不败于山河，不输于岁月；
无人看护，全无软肋；
不念过往，无畏将来。
一、近期感悟
这一时刻仅仅延续几年，不会永远持续下去...当事物在流动时，变革是容易的，当事物凝固时，变革就变得十分困难——奥修
最近忙，终于有些许时间写东西。
这几周与不同区域、不同组织性质、不同行业的集团型企业在交流数字化转型，有微咨询形式、有培训形式、有业务交流形式，应该说诸多企业已经数转起势，但大多数企业仍然处于Intention阶段，需上下统一数转认知，解决技术赋能业务如何设计的同时也要解决组织灵活性和治理统筹性的问题。
对于数字化转型基础理念，可以直接参考我这篇文章，系统而且简要。很多媒体转载，阅读量的数字证明了这篇数字化转型经验总结和理论提纯的文章具备一定借鉴意义。同时，我们还是要在此基础上多谈一些问题，少谈一些主义。
不仅IT部门自己要主动研究数转，核心职能部门和业务部门更要积极融入、共同研讨数转，促变求新是关键。
举例而言，数字化组织特征之一是人力资源和能力的灵活调配以支持前端快速变化的业务以及多样性的客户需求特征，不能认为敏捷只是IT人员的一种工作模式，部落式的团队组建与沟通方式随着企业以职能任务为中心->内部流程为中心->以客户为中心做转变，已然逐步走出IT、走向企业、成为新的资源调度模式和虚拟组织形式。组织也是进化物种，20年前这种物种在欧美已经出现了....在一轮又一轮的更新让人震惊的产品和商业模式。你所在的企业和马斯克的企业时代差距有多大？
部落组建之前的策略是什么、部落开展工作的时候工作模式与责权分配模式是什么、部落暂时解散后后期的共性合作模式与责任模式是什么，部门应以培育人为主，服务于不同类型的业务，而整体部落的编排则应更多以价值导向来看人的贡献，此时部落型组织对人的价值评判以及激励将非常重要。实体型组织与虚拟性组织的有机融合将是人力资源在数字化转型中一个重要课题。
其他部门也一样，国家都在强调企业数转，这事儿怎么可能大家都甩给IT？各部门皆有责任。更多的企业情况是IT部门的领导与骨干在努力研究、积极进取，这些同仁是企业的脊梁、具备主人翁精神、而且能力也非常综合、懂IT懂业务懂市场，但苦于在组织内职能格局所困、无力解决系统之间交叉性问题和全局统筹问题、后续部门之间协调问题，同时又要面临企业降低成本的硬性要求以及业务硬怼过来的开发需求，上线后背锅的还是IT，IT要被动延续这种老模式的同时还要肩负企业的数字化转型。
数转本质上是一场企业内部改革
不是一场IT无奈的自导自演
可敬可喜的是，有些央企IT走到了积极变革的前头，有好的苗头，IT与业务高度融合乃至IT最终进行全栈业务实施管理的案例已出、并有其他企业在前仆后继。
我同时希望看到，今后有更多企业的业务部门和职能部门能开展数转交流，不懂数字化转型、不懂企业架构、不懂治理运营的业务和职能部门对于IT部门来讲是噩梦、对于企业来讲则是不知何时爆炸的雷，这时候背锅的就不是IT了....
就聊这些，开说银行业数字化风控。欢迎感兴趣的朋友联系我探讨，多多指教。
二、风控起源
贷款和信用卡办理等业务面临的主要难题是数据和风控。目前形势，消费贷以及贷款审批速度都要求快。如何又要能权衡对客户审查的全面性呢？此时，基于系统性、完整性的数据对客户进行风险评估将有利于降低放贷、发卡等业务风险。
三、两维风控
1、业务前的风险评估，风控中心会对客户征信进行调查核实，以综合判断是否可通行业务，如，发放贷款以及多少额度。
2、业务中的风险监控，主动性风控如，发放贷款以后银行要定期对贷款人情况进行跟踪了解，以及时掌握资金流向性，保证资金能够安全回收；被动性风控如，在理财投资过程中，投资者可以向银行申请理财产品风险评估服务、明确保障。
四、建设思路
1、建立全面风险管理体系
2、建立反欺诈、评分、授信策略、定价等风控模型
3、引入海量跨行业数据作为风控模型的基础
五、数据源
1、政府类公共数据
2、平台数据
3、第三方数据
六、风控模型的应用逻辑
1、基本准入：
判断用户的设备信息、登录行为、访问特征、信用状况、商品信息、商家特征、配送区域、银行卡状态等。此时建立信用、反欺诈、伪冒交易等一系列模型，其中多达近百项的模型需实时计算，将直接拒大量显性风险于门外。
-
欺诈用户的识别
-
-
可信度分析
-
2、反欺诈规则：
深挖业务全流程对反欺诈功能的需求。从入口反欺诈、行为反欺诈、设备反欺诈等多维度制定反欺诈规则，确保及时侦测和处置可疑警告，维护黑名单数据库及时性、准确性、有效性。
3、风控模型：风控模型须从两个角度去考虑，第一个角度是资产端风控策略，第二个角度是资金端风控策略。考虑主要出发点应该是从业务前、中、后三个方向去考虑，结合传统业务的风控模型和互联用户的行为数据。针对资金、资产进行风险等级划分，防欺诈系统、舆情监控、权重叠加。
-
原始层数据：原始数据杂乱无章。
-
数据原子化：将数据按业务归属分类。
-
数据抽象层：按风控关注的业务做数据整合。
-
数据模型层：以场景为基础作分析，一个数据模型对应一个分析场景。
4、审批流程：细分客群，采用决策树或规则组的方式对不同的客群制定不同风险策略和应对规则，实行标签化、精细化审批。
5、后检测：对信贷等客户进行日常业务监测（如贷后监测），及时发现风险信号，对于触发风险预警的客户采取一定的措施，如电话核实、提前收回贷款等。
6、于数据优化与验证：跟踪、监测、维护及优化风控策略，确保风控策略的效能及其提升。业务系统产生的数据和点击流是数据分析的主要素材，数据是风控决策主要依据；但是随着时间推移，恶意用户可以模仿真实用户。
7、发展各类技术赋能：
-
用户画像
-
设备指纹识别、生物探针、人脸识别、智能语音
-
用户点击流日志分析系统
-
反用户欺诈系统
-
风险评估、定价、控制系统
-
风险预警系统
-
数据挖掘
-
机器学习
七、金融企业七步风控体系案例
1、风险政策制度框架体系：对所有交易对手和产品引入都制定明晰的风险政策指引，所有业务必须在制度框架内运行。
2、信用评级：对交易对手和产品进行主体评级及债项评级。(对于投资者、融资用户、产品进行风险等级划分)
3、信息披露：整理每一个产品的内部评级、底层资产、主要风险、还款来源、保障措施。
4、投后预警监控：所有在售资产至少每三个月进行一次检视。
5、风险管理系统：风险管理系统覆盖全产品线、整个产品生命周期，实现风控的标准化、智能化、模型化，提升企业风险管理工作的效率和效果。
6、风险评价体系：风险控制落实到业务、落实到部门、落实到人，基于风险程度给予业务部门不同的业绩评价。
7、资产、资金的精准匹配：对投资者进行风险分类，产品与投资者风险适配系统，确保投资者都能买到适合其投资风格与风险偏好的产品。
八、银行可利用的数据要素有哪些？
目前银行能够利用的数据要素主要包括以下几个方面：
九、银行数据管理上存在的难题
1、数据使用效率低：数据的加工和使用超强依赖IT人员，不能提供自助式数据服务。
2、外部数据杂乱：外部数据源越来越多，如微博、新闻媒体、淘宝、电商数据等，如何将这些外部数据整理、加工成可供行内正常使用的真实、准确的数据需进一步探索。
3、数据类型复杂：数据资源非结构化数据占有很大比重，且数据类型越来越复杂，传统数据库不能满足该类数据的存储、搜索和分析。
4、存在大量的数据孤岛：银行等金融机构存在不同类型的应用系统，数据被分散在各个应用系统的数据库和文件系统中，导致数据不能有效的共享；跨系统的、综合性的数据搜索、分析困难。
十、银行大数据风控平台的建设
大数据风控平台是一款集大数据处理、OLAP分析、在线分析、离线分析、数据挖掘、数据模型、数据可视化展现于一体的综合性大数据分析平台，它提供了基于hadoop存储、数据立方体预计算的OLAP可视化分析功能，使用户通过托拉拽的简单操作即可在亚秒级的时间内完成多维度、全方位的数据分析，并以多种可视化方式展示分析结果，集成了主流的数据挖掘算法和工具，帮助用户快速建立数据挖掘模型。
大数据风控平台的基本特征主要有三个：
1、大数据风控平台能够处理的数据种类多，维度更广，大数据风控平台不仅重视传统的信贷变量，还可以分析借款主体的社交网络信息等信息，能够为信贷缺失的群体提供基本金融服务。
2、大数据风控平台不仅仅关注历史财务数据，还更加关注借款主体的行为数据，能够在充分考察借款人借款行为背后的线索和线索之间的关联性基础上进行数据分析，降低贷款违约率。
3、大数据风控平台对模型可以不断迭代和动态调整。机器学习技术使得大数据风控平台的风控模型可以将原始数据转化成指标需要进行不断的迭代，不同模型的权重值可以根据样本进行动态调整，反过来也能不断改进模型的评测效果。
底层大数据平台搭建
搭建一款集数据采集、存储、搜索、加工、分析为一体的大数据平台，融合结构化数据、非结构化数据，实现了统一数据架构，对海量异构数据的存储归档、信息组织、搜索访问、安全控制、分析可视化，以及数据挖掘、数据治理等，如下图所示。
数据能力设计与搭建
数据是分层次的，不同的数据其属性、处理方式、价值都是不同的，如下图所示：
对于历史数据来源于行内数据平台或其他来自于数据库的数据，行内数据可直接用ETL系统工具直接抽取数据，其他数据库数据则可用Sqoop工具抽取，放入HBase通道中，从而满足实时历史数据的查询需求，如下图所示。
客户识别与风控结合
通过大数据平台内置现成的客户统一画像，根据获取实时数据，实现客户精准画像，通过迁移学习、机器深度学习理论，对客户360度画像，分析客户行为习惯，甚至实现客户精准风控应用，智能推送优质客户资源，严格控制风险。如下图所示。
基于数据的风险控制逐级递进
将大数据风控平台用于信贷客户的反欺诈分析、信用等级评估、贷后风险监测预警与催收等环节，严格进行风险防范；重点关注个人客户或企业客户在银行体系内外的负面信息。
从这些数据出发，全面评估个人客户在银行的风险等级，为银行的风险防范提供决策支持。如下图所示：
---------------------------
本文内容转载自“球迷Long笔记”（ID：qiumifengbao）
