写点什么

中小银行如何构建智能风控体系?明确业务需求比盲目求新更重要

  • 2023-10-31
    北京
  • 本文字数:5433 字

    阅读完需:约 18 分钟

中小银行如何构建智能风控体系?明确业务需求比盲目求新更重要

随着客户需求的演变以及金融机构与客户互动方式的刷新,传统的风控手段开始失效,中小银行的风控体系也必须相应做出迭代与升级。但和大型金融机构相比,中小银行在资源、人才、业务规模等方面都不具优势,在业务发展和推进数字化过程中,面临着一系列特有挑战。


在日前的《超级连麦·数智大脑》直播中,InfoQ 与重庆工程学院大数据与人工智能学院院长李钦深入探讨了《中小银行智能风控体系是如何构建的。他强调,在这一现状之下,构建智能化风控体系首先必须明确业务战略,顶层设计和规划非常关键,同时实施过程要确保重点突出,优先级安排符合业务实际需求。


另外,还要注重建立容错机制,以避免机构走入常见的误区。此外,健全的数据管理是构建这一体系的基石。在此基础上,整合系统和工具、完善策略模型以及关注宏观经济风险,都是确保风控体系的关键因素。


在李钦看来,大数据和人工智能技术在风险管理领域的应用已经相当深入,与此同时,大模型、AIGC 等新兴技术也正逐步崭露头角。尽管它们目前还处于探索阶段,但未来的发展潜力无疑是巨大的。


以下是对话全文(经 InfoQ 进行不改变原意的编辑整理):

中小银行发展现状与数字化挑战

InfoQ:是否可以从您的视角介绍一下我国中小银行目前整体的发展现状?


李钦:中小银行当前面临的发展现状和挑战大致有以下几方面:


资产质量下降:受到国内外经济形势影响,中小银行的资产质量明显下降。特别是那些以服务小微企业和长尾人群为主的银行,这种趋势更为明显;


资产规模增长放缓:大多数中小银行的资产规模增长已经放缓,有的甚至停滞不前,但也有少数逆势而上,资产规模增长迅速;


产品同质化严重

  • 在小微领域,尽管许多银行都视之为战略目标,但实际上他们提供的产品如税贷、订单贷、流水贷等在功能上高度相似,导致产品同质化问题尤为突出。

  • 对于 C 端用户,中小银行受限于其获客能力,流量基本被大型互联网平台所控制,议价空间小,缺少自主品牌。也导致他们在这一方面的产品同质化问题可能更加严重。


人才和思维方式的问题:中小银行在人才战略、思维方式转变上存在显著的短板。例如,很多中小银行虽然会进行战略思考,但其战略方针可能更换频繁,反映出管理层的思路并不统一。同时,由于动力不足、思维方式转变不及时以及某些地方性的限制,导致它们在人才招聘、人才储备和人才战略规划方面存在不足。

InfoQ:基于这些现状,中小银行在推进数字化过程中面临着哪些独特挑战?又有什么新的发展机会?


李钦:在过去的几年里,中小银行在追求数字化转型时,主要选择了以 C 端作为突破口。这为它们创造了一个与流量丰富的互联网平台合作的窗口期。


然而,这种模式下,许多银行往往只起到了资金提供者的角色,大部分关键业务流程如获客、营销、品牌运营和风控等都被互联网平台所控制。这导致中小银行在这种合作中丧失了定价权,获得的收益相对较低,而风险承担却相对较大,存在明显的风险与收益不匹配的现象。


但未来,中小银行的新的发展机会或将集中在产业互联网领域。与 C 端不同,B 端的每个行业和垂直领域都有其独特之处,这使得它不易被单一的公司或企业类型所垄断。此外,新技术与特定产业的深度结合将会为金融产品创新提供新的机会。


为此,中小银行应当挖掘自己的地域和行业特色,深入研究产业互联网,以此为基础创新并打造出真正具有竞争力的产品。这不仅能够帮助中小银行弥补在 C 端的短板,还可以让它们在 B 端市场上获得更大的话语权。

风控体系的演化与痛点

InfoQ:风控是金融业务的命脉,近年来金融环境和金融业务范畴也日益复杂多变,在风控层面会面临哪些新的难题?


李钦:风控分为两个层次:管理层面技术层面


首先,从管理层面看,当前的宏观经济形势较为复杂,使得中长期的判断变得困难。许多中小银行在风控上过于强技术层面,忽视了从宏观经济趋势出发去调整资产结构的重要性。风控在较高的层次上,应当首先考虑宏观经济的趋势,并根据这一趋势提前布局资产结构,积极主动调整如何投放节奏。这可能比单纯针对具体产品或客户级的风控更为关键。


其次,防范系统性风险是另一个重要议题。技术层面的风控虽然能够解决具体操作中的问题,但在更宏观的层次上,我们还需识别未来是否存在某些领域的系统性风险。


另外,从产品设计的角度看,传统金融机构在设计产品时更多是出于自己的角度,提供给客户的选择相对有限。但近年来,金融行业逐渐追求为客户提供“千人千面”的定制化产品,这无疑给金融机构带来了新的挑战。更重要的是,在产品设计时,若未充分考虑风控的需求,如所需数据、流程设计等,这可能会导致产品在后期的风控中出现问题。


风控管理中,客户级的风险管理是另一个重要环节。特别是对于线上业务,客户级风控主要从两个方面展开,反欺诈风险策略模型。然而,在进行客户级风险管理时,常面临的问题是缺乏数据、技术支持、专业的模型人员或风险策略分析人员。这些因素可能阻碍建立一个健全的风控体系。为应对这些挑战,我们在过往的实践中,逐步搭建了一套完善的风险管理体系,并计划在 11 月的 FCon 大会议进行详细介绍。

InfoQ:风控手段一直都有,但为何它们在现在的金融业务环境中失效?


李钦:首先是客户本身的变化,过去,金融服务可能主要针对优质人群。但随着普惠金融的推进,目标逐渐转向服务更多的“长尾”客户。这部分客户往往可能连基本的征信记录都缺乏,导致他们在选择金融服务时,能够获取到的服务有限。为满足这种新的客户群体,我们需要引入新的技术,收集更多的数据维度,以更有效地进行风险管理;


其次是与客户的交互方式的变化,与客户的互动方式已从面对面的交流转向线上互动。这种线上的交互方式,尽管带来了便捷性,但同时也引入了新的风险。例如,金融机构不仅要面临信用风险,欺诈风险也日益凸显。由于我们无法面对面与客户接触,可能会遇到如假冒身份、提供虚假资料或伪造数据的风险。甚至有些人可能利用系统的漏洞,对风控体系进行攻击。这都是新技术应用在风险管理中可能引发的新问题。

InfoQ:智能风控本质上是结合大数据和人工智能等新技术来提升金融业务的风险识别与处理能力。那么,金融机构具体如何利用这些技术来加强其风控体系呢?


李钦:首先,大数据技术提供了数据存储、计算和数据处理能力,可以用于开发和应用算法、图像、语音和非结构化数据等,以提高风险管理的效率和准确性。在风险管理中,我们通常需要外部购买一些数据来识别多头风险,例如短期内多次申请贷款或信用卡的行为。这些数据可以从侧面反映客户对资金需求的量或是客户是否成功申请,从而提供关于客户信用风险的信息。


通过将大数据技术和人工智能技术结合起来,我们可以更准确地识别和评估客户的风险,并采取相应的措施来管理和控制风险。当然,反欺诈分析也已广泛运用人脸识别知识图谱技术。大数据人工智能技术在风险管理中的应用已相当成熟,而像 AIGC ChatGPT 这样的新技术也逐渐被引入,尽管目前处于初级阶段,未来将会有很大的空间。


其次,像数据采集和模型优化有许多的方式,例如与征信机构的合作,尤其是如何深度挖掘人民银行征信数据,因为它在金融领域的质量和相关度最高。当然,也有许多中小银行与科技公司联手,推出定制模型和数据产品。

InfoQ:新技术的引入会不会影响客户体验,如何在保持业务风险可控的同时,确保良好的客户体验呢?


李钦:客户体验与业务发展并不矛盾。当客户体验不佳时,因逆向选择现象业务风险会增加,因为好客户可能因为操作麻烦而选择退出,而坏客户不在意这些繁琐。另外,客户体验在设计额度和利率时都极为关键。我们的经验是,应该尽量简化客户的操作并避免给他们带来理解上的困扰,同时给到合理的定价和额度。


当前,许多机构,尤其是城商和农商体系,往往将各部门任务严格划分,如产品、风控、市场和运营各自为阵,这可能导致整体视角的缺失,从而设计出的产品可能面临不可预见的问题。因此,现代的互联网金融产品运营应当采用项目小组的方式,从产品设计开始,集结风控、科技等多方人员参与,确保从整体角度考虑产品的每个环节

智能风控体系搭建思路与路径

InfoQ:随着大模型的引入,它将如何影响或颠覆当前 AI 所执行的任务?


李钦:在当前金融环境下,数据分析和风险建模的专家们因其高技能和专业性得到了普遍的认同,相应的薪资待遇也相当吸引人。然而,随着大模型和先进算法的出现,许多传统的、标准化的数据处理工作在未来有可能被大模型所替代


事实上,一些银行已经提出并尝试实施了“数字员工”的概念,这种应用最初主要体现在与客户的交互服务和催收过程中。在我看来,只要某项工作可以被抽象和标准化,如数据准备、样本标记和算法选择等,它们都有可能被自动化技术取代。


尽管如此,目前在信用风险领域,大模型的应用仍相对有限,多数机构更偏好于使用逻辑回归和基于决策树的集成算法,原因在于这些方法更易于解释和部署,且具有较好的稳定性。


可以预见,随着数据的不断增多和计算能力的提升,超大规模的模型在未来将得到更广泛的应用。除了信用风险领域外,如声誉风险管理,大模型可以帮助机构更有效地监控网络上的负面信息,如敏感词汇、图片和文字。此外,催收领域和与客户的实时交互也是大模型应用的重要方向。

InfoQ:在推进智能风控的过程中,您认为金融机构最容易遇到的挑战或误区是什么?


李钦:金融行业在推进智能风控时,确实面临着不少挑战。


首先,缺乏顶层设计是许多银行的通病。为了快速上线业务,很多银行在科技层面忽视了系统架构的规划,导致后期数据规范不统一、系统交互复杂,给后续的分析、建模和监管报送带来巨大困扰。因此,业务前期的数据规范和系统架构设计至关重要。


其次,团队管理也是一大难题。数字化风控涉及的核心能力分散在多个团队中,如科技部、业务部门、风险管理部和产品部等,需要这些团队能够紧密合作,形成敏捷的工作小组,共同面对和解决问题。


另外,容错机制的建立也不容忽视。互联网产品推出后不一定立即成功,因此应为其提供一定的试错机会和成本,让其有更多的尝试空间。金融机构在产品运营时,通常为产品设定一个最高的风险承受额度,超出此额度则认为产品的成功几率低,可能会考虑退出。


最后,机构在风控建设上常面临的挑战是目标不明确资源分配不当。虽有大框架,但缺乏明确的实施进度和水平标准。这导致各团队频繁沟通,争取资源,却可能忽视真正重要和紧急的任务,增加了内部的消耗和跨部门的沟通成本。因此,建议机构应明确目标和优先级,集中资源处理关键问题。

InfoQ:对于一个金融机构,特别是中小型银行,如何构建与其定位相匹配的战略顶层设计?


李钦:在风险管理中,金融机构应综合考虑多个方面。


第一,数据管理是基石,包括如何有效地采集数据、进行存储、后续的数据清洗、加工、指标化和变量化。


第二,有了稳固的数据基础,接下来是系统和工具层面。这里不仅包括决策引擎,还有分析工具和建模环境等,确保风控人员能够轻松调取数据并进行分析。


第三,策略和模型层面是至关重要的。这要求有一套完整的、科学的风险处置策略,并与团队的专业能力及策略方法论相结合,实现策略的高效开发、优化和迭代。


第四,金融机构往往涉及多个参与者,如流量提供者、担保公司等,因此合作机构风险管理也不容忽视。这需要对合作机构的风险特点有深入了解,并设定相应的管理策略。


第五,产品风险管理是确保每款金融产品的风险处于可控范围内的关键,包括对产品可能出现的风险进行预警、分析和干预。第六,考虑到宏观经济的影响,金融机构还应关注宏观经济风险,如何根据这些风险制定策略,确定资产组合等。

InfoQ:您认为,在现有的框架体系中,大模型将会在顶层设计的哪一部分发挥作用?


李钦:大模型相对于传统的小模型有明显的区别。小模型主要处理结构化数据,计算复杂度相对较低,而模型样本量通常只在几十万至上百万的范围内。相比之下,大模型的参数数量庞大,能够处理更复杂的数据格式。尽管两者在高层次逻辑上基本一致,但大模型在数据处理层面与现有模型有很大的差异。


此外,模型构建是一个复杂的过程,涉及到算法选择、模型训练环境和数据来源等多个环节。因此,大模型不仅会影响数据处理层面,还与数据层和系统工具层存在紧密的交互关系,两者之间相互影响。

InfoQ:对于中小银行,在构建您提及的风控管理体系时,应特别关注哪些问题?


李钦:首先,中小银行在搭建风控体系时,首先必须明确业务战略。同时顶层设计和规划非常关键,同时实施过程要确保重点突出,优先级安排符合业务实际需求。


另外,非常重要的是在认知层面,风险管理不仅是风险管理部门的责任。一个普遍的误解是,当风险发生或不良率上升时,只有风险管理部门需要对此负责。实际上,组织协调和业务风险是业务全流程的责任,需要整个团队的认知和配合。


在具体实施中,风险能力有多个组成板块,这将我在 11 月 FCon 大会中的重点分享内容。我们基于历史经验,提出了一套智能风控能力的评价标准,具有很高的科学性,期待在会议中与大家分享,帮助解决中小银行的实际问题。

关于 FCon

首届FCon全球金融科技大会将于 11 月 19-20 日在上海举办。本次大会已邀请到工商银行、招商银行、汇丰银行、兴业银行、中信银行、北京银行、平安人寿、度小满、蚂蚁集团等业界知名银行以及金融机构的大咖,前来分享大模型、 Web 3.0 、隐私计算、数字货币、区块链等前沿技术在金融领域的落地案例。


我们诚挚地邀请您加入我们,共同探索金融科技的未来,点击链接即可查看全部演讲专题。


目前是 8折特惠购票,报名立减 ¥1360,咨询购票可联系:17310043226(微信同手机号)。



2023-10-31 14:384209

评论

发布
暂无评论
发现更多内容

如何用极狐GitLab 为 Android App 创建自动化CI/CD?详细教程来了

极狐GitLab

自动化 CI/CD Android; keystore fastlane

AI绘图:艺术与科技的交融 | 社区征文

IT蜗壳-Tango

年中技术盘点

第四届“先导杯”全国挑战赛正式开赛 百万奖金等你来拿

科技热闻

英特尔x MAXHUB:以创新解决方案掀起“智能协作”新浪潮

E科讯

我来泼盆冷水:正面迎击AI的时代千万别被ChatGPT割了韭菜

EquatorCoco

人工智能 信息安全 ChatGPT

AI与数据双向赋能,DingoDB成向量海时代超强引擎

九章云极DataCanvas

【Linux系统】fdisk相关分区命令。

百度搜索:蓝易云

云计算 Linux 运维 服务器 fdisk

如何理解小程序插件?微信及支付宝官方详解

没有用户名丶

Centos8 stream系统编译安装Nginx1.22教程。

百度搜索:蓝易云

nginx 云计算 Linux centos 运维

影响云安全的因素有哪些?如何保障云安全?

行云管家

云安全 企业上云 堡垒机 自动化运维 云管

阿里商旅账单系统架构设计实践

阿里技术

账单 阿里商旅 账单系统 账单数据

模糊测试公布结果,大众漏洞被曝光

云起无垠

网络安全 模糊测试

火山引擎DataTester:三类AB实验,让企业营销拥有灵敏“网感”

字节跳动数据平台

大数据 A/B测试 对比试验 企业号 7 月 PK 榜

打造数据处理新范式,DataPilot畅游数据向量海

九章云极DataCanvas

《APaaS应用实施方法论》电子书正式发布

明道云

全面构建AI能力,AIFS为AI产业发展按下“加速键”

九章云极DataCanvas

Filter for GO

数由科技

前、后端通用的可视化逻辑编排

悠闲的水

低代码 逻辑编排 低代码平台 可视化编排 可视化开发

在 K8S 中只会 CI 不会 CD ?3 种方式,让极狐GitLab 和 K8S 高效协同!

极狐GitLab

DevOps 云原生 k8s CI/CD 集成

一文讲透 Redis 事务 (事务模式 VS Lua 脚本)

不在线第一只蜗牛

Lua脚本 redis 底层原理 Redis 可视化工具

你的极狐GitLab SaaS上开启这些设置了吗?代码安全,安心下班!

极狐GitLab

gitlab CI/CD DevSecOps 代码安全 软件供应链安全

大模型时代下的全新变革

九章云极DataCanvas

性能最快的代码分析工具,Ruff 正在席卷 Python 圈!

EquatorCoco

Python 开源 框架

【有奖互动】开发者版本新特性,你期待哪些更新?#HDC.Together2023#

HarmonyOS开发者

HarmonyOS

九章元识大模型加速AI产业创新发展

九章云极DataCanvas

Nautilus Chain 主网上线,创世 ZBC 质押即将开启

鳄鱼视界

英特尔携钉钉及新华三以创新解决方案变革未来远程协作体验

E科讯

Python爬虫超详细讲解(零基础入门,老年人都看的懂)

Java随想录

Java Python

《中国民用航空业零代码应用与推广白皮书》正式发布

明道云

开源直播源码平台处理卡顿问题技巧方案_山东布谷科技创作

山东布谷科技

开源 软件开发 直播 源码搭建 直播源码

中小银行如何构建智能风控体系?明确业务需求比盲目求新更重要_银行_李忠良_InfoQ精选文章