背景

风险控制就是风险的识别和防范，它直接影响着银行的绩效。商业银行的风控工作需要足够的信息方能开展，商业银行对数据的采集、分析和整理的水平决定着银行的风控水平，进一步决定着它的盈利和竞争力。基于商业银行盈利性、流动性、安全性的经营原则，风险管理在商业银行经营管理中的重要性越来越大。然而随着经济形势和信息技术的进步，数据信息日益复杂，交叉风险日益加剧。这些变化给传统风控工作带来诸多挑战，传统的银行风控体系已经力有不逮，风控体系的改善工作势在必行。

大数据的发展改变了银行获取信息、分析和整合信息的渠道，使更多有效信息以更准确、更稳定的方式保存下来，为信息化的风控体系创造条件。人工智能方法在银行风控业务中的发展，使商业银行可以充分利用已存储的数据信息，以多个维度了解到真实的借款者面貌，以更高效率完整客观的评估借贷风险。例如，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，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，某大型国有银行利用大数据及复杂网络技术优势，寻找和利用更多线索特征，挖掘欺诈者的行为特征和社交特征，实现信用卡的申请反欺诈功能，提高反欺诈效率与能力。

总的来说，借助大数据背景整合的海量数据及先进的人工智能方法，银行可以刻画出更为全面、多元、立体的客户形象，建立主动、实时响应机制，提高风控效率，提升风控水平，成为商业银行传统风控体系的补充，弥补其应对当前复杂信息环境的不足。

现状

在商业银行经营过程中，银行所面临的首要风险是信用风险及市场风险，即借款者的违约风险或利率、汇率、金融衍生品价格变动所带来的市场风险，而市场风险和信用风险量化难度较大。在风险量化分析过程中，对数据来源充分性与及时性，对业务人才能力，对量化模型实施能力及后续模型有效性的保证都有较高要求。因此，不同商业银行由于自身的财力与背景、业务种类与规模、优质人才获取与培养等存在明显差异，对应的风险管理水平及风险量化能力差剧颇大。

对于四大行等大型商业银行，已建立了较为成熟的智能风控体系，实现了将智能风控应用于风险管理的各个环节及场景。在将大数据和人工智能技术应用于行内风险管理，已经有了一系列的应用实践和解决方案。其一是智能模型。智能模型是一种欺诈风险量化的模型，最典型的是监督型机器学习模型，基于可观察到的交易特征变量和给定“正确答案”的案件数据，模型从正确的答案中进行学习，从而进行正确的信用风险预测。同时，在一些交易、账户登录等场景应用无监督机器学习模型，在没有“正确答案”的标签数据的情况下，通过分析欺诈用户和正常用户行为模式的异同，结合知识图谱技术，识别欺诈风险。其二是在信贷场景中，基于用户的多维度数据，利用信用评分的建模方法，进行用户的信用等级划分，衡量用户的还款能力和还款意愿。

而对于中小银行，由于成本控制因素、自身的发展格局、对人才和技术引进的限制等因素的影响，注重定性分析及业务专家的经验，以传统风控为主。在传统的风控体系中，定性风险管理占主体，风控手段保守，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。总的来说，中小银行风险识别和管理技术手段较为原始，管理体系缺乏灵活性，导致风险防控滞后，缺乏风险预警。但同时，随着业务风险水平上升，行方对于提升自身风险防控能力的需求日益迫切。

天云解决方案

对于中小银行，如何借助大数据技术及人工智能方法、快速提升自身风险防控能力，天云针对不同的风控场景提供高效准确的人工智能风控模型，实现对客户风险识别、客户信用评级评分、申请反欺诈、风险预警等风控环节的覆盖，嵌入到信用风险、欺诈风险等风险管理的领域。

信用风险

目前广泛使用的信用风险防控应用有客户画像、客户信用评级评分、智能催收、风险预警，天云提供一系列模型防范各个业务环节的信用风险。

其中，客户画像是运用HTAP数据库和有监督学习方法，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，精细化定位人群特征，从而全景式展现客户的风险特征，为精细化客户管理、交叉营销提供技术支持。

在贷前审批过程中，风险预筛选模型综合客户申请信息及征信、黑名单、多头贷等外部信息，通过整合的规则模型对进件进行预筛选，拒绝掉高风险或疑似欺诈的客户，预筛选后的客户会继续通过申请评分模型等其他评估模型对客户进行风险量化。通过风险预筛选模型，快速过滤得到“好客户”，再对客户进行细分。申请评分模型（A卡）基于信贷申请人的资信状况，通过逻辑回归算法，预测其未来严重拖欠或坏账概率。模型评分作为信贷审批的主要依据，在信贷风险管理中有着非常重要的作用。申请评分模型结果可显式地得到模型中每个相关特征的得分，实现了对模型中每个特征的风险量化，帮助风控部门制定可解释的策略规则以降低坏账率。另外，客户价值模型根据各项重要因子，计算客户当前价值，并预测客户未来一段时间的价值，对新客户根据客户预期价值提供不同的营销刺激策略。

在贷中监控过程中，行为评分模型（B卡）可以根据该账户历史上所表现出来的各种行为特征，预测该账户未来的信贷表现。账户行为数据属于银行内部数据，该模型不依赖于征信记录及其他外部数据。通过行为评分模型，评估客户贷中行为风险，进而持续对客户进行定价，例如：确定分期的手续费或利率等。行为评分模型作为贷中的基础模型可以在贷中的调额、授权、挽留、激活等活动中作为客户的基础评分。差异化利率定价模型（客户分群模型）可以综合账户信息及信用卡交易信息，实现将信用卡客户进行分群，确立各群体的风险等级，进而应用于风险定价及利率市场化。客户精分模型关注客户在行内的消费情况及消费变化，通过多次聚类分析精准细分客户生命周期（客户获取期，提升期，成熟期，衰退期，退化期），确定稳定性高、可维护性强、群体间具明显差异的客户分群。通过客户精准细分，客户经理选择以不同策略维护客户关系，银行对存量信用卡用户进行合理的贷后管理，提升信用卡收益，降低违约损失。另外，收益评分模型针对可能产生的收益进行计分,按照银行长期积累的数据和客户的交易习惯,评估客户可能带给银行的收益,从而根据收益调整客户的风险管理级别,在风险可控的情况下达到收益最大化的目的，收益评分一般与申请评分及行为评分模型配合使用。

在贷后催收过程中，催收评分卡模型（C卡）包括还款率模型、账龄滚动模型及失联模型，利用客户逾期信息及历史催收记录、客户联系人信息等催收信息，预测逾期账户未来还款的可能性，从而采取相应的催收措施。同时，银行可通过复杂网络技术对疑似关系进行失联补全，通过有监督学习算法对客户进行分类，对不同类别的客户自动应用不同的拨打策略进行自动催收拨打，将催收结果数据再次反馈至策略模型，提升模型准确率，从而提高催收效率。另外，贷后违约率模型通过对各项风险因子的分析，预测借款人违约可能性，同时监测各贷款类型总体违约率并与银行历史数据对比，提供动态风险预警。

欺诈风险

天云提供包括申请反欺诈及商户反欺诈等模型，有效防控欺诈风险。

申请反欺诈模型突破了业务规则的描述，结合复杂网络技术提取了传统机器学习模型无法表达的网络特征，在看起来独立无关联的申请信用卡的进件中，寻找存在相似的电话，邮箱，地址，特定业务规则等关联痕迹。通过复杂网络将这些关联度量出来，升维新的特征，例如，离高风险或疑似诈骗的距离、高风险或疑似诈骗数量等，这些稀疏的变量和传统金融变量一起输入深度学习模型，更动态更全面的识别欺诈，极大提升反欺诈的效率和能力。该模型对于团伙欺诈具有显著的效果，且模型随着社交网络的变化自动更新迭代，持续保证识别效果。

银行零售业务中，二维码收单业务已经逐渐积累了商户信息，且在商户经营过程中，交易量及交易频率持续增长。随着业务的不断拓展，商户质量良莠不齐，出现虚假商户和套现商户，这些异常商户的潜在风险可通过商户反欺诈模型进行识别。商户反欺诈模型通过商户基本信息、清算信息等内部数据及业务定义的商户清单，通过有监督学习算法建模，识别异常商户及异常交易模式，通过模型结果对商户风险进行量化评估，从而对异常商户进行处置，确保银行二维码收单业务的健康发展。

除常用的有监督学习外天云可提供图计算技术及其他无监督算法，如：孤立森林、高斯混合模型及深度学习中的AutoEncoder-Decoder等异常检测算法构建反欺诈模型，减少欺诈风险带来的巨大损失。

天云产品优势

天云提供完整的自动化建模平台，包括数据及特征处理、模型训练及评估，模型上线及监控，可以实现完整的风控模型及策略，助力中小银行快速实现大数据风控落地。自动化建模平台主要包括自动化特征工程工具Kaleido、自动化建模优化工具MaximAI、决策引擎Gaea及模型上线工具Sail，通过对功能模块的封装，实现了自动化模型快延，可快速批量的复制模型，加速建模过程，缩短建模周期。通过天云平台，中小银行可快速完成防范信用风险的ABC卡、客户价值模型、收益评分模型以及欺诈风险模型等模型的构建与上线。

自动化特征工程工具Kaleido通过简单的拖拉拽即可实现复杂的数据预处理及特征工程流程，也可以根据RFM模型自动衍生特征。该工具基于Spark的分布式计算框架，对于亿万量级以上的数据量也可以很快的处理。此外，Kaleido可独立完成申请评分卡模型的构建。

自动化建模优化工具MaximAI支持四大类、共八种机器学习算法，通过自动化机器学习功能，实现模型自动调参与评估，可支持银行风控模型所需所有算法模型。同时它增加了对模型结果和特征的自动化分析，从而可以让建模人员有方向的进行模型迭代优化，同样在分布式机器学习算法的支持下，亿万量级数据也可全量建模，同时自动化机器学习功能也大大缩短了调参的等待时间。

决策引擎Gaea基于RETE（规则匹配）算法，提供了决策集、决策表、决策树、评分卡及决策流共6种类型的规则定义方式，同时可利用机器学习模型及图计算结果，定义业务规则与决策，快速实现规则的定义、维护与发布。同时，决策引擎提供机器学习模型上线功能，模型可作为接口快速被业务系统使用。当然，Gaea也可独立作为业务规则引擎，业务人员可根据业务流程，按需配置业务规则，快速上线。

通过对上述特征工程及建模评估等多个模块的流程复用与继承，自动化模型外延使得相似的模型不再需要“从头再来”，只需要进行标签的重新定义，大大缩短建模周期，提高建模效率。

模型上线工具Sail可支持多种类型模型上线，同时提供模型上线监控、资源管理等模型上线全流程监控，大大降低了模型上线复杂程度，减少模型上线及更新成本。