一、项目背景及目标

为提升科技引领业务发展和创新能力，支撑大信贷平台智能风控体系建设，应对信贷各环节欺诈和信用风险，解决当前信用风险管理智能化、自动化程度不高等问题，本项目旨在构建一套全行级大数据信用风控系统，充分发掘行内外数据价值，构建信用风险数据集市，利用大数据分析与挖掘模型，为对私、对公等各类信贷业务提供贷前、贷中、贷后覆盖信贷全流程的各类风控决策支持。

项目建设的总体目标：

（一）实现全行各类信贷产品的信用风控体系建设。

（二）构建全行级大数据信用风控系统，为各类信贷业务提供覆盖信贷全流程的风控决策支持。

（三）形成完善的信用风险数据集市及信用风控规则、模型库，有效应对各阶段各场景的信贷信用风险。

二、创新点

本项目建设的主要宗旨是构建一套全行级别的大数据信用风控系统，以此来更好应对信贷各个环节所产生的信用风险，提升当前江西农信信用风险管理自动化、智能化程度，为对私、对公等各类信贷业务提供贷前、贷中、贷后覆盖信贷全流程的各类风控决策支持，并提高江西农信科技引领业务更好更快发展的能力。

（一）构建包含行内外数据的信用风险数据集市

汇集行内外各类相关数据，建立全新的信用风险数据集市，加工各类离线及实时信用风险指标，为各类风控规则、大数据模型提供基础数据和指标。基于高质量的外部大数据，本项目将构建精细化的风险计量模型组，使用数据挖掘等技术手段和多种引擎技术，这都将提升我行授信业务的数字化、自动化水平，体现数据的价值。

（二）设计授信业务全流程风控决策支持

构建授信业务全流程规则化、数字化、机控化工作机制，在贷前、贷中、贷后利用内外部数据，借助数据建模技术，充分揭示业务风险点，细化风险计量事项，让业务操作规程与“数据点”一一对应，让人设计规则、让机器控制规则，实现“放心的”在线自动管理。

（三）利用模型技术开发精细化的风险计量模型组

利用内外部数据资源，设计、开发基于大数据的客户信用评级模型组、系统性风险评级模型组、借款人及其关系人征信质量评级模型组、财务状况评级模型，以及以借款人为核心的投资关系图谱，用于支持本项目风险计量精细化目标的实现。

（四）使用决策引擎实现业务流程和决策规则的数字化

搭建强大的、可视化的业务决策引擎，“向上”支持业务人员设定业务处理规则，“向下”对接风险计量模型和大数据流处理平台，以便机器自动按照业务处理规则，逐节点处理业务，并将不能自动处理通过的事项，通过工作流引擎传递给相应岗位进行人工处理。

（五）决策引擎与模型平台

通过打造规则平台和模型平台，使得行内信用风控规则和大数据模型可落地，实现各成员行风控规则和模型的个性化配置。 

三、技术实现特点

 （系统整体架构）

大数据风控系统以数据集市建设为底座，以决策引擎与模型平台为中枢，以风控模型与规则的构建为手段，实现对授信业务全流程的风险信息或决策信息的输出。

（一）信用风险数据集市建设

本次风险数据集市建设遵循我行广域的业务应用需求，建立多层级的数据架构，构建基于本次大数据信用风控系统的有效支撑。其核心建设逻辑是：首先整合内外部数据，形成广域的宽表，能够涵盖行内信用风险的各个业务与管理环节，并建立时效性、有效性、可控性于一体的贴源层；基于行内外的源数据，进行面向业务应用领域的主题域划分，构建能够覆盖业务生命周期各个环节的整合主题，并在主题之下划分具有共同业务内涵的表结构，在表结构下钻取细粒度的相关字段，填充表结构，同时，能够对关键字段的业务属性进行维度划分，能够在应用层标识对应字段的维度，为后续整合应用建立基础；再有，能够利用模型计量技术，构建数据集市层面的模型层，对于业务中具有关键应用含义的数据项进行加工，以此满足高效、灵活、可穿透的应用需求；后，基于各层数据，构建应用端的指标层，能够满足指标的配置、计量和其他应用场景，直观诠释风险信息。

（二）风控模型与规则流转与处理

本次项目的主旨是基于信贷业务全生命周期，结合规则与模型进行风控策略的输出和控制，对照本项目的主旨，流程节点满足业务自身生命周期的需求，同时，本次流程节点的设计符合监管对于信贷业务流程节点要求，也符合目前业内主流的在线风控的流转标准。

1.规则节点设置

首先，基于现有的业务结构，及管理办法、操作规程等，形成完整的标准化节点，其节点包括：贷款受理、贷款调查、贷款风险评价、审议审批、合同签订、发放与支付、贷后管理，本项目的规则节点设计必须要满足监管和行内的实际节点，又应在此基础上将线上风控的相应特色节点进行整合和嵌入，包括了核心禁入、反欺诈、贷前风险探测等等，这些节点与传统节点相辅相成，既能满足传统业务的标准化要求，又能结合内外部数据，在资源佳配置利用的基础上大程度揭示乃至阻断风险。综上所述，其规则节点的设置如下：

规则适配：本节点为规则链的始端，基于基础产品、客户群分类、业务种类、所属行业、特定标签，将业务申请要素与现有的整体规则链相匹配，选择一组规则链进行流转。

核心禁入规则：本节点依据我行基本、底线的共性要求设置客户的禁入标准，用基本的原则，在小的资源消耗下，大程度的筛除一批不符合要求的客户。

贷前调查规则：本节点是利用内外部数据资源，结合业务操作录入贷前调查的数据，进行整合，为后续的准入、反欺诈、评级评分、风险探测等，提供必要的数据资源。

准入规则：本节点是将信贷政策和产品政策要求相结合，设置各个维度下的客户准入标准，通过相应的规则指标阻拦存在违背政策要求的客户。

反欺诈规则：本节点是线上风控的经典环节，其职能是通过设置特定规则的指标，结合内外部数据对于相关信息进行校验，对于存在疑问、矛盾、真实性问题的风险进行提示。

风险评级/评分规则：本节点是通过相关定性和定量的指标，赋予不同层级类型相应的权重，结合客户实际情况给与赋分，综合评判客户的风险程度，对客户进行排序和标识，得分越高风险越低。

贷前风险探测规则：本节点是设置不同等级的风险指标，通过内外部数据进行客户的风险识别，并将识别的风险划分成不同的风险等级，为后续的审批与重要条件落实、风险缓释分析、贷后等提供决策参考。

授信审批规则：本节点是对于其额度、定价、期限、还款方式等等作出判断，根据其风险大小给与科学、合理的审批意见。

合同与协议签订规则：本节点是通过授信审批后对于发放贷款前的必要条件校验，针对合同签订，信贷系统已有借款编号、贷款合同编号、抵质押合同编号的信息校验，本节点意义不大，暂不设计。

发放与支付规则：本节点通过统一授信系统、抵质押物系统对客户的授信做出限制。

贷后风险监测规则：本节点是线上化风控的通用做法，是对传统贷后管理的必要支撑和提升，利用内外部数据对客户贷后的风险进行提示，帮助提升贷后管理的时效性、准确性和持续性。

催收与资产保全规则：本节点重点监测抵质押物、担保人、以及催收中的联系方式、贷款状态（贷后风险监测中体现）的状态、风险信息。

2.规则节点流转逻辑与系统间交互

系统的规则节点流转首先充分响应业务操作中的各个环节，实现完整覆盖，同时，结合信贷系统，以及其他数据支撑的系统，共同形成全生命周期下的业务风控体系，并且在核心环节与信贷系统形成交互视图，直观的输出风险决策信息，辅助业务系统开展风控工作，具体逻辑如下：

3.规则节点处理逻辑

关于本系统的规则节点处理逻辑，针对其配置、运算、展示、处理对象与触发逻辑作出以下说明：

本系统的所有规则均由【决策引擎平台】进行配置。

本系统所有规则节点的指标、模型运算结果均能够查看运算逻辑，其运算逻辑同样属于配置内容，对于任一指标或模型的运算逻辑、阈值设置，均可以在决策引擎平台作出调整。

所有规则节点中的指标、模型，其运算结果均赋予标准化的输出格式，所有规则节点的输出都由交互视图进行整合，本期项目暂不与信贷系统生成“阻断、拦截”等实施的强制交互，所有节点均已交互视图的形式给与决策意见。

本次系统的规则运算逻辑主要包括四类：

（1）指标命中类

该类规则是通过实时或批量触发，对指标挂靠的对象进行相关数据的加工运算，每个指标都有运算逻辑，对于运算后达到或超过规则设置的阈值的，按照对应的输出规则进行输出，该类规则包括：

核心进入规则、准入规则、反欺诈规则、贷前风险探测规则、发放与支付规则、贷后风险探测规则、催收与资产保全规则。

（2）评级模型类

该类规则是基于评级模型的原理，通过指标大类、指标大类权重、指标项、指标项权重、指标项阈值分档、指标项阈值分档赋分等层级，对于评级或评分的对象进行逻辑运算，其运算结果或是直接输出（评分模型），或是通过主标尺映射后输出（评级模型），该类规则包括：

评级模型、评分模型。

（3）层级化运算规则

该类规则主要用于授信审批，其逻辑是将运算对象通过多层进行分项运算，每一层设置特定运算目标，并在所有层级运算完成后，通过既定规则将各层的运算目标结果进行整合，终按照输出形式进行输出，该类规则主要包括：

授信审批（额度测算规则）、授信审批（定价测算规则）、授信审批（期限测算规则）。

（4）信息整合加工类

该类规则主要针对贷前调查的信息采集，其逻辑是通过信贷系统发送的相关数据信息，结合CRM/ECIF等系统，进行系统内整合加工，形成贷前调查宽表，为后续的规则提供数据支撑，其规则包括贷前调查规则。

（三）决策引擎平台

决策引擎平台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。

传统的风控决策引擎主要实现规则的逻辑判断， 本次决策引擎的建设在传统的基础上功能更加丰富，可以实现规则、评分卡、模型、表达式等多种类型的逻辑嵌套，实现层次更加丰富的逻辑运算，满足现在的互联网金融业务要求；

风控决策引擎平台，包含的常用功能模块主要是规则、评分卡、模型、表达式、决策流。

（1）规则模块

规则模块常用的产品实现方式主要有规则集、规则表、规则树。

规则集

其中规则集分为普通规则、循环规则，普通规则由变量、表达式、条件值、决策结果组成。 

规则表

规则表是一种表格形式的规则工具，在处理判断条件较多的时候，决策结果较多的情况时，可以快速定义出决策规则。

虽然风控决策结果输出的结果类型不要求多样化，但是规则种类、数量很多，采用规则表方案实现规则的决策配置可以更加便捷、清晰。

规则树

规则树也是规则集的另一种表现形式，在展示上更加形象，在风控业务上通过规则树、规则表进行规则的配置可以更加形象、快捷。

其中每条规则的实现方式同普通规则，都有变量、表达式（条件）、条件值、决策结果（变量赋值）构成。

（2）评分卡模块

评分卡是对目标的信息进行分析打分的表达方式，表示此人或此机构由于信用活动的拒付行为所造成损失风险的可能性，评分通常用于对个人或机构的风险管理与评估。

评分卡实际也是规则的变形，通过有变量、表达式、条件值、得分四部分组成，当然评分卡还会有得分的计算方式，例如求和、加权求和等。

（3）决策流模块

决策流它实现整个分开工决策引擎的工作流配置，用来对已有的规则、评分卡、模型、表达式进行执行顺序的编排，清晰直观的实现大型、复杂的风控规则。

决策流核心的构成包含“开始节点、规则/评分卡/模型等已封装好的规则包节点、决策节点、分支节点、聚合节点。

决策引擎除了以上核心功能模块以外，为了风控决策引擎灵活多变，能够实现尽可能多的风控业务场景，通常会实现规则、评分卡、表达的相互嵌套调用，更好应对不同的风控业务场景。

（4）风险驾驶舱

以统一风险驾驶舱视图实时展示各类风险信息，包括但不限于地理位置、发生渠道、业务类型、告警级别、风险特征信息等内容，并能生成整体和专项的风控报告和关联风险清单。

能够通过图表的形式为我行提供总览全局的风险展示，支持省农信及各法人机构下多层级、多角色视角，展示对应层级、对应角色辖下客户的风险汇总信息。展示的汇总统计内容包括：对应下辖区域的地图可视化风险信息统计、风险变化趋势分析、分机构风险客户统计、分等级风险信息统计、分客户风险信息统计、分处理状态客户信息统计、客户实时风险信号的大屏滚动提示等内容。

风险驾驶舱具备时点报告、趋势分析等功能。支持风险的历史情况纵向比较、风险预警在各渠道、各业务线的横向比较。风险类型包括但不限于交易欺诈风险预警、信贷申请风险预警、操作行为异常、风险名单预警、人工审核审批预警等，支持各类风险下钻查询。

四、项目过程管理

（一）需求分析与概要设计阶段

此阶段时间段为2019年12月至2020年3月，其间主要完成了业务调研、业务需求分析、风控模型与规则设计、业务功能和技术架构的高层设计。提交了调研访谈报告、差异性分析报告、业务需求说明书、软件需求规格说明书、风控模型与规则清单、概要设计、系统架构设计、数据分析与映射等文档。

（二）系统详细设计阶段

此阶段时间段为2020年3月至2020年4月，其间主要完成了系统详细设计工作、接口设计文档，提交了大数据信用风控系统详细设计说明书等文档。

（三）系统编码、测试和上线准备阶段

此阶段时间段为2020年4月至2020年12月，其间主要完成了大数据风控系统客户化代码的编码、测试及上线准备工作。其中2020年9月份完成全部开发工作，2020年10月份进入测试阶段，期间共进行三轮UAT测试，每个测试周期为三周。提交了系统测试案例、测试报告、上线方案及操作步骤、系统应急预案及回退方案等相关文档。

（四）系统上线推广阶段

此阶段时间段为2020年12月至2021年4月，其间完成了部分线下产品线上风控化的试运行，并根据上线的情况，为推广实施提出了相关优化需求。

五、运营情况

大数据信用风控系统上线以来运行稳定，无宕机及重大异常情况发生，有效支撑各类业务线上风控识别与决策输出，各项性能指标均为正常，满足我行未来五年业务发展需求。

六、项目成效

大数据信用风控平台的推广使用实现业务、数据与系统“三位一体”的整合管理理念，强调整体层面的风险组合管理，通过有效地构建一个持续的、完整的风险管理框架，从治理架构、管理政策与程序、制度与办法等实现规范的标准化。线下到线上风控模式的改变，极大提升授信审批效率，提升客户体验度与凝聚度。

同时本次系统的建设从架构与系统层面满足向风控中台方向扩展的技术基础，逐步实现从客户维度向更加贴合业务与产品的风控模型与规则体系的构建，实现从智能获客、反欺诈、评分/评级、额度测算、定价、放款审批及智能贷后的全流程风控体系，实现授信业务的风控由线下模型到线上化、线上数字化、数字智能化的逐步提升。

七、经验总结

通过大数据信用风控系统的建设，实现通过对外部大数据的利用构建风控模型与规则，及时有效的对风险进行识别、监测、控制与缓释的全流程管理。将风险的识别由传统人工方式贷后阶段识别升级到贯穿整个授信全流程，并及时的将风险视图或决策信息应用授信各个阶段，有效提升了我社的风险管控能力，并结合项目中对于风险数据集市的建设提升在数据治理与数据共享方面的能力。