新時代、新形勢背景下，建設銀行正在開啟新一輪的戰略布局。建設銀行普惠金融戰略將目光從“雙大”轉向“雙小”，面向藍海、面向大眾、面向草根，在鞏固好傳統優勢的同時做出戰略調整。而普惠金融戰略以金融科技為支撐，特別是業內領先的“新一代”系統的竣工投產，大數據智能風控平臺的建設，賦予了建設銀行更好支持普惠金融客戶的能力。

　　　　一、大數據風控已成為銀行的核心競爭力

　　對于金融行業來說，本質的問題不僅是獲客和運營，更是風險控制。只有通過有效手段控制金融交易中存在的各類風險，合理完善風險定價體系，才能避免產生系統性金融風險。

　　銀行傳統風險管控模式在風險管控時效性、模型有效性、監控范圍等多個方面的短板日益凸顯：風險管理以事后處置為主，事前防范與事中控制偏弱；定性風險管理占主體，定量風險管理能力尚顯薄弱；風險管理滯后性較高，對高實時性的生產環境攔截困難導致結構性風險；以主觀規則及評分卡為主，難以精確化用戶特征；照搬國外成熟模型缺乏本土化改造，準確率及覆蓋率有一定局限；監控對象不全面，以存量監督為主，對增量部分的監控手段落后。

　　以大數據、人工智能為代表的新一輪科技革命和產業變革的集中爆發為風控領域相關痛點的解決提供了很好的契機。利用大數據、人工智能等金融科技提高大數據風控能力，已成為銀行塑造互聯網金融時代核心競爭力的重要舉措。

　　大數據風控利用多維度數據，填補傳統風控模式的缺口，有助于從更全面的角度進行客戶畫像和風險評估；

　　實現了申請過程的電子化，通過自動決策，實時審批，提供7×24小時的服務；

　　風險控制基于算法、模型和規則，更容易做到客觀公正；

　　學習速度快，隨著人工智能、深度學習等技術的發展，大數據風控的科學性、準確性會越來越高,有助于商業銀行更有效地進行貸中和貸后控制。

　　建設銀行大數據智能風控平臺實現了對用戶各項數據信息的全面收集，整合小微企業和企業主在建設銀行的資金結算、交易流水、存款投資等各類強金融信息，并積極對接政府相關數據平臺，利用人行征信、水務、工商、海關等公共信息以及第三方的交易行為信息，實現對客戶精準“畫像”，對客戶的身份屬性、信用屬性、行為數據、消費屬性、人脈關系等方面的完整呈現。通過反欺詐、信用評分等模型有效甄別客戶風險，降低獲客成本，對客戶進行風險定價、提前授信；基于相關信息對企業貸后經營情況進行實時監控，做到風險早識別、早預警、早發現。以往困擾銀行的小微企業信息不透明，客戶群體廣、小、雜的難點得到有效緩解，普惠金融業務流程效率不斷提高，成本、風險、收益實現平衡，可持續的商業發展模式已初步打造形成。

　　二、大數據創新引領風險管理新趨勢

　　建設銀行基于超過十年的海量金融交易數據積累，積極引入工商、司法、海關等外部數據，創新風險計量工具的開發方式，建立了一整套基于大數據的風險計量、預警模型進行風險評估，依據評估分數，預測客戶還款能力、還款意愿以及欺詐風險等，為建設銀行實施積極主動的風險管理，提高風險防控能力、支持普惠金融，守住不發生系統性金融風險的底線提供支持。

　　1.建立風險模型大數據實驗平臺

　　構建大數據金融計量模型，必須要有足夠的數據積累和適合的開發平臺。建設銀行較早地構建風險模型實驗室并在同業中率先投入使用。風險模型實驗室作為支持大數據應用及風險模型管理的基礎技術平臺，規范了數據挖掘及信用風險模型開發和驗證過程，提高了大數據應用及模型研發效率，支持了從設計、開發、驗證、監測的模型全生命周期管理。主要實現了如下功能：

　　(1)提供了技術平臺。通過搭載SASEG，SASEM等軟件，其封裝了回歸、聚類、決策樹、神經網絡等成熟的數據挖掘方法；便捷地實現日常大數據分析，為業務政策制定、風險預警、客戶營銷等活動提供了有效支持。

　　(2)提供了數據平臺。模型實驗室依托風險數據集市，引入客戶信息、對公信貸、個貸、信用卡等完整數據信息。作為企業級數據倉庫實驗數據區的一部分，對未納入的數據指標可便捷地從企業級數據倉庫中擴展補充。

　　(3)實現了知識積累。模型實驗室運行以來，隨著大量風險模型的開發，積累了豐富的知識和經驗；形成了知識庫，將高度總結的知識和經驗按照卡片式積累，按照統一規范、命名規則存儲了原始數據、中間數據以及各類文檔，便于后續人員查詢、學習。

　　(4)實現了數據和信息的安全控制。模型實驗室實現了建模平臺的“遠程開發、集中管理”，實現數據表和文檔的精細化、“按需定制”的訪問權限控制。

　　模型實驗室有力支撐了當前風險計量模型的研發和管理，為未來全行各類大數據模型的設計、開發、驗證及其他人工智能模型提供了可靠的操作平臺和管理手段。

　　2.基于風險模型應用的中央風險計量引擎

　　近年來，隨著人工智能崛起，機器學習技術得以較快發展，智能決策引擎就是在基于機器學習的基礎上實現的。利用海量歷史數據訓練模型，基于客觀的數據進行風險把控，提升基于專家規則的風控系統的準確率和覆蓋率。同時結合大數據技術，把風控系統提升到了實時反欺詐，通過低延時、高吞吐量的數據處理能力為實時風控系統，尤其是模型的訓練提供了強有力的支持。

　　建設銀行中央風險計量引擎以模型為氣缸，以數據為燃料，持續為建設銀行的風險計量輸出動力，在國內大型銀行中首家實現了信用風險評級、評分、風險指標計算器等模型的集中統一部署。目前，基于大數據風險計量模型和自動審批策略，建設銀行信用卡發卡、零售貸款業務已實現自動審批為主，小微企業業務可實現網上1分鐘自助辦理，支撐起了建設銀行領先、高效、精準的信用風險管理和信貸政策體系，實現風險邊界的準確識別。貫穿信貸業務全流程，全面貫徹企業級風險管理理念，支持資本管理高級方法全面推進實施。

　　3.基于內外部大數據挖掘與分析的集團全面風險預警應用

　　集團全面風險監測預警平臺建設是利用大數據挖掘和分析技術，實現客戶財務數據、信貸合同信息、賬戶資金往來、企業高管個人行為、外部工商、司法、稅務、征信等數據的全面掃描和聯動分析，對客戶風險事件進行提前預警，提升建設銀行抗風險能力，及時避免和挽回可能發生的損失。集團全面風險監測預警平臺的建設為分行的客戶風險“精確打擊”提供了導航，為實施積極主動的風險管理、穩定資產質量，發揮了“晴雨表”的天氣預報功能。該方法具有以下幾個特點：

　　一是前瞻性和適用性?！吧瞎ぶ挝床?不治已病,此之謂也?！蓖ㄟ^對全行客戶進行定期掃描，對可能存在的較大風險隱患客戶精準識別，為風險應對提供了時間和空間，避免了風險暴露后被動處置的局面。

　　二是高效、省時省力。預警平臺的建設基于最底層的客戶信息、賬戶信息，與自下而上、人工排查的信息基礎是一致的，所不同的是采用了數據挖掘的方式，由總行發起，自上而下，不需要分支機構人員介入、不增加一線員工工作量，總行完成全行掃描后，將預警名單交給分行做進一步分析和排查，提高了效率，也降低了分行層層上報過程中因主、客觀因素造成疏漏、誤判的可能性。

　　三是標準化、全面性和靈活性。預警平臺將專家經驗標準化和定量化，預警結果與來自專家判斷信息交互印證，實現了對公和零售風險信息、賬務和業務管理信息、內部和外部信息等一直以來相互隔離的信息碎片的聯接和整合，發現其間的關系與規律，還可根據現實風險形勢，開展各種維度的定制分析，靈活性強。

　　4.基于神經網絡模型的反欺詐應用

　　建設銀行企業級反欺詐系統以國際一流為標桿，在業內率先搭建了覆蓋偵測策略、交易預警、事件調查等全流程企業級反欺詐管理平臺，通過研發先進的神經網絡深度機器學習模型，綜合分析卡片歷史交易行為等特征，通過機器學習的深度探索，將機器學習算法與客戶行為結合，構建行為模型，提高風險感知能力，偵測已知和未知的欺詐行為，實現智能風險監測；每月對全行信用卡、借記卡金融類交易進行風險過濾、全盤掃描，將研發的神經網絡模型部署在反欺詐交易事中實時偵測中，通過對每一筆交易的實時評分，評分結果結合偵測規則組合預警，持續提升建設銀行交易欺詐風險管理平臺化、數據化、智能化水平。平臺建設具有“速度更快”“策略更準”“范圍更廣”等優勢。

　　一是速度更快，首次實現全渠道可疑欺詐交易完成前的實時偵測攔截，變事后防范為事中攔截，前移防線;

　　二是策略更準，研發先進的神經網絡機器學習評分模型，通過欺詐卡片歷史交易特征、余額查詢非金融交易等組合交易特征分析，精準預警;

　　三是范圍更廣，對每月全部信用卡金融類交易進行風險過濾，掃描不留死角;

　　四是操作更簡，實現在統一平臺內凍卡、換卡、短信等一鍵快速管控作業，解決了多平臺、跨系統的繁瑣操作。

　　大數據風控已成為金融變革的推動器，引發銀行業的一場革命。建設銀行在實現“初心”的道路上，大力推進金融科技戰略，讓長尾理論成為可能，通過提升大數據風控的科技能力，實現以線上流量為主的獲客模式、以場景為主的產品模式、以模型為主的風控模式，積極推進小企業業務由線下轉為線上為主，讓更多人享受到更優質、安全、高效的金融服務。

　?。ū疚淖髡呦抵袊ㄔO銀行廈門開發中心開發四處處長）

責任編輯：陳愛