商业银行数据中台赋能智慧风控的实践与探索

■中国农业银行信息管理部 李瑞琦 吴 迪

多年来，商业银行积累了大量的经营管理数据，同时有了更多获取外部数据的渠道，数据作为数字时代新的生产要素，已成为银行的战略资产。通过对数据资产的采集、治理、整合、应用，数据驱动业务模式创新已成为各领域转型和发展的关键。风控作为商业银行的永恒话题，在数字经济浪潮中，智慧风控的建设需求尤为迫切，以数据中台为核心赋能传统风控，驱动风险管控与运营优化，为智慧风控的建设提供有力支持，更为促进数据资产的价值转化提供强劲动力。

一、传统风控向智慧风控的转变

风险管控是商业银行生存发展的一项核心能力，传统风险管控非常依赖具有专家经验的从业人士来把握。如在传统信贷业务中，客户办理贷款时，需要判断客户本人是否涉及欺诈，是否存在冒充他人身份、恶意骗取银行贷款的行为。而要做出判断，需要专家合理运用客观性数据和主观性调查来明确判定风险。就客观性数据而言，需要收集客户即借款人的相关资料，查询借款人的征信情况，全面了解借款人的信用状况，才能做出相对准确和专业的判断。

数字时代带来发展机遇的同时，面临的风险日趋复杂化、多样化、扩散化，风险管理的难度增大。例如，随着商业银行数字化转型的推进，线上业务不断创新，导致客户数量增多，且存在大量非接触业务，银行很难全面地对客户进行调查。传统风险管控手段逐渐露出其局限性，难以全面、准确、及时地察觉风险。而随着金融科技的迅猛发展，数据库、人工智能、云计算、机器学习、知识图谱等深入应用，智慧风控逐渐崭露头角，商业银行开始用金融科技手段挖掘数据的价值，为传统风控注入新的活力，传统风控逐步向智慧风控转变。智慧风控并未改变传统风控本质，但是以数据驱动的风险管控和运营优化，基于商业银行的海量数据，利用数据分析平台的计算分析能力，汲取专家经验或者建立机器学习模型，运用在信贷、运营、员工行为异常、反欺诈、反洗钱、财会和交易监控等主要风险领域，可以有效帮助商业银行降低风险管理成本、提升客户体验、提高风控能效，精益化风险管理。

二、基于数据中台的智慧风险管控

商业银行传统风险管控以传统业务为主要评估对象，通过传统集中方式进行业务处理。伴随着业务种类繁多、风险类型多样化，综合风险计量需要整合各类数据，数据类型千差万别，如客户数据、交易数据、合同数据、操作行为数据、机构行为数据等。面对风险类型的多样化、风险计量的复杂化、风险数据的多维化，传统风控面临着新的挑战，随着对数据能力的不断抽象与复用，数据中台应运而生。基于数据中台支持上层风险管理应用，可更好地适应当前数字化时代的风险管控环境，解决传统风控的问题。为此，结合先进同业与大数据支撑风险管理领域的经验，提出基于数据中台的智慧风控模式，可以推动银行实现精细化风险管理。

（一）数据中台的本质与架构

数据中台本质上是对数据能力的抽象与复用。数据能力抽象的过程实际上就是标准化、规范化的过程，即对通用数据能力进行抽象和封装。数据中台持续不断地把数据变成资产并快速服务于业务，从而将数据这种生产资料（海量数据资源）转化为数据生产力（数据价值创造）。

如图1所示，以数据为中心搭建数据中台框架，数据中台主要由四部分组成，分别是数据采集、数据资产、数据服务、数据治理。通过对智慧风控领域数据深度应用的突破，实现持续优化的闭环，不断提升数据服务能力，加强数据服务在经营管理和创新发展中的应用，“以用带建”，推进智慧风控的建设。

图1 数据中台支撑智慧风格架构图

1.数据采集。数据采集主要指数据资源汇集，一体化的数据采集入湖，汇聚行内行外、结构化和非结构化数据从物理上打破数据孤岛，形成全行统一的数据中心，实现数据资源集成与共享。将一切有价值的数据，以及客户与银行的全部业务触点都记录下来。将银行内部的核心系统、信贷管理等数据统一入库，并将保险、工商、社保、物流等外部数据统一接入，形成海量数据资源。

2.数据资产。数据资产是“原材料”深加工成为“半成品”或“成品”的过程，构建公共数据集市、统一指标库、数据标签库、分析模型库，打造高效便捷的共享资产中心。公共数据集市面向业务应用，对数据进行多维关联拼接、整合加工，实现全域数据互联互通，更好支撑领域/跨领域的共享复用。数据标签库建设是数字时代提升营销效率和客户管理的基础性工作，通过数据标签构建客户画像、快速划分客群，从而方便快捷地支撑各类业务应用。构建“常用指标-多维指标-基础指标”三层指标库，指标反映业务发展状况、衡量业务发展质量和效率，是日常业务经营管理的重要抓手。建立集约化、规范化的数据分析挖掘模型库，从实际数据分析应用中提炼共性的数据特征和分析模型，促进跨领域共享复用，打造敏捷迭代的模型流水线，支撑模型的全生命周期管理，快速提高“数据业务化”的效率。

3.数据服务。数据中台依托公共数据资产，面向用户和系统提供企业级、多角度、多层次的共享数据服务，快速赋能各类应用场景。面向用户的服务中，以不同用户的痛点和难点为突破口，为不同用户提供不同服务，着力形成规模化、持续性的价值效应。为总分行产品经理/客户经理提供标签画像服务，为各层级经营管理人员提供经管管理数据服务，为总分行数据分析师提供数据分析服务。为基层行营销人员提供贴近业务场景的数据产品。面向系统方面，可为总分行应用系统提供通过批量、联机、实时等方式，将多维度数据、指标、标签、分析模型等资产快速输出至各类应用场景。

4.数据治理。数据治理的运营机制体现在对口服务、闭环流程、制度办法、日常运维、差异化数据访问控制和数据安全六个维度，依托数据分析师队伍的对口服务，以数据资产域为抓手建立“需求收集-快速交付-问题反馈”服务闭环。以制度办法固化管理机制，“业-技-数”融合进行日常运维，差异化数据访问控制，针对不同的数据形态、数据内容和用户群体实施差异化控制，通过数据分级分类管理和敏感数据加密漂白等方式将管理和技术联动确保数据安全。探索构建全行数据安全管理体系，加强重点信息系统的数据安全管理。

（二）数据中台可提供的数据服务

数据服务自发展初始至今，经历了“自组织”“给数据”和“给服务”三个阶段，实现了数据服务从无到有，从有到好的历程。

1.“自组织”。将分散存储于各信息系统中的数据按标准集中同步，实现了全国物理集中，把分布在各个系统的数据像固定资产一样管理起来，准确解释数据“有什么、是什么、在哪里”。

2.“给数据”。通过企业级数据仓库的建设，制定统一的数据基础标准和业务指标标准，形成全行性的数据标准体系，实现了数据的集中存储、整合共享和统一管理，此时的数据服务方式主要是“给数据”。

3.“给服务”。近几年，依托数据中台建设思路，将数据视为资产，对其进行深度整合、共性加工、共享复用，数据服务方式升级为“给服务”，直接赋能传统风控向智慧风控的转变。

数据中台依托公共数据资产，提供企业级、多角度、多层次的共享数据服务，快速赋能智慧风控的各类场景。

一是提供标签画像的服务。依托标签库，以数据查询、系统对接的形式分别为用户和系统提供标签画像服务。标签数据来源于数据集市、数据分析挖掘平台，可针对客户在不同主题下新建、修改、删除标签，以批量对接或联机查询等方式为智慧风控提供标签画像。

二是指标报表。向各级行、各风险管理部门提供产品化的指标、报表数据服务。同时依托指标库接口服务，为总分行各报表系统提供半成品的数据材料。

三是数据分析。面向总、分行数据分析师提供一站式数据分析服务，从典型业务场景出发孵化一系列智能模型，在赋能业务的同时沉淀数据中台的算法能力。数据分析师可通过自主创新的Woody和Mole两套工具，支持数据探查、特征加工、分析建模、落地部署全流程。

四是数据产品。总行联合分行建设大数据实验室，孵化“端到端”的数据产品，满足一线业务或基层管理人员用数急需；并通过数据产品工具箱将已孵化产品纳入工具箱统一管理，供全行共享使用。

三、数据中台赋能智慧风控的实践

风险管理是商业银行最基本的业务，深化数据服务支持全场景、全链路、全渠道的风险管控场景，是全面赋能传统风控向智慧风控的经营转型，充分发挥大数据的价值，形成数据驱动创新发展的新模式。

（一）风险管理通用应用方面

面向风险从业者和风险领域数据分析师提供了数据资产视图平台。让用户直观、便捷地了解数据中台的数据是什么、在哪里、怎么用，提供了数据全视图、管理全链条、资产知识化、查询便捷化数据资产查询平台，持续丰富数据资产内容、完善业务和技术元数据。

针对风险经营管理人员提供融合了业务看板、经营简表、常用指标、多维分析、固定报表、灵活报表、行内报告、综合资讯、同业对比、实时大屏等数据产品的经营管理平台。覆盖PC端和手机端，可提供T+8.5（小时）时效的数据，随时、随地、及时查看各类管理数据。

面向风险管理人员和决策者建立商业智能平台，提供基础指标和应用指标查询、敏捷宽表等灵活查询服务，完成大数据报表，权威性、一致性、时效性、易用性，形成更生动、更能直观反映各类风险现象的指标宽表，帮助风险管理人员理解现状，辅助决策，提高管理和决策效率。

（二）重点领域分析方面

基于行内外丰富的风险业务数据资产，不断丰富客户风险识别维度，以信用风险、操作风险、反欺诈、反洗钱四大类重点风险领域作为突破点，践行“业数”融合，建立覆盖事前调查、事中审查、事后管理等全生命周期管理的风险模型，基本满足主要风险的识别、预警、拦截、阻断功能。贯穿于线上线下全产品的风险管控环节中，大幅提升风险管理的智能化、自动化水平，持续赋能智慧风控的建设。

1.赋能信贷领域风控。深度应用内外部数据，推动信用风险线上线下一体化管控，建立涵盖贷前调查、贷中审查、贷后管理等信贷全流程数据服务机制，大幅提升信贷风险管理的智能化、自动化和系统化水平。

针对宏观决策方面，挖掘银行用信概况，及时发现风险，进而针对性地加强对风险核查、预警、防范和处置，为信用风险决策提供依据。如在疫情背景下，为有效评估疫情对行内法人信贷业务影响，基于数据中台，进行了多维度挖掘和持续跟踪分析，从贷款质量、全球贸易和复工复产等角度，分析了全球疫情对从事进出口业务法人客户的影响，并持续跟踪了法人客户复工复产情况，发布多批次疫情影响客户线索，为打赢疫情防控攻坚战提供决策参考。

针对贷款合规性方面，开发涵盖贷前、贷中、贷后的信用风险监测模型，贷后资金流向类风险监测模型。如基于个人和法人客户信息，发现个人和法人贷款流向高风险领域的风险情况，构建资金挪用和非真实需求场景中的智慧风控模型，模型结果以风险线索的方式对接至信贷中台风控中心，依据不同的规则和风险紧急度结合分行和外呼线下核查的方式及时核实和处置风险线索，对风险进行及时、有效、精准的控制。

针对线上信贷业务创新方面，通过搭建线上零售申请评分卡来增强风险识别能力。在细分客群的基础上，通过客户交易行为信息和征信信息等数据，运用逻辑回归、随机森林、LightGBM等算法，完成线上化零售申请评分模型，并持续迭代优化。零售申请评分模型，可以更好地规避审批风险，相比于通过申请表信息和后评价组成的传统申请评分方式，更加便捷、准确。

2.智能监测操作风险。通过数据服务，及时发觉潜在违规风险，为降低操作风险提供支撑。通过提炼特征、改进模型、中台部署、落地排查，及时发觉潜在违规风险。

针对员工异常行为方面，整合员工数据资产，完成机构信息、客户信息、客户关系、员工信息等数据表来提炼特征，建立贷款追踪器、个人贷款风险客户分析、员工行为画像等模型，并将审计内控系统中的模型与数据中台相结合，现已部署信贷、员工行为、信用卡等6大类主要业务领域模型46个，实现常态监测、自动预警、及时处置。

针对运营管理方面，通过构建风险筛查模型，通过数据实现运营风险重点覆盖和精准识别，覆盖岗位制约、重要岗位轮岗、客户信息保护、人员履职、主出纳管理、超柜、柜员临时离柜、个人账户异常、伪现金交易九方面，获取风险问题线索，提前对运营风险进行管控，推进运营风险工作向智能化转型，最终形成风险防控闭环。

3.支持反欺诈风险防控。在反欺诈领域通过建设反欺诈数据资产中心，构建精准高效反欺诈模型体系加速推进反欺诈与业务场景深度融合。赋能欺诈风险防控，形成内外一体的欺诈风险联防联控生态圈。

针对电信诈骗方面，提炼欺诈账户特征，建立客户画像、客户评分、欺诈关系，建立欺诈风险的名单库、指标库、知识库等，最终基于电信诈骗涉案账户数据，分析电信诈骗涉案账户交易行为、账户分布、转账关系等特点，应用LPA标签传播、PageRank等算法，构建精准高效反欺诈模型体系，包含个人欺诈账户模型、法人高管欺诈风险预测模型等。

针对案防风控方面，如基于存量农户贷款客户，通过其客户经理的信息、交易行为等基础信息构建知识图谱模型，排查涉及客户经理的内外勾结型团伙风险线索，将生成的线索进行排查处置，有效提高案防智能化水平。

4.支持反洗钱风险防控。通过数据服务，支撑反洗钱风险领域的交易智能防控和洗钱风险评估等方面的工作，建立智能模型，有效提升反洗钱自动化和智能化水平。

针对交易智能防控方面，开发智能反洗钱账户评分卡并建立基于评分卡的可疑交易监测模型。利用机器学习方法，构建反洗钱模型，预警可疑交易风险。建立反洗钱账户知识图谱，基于知识图谱和图计算技术，构建预警客户关系网络。行内员工交易数据筛选可疑账户模型、IP地址、Mac地址筛选违规可疑账户模型、IP地址、Mac地址筛选骗贷可疑账户模型，平均确认率提升86个百分点。

针对洗钱风险评估方面，支持洗钱及制裁风险评估，践行“风险为本”的反洗钱方法，实现洗钱风险评估数据采集自动化、风险分析智能化、结果应用综合化。最终构建基于大数据分析技术的洗钱风险识别模型，完成各种洗钱风险评估项目，从多个方面提升商业银行反洗钱的智能化水平。

四、智慧风控的发展要点

要做好商业银行数据服务赋能智慧风控领域的工作，未来发展仍需要把握以下内容：

（一）完善风险数据引入整合共享机制

应加快推进行内外风险数据的引入、采集、管理和共享，加强数据引入的统筹，对数据形成统一管理、维护和共享。加快形成共性风险数据资产的整合提炼机制。以统一指标、数据标签、分析模型为主体，整合形成可复用的数据资产，打通智慧风控需求和数据供给的通道，更快速满足需求。

（二）持续推进数据中台建设和服务支撑力

健全数据服务支持体系，数据中台为核心抓手，“以用带建”推进数据深度整合和提炼加工，将中台打造为强大的集约化数据能力输出中心，实现数据资产共享复用，快速满足智慧风控所需的海量、智能、实时的需求，形成灵活变化和敏捷创新的服务支撑力。

（三）提高数据治理和质量管控力

数据部门从制度、流程、评估等方面健全完善集团数据治理运作机制，并健全数据标准体系、完善数据质量管控机制；风险管理部门进一步落实系统管理部门职责，强化业务办理过程中的数据采集管控，从源头保证数据录入的准确和完整，持续提升数据治理和质量管控力。

（四）数据应用向深度和广度扩展

以智能化风险管控为目标，扩展数据赋能智慧风控的应用场景，贯穿线上线下全产品的风险管控环节中，建立和完善信贷业务评级、准入、身份验证、反欺诈、贷中风险监测、贷后风险管理、反洗钱等领域的全生命周期模型体系。同时，运用知识图谱和图计算技术、数据产品化等方式，驱动数据通过深度应用转化为更高的价值。

（五）加大人才培养

从业界经验和发展实践来看，数据分析师是“业-技-数”融合的纽带。强化人员管理和培养，培养既懂数据又懂风控的复合型人才，深化协作风控和数据互动，更好发挥数据服务在智慧风控领域的支撑，敏锐洞察业务需求，推动数据服务赋能，解决风控痛点难点。