案例名称

南京银行运营风险全景监测防控平台

案例简介

在当前社会欺诈犯罪作案手法层出不穷、涉赌涉诈案件频发、金融交易场景日趋复杂，风险排查难度加大的背景下，南京银行开展了运营风险全景监测防控平台项目，项目亮点如下：

1.实时交易级模型计算引擎：构建客户实时风险评级，应用于交易场景，计算时延控制在毫秒级；

2.行内、外数据指标多场景融合应用；

3.使用NLP算法处理文本数据并应用到风险决策中；

4.构建监测模型，使得业务场景形成预评估、开发、应用、后评估、优化的管理闭环。

创新技术/模式应用

本项目中创新的技术和模式，主要包括四个方面：

1.实时交易级模型计算引擎：在不影响客户的操作体验前提下，使用实时交易级模型计算引擎，针对客户实时风险评级、客户开户、转账、调额等交易场景，通过实时计算技术将数据实时加工为指标，并通过内存存储的方式，提升指标读写的速度。本引擎能够在毫秒级响应时间内，计算渠道端传送的客户数据，并将评级结果反馈给渠道端，用于判断客户是否禁止开户或者限制其转账额度。实时评级处理流程如图1所示：

图1 实时评级处理流程

2.行内、外数据指标多场景融合应用：引入外部数据，如反诈系统数据、工商数据等，有效补充行内数据的缺失，提供更全面的数据支撑。当前存在将行内、外数据加工成指标应用到实时或者批量计算场景：如“一段时间内的开销户次数”、“使用同一IP转账次数”，在这类数据的加工中需要平衡考虑业务需求、架构、数据量、更新周期等因素。如果是实时调用名单验证类指标，考虑数据量和内存占用量大的问题，采用渠道端直接提供是否验证成功的标识，这样有效减少数据交互复杂度，简化处理架构，同时满足了业务需求。

3.NLP智能算法处理文本数据：传统的风控系统主要使用结构化数据进行指标的加工和风险的决策，但是随着业务数据的丰富，逐渐出现了与人工智能、图计算相结合的指标加工和风险决策场景。本项目中使用词嵌入算法，进行地址的相似度计算，促进了文本分析，提高了数据分析的准确性和有效性，并将处理结果用于风险决策中。

4.构建监测模型预评估、开发、应用、后评估、优化的管理闭环：对于模型预评估阶段，分析人员会针对模型触发量进行统计分析，从而选择合适的阈值，然后进行模型的开发、测试及应用上线；对于上线的模型，会持续进行跟踪和分析、优化；对于长期无效规则，考虑下线。模型生命周期如图2所示：

图2 监测模型管理闭环

项目效果评估

本项目主要解决如下三个业务痛点：

1.全面、及时性

·事中、事后风控策略部署：尤其是事中风控策略的部署，增加实时反欺诈（实时反欺诈场景见图3）、客户实时评级等手段；

图3 实时反欺诈某场景处理流程

·渠道覆盖全面：目前涵盖线下柜面渠道，线上个人、对公（APP、网站）等渠道，实现线下、线上渠道风险全防御；

2.持续性

·建立持续的风险识别、策略有效性评估及修正调整机制：目前已形成模型分析、开发、测试、上线、优化等模型管理闭环；

3.先进性

·风险监测差异化、场景化、多维度：通过对账户、交易、人员等要素和业务流程的分析，涵盖零售、对公、检查、同业、内部运营等板块风险模型的运行；

本项目部分效果数据如下：

项目提炼总结风险特征388个、实时监测规则279条、批量检测规则284条，确定了一整套风险预警线上排查处置流程。

项目牵头人

黄涛 数字银行管理部数据产品服务部经理

项目团队成员

孙利军、陈辉、裴雅杰、祝紫宁、林宁、李妍婷、汪澄澄、陈虹

责任编辑：王超