金融是产业的催化器，也是快速发展必不可少的力量。据称，现代银行业的第一家银行是意大利的那不勒斯银行，它成立于1472年。我国古老的借贷业务，最早也可以追溯到2千多年前的战国时代。随着社会的发展，科技创新的力量不断推动产业升级。现代金融业，也从传统的以人工为主的风控审批模式，转变为智能风控模式。本文，我将回顾自身在金融科技领域的产品工作，结合人工智能时代的发展脉络，一起来探讨下智能风控。

一、智能风控诞生的契机

过去几年，金融科技化成为社会的关注点，金融与科技相互融合，创造出新的业务模式、应用、流程和产品，催生出新的客户关系，对金融机构、金融市场、金融服务产生了深刻影响。

金融科技的发展离不开底层技术的发展，而大数据、人工智能则作为新一轮科技革命和产业变革的重要驱动力量；在金融科技化的过程中发挥着无可替代的作用。在可预测的未来，随着人工智能技术与金融业深度融合，用机器替代和超越人类部分经营管理的能力将获得进一步加强，或将触发一系列的变革。

金融活动中，无论是信贷、消费金融；还是供应链金融、商业保理等模式。对于金融机构来说，风控是关键，债务偿还能力覆盖风险是第一要务，也是银行机构良性发展的基石。金融借贷，作为金融机构重要收支来源，靠人工风控的模式，存在审批时间长、人为决策难、数据分析难等问题。这明显满足不了机构和社会需求。这也是促使风控从人工走向智能化的主要推动力。而金融业的智能风控是一种采用人工智能和大数据技术，结合金融行业的风控理论和实践，以提高企业风险管理效率和质量的新型风险管理技术。它主要利用机器学习、大数据分析、模式识别等技术，对金融行业的风险进行深入分析，实现风险的预测和预警，从而提高企业的风险管理水平。

二、智能金融风控平台架构

智能金融风控平台架构图

上图是典型的智能金融风控平台架构，对于了解智能风控的应用场景，可以有个基础的印象。整个架构分为五层，分别是元数据层、大数据平台层、执行层、软件层、应用层。其中最底层是风控数据源的抽取。

三、风控平台要点：元数据

元数据层(数据源)：从各个数据源，收集用户及资产相关的数据，整个数据源的获取类型，数据范围，一般与金融机构的风控政策相关。对于金融机构来说，为方便展业，前端销售部门都会包装成易于客户理解的金融产品（某白条、某消费分期、某车位贷、某彩礼贷）。再为这些金融产品，设立不同的进件准入条件（客户信息、抵押物、负债、收入证明等偿还能力证明），约定还款方式（等额本息、等额本金、先息后本）、利率和期数。

对于风控部门来说，为了识别风险、规避风险、减少贷后坏账的产生。将客户偿还能力的进行准确评估是重点。而客户资信数据化、数据来源多样化、零散化一直是阻碍风控部门快速决策的阻碍。也是前端金融客户经理和风控部门利益纠结点。而借助科技的力量，我们将风控的数据源采集分为内部时候和外部数据。

内部数据：交易数据、用户行为数据、账号数据、设备指纹、授信记录、还款记录、黑名单。

外部数据：第三方风控、名单库数据、运营商数据、身份信息、社交关系、学习、App操作行为、征信数据。

外部数据，一般都是要花钱买的。数据源多且杂，但数据或多或少都有作用，在对接第三方数据平台或API厂商时，就需要衡量数据价值性。当然数据采集，也会碰到数据合规性和数据隐私问题。比如用户社交关系，运营商等数据的来源是否合规，合法，个人数据采集是否涉及侵犯用户隐私等。

四、风控平台要点：大数据层

大数据平台：不同的数据源，数据结构和来源方式均不同。我们需要通过实时或离线的方式进行采集，并集成到大数据平台，进行统一的存储与加工、计算。而大数据平台架构本身是比较成熟的，在金融大数据构建中，一般的要点在于实时性和数据治理。首先，因为用户申请贷款，要线上实时审批，所以要保证计算的效率。而金融数据来源多，数据脏，要做大量加工和清洗，并且在数据使用过程中要效率高、稳定、灵活。

五、风控平台要点：大数据模型算法

执行层：包括风控数据模型服务、决策引擎服务、智能算法库。

决策引擎：决策引擎一套产品驱动型的模型算法服务，现有的决策引擎，历经发展，已经可以对不同的金额产品，设立不同的规则，再设立任务进行驱动和调度。并引入机器学习算法，智能的去做数据加工、监控。决策引擎，底层是应用一些算法，比如决策树、决策森林进行数据规则匹配。而商业化应用，则是引入规则引擎，市面上有比较多的开源规则引擎，比如Drools、JLisa、QlExpress等。其中Drools是一款基于Java语言的开源规则引擎，基于RETE算法实现。在风控审批中，如某个金融产品的准入条件，需要月收入大于2万，已婚且有房产。则可以将上述条件配置为规则，进行驱动实现决策。

外接规则引擎API服务架构

风控模型与算法库：在金融风控数据建模时，根据数据源、数据结构的不同，会应用到一系列的算法。比如需要进行数据抽样时，会用到随机抽样、bootstrap抽样、gibbs抽样算法。对于结构化数据，会用到无监督学习（客户聚类、协同过滤、对应分析）、有监督学习（逻辑回归、决策树、SVM、贝尔斯）、序列分析（时间序列）、自适应模型（神经网络、深度学习）、最优化算法（EM、线性规划）等。对于非结构化数据，会用到文本分析、语义分析、主题分析、圈子分析等算法。比如在金融信贷风控中，常见的评分卡模型，底层算法就是逻辑回归(Logistic Regression,LR)。

金融评分卡模型

六、风控平台应用场景

本文的最后，我们回归应用场景，毕竟所有数据，算法，平台均是为了场景服务的。由于金融活动中，风控的重要性，金融风控需要覆盖到贷前、贷中、贷后整个生命周期的。从用户运营角度来看，则需要覆盖多个阶段。

1、获客阶段，获客常有多个渠道，如去某平台投流，获取的客户，风控需要调用基础的规则，进行筛选客户（例如行业黑名单）。

2、注册阶段，收集客户信息，风控进行活体识别（例如人脸验证，防机器人注册）

3、申请阶段，进行贷款预审，风控设立注入门槛，反欺诈，基础信用评估（例如资料包装，地域骗贷）

4、贷中阶段，监督跟踪客户风险，进行客户逾期预警，客户流失预警。

5、贷后阶段，回款数据，催收管理。

部分资料来源：DataFun、CSDN