近年以来，金融行业数字化转型不断深入，以大数据、互联网为代表的技术发展助力信贷行业风险管控，形成了较为成熟的解决方案，也为国内较多的大型金融机构所采用。

　　受限于软硬件成本、专业人才等方面的短板，中小银行缺乏规模优势，在数字化风控领域往往面临较大的竞争压力。如何平衡成本收益，建设与自身情况相适配的智能风控体系，通过差异化的发展路径形成自身独特优势，让风险管理创造切实的价值，成为我行推进智能风控体系建设的主要难点。

　　通过树立价值思维、服务导向的理念，智能风控体系强化了风险管理“服务全行、创造价值”的定位。

　　风险管理从不是业务的阻碍，具有竞争力的风控体系，能够支撑银行在多个层面上进一步探索客户、了解业务，助力银行洞察风险态势、理解市场需求、应对行业变化、把控发展趋势，提升业务管理的前瞻性、精细化水平。因此，项目伊始，我行就确立了“风险管理创造价值，数字化转型升华价值”的理念，以及“服务客户、服务业务、服务审批”的目标，期望通过智能风控体系的构建服务全行、实现价值。

　　模型是智能风控体系的核心。我行在项目确立了“不变+求变”的模型升级理念：所谓“不变”，一是强化对模型稳定性的重视，确保模型效果保持相对来说比较稳定；二是重视模型架构设计，既要采取业内较为先进的模型算法及架构，又要结合本行业务实际，最大限度地考虑模型稳定性、业务解释性、数据源潜在变动等因素，力争一段时期内无需对模型结构可以进行较大调整。所谓“求变”，主要是在风控模型群的升级、重构过程追求对于风控模型前瞻性、精细化、体系化的提升。

　　具体看来，前瞻的理念主要未解决数据驱动模型开发过程中历史数据带来的局限性，从模型层面做到“未雨绸缪”，主动应对变动日益加剧的风险形势，未病先防。精细的理念，主要为了获得持续竞争力，从小处着手，深挖数据潜力，探索新特征、新方法、新思路，积小流而成江海。体系化的理念，主要指模型群和具体模型结构要向逻辑结构更清晰、模块功能更突出、应用场景覆盖更完整的方向转变，以此来提高不一样的产品、场景间模型模块的复用率，确保模型体系完整、高效、稳定，契合中小银行的业务发展实际。

　　①大数据反欺诈为批量、在线获客保驾护航。智能化风控体系融合行业联防联控趋势，结合省联社黑名单、社保、公积金、税务、客户行为、第三方数据全方位堵塞漏洞。运用基础信息核查、用户行为检测、多平台申请/负债、不良信用及司法记录、黑灰名单、社交欺诈六大维度，构建反欺诈评分和拦截规则体系，将欺诈拦截在申请环节，为批量、在线获客保驾护航。并通过内外部数据的整合，构建本行风控大数据及黑灰名单体系，名单库累计名单数量超越300万。

　　②风控模型全覆盖。智能化风控体系为我行信贷业务部署了全面的准入规则和模型，涵盖个人信贷业务、对公信贷业务、网贷业务、信用卡业务、互联网银行业务、移动信贷业务六大板块所有非低风险业务，共计116项产品和业务。开发部署贷前风控规则500余项、贷后规则200余项、评分卡十余张，支持产品创新和自动化审批业务十余项。

　　③智能化审批决策。智能化风控平台基于分布式架构和风险决策引擎，可实现秒级自动化执行准入筛查和模型评分，对接业务系统和客户端，将智能化决策嵌入进件、审批流程，给客户经理及审批人员充分的决策建议及风险提示，做到事前防控风险，同时支持自动化审批，可优化作业流程，提升审批效率和客户体验。

　　④统一贷后预警，实现一站式管理。本行近年建设的风铃预警系统充分的利用内外部数据，通过建立客户信用风险识别、风险传导、风险处置及管理后评价的指标、规则等一套科学预警管理体系，实现客户信用风险早期预判、个案及组合风险关联传导、客户风险分级处置、预警效果后评价等一系列工作的自动化、智能化决策管理要求。通过建立数据共享机制，将预警结果全面应用于信贷全生命周期业务环节及配套外围系统，实现客户风险信息在系统群之间的联防联控应用，为全行风控数字化转型提供全面的支撑和保障。

　　⑤客户统一风险视图。本行通过整合客户信息、业务信息、风险信息、征信信息、关联信息、财务信息共六个维度的全面信息，并引入客户标签体系，更全面、精准的识别客户风险，有助于全面认识客户，动态掌握客户风险画像，可全面应用于授信审批、精准营销等多个领域。

　　⑥自动生成调查报告/全面风控报告。本行智能化风控平台汇集行内、外部信息，如客户信息、业务信息、财务信息、关联信息、风险信息和征信信息等，通过数据加工去伪存真，将校验过后的数据自动填入调查报告，建立信贷审查、审批辅助模式。实现了客户全景画像，破除了信息孤岛效应。通过自动获取借款企业的实际控制人及其关联企业，自动匹配借款人及关联方在本行的授信额度，若存在关联企业授信，纳入集团（关联）客户关系管理，进行统一授信。有助于厘清关联关系，避免多头授信，重复融资。

　　⑦全流程风控。将大数据风控嵌入贷前、贷中、贷后全流程，实现闭环管控，为每个环节的业务人员提供信息和决策辅助。

　　1、系统架构业内领先，满足可扩展性，高可用性，高并发要求。系统采用流式计算处理技术，对行为特征指标数据、实时交易数据、指标变量、规则运算全部依赖于缓存计算，进行分布式hash缓存管理，最大限度降低对数据库读取的依赖，针对不常常使用、需要持续化保存数据采用Tdsql国产数据库进行存储。系统利用共享内存技术、多线程技术、缓冲池技术及大数据挖掘技术，极大的提高了系统的稳定性及性能。

　　2、风控大脑采用行业领先的决策管理组件，围绕模型、策略、模拟、分析等环节可进行高效配置，具有简易快速热部署、三方数据智能快速接入、安全监控、权重分流等特性。

　　3、风控大脑的风控实验室具有行业先进性，通过提供冠军挑战者分析、分流/旁路分析、决策流回测分析等模块，对后续策略优化进⾏数据⽀撑。

　　风控大脑集成了模型运行和监控能力，支持实时模型部署和批量模型部署两种方式，支持AB test模型部署。模型生命周期管理的异常告警规则配置，实现定时监控和实时告警。

　　4、快速、动态感知和响应风险变化。业务响应快，快速感知当前对抗升级风险快速变化，通过业务资产、配置化、模板化、向导式，快速响应欺诈策略调整，解决风险管理效率问题。

　　5、客户级风险防控。风控大脑是“信息共享、技术共用、欺诈共防、步调共同”的客户级全流程风控平台。与传统的基于场景和渠道的风险决策不同，风控大脑基于客户视角构建了跨渠道联防联控的风控体系和信息资源库，打破渠道边界，实时共享分发欺诈风险名单、标签和案件。

　　6、智能化风控运营新模式。风控大脑根据我行风控反欺诈组织架构、职责分工、人员操作习惯，构建从统计、预警、分析、优化、验证的风控运营闭环管理流程。支持业务人员“自主实操”风控，建设包括实时预警、运营报表、运营报告、效果评估、策略规则优化、策略规则调整、策略评估上线等内容的智能化运营工具。

　　智能风控体系的核心是模型。目前，很多中小银行已建立起智能风控框架和系统，解决了“从无到有”的问题，但对于模型的开发和管理，还处于探索之中。如何逐步提升核心模型质量，在把控风险的前提下更好地服务业务，昆山农商银行通过零售信贷升级项目积累了一定经验。一是要统一思想、转变观念，理解风控体系对于价值提升、服务提升的意义，凝心聚力；二是要勇于创新求变、拒绝固步自封，在建立完善的模型体系的基础上深挖数据潜力，努力提升模型的精细化、前瞻性水平；三是要加强自主能力积累建设，确保风控、业务在各个层面深层次地融合；四是要重视项目过程管控，评估好项目内容的成本收益，合理的安排顺序和优先级，有的放矢。

　　我行的智能风控体系下的主要系统已经建设到位，进入平稳运行阶段；相关风控模型，基本实现了全产品、全生命周期的覆盖，目前正处于逐渐完备、优化的状态中。

　　下一步，除了模型、系统的常规监控维护、优化升级以外，我们拟从两方面入手提升数字化风控能力，一是围绕着提高模型精细化、体系化、前瞻性的目标，开展多个阶段性的专题研究分析，如：风控体系潜在漏洞攻防、异常状态识别监控、内外部数据特征深入挖掘等。二是建立风险模型管理平台，提高对于模型资产的全流程管理能力，以逐步降低模型风险。

　　更多金融科技案例和金融数据智能优秀解决方案，请在数字金融创新知识服务平台-金科创新社案例库、选型库查看。返回搜狐，查看更加多