銀行智能風控「大腦」的設計與實施構想

銀行智能風控「大腦」的設計與實施構想

在《大數據與銀行數字化轉型》那篇文章中畫過一個框圖，大數據加持數字化轉型需要的系統框架包括後端敏捷核心、中間智能化和前端渠道三個組成部分。當時只是簡單構思，這裡從銀行風控角度進一步聊聊，嘗試深入一下加點料。

互聯網公司的「大腦」項目側重部分實現人類的智慧，最典型的包括提高機器對於圖像、視頻、音頻的識別能力，或者是下棋的AlphaGo和玩星際爭霸的AI機器人。金融是最喜歡擁抱高科技的傳統行業之一，在競爭激烈的環境下逐步應用AI技術顯然勢在必行，受這個過程影響的主要涉及兩種類型的工作。

nn

對於員工能短時間內做出決策的事情，在新型機器學習技術支持下的AI會做的更快更好，伴隨會有大量機械重複性的手工操作環節被機器替代。依然願意沿用增強智能（AI=Augmented Intelligence）而非人工智慧的概念，這時AI的意義在於幫助企業提高效率或節約成本。

對於員工無法輕易做出決策的事情，比如風控或反欺詐，這種情況下的AI就不那麼容易了。媒體和大V的觀點都很好，但對於大多數行業的參考意義不大。畢竟，直接走AlphaGo的路線不現實，成本投入已經是不可克服的困難了，更重要的還有人才缺乏的問題。如果甲方、乙方、第三方都不靠譜的條件下，能實現AI那是見鬼了。

基於上述背景，本文嘗試構建銀行智能風控「大腦」，給出初步的設計框架和實施構想。自然而然，從大數據視角切入，綜合機器學習、社交網路分析等技術構建智能「大腦」。提出看法源於工作中的思考，也會反饋輸出到實際項目中。子曰：學而時習之，不亦說乎。

銀行最重要的業務系統

nn

毋庸置疑，核心系統是銀行最重要的業務系統，『core』這個詞本身說明了很多問題。核心系統處理日常交易並對應更新帳戶等記錄信息，核心銀行系統通常具備存款、貸款和信貸處理能力，並提供連通總帳系統和報表工具的介面。交易範圍覆蓋各類業務，所以稱之為「核心」，或者說是銀行業務處理的「心臟」。當然，心臟用久了就可能出現問題，比如出現「三高」的情況，那就得考慮更新換代成「新核心」系統，這是目前銀行在競爭壓力下必須要做的工作。

聊到銀行的「心臟」，就自然會想到另外一個問題，銀行的「大腦」是什麼呢？傳統經營過程中，銀行主要靠利差吃飯，這時候只需要保證「心臟」正常運轉就可以穩穩的生存。若干年前當銀行不關心客戶體驗，不關心同業競爭的情況下，需要的只是墨守陳規和穩穩的經營，壓根也不需要聰明的「大腦」。現在的形勢發生了變化，「心臟」都需要向敏捷方向進化了，自然也需要構建「大腦」來保持內心的平衡。放到企業戰略里，這或許對應著輕型化和智能化的含義

前幾天數據產品項目過部門的架構評審，有同事問這個數據產品是什麼，與銀行產品是否有聯繫。時間所限，我當時簡單的回答是如果核心系統是心臟，那這個數據產品系統就是大腦了。當然是有點誇張了，但至少已經有了「大腦「的影子和雛形。領導的觀點謙虛一些，說這個叫數字化轉型過程中的「燈塔「。

務實的AI系統

一個務實的增強智能系統包括客戶畫像、數據挖掘模型和決策引擎三個組成部分。數據挖掘模型是智能化的核心，客戶畫像為建模過程持續提供特徵輸入，決策引擎將模型輸出成果轉換為實際業務行動。增強智能系統的一個重要目標是提升傳統業務流程的自動化水平，過程中的大數據能力主要體現在三個方面，也就是下圖中的三個組成部分：更好的客戶認知、更智能化的演算法、更快速的決策支持。

數據挖掘模型發揮動力引擎作用，吸收學術界和產業界先進機器學習知識成果並應用於銀行實踐。客戶畫像重點體現大數據背景下的客戶多維度刻畫，在靜態信息和交易行為信息之外可以補充社交網路維度特徵信息。伴隨大數據的持續採集、生產和交換，客戶畫像能夠進一步補充情緒屬性、價值觀屬性乃至道德屬性等信息，為數據挖掘建模提供源源不斷的能源輸入。決策引擎能夠面對業務場景進行快速響應，通過可視化等手段提供自助式業務分析能力，促進數據價值轉化為業務行動。

智能風控「大腦」框架設計

在上一版的框架圖上做了修改，圍繞大數據的應用層次進行設計。底層換成了數據源，包括數據倉庫、數據集市以及外部數據；數據包括結構化、非結構化兩種類型，都是中間智能化「大腦「的信息輸入。在數據源與智能化大腦之間，可以有類似數據湖的東東出現，支持上層應用做簡單的整合。

中間是增強型智能系統，也就是所謂的風控「大腦」。畫像標籤位於中心位置，對客戶的多維度、多層次刻畫直接影響到上層的風控應用。另外傳統的專家規則，均可進行轉化補充到畫像標籤體系中。通過數據挖掘過程，生成機器學習模型和社交網路模型，再通過數據產品打包後對外進行數據輸出。機器學習模型包括了對傳統風控信用評分模型的補充和優化，社交網路模型是最符合大數據思維和背景的實踐產物，二者均可以與畫像標籤進行轉換和交互。

nn

數據產品發揮決策引擎的作用，這裡輸出的不是業務規則，而是知識和智慧。知識的輸出有三種形式，實時數據介面和批量數據介面，以及嵌入式套餐型介面，從而滿足不同的前端業務系統需要。

社交網路分析是融合多學科理論和方法，為理解各種社交關係的形成、行為特點分析以及信息傳播的規律提供的一種可計算的分析方法。社交網路分析方法旨在建立一個網路與真實世界的實體與關係映射，在銀行應用中的典型實體包括客戶、賬戶、員工等。社交網路分析通常關注靜態和動態兩個層面的網路特徵，靜態特徵包括提取網路指標、對網路特徵刻畫、識別網路群組等；動態特徵主要包括描述網路如何隨時間推移進行擴散、如何影響其他節點等。社交網路在基礎屬性、行為屬性之上對客戶進行了深層次刻畫，並且能夠伴隨數據類型和應用手段的豐富而持續完善。

插播一條廣告，關於客戶畫像和數據產品的更多信息，可以分別參考《銀行客戶融合與數據資產變現》和《敏捷商業智能與數據驅動機制》兩篇文章。關注本公眾號，翻閱歷史文章進行查看。再插播一條預告，關於社交網路分析在反欺詐領域的應用，後續會有一篇更詳細的文章發出，該文實操性略強。

nnnn

實施規劃與特種小隊

對於已經具備一定基礎的企業，對標大數據分析成熟度2.0以上的狀態，可以分別在不同項目組實施智能風控「大腦」的組成部分。時機成熟，再進行體系化整合，起碼得先有新核心然後才能考慮這個嘛。

對於在大數據領域嘎嘎新的企業（建了hadoop不等於具備了大數據能力，有了數據分析挖掘應用才是標誌），需要做的也很簡單。Findna problem and solve it. 重點在於有靠譜的人員配置，也就是數據科學領域的特種小隊。先把隊伍拉起來，沒有困難就去發現和製造困難。

為了構造戰鬥力小組，涉及人員主要分為三類：第一類是業務建模人員，能力覆蓋傳統評分建模以及業務網路模型設計；第二類是數據科學人員，包括數據管理、網路計算、數據產品實現和新型演算法研究的能力；第三類是具備數據領域全棧綜合能力的隊長，兼具諮詢和研發的橫向縱向能力，發揮導演的作用，能夠在客觀基礎條件下把控交付進度和質量。

還是老的觀點，頂尖的數據科學家在大多數企業里是不需要的，隨便掛個title不等於真的是科學家了。銀行大數據應用需要的是有合理的人員搭配，每個隊員做自己擅長的工作，綜合起來實現數據科學家的能力。換個角度看，數據科學家其實並不存在，團隊的每個人又都是數據科學家。

Ps：寫完了，雖然有點累，但發現還不用擔心靈感枯竭的問題。更多文章，請關注公眾號，歡迎交流。