农行刘刚:大数据时代智能风控体系建设实践
2018/8/14 10:23:44

商业银行作为金融中介机构,经营的本质是对风险的承担和管理。伴随着全球金融一体化进程的加快,银行的经营环境日益复杂,面临的风险进一步加大,对风险管理能力提出了更高的要求。随着大数据、人工智能、云计算等新一代金融科技的高速发展,驱动着包括银行业在内的经济社会各领域加速向数字化、智能化、信息化的更高阶段发展。在此背景下,商业银行应抓住机遇,充分利用大数据、人工智能等技术对传统风控模式进行创新,建立覆盖风险识别、计量、分析、处置全流程的智能风控体系,进而全面提升银行风险防控能力。

一、智能风控体系重塑银行风险管控模式

传统的风控体系中定性风险管理占主体,以主观规则及客户评级为主,存在数据获取维度窄、定量分析能力偏弱、难以精确化用户特征等缺点。评价模型一般是基于客户历史行为、数据进行预测,无法前瞻性地预测未来风险情况的变化,导致风险管理滞后。在数字化转型的背景下,传统的风险管控模式已无法满足全面风险管控的需求。

以大数据、人工智能为代表的新技术发展为风控领域相关痛点的解决提供了很好的契机。一方面,大数据技术通过整合大量数据,包括银行内部的数据和外部机构的数据,从多维度对客户进行全面评估,极大地提升了对客户的评估精准度,促使传统模式下难以度量的风险显性化,提升风控能力。另一方面,大数据与人工智能技术凭借强大的计算能力和先进的模型算法对海量数据和信息的整合、分析,改变事后分析和预测判断的方式,建立主动、实时响应机制和模型,提高风控效率。

利用大数据、人工智能等技术培育大数据风控能力,建立智能风控体系,已成为银行塑造互联网金融时代核心竞争力的重要举措。智能风控体系结合传统风控防范经验,运用大数据技术,重塑以客户信用评级为主的传统风控模式,构建主动型、智能化、安全可靠的风控体系。

二、智能风控体系建设“四步曲”

基于大数据的全景式智能风控体系是以数据为基础、以风控模型为工具、以风险指标为决策依据的体系。建设智能风控体系,首先是收集基础数据,尽量获取范围更广、层次更深、质量更高的数据;其次是计量模型运用,通过运用大数据分析、人工智能等算法将获取到的海量数据进行深度加工,建立高效准确的风控模型;最后是应用场景的建立和完善,在不同的风控场景中深入应用,从而实现智能风控在风险识别、计量、处置等风控环节的全覆盖,并推动风控体系的优化完善。另外,为了使智能风控体系更好地发挥作用,还应对银行原有的风险管理模式、业务流程进行优化、完善,使得智能风控体系与业务流程有效融合。

1.数据的获取和整合是智能风控的基础

风控是一个复杂的过程。智能风控体系利用数据对风险进行管控,因此数据可获得性、数据质量及数据处理能力非常关键。

(1)整合内部数据,强化数据治理。我国商业银行具有海量的客户,且囊括了客户账户信息、协议信息、交易信息等在内的高附加值数据,具有很高的业务价值。但是由于历史原因,数据往往分散在多个系统中,缺乏规范性,缺乏统一标准,数据质量差、管理弱、共享难的问题比较普遍。为了满足智能风控体系的数据要求,应该整合银行内部所有数据,统一数据基础,强化数据治理,改进数据质量。

(2)引入外部数据,融合内外部数据。在移动互联时代,商业银行要树立数据共享理念,抓住有利时机,积极拓展外部数据来源,实现内外部数据有效补充。当前外部数据主要包括风险名单信息、多头借贷与逾期信息、重要数据采集信息等。在外部数据引入上可以采用购买、合作、共同开发等多种灵活形式。外部数据维度众多,为了提高数据价值,应与内部数据有效整合,统一管理,实现内外部数据共享与集中管理。

(3)搭建数据平台,支持数据闭环管理。智能风控体系需要对海量数据和信息进行整合、分析、应用,需要构建支持面向数据的“采集-分析-使用-反馈”闭环体系的支撑平台,涉及数据存储和管理、分析挖掘、场景化应用、反馈评估等环节。数据平台应该能够突破传统数据计算的性能瓶颈、时效性及指标复杂度等多个问题,具备高性能、高可靠性以及复杂计算能力。

2.模型的运用和完善是智能风控的核心

模型是智能风控的“灵魂”。商业银行利用简单或复杂的模型,不断提高自身的智能感知和响应能力,进而辅助或替代人工,提升风控水平。目前,智能风控模型主要有以下几类。

(1)通过简单规则的判定和匹配,辅助银行进行风险决策,如信息核验、黑白名单匹配、人脸识别等。此类模型在数据具备的前提下实现难度不大,规则较简单,可复用性高,但是规则创建依赖专家经验和已发生风险事实,无法针对新的风险模式进行自动更新。

(2)利用数据挖掘算法,将银行积累的大量的客户相关的数据及外部数据进行汇总分析,提升风控准确度。常用的数据挖掘算法包括多元逻辑回归、聚类分析、神经网络、决策树、关联分析等,如运用神经网络模型实现对客户的信用风险评价。此类模型通过训练模型,不断优化和调整模型,在模型精度和适用性上有了质的提升。

(3)利用机器学习、知识图谱等新技术、新手段动态分析信用风险、欺诈风险等,建立动态决策机制和风控模型,提高决策准确性和效率。如通过采用机器学习技术,从数据中自动识别欺诈交易,总结交易模式,提升银行欺诈、反洗钱侦测系统的侦测率。此类模型通过不断自我改进与自我优化,自动识别新的风险模式,提升了风控体系的快速反应能力。

3.场景融合是智能风控体系发展的驱动力

银行将基于大数据分析产生的知识嵌入到信用风险、操作风险、欺诈风险等风险管理的各个领域中,建立主动预防、全场景、立体化的智能风控体系。

(1)信用风险防控方面。信用风险产生的根源是借贷双方的信息不对称。信用风险防控要解决的主要问题是如何更加准确、全面、清晰地了解客户信息,降低信息不对称的程度,并据此作出正确的决策。目前广泛使用的信用风险防控应用有客户画像、智能审批、智能催收、风险预警等。其中客户画像是运用大数据和知识图谱技术,建立全面的客户信息审察体系,衡量客户的还款能力和还款意愿,从而全景式展现客户的风险特征,为精细化客户管理提供技术支持。

(2)操作风险防控方面。操作风险是由于内部操作程序、人员、系统或者外部事件所造成的风险,例如洗钱、内部人员操作失误等。在内部员工操作风险监测方面,银行在积累内部损失数据及引入外部损失数据的基础上,利用大数据技术对员工经营行为进行风险监测,由监测人员通过对实时预警信息的及时识别、核查及统计分析,揭示相应风险并及时处置和化解,提高了风险监控的针对性、有效性和时效性。

(3)欺诈风险防控方面。近年来金融欺诈事件数量逐年攀升,欺诈团伙内部分工越来越精细,反侦查能力越来越专业,欺诈行为也呈现出多样性、复杂性和隐蔽性特征。金融欺诈分子通过隐瞒、编造重要信息,制造信息不对称的假象,谋取不正当利益。传统的风控体系受制于数据信息不对称,反欺诈效果不够理想,但是智能风控体系可凭借数据和技术优势发现寻找更多的线索特征,挖掘用户的行为特征,用户关联特征等异常事件,结合IP、手机、位置等维度分析潜在的欺诈风险,能极大提升反欺诈的效率和能力。

4.管理支持是智能风控的有效支撑

智能风控体系与传统风控体系的管理模式差别较大,在传统风控体系下建立的业务制度、业务流程势必无法适应智能风控体系。因此,应及时调整优化业务流程,使之与智能风控体系衔接更加紧密。智能风控体系对业务流程的影响主要有两点:一是需在业务制度及业务流程中明确智能风控体系嵌入环节、效力范围及响应机制,使得风险信号产生后可以快速响应,并根据不同级别的风险事件及时采取相应的处置措施;二是在风险事件处置后应及时将结果反馈,以便进一步优化智能风控体系,形成良好互动。

智能风控体系建设过程中应同步关注数据安全防护。首先,确保数据尤其是重要数据和个人隐私信息的获取、使用及处理合法合规;其次,作为数据处理者应保障数据安全,可通过安全技术措施、数据管理制度、安全规范、保密教育等手段降低数据泄漏风险,守住数据服务底线。

三、农业银行智能风控体系建设实践

目前,我国部分大型商业银行以及金融科技企业在持续加大投入建设智能风控体系,经过多年的磨合与运营,已经形成了成熟的模式。农业银行近年来通过不断的探索与实践,以业务运用为突破口,借助大数据、人工智能等先进技术,构建由被动防御变主动拦截,从单一的事后监控到事前防范、事中控制、事后处置于一体的全景式智能风控体系,更好地满足新形势下风险管理的需要。

1.搭建大数据平台,夯实智能风控基础

为了全面整合各种来源的有价值数据,满足智能风控体系对数据的全方位探索需求,农业银行构建了企业级的大数据平台,全面支撑农业银行多元化、多领域的分析、挖掘、预测、决策等应用。大数据平台整合了农业银行各业务条线涉及客户基本信息、金融产品交易、资产信息、产品信息、客户信用历史等,并陆续接入工商、司法、海关等行外多领域数据。大数据平台的建立使得内外部数据得到有效互补,从而建立全行统一、数据标准、管理高效、技术强大的服务平台。

2.运用风控模型,挖掘分析数据价值

农业银行建立了以解决业务实际需求为目标、建模过程独立、各条线各部门广泛参与的数据分析挖掘平台,支撑从数据清洗、数据分析、模型训练、模型发布、模型调优、模型评价整个建模流程。在此平台上自主开发了评级评分、资金异常、销售下滑等模型,实现了对不同客户风险的识别、评价、预警。同时,开展大数据分析试点项目,研发了大数据审计模型、零售高风险贷款识别、理财违规私售线索识别、债券违约风险传染模型等风险防控类项目,形成了一批有价值、可落地的项目成果。

此外,农业银行还积极探索将机器学习等新技术运用于风控,提升风控智能化水平。正在尝试利用知识图谱将客户担保关系、投资关系、高管关系、资金往来关系、实际控制人等多重关联关系建立可视化图谱,形成客户风险画像,全景式展现客户的风险特征。

3.以场景应用推动智能风控体系迭代优化

农业银行将智能风控深入应用于风险管理的各个环节,探索“智能评价、智能决策、智能监控”三位一体的智能风控建设之路。

(1)加强客户分析,提升智能化评价水平。利用多维度客户信息和知识图谱技术对客户进行精准的客户风险画像,综合、全方位的评价其风险状况,为客户准入提供参考;依托我行反欺诈平台在业务办理前对客户进行黑名单筛查,运用大数据技术进行欺诈识实时监控,月均提示存量风险客户近百万户,有效防范欺诈风险;农业银行凭借大数据平台海量数据处理能力建设了反洗钱平台,为客户的反洗钱筛查提供了有力支撑,提高了反洗钱管理水平。

(2)辅助风险判断,提升智能化决策水平。将各环节用户所关注的信息自动推送到决策页面,对于重要风险信息则直接干预业务决策,为授信审批的辅助决策提供有力支持;将人脸识别等生物识别技术用于系统用户身份认证,对日常出现的别人代为操作、通过违法路径密码被他人掌握等违规违法事件及潜在隐患进行有效控制,提升农业银行对操作用户真实性监控的能力,有效防范操作风险;应用OCR技术,实现对客户财务报表的自动识别和录入,以及客户合同核对,防止合同被非法篡改,控制操作风险。

(3)聚焦贷后监控,建立主动实时的智能监控模式。为了对贷后全过程检测分析,实时监测客户信用风险的变化,农业银行已基本搭建起了“客户风险前瞻预警+信贷业务实时监测”的信用监控平台。基于该平台,通过大数据技术全面整合内部、外部数据,捕捉和发现客户行为背后的相关性,把控客户信用风险的变化,提升应急处置能力,有效降低资金风险。目前已研发近二百个监测指标,全面涵盖法人客户经营过程中的财务状况、经营情况、资金往来、违约情况、涉案情况等内容。在监测指标基础上,构建几十个监测模型,日均产生万余笔风险信号,实现了法人客户风险事项的主动预警以及及时、准确反映上下游企业、担保链客户风险信息传导情况。

大数据的思维方法与传统思维方式存在差异,但构建基于大数据的风控体系是发展趋势。农业银行近年来经过不断的探索和实践,在大数据智能风控方面取得了一定的成效。随着历史数据的积累和模型的丰富,通过大数据和人工智能技术的应用,能够更进一步地深入挖掘数据价值,大幅提升风控水平及效率,有助于农业银行在激烈的市场竞争中取得先机。

(本文作者系中国农业银行科技与产品管理局应用管理六处处长)

本文转载目的在于知识分享,版权归原作者和原刊所有。如有侵权,请及时联系我们删除。

展开全文
相关阅读
资讯查询取消