银行数字化转型中的智能风控

吕宇良  江西裕民银行首席风险专家

 

一、智能风控助力银行数字化转型

目前各个行业的数字化转型都在如火如荼地进行。根据 IDC的预测：2021年，全球在数字化转型上的投资会达到5.5万亿美元。就我国而言，从中央到各级地方政府在工作报告中数字经济这个词已经被多次提及，也引发了高度关注，我国正在加速进入数字经济时代。银行业作为数字化转型的排头兵，与两三年前的试水有所不同，目前不同规模和级别的银行，都已经把数字化转型作为重点发展项目推进，都要加快数字化转型的步伐，都希望通过转变经营模式来抢占先机，通过加强数据分析来对客群进行更好地画像。在前不久刚刚举行的2020年中国银行业发展论坛上，六大国有银行的行长们纷纷对数字化转型和如何以科技来赋能金融表达了高度重视。

我想在银行业的数字化转型中智能风控的作用方面谈点我个人的感受：相对其他行业来说，银行业的数字化水平最高，为大数据、人工智能、区块链，以及云计算这些金融科技的应用和智能化提供了非常好的条件，因此，在银行的数字化转型中，智能风控是大有可为的。

在银行的数字化转型中，智能风控能够在以下几个方面助力转型：

第一，普惠金融，拓展客户群体。智能风控能够帮助银行践行普惠金融，拓展客户群体。银行相较于其他持牌的非银行金融机构以及非持牌的机构来说，风险偏好相对来说是比较审慎的，所以银行传统上一般都是服务于金字塔尖上的一些非常优质的客户。最近几年，随着智能风控技术、大数据的普及，银行正在不断向普惠客户渗透，而智能风控正是渗透的前提。  

第二，改进风控，优化资产质量。智能风控帮助银行提升了风险管理的水平，帮助银行优化资产质量。通过金融科技、大数据，我们对客户看得更加全面和准确，因而对风险的评估和识别更加精准，相应地，我们也能扩大授信面。同时，通过差异化的风险定价，尽可能地为优质客户提供更加优惠的贷款。

第三，提高效率，升级客户体验。传统上，银行在受理贷款申请时，会向客户采集非常厚的一摞各种各样的证明材料，还要花时间进行人工录入。在审核阶段，可能花很多时间来进行材料真伪的鉴别，再进入人工审批。一笔贷款的审批周期是两三个星期，甚至几个月。现在随着活体检测、 OCR、语音识别、政务数据（如：水、电、气、税等）、物联网、智能物联网、智能传感器的普及，当然还包括背后的模型策略，使得银行的审批效率得到了非常大的提升。现在我们对于小额贷款，很多都已经做到了秒批秒贷，也即客户在设备上提交申请后，能够在一瞬间就得到银行授信的结果。在申请过程中，也不需要提交那么一大摞材料了。

第四，降低成本，促进银行轻型发展。智能风控帮助银行降低运营成本，促进信息化发展。最近几年在新闻报道里经常出现全国又有多少家银行网点被关闭、多少名银行员工被优化。这背后都是因为有了智能风控技术的支持。原来的大量人工录入，现在有了 OCR，人工录入的工作就不需要了；原来很多的人工审批，现在因为有了大数据、算法、模型、策略等工具，很多东西都实现了自动化，简单的工作都被系统所取代。整个银行的运营成本降低了很多，包括刚才说的网点裁撤，随着手机银行的不断普及，去柜面办理业务的人越来越少，大部分业务都能在手机银行端进行相应的办理，所以，现在很多网点都变成了自助营业厅。这帮助银行降低了运营成本，原来银行是一个庞然大物，现在可以轻装上阵了。

二、智能风控 vs 传统风控

风控模式方面。传统风控更多基于专家经验的人工审批。非常依赖于我们的信审官对材料的理解和把握。信审官会基于自己的经验进行相应的判断。对两笔贷款，信审官很容易就能知道比如 a贷款申请，b贷款申请，在哪些方面，a比b要好很多，在哪些方面不如；以及总体上来说的话， a和b相比哪个风险高，哪个风险低，基于排序做出相应的决策。但信审官很难精确地回答a比b到底风险高多少，甚至a和b的风险分别在什么水平，类似我们大脑在处理一些模糊信号的时候，我们是基于模糊处理的，就是说我们能够做评估排序，做对比排序，但精确的像精算一样来评估它的风险水平是有难度的。而智能风控更多的是以量化模型和基于数据分析的策略为主。智能风控能够很好地回答刚才的问题：不仅能够对每个申请的好坏进行对比和排序，还能进一步说明每一笔申请的风险在什么水平、PD是什么水平、LGD是什么水平。在这个基础上我们就不仅能做审批，还能够做精确的风险定价等更多的工作。当然智能风控不是说只有模型和策略，其中的模糊地带还是需要有人工审批作为辅助的。当然它与传统风控的区别在于它以定量为主，人工为辅。过去自动处理的比例可能只有30%，现在我们自动处理的比例超过了90%。 

数据来源方面。传统风控一般基于人行征信以及企业的财务信息进行相应的评估。而智能风控可能除了这些传统的信源之外，还增加了社交网络的信息、行为信息、客户行为信息，刚才提到的水、电、煤、气、税等政务大数据，以及刚才提到的物联网大数据等。

数据维度方面。因为传统风控一般是基于刚才说的那些信息源，相对来说这些信息对风险的识别和评估关系都较强，我们称之为强变量，相应的维度也会比较少一些。而智能风控中用的社交数据、埋点信息等信息，他们跟风险的关系并不是那么直接和明显。我非常赞同的一个观点 ——任何信息都是跟风险相关的，所以我们会用非常多的这种弱相关变量。 

模型类型方面。传统风控更多基于专家评分卡，或者基于相应的财务模型；智能风控更多基于机器学习或者大数据学习的算法，用这些算法来进行模型的构建。在模型的假定上，传统风控非常注重对变量之间因果关系的评估，比如说 a变量为什么跟y变量相关，是正相关还是负相关，要有非常明确的业务解释，以及我们所说的业务合理性，要有逻辑。而在智能风控里，因为两个方面的原因：其一，变量很多，模型里面涉及成百上千个变量，很难去评估每一个变量在模型里面的真正作用。其二，因为模型里面有非常多的弱相关变量，而弱相关变量跟风险的关系并非那么明显。因此在智能风控里，我们对因果关系的重视程度没那么高，我们相信不管白猫黑猫抓老鼠就是好猫。当然我们也知道机器学习算法容易发生退化的情况。智能风控一般从三个方面来解决这个问题：第一，在模拟训练时，我们非常注重变量和模型的稳定性。第二，我们非常注重模型的稳健性。我们不仅用一些算法，还非常注重对不同算法的融合来构建模型，以减少模型的退化程度。第三，我们非常注重对模型的监控和及时的迭代优化。

三、智能风控成效分享

第一点，大数据让服务小微和普惠金融成可能。大家知道我们的政府和监管机构提倡商业银行服务小微已经说了很多年，但过去银行不敢做、不愿做。为什么？有几个方面的原因：第一，小微贷款跟传统对公贷款相比，单笔金额比较低，投产比较低。第二，小微企业有很多不确定性，信息不对称、不透明，如果不了解就贸然进入的话，风险是很高的。另外，跟零售个人业务相比，小微贷款客户对价格的敏感度非常高。基于这些原因，银行是不大愿意做小微业务的。但是现在有了大数据和智能风控，不仅解决了信息不对称的问题，我们可以基于刚才说的那些信源对企业的情况进行全方位的了解，而且降低了我们对于企业的尽调成本。我们可以对企业进行更多的风险识别和评估。所以现在，银行在服务小微方面比原来有了很大进步，包括现在我们对小微，既有传统的对公模式，也有纯线上，比如说基于政务数据的那种纯线上的互联网小微贷款。

第二点，随着人工智能的应用，在相同数据基础的情况下，模型的性能提升了 20%-30%。这里的例子是我在过去某个项目中，我们基于相同的数据，分别用传统算法和机器学习算法得到的两个不同版本模型的性能对比：横坐标是我们基于人群做的20等分，纵轴计算出KS值。采用传统算法，KS是30.12，同样的数据，用机器学习算法的话，KS达到了36.87，提升幅度是非常大的，这对我们是非常有帮助的。

第三点，通过智能催收把催收成本降低了 1/3。在S1阶段，对新入催的客户，对比采用智能催收得到的催回率和采用人工催收得到的催回率，用智能催收的催回率除以人工催回的催回率，就得到了智能催收对人工催收的替代率。替代率一直在90%左右，虽然偶尔有波动，但总体保持在90%左右，其实是一个非常好的情况，因为智能催收相对人工催收来说，它的产能是无限的，只要我加线路，不像人工催收，我还要去招聘催收人员，然后还要进行培训等，成本是比人工成本低的，能够达到90%，效果非常不错！

四、裕民银行智能风控拓扑图

总体来说，我们的智能风控系统分为7个层次，由下到上体现了数据、模型以及系统的三元理论或者也叫三大支柱。

最下面是原始数据层，我们通过原始数据层整合客户在行内以及行外的各种信息，包括客户的基础信息、行为信息，以及客户在外部的征信信息、外部合作的场景信息、客户的社交信息、政务大数据等各方面的信息。

中间层，我们会对原始信息进行相应的清洗，并以应用为基础进行划分，把它们分门别类地规整到我们的中间层上。

中间层上面是我们的集市层。我们知道原始数据一般对风险的排序不是那么显著，我们通常需要对数据进行加工、转换和衍生，以产生能对风险具有更好评估和排序的特征变量，并基于这些特征变量，以及相应的客户画像标签去开发模型和策略。这个工作在整个风险管理工作中是非常重要的！

在这个基础之上是模型层，这里有贷前、贷中、贷后的各种类型的风险模型。另外，图里的每一类模型都不止一个模型，而是由很多细分子模型构成的模型组合，不同的子模型以及各种类型的模型组合在一起组成了我们整个的模型集群。

风控策略建立在模型之上，它不仅仅是模型，它会结合其他因素。我们构建了贯穿整个信用生命周期的风控策略，以决定对每一笔申请到底应该做什么样的处理。所有的模型、策略都通过我们的风控系统进行相应的部署，这样的话就能够实现对每一笔申请都能进行自动化的调用，以及进行我们刚说的秒批秒贷。

最上面是我们的渠道管理系统。我们的客户可以通过我们的 APP、小程序、公众号、外部网页，开放银行API接口向我们提交数据和贷款申请，相应内容会被传送到我们的智能风控系统里进行自动化的审批，以及贷中、贷后的处理。

五、裕民银行智能风控体系

我们的智能风控系统大致分为5大模块：

第一是征信管理平台。刚才跟大家分享的原始数据层是通过征信管理平台来进行配置的，这个平台能够通过配置实现不同信源的接入和调用。各种信源，比如说征信相关的信源，我们既通过人行征信涵盖了客户在传统风控体系里的信息，还通过中国互联网金融协会等信源涵盖了客户在非持牌机构里的信息。此外，各种各样的黑名单，以及刚才提到各种政务大数据（如：税、水、社保、公积金等）都是通过这个平台来进行配置的。在风险管理中，多头负债和还款能力极为重要，我们通过征信管理平台接入了非常多的多头信源和能评估客户还款能力的各方信源。

第二个模块是我们的模型管理平台。模拟管理平台能够实现各种基于机器学习算法的模型的自动部署和实时监控，是非常高效的工具。

第三个是反欺诈系统。反欺诈其实是我们整个风险管理的第一道关口，反欺诈系统涵盖了设备指纹，帮助我们来识别黑厂、冒用等情形，另外还包括了活体检测、声纹识别、复杂网络、行为轨迹等反欺诈相关的功能。

第四个是策略引擎。风控策略通过策略引擎部署在我们的风控系统里面。每笔申请过来之后，一般情况下，不再需要人工进行干预，会由系统自动执行。

第五个是智能催收系统。智能催收系统大致的功能包括几个方面：首先是智能分案。主要是基于在险余额、可回收金额进行分案，另外是基于各种前端催收模型、晚期清收模型、智能机器人等技术实现的智能催收，通过智能催收和人工催收的组合实现更好的投产比。  

六、智能风控的误区

第一，大数据、算法将完全替代人工？我们以催收为例，对于早期催收而言，智能催收是能够非常好替代人工的。但对晚期催收那种需要非常复杂的与客户进行非常多谈判的事情，目前所谓的人工智能的水平还达不到完全取代人工的程度。我个人的观点：第一，尽管比较简单的工作可以被取代，但复杂一些的工作不能够被完全取代。第二，模型设计、数据清洗、特征工程都有赖于长期以来对业务的认知和经验的积累，不是靠大数据、算法就能自动得到的。尽管深度学习里面有一些算法，号称不需要人工就能自动得到好的特征变量，但我自己的经验：尽管在某些特别领域，比如说围棋、图片识别、语音识别领域，这是可能的，但在金融领域这有些言过其实。通用化的人工智能目前还不具备这样的条件，很多事情目前还是需要人工的。

第二，智能风控能化腐朽为神奇，从一堆垃圾中炼出黄金？很多人可能认为有了智能风控，不管客户质量怎么样，总能挑出好的。这一观点在两类人群里面特别普遍：第一类可能经验不是那么充足，他觉得我有了这个技术就能包打天下了；另一类可能是前台业务人员也会过度期望或借此甩锅。我个人的观点：只靠模型、策略是无法从根本上解决风险防控问题的，风险管理工作必须要前置，风险管理必须介入客群选择、产品设计、流程优化、渠道管理等。只有从这些角度着手，再结合模型、策略、反欺诈等才能真正防住风险。所以，风险管理不是一个被动的过程，而应该是主动有所为的。就像在客群选择上，如果客群都是很差的，即使勉强能挑出一点，所花的成本都很高，得不偿失。另外，如果我们的产品流程很差，就会存在好客户流失，然后剩下的都是坏客户的劣币驱逐良币现象，所以我会让风控人员去介入前端的流程优化，这不仅仅是前台业务部门的事情。还有在渠道管理上，做的不好的机构可能会造成渠道和金融机构不在一条船上，渠道认为只要放了款我就有佣金收，风险跟我没关系。这样的话，他不仅不会管客群的质量，甚至还会主动作恶，主动产生欺诈。所以，风险管理一定要介入渠道管理，包括渠道的准入，尤其是渠道的考核。一定要把渠道的利益和金融机构绑在一起，这样才能让渠道和我们一条心，以更好地防范风险。

以上是我对风险管理的一些粗浅认识，说的不一定对，看看大家有没有什么问题。谢谢大家！

 

来源：本文为吕宇良先生在第十六届中国金融风险经理年度总论坛，专题研讨会NO.11  “智能风控 ”  的发言实录全文，供读者参阅。