案例名稱

南京銀行運營風險全景監測防控平臺

案例簡介

在當前社會欺詐犯罪作案手法層出不窮、涉賭涉詐案件頻發、金融交易場景日趨復雜，風險排查難度加大的背景下，南京銀行開展了運營風險全景監測防控平臺項目，項目亮點如下：

1.實時交易級模型計算引擎：構建客戶實時風險評級，應用于交易場景，計算時延控制在毫秒級；

2.行內、外數據指標多場景融合應用；

3.使用NLP算法處理文本數據并應用到風險決策中；

4.構建監測模型，使得業務場景形成預評估、開發、應用、后評估、優化的管理閉環。

創新技術/模式應用

本項目中創新的技術和模式，主要包括四個方面：

1.實時交易級模型計算引擎：在不影響客戶的操作體驗前提下，使用實時交易級模型計算引擎，針對客戶實時風險評級、客戶開戶、轉賬、調額等交易場景，通過實時計算技術將數據實時加工為指標，并通過內存存儲的方式，提升指標讀寫的速度。本引擎能夠在毫秒級響應時間內，計算渠道端傳送的客戶數據，并將評級結果反饋給渠道端，用于判斷客戶是否禁止開戶或者限制其轉賬額度。實時評級處理流程如圖1所示：

圖1 實時評級處理流程

2.行內、外數據指標多場景融合應用：引入外部數據，如反詐系統數據、工商數據等，有效補充行內數據的缺失，提供更全面的數據支撐。當前存在將行內、外數據加工成指標應用到實時或者批量計算場景：如“一段時間內的開銷戶次數”、“使用同一IP轉賬次數”，在這類數據的加工中需要平衡考慮業務需求、架構、數據量、更新周期等因素。如果是實時調用名單驗證類指標，考慮數據量和內存占用量大的問題，采用渠道端直接提供是否驗證成功的標識，這樣有效減少數據交互復雜度，簡化處理架構，同時滿足了業務需求。

3.NLP智能算法處理文本數據：傳統的風控系統主要使用結構化數據進行指標的加工和風險的決策，但是隨著業務數據的豐富，逐漸出現了與人工智能、圖計算相結合的指標加工和風險決策場景。本項目中使用詞嵌入算法，進行地址的相似度計算，促進了文本分析，提高了數據分析的準確性和有效性，并將處理結果用于風險決策中。

4.構建監測模型預評估、開發、應用、后評估、優化的管理閉環：對于模型預評估階段，分析人員會針對模型觸發量進行統計分析，從而選擇合適的閾值，然后進行模型的開發、測試及應用上線；對于上線的模型，會持續進行跟蹤和分析、優化；對于長期無效規則，考慮下線。模型生命周期如圖2所示：

圖2 監測模型管理閉環

項目效果評估

本項目主要解決如下三個業務痛點：

1.全面、及時性

·事中、事后風控策略部署：尤其是事中風控策略的部署，增加實時反欺詐（實時反欺詐場景見圖3）、客戶實時評級等手段；

圖3 實時反欺詐某場景處理流程

·渠道覆蓋全面：目前涵蓋線下柜面渠道，線上個人、對公（APP、網站）等渠道，實現線下、線上渠道風險全防御；

2.持續性

·建立持續的風險識別、策略有效性評估及修正調整機制：目前已形成模型分析、開發、測試、上線、優化等模型管理閉環；

3.先進性

·風險監測差異化、場景化、多維度：通過對賬戶、交易、人員等要素和業務流程的分析，涵蓋零售、對公、檢查、同業、內部運營等板塊風險模型的運行；

本項目部分效果數據如下：

項目提煉總結風險特征388個、實時監測規則279條、批量檢測規則284條，確定了一整套風險預警線上排查處置流程。

項目牽頭人

黃濤 數字銀行管理部數據產品服務部經理

項目團隊成員

孫利軍、陳輝、裴雅杰、祝紫寧、林寧、李妍婷、汪澄澄、陳虹

責任編輯：王超