近日，由《零售银行》杂志等主办的中国零售金融大数据论坛在深圳举行。来自业界领先的零售金融机构、专家学者、互联网公司等数百人，共同探讨金融科技浪潮下零售银行的数字化转型之路，探索数据如何更好地服务于客户、服务于业务。

作为金融实时风控领域标杆企业，邦盛科技资深技术专家连楹出席本次会议，并围绕“基于大数据实时分析的银行智能风控体系建设”话题展开演讲。

他认为，大数据驱动零售银行蝶变，风险与机遇共存。大数据在带来无数机遇的同时，银行更要注意挑战与风险。而银行现有风控面临规则、时效、灵活性、技术、业务和数据六大挑战，因此大数据实时分析的智能风控系统建设，对每一家金融企业都非常重要。

演讲实录

连楹：大家好！这两天我们讨论了很多关于大数据的话题，今天我分享下基于大数据实时分析的智能风控系统的建设。大数据给我们带来很多机遇，银行、金融企业更多在意金融风险，我们要考虑给我们带来哪些挑战？

大数据时代的机遇与挑战

我分析了一下，归结为四个方面：一是数据泄露；我们经常会收到各种销售电话、电信诈骗电话。买个机票，有时会在飞机起飞前收到退票的短信和电话。数据是怎么泄露出去的？到了谁手里？

二是有专门的黑产团队研究这些问题，是成体系的团队。有人负责偷窥账户获取数据，有人销售数据，还有人专门负责诈骗，这是非常严峻的挑战。现在是最好的时代，大数据给我们带来很多机遇，同时也是最坏的时代。

三是互联网金融企业发展非常快，很注重用户体验。

四是银行面对这种问题怎么应对？银行过去用强认证的手段，我们要做业务创新，技术支撑能否符合要求？业务创新与技术是否匹配是最大的挑战。

现有银行风控面临哪些挑战

在银行做风控时，我们面临的问题是在哪里？我归结为六个：

1、规则。我举个例子，前段时间我到银行办信用卡，同时还有一个人办信用卡，行里人跟他说你办不了。为什么？因为办信用卡有强认证的规则，你在这个地区的身份证前六位是过不去的，规则简单粗暴，把很多客户拒绝掉了。

2、时效性。过去更多是事后分析，现在越来越多的欺诈变化非常快，时效性能否达到要求，能否做到实时交易风控，是越来越重要的挑战。

3、灵活性。去年上海某银行申请风控遇到很大的困难，他们用风控系统跑了1万多条规则，后续的维护更新跟不上，他需要我们通过机器学习建模的方式实现，这是灵活性达不到要求。

4、技术。人工智能、大数据、机器学习、关联图谱、设备指纹，银行越来越重视新技术的应用。

5、业务。刚才说银行重视新技术，怎么应用？能不能和现有的业务结合起来？

6、数据。任何企业都没有存量数据，如何获取更多的数据使数据尽可能完整？

首先我们需要考虑先要做什么事情，有了这些以后我们再考虑用哪些数据，行内有的或是行内没有的，有了这些数据我们需要有一些技术分析，把一些相关技术放在这里，比如说绿色的是邦盛现有的业务，在很多银行得到了认可。最后落到我们的规则模型，从业务逻辑来说，业务决定了数据，数据决定了架构，架构决定了最终的应用实现，这是我对金融风险控制的基本理解。

这几年，尤其是2014年我们真正投入市场应用的时候，我把对于用户的案例做了归纳总结，有交易、授信、机器学习建模、咨询、数据服务和设备指纹。对技术要求最高的是交易的风控，时效要求最高，50到100毫秒响应用户的请求。

申请风控、交易反欺诈在、互联网信贷等场景的落地

下面我会分享三个非常有代表性的案例。一是某股份制银行做的申请风控，当时在第一期项目中提出五个产品，包括信用卡网申、信用卡线下申请和行内外现金贷和消费场景。我们差不多做了四件事情，主要的核心是我们帮行方建立了信用卡申请反欺诈系统，并且输出了我们的风控经验，尤其要强调的是，他也希望利用机器学习建模帮他实现这个目标，还有接入更多的三方数据源和数据的接口改造。

二是某股份制银行交易反欺诈，交易反欺诈最典型的电子银行和直销银行面临的风险是不一样的，我们接了七个渠道线，有直销银行、扫码登录、电子银行等。整个项目做了四件事情，实时反欺诈系统建设、数据服务、设备指纹应用、风控咨询。

这个项目，系统上线前和上线后的效果非常明显，尤其是营销反欺诈，行内的数据原来是有80%到90%的营销资金被羊毛党拿走，上了风控系统效果非常明显。

三是农信互联网授信项目，最主要的几点：一是构建互联网金融产品；二是契合已有业务架构，产品定位和策略；三是支持次开发，满足业务创新；四是支持规则模型的自主配置；五是针对性完整的风控经验输出。

我们现在要做这样的系统，要考虑哪些问题，我们需要对任务目标有明确的定义，比如说关注在申请、交易、反薅羊毛？建立智能风控平台，不同的渠道线接进来，我们对业务能力有什么要求？我们经常讲科技金融，怎么响应，怎么快速的实现业务目标？在风控里我们需要对业务的需求有充分的理解，不管是授信、申请还是交易。

我们对数据能力有什么要求？可能会涉及到要哪些数据，有了这些数据后怎样处理？也是大数据的分析根本。数据是够或是不够，不够的话需要补充什么，互联网领域设备信息、IP信息是非常有效需要补充的信息，往往这部分可能比较缺乏。最后需要对数据有进一步挖掘的能力，需要用新的技术手段，用关联图谱做一些深入的分析，最终的目标是实现从经验到数据启动的变化。

服务于业务目标的风控系统建设思路

前面讲了科技金融，最后要讲金融科技，怎么通过技术的手段实现我们的业务目标。要求是什么？我把它归成这三个方面。

首先从业务的角度，风险管理的过程是应用大数据分析了解我们的过往数据情况，我们可以制定策略、规则，形成最终的闭环，通过自动化和人工的处理。规则是线性的区分，我们可以把去年的目标找出来，这是风险管理的过程。

风险监控的过程我们需要考虑哪些点？要建立可信环境，要提高用户的体验，这涉及到可信的设备、可信的账户和可信的地址，我们需要对客户不断的监控，优化我们的规则。

一些申请和授信需要像漏斗一样，把最终的用户塞进来，通过决策流，降低数据应用的成本，这是申请的整体思路。针对申请我们的规则设计策略，准入到审批、额度的策略，然后再进一步考虑需要哪些数据，从数据的角度分析。左边这部分更多是应用的交易场景，需要对行内的数据，要用到地址模糊匹配给现有的数据进行补充，呈现出完整的数据仓库、数据集市。

有了数据后我们怎么用？举个简单的薅羊毛例子，羊毛党往往养了几百、上千、上万手机号，通过用虚假手机号可以覆盖70%以上。我们用设备端，毕竟硬件成本是有限的，硬件数量是有限的，有1万个手机号，还有IP关联、数据关联，最终找出注册用户。

我们会用到不同的技术，比如生物识别、设备指纹、关联分析，最后落到行里是黑名单、白名单，这是数据应用的例子。怎么分析？这涉及到三个层面，数据的接入服务，尤其是接入那么多的外部数据，我们怎么进行统一管理？数据接入后需要对数据进行处理，质量不好怎么做数据的治理？第三个层面要根据自己的需求制定指标。24小时登录几次，交易几次，需要把业务上的表达，转成一个个技术指标，就有了数据的处理逻辑。数据的接入到数据的清洗到最后指标的计算、实现，最终交付给业务的应用要求，数据的采集、清洗和加工。

关于机器学习和AI的应用，反欺诈就是抓黑名单，如果反过来做精准营销，就是把我们的好东西找出来。到目前为止我们在很多银行已经建了实际的应用模型，比如网银转帐和线下收单POS，还有申请准入等，目前已经有17个左右的主要模型大类应用在不同的场景。

最后讲一下技术，金融科技涉及到三个方面，对数据怎么分析，需要哪些工具，它的要求是什么？这就有了实时的数据分析。需要对数据清洗，尤其是信贷产品要对数据进行清洗。最后是建模的分析、关联图谱的关联关系分析，这是第一个层面，会涉及到邦盛的技术和产品。

反欺诈的数据和技术，比如说设备指纹，另外数据的统一接入和外部数据的服务，最后智能风控的平台设计，这就会涉及到具体应用的规则引擎和决策流。这是我们涉及到的关键解决方案。

这是我前一阵在一个银行里跟大家交流，他们真正想做的事情，整个路线图的设计，整个项目来说，他们最终目的是想做反欺诈、精准营销和用户画像，刚开始没有足够的业务和技术经验，需要有一定的积累，首先是基础平台的建设。二是需要对业务能力做建设，包括规则。比如说针对现有的业务，做接入业务进行风险分析，建立管理制度和团队。我们要有更多新技术储备，同时可以利用技术的储备和业务的储备实现建模和精准营销。

最后我简单介绍一下邦盛科技，邦盛科技主要在做大数据实时智能处理技术，以及基于该技术专注金融实时风控解决方案。我们比较有名的平台是流式大数据极速处理平台“流立方”。目前12家股份制银行里有8家用的是基于“流立方”的实时反欺诈技术，全国排名前30的第三方支付机构中，有20多家采用邦盛的产品作为中央风控平台。

做大数据风控和实时反欺诈这一块，除了有引擎以外，还需要反欺诈的技术，反欺诈的数据，反欺诈的模型，还有反欺诈应用产品管控系统。所以做大数据风控也好，反欺诈也好，绝对不是单纯的有数据就能做，这是一个系统级的解决方案。

谢谢大家。