超值娛樂城優惠描述：：原標題：【思考】談一談什么是智能風險控制 隨著大數據、人工智能技術越來越多地運用于風險管理，同時市場成熟度和集中度也逐漸提升，金融機構對于智能風險控制系統的建設需求也愈發迫切。本文聚焦于其內涵、模式和應用，談一談什么是智能風險控制。 文/ laser 來源/ 金融科技實戰 傳統風險控制面臨的挑戰 近年來，隨著互聯網金融、消費金融等新型業務形態的崛起，個人金融信貸業務范圍逐步擴展至新場景、新客群，探索出了新的商業模式。與此同時，在宏觀經濟增速下滑的前提下，作為金融的本質的風控正面臨前所未有的挑戰。尤其是在網絡貸款、消費金融領域，大量積聚的風險正在蠶食著行業健康、可持續發展的基石，其主要表現在以下三個方面： 第一，政策性風險，在風險控制上缺乏真正有效的解決方案的情況下，大量機構被迫用“超高利率”來彌補風控能力的不足，服務費、手續費、罰息等各種費用累加起來導致實際利率遠超國家法定利率上限，也引來了監管部門對“現金貸”等業務的強力整頓； 第二，倒逼客戶回流至銀行等傳統機構，一度以審批速度快、無需抵押擔保、服務方式靈活為突破口，給行業帶來了幾縷新氣。然而，超高利率、暴力催收，正在加速倒逼客戶遠離這個行業； 第三，造成行業社會價值極大削弱。“好人不敢來”、“壞人里面挑好的”成為常態，新形態的金融與“普惠”的初衷漸行漸遠。 另外一方面，基于移動互聯網和智能移動終端的普及，能夠獲取更多元的外部數據，如用戶行為、電商消費、運營商數據、地理位置、購物習慣等。相比于傳統的“強特征”金融數據（如央行征信、交易流水和資產狀態等），其與客戶違約本質上沒有因果關系。考慮到外部數據體量大、類型繁多、價值密度低、失效快等，結合金融行業特點，需構建包含如履約記錄、行為偏好、社交行為和設備安全等并進行“弱特征”風險評估，這也致使風險控制從操作流程和應用場景都有顯著的差異。 因此，隨著技術和硬件趨于成熟，依托線上金融業務場景搭建一整套從數據到算法到平臺的智能風控架構體系，有效識別風險、降低風險，創新性使用新技術，平衡風控的效率與效能，在獲客、授信、反欺詐、營銷等業務中得到具體落地應用是我們的目標，從而真正地為整個行業和社會創造價值。 智能風控的業務目標 傳統金融機構的風控體系面臨數據應用范圍擴展、風控決策效率不匹配場景需求，智能風控旨在達成以下業務目標： 1）探索非金融體系數據的應用：傳統風控體系基于央行征信報告設計，但內部數據、外部數據均需納入風控體系； 2）提升風控決策效率：傳統風控系統單筆訂單審批時間往往超過半小時甚至更長周期，但消費金融場景需要做到“實時”或“準實時”放貸； 3）嘗試風控體系自動化優化：需要針對消費金融場景獨立構建分析體系、風控體系自優化等內容； 4）探索風控系統的云模式：以消費金融業務為試點，探索風控系統云化的可能性。 智能風控的三個難點 從業務實施落地的角度看，智能風控體系可以分為三個方面，分別是“獲取哪些數據”、“怎么使用數據”和“業務系統對接”的問題。 首先，“獲取哪些數據”本質是該用哪些數據的問題，現在金融場景可用的數據早已遠遠超出傳統強征信數據的范疇，我們可以看到各種類型的大數據都在金融領域內嶄露頭角，但結合到不同的業務場景，該用哪些數據？數據的價值又有幾何？能表征哪些維度的風險？這些都需要大量摸索的實踐，僅單獨靠金融經驗或者技術，都無法解答這些問題。而這往往直接決定了業務的成本和收益。 其次，針對“怎么使用數據”的問題，這是技術能給風控能力提升最大的點。由于數據的來源和屬性不同，這需要重構一套與傳統風控體系并行的數據架構體系。如何將海量稀疏、超高維、低飽和的大數據與風險掛鉤？如何挖掘非結構化數據價值時窮盡風險？如何最大化技術和現有業務的深度結合？即使在當下深度學習、硬件框架取得突破性發展的今天，真正落地為金融風控體系的工業應用，轉化為巨大的商業價值，也還有較大的鴻溝需要趟。而對傳統的金融機構來說，這一整套在大數據生態體系上的經驗尚不豐富。 最后是“對接業務系統”的問題，在有了清晰的數據認知，并能結合不同場景和風控業務摸索了數據使用方式，但如何與業務系統對接，做實時的數據服務？這還需要一整套支持機器學習特征、模型計算的引擎。這其中也涉及很多方面的考慮，包括系統架構、操作管理、可靠性、可擴展性、運維監控以及模型自迭代等等。 因此，智能風控系統要實現從數據、特征到規則、模型持續優化的閉環系統，在平衡系統可拓展性和功能性以保證業務能夠快速落地并取得實際的效果提升。 智能風控的部署實施 基于金融機構已有的外部接口、管理平臺、內外部數據實時處理平臺，智能風控系統采用多項成熟的外部數據處理標準、業務規則的構建，并且通過算法對決策流的關鍵要素（如反欺詐、授信等）進行自動化監控及預警，其構架流程包括大數據接入平臺、大數據中間件、智能決策平臺三大部分: 1、大數據接入平臺：實現對運營商數據、銀聯數據、電商數據、政府數據等多數據源字段的集成和實時調用。另外，需滿足對同一字段實現多數據源調用的動態優化，同時，支持業務人員基于字段響應時長、字段覆蓋率和字段成本等多維度指標，對數據調用策略進行界面化配置。所涉關鍵功能包括： 1）變更數據接口的界面化配置，實現對接口HTTP、調用參數、覆蓋字段、字段返回值等內容的前臺維護和界面化配置； 2）數據調用確保數據的穩定性，能實現對多數據源的動態調用策略，封裝了成本優先、覆蓋率優先、按比例設置主從等多個策略； 3）外部接口原始數據的切片式存儲和檢索，能實現對外部接口原始數據的存儲和檢索，以及數據的維護。 2、大數據中間件：大數據處理中間件主要用以實現內部自有數據的實時同步、內部數據的復雜算法處理、內外部數據的交叉比對、外部實時清單數據的加工處理等多方面需求。使用流等實時處理技術，支持在毫秒量級內實現個人客戶標簽的抽取、數據的交叉比對等內容，減少交互時間。大數據中間件一般使用“JVM”存儲、內存數據庫和分布式緩存的方式，形成金融應用場景獨有的數據存儲結構，兼顧系統的動態性、高可用、高可擴展性。同時，中間件能支持前臺定制SQL的方式形成“作業任務”，通過觸發和手動兩種方式激活任務，實現對數據表操作、數據復雜加工處理、內外部數據的交叉驗證等功能。另外，中間件也支持基于“xml”方式的外部大數據計算平臺的模型的導入，即為系統提供了智能能力的數據基礎。 最終，大數據中間件能解決如下問題：解決海量數據挖掘的計算效率問題；解決動態風險預警信息及實時傳遞給決策流的問題。針對基于行為觸發規則的場景，大數據中間件基于實時數據的計算，捕捉動態風險信息并主動推送給決策流系統。 3、智能決策平臺：智能決策平臺，即以對借款人進行準確、實時的風險量化評估、從而提供風險決策建議。它能提供業務人員友好的決策流開發、發布與部署，提供基于業務經驗的風險規則和風險評分等的強大知識庫。在數據管理上，它為數據化運營提供了基礎，能提供業務相關的數據報表，全面分析進件情況、指標、模型、決策流的整體情況和效率。此外，智能決策平臺基于歷史數據，運行后臺封裝的算法策略，統計后臺算法策略的逾期等業務指標，作為字段、規則、評分等決策要素的效能優化的依據。所涉關鍵功能或技術包括： 1）規則引擎兼容流模式和規則模式，基于風控應用實現業務邏輯優化，實現了引擎核心與Java內核的完美融合； 2）知識圖譜，復雜網絡通過無監督算法實現分團和網絡全局風險特征抽取，并基于規則和模型融合專家研判持續迭代和優化模型、發現欺詐模式； 3）機器學習算法，它內置包括傳統機器學習及深度學習多種算法，通過實時捕捉風險變化對決策流要素優化方向給出建議。 結束語 綜上所述，智能風險控制是風險管理領域的一種新興技術運用模式，在風險管理的方法論、風險管理的計量標準和監管要求上，都與傳統金融風險管理模式并無區別。其特色在于，通過引入更多元的客戶數據(如客戶線上消費、電商、運營商、行為)，重構數據和應用架構，借助分布式大數據平臺的能力、機器學習或深度學習模型，能夠實現大批量、快速、精準的風險事件過濾或預測，從而能夠在風險管理的時效性、前瞻性、精準性、技術先進性上尋求突破。未來隨著生物特征識別、圖像識別、區塊鏈等技術的成熟，亦可運用于風險管理領域，形成更多風險控制的應用模式。 END 免責聲明：轉載內容僅供讀者參考。如您認為本公眾號的內容對您的知識產權造成了侵權，請立即告知，我們將在第一時間核實并處理。