随着大数据、人工智能技术越来越多地运用于风险管理，同时市场成熟度和集中度也逐渐提升，金融机构对于智能风险控制系统的建设需求也愈发迫切。本文聚焦于其内涵、模式和应用，谈一谈什么是智能风险控制。

文/ laser

来源/ 金融科技实战

传统风险控制面临的挑战

近年来，随着互联网金融、消费金融等新型业务形态的崛起，个人金融信贷业务范围逐步扩展至新场景、新客群，探索出了新的商业模式。与此同时，在宏观经济增速下滑的前提下，作为金融的本质的风控正面临前所未有的挑战。尤其是在网络贷款、消费金融领域，大量积聚的风险正在蚕食着行业健康、可持续发展的基石，其主要表现在以下三个方面：

第一，政策性风险，在风险控制上缺乏真正有效的解决方案的情况下，大量机构被迫用“超高利率”来弥补风控能力的不足，服务费、手续费、罚息等各种费用累加起来导致实际利率远超国家法定利率上限，也引来了监管部门对“现金贷”等业务的强力整顿；

第二，倒逼客户回流至银行等传统机构，一度以审批速度快、无需抵押担保、服务方式灵活为突破口，给行业带来了几缕新气。然而，超高利率、暴力催收，正在加速倒逼客户远离这个行业；

第三，造成行业社会价值极大削弱。“好人不敢来”、“坏人里面挑好的”成为常态，新形态的金融与“普惠”的初衷渐行渐远。

另外一方面，基于移动互联网和智能移动终端的普及，能够获取更多元的外部数据，如用户行为、电商消费、运营商数据、地理位置、购物习惯等。相比于传统的“强特征”金融数据（如央行征信、交易流水和资产状态等），其与客户违约本质上没有因果关系。考虑到外部数据体量大、类型繁多、价值密度低、失效快等，结合金融行业特点，需构建包含如履约记录、行为偏好、社交行为和设备安全等并进行“弱特征”风险评估，这也致使风险控制从操作流程和应用场景都有显著的差异。

因此，随着技术和硬件趋于成熟，依托线上金融业务场景搭建一整套从数据到算法到平台的智能风控架构体系，有效识别风险、降低风险，创新性使用新技术，平衡风控的效率与效能，在获客、授信、反欺诈、营销等业务中得到具体落地应用是我们的目标，从而真正地为整个行业和社会创造价值。

智能风控的业务目标

传统金融机构的风控体系面临数据应用范围扩展、风控决策效率不匹配场景需求，智能风控旨在达成以下业务目标：

1）探索非金融体系数据的应用：传统风控体系基于央行征信报告设计，但内部数据、外部数据均需纳入风控体系；

2）提升风控决策效率：传统风控系统单笔订单审批时间往往超过半小时甚至更长周期，但消费金融场景需要做到“实时”或“准实时”放贷；

3）尝试风控体系自动化优化：需要针对消费金融场景独立构建分析体系、风控体系自优化等内容；

4）探索风控系统的云模式：以消费金融业务为试点，探索风控系统云化的可能性。

智能风控的三个难点

从业务实施落地的角度看，智能风控体系可以分为三个方面，分别是“获取哪些数据”、“怎么使用数据”和“业务系统对接”的问题。

首先，“获取哪些数据”本质是该用哪些数据的问题，现在金融场景可用的数据早已远远超出传统强征信数据的范畴，我们可以看到各种类型的大数据都在金融领域内崭露头角，但结合到不同的业务场景，该用哪些数据？数据的价值又有几何？能表征哪些维度的风险？这些都需要大量摸索的实践，仅单独靠金融经验或者技术，都无法解答这些问题。而这往往直接决定了业务的成本和收益。

其次，针对“怎么使用数据”的问题，这是技术能给风控能力提升最大的点。由于数据的来源和属性不同，这需要重构一套与传统风控体系并行的数据架构体系。如何将海量稀疏、超高维、低饱和的大数据与风险挂钩？如何挖掘非结构化数据价值时穷尽风险？如何最大化技术和现有业务的深度结合？即使在当下深度学习、硬件框架取得突破性发展的今天，真正落地为金融风控体系的工业应用，转化为巨大的商业价值，也还有较大的鸿沟需要趟。而对传统的金融机构来说，这一整套在大数据生态体系上的经验尚不丰富。

最后是“对接业务系统”的问题，在有了清晰的数据认知，并能结合不同场景和风控业务摸索了数据使用方式，但如何与业务系统对接，做实时的数据服务？这还需要一整套支持机器学习特征、模型计算的引擎。这其中也涉及很多方面的考虑，包括系统架构、操作管理、可靠性、可扩展性、运维监控以及模型自迭代等等。

因此，智能风控系统要实现从数据、特征到规则、模型持续优化的闭环系统，在平衡系统可拓展性和功能性以保证业务能够快速落地并取得实际的效果提升。

智能风控的部署实施

基于金融机构已有的外部接口、管理平台、内外部数据实时处理平台，智能风控系统采用多项成熟的外部数据处理标准、业务规则的构建，并且通过算法对决策流的关键要素（如反欺诈、授信等）进行自动化监控及预警，其构架流程包括大数据接入平台、大数据中间件、智能决策平台三大部分:

1、大数据接入平台：实现对运营商数据、银联数据、电商数据、政府数据等多数据源字段的集成和实时调用。另外，需满足对同一字段实现多数据源调用的动态优化，同时，支持业务人员基于字段响应时长、字段覆盖率和字段成本等多维度指标，对数据调用策略进行界面化配置。所涉关键功能包括：

1）变更数据接口的界面化配置，实现对接口HTTP、调用参数、覆盖字段、字段返回值等内容的前台维护和界面化配置；

2）数据调用确保数据的稳定性，能实现对多数据源的动态调用策略，封装了成本优先、覆盖率优先、按比例设置主从等多个策略；

3）外部接口原始数据的切片式存储和检索，能实现对外部接口原始数据的存储和检索，以及数据的维护。

2、大数据中间件：大数据处理中间件主要用以实现内部自有数据的实时同步、内部数据的复杂算法处理、内外部数据的交叉比对、外部实时清单数据的加工处理等多方面需求。使用流等实时处理技术，支持在毫秒量级内实现个人客户标签的抽取、数据的交叉比对等内容，减少交互时间。大数据中间件一般使用“JVM”存储、内存数据库和分布式缓存的方式，形成金融应用场景独有的数据存储结构，兼顾系统的动态性、高可用、高可扩展性。同时，中间件能支持前台定制SQL的方式形成“作业任务”，通过触发和手动两种方式激活任务，实现对数据表操作、数据复杂加工处理、内外部数据的交叉验证等功能。另外，中间件也支持基于“xml”方式的外部大数据计算平台的模型的导入，即为系统提供了智能能力的数据基础。

最终，大数据中间件能解决如下问题：解决海量数据挖掘的计算效率问题；解决动态风险预警信息及实时传递给决策流的问题。针对基于行为触发规则的场景，大数据中间件基于实时数据的计算，捕捉动态风险信息并主动推送给决策流系统。

3、智能决策平台：智能决策平台，即以对借款人进行准确、实时的风险量化评估、从而提供风险决策建议。它能提供业务人员友好的决策流开发、发布与部署，提供基于业务经验的风险规则和风险评分等的强大知识库。在数据管理上，它为数据化运营提供了基础，能提供业务相关的数据报表，全面分析进件情况、指标、模型、决策流的整体情况和效率。此外，智能决策平台基于历史数据，运行后台封装的算法策略，统计后台算法策略的逾期等业务指标，作为字段、规则、评分等决策要素的效能优化的依据。所涉关键功能或技术包括：

1）规则引擎兼容流模式和规则模式，基于风控应用实现业务逻辑优化，实现了引擎核心与Java内核的完美融合；

2）知识图谱，复杂网络通过无监督算法实现分团和网络全局风险特征抽取，并基于规则和模型融合专家研判持续迭代和优化模型、发现欺诈模式；

3）机器学习算法，它内置包括传统机器学习及深度学习多种算法，通过实时捕捉风险变化对决策流要素优化方向给出建议。

结束语

综上所述，智能风险控制是风险管理领域的一种新兴技术运用模式，在风险管理的方法论、风险管理的计量标准和监管要求上，都与传统金融风险管理模式并无区别。其特色在于，通过引入更多元的客户数据(如客户线上消费、电商、运营商、行为)，重构数据和应用架构，借助分布式大数据平台的能力、机器学习或深度学习模型，能够实现大批量、快速、精准的风险事件过滤或预测，从而能够在风险管理的时效性、前瞻性、精准性、技术先进性上寻求突破。未来随着生物特征识别、图像识别、区块链等技术的成熟，亦可运用于风险管理领域，形成更多风险控制的应用模式。

END

免责声明：转载内容仅供读者参考。如您认为本公众号的内容对您的知识产权造成了侵权，请立即告知，我们将在第一时间核实并处理。