銀行大數據風控應用實踐與思考

關注一下，更多精彩等著你！

關注一下，更多精彩等著你！

一、人工智慧技術的探索和研究

1、技術發展與應用場景

人工智慧這個概念在去年已經非常的火了，火爆到有些「泛濫」的程度;在歷次科學發展階段中最後都是人工智慧來背黑鍋，其實這個「黑鍋」需要辯證的看。1956年是人工智慧的元年，提出了人工智慧的一些概念和問題，如果按照當時的標準來說我們在很多的領域已經實現了人工智慧，前幾天Jordan教授說不要把機器學習和人工智慧進行簡單的掛鉤，因為他認為人工智慧領域很多根本性的問題還沒有取得突破性進展。

這些基礎性問題的解決可能需要很長的時間，因為現在人工智慧的本質還是依靠數據驅動的機械智能，也就是所謂「大數據智能」的時代。2006年Hinton教授提出深度學習標誌著這一輪人工智慧的崛起，2016伴隨AlphaGo人工智慧真正進入大眾視野。目前對我們來說最重要的工作是思考如何這些技術與業務需求進行結合，一切技術創新的目的都是為了解決問題，也就是靠譜的應用場景。

註：2017年7月 Gartner 發布的技術成熟曲線，表明已機器學習為代表的人工智慧技術已經進入發展高峰期。

實際上人工智慧在銀行應用場景是很多的，如果將其應用水平劃分為幾個階段來，那人工智慧最簡單的解決思路是提高效率，這還會涉及到一個「自動化」的問題。當然，過程中必然會出現一些議論和分歧。目前來講「智能」的英文裡面有很多單詞，比如說智能投顧，還有區塊鏈的智能合約，我覺得裡面的智能更多還是自動化的概念。同時，現階段生物識別等技術在銀行的應用也更多還是解決效率和安全的問題。

與此對應，智能客服、金融反欺詐等領域中，我們將更多的數據進行集成，從更多的視角進行組合應用，過程中還會讓大數據和機器學習進行深度結合，這就對應了人工智慧的第二個階段：大數據智能階段。最後的一個階段是跨渠道、跨技術的融合，比如PC時代對應的是互聯網金融，移動時代對應的是移動金融，而現在是物聯網時代，物聯網時代意味著多渠道、多平台對客戶的深度觸達。如果銀行網點機器人發展到最高水平，實際上就是整合了多種技術並支持各類場景，「完美」的實現了人工智慧標誌性的轉化。

從發展水平來看，目前我們處於人工智慧從第一階段向第二階段的狀態。比如我們的智能投顧首先解決自動化效率的問題，然後跟大數據融合進行智能運營、個性化推薦等方面的創新。

2、大數據智能創新實踐機制

為了支持上述工作，光大銀行建立了體系化的人工智慧創新實踐機制。從下圖可以看出，主要是圍繞這個科技創新實驗室來開展工作，面向各金融科技領域探索業務創新。例如在區塊鏈領域大家也經常會看到一些成果，其背後均是基於科技創新機制。然後有人才的內部培養，外面是產學研一體化的工作，對應著人才、團隊的建設與發展。

最近推動光大銀行的大數據創新社區，這個反應了光大銀行在用很開放的態度來做大數據創新，口號是要「向外行一樣思考、向專家一樣求證」，只要大家有想法就可以儘管來提，由專業化團隊來分析並確定解決方案。

3、技術平台化與數據產品化

在人工智慧的發展中，光大銀行重點推動落實了技術平台化、數據產品化兩個方案。

在平台化方面，經過十多年來探索確定了目前的架構，整體分為三個層次。最底層實現的是數據的互聯，包括數據倉庫平台、貼源數據平台、准實時數據平台、外部數據管理平台、非結構化數據平台，以及綜合分散式MPP架構數據倉庫、Hadoop平台的多元化大數據技術平台。中間提供的能力是互聯的分析，包括一個綜合概念下的大數據挖掘平台，首先包括傳統的SAS，現在基於分散式數據挖掘技術整合Spark、Python等開源生態，讓更多的人來一起做數據挖掘，另外還為業務人員提供可視化的分析工具。整體上實現了互聯的分析，這個互聯是基於數據之上，數據跟整個平台工具是打通的。最上面是互聯的交互，包括實時智能策略交互引擎，另外還有一個最重要的就是推動數據產品化的概念，這個在後面進行展開說明。

大數據管理是AI建設的基石，實際上從更廣義的角度來看，數據是人類文明的基石，就是說我們現在本質上來講很多科學研究都是由數據來驅動的。十年前進行機器學習演算法研究的時候用的一個單詞是train，現在更多用fit，這兩個單詞的變化很有意思，實際上對應著數據驅動理念的普及。引入更多的數據進行整合，選擇合適的業務流程進行應用，對應著數據驅動業務發展的理念。

為了支持這個場景數據管理是必不可少的，前幾天銀監會發布了《銀行業金融機構數據治理指引》，其意義在於引導銀行等金融機構加強數據治理方面的工作。實際上我行從十年前就開始做數據標準，2012年開始做整個數據體系的規劃，最近又專門做了大數據的規劃。數據治理/管理與數據應用保持整體上的平衡，保障了數據的安全、質量還有高效率，最近為了滿足業務部門更複雜的需求聚焦數據資產這個領域。整體原則是在數據安全、可控的前提下，更加充分、有效的挖掘數據價值，持續高效的支持數據價值的轉化。

剛才講了技術方面的平台化，在解決方案層面我們發力的是數據產品化。推進數據產品化的過程中，充分借鑒了互聯網公司的經驗，數據產品的定位是實現端到端的數據價值輸出，將傳統數據服務內容面向業務場景進行快速封裝，目前累計研發上線17項數據產品，覆蓋全行風險、零售、對公等主要業務條線。數據產品可以分為項目型數據產品、創新型數據產品、敏捷型數據產品。銀行需要為數據產品投入成本，不同類型的數據產品投入成本和管理方法業有所區別。數據產品應用的時效性、需求特徵、用戶群體、模型方法不同，在原有的實施落地流程上應該進行調整和優化。

二、大數據智能化風控應用實踐

剛才講的主要是我行對人工智慧技術的理解，以及大數據創新社區，還有探索數據平台化、產品化的一些思路和實踐。下面重點講一下大數據智能風控方面的應用實踐。我行對大數據智能化的風控應用主要體現在風險預警、反欺詐等方面，在這個裡面主要是結合大數據分析技術。

再說說具體的數據產品，通過數據產品來實現數據價值端到端的處理，針對風控方面主要是這幾個：濾鏡、風險共同體、徵信大數據，然後還有兩個分別是錢去哪兒了和辛普森偵探。其中濾鏡這個數據產品是這次要講的一個重要案例，充分體現了我們行在產品上研發、落地的工作機制，過程中充分利用了外部數據來進行探索，比如用到了工商、互聯網輿情等數據，跟行內數據充分結合之後輔以技術手段加持，也就是建立三類的大數據風險模型，最終交付內容是兩份清單。這兩個清單追蹤企業的風險變化，然後我們用了可視化的手段，就是嵌入到給管理人員使用的光速觀察中，使管理人員通過手機就可以直接的發現企業風險預警情況。濾鏡體現了我們整個數據產品的發展理念，更多視角的數據洞察、更強力的演算法支持、更加豐富的可視化手段。

風險共同體，這個是我們從2015年開始做的一款數據產品，主要通過複雜網路建立關聯關係來識別風險。從現在來看，這種思路在同業已經廣泛應用，發現企業間的隱形關係，有助於識別風險共同體內風險傳播的特徵，及時做出風險預判。另外一項數據產品是徵信大數據，我們用徵信數據對企業整體情況進行分析，這裡面我們用Tableau來落地，主要揭示企業在他行的徵信情況，用到互動式分析技術可以方便業務人員去觀察和使用數據分析結果。

三、總結與展望

上面講完了數據產品應用，最後介紹一下整體的展望。依託光大銀行以及光銀科技的科技能力，下一步我們會探索更多的大數據創新，重點關注人工智慧技術的場景化應用;同時加強內部人才培養和外部引進，提升大數據建模的自主可控能力。

1、開展聯合創新：充分發揮金融科技創新機制，積極開展與相關科研院所和廠商合作，充分利用「外腦」將行業最新成果轉化為銀行的科技創意;研究探索金融同業、跨行業企業間的大數據創新合作。

2、智能場景的開拓與落地：一方面、拓展智能營銷、智能風控、智能投顧、智能機器人、生物識別等AI場景應用，積極開展人工智慧在普惠金融、供給側改革、消費金融等領域新型應用場景設計。另一方面、協同業務部門推廣我行已有AI成果落地，加大推力度和範圍。

3、加強AI人才培養和建設：加快核心AI人才建設，通過內部挖潛資源，培養兼顧技術和業務的人工智慧應用專家。同時加強科研院校、金融科技企業等外部合作，藉助整個行業在人工智慧領域的研究力量，共享專家資源，共享行業成果。

4、持續加強人工智慧基礎性應用建設：人工智慧需要通過海量的數據支撐，需要了特定領域的海量數據運用科學演算法人工智慧進行訓練，因此人工智慧有效實現，離不開應用系統的基礎性支撐。因此需要進一步加強大數據、雲服務基礎性系統建設的投入，一邊與為AI的持續發展提供良好的基礎。

（來源： 金融科技實戰）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！