2018年大數據技術助力金融業務安全.pdf

1、大數據技術助力金融業務安全目錄01-金融業大數據技術應用情況02-大數據風險管控的機遇和挑戰03-大數據風險管控能力建設04-智能風控體系建設金融業大數據技術應用情況“數字化轉型”迫在眉睫大數據技術應用場景企業級大數據規劃及建設路徑“數字化轉型”迫在眉睫“數字化轉型”=科技+金融技術上，大數據、云計算、人工智能、區塊鏈等新技術推動了科技與金融相互融合、相互滲透，開啟了波瀾壯闊的商業變革和金融創新。場景上，金融生態被“顛覆、融合、創新”，互聯網公司依靠平臺力量構建生態圈，傳統銀行業“破局”要求“數字化轉型”，用數字思維和手段重塑業務和服務流程。什么是“數字化銀行”？以體驗為核心：打造極致體驗，使

2、牢固互信的客戶黏性成為價值來源的核心所在。以數據為基礎：全面記錄、完整采集、整合數據形態，通過對海量數據的深度挖掘與智能分析，讓數據轉化為生產力。以技術為驅動：緊跟技術發展趨勢，結合業務場景，實現技術與業務融合發展。大數據技術應用場景精準營銷客戶畫像客戶行為分析差異化營銷運營優化市場和渠道分析差別定價和產品創新支持輿情分析內部管理企業級數據治理與數據服務管理決策內控審計風險控制風險實時監測與預警風險分析欺詐分析企業級大數據規劃及建設路徑數據治理1.2.數據歸集與整合3.數據分析與運用目錄01-金融業大數據技術應用情況02-大數據風險管控的機遇和挑戰03-大數據風險管控能力建設04-智能風控體系

3、建設大數據風險管控的機遇和挑戰大數據時代商業銀行風險管理的機遇商業銀行應用大數據技術面臨的挑戰大數據時代商業銀行風險管理的機遇大數據技術帶來數據分析能力提升海量吞吐、流式處理、實時分析等技術：X86平臺、Hadoop框架、NoSQL數據庫等開源分布式大數據技術體系；實時分布式計算框架和流計算體系；使得數據挖掘成本降低，得以將風險管控數據分析對象從“樣本數據”上升為“全部數據”。大數據技術推動風控模式創新可被分析的數據的維度和密度極大豐富，風險模型可信度可有效提升；風控模型數據時效性提升，支持實時反饋和對未來變化趨勢的預測；利用大數據和知識圖譜對風險管理信息進行知識管理，可將知識轉化為業務規則和

4、模型；利用大數據技術實現多因素、多維度數據的綜合分析，降低全面風險管理的技術門檻。商業銀行應用大數據技術面臨的挑戰數據收集能力的挑戰挑戰：自身數據+第三方數據，數據的豐富程度和復雜性大大提高。應對：在數據收集中充分考慮低成本、低能耗、高可靠性、高數據質量等要求。大數據安全的挑戰挑戰：銀行業數據敏感程度高，需根據數據敏感程度、脫敏程度、授權級別等對大數據資產進行分類分級管理及不同等級的安全防護。外部數據的使用缺乏合規、安全、規范的方式。應對：商業銀行需制定大數據的收集、存儲、管理和使用等方面的統一標準及規范。大數據技能儲備的挑戰挑戰：大數據技術更新換代迅速，要求銀行提升技術儲備，快速響應、敏捷交

5、付。應對：在加強人員技能培訓、技術配備，培養專業化分析師隊伍。目錄01-金融業大數據技術應用情況02-大數據風險管控的機遇和挑戰03-大數據風險管控能力建設04-智能風控體系建設大數據風險管控能力建設商業銀行的比較優勢重點能力建設領域商業銀行的比較優勢 金融領域的專業優勢和經驗積累 全渠道、立體化、跨地域協同的服務渠道 長期基于廣泛金融場景的技術研發實踐經驗 長期穩健經營、適應嚴格金融監管要求 商業銀行穩健可靠的品牌信用重點能力建設領域夯實數據基礎，提升數據的維度和密度傳統風控主要依賴“強數據”大數據時代要應用“弱數據”建設企業級數據平臺和數據模型構建技術平臺，提升實時分析和決策能力建設數據應

6、用云服務平臺；將數據服務實時嵌入業務流程和場景應用；合理應用機器學習、深度學習等模型和算法。完善管理體系，構建“數據+決策+監控”動態閉環使用“全體數據”構建模型；持續應用及評估監控；持續訓練及改進模型表現。加強業務科技融合，建立復合型人才隊伍培養復合型人才建立數據分析師和業務建模專家隊伍目錄01-金融業大數據技術應用情況02-大數據風險管控的機遇和挑戰03-大數據風險管控能力建設04-智能風控體系建設智能風控體系建設實時反欺詐信用風險市場風險和操作風險智能反洗錢智能風控體系建設實時反欺詐Step1.實時分析，整合風險監控渠道，聚焦事中風控；Step2.引入規則引擎和風險引擎，分析客戶交易行為

7、，提高風險交易監測能力；Step3.納入綜合經營公司數據，持續訓練和優化反欺詐模型算法，提升集團層面實時反欺詐能力。成功案例“網御”項目，2017年12月上線，覆蓋數百個規則因子、37個風險特征模型、10大類機器學習算法。目前日均接入交易超過千萬筆，攔截欺詐交易數萬筆，避免客戶損失上億元。智能風控體系建設信用風險應用大數據和人工智能語義分析技術，整合行內信息與外部互聯網數據，通過企業畫像和關聯關系挖掘，為企業信用風險管理提供支撐。Step1.整合行內外部客戶數據及多種信息維度，建立客戶360度風險視圖；Step2.引入行業及輿情信息，構建全面的風險預警模型指標，將風險防控嵌入到授信方案選擇、授

8、信審批和貸后管理等環節；Step3.挖掘客戶間隱性關系，由“面”成“體”，識別顯性集團和隱性集團，繪制“擔保圈”并構建“擔保球”。成功案例“艾達”項目，2017年投入試運行，經功能優化升級及全面推廣，截至2018年6月，實現企業畫像26300家，累計識別輿情信息800余萬條，繪制了股權、管理、擔保和投融資維度的3個層次關聯圖譜，監測145項動態預警指標，并定制開發了5個業務場景嵌入風險管理流程環節。智能風控體系建設市場風險和操作風險市場風險評估、計量和監控：引入網格計算技術，支撐多并發金融計算引擎，實現對復雜金融模型的高效估值計量；嵌入風險限額指標實時監控和檢查交易，對異常情況進行風險提示和預

9、警，實現風險管理關口前移。內控與操作風險管控：基于海量長周期數據，進行數據訓練和分析模型構建，實現內控模型和審計報表的自動化監控，支持內控管理與內部審計工作開展。智能風控體系建設智能反洗錢運用機器學習算法提高名單檢索和模型命中率，基于流式計算技術提高名單檢索和控制模型篩查的速度，并在構建交易鏈路、追蹤資金流向、分析客戶交易偏離度、挖掘實際受益人等多個業務場景深入應用大數據技術。例：利用人工智能技術，對涉及電子商務交易的第三方支付公司和商戶進行盡職調查，提高交易 反洗錢審查效率。輔助貿易融資交易背景調查，綜合校驗業務相關的物流、信息流、資金流信息，判斷交易背景的合理性和真實性。例：在貿易融資業務的交易背景核查過程中，應用人工智能技術，基于非標準化單據影像、物流貨船航行情況等數據，結合歷史數據生成貿易融資背景核查報告，以提高交易背景調查效率和準確性，降低合規風險。結語 風險識別是核心 數據的維度和密度是基礎 數據分析與建模能力是關鍵依托大數據技術深耕風險管控應用場景，打造主動、立體、實時、智能的大數據風控體系，構建數字化時代的核心競爭力。謝 謝！