21世紀經濟報道記者  陳植  上海報道

搭建大數據風控中臺，正成爲衆多銀行強化業務風控能力的新趨勢。

“原先我們構建大數據風控中臺，主要是想打通各業務部門數據並優化風控體系。但現在我們發現，大數據風控中臺還能創造更大的價值。”一位股份制銀行風控部門人士指出。一是實現風控評估、風險定價、客戶授信的統一，避免同一個客戶在不同業務部門獲得不同授信額與貸款利率等業務套利狀況發生，二是賦能前臺業務端，更好解決反欺詐、貸後管理等業務痛點。

但他坦言，要構建完善的大數據風控中臺，絕非易事。由於各業務部門的數據口徑與定義有所偏差，他們需要派出工作人員開展數據清洗梳理，導致人力成本居高不下；此外，銀行內部也注意到僅僅依賴內部數據不足以解決某些業務風控盲點，需要引入外部更多維度數據“彌補缺漏”。

“更重要的是，面對日益海量的數據，銀行內部還缺乏豐富的策略模型，從中提煉有價值的數據賦能業務穩健發展。”這位股份制銀行風控部門人士告訴記者。

在他看來，藉助第三方金融科技平臺解決大數據風控中臺搭建過程所面臨的諸多挑戰，或許是一條捷徑。

騰訊安全金融風控總經理陳波向記者指出，目前他們正幫助多家銀行搭建統一的風控數據中臺，即將銀行從外部接入的數據、內部數據、以及各類業務沉澱數據納入統一的數據中臺，驅動銀行的用戶畫像更加完善，進而支持銀行不同業務場景在風控能力持續提升的情況下穩健發展。

“在協助銀行搭建大數據風控中臺的過程裏，我們還會輸出決策引擎、知識圖譜、設備指紋等多種金融科技，將我們的科技賦能加工成一個個指標、變量或規則，協助銀行更快速地洞察潛在業務風險並及時採取防範措施。”他指出。

在多位銀行業內人士看來，隨着《數據安全法》、《個人信息保護法》等法規相繼出臺，銀行在搭建大數據風控中臺過程正面臨數據合規獲取使用的新挑戰。

“目前，我們銀行內部特別強調對外部數據源的盡職調查，確保所有數據來源都事先獲得用戶授權。”一位城商行風控部門主管告訴記者。在銀行內部，合規部門還會經常調查數據中臺部門的各項數據使用是否“越界”，避免數據濫用狀況發生。

“爲了確保數據合規使用，我們正基於個人數據的可攜帶權開發產品。區別於傳統B2B模式，它主要是用戶根據獲取金融服務的需要，主動將自身信息數據通過小程序傳送給銀行機構，作爲獲取個性化金融服務的新依據。” 陳波指出。

多位銀行人士向記者指出，除了數據合規獲取使用，銀行要搭建完善的大數據風控中臺，還需“從上而下”地引導各個業務部門積極分享數據與協同作戰。

“在銀行內部，數據與業務職責未必是一一對應的，就容易出現業務部門不願對數據風險擔責的狀況，導致數據中臺與業務部門之間存在推諉現象。這更需要銀行內部先理清數據分享使用過程的各種權責，讓各業務部門更願貢獻更多數據，令大數據風控中臺更有施展空間。”上述城商行風控部門主管向記者指出。經過一段時間的實踐，他們發現數據中臺的數據庫越全面豐富，各項業務的風控能力越強。

大數據風控從“各自爲戰”到“集中統一”

“要構建大數據風控中臺，絕非易事。”上述股份制銀行風控部門人士一再強調說。

以往，銀行的風控體系呈現煙囪式形態，即零售、對公、普惠、信用卡、跨境貿易等各個業務部門都建立各自的數據管理系統與風控團隊，但這導致各個業務部門呈現各自爲戰的狀況，往往因信息不對稱而出現風險洞察滯後等問題。

舉例而言，一個用戶在信用卡業務部門出現逾期，但普惠、零售等業務部門對此“不知情”並繼續發放貸款，就容易發生更大範疇的壞賬風險。

“在這種情況下，銀行高層決定構建統一的全行級數據中臺，實現用戶畫像的統一，從而助力各項業務更穩健發展。”他回憶說。

但是，數據中臺的建設，首先會涉及銀行內部不同系統的對接，尤其是各個業務接口與業務數據的打通。起初，部分業務部門未必願意“貢獻”自己的業務數據。

這位股份制銀行風控部門人士透露，經過總行的協調努力，目前銀行各個零售業務部門已基本實現數據打通，並形成日益完整的數據中臺。但在這個數據打通融合的過程裏，他們也發現很多業務條線的數據口徑與定義不盡相同，需要IT數據部門開展大量數據清洗梳理提煉，將大量非結構性數據轉化成全行通用的標準化結構化數據。

“目前，數據中臺發揮的首要作用，就是實現風險評估、用戶授信、風險定價的統一。”他指出。具體而言，無論個人用戶在汽車金融、消費金融、信用卡、住房按揭貸款等業務部門申請貸款，各部門都會看到“統一”的用戶畫像，並根據自身業務特點與用戶特定需求提供相應的貸款方案，且若一個用戶在汽車金融貸款方面出現逾期，其他業務部門也會快速獲取相應信息，儘早做好風險防範措施。

記者獲悉，這也驅動銀行數據中臺快速向“風控中臺”蛻變。隨着各業務部門數據被打通，各個業務部門也開始時將各自風控模型集合統一，彼此相互學習其他部門的先進做法。甚至銀行內部還組建了風控變量中心，讓各個業務部門將客戶識別、業務風險等變量因素全部拿出來共享，通過彼此相互學習實現銀行內部風控資源的最大化使用。

更重要的是，這類大數據風控中臺還有效賦能業務端工作人員。比如很多銀行一線工作人員通過“統一”的用戶畫像，可以更全面地瞭解用戶經濟狀況變化動態，提供更具針對性的金融服務。

“目前，我們會在大數據風控中臺基於用戶畫像洞察，開展一些新業務探索，再通過小批量測試，通過這個風控中臺檢測優化其風控模型，直到風控水準達到銀行要求，再向業務端大規模推廣，確保銀行多項業務創新更具風控能力。”一位城商行產品創新部門負責人向記者透露。

但他承認，隨着銀行對大數據風控中臺的期待值越來越高，它的人力成本始終居高不下。畢竟，衆多業務部門對數據提煉使用產生的大量定製化需求，需要大量人員投入才能快速響應業務部門要求。但這帶來一系列新問題，比如人力成本與項目成本的分攤，到底是劃歸業務部門還是技術部門。

這位城商行產品創新部門負責人透露，目前他們正考慮引入外部金融科技平臺的科技賦能，一方面有效降低大數據風控中臺的人力成本開支，另一方面也能引入更多數據，更有效地響應業務部門各類定製化的數據需求，實現更大範疇的降本增效。

陳波向記者透露，目前騰訊安全金融風控部門正基於銀行內部交易數據與設備數據，將大量數據進行清洗加工補全，形成一個個通用的數據畫像，實現數據的“特徵化”，助力銀行在不同業務場景可以高效使用這些數據優化自身風控能力。此外，他們還將很多底層數據生成基礎特徵，並搭建數據集市供銀行各個業務部門調用，儘管有些數據未必產生收益，但可以抵消業務部門數據使用的某些成本。

上述城商行產品創新部門負責人透露，通過引入第三方金融科技平臺的技術與風控模型，目前他們互聯網金融業務的反欺詐風控效率得到明顯提升，尤其是前者根據最新欺詐行爲所制定的新型反欺詐風控算法模型，幫助他們規避很多涉嫌欺詐的線上貸款申請。

“目前，我們正將這些反欺詐風控算法模型反哺給業務端，幫助業務部門運營端與基層網點加強針對性的員工培訓，以便他們在業務開展過程注意相應數據採集，及時洞察用戶線上貸款申請過程的某些異常行爲，從而第一時間降低欺詐風險。”他指出。

數據提煉的新挑戰

隨着大數據風控中臺的持續迭代升級，如何在海量數據裏提煉有價值的數據賦能業務風控能力提升，儼然成爲銀行面臨的新挑戰。

一家民營銀行風控部門主管向記者透露，如今他們每天都會收到大量數據，無論是自身業務部門，還是第三方金融科技平臺，都會傳來大量數據，但如何找到對業務風控有價值的數據，宛如大海撈針。

記者多方瞭解到，目前越來越多銀行開始引入數據標籤代替客戶的原始數據，此舉既能更好地保護客戶數據安全，又能幫助業務部門更高效地使用數據優化風控模型。

值得注意的是，隨着《數據安全法》、《個人信息保護法》等法規相繼出臺，各家銀行在使用數據標籤替代原始數據同時，也開始更加重視數據合規使用的邊界。

記者獲悉，目前多家銀行對數據標籤與原始數據的使用，提出三項操作準則，一是必先獲取客戶的數據使用授權，並及時告知相應數據使用範疇，二是遵循最小性和必要性原則，三是數據使用必須結合業務場景，業務場景不需要的客戶數據（以及數據標籤）不準調取。

陳波指出，爲了確保銀行數據安全與合規使用，騰訊安全金融風控部門正積極藉助隱私計算或聯邦學習等技術，在數據不出銀行的情況下，結合自身客戶行爲變化洞察與風控算法模型協助銀行構建更完善全面的數據標籤體系，助力銀行各項業務穩健發展。

“對大數據風控中臺而言，數據標籤越完整全面，對風控模型管理、用戶特徵計算、經營決策優化，監控預警能力提升的提振作用就越大，特別是報表，一旦擁有各種業務的海量數據，我們就可以賦能銀行形成各種智能化的報表，助力銀行風控部門和業務部門更好地瞭解一線業務運作狀況。”他表示。

在多位銀行業內人士看來，要在海量數據裏找到對業務風控有價值的數據，另一個關鍵是銀行必須構建更與時俱進的風控策略與算法模型。

“目前，由於風控策略與算法模型不夠豐富，不少銀行只能抓住核心關鍵數據，對其他數據採取選擇性忽視。但那些被忽視的數據往往對業務風控產生很大的補充作用。”前述城商行產品創新部人士向記者直言。比如稅E貸不能僅僅根據企業繳稅數據設定相應的貸款授信額度，還得通過多維度數據（包括企業上下游賬期，業務流水、資金週轉狀況變化等）全面瞭解企業的實際經營狀況，做出最科學的貸款決策。

“這需要銀行既需要內部挖潛，從各個業務部門匯聚融合更多企業經營數據還原他的真實業務發展狀況，還需引入第三方場景方與金融科技平臺的風控算法模型與最新行業洞察觀點，持續根據市場變化調整自身的風控策略。”他強調說。目前部分銀行大數據風控中臺在提煉數據方面正採取一系列新措施，即將部分數據分析人員派駐到業務部門第一線，跟隨業務人員採集匯聚各類第一手業務信息，再將這些數據交給大數據風控中臺進行融合分析，從而令風控決策能更快適應市場變化，助力各項業務更穩健發展。

（作者：陳植 編輯：曾芳）