文 | 中国建设银行 厦门开发中心开发四处处长 陆登强
新时代、新形势背景下，建设银行正在开启新一轮的战略布局。建设银行普惠金融战略将目光从“双大”转向“双小”，面向蓝海、面向大众、面向草根，在巩固好传统优势的同时做出战略调整。而普惠金融战略以金融科技为支撑，特别是业内领先的“新一代”系统的竣工投产，大数据智能风控平台的建设，赋予了建设银行更好支持普惠金融客户的能力。
一、大数据风控已成为银行的核心竞争力
对于金融行业来说，本质的问题不仅是获客和运营，更是风险控制。只有通过有效手段控制金融交易中存在的各类风险，合理完善风险定价体系，才能避免产生系统性金融风险。
银行传统风险管控模式在风险管控时效性、模型有效性、监控范围等多个方面的短板日益凸显：风险管理以事后处置为主，事前防范与事中控制偏弱；定性风险管理占主体，定量风险管理能力尚显薄弱；风险管理滞后性较高，对高实时性的生产环境拦截困难导致结构性风险；以主观规则及评分卡为主，难以精确化用户特征；照搬国外成熟模型缺乏本土化改造，准确率及覆盖率有一定局限；监控对象不全面，以存量监督为主，对增量部分的监控手段落后。
以大数据、人工智能为代表的新一轮科技革命和产业变革的集中爆发为风控领域相关痛点的解决提供了很好的契机。利用大数据、人工智能等金融科技提高大数据风控能力，已成为银行塑造互联网金融时代核心竞争力的重要举措。
大数据风控利用多维度数据，填补传统风控模式的缺口，有助于从更全面的角度进行客户画像和风险评估；
实现了申请过程的电子化，通过自动决策，实时审批，提供7×24小时的服务；
风险控制基于算法、模型和规则，更容易做到客观公正；
学习速度快，随着人工智能、深度学习等技术的发展，大数据风控的科学性、准确性会越来越高,有助于商业银行更有效地进行贷中和贷后控制。
建设银行大数据智能风控平台实现了对用户各项数据信息的全面收集，整合小微企业和企业主在建设银行的资金结算、交易流水、存款投资等各类强金融信息，并积极对接政府相关数据平台，利用人行征信、水务、工商、海关等公共信息以及第三方的交易行为信息，实现对客户精准“画像”，对客户的身份属性、信用属性、行为数据、消费属性、人脉关系等方面的完整呈现。通过反欺诈、信用评分等模型有效甄别客户风险，降低获客成本，对客户进行风险定价、提前授信；基于相关信息对企业贷后经营情况进行实时监控，做到风险早识别、早预警、早发现。以往困扰银行的小微企业信息不透明，客户群体广、小、杂的难点得到有效缓解，普惠金融业务流程效率不断提高，成本、风险、收益实现平衡，可持续的商业发展模式已初步打造形成。
二、大数据创新引领风险管理新趋势
建设银行基于超过十年的海量金融交易数据积累，积极引入工商、司法、海关等外部数据，创新风险计量工具的开发方式，建立了一整套基于大数据的风险计量、预警模型进行风险评估，依据评估分数，预测客户还款能力、还款意愿以及欺诈风险等，为建设银行实施积极主动的风险管理，提高风险防控能力、支持普惠金融，守住不发生系统性金融风险的底线提供支持。
1.建立风险模型大数据实验平台
构建大数据金融计量模型，必须要有足够的数据积累和适合的开发平台。建设银行较早地构建风险模型实验室并在同业中率先投入使用。风险模型实验室作为支持大数据应用及风险模型管理的基础技术平台，规范了数据挖掘及信用风险模型开发和验证过程，提高了大数据应用及模型研发效率，支持了从设计、开发、验证、监测的模型全生命周期管理。主要实现了如下功能：
(1)提供了技术平台。通过搭载SASEG，SASEM等软件，其封装了回归、聚类、决策树、神经网络等成熟的数据挖掘方法；便捷地实现日常大数据分析，为业务政策制定、风险预警、客户营销等活动提供了有效支持。
(2)提供了数据平台。模型实验室依托风险数据集市，引入客户信息、对公信贷、个贷、信用卡等完整数据信息。作为企业级数据仓库实验数据区的一部分，对未纳入的数据指标可便捷地从企业级数据仓库中扩展补充。
(3)实现了知识积累。模型实验室运行以来，随着大量风险模型的开发，积累了丰富的知识和经验；形成了知识库，将高度总结的知识和经验按照卡片式积累，按照统一规范、命名规则存储了原始数据、中间数据以及各类文档，便于后续人员查询、学习。
(4)实现了数据和信息的安全控制。模型实验室实现了建模平台的“远程开发、集中管理”，实现数据表和文档的精细化、“按需定制”的访问权限控制。
模型实验室有力支撑了当前风险计量模型的研发和管理，为未来全行各类大数据模型的设计、开发、验证及其他人工智能模型提供了可靠的操作平台和管理手段。
2.基于风险模型应用的中央风险计量引擎
近年来，随着人工智能崛起，机器学习技术得以较快发展，智能决策引擎就是在基于机器学习的基础上实现的。利用海量历史数据训练模型，基于客观的数据进行风险把控，提升基于专家规则的风控系统的准确率和覆盖率。同时结合大数据技术，把风控系统提升到了实时反欺诈，通过低延时、高吞吐量的数据处理能力为实时风控系统，尤其是模型的训练提供了强有力的支持。
建设银行中央风险计量引擎以模型为气缸，以数据为燃料，持续为建设银行的风险计量输出动力，在国内大型银行中首家实现了信用风险评级、评分、风险指标计算器等模型的集中统一部署。目前，基于大数据风险计量模型和自动审批策略，建设银行信用卡发卡、零售贷款业务已实现自动审批为主，小微企业业务可实现网上1分钟自助办理，支撑起了建设银行领先、高效、精准的信用风险管理和信贷政策体系，实现风险边界的准确识别。贯穿信贷业务全流程，全面贯彻企业级风险管理理念，支持资本管理高级方法全面推进实施。
3.基于内外部大数据挖掘与分析的集团全面风险预警应用
集团全面风险监测预警平台建设是利用大数据挖掘和分析技术，实现客户财务数据、信贷合同信息、账户资金往来、企业高管个人行为、外部工商、司法、税务、征信等数据的全面扫描和联动分析，对客户风险事件进行提前预警，提升建设银行抗风险能力，及时避免和挽回可能发生的损失。集团全面风险监测预警平台的建设为分行的客户风险“精确打击”提供了导航，为实施积极主动的风险管理、稳定资产质量，发挥了“晴雨表”的天气预报功能。该方法具有以下几个特点：
一是前瞻性和适用性。“上工治未病,不治已病,此之谓也。”通过对全行客户进行定期扫描，对可能存在的较大风险隐患客户精准识别，为风险应对提供了时间和空间，避免了风险暴露后被动处置的局面。
二是高效、省时省力。预警平台的建设基于最底层的客户信息、账户信息，与自下而上、人工排查的信息基础是一致的，所不同的是采用了数据挖掘的方式，由总行发起，自上而下，不需要分支机构人员介入、不增加一线员工工作量，总行完成全行扫描后，将预警名单交给分行做进一步分析和排查，提高了效率，也降低了分行层层上报过程中因主、客观因素造成疏漏、误判的可能性。
三是标准化、全面性和灵活性。预警平台将专家经验标准化和定量化，预警结果与来自专家判断信息交互印证，实现了对公和零售风险信息、账务和业务管理信息、内部和外部信息等一直以来相互隔离的信息碎片的联接和整合，发现其间的关系与规律，还可根据现实风险形势，开展各种维度的定制分析，灵活性强。
4.基于神经网络模型的反欺诈应用
建设银行企业级反欺诈系统以国际一流为标杆，在业内率先搭建了覆盖侦测策略、交易预警、事件调查等全流程企业级反欺诈管理平台，通过研发先进的神经网络深度机器学习模型，综合分析卡片历史交易行为等特征，通过机器学习的深度探索，将机器学习算法与客户行为结合，构建行为模型，提高风险感知能力，侦测已知和未知的欺诈行为，实现智能风险监测；每月对全行信用卡、借记卡金融类交易进行风险过滤、全盘扫描，将研发的神经网络模型部署在反欺诈交易事中实时侦测中，通过对每一笔交易的实时评分，评分结果结合侦测规则组合预警，持续提升建设银行交易欺诈风险管理平台化、数据化、智能化水平。平台建设具有“速度更快”“策略更准”“范围更广”等优势。
一是速度更快，首次实现全渠道可疑欺诈交易完成前的实时侦测拦截，变事后防范为事中拦截，前移防线;
二是策略更准，研发先进的神经网络机器学习评分模型，通过欺诈卡片历史交易特征、余额查询非金融交易等组合交易特征分析，精准预警;
三是范围更广，对每月全部信用卡金融类交易进行风险过滤，扫描不留死角;
四是操作更简，实现在统一平台内冻卡、换卡、短信等一键快速管控作业，解决了多平台、跨系统的繁琐操作。
大数据风控已成为金融变革的推动器，引发银行业的一场革命。建设银行在实现“初心”的道路上，大力推进金融科技战略，让长尾理论成为可能，通过提升大数据风控的科技能力，实现以线上流量为主的获客模式、以场景为主的产品模式、以模型为主的风控模式，积极推进小企业业务由线下转为线上为主，让更多人享受到更优质、安全、高效的金融服务。
声明：本文来自中国金融电脑，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
