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是如火如荼，根据IDC的预测，到明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他们的工作报告中数字经济这个词已经被多次提起，也引发高度关注。所以，我国也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，都希望通过转变整个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的画像。在前不久刚刚举办的2020年的中国银行业的发展论坛上，六大国有行的行长们纷纷对数字化转型以及如何以科技来赋能金融，表达了高度重视，全行业都在加速推进。

      银行数字化转型中，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。第二，改进风控，优化资产质量。第三，提高效率，升级客户体验。第四，降低成本，促进轻型发展。

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于材料的理解把握。信审官会基于他自己的经验来进行相应的判断。而智能风控更多的是以量化的模型以及基于数据分析的策略为主。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，客户行为信息以及刚才提到的水电、煤、气，税这种政务的大数据，包括刚才提到的物联网大数据等等。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于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，社交数据，买点信息等等信息，他们跟风险的关系并不是那么明显。模型类型方面。传统风格可能更多基于专家评分卡，或者基于相应的财务模型。而智能风控可能更多的会基于机器学习或者大数据学习的算法，用这些来进行模型的构建。而在智能风控这边，因为两个方面的原因。第一变量很多，模型里面成百上千的变量，很难去评估每一个变量在里面的真正的作用。另外一个，因为里面其实有非常多的弱相关变量，而弱相关变量跟风险的关系，其实不是那么明显。所以，在智能风控里面，我们对于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。

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。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20%-30%。第三点，通过智能催收能够把催收成本降低1/3。

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的信息，包括了客户的基础信息，行为信息，以及在外部的征信信息，以及我们外部合作的场景信息，以及客户的社交信息，以及政务大数据等等各方面的信息。

      中间层，我们会对原始信息进行相应的清洗及进行以应用为单位为基础进行划分，把它分门别类的地归到我们的中间层上面去。

      中线上面是我们的集市层。我们知道原始数据一般对于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延伸，产生能够对于风险具有更好的评估和排序的特征变量。基于这些特征变量，以及相应的客户画像标签。对原材料进行相应的精炼，这个工作在整个的风险管理中都是非常重要的。

      在这个基础之上是模型层，模型层的话其实是基于刚才说的数据集市的各种变量。这里面有贷前贷中贷后的各种各样的模型，比如说我们就说反欺诈模型，其实这不是一个模型，这其实是有不同的三个模型集群，由不同的客群细分的各种的子模型来组合在一起的。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。

      所以我们需要风控策略，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，这样的话我们就会构建贯穿整个企业信用生命周期的风控策略，来决定对每一笔申请到底应该做什么样的处理。所有的模型策略都是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个申请都能够进行自动化的调用，以及进行我们刚刚说的秒批秒贷。

      最上面的是我们渠道管理系统，就是说我们的客户是通过我们的APP小程序，公众号、外部网页，甚至是开放银行来获取的。我们其实是站在我们很多的合作机构的背后，这样的话我们合作机构从API给我们进行数据的交互，我们的客户通过这些渠道，向我们提交数据，相应的会被传送到我们的政策服务器里面，会进行自动的像现在审批以及贷中加上贷后的一些处理。

五、裕民银行智能风控体系

      我们的智能服务系统大致分为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相应的配置，这一平台的话能够通过配置实现不同信源调用和接入。各种信源，比如说征信相关信源，我们既涵盖了传统风控体系中的信息，通过人行征信实现。另外，客户也可能在很多机构里面也有一些相应的金融信息，我们是通过中国互联网金融协会体现的。此外，各种各样的黑名单也在我们的平台。刚才提到各种的政务、大数据，像税、水、社保、公积金等等，这些我们都是通过平台来进行相应的配置的。风险管理中，多头的负债及其还款能力极为重要，所以我们也通过资金管理平台接入非常多的多头的信源，以及能够评估客户的还款能力的各方信源。最后，像客户社交网络等方面，我们都是能通过这种我们的平台进行相应的配置。

      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地部署和知识的监控，对我们是非常高效的一个工具。

      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，包括冒用等情形。另外还包括活体检测，声纹识别，复杂网络对于我们反欺都是非常重要的工具，包括行为轨迹这些方面。

      第四个是策略引擎。策略通过策略引擎部署在我们的风控系统里面的，每一个申请过来之后，不再需要人工进行干预。一般情况下，风险会自动执行。

      第五个是智能催收系统。智能催收系统的话大致的功能是包括几个方面，第一是智能分案其实主要是基于在险余额以及可回收金额进行分案。另外基于各种前端催收模型以及晚期的清收模型，以及机器人等等这些技术来进行实现，即智能化的催收。通过智能催收和人工催收实现更好的投产比。 

六、智能风控的误区

      第一，大数据、算法将完全替代人工？我个人是这么理解的，我们以催收来说，对于早期催收而言，智能催收是能够非常好的来替代人工的。但是对于晚期催收那种需要非常复杂的跟客户有非常多的谈判，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。第一这些工作其实不能够完全取代，只是说对于稍微简单一些的工作进行取代。另外模型设计、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。就像深度学习里面有一些算法，号称不需要人工就能够自动得到，但我自己的经验可能在金融领域实现的话有些言过其实。可能在某一些专有的特别的领域，比如说围棋领域，可能可以，但是如果要做到通用化的人工智能目前还不具备这样的条件。所以这些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，是不是不管质量什么样，总能挑选出好的。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，他就会觉得我有了这个东西，我就包打天下了；另一类可能前台业务人员也会过度期望。我个人的理解，只靠这种模型策略是无法从根本上解决风险防控的问题，风险管理的工作必须是要前置的，风险管理必须要介入从最开始的客群选择、产品设计、流程优化、渠道管理，从这些角度出手，再结合我们的模型策略方向等等那些传统的风控东西才能真正地防范风险。所以，风险管理不是一个被动的过程，而是应该是主动有所为的。就像在特性选择上面，如果客群是很烂的，挑出来的投资产品非常差，得不偿失，所以要从根本上解决这个问题。

      来源：2020（第十六届）中国金融风险经理年度总论坛系列11：智能风控——吕宇良《银行数字化转型中的智能风控》