项目监控
售后查询
今天就这次机会，我代表光大银行从数据驱动的视角，为各位来宾介绍和汇报一下我们在智能化风控方面做的一些探索和研究。我演讲的主题是大数据智能化风控的实践。
第一方面先跟大家介绍一下我们光大银行在人工智能技术方面的探索和研究。
要讲智能化风控，近年来尤其是去年年底到今年年初，大数据、人工智能、云计算、区块链已经成为金融科技发展的一个重要的领域，包括十九大之后，第一次政治局学习会，习总书记再次强调和重申了国家大数据发展战略，包括相关的学习和研讨。就着这个东风践行和推进各个产业的大数据和人工智能的结合，来推进银行业务的各个业务领域和条线的转型。人工智能早在上个世纪50年代就已经提出，经过了很多次波峰和波谷的发展，时至今日，因为IT技术的发展，人工智能又一次被推动道路了前台，尤其是前两年的AlphaGo给我们带来非常强烈的冲击。人工智能的技术在这里不多说了，近两年人工智能已经非常火热了，根据Gartner在去年的研究，提出来人工智能已经逐渐在未来的2-5年将会发展到一个波峰的阶段。人们的预期，对人工智能对社会的改变也是非常强烈的。未来到长期以后，人工智能会逐渐有一个生命周期的发展，说明人工智能已经成为我们现在这个社会非常重要和非常火热的焦点。
从银行来讲，我们总结出来人工智能可以应用的场景，首先人工智能有两个非常重要的因素，一个是我们需要用技术手段跟业务的场景紧密的结合，第二个是需要有大数据的驱动，我们需要更多的数据进行数据的模型演练和建设，只有这样才能真正驱动人工智能跟行业的深度结合。从银行的发展来讲，人工智能首先在智能客服这两年大家都在践行的。另外在金融预测和反欺诈方面，融资决策方面，网点智慧机器人方面，人像生物识别方面，以及智能投顾方面，都会是人工智能在近两年大家攻克的业务结合的场景。这里不多介绍了，可能大家或多或少在这些领域都会有一些接触和认知。
今天主要给大家汇报一下光大银行在智能风控方面的一些实践。
从光大银行来讲，我们如何去推动大数据和人工智能的结合，来驱动业务的转型。
光大银行从2012年开始就已经建立了科技创新实验室。在2016年的时候，我们在科技创新实验室下构建了一个大数据实验室，目前来讲我们在进一步构建人工智能实验室和区块链实验室，在相关的领域借光大银行信息科技创新机制的东风，来推进前沿技术的发展和业务场景的结合。科技创新实验室我们通过产学研一体化的合作，通过大数据人才的培养，并且在我们光大银行内部构建了一个大数据实验室为基础的大数据社区，将我们光大银行总行的各个业务条线的业务部门和分行的同事们都融合到这个社区当中来，为我们所有的业务部门有兴趣的同志提供一个开放的实验室环境以及脱敏的实验室数据。大家可以利用我们比较人性化的简单的大数据挖掘平台的技术，来直接探索和挖掘业务数据可能实现的大数据场景。这个是我们光大银行基于这种机制，创建并且正在践行的一个以数据驱动的业务发展的模式。
从技术架构的层级上，为了驱动这种大数据的能力，我们基本上已经构建完成了一个面向大数据发展的整个的基础架构。
首先在底层我们已经构建上线并且已经在运行了多元化的数据平台，这个多元化的数据平台囊括了Hadoop技术为主的非结构化数据的支撑，囊括了MPP技术为主的传统数据库，以及贴源数据库的平台能力，包括我们现在在构建的准实时数据仓库相关的能力。在这种技术基础平台的基础上，我们相继构建了数据仓库、贴源数据库准、实时数据平台、外部数据管理平台还有非结构化数据平台，我们构建了企业级的大数据挖掘平台。
从企业级的角度来讲，近年来大家都在研究，光大银行已经在去年年底完成了企业级大数据挖掘平台的上线，并且基于这个平台已经构建了几个面向风控的大数据挖掘模型，后面会有相关的介绍。在这个平台的基础上，一个是刚才说的我们有大数据挖掘的社区，另外我们会基于一些实时的决策引擎来推动在风控领域的应用，包括在营销领域的应用。另外还有一个数据产品的平台，基于这个数据产品的平台把我们的技术和业务紧密的结合，实现数据驱动端到端的能力。
这些年从我们的实践来看，银行业务领域的同事们，现在对于智能化转型发展的诉求并没有达到一个非常好的契合点，如何将数据能够直接输出到业务场景的这一端，我们这两年研究构建了一个数据产品应用的平台，通过数据产品化的方式，将数据直接推到业务应用一线的前端，来驱动并且逐渐的构建业务部门去使用大数据和利用大数据的文化，我们把它称之为数据驱动的端到端的能力。这个我在后面还有一个简单的介绍。
另外刚才讲到AI，一个是要构建场景的应用能力，另外你需要不断的去训练数据模型。数据对于智能化应用场景是非常关键的，数据治理和数据管理则是应用数据的一个基础和根本。光大银行如何去实现对大数据应用的管理，我们在2016年初的时候就启动了大数据治理的体系规划，我们规划出来未来5年要完成的相关的工作任务，大数据平台相关的大数据任务，这两年我们会推动25项大数据相关的工作任务。之所以没有真正去规划出5年内要做什么，因为我们觉得大数据的发展非常快，我们想在未来的5年，在2018年、2019年已经确定要做什么了，但是后面如果有一些相关的调整，那是要根据行业的技术发展特征的。从数据管理的角度来讲，非常关注的就是大数据的范畴，大数据的范畴包括企业外部的数据如何更好的引入和利用，包括企业内部的大家以前不被重视的认为没有价值的非结构化数据，包括一些日志数据，还有最近我们刚刚定义的一部分数据，企业内部的衍生数据。我们以前用了很多的数据，包括向监管部门报送的相关数据，报送完以后都放在那了，包括我们各个业务部门做的相关的报表数据，用完了都放在那了，这些数据是不是能够更多的再被二次加工、二次利用，这是我们最近刚刚定义出来的另一类大数据，企业内部的衍生数据。我们把这三部分数据如何更好的整合起来，就需要我们来推动大数据的管理工作。
基于我们构建的数据平台和数据管理能力以后，我们需要通过数据驱动的能力去推动数据到业务应用的端到端能力，这种端到端能力我们定义了一个数据产品化，数据产品化最终的结果会在我们给业务的数据服务平台上，有点像App Store，挂出一个个小的应用，完全由我们科技创新实验室做出来的，来驱动业务使用。我们把数据产品化做了一个机制上的管理，包括这块的研究和实践也得到了人民银行科技发展奖的认可。数据产品化我们把它定义了相关的生命周期，不是一个数据产品永远挂在那，就像一个IT应用一样，一个应用系统上线以后可能五年十年都在线，而数据产品生命周期非常快，有可能一个月，有可能半年，如果没有生命力了，会很快下线图分三类，第一类是项目驱动型，第二类是科技创新驱动型，第三类是敏捷型，尤其是敏捷型我们的部署可能就会在几天或者一周之内完成。举个例子，最近一段时间我们都非常关注数据安全，银行内部因为有一些系统的不完善，我们相关的客户明细会通过邮件发送出去。如何控制这种敏感性的邮件发出，需要有一定的统计分析和管理。类似这种，以前都是手工的，我们这次通过数据产品，给总行的各个部门和分行的管理者，去可视化，他们的员工有没有对这些数据外泄的分析或者预警，我们只用三四天时间就做到了在线，提供业务部门使用。其实不是简简单单一个报表，而是一个可以交互式的数据产品。
第二部分是光大银行在智能化风控方面的实践。
从应用架构来讲，首先是各源系统，通过数据仓库整合以及外部数据管理的整合，我们整合内外部数据，来提供面向于内部监督管理、面向于风险预警/风险管控、面向于反欺诈等应用场景。
从外部数据的利用上来讲，跟各个银行和同业都差不多，从几大类，一方面是行业的共享数据，包括人行和银监会给我们发放的相关的共享数据，包括行外共享数据，包括政府采购数据，法院、工商、税务相关信息，还有银行内部的结算信息，包括账户信息，我们整合在一起，去驱动我们风控的智能化。
从智能化风控的角度来讲，今天我给大家介绍分四个方面，一个是信用风险预警，一个是在反洗钱方面的探索，还有反欺诈方面的探索，还有是智能信贷审批方面的探索。
首先是信用风险模型的应用，主要是贷后管理，以往的风险预警我们多是用一些专家规则，这些专家规则一般都是事后的，已经出过风险或者已经出过不良的企业他的特征，我们总结起来，再把这种规则布上去，然后再去做相关的预测。这一次风险预警的模型，我们利用了大数据的技术，包括复杂网络的技术，做到了相关规则的挖掘和分不需要一些经验规则，这个后面有一些数据产品给大家介绍。
另外是反欺诈模型，这次反欺诈模型我们给网银去发掘，以往的在线反欺诈，一般行为反欺诈也是刚才说到的用专家规则，而用到数据挖掘，尤其是深度数据挖掘这种方式非常少。我们在探索用数据驱动的方式怎么做，我们用了一个半监督数据模型，这也是我们近两年在业界看到的第一个通过半监督模型在互联网反欺诈去用纯数据驱动的第一个模型。这个模型我们现在正在完善当中，包括发现了一些其实业务当中大家很难理解的在线的有可能是欺诈行为的特征，我们得到了验证并且上线了，这个可以为大家进行借鉴。
再一个是反洗钱模型，我们也用到了复杂网络，其中89%的模型都是我们光大银行自主进行挖掘和建模的，没有用到相关的外包，我们行这两年在反洗钱规则和问题发现上做出了不少贡献。
最后是信贷审批，信贷审批的人工智能应该是近两年银行业重点应用的领域，我们光大也在建设过程当中，首先是文本语义识别，可以替代掉信贷审批当中的信贷审批报告的审查，另外还会有一些线上舆情的数据整合在一起，这样能够为我们信贷审批的管理者提供一个相对有效的评分结果。我曾经跟我们分行的一些主管审批主管风险的行长沟通过，他们有时候不敢去批贷，主要原因是对批报告包括这个企业的熟悉度不够，因为他们觉得没有更多的大数据支撑，所以这后面也是重点应用的一个领域。
从刚才讲到的数据产品来讲，这是我们做的一个截图，光大银行的数据产品面向风控方面做了五个数据产品，包括滤镜、风险共同体族谱、征信大数据、贷款资金去哪了、辛普森侦探模型，这些数据产品都是由信息科技通过数据驱动主动做出来的数据产品，并且得到了相关业务条线的深度应用。其中路径可能是一个重点应用的，而且这两年曝光比较多的。
这个滤镜我们就是用的大数据当中的复杂网络技术，包括基于复杂网络做的一些关联分析和数据挖掘。我们做了三个模型，包括复杂循环担保，包括风险共同体，包括特殊交易对手。基于这些模型我们做了两份清单，一个是历史有哪些现在可能是高危的客户清单，另外新增清单，每天会做跑批，把新增的有可能预警的清单推送到滤镜产品，这个滤镜产品是手机端App的一个应用，是给银行总分支行的行长安装的App，这个App行长可以通过手机每天很直观的看到他所管辖的分行内的相关的对公信贷客户的预警情况，有效的帮助行领导去识别和推动预警客户及时的资产清收。通过我们去年光大银行曾经有一笔信贷的不良资产，我们通过特殊交易对手这种方式发现的，发现有一家企业近期跟小贷公司频繁进行资金往来，这个公司并不是他的资金链上下游，我们及时发现推出预警，行领导重视以后及时清收，比别的银行清收得早，我们的不良损失降到了最低，给银行带来了非常高的收益。
最后这个数据产品是风险共同体，为什么要提到这个风险共同体，复杂网络的应用来讲，近两年各个银行都在用，这个风险共同体我们2015年就上线了，当时我们在所有银行的业界都沟通和了解过，是咱们国内第一家利用复杂网络技术做风险预警风险共同体认知模型的银行，并且通过这两年的深度利用已经得到了业务部门良好的应用效果，同时我们没有止步，我们在复杂网络的应用上目前正在构建企业级的复杂网络，包括对公的企业间的相关的属性之间的关系，包括我们个人客户之间的相关的关系，包括我们对公客户和个人客户资金往来的相关关系。这种关系的难得之处在于，它不是一个关系和客户之间构建的关系网络，而是多维度关系构建的复杂网络，多维度构建的复杂网络，我们通过构建完网络后，用图计算方法、图挖掘方法去做相关的模型和预测的时候，就可以发现这些多维度复杂网络关系之间相关的一些我们面向业务场景的应用机会。
我们把这三张网络的构建作为光大银行的数据基础资产，基于这种基础网络，上面可以开放性的构建更多的数据挖掘模型，这也是我们现在在银行业界第一个在尝试把复杂网络构建出来的复杂网络模型作为基础数据管理和利用的一个尝试。各个银行同业包括金融同业大家感兴趣也可以去尝试，因为构建复杂网络需要很多成本和资源的投入，如果我们每一个应用都要去构建复杂网络，成本是非常高的，如果我们可以集企业的能力去构建一个企业级的统一的整合的有管理和开放应用的复杂网络，一定能够节省更多的资源，包括能够更快更高效的去做基于复杂网络的数据分析和挖掘。
最后简单给大家汇报一下我们下一步在智能化方面如何驱动业务的发展。
首先我们希望开展联合创新，刚才梁峰处长也讲了，现在金融科技Fintech的发展，我们不能闭关自守，银行拥有客户的交易数据，拥有客户的财务数据，但是银行没有客户的特征数据，没有客户在线的行为数据，我们如何跟现在的金融科技公司合作，跟现在的互联网科技公司合作，去驱动更好的风控模型的构建。包括如何在消费信贷方面做更多的贡献，下一步我们会探索更多的和外部的合作，包括科技战略合作的机会。
第二个，我们会不留余力的构建智能场景的开拓和落地，智能化场景刚才已经讲到有很多，我们希望逐渐覆盖银行所有条线和领域。
第三个，做AI做大数据，没有人才是不可以的，必须培养和构建人工智能和大数据的人才梯队队伍建设，包括去探索金融科技子公司的构建，光大银行的金融科技子公司在去年年底已经挂牌运营，我们也会进一步探索。
最后一个，我们会加强在人工智能基础应用方面的建设，人工智能和大数据，包括这次大会主题所讲的，北京市盛世阳光文化传播有限责任公司要在金融科技和消费金融方面做出更多的努力和贡献。中国的深化改革，包括供给侧改革，一定会驱动更多的消费金融场景的实现。我们现在也正在努力去实践，去构建银行自己的大数据消费金融、信贷审批和风险管理、欺诈管理的相关模型，希望下一次有机会大家可以再深入探讨这些模型的构建过程，共同去推动整个银行业在这方面业务的转型发展。
