大数据时代智能风控体系建设实践

《大数据时代智能风控体系建设实践》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、专题SpecialTopic大数据时代智能风控体系建设实践中国农业银行科技与产品管理局应用管理六处处长刘刚大数据的思维方法与传统思维方式存在差异，但构建基于大数据的风控体系是发展趋势。农业银行近年来经过不断的探索和实践，在大数据智能风控方面取得了一定的成效。随着历史数据的积累和模型的丰富，通过大数据和人工智能技术的应用，能够更进一步地深入挖掘数据价值，大幅提升风控水平及效率，有助于农业银行在激烈的市场竞争中取得先机。险管理能力提出了更高的要求。随着大数据、人工智能、云计算等新一代金融科技的高速发展，驱动着包括银行业在内的经济社会各领域加速向数字化

2、、智能化、信息化的更高阶段发展。在此背景下，商业银行应抓住机遇，充分利用大数据、人工智能等技术对传统风控模式进行创新，建立覆盖风险识别、计量、分析、处置全流程的智能风控体系，进而全面提升银行风险防控能力。一、智能风控体系重塑银行风险管控模式传统的风控体系中定性风险管理占主体，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。评价模型一般是基于客户历史行为、数据进行预测，无法前瞻性地预测未来风险情况的变化，导致风险管理滞后。在数字化转中国农业银行科技与产品管理局应用管理六处处长刘刚型的背景下，传统的风险管控模

3、式已无法满足全面风险管控的需求。商业银行作为金融中介机构，经营的本质是对风险以大数据、人工智能为代表的新技术发展为风控领的承担和管理。伴随着全球金融一体化进程的加快，银域相关痛点的解决提供了很好的契机。一方面，大数据行的经营环境日益复杂，面临的风险进一步加大，对风技术通过整合大量数据，包括银行内部的数据和外部机2018.08中国金融电脑15SPECIALTOPIC专题构的数据，从多维度对客户进行全面评估，极大地提升的问题比较普遍。为了满足智能风控体系的数据要求，了对客户的评估精准度，促使传统模式下难以度量的风应该整合银行内部所有数据，统一数据基础

4、，强化数据险显性化，提升风控能力。另一方面，大数据与人工智治理，改进数据质量。能技术凭借强大的计算能力和先进的模型算法对海量数（2）引入外部数据，融合内外部数据。在移动互据和信息的整合、分析，改变事后分析和预测判断的方联时代，商业银行要树立数据共享理念，抓住有利时机，式，建立主动、实时响应机制和模型，提高风控效率。积极拓展外部数据来源，实现内外部数据有效补充。当利用大数据、人工智能等技术培育大数据风控能力，前外部数据主要包括风险名单信息、多头借贷与逾期信建立智能风控体系，已成为银行塑造互联网金融时代核息、重要数据采集信息等。在外部数据引入上可以采

5、用心竞争力的重要举措。智能风控体系结合传统风控防范购买、合作、共同开发等多种灵活形式。外部数据维度经验，运用大数据技术，重塑以客户信用评级为主的传众多，为了提高数据价值，应与内部数据有效整合，统统风控模式，构建主动型、智能化、安全可靠的风控体系。一管理，实现内外部数据共享与集中管理。（3）搭建数据平台，支持数据闭环管理。智能风二、智能风控体系建设“四步曲”控体系需要对海量数据和信息进行整合、分析、应用，基于大数据的全景式智能风控体系是以数据为基需要构建支持面向数据的“采集-分析-使用-反馈”础、以风控模型为工具、以风险指标为决策依据的体系。闭环体

6、系的支撑平台，涉及数据存储和管理、分析挖掘、建设智能风控体系，首先是收集基础数据，尽量获取范场景化应用、反馈评估等环节。数据平台应该能够突破围更广、层次更深、质量更高的数据；其次是计量模型传统数据计算的性能瓶颈、时效性及指标复杂度等多个运用，通过运用大数据分析、人工智能等算法将获取到问题，具备高性能、高可靠性以及复杂计算能力。的海量数据进行深度加工，建立高效准确的风控模型；2.模型的运用和完善是智能风控的核心最后是应用场景的建立和完善，在不同的风控场景中深模型是智能风控的“灵魂”。商业银行利用简单或入应用，从而实现智能风控在风险识别、计量、处置等

7、复杂的模型，不断提高自身的智能感知和响应能力，进风控环节的全覆盖，并推动风控体系的优化完善。另外，而辅助或替代人工，提升风控水平。目前，智能风控模为了使智能风控体系更好地发挥作用，还应对银行原有型主要有以下几类。的风险管理模式、业务流程进行优化、完善，使得智能（1）通过简单规则的判定和匹配，辅助银行进行风控体系与业务流程有效融合。风险决策，如信息核验、黑白名单匹配、人脸识别等。1.数据的获取和整合是智能风控的基础此类模型在数据具备的前提下实现难度不大，规则较简风控是一个复杂的过程。智能风控体系利用数据对单，可复用性高，但是规则创建依赖专家经验和已

8、发生风险进行管控，因此数据可获得性、数据质量及数据处风险事实，无法针对新的风险模式进行自动更新。理能力非常关键。（2）利用数据挖掘算法，