小型银行智能化风控与数据平台建设的一些设计思路_业务

发表自话题：个人风控查询免费

无论如何，征信数据的应用是银行的强项。尤其在当前二代征信推出之后，充分强化征信信息的特征加工，同时充分结合行内的业务信息与经验，加强对于数字化风控策略与模型的效果监控，加强结合业务表现的决策结果分析，非常方便地不断微调数据策略与模型，对于小型商业银行来说则是可以起到事半功倍的作用。

小型商业银行建设智能化风控系统的一些特点分析

小型商业银行建设智能化风控体系首先是成本考虑。数字化业务模式比起传统业务模式，前期对于系统建设投入比例一定是相对高的，最终长期盈利优势要靠后期业务不断上量来显示出来。但对于创新业务的探索实践，小型银行不一定能够很快地获得业务体量，同时还面临某类产品最终无法发展的风险。

因此，小型商业银行在建设数字化风控体系的时候，从以低成本开始起步的角度，会更多希望看到先期系统开发是合理地平衡地有选择地配备必须有的核心功能，同时整个系统架构须适合后期能够随着业务的拓展而逐步增加系统功能的良好衔接。

线上信贷业务数字化风控的特点是大量使用从原始数据衍生发展出来的特征变量，而为了深入开展业务分析和满足向监管当局进行有效汇报的需要也需要有很好的数据服务与管理架构。因此，小型商业银行搭建完整的数字化风控体系，则不仅仅只是需要一个风控决策系统，还需要与之紧密相结合的数据平台和监控与报表系统。通常在大中型银行中这几件事是分开不同的项目建设的，但对于小型商业银行往往不得不放在一起考虑。

为了对于多渠道合作业务很好地做好自主风控，需要一个商业化的决策引擎。但正如上面所述的原因，对于目前广泛多渠道合作的数据质量尚不能理想的状态，对于目前银行开展合作的定位更多在于数字化综合能力的培养和提升，小型商业银行往往在建设数字化风控体系的时候，需要更多地考虑将各种业务需求落实在数据服务平台的设计上。

设计风控与数据管理平台的基本思路

我们在设计这个智能化风控与数据管理平台的建设中，基本思路为：

以低成本快速上线基本核心功能为战略目标；

以做好数据管理和数据分析支持为主要导向；

以方便策略模型部署与监控管理为基本需求；

以业务多渠道数据难于标准化为事实背景；

以业务功能逐步实现可配置化可视化为推进过程；

以功能模块化并后续可拓展可有必要的拆分为实现模式。

我们将整个的数字化风控体系分别从业务需求角度和系统建设角度出发，决定分为三个子平台系统予以实现三个业务目标：风险模型与决策管理、风险数据服务与管理、风险监控与服务管理，并通过松耦合可拆分的模式予以实现。

从业务的逻辑出发，整个风控与数据管理平台的大致框架为：

风控与数据管理平台的具体设计思路

下面对于各个子平台的设计点进行简单介绍。

（一）决策管理平台

决策引擎：

引进了著名的国际市场品牌商业化的决策引擎产品Sparking Logic。我们的基本出发点是：

（1）银行后期还是要完全独立地自己部署管理和迭代各种不同的复杂的信贷产品风险决策流程与策略；

（2）当前阶段为互金的线上信贷风控决策服务，未来应该推广为全行各个部门的各类数字化决策服务；

（3）一个商业化的决策引擎，可以保障我们将后期主要的日常风险管理和系统优化升级方面的工作直接集中在数据上；

（4）便于决策引擎外围可以建设一个便于统一标准的用于管理决策流程调用的决策流程管理模块。

决策流程调用管理：

虽然可以有外部的线上信贷业务平台直接负责对于决策引擎中所部署的各项风控决策流程的调用，但是我们还是在决策管理平台自身开发一个可拓展的决策流程调用管理模块。这样做的好处在于：

（1）当前的线上信贷业务平台与整个风控与数据管理平台不是部署在同一个云上；

（2）为方便后续决策管理平台可为全行各类业务的数字化决策提供调用；

（3）我行当前的征信获取模式还是通过征信前置的异步接口的模式；

（4）非常重要的考虑是从后续数据分析的需求出发，除了导入决策引擎的决策流程入参之外，我们还要从渠道端各种更为广泛和复杂的数据来源中做数据挖掘。

决策部署和测试环境：

将决策部署环境与整个的风控与数据管理平台的执行环境分离开，直接部署在互金部本地的服务器上，以便于我们的风控人员本地操作各种风控策略模型和决策流程的部署和测试，以及实践和学习。完成了决策流程的部署和测试之后，上传发布包到决策引擎执行的预发布环境。

决策引擎执行：

将决策引擎部署在云服务器上，并从风控及合规管理的角度，特别配置了决策流程发布包正式发布的按钮及岗位，并将该岗位的设置与从决策部署和测试环境上传决策流程发布包的操作岗位予以严格分离。

决策模拟与仿真环境：

区别于原来在决策引擎商业版本中带有的测试功能，特地在生产环境中开发了独立的决策模拟与仿真环境。该环境的作用是可以对任何决策流程或子流程，通过数据配置后直接调用风控与数据管理平台中存储的任何真实数据，进行模拟仿真。

（二）数据服务平台

数据资源对接管理：

用于通过可配置的界面，管理外部数据资源的对接扎口，管理接入的外部数据对于行内其他部门其他系统的供应接口，管理接入的外部数据资源和分派给行内使用的外部数据资源之间的调用关系，及管理数据资源配置的主备线和优先级等事项。该模块同时管理由征信前置提供的解析数据的调用和接入管理。

数据缓存与调用台账：

对于平台获取的外部数据原始格式文档进行缓存，并对前端决策流程发送的外部数据调用请求一一建立详细的调用台账，并配置缓存数据的定期清理删除功能，以方便对于各种数据资源调用过程的各种审计和合规检查。该模块同时记录各种类型的数据源接入故障，反馈决策流程调用使得可作出相应的更为详细的风控决策。

数据衍生与封装管理：

对于平台接入和产生的各种数据原始信息，提供可配置的衍生和封装功能。该服务功能的定位是不仅仅为决策引擎中的决策流程提供外部数据和征信解析数据的衍生封装服务，更为广泛地是为建立在各种外部数据、征信解析数据、业务进件数据和决策过程数据整体下开展信贷业务深入数据分析提供服务。

数据服务查询管理：

重点是配合在生产环境中的决策申请进件和风控决策结果，提供实时的主要信息界面查询，同时提供对于各种原始数据接入状态、决策流与数据调用状态、数据故障及原因等的查询等。

数据调用策略管理：

为更为方便地调用数据和根据调用结果做出相应的决策，开发了数据调用策略管理模块，目前重点针对数据接口超时策略、缓存数据调用策略进行管理。

（三）数据仓库与数据输出管理

非结构化数据存储：

针对平台中大量的非结构化的原始数据、缓存数据、决策过程数据，在实时时间，采用MongoDB数据库进行数据存储和查询调用，以支持业务的灵活和敏捷，特别方便各种数据增添、衍生和封装的配置，同时有利于更好地利用服务器资源。

结构化数据存储：

根据业务与风控的实际需要，重点针对有明确数据分析支持、数据批量查询、数据报表输出需求的行内外数据衍生字段、风控决策结果字段、有共同特性的申请进件渠道信息，进行结构化落地。

数据跑批：

根据业务与风控的实际需要，针对数据缓存清理、数据结构化转换、数据报表输出、定式数据分析支持等进行跑批运行。

非定式数据分析支持：

提供界面给业务人员和风控分析人员，在数据权限范围内，可以方便地自由配置所需结构化落地数据的分析支持。

（四）智能化监控与报表

故障监控埋点：

对于当前业务流程中常常发生各类故障、尤其是数据故障的节点进行埋点，定制判别策略与报警任务。

监控报告展示：

提供监控报告界面展示，并打通邮件与短信平台传送重大监控事件。

与Tableau报表系统相结合：

引进Tableau，将风控与数据服务平台与行内的统一报表系统对接，所有重点风控流程的统计小结，通过数据跑批发布至行内统一报表平台，同时在互金本地服务器上，利用Tableau Desktop所拥有的各种配置与服务功能，结合平台数据库，供业务人员与风控分析人员通过实时调用，更为方便地进行数据分析的图像化显示。

以上是至今为止我们的尝试。我们的平台也参与了现正在进行中的“城市商业银行数字金融与支付创新的优秀案例评选”活动，并希望通过这次活动为我们取得更多更好的经验与指导。

我们将继续站在小型银行的实际位置，随着银行的各种信贷业务的深入开展，进一步提升和优化平台的各项功能。

来源：公众号“老古成都”为个人责任自媒体，重点关注和分享在大数据分析、决策模型、数字化风控、自动化审批、金融科技、征信应用等方面的信息和讨论。

标签组：[银行] [大数据] [流程管理] [设计思路] 

上一篇：风鸟风控查询

下一篇：所有上市公司股票代码查询（中国上市公司股票