一、项目背景及目标

1.项目背景

当前国内外环境复杂严峻，经济恢复不均衡、基础不稳固，银行业面临息差收窄、监管从严、资产质量劣变和信用风险上升等多重压力。如何强化风险管理，推动全省农商行资产业务高质量发展，关键就是要以数字化转型为抓手，积极构建数字化、智能化风控体系，使之成为业务发展的“发动机”与“助推器”。

为深入贯彻落实《中国银保监会办公厅关于银行业保险业数字化转型的指导意见》关于着力加强数字化风控能力建设的要求，“加快建设与数字化转型相匹配的风险控制体系，建立企业级的风险管理平台，实现规则策略、模型算法的集中统一管理。利用大数据、人工智能等技术优化各类风险管理系统，将数字化风控工具嵌入业务流程，提升风险监测预警智能化水平”，同时围绕省联社战略转型要求，在省联社层面拟建设基于数据中台的立体、协同、融合的智能风险监测体系，进一步通过各类业务、风险场景的数字化应用，提升风险识别和预警能力，有效促进全省法人机构稳健经营。

2.项目目标

本次基于国产数据处理底座的智能风控平台的建设将风险偏好与限额管理系统、客户风险预警系统在数据和应用层面打通，将苏南八家作为风控平台建设的成员单位，在风险集市、预警体系、机构风险画像建设上实现数据统一、信号统一、精准画像，逐步实现对各类业务的穿透式管理，监测账户、客户、业务、机构变化，以及实现对机构信用风险精准画像，对客群、业务、产品、客户的立体式风险预警体系。项目将围绕机构风险画像、限额监测工具、预警体系、模型平台、征信数据输出能力、风险集市等方面建设和应用。

二、创新点 

1.打造预警分层分类，建立预警闭环管理

针对预警系统存在的预警率高、根源分析不到位问题，提出了从信号分层分类、法人信号参数自定义、信号监测、信号输入输出一整套管理体系，全面提高预警信号信服力，实现预警客户资产质量和预警信号可追溯、预警信号差异化管理与精准度分析、预警时效性数据的微治理等数据分析和数据治理功能。

2.萃取提炼共性指标，释放征信数据潜能

项目组一方面帮助法人机构进行征信特征排雷，另一方面提供完整了的解决方案。特征工厂的建设能较好地解决农商行征信数据应用较为片面、数据存储不规范等问题，项目组调研了征信数据使用较成熟的多家法人单位，通过分析提炼共实现个人约300个和对公约150个特征变量，可以很好满足法人对征信数据的诉求，同时也可以规范征信数据的使用。

3.灵活部署决策工具，实现快速响应诉求

项目组引入决策引擎系统，把业务决策过程通过图型化的方式部署在决策引擎系统中，实现了业务决策开发图型化、决策部署快速化和决策过程追溯可视化。系统采用租户模式，租户之间互不干涉，满足全省多法人要求。

4.建设标准数据底座，支撑全省数据分析

项目组完成了数据集市标准的认定和业务范围的论证，在省联社大数据服务平台进行落地，数据底座同步设计了网外单位的数据标准接口以及业务数据的回流方案，兼容网内外数据差异和业务差异，实现了统一数据标准和统一对外服务。

三、项目技术方案 

本项目实施全面依托省联社自研的大数据服务平台，采用Hadoop+国产数据库GBase的混合架构，实现海量数据的采集、存储、加工、传输等一系列数据操作，为业务开展提供了坚实的平台支撑和技术支撑。

在数据处理方面，针对批量数据加工，主要使用Hadoop+Spark+Hive的架构模式满足海量数据离线加工处理的业务场景；针对批量数据即时穿透分析，主要使用GBase列式存储数据库满足高并发、复杂即时分析查询的业务场景；针对实时数据加工处理，主要使用Flink/Ksql+kafka的双引擎模式满足实时指标数据加工的业务场景。

在应用开发方面，采用Springboot+vue前后端分离框架，可以实现真正的前后端解耦，代码更加易读、易维护，同时实现了应用的敏态开发，提高了开发效率。

项目整体架构图如下： 

本项目分为六个模块，分别为机构风险画像建设、预警体系建设、风险集市建设、业务模型管理平台建设、特征工厂建设、决策引擎平台建设，每个模块功能描述如下：

1.机构风险画像建设

机构风险画像建设分成3个板块，即信用风险画像、市场风险画像、定价风险画像。机构风险画像围绕监管指标进行深化设计，通过时间轴、象限图、矩阵图等图形工具分析客户质量变化、产品发展变化，对于设定的风险偏好可进行监测跟踪管理，实现对客户、客群、产品、业务、机构、区域限额管理指标的监测及预警，结合风险预警体系可对上述维度进行过程管理。

2.预警体系建设

（1）风险预警全覆盖。一方面，实现网内网外全覆盖，通过规则和信号穿透各法人单位特别是网外法人单位的客户、产品和业务。另一方面，实现信贷业务和非信贷（资金）业务全覆盖，针对非信贷（资金）业务设计开发专属风险预警规则模型。

（2）风险预警分层分类。①建立主题库。主要是对模型进行分层分类，与标签体系有机结合，快速定位到目标模型。②建立模型库。包括全选库与捷选库，其中全选库力求实效，精减通用信号；捷选库区分客群，设置专属信号。可以根据产品、客群特征进行定制。逐步将监测预警的对象及内容覆盖各个重点领域和重点环节。③建立重点库。完成隐性关联库等建设，逐步形成省联社对于全系统隐性关联圈的监测识别能力。

（3）完善风险预警建模工具。打造模型市场，发挥先进带动后进作用，形成共建共享机制。

（4）完善准实时监测功能。进一步调整准实时监测模块功能，增加清收金额等数据的自动统计功能，提升监测的针对性，减轻系统用户的负担。

3.风险集市建设

一是整合网内外法人单位数据，逐步形成统一标准的风险集市，形成可以向预警、偏好与限额、大额监测、不良资产等系统供数的能力。二是开展数据微治理工作。省联社风险统计分析人员可以围绕统计需要，制定取数规则，依据已有数据开展数据跑批，对于缺失和需法人机构核实的数据，派发任务单，指导法人单位进行补录和完善，并将完成分析的数据打上标签，在风险集市完成数据的存储，形成闭环管理。

4.业务模型管理平台建设

业务模型管理平台可以是内审人员也可以是信贷中台的审批人员和贷后管理人员；同时省联社信贷中后台管理部门也可以通过模型平台进行风险和业务分析。使用者通过模型平台可以实现预警信号加工、模型有效性验证、模型市场管理、各平台间联动等功能。建模人员可利用系统提供的可视化、拖拉拽式的模型探索工具，进行数据分析建模，无需掌握计算机编程技术。模型平台投产运行后，可以对模型使用情况进行监测和评估，适时调整模型参数和预警规则，并淘汰不适用的模型。

5.特征工厂建设

特征工厂旨在协助业务人员实现对指标的高效应用和管理，将传统依赖人工的指标查询、计算和验证的线下方式搬至线上，借助大数据、可视化技术，实现大批量进件相关指标的实时或离线批量计算和查询展示，显著提升审批或决策效率，标准化的指标加工计算逻辑也能降低决策人员的主观判断对业务的影响，实现规范化决策。此次主要业务场景为实现从获取征信报文到计算输出征信指标结果全过程的自动化，提供面向业务人员的中台系统，不必完全依赖技术人员就能轻松的完成人行征信变量衍生、计算、查询，以及指标日常运营管理和维护，对于提升业务决策效率有很大的助益。

6.决策引擎平台建设

决策引擎平台主要包括规则引擎、监控中心、数据接入以及对应的系统管理等，其中规则引擎是其核心功能，利用规则引擎对复杂的业务逻辑抽象化剥离出来的业务规则进行不同的分支组合、关联，然后层层规则递进运算，终输出决策结果的产品。规则引擎包括数据模型、函数变量、决策树、决策矩阵、决策表、评分卡、规则、规则函数、规则集、决策流等规则功能组件，同时配套对应的单笔测试、批量测试、联机部署等功能。

规则项目管理是规则引擎产品基础功能,用户可以根据不同业务场景创建规则项目,后续规则配置管理功能均建立在规则项目基础上所有数据模型、业务规则均以规则项目方式进行管理。

四、项目过程管理

1.需求分析阶段

此阶段时间段为2022年1月至2022年3月，其间主要完成了项目需求调研。提交了系统可行性分析报告、建设方案、需求规格说明书等文档。

2.系统设计阶段

此阶段起始时间为2022年4月至2022年5月，其间主要完成了各功能模块的高层设计、系统详细设计工作，提交了系统概要设计说明书、详细设计说明书、数据字典等文档。

3.系统开发测试阶段

此阶段起始时间为2022年5月至2022年8月，其间完成了系统编码开发、测试工作，提交了系统测试报告、上线方案、系统安装部署等文档。

4.系统投产上线阶段

系统于2022年8月投产上线，此阶段完成了系统上线评审及系统上线变更，提交了系统运行维护手册、试点应用准备等文档。

五、运营情况

基于国产数据处理底座的智能风控平台各版块建设稳步推进，系统功能相继投产上线，功能亮点逐步显现。

1.数据底座投产，紧扣数据的“多广好深”

数据底座在2022年10月份正式投产，数据底座以“多、广、好、深”为总体设计理念。数据范围不仅涵盖了常规信贷、资金和交易类数据，还纳入征信、工商和互联网业务等特殊来务数据。数据更好用。建设完成的征信特征历史库和信贷客户样本库，可为全省各类风险模型的提供丰富且精准的数据支撑，展业平台准入模型和利率模型可以优先使用。利用全省核销数据，加工15年以内的核销客户形成核销黑名单库，把核销情况折算成分数，通过接口方式开发给全省农商行使用。数据底座突破传统风险信用风险场景，打通了风险预警、机构画像、不良资产管理系统等各类系统的分析功能，有效联动机构、客户、产品的数据，实现更深更细致的分析画像，更好地支撑风险的精准识别。

2.机构画像平台，实现风控的“精准定位”

机构画像平台利用机构画像、矩阵分析、限额工具三大数据分析工具，对全省52家法人近三年的历史数据进行分析，共发现多家农商行存在业务发展短板以及各类问题，非常清晰地定位到这些机构近三年来的业务发展状态，也帮农商行的业务团队以数字化的视角，非常清晰地看到了机构近三年的发展趋势。

3.决策引擎应用，实现建模的“法人自主”

省版决策引擎上线后，如皋农商行率先在四季度使用决策引擎开发“如皋信贷工厂”项目，在决策引擎中共部署了多套评分模型和策略规则。实现贷前准入、贷中审查、贷后检查的细分规则细分和组件运用。以上评分卡和策略规则都由如皋农商行项目团队在平台上通过配置化实现，无需进行硬编码，通过决策引擎平台的有效支撑，实现了法人农商行对建模管理的自主可控。同步启动扬州、宜兴、徐州、紫金的决策引擎接入。

4.预警工具优化，瞄准预警的“降量提质”

分层分类预警。在客群层面实现大额贷款客户、不良客户等多客群，在产品层面实现经营性物业、互联网、担保公司等多种。可为农商行提供有效大额专属预警，并能精准识别他行退出客户。

预警模型优化。对现有模型规则进行调整，对预警对象、取数来源进行优化，对相似信号进行优化整合，在保障风险管控需要的前提下，降低模型数量。2022年四季度对多个预警模型进行优化，信号改造投产后，全省预警信号量降幅超过50%，预警触发量的减少，不仅有效提高了预警质量，还大幅减轻客户经理的处置工作量，真正实现“降量提质”。

六、项目成效

作为风控平台项目，直接产生的经济效益无法准确估算，以下将从三个方面阐述本项目带来的经济效益。

1.成本控制。一方面本项目的建设可以将原本分散在各个业务部门、各法人农商行的系统和数据整合到一起，避免了重复投入和资源浪费，从而实现成本控制；另一方面本项目采用国产化的星环大数据平台和Gbase数据库可以有效降低系统的建设成本。

2.风险管理。本项目通过数据分析、模型建设、风险预警等手段提高风险管理能力，避免不良资产和信用风险，减少不必要的资产损失和风险事件的发生，从2022年初至今，系统产生的红色预警信号个数近三十万个，累计预警客户数量近五万，有效提升风险预警的前瞻性和预见性。

3.业务增长。本项目通过提高风险管理能力和减少风险事件的发生，增强市场信誉和品牌形象，从而吸引更多的客户和业务，促进业务增长。

七、经验总结

建设基于国产数据处理底座的智能风控平台，搭建全省数字化风控体系是一项常态化、长期性、系统性工作，后续项目组不仅在技术层面要积极开拓进取，在业务关键决策端提供稳定、高效的技术支撑，而且在业务层面也要具备更多的业务视角，不断提出新的赋能点，做到“平台视角，汇聚全省”，为更好服务全省农商行，做到精准风控、精准赋能不懈努力。