能力與效率。一是采用高內聚低耦合的三層系統架構，便于平臺管理和擴展。高內聚低耦合系統架構下，每個模塊只聚焦特定的獨立子功能，模塊與模塊之間的聯系盡量少且接口簡單，相比低內聚高耦合的系統架構，顯著提高了系統穩定性和獨立性，更便于平臺管理和擴展。平臺的數據整合層專注于構建大容量Hadoop數據集群，整合和存儲內外部數據，供“天機星”和“天算星”共享。模型構建層專注于大數據的清洗、加工以及模型構建。模型應用層專注于通過模型運算輸出模型結果。各層級功能相對獨立，降低了系統各層級間的相互影響，同時又實現了數據共享。二是采用大數據處理技術提升運算性能。采用當今業界前沿的大數據處理技術，在分布式框架下將Hive和MapReduce相結合，用于支撐TB、乃至PB級的大規模數據集并行運算，實現傳統技術難以支撐的海量數據批處理運算。前臺數據查詢采用Redis內存數據庫，搜索引擎采用ElasticSearch，大大提升大數據搜索查詢和計算速度。三是利用知識圖譜技術，提升客戶風險全景視圖的挖掘探查能力。采用業界領先的Neo4j圖數據庫和Spark GraphX分布式圖處理技術，以圖的結構形式存儲關聯數據，無需全局搜索，僅遍歷查詢有限的局部數據就可以得到查詢結果，并且基于簡潔易用、豐富的圖計算和圖挖掘接口，更加方便地實現對千萬級企業客戶的關聯譜系構建和疑似實際控制人識別，較傳統技術大規模關聯數據的查詢和運算速度可提高數倍乃至數十倍，并提高開發效率。

總結和展望

智能風控平臺的建設和運用為商業銀行開展智能風控提供了更多的工具和手段。但智能風控并非無所不能，它無法取代數據治理等基礎工作，也無法完全脫離建模人員的專家經驗，其在金融領域的應用仍處于探索階段，金融場景的復雜多變也使智能風控面臨更多的考驗。同時外部數據獲取的穩定性、可用性等問題，機器學習算法本身的過擬合問題以及外部“黑產”和團伙欺詐手段的不斷升級等因素都可能對智能風控實施產生挑戰。未來在合規運營的前提下，商業銀行應繼續加強數據價值的挖掘，加大風控建模專業隊伍的培養，充分利用新技術的優勢，因勢利導，不斷加強智能風控應用的廣度和深度，從而完成智能風控“將數據轉化成信息，將信息轉化成知識，將知識轉化成能力”的增值過程。

（作者系華夏銀行授信審批部總經理）