数字经济全景白皮书-银行业智能风控科技应用专题分析

CONTENTS 01智能风控价值和趋势 智能风控定义与建设目标 智能风控是一种基于数据技术和银行风控业务场景的风险监控和管理决策体系，即运用大数据平台的计算分析能力、机器学习模型的复杂数据结构化能力等，结合银行业务目标和信息技术发展规划来应用于信贷风控、反洗钱、交易反欺诈等场景。 银行业智能风控发展趋势 信贷全流程化监管将成为未来智能风控行业的发展重点 信贷流程各个环节都存在风险，目前对于贷中及贷后的风险管理还不够完善信贷流程环节缺失风控措施，将导致相关运营风险的提升。信贷全流程化监管将监管信贷业务流程所有环节，弥补相关缺漏，智能风控由此也将飞速发展。 跟用户体验关联起来，尤其是线上环境，如果风险控制程序太过繁琐，会给用户带来不良体验。相应地，“无感风控”会进一步加速在银行业的落地。 出现系统性风险可解释性的本质是对风险的可靠度量，即降低模型层面的系统性风险。目前银行业对模型的应用要求已经不仅仅停留在准确性层面，模型结果是否可解 释，模型是否安全、公正、透明是机器学习面临的新挑战。风控数据模型的可解释性越高，算法内在逻辑、技术实现路径、决策过程、预期目标越明晰银行信贷业务出现大面积坏账等系统性风险的可能性就越低。 部分国有大行和领先的股份制银行已经开始探索将隐私计算技术应用于信贷业务的联合风控场景中，比如通过提取个人多个及时有效的信息数据，降低 开放共享也将成为智能风控的发展趋势。 02智能风控现状与同业案例 银行业智能风控发展现状 随着金融科技的发展和银行面对风险的增加，智能风控在银行业应用广泛但落地效果参差不齐。 疫情之后，我国不同类型的商业银行的不良贷款都出现了不断增加的趋势。不良贷款余额： 各家商业银行先后启动风控系统的升级改造，通过在金融领域引入大数据、AI等技术，升级重构信贷管理系统，以适应新形势下风控管理的要求。目前，智能风控在银行业 大型商业银行 中应用广泛，全国性股份制商业银行、国有商业银行、城商行、农商行以及互联网银行等多方主体，近年来都在智能风控领域有所动作，但涉足和落地的程度不一、智能化水平参差不齐。 金融 本条件、组织架构、人才体系和战略规划等因素。分析与应用能力 而从国内银行业整体来看，我国商业银行风险管理的智能化能力还比较欠缺在数字化战略思维、数据资源整合、专业人员能力培养和与之适配的组织架 构调整等方面依然存在很大的不足。 Omalysys中国工商银行：基于大数据的智易观分析能化风控体系 案例背景2019年，工商银行展开对全行级风控能力的整合升级，建设全行渠道对接 风险防控、风险数据、风险运营一体化的风控中台；实现面向客户的跨渠道跨产品、全流程的企业级联防联控反欺诈；实现首笔欺诈实时阻断的诉求。 案例实施&效果在数据应用侧，工商银行启动了风险管理大数据服务云建设！ 数据利用大数据云存储硬件成本低、扩展性好的优势，搭建风险 交易反欺诈系统根据风险等级来设置事中干预策略，采取阻断实时事中交人工调查和放行处理。工商银行自主研发的企业级反欺诈管理 激发科技与创新活力8 Onalysys招商银行：“天秤”智智慧风控平易观分析台 案例背景招商银行于2016年初上线了基于大数据和可信体系的“天秤”智慧风控平台 对客户交易进行全方位的监控和保护，包括通过技术手段加大交易欺诈的识别、加强联防联控的合作和可疑交易的及时管控。 案例实施&效果“天秤”智能风控系统可以抓取交易时间、交易金额、收款方等多维度数据 通过计算机进行高速运算，实时判断用户的风险等级，并通过采取不同的核实身份手段，及时排查交易过程中的外部欺诈与伪冒交易等风险。招商银行根据不同的应用场景和风险等级，建立了密码、短 全管理 通过大数据挖掘风险账户，在客户自主发起转账操作时，由“天 激发科技与创新活力9 平安银行：智能风控平台 案例背景 行实现及时识别并处置风险、赋能创新业务拓展以及降低银行运营成本。 平安银行上线了全零售统一客户级审批平台阿波罗，将授信由 以大数据+智能算法为核心，运用海量内外部数据，通过规则模 激发科技与创新活力10 03智能风控平台建设与技术 应用分析 智能风控平台功能架构 全行级智能风控平台的核心要素是数据实时共享、系统互联互通多业务协同，全流程与全渠道的覆盖，形成以数据仓库、特征库数据模型为数据基础层，以监控、预警、计量等多场景为应用系统层的数字化风控生态体系。 全行级智能风控平台架构分析 数据融合层 ■核心价值点：数据对接与治理智能风控的数据基础需要能对接包括用户申请数据、第三方 征信数据、流水业务数据、埋点信息等数据，并对这些数据进行加工与分析，从中筛选出符合场景需求的特征供风控策模型评分使用。 ■核心价值点：形成闭环风险管理体系 交易风险防控体系，能实现对受控渠道关键交易的实时监测，准确识别与评估与动态处置。信贷风险防控体系，范围覆盖 信贷业务受理、授信申请、预授信额度、放款出账以及贷后预警等关键节点。 ■核心价值点：提供可视化、监测、反馈等能力，实现持续 智能监控是一个看板监测模块，从监控维度、信贷流程、审批环节、监测预警规则等维度，实现数据采集、监控、告警而智能运营驾驶舱是为了全方位智能化风控运营。其中，可 视化的规则管理与配置平台可以帮助风控人员快速修改风控策略，策略全自动执行助力实现业务实时审批的需求。 ■核心价值点：提供覆盖业务全流程的风控策略和措施账户风控是通过细分客户群体，综合评定客户风险等级，为 公众提供功能匹配、风险相当的精细化银行账户服务体系。而细分风控场景主要分为交易风控、信贷风控、营销风控三大类。 部分关键提效技术分析 生物识别技术通过对采集到的生物信息，利用算法进行匹配以区分生物个体。银行最常使用的是人脸识别技术。■核心价值点： 生物识别技术 身份识别，远程认证风控应用场景 远程认证 直销银行客户端的新用户开户与注册■技术应用建议 生物识别系统需要对用户的生物信息采取有效的保护措施，尤其是对于存储用户原始生物学信息的系统。 手指触面等行为习惯，来构建唯一的用户ID和行为模型，发现异常操作及时阻止。核心价值点强化身份验证，无感认证 生物探针技术 风控应用场景 持续身份识别nalysys ·信用卡防盗刷 ■技术应用建议：银行需要基于业务流程探索生物行为的时间序列模型。 ■核心价值点：金融同业联合反欺诈 ■风控应用场景金融同业反欺诈 联邦学习 ■技术应用建议：现行体系架构的可扩展性和不同的隐私计算平台之间的跨接协议可以成为关键突破点。 分析来源：易观博阅-银行业数字化转型场景建设技术库 激发科技与创新活力14 部分关键提效技术分析 知识图谱是一种大规模语义网络，其主要目标是用来描述真实世界中各种实体和概念，以及他们之间的关系。知识图谱构建的主要步骤是知识获取、知识融合和知识检索。 关联关系挖掘，未知欺诈风险的联防联控 知识图谱 信贷风险管理信用卡申请反欺诈 可疑洗钱团伙挖掘 银行应该建立完善的数据采集和治理体系，加强权限管理和资源管控能力，为构建统一完整的领域知识图谱做好数据基础，满足 实际风控场景中的知识图谱构建与查询权限分离与资源适配需求。 合使用，并将事件进行关联分析，能更加有效地挖掘群组交易欺诈行为。核心价值点：挖掘群组交易欺诈 监督式机器学习 1风控应用场景！ 营销反欺诈 团伙开卡盗刷虚假信贷申请 ■技术应用建议银行建立“识别一排查一处置一反馈一优化”风控闭环管理流程，形成分阶段排查、报告、迭代的体系。通过阶段性新增正 负样本来调整半监督式机器学习模型参数，自动进行迭代优化再将优化的模型进一步应用到下一阶段的预测当中，从而使半 监督式机器学习算法基于风险闭环管理流程释放风控场景下的技术价值。分析来源：易观博阅-银行业数字化转型场景建设技术库 激发科技与创新活力15 04智能风控落地痛点与 解决策略 Onalysys银行业智能风控痛点与解决策略易观分析 痛点一：银行数据黑白样本不均衡且难以形成统一的数据基础，导致算法模型的更新滞后 虽然银行每日的交易数据都在于万量级，但是全量数据的黑白样本严重不平衡。而黑白样本的高度不平衡严重影响着算法模型的效果。》银行内部数据由于部门体制、层级式组织架构的关系，数据难以高效流通；而另一方面，引入外部数据的应用需求存在合规风险。》传统可疑交易监测模型严格的阈值也直接导致了可疑交易的误报和漏报。a 银行应该加强渠道数据融合，做好底层数据的治理工作并 建立一体化的数据管理机制。银行应该对标监管要求，将前、中、后台数据资源有效整合，积极 开展底层数据治理工作。同时，为了避免数据在获取、传输和共享阶段可能存在的数据安全隐患，银行应积极制定网络安全标准，建立一体化的数据管理机制： malysys银行业智能风控痛点与解决策略易观分析 痛点二：银行信贷业务缺乏全流程监督，而且承接全流程监督的集成系统有一定的复杂性 专家策略的精确度和时效性不足 银行应该建设全行级风控中台，统一反欺诈系统集成 反欺诈风控体系建设要从全局来规划和协作，并展示从注册到交易的用户生命周期完整视图。此外，对于欺诈风险的处置也应当结合组织 的战略方向和发展需要，综合平衡业务发展和风险管控的需求。加强技术融合，建立多元的全流程监控策略 银行应该融合智能技术与监控机制，建立多元化的贷中实时监控体系，依托大数据、物联网和云计算技术，优化押品管理流程；通过图像识 别技术，开展信贷可视化作业。利用AI建立违约预测模型，结合关系图谱等技术挖掘用户行为数据，实时监测用户的网络行为，对用户贷款用途和还款意愿进行追踪监控。丰富预警指标体系，结合动态知识进行量化监测 银行应该根据信贷和交易风控流程建立押品、客群、经营等多种维度的风险预警指标体系，根据情况及时调整信贷或交易额度，降低风险 同时结合动态知识图谱，对可疑资金流向进行挖掘，筛选客户间可疑关系和借名贷款可疑账户等情况，通过对贷中风险的量化评估，来提高数据管理和风险监测的准确性。 malysys银行业智能风控痛点与解决策略易观分析 痛点三：银行对不同类型客户缺乏差异化的监控模型 >贷款客群的精细化管理能力不足，由于银行数据底层对行为数据、历史数据、实时数据、非结构化数据的处理能力问题无法满足实时监测、预警及决策的需求，难以为不同生命周期的客户构建定制化细分模型。 对于风控应用场景而言，需要一定程度的可解释性来满足监管和业务的要 求。易观分析建议，银行将半监督式机器学习算法与专家经验结合应用，一方面可以平衡可解释性，另一方面也能降低机器学习对于计算基础资源的成本消耗。lalysys 道特点、业务和风险类型，建立分级干预策略。对于中低风险，采用增强身份验证等柔性干预策略，提升客户体验对于高风险交易，采用终止支付等干预策略，确保客户资金安全。 05智能风控市场生态图谱 智能风控市场生态图谱 》银行业智能风控生态大致可以分为数据资源生态和智能风控产品/服务提供商。 银行业智能风控供应商图谱 激发科技与创新活力 客户热线：