金融科技|普惠金融下的智能信贷风控

（二）数据化

利用丰富的线上数据可以对客户进行更为专业的风险画像和分析，进而有利于控制信贷风险，降低风险成本。数据驱动的风险管理已成为银行风控发展的新趋势和必然选择。

（三）智能化

利用大数据和机器学习等人工智能技术可以对身份自动识别，自动建立还款意愿、还款能力评分卡及各类综合评分卡获取完整的客户画像，实施精准的风险评估和精准营销，可以大幅降低甚至消除人为操作风险。

图2 智能风控发展趋势

三

普惠金融智能风控关键技术

智能风控系统运用人工智能技术实现对申请人的反欺诈和全流程自动化审核与监控，其贯穿贷前贷中贷后整个流程，主要包括以下几个步骤：

（一）产品确定

如大额抵押贷、小额信用贷和小微企业贷等。

（二） 数据接入

包括内部数据和外部数据（征信数据、政务类数据等）接入。

（三）数据工程

包括数据预处理和特征工程，对数据进行标准化处理与特征表示。

（四）规则体系建设

如建立准入规则，风险名单，网贷规则等。

（五）AI模型建设

如反欺诈模型和评分卡模型。

其中，智能风控系统建设的关键在于特征工程和AI模型两大部分的建设，如图3所示。

图3 普惠金融智能风控关键技术

特征工程的构建主要基于信贷基本原理，根据获取的数据，构造验证身份、验证还款意愿、验证还款能力三个方面的特征，形成完整的信贷用户画像。

AI模型的构建主要包括反欺诈模型和评分卡模型的构建。其中，AI反欺诈模型运用人工智能技术实现团伙诈骗、三方欺诈和个人信息造假的反欺诈。评分卡模型的构建主要运用人工智能技术实现申请评分卡模型、行为评分卡模型和催收评分卡模型的构建。如：利用多目标优化成本敏感的逻辑回归信用评分模型，既能够保证利润最大化，又可得到很好的分类准确率；另外，结合XGBoost和生存分析，可为行为评分卡模型中的违约概率提供准确和动态的预测。

总之，特征工程对接入的外部数据和内部数据进行挖掘，通过三类特征构建出用户的完整画像，并将三类特征存入风控系统的数据仓库中。而AI模型则通过提取数据仓库的数据进行训练和预测，实现对贷款人贷款流程的全监控和预警。

四

普惠金融智能风控发展路径建议

目前，国内大部分商业银行对智能风控系统的建设尚处于初级阶段，即线下为主，线上为辅。在此阶段，银行可以根据自有的数据库、资金实力、技术实力、客户资源等，通过两方面加强风控建设：其一，选择成立技术研发部门或子公司等方式进行智能风控系统模块自主研发；其二，借助外部公司力量，例如通过购买阿里云、腾讯云等已成型的智能风控系统公司的技术产品，对银行内部风控系统进行改良。

就国内商业银行普惠金融的智能风控系统的建设发展，我们提供如下几点思路。

（一）精准自我分析，明确战略定位

在金融科技迅速发展的今天，金融机构应紧跟时代变化、不断强化综合金融实力，结合金融科技发展趋势和自身情况制定切实可行的发展战略。因而，商业银行一方面要对有关国家政策、科技发展水平、当前市场情况等宏观因素进行充分调研；另一方面，应结合自身所处发展情况，从商业模式、盈利能力、支付手段等多个方面总结自身优势，同时重视金融科技，因地制宜的制定战略，实现金融科技与银行业务的深度融合。

（二）拓展线上渠道，服务智能升级

目前很多商业银行都建立了自己的线上服务平台，但同时也出现业务覆盖面不够全面或操作程序过于繁琐等问题，影响客户体验。因此，商业银行在向智慧型银行转型的过程中，既要以金融科技为基础发展线上平台，也要注重将科技融入实体网点，同时开展业务渠道拓展和服务智能升级两方面的工作。例如，以手机银行App为触发点拓展线上渠道。在个性化服务方面，可通过大数据分析对客户进行分层管理，根据客户的年龄、收入、风险偏好等特征为其推荐个性化、全周期的投资产品组合；在场景化服务方面，可为客户打造多角度全平台的智能生活场景，将客户边界延伸到购物、社交、娱乐等，增强客户黏性，使得线上平台成为推广零售业务的“主力战场”。

（三） 深入挖掘数据，创新零售产品

商业银行只有依托金融科技创新零售产品，打造自身的拳头产品，才能够满足更加定制化的客户需求，进而提升客户的体验感和满意度，加强客户黏性，保证零售业务的可持续发展。

一方面应加大新型数字化产品的研发力度，在日常经营中注意与客户沟通并收集其反馈信息，据此来研发新型产品。还可以利用大数据、物联网等金融科技创新推出虚拟信用卡、远程银行、声纹支付等新型零售产品，满足客户更加私人化、个性化产品需求，实现精准营销，提高获客留客能力；另一方面应持续创新已有产品，例如可以与当下的生活热点相结合推出联名信用卡，吸引不同平台、不同圈层的用户进入银行打造的生态圈。

（四）立足政策法规，合理获取数据

目前，个人权益保护日益受到国家高度重视。2021年颁布生效的《中华人民共和国个人信息保护法》正式将个人信息纳入法律保护范围。

在此环境下，普惠金融首先应顺应《个保法》规定，注意对银行客户相应信息做脱敏处理，并保证个人信息的处理经过当事人的知情及同意；其次，中小银行可能因为样本不足而无法做出好模型，因此可通过与外部企业合作，合理利用内外数据并根据自身特色、目标客户与风险偏好来做好选择；同时，应加大对内部数据的应用，而不能对外部数据过于依赖。虽然每家银行的客户数据不可能面面俱到，但一定有自己的特色，因此要利用好自己现有的数据；最后，由于单个小微企业的数据是非常有限的，不足以反映小微企业全貌，因此在对其建立风控模型时应考虑利用产业生态数据和应用场景数据进行加强，进而获取小微企业的完整画像。在利用（税务数据、企业/个人征信解析、三方数据等）数据构建线上评分模型，获得小微企业的初步建议额度后，再结合线下尽调以及标的企业所在的细分行业、细分企业规模等产业数据最终得出风控结果。

（五）建设人才队伍，完善风控体系

人才队伍是建设智能风控体系的核心力量，同时也是金融机构风控的核心竞争力。一个智能风控团队应包含数据、业务、IT三个方面的专家构成：

1.数据方面主要包括数据总监，数据收集、存储、整理与分析方面的专家，概率论与数理统计方面的应用数学专家，以及以统计学为基础的机器学习专家。

2.业务方面主要包括风控总监，信贷产品专家，信贷风控模型专家，以及信贷运营流程专家。

3.IT方面主要包括IT总监、项目经理、需求分析师、架构设计师、软件开发及测试人员等。

此外，还应配备能统筹以上3个方面的复合型专家及管理人员。

在人才的引入与培养上，商业银行可以一方面建立科技人才绿色通道，吸引更多的科技人才加入，打造专业化的科技研发队伍；另一方面，可以建立新的培训体系，聘请专业讲师为员工讲授科技知识，保证员工能够及时理解和有效运用新型金融科技产品，紧跟数字化转型的进度。

（六）依据不同场景，选择合适模型

商业银行与其他互联网金融不同，更加注重合规审慎经营。因此，对待智能风控模型同样也应更加严谨，需要在客户和监管机构面前对风控模型的可解释性负责，确保模型在合理的前提下有效，最大程度避免风控模型的“黑匣子”问题。为此，商业银行应根据具体的应用场景来选择模型。

在模型类型选择方面，尽量选取数据支持度好、模型构建方法成熟、效果经过验证的风控模型，如逻辑回归模型、决策树模型等；在模型指标选取方面，可将传统专家经验转化为模型指标，使模型指标与业务之间具有更高的相关度和更显著的因果关系，增加模型的可信度；在模型关系处理方面，要求普惠金融风控模型能与营销模型深度、有效地融合起来，让风控模型从单纯的风险拦截型转变为质量筛选型，以更有效地避免风险在时间上的累积，减少风险暴雷事件的发生。

图4 智能风控关键发展路径

在未来，通过在风控智能化转型过程中不断的尝试与探索，商业银行对“智能风控”本身的理解也将会不断加深。从长远来看，智能风控已不再仅仅是数据、模型和系统三者的配合形成的智能，它需要更多地与普惠金融的业务创新和管理模式变革配合起来。只有将智能风控放在商业银行普惠金融经营发展的大环境中，才能真正处理好普惠金融中传统风控和智能风控的关系，综合评估和运用两者的优势，以一种更加平稳、循序渐进的方式推动风控智能化的平稳转型。

（岭南金融研究院课题组）

我创建了 金融科技 群，欢迎大家加入群，备注： FT。 我的微信： shushengya360

我提供付费咨询和服务。

你我连接，相互交流，创造更多价值。

公众号：数据科学与人工智能

作者：陆勤

金融科技行业数据科学工作者。

解决信贷业务风控和营销问题。

喜欢写点东西，有一颗利他之心。

提供付费咨询和服务。 返回搜狐，查看更多