某城商行：多變金融場景下的智能風控決策應用.pdf

《某城商行：多變金融場景下的智能風控決策應用.pdf》由會員分享，可在線閱讀，更多相關《某城商行：多變金融場景下的智能風控決策應用.pdf（24頁珍藏版）》請在三個皮匠報告上搜索。

1、多變金融場景下的智能風控多變金融場景下的智能風控決策應用決策應用一應用背景四應用成果二應用架構五應用創新三應用場景01應用背景一、應用背景國家宏觀政策商業銀行數字化轉型的關鍵“人控”到“機控”的必要關于銀行業保險業數字化轉型的指導意見：加強數字化風控能力建設，建設與數字化轉型相匹配的風險控制體系。金融科技發展規劃(2022-2025年)：建立智能化風控機制，全面激活數字化經營新動能?？衫枚嗑S數據，打破客群局限，服務傳統風控無法評估的客群?；诖髷祿L控模式，實現自動決策、實時審批，提升客戶體驗。風控模型更新頻率更快，隨著機器學習的深入發展，智能風控準確性、科學性越來越高。全流程風險管理數字化

2、的必要 結合客戶貸前準入、貸中用信、貸后管理、風險預警、逾期催收，打通壁壘，實現標準化、線上化、智能化的風險管控?？蓪崿F客戶貸前、貸中、貸后全流程信息共享，提升風險處理效率?？杉訌娚虡I銀行行風險識別與控制能力，合理評估客戶風險?？啥嗑S度地對客戶日常行為軌跡分析、過濾和交叉驗證?？赏ㄟ^定量的方式評估潛在風險隱患，優化風險管理措施。02應用架構ECIF零售信貸反欺詐其他系統信貸系統核心系統人力系統內部數據司法數據學信網稅務數據其他數據征信數據工商數據外部數據管理分析型應用業務支持型應用零售信貸平臺對公進件平臺信貸系統預警系統報表可視化催收系統柜面綜合網點風險監測分析決策服務模塊智 能 風 控 平

3、臺決策引擎智能催收開戶評級零售信貸反欺詐AI機器學習平臺知識服務公共平臺人工智能平臺電子保函貸前審批風險預警批量決策實時決策決策副本配置管理系統管理統計分析平臺管理模塊二、應用架構二、應用架構統一風控引擎、統一決策平臺、統一風統一風控引擎、統一決策平臺、統一風險指標體系險指標體系系統可控、模型可控、風險可控系統可控、模型可控、風險可控智能風控統一風控引擎 統一模型部署 模型規范管理 模型集中管控 靈活可配置統一指標體系 統一指標加工，保證數出一源 內部數據+外部數據 實時數據+批量離線行為分析指標 多角度、多維度的指標框架 數據集中管理和共享 服務各場景風險模型統一決策平臺 全行級統一風險決策

4、平臺 支撐零售、普惠、企金等多業務條線貸款業務 支撐貸前、貸中、貸后全流程 支持在線實時決策和離線批量決策三個自主可控 系統可控 模型可控 風險可控03應用場景三、應用場景-信貸全流程貸款申請反欺詐檢測信用評分貸后監控放款拒絕申請通過信用惡化是否貸前審核（申請環節）準入評估不通過通過貸后監控（貸后環節）逾期催收通過貸前反欺詐風險預警智能催收貸中用信貸前信用評估三、應用場景-貸前&貸中貸前反欺詐貸前反欺詐貸前信用評估貸前信用評估 通過貸前反欺詐的關系圖譜分析技術及設備指紋識別技術，基于申請信息進行多維度的網絡構建，構建貸前反欺詐評分模型，升級現有欺詐管理技術，有效提高申請欺詐防范能力、降低案件調

5、查成本。通過”內部數據+外部數據，實時數據+批量離線行為分析數據”，圍繞借款人“還款意愿和還款能力”，構建貸前準入評分模型及額度策略，從源頭降低信貸風險。貸中用信貸中用信 通用提款周期及客戶信用數據，構建貸中用信模型，對貸中用信客戶風險分層，應用在風險早期預警、額度調整及凍結解凍等貸中風險處置場景。三、應用場景-貸后風險預警模型風險預警模型智能催收模型智能催收模型 為信貸客戶提供批量風險預警服務，通過客戶行內外數據表現情況，輸出不同等級風險信號級別，制定差異化的預警信號，為客戶經理的管理動作提供有效依據，最大力度把控風險、降低風險，為行內的資金安全保駕護航。為客戶提供批量催收服務，提供批量決策

6、支持，通過客戶行內外數據表現情況，構建催收評分模型，對客戶進行風險分層，提高催收效率，降低催收成本，制定差異化的催收處理方案，提升貸后管理能力。除實時決策服務外，還為全行對公和零售信貸客戶提供批量風險預警及催收服務，全方位應用于信貸全生命周期各環節的風險監測管理中。04應用成果四、應用成果-整體零售銀行網絡銀行部六大場景批量離線決策2小時內可完成百萬級風險客戶識別普惠金融企業金融村鎮銀行七大條線票據條線運管開戶貸前反欺詐貸前審批貸前用信風險預警智能催收前臺開戶將傳統審批1-2天縮減到5-20s決策大數據實時決策服務信貸全生命周期流程，覆蓋七大業務條線零售、普惠、直銷、企金、村鎮、運管、票據，提

7、供自動化、智能化的風控決策服務。同時為前臺個人/單位開戶場景提供分類分級模型支持。兩種模式效率提升四、應用成果-貸前準入010305020406零售條線（93款）對公條線（8款）普惠金融（22款）網絡銀行（5款）村鎮條線（2款）票據條線（5款）累計部署135款信貸產品貸前風控模型，服務六大條線，滿足各業務條線信貸決策需求，加速線下業務轉型，加快線上業務推進四、應用成果-風險預警 根據預警策略整體要求，通過核心風險分析、內外部經驗、監管要求等角度進行預警信號設置，預警信號由對應權限人員在智能風控平臺進行統一配置。授信風險或有負債風險授信份額疑似中介貸款信用行為貸款申請信息信用卡風險履約風險賬戶風

8、險資金交易異常資金用途異常還款資金風險 客戶或有負債過高 我行授信份額快速上升 疑似中介貸款 客戶名下存在未結清非銀公司借款 信用卡使用率過高 客戶名下存在未結清非銀公司借款客戶的交易對手為我行黑名單客戶 非房屋按揭類貸款流入房地產企業賬戶 還款資金來源于同一人經營狀態管理層風險股權風險行業風險行政處罰監管風險資產質量風險或有負債風險還款資金風險 企業被吊銷營業執照 企業高管變化頻繁 存在股權凍結狀態公司治理經營風險信用行為 所在行業列入調控行業名單 行政處罰過多 列入嚴重違法失信企業名單 監測企業在他行貸款形式異常 監測企業在他行授信業務發生逾期或不良 客戶對外擔?？傤~激增四、應用成果-風險

9、預警 對于風險預警指標設置不同層級的預警等級根據預警策略整體要求，由對應權限人員，對風險預警指標的預警等級進行設置。藍色預警建議采取以下一項或多項措施：黃色預警建議采取以下一項或多項措施，并結合實際情況建議納入重點監測客戶名單紅色預警要求上門核查，并建議采取以下一項或多項措施 黃色預警 紅色預警 藍色預警強制性措施納入重點監測客戶名單發起資產風險分類調整申請進行實地調查凍結額度宣布貸款提前到期資產保全快速介入上門核查上門催收貸后檢查發起資產風險分類調整申請額度管控扣劃還款增加約定提款條件系統推送的強制力度逐步升級 紫色預警紫色預警強制進行額度管控，并建議采取以下一項或多項措施額度壓降或退出擔保

10、人追償或處置抵質押物宣布貸款提前到期資產保全快速介入發起資產風險分類調整申請賬戶扣劃分析信息預警原因，加強監測頻率確認客戶授信余額和風險敞口四、應用成果-風險預警從貸后向貸前、貸中的管理前移預警運用風險管理流程都有向前端移動，包括時間節點、管理防線和業務節點的前移，實現業務、成本、風險一體化的發展模式。貫徹貸后預警和貸后檢查的本質一體將貸后檢查和預警處置相融合，同時通過預警干預貸后檢查的頻率、方式、設定風險處置化解方案并進行跟蹤管理。以預警信息為依據串聯貸后管理操作為額度管控、臨期管理、專項排查、資產保全等貸后管理事項開展提供風險事件線索。四、應用成果-智能催收基礎信息年齡、職業類型、性別、收

11、入.貸款信息貸款金額、貸款期限、還款方式、貸款種類.逾期信息逾期金額、逾期天數、累計還款比例、.催收信息累計催收次數、回款次數、催收方式、回款時間.行內外數據征信分、黑名單、預警信息.催收評分卡模型客戶風險等級短信催收AI催收電話催收上門催收智能催收模型智能催收模型 通過構建催收評分卡模型，通過對逾期客戶的基礎信息、逾期、還款、催收、行內外數據等特征識別，預測客戶還款概率，對不同風險程度客戶實施不同催收策略，實現精準催收。l 建成客戶評分評級體系，超八成指標由系統取數，風險指標及優質指標并存。l 指標適應性強、靈活性強。l 提供差異化限額措施。l 內嵌于新開賬戶交易，存量賬戶風險交易。分類分級

12、指標類別1-客戶身份信息指標1-單位信息指標2-開戶行為指標2-法人信息指標3-盡職調查核實指標3-代理人信息指標4-系統風險信息指標4-開戶行為指標5-優質客戶信息指標5-系統風險信息指標6-開戶地區指標6-免識別客戶7-開戶渠道指標7-禁止準入客戶智能風控不拘泥某一單一業務，一步步從貸前拓展到貸后，再拓展到前臺業務。在智能風控決策未介入前，風險分級分類評分卡須由柜員在客戶開戶時填列，并打印簽字，耗時約10分鐘，極大地影響客戶體驗。當前智能風控平臺接入的情況下，評分耗時約為2秒，且能將風險識別流程化、標準化，減少操作風險。四、應用成果-開戶場景05應用創新五、應用創新 支持同一產品多版本風控

13、模型部署。實現在線多模型實驗和冠軍挑戰。節省模型實驗成本，保障生產數據安全，提升實驗比對效率。在線多模型實驗，提升模型比對驗證效率靈活可配置，模型熱部署服務，加速下線上業務轉型 模型相關開發、配置及測試，均由行內人員自主完成，與系統開發進行有效隔離。保護我行風險模型知識產權的同時，有效防止核心資產信息泄露。提升核心競爭力和風險決策的自主掌控能力。構建敏捷組織，打破部門壁壘，實現風險決策自主可控 依靠規則引擎多組件支持和拖拉拽友好配置方式，增加配置便利性?？焖購陀脙韧獠繑祿醇爸笜隧?。模型熱部署，線上業務模型自動切換。加速信貸業務線上化，業務響應更加敏捷。五、應用創新利用知識圖譜，落地反欺詐場景

14、 對接知識服務公共平臺，通過貸前反欺詐關系圖譜分析技術及設備指紋識別技術，并基于申請信息進行多維度的網絡構建。結合行內外信息，建立完整的欺詐模型，對業務做出結論欺詐、疑似欺詐、清白等結論。全面升級現有欺詐管理技術，有效提高申請欺詐防范能力。結合深度學習，升級風險識別能力 對接AI機器學習平臺，構件違約風險評分等深度學習模型。通過深度學習模型提高風險識別率。實現傳統模型和深度學習模型相結合，提高風險識別率，應用復雜多變的金融環境。結合先進技術手段，為客戶提供更加安全、高效、智能的金融服務五、應用創新-下一步計劃u強化貸中用信。針對不同產品對貸中用信客戶風險分層，控制客戶提款操作，進一步降低貸款風險。u實現差異化貸后管理。實現貸后檢查任務精準推送，落實分層分類管理。u客戶經理授信行為監測。利用資產質量、進件信息、貸后檢查等信息實現對客戶經理授信行為的多維度監測。豐富應用場景提升決策效率 u豐富外數引入。引入更多優質外部數據源，不斷豐富和完善風控大數據基礎，為風控模型提供數據支持。u提高模型決策準確性。充分利用好圖譜、深度學習、自然語言處理等智能分析建模技術賦能金融風控管理，提高風險決策準確性和效率。u深化決策模型維度。持續對客戶信息進行深度挖掘，提升模型決策的準確性，創新有場景、有規模、抗周期性的產品。