一、项目背景及目标

当前金融行业，已经从传统的线下经营模式，逐步转向线下+线上的数字化的经营模式，我行基于数字化决策的业务不断增多，并形成了一系列多维数据整合的经营分析及信用风险分析模型，在业务转型、风险模型管理、支撑业务产品快速迭代、模型运行感知能力的等方面的需求旺盛，对建设智能风控决策平台的诉求日趋强烈，同时数字化能力应用的基础平台建设，也契合我行下决心构建数字化风控转型的战略要求。智能风控决策平台是我行数字化转型和业务智能化风控体系建设的重要系统平台，贯穿风控全流程，支撑华润银行数字化风控转型，应对各种复杂、多维的业务场景，助力业务线上化、自动化、高质量发展，提升风险管理效率与水平，为我行风险管理、业务决策等需求场景提供快速落地与迭代的风控决策平台支撑。

二、创新点

1.模型全生命周期管理

智能风控决策平台的模型全生命周期管理体系主要包括模型风险管理和模型审批流程自动化。模型风险管理主要是对我行业务模型进行分级分类管理，准确定位模型分类和风险级别，对不同级别的模型以及模型迭代的影响程度进行差异化管理，更加灵活的管控模型的上线和迭代。模型审批流程自动化主要是增设模型需求审批、评审审批以及部署实施审批等线上化管理功能，支持业务核查、业务流转、节点跟踪和核查复核，实现业务审批流自动化流转。

通过构建模型全生命周期管理体系，制定了标准化统一化的管理办法，实现了风控模型全流程线上化管理，提高了审批工作时效和模型管理智能化水平，且模型各个处理阶段全程留痕，亦能满足监管合规要求，为全行业务发展及管理增效赋能。

2.组织重塑

智能风控决策平台内置多种方法和算法逻辑，支持指标、规则、模型、函数等多决策类型的可视化配置，极大地降低了业务人员的学习成本和开发成本，从而得以实现新的工作模式，即90%业务人员自主配置+10%科技人员辅助，重新定义了科技和业务工作分工。在这种工作模式下，业务人员负责开发、测试和上线业务模型以及后续的优化迭代，而科技人员则负责协助业务配置和优化决策流程、接口对接、数据源对接、指标开发以及复杂逻辑的实现等等。通过业务策略快速开发、在线实时测试、业务自助分析与发布，实现多个业务模型并行开发，极大提高了模型的交付、更新迭代效率。

3.风控决策管理闭环

智能风控决策平台运用大数据和人工智能等前沿技术，构建了以数据驱动业务策略制定，并通过决策数据沉淀反向优化策略的风控决策管理闭环体系。如图1所示，第一步为业务人员利用行内外多方数据制定风险策略模型；第二步将策略、规则、模型编排为可执行的决策业务流；第三步通过大盘实时呈现整个决策过程、结果以及监测情况供给业务进行分析；第四步进一步优化数据来源、结构和策略模型以及决策流设置。

图1 风控决策管理闭环

三、项目技术方案

智能风控决策平台是以数据为基座、决策为目标，提供全局掌控、指标库、风险决策、监测预警、业务决策模型配置等全服务的智能风控工具平台体系。如图2所示，结合数据中台的数据服务、可视化建模平台的模型开发能力，配合智能决策服务，我行数智化风控体系可实现“数据、洞察、决策、行动”的全流程贯通，充分发挥数据价值应用，极大提升数据对业务的即时决策的作用。

图2 数智化风控体系

1.模型管理

智能风控决策平台已建立模型全生命周期管理体系，完善了模型全生命周期管理工作流程，在业务决策模型基础上增设模型需求审批、评审审批以及部署实施审批的线上化管理功能，提高审批工作时效，提高模型管理智能化水平，促进业务模型敏捷迭代，同时加强监管对信用风险模型的管控要求。

2.特征库管理

行内沉淀了大量行业数据，为了有效挖掘和应用这些行业数据，实现各部门之间的数据快速整合共用，建设了全行统一的指标特征库。智能风控决策平台逐步对接了零售信贷、公司信贷等行内系统数据以及工商、司法、舆情、征信、发票、税务等众多外部数据源，构建了基于工商、司法、征信、黑白灰名单等多维度的信用风险特征库，赋能业务模型高效开发，已建成投产风险特征2000+，应用到各产品贷前、贷中、贷后的各个场景。

3.风险决策管理

智能风控决策平台可为业务提供多场景风险决策支撑。智能风控决策平台具备决策模型快速开发迭代、在线实时测试验证能力，支持指标、名单、规则集、模型、函数、决策工具等多种决策类型，使业务人员可以自主开发各种风险规则模型，改变以前的硬编码半自助形式。平台还具有决策分析、数据统计分析、监控预警、自定义报表等能力，可进一步提升风险感知效率。此外，决策模型可以持续积累黑、灰名单与决策知识，不断反哺给业务，利于决策模型迭代优化。

4.数据管理

智能风控决策平台所具备的数据管理能力，是其高效运行和准确决策的重要基石。平台通过三方数据管理、服务接口管理、数据源管理等模块制定了统一的数据标准和规范，确保不同来源、不同格式的数据能够在平台进行无缝对接和高效处理，有助于消除数据孤岛，提高数据的可用性和时效性。同时，平台严格遵守相关法律法规和行业标准，对数据进行加密存储和传输，且数据调用、查询等明细信息均可追溯，确保数据安全合规，平台还建立了完善的数据访问权限管理机制，防止数据泄露和滥用。

此外，有效的数据监控对于反哺决策过程至关重要。平台在支持开发并高效部署机器学习模型的同时，尤为注重对模型关键指标的监控，这包括但不限于KS（Kolmogorov-Smirnov）值、PSI（Population Stability Index）值等重要衡量标准，帮助我们快速捕捉模型性能波动和模型偏差。平台的自定义报表功能也提供了直观、准确的数据支持，业务可通过配置个性化报表实时监测进件数据，如规则命中率、审批拒绝率、客户特征分布等，便于帮助业务发现不同数据项之间的关联关系，及时调整关键业务指标、规则和模型，优化决策过程。

四、项目过程管理

智能风控决策平台的建设充分考虑未来业务发展和管理变化，支持对新业务和新需求模式的扩展，以平台化的建设思路服务我行各业务部门的多样化需求。

2022年底完成项目立项、实施建设以及初期投产。

2023年正式投入运营，完成一期项目建设，内容包括逐步对接内部管理、业务渠道、数据渠道系统，并不断进行各业务条线的模型迁移改造及迭代优化。

2024年，大力投入对模型全生命周期管理与指标特征库体系的建设，实现模型审批自动化流转，服务场景从准入、审批模型扩展到定价、定额、预警、欺诈等贷前、中、后各个环节。

2025年，着力进行模型监控监测体系建设，并逐步迁移零售信贷业务风险模型，加大内部推广力度。

五、运营情况

已推广至个人金融部、供应链金融、公司金融部、公司数据金融部、中小企业部、个人信贷部、风险管理部、信贷审批部等业务部门，服务于各部门业务条线的产品和场景。

（1）服务产品总计16个：如金采贷、润金池、反向保理、信贷审批、润科贷、票e贷、金销贷、专精特新贷、分离式保函、快抵贷等；

（2）应用场景涵盖贷前、贷中和贷后，包括授信业务准入、审批、定价、定额、贷后预警监测、授权以及资产组合推荐等。

（3）目前上线策略模型80+、特征指标2k+，决策交易笔数达30W+（含贷后批量交易）。平台上线以来，单从决策模型的应用研发人力投入角度看，不考虑需求量大规模增长的情况，研发人力成本下降150+%，交付效率提升300+%；传统决策分析从线下数据采集到完成数据分析需1周左右的时间，项目达产后，提升至准实时/T+1日(不同类型监控时效有差异)，分析效率提升500+%。

六、项目成效

1.经济效益

2024年助力产业金融业务条线放款约246亿，助力中小企业业务条线放款约193亿。

2.社会效益

服务中小微企业7k+，为中小微企业和个体工商户破解融资堵点，助力实体经济发展。

七、经验总结

项目建设过程中存在以下实施难点：

实施难点1：信创兼容适配

解决方案：对多家厂商展开调研，采用分层解耦架构设计，通过中间件与容器化技术实现国产化芯片/操作系统无感切换，完成信创基础软硬件全栈适配。

实施难点2：智能风控决策平台需对接各业务条线的业务数据以及行内外黑白名单、工商、司法、企查查、征信等数据源，这些数据具有不同数据标准和规范，且有大部分历史沉淀数据未能得到有效处理和应用。

解决方案：构建全行级数据资产地图，通过三方数据管理、服务接口管理、数据源管理等模块制定统一的数据标准和规范，确保不同来源、不同格式的数据能够在平台进行无缝对接和高效处理，有助于消除数据孤岛，提高数据的可用性和时效性。同时，平台严格遵守相关法律法规和行业标准，对数据进行加密存储和传输，且数据调用、查询等明细信息均可追溯，确保数据安全合规，平台还建立了完善的数据访问权限管理机制，防止数据泄露和滥用。

实施难点3：智能风控决策平台通过可视化配置功能，实现了90%常规模型业务人员自主配置+10%复杂逻辑科技人员辅助开发的敏捷协作范式，从根本上颠覆了传统“业务提需-科技编码”的线性作业模式。然而，平台落地推广面临挑战，业务人员需突破既有认知与操作惯性，完成从需求提出者向模型开发者的角色转型，需经历体系化培训才能独立完成全流程操作。

解决方案：科技团队通过编制标准化系统操作手册及场景化培训课件建立规范化指引体系，并组织全行级宣贯培训夯实业务人员认知基础。在落地执行层面建立"全流程陪伴式赋能"机制：开发人员深度介入业务需求分析环节，协助完成风控模型逻辑拆解与决策流程设计，针对首次使用系统的业务人员开展"手把手"实操指导；在模型配置、测试验证、上线监控等关键节点提供技术兜底保障。对于涉及多系统联动的复杂规则逻辑，由科技团队负责开发实现，确保业务侧70%常规需求可通过自助化工具快速落地。