【数据猿导读】渤海银行打造的产品体系，全方面覆盖了各个风控流程，在实际运转中也证明，当初预想达成的效果，几乎全部实现。其中，自动化程度高系统能够自主学习完成度达到98%，审核速度快实现快速放贷完成度100%
官网 | www.datayuan.cn
微信公众号ID | datayuancn
随着人工智能、大数据、云计算等新兴技术的不断发展，传统商业银行正在经历一次深度的信息化和智能化改造，商业银行与金融科技的融合成为未来几年的主旋律。商业银行在资金融通、合规合法、客户基础等方面拥有巨大的优势，而金融科技公司则拥有用户数据、技术创新和模式创新等优势，银行可以借助金融科技实现业务创新。
各家银行都纷纷结合互联网化发展趋势，打造面向互联网的金融与非金融服务能力，包括线上贷款产品及线上投资理财产品等，让用户可以全线上、一站式、快速便捷地获得服务。区别于传统信贷业务，线上贷款业务是通过网上银行、手机银行等渠道提供自助申请、自动审批、线上签约、放款及还款的个人消费类循环额度的线上贷款产品。线上贷款产品基于移动互联网技术，根据客户以往的交易数据，充分利用大数据分析，借助决策引擎进行客户贷款的守信审批。
渤海银行正是这股商业银行改造升级浪潮中典型的一员。行方希望通过与同盾科技的合作，完成三个重要任务：第一，传统银行业务流程再造，将有些专业的金融服务封装为标准化产品，嵌入互联网原生场景和泛金融场景，重塑传统业务流程，开展与客户使用场景结合更为紧密的业务；第二，提高效率，降低人力成本，优化自动化和信息化的服务体系；第三，提高风控能力，将更多场景化的金融产品覆盖到长尾用户当中。
客户名称/所属分类
渤海银行/金融科技·风控
实施时间
开始时间：2017年3月—至今
应用场景
渤海银行进入全新的互联网银行经营模式，其获客渠道向线上领域扩展，与蚂蚁借呗合作引流，并开发自有APP。线上获客对风控流程及技术提出了更高的要求。因此，行方希望能在同盾帮助下建立针对线上客户的自动化风控解决方案，并实现以下四个指标：一、自动化程度高，系统能够自主学习；二、审核速度快，实现对客户群的快速放贷；三、深度挖掘客户需求，希望能够将引流客户沉淀并转化为自己的客户；四、覆盖贷前审核、贷中监控和贷后管理的全流程解决方案。同盾科技先后为渤海银行三款线上产品成功开发自动化审批方案，为其解决在线自动化风控解决方案核心要求。
面临挑战
商业银行的传统客户和线上客户差异巨大，而且随着消费金融的普及，越来越多的人会通过贷款来购物，但是银行的信用信息基础数据并没有覆盖所有人，有很多用户甚至是信用白户。
渤海银行的线上客户高度依赖第三方的合作引流，而线上引流在帮助银行批量化获客的同时，也提高了信贷审核的难度。同时线上获客引流也导致风控流程更加复杂，因为合作机构和银行通常都有自己的审核规则，线上借款客群与银行传统客群差异较大，银行方面规则和征信数据难以满足审核要求。比如，在渤海银行与蚂蚁金服的合作中就发现这样的问题，银行与借呗合作，借呗提供的客户，银行没有相关数据，而且信审方案需要将蚂蚁风控模型、行方规则以及其他信审规则有机结合， 操作流程十分复杂。
此外，线上客群对于审核速度要求高，银行希望打造在线自动化审核方案并要求自动化审核系统能够快速调整和自主学习。同时需要覆盖贷前审核、贷中监控和贷后管理的全流程解决方案，原有的风控系统已无法适应渤海银行目前的需求。
数据支持
同盾拥有强大的风险名单数据、信贷表现数据、社交数据、身份数据、社会数据等，在贷前审核、贷中监控、贷后管理全流程环节中，同盾将通过风险决策引擎、流式计算平台、设备指纹等底层核心技术，配合覆盖同盾自有数据之外结合第三方数据，准确明晰的输出决策结果。
“流计算平台”：同盾的流计算平台可以实现事件驱动，实时处理和计算，无需等待数据积累到一定程度；非阻塞型的异步处理机制，支持毫秒级实时处理，支持千亿/日级别的并发请求量处理；支持水平扩展，保证上千万/秒的吞吐量。
“设备指纹”：设备指纹伴随设备的整个生命周期，可以对该设备的历史风险行为进行准确识别风险行为数据，来自于接入同盾的上万家平台，通过灵活的决策引擎和优秀的数据分析能力，能够准确识别出每一次风险行为，并将参与过这些风险活动的设备进行标记，成为跨行业、跨平台的风险名单库。通过建立知识图谱，识别出与该设备存在关联关系的其他手机号和设备，进而确定出整个欺诈团伙及成员，是打击团伙欺诈案件的有利武器。
应用技术／实施过程
同盾科技为渤海银行专属打造的产品体系，全方面覆盖了各个风控流程，在整个过程中，同盾与渤海银行进行联合建模，也全程提供了技术咨询，模型部署。根据需求，同盾先后为渤海银行三款线上产品成功开发自动化审批方案，贯穿了从反欺诈，贷前准入，客户授信和贷后管理四个环节，销售管理主要是对沉默客户的需求挖掘，对借呗引流的客户进行自动化信用审核，给出决策建议，对蚂蚁风控模型通过但行方风控拒绝的人群进行深度挖掘，辨识风险和可授信人群，降低整体成本。
经过贷前审查之后，为实现精准的信用授信，同盾通过六步为渤海银行打造自动化信审方案：
1.制定方案：理解业务模式；明确项目需求；评估数据状态；设计审核流程图。
2.规则设计：前期规则设计；芝麻规则分析；行方规则设计；反欺诈规则；三方规则。
3.模型开发与配置：模型开发；反欺诈模型；信用评分模型；模型评估和交流。
4.策略配备：根据所建模型提出授信决策方案；与各合作方进行策略规则交流。
5.模型部署与系统对接模型部署：双方技术排期对接解决数据接口不统一的问题；风控部门进行调试。
6.模型跟踪和优化：根据业务数据进行模型和相应策略调整；协调后期模型配置策略的回迁；监控报表的设计。
第一，同盾团队首先针对渤海银行业务特点拆解复杂的业务场景，设计出科学合理的决策流。
第二，同盾进行前期规则的设计，包括合作方规则、反欺诈规则和三方规则。合作方规则方面，根据行方业务需求对芝麻规则进行分析和排序，区分强规则和弱规则，同时根据行方需求，定义目标客户，划分严拒规则和可变规则；反欺诈规则方面，同盾通过设置产品准入、身份证格式、身份证黑名单、手机黑名单（逾期、法院、风险名单）、身份证手机失联、地址黑名单、多头借贷等大量数据变量导入，与渤海银行联合建立反欺诈模型；三方规则方面，同盾为渤海银行三款产品分别设置了实名认证、手机三要素核验、手机在网状态、手机在网时长、公安不良状态、学历核查、银行卡三要素等验证规则。
第三，根据渤海银行业务需求，同盾个性化开发模型包括反欺诈模型和定制信用评估模型，以1-99的评分分数为结果，分数越高欺诈风险越高，在对人群划分时，具体需要根据测试样本的结果去定义切分分数。根据在测试集中的分数表现,建议拒绝最终得分在20分以上的客群，这将拒绝11%的申请总量，但是这将拒绝95%以上的坏样本。此外，同盾将定制的信用评估模型和渤海银行方的PBOC模型融合，最大提升评估准确性。
在贷前风险管理流程里同盾集成了复杂网络分析，可以监测群体欺诈风险，帮助信用卡及车贷客户发现多起团队欺诈案件。经过3年试炼与调优，已迭代至复杂网络4.0。多年来，同盾在可扩展性的算法方面做了深入的探索，在关系网络分析中融合组合、数值和统计思维，积累了一些经验和技巧，比如局部网络探索、高阶抽样法、稀疏化、图分割、如拉普拉斯范式、高斯-马尔可夫随机场中取样等。再复杂庞大的网络也可以实现毫秒级分析并输出决策结果：输出关联风险分量化核心指标、分析核心成员/中介、展示群体行为特征、支持灵活配置策略。
第四，根据行方需求，同盾基于经济稳定性和评分设计综合授信策略，进一步提出额度策略和利率策略。
第五，同盾的模型部署和实时监控，保证了自动化审核和贷后风控效果。贷后风控方面，尽管银行在坏账和逾期的表现上，没有消费金融公司严重，但逾期催收始终是一件不得不做的“苦力活”，同盾智能催收产品逾期管家，也逐渐开始替代传统银行的人工催收模式，高效运作。
核心技术1：模型平台
模型平台是同盾大数据风险控制的核心产品之一，提供模型的全生命周期管理，包括数据上传、模型构建、部署执行、模型监控等功能。模型平台能够基于客户自有数据和同盾大数据风险指标联合建模，支持多种模型，适用于多种场景，显著提升模型性能。同时，模型平台可以和决策引擎紧密结合，形成策略 模型的综合决策，进一步提升整体风控效果。
核心技术2：信用评分卡
整个项目中渤海银行的信用评分卡使用逻辑回归模型，首先确定可能对违约有预测作用的潜在因素集合，组成一个待测试的因素长清单，包括基础特征、运营商信息、线上消费偏好、申贷行为及征信记录、出行行为及设备和IP类信息等六大维度。在此基础上，选择具有代表性的样本，对提取到的数据进行清洗和加工转换，经过单因素分析及并类分析和多因素分析，确立最终入选模型的7个因素。模型训练集样本量是8000个，好坏比12:1，测试集样本量2000个，好坏比14:1。
核心技术3：复杂网络
复杂网络能针对复杂对象的关联关系进行非线性建模，由节点（实体）和节点之间错综复杂的关系（实体之间关系）构成拓扑网络，当异常关系聚集出现时，即可识别欺诈行为。拓展了风险识别的边界和维度，解决了金融场景数据量大、数据复杂和数据不完整的基本问题，帮助金融机构减少风险，降低风控成本，提高决策效率。
同盾打通跨行业数据及外部数据，结合文本、图片等非结构化数据抽取技术，融合结构化与非结构化数据，将时空大数据编织成“实体-关系-实体”的拓扑关系网。当输入“种子数据/线索”，则由点及面、抽丝剥茧，最终顺藤摸瓜找到与之有关联的所有信息，并通过图计算、知识表示和机器学习等技术进行黑中介团伙等的智能化挖掘分析。
商业变化
同盾科技为渤海银行专属打造的产品体系，全方面覆盖了各个风控流程，在后面的实际运转中证明，渤海银行当初预想达成的效果，几乎全部实现。其中，自动化程度高系统能够自主学习完成度达到98%，审核速度快实现快速放贷完成度100%。
同盾通过统计分析确定各因素的最佳权重，根据信用直觉和专家经验调整模型的权重，并测试和验证模型。模型具备强大的风险排序能力，能同时兼顾高分段和低分段。本项目信用评分模型KS值达到45%，比行业平均水平提升10%。并且，同盾在建模过程中非常重视模型稳定性，上线后PSI达到0.001，明显好于行业PSI 0.1即高稳定性的界定。项目上线后，日调用量稳步上升，当前日调用量在4到5万之间，峰值在10万。
渤海银行通过率为27%，拒绝率为73%，完全依靠自主实现，在提高效率的同时为行方节省了大量人工成本。
渤海银行项目的算法性能为正常接口报文会在300毫秒内返回，耗时会随着接入的数据量增多而增加。从数据维度而言，整个体系支持系统字段和扩展字段，可根据客户需求增加对应维度。数据处理速度默认为TPS 50，可以根据客户调用量做相应的调整。
关于企业
同盾科技是国内专业的第三方智能风险管理服务提供商。自创立以来，同盾坚持“智能网络 诚信互联”的风控理念，将人工智能与风险管理深度结合，为非银行信贷、银行、保险、基金理财、三方支付、航旅、电商、O2O、游戏、社交平台等多个行业客户提供高效智能的风险管理整体解决方案。
2017年12月同盾在行业内率先发布“智能分析即服务”即AaaS理念，和单一提供平台或工具或数据服务的模式不同，AaaS可以根据不同金融机构的业务需求，在包括营销、风险控制、投资和运营等多种细分金融场景中提供基于智能算法模型的分析服务，为金融机构赋能，助力金融机构提升其核心竞争力。
作为智能风险管理的引领者，同盾通过持续创新产品与技术，不断提升服务可靠性，将人工智能技术深度应用到互联网风险管理和反欺诈领域，形成了人工智能（图像文本识别、语音交互、机器学习）、泛安全（IP画像、设备指纹、欺诈报告）和信贷科技（决策引擎、复杂网络、流式计算）三大技术体系，为生态伙伴输出行业领先的综合科技能力，是值得客户信赖的第三方智能风险管理服务提供商。经过几年的发展，同盾已经是全行业增速最快的企业，目前已有超过10000家企业客户选择了同盾的产品及服务。
往期案例浏览
【案例】恒丰银行——基于大数据的财富管理平台
【案例】广发银行——呼叫中心语音大数据分析系统建设
【案例】农业银行大数据平台项目——海量数据复杂运算处理
【案例】中国人民银行——结合大数据和复杂网络技术实现企业关联关系计算及图谱展示
提交案例参与活动，请联系：yaphet.zhang@datayuan.cn
