來源：鑫智獎·2025第六屆金融機構(gòu)數(shù)智化轉(zhuǎn)型優(yōu)秀案例評選

獲獎單位：杭銀消費金融

榮獲獎項：數(shù)字風控優(yōu)秀案例獎

一、項目背景及目標

（一）項目背景

近年來，我國宏觀經(jīng)濟呈現(xiàn)穩(wěn)中有進、回升向好的發(fā)展態(tài)勢，國家錨定“大力提振消費、全方位拓展國內(nèi)需求”等關(guān)鍵任務(wù)，出臺《關(guān)于做好金融“五篇大文章”的指導意見》等政策指引，指導“金融機構(gòu)健全普惠金融風險管理機制，提高風險定價能力，推動普惠金融可持續(xù)發(fā)展”。同時，伴隨人工智能技術(shù)在多模態(tài)數(shù)據(jù)處理、智能決策輔助等領(lǐng)域的加速迭代，智能模型愈發(fā)成為消費信貸精細化、智能化風險管理的重要抓手，賦能金融機構(gòu)精準觸達長尾目標客群，巧妙破解消費信貸的可得性瓶頸。

在宏觀政策與前沿技術(shù)雙重利好的大背景下，公司構(gòu)建并持續(xù)完善“杭銀消金信用大腦BRAINS”智能風控體系，該體系以數(shù)據(jù)體系（Bigdata）為堅實底座、以風控策略（Risk Policy）為明確導向、以安全反欺詐（Antifraud）為重要保障、以智能模型（Intelligent Model）為核心驅(qū)動、以監(jiān)控巡檢（Navigator）為日常巡防、以數(shù)智產(chǎn)品（Systems）為有力載體，緊密協(xié)同、相互促進，持續(xù)深化普惠金融，積極推進 “擴內(nèi)需促消費” 的國家戰(zhàn)略，為公司業(yè)務(wù)高質(zhì)量發(fā)展持續(xù)賦能。智能模型服務(wù)平臺作為信用大腦體系的核心模塊，發(fā)揮著關(guān)鍵風控驅(qū)動作用。平臺以風險數(shù)據(jù)要素為根基，深度剖析客戶風險特征，運用先進的數(shù)據(jù)挖掘技術(shù)與智能算法，全方位構(gòu)建客戶風險畫像，全流程實施風控模型賦能，為更多征信稀薄、畢業(yè)剛就業(yè)等人群提供智能化、普惠化的金融服務(wù)。

（二）項目意義

通過構(gòu)建智能模型平臺，完善特征體系建設(shè)、健全模型監(jiān)測機制、創(chuàng)新智能決策產(chǎn)品、自動響應業(yè)務(wù)變化，提升消費信貸風險管控的精細化、智能化、高響應水平，賦能消費信貸業(yè)務(wù)的穩(wěn)健發(fā)展。

1.完善特征體系建設(shè)。深化特征工程建設(shè)，構(gòu)建高區(qū)分度、強穩(wěn)定性的特征管理體系，為模型訓練和風控策略提供精細化的特征輸入。同時，健全風控特征的全生命周期管理流程，涵蓋特征需求評估、開發(fā)測試、版本部署、線上監(jiān)控、效果評估及下線退出等環(huán)節(jié)。

2.健全模型監(jiān)測機制。健全模型有效性及穩(wěn)定性監(jiān)測機制，有效監(jiān)測模型區(qū)分度與分布穩(wěn)定性，及時監(jiān)測底層變量及數(shù)據(jù)的有效性。同時，采用滑動窗口技術(shù)追蹤特征穩(wěn)定性與流量漂移情況，進行實時敏感性分析及處置。

3.創(chuàng)新智能決策產(chǎn)品。基于自適應優(yōu)化算法，將多模型融合技術(shù)與業(yè)務(wù)場景深度融合，打造模塊化、標準化的智能決策產(chǎn)品。通過可視化和交互式的操作界面，簡化策略開發(fā)難度，實現(xiàn)多元風控目標協(xié)同，提升風險決策效率與精準度。

4.自動響應業(yè)務(wù)波動。健全特征篩選、模型構(gòu)建、報告生成、性能追蹤等自動化建模功能，自動監(jiān)測業(yè)務(wù)波動對模型性能的影響，及時響應業(yè)務(wù)流量變化，快速迭代風控模型，保障模型性能與業(yè)務(wù)需求的動態(tài)匹配。

二、創(chuàng)新點

（一）特征層

1.動態(tài)數(shù)據(jù)挖掘算法。公司創(chuàng)新性地融合了大數(shù)據(jù)挖掘與機器學習技術(shù)，深度挖掘歷史查詢數(shù)據(jù)的潛在價值，構(gòu)建了基于動態(tài)時序分析的數(shù)據(jù)挖掘框架。當客戶存在歷史查詢記錄時，系統(tǒng)通過時間序列對當前查詢數(shù)據(jù)與歷史數(shù)據(jù)進行智能匹配，構(gòu)建多維時序數(shù)據(jù)矩陣。在此基礎(chǔ)上，采用先進的深度學習算法，對時序數(shù)據(jù)進行特征提取和模式識別，并結(jié)合自然語言處理技術(shù)對非結(jié)構(gòu)化數(shù)據(jù)進行語義分析。通過這種多模態(tài)數(shù)據(jù)融合方法，能夠及時捕捉客戶多頭借貸行為和逾期風險的動態(tài)變化趨勢，構(gòu)建具有時續(xù)性的動態(tài)客戶畫像，使風控體系具備了更強的風險預測能力和更優(yōu)的模型泛化性能。該創(chuàng)新已獲得《一種基于風控技術(shù)的動態(tài)數(shù)據(jù)挖掘方法及系統(tǒng)》的發(fā)明授權(quán)專利。

2.特征分級計算引擎。特征分級計算引擎以離線、在線混合計算為核心驅(qū)動力，深度集成分級特征計算能力，創(chuàng)新融合了離線大規(guī)模的算力優(yōu)勢與在線計算的實時響應能力，突破數(shù)據(jù)規(guī)模、數(shù)據(jù)處理時效及實時計算性能等多方面的技術(shù)壁壘，不僅支持常規(guī)的混合特征運算，還支持高維集合類混合特征運算和動態(tài)條件類混合特征運算。離線階段，該引擎利用其強大的處理能力，對大規(guī)模的歷史多元數(shù)據(jù)進行深度預計算，提前完成復雜且耗時的中間特征提取；在線階段，基于離線階段預計算得出的中間特征，僅需處理實時產(chǎn)生的小規(guī)模新數(shù)據(jù)，便可快速完成整個特征的計算，顯著提升了特征計算的效率與精確度。

（二）模型層

1.構(gòu)建風控領(lǐng)域大模型。公司借鑒“預訓練&微調(diào)”大模型建模思路，構(gòu)建風控領(lǐng)域的大模型預訓練模塊，并基于特定風控樣本進行微調(diào)，不斷提升特定客群的風險識別力。在人行征信敏感詞篩選中，利用BERT預訓練模型結(jié)合提示學習的方法，實現(xiàn)在樣本較少情況下，有效完成了敏感詞甄別的訓練任務(wù)；在風控管理文檔處理中，引入大語言模型和TF-IDF結(jié)合的有監(jiān)督分析方法，提煉出有區(qū)分度及強解釋的特征值，顯著增強了風險識別效果。以上創(chuàng)新已提交《一種基于大語言模型提取文本有效可解釋信息的風險識別方法》《一種基于Prompt BERT模型的人行征信報告敏感詞識別方法及系統(tǒng)》專利。

2.構(gòu)建拒絕客戶處理機制。公司構(gòu)建了拒絕客戶處理機制，將拒絕客戶的信息構(gòu)成數(shù)據(jù)池，并與最新查詢數(shù)據(jù)定期進行匹配。若匹配到拒絕時點后新查詢的數(shù)據(jù)，基于逾期信息對拒絕客戶風險標簽進行標定，最終將標定好的拒絕客戶用于風控模型訓練。該機制有效改善了授信通過客戶與授信申請客戶之間的分布偏差，提升了風控模型的風險識別能力和決策置信度。該創(chuàng)新已提交《一種風控拒絕用戶數(shù)據(jù)處理系統(tǒng)》專利。

（三）應用層

1.創(chuàng)新構(gòu)建智能決策產(chǎn)品。該產(chǎn)品立足風控策略的開發(fā)本質(zhì)，將風控策略的構(gòu)建轉(zhuǎn)化為全局優(yōu)化問題，創(chuàng)新應用加權(quán)調(diào)和算法求解高維優(yōu)化問題，實現(xiàn)多目標協(xié)同優(yōu)化，逼近全局最優(yōu)解。該產(chǎn)品還集成了風控策略自動化生成模塊，實現(xiàn)無人工干預下的風控策略自動化生成及調(diào)優(yōu)，將策略開發(fā)周期從傳統(tǒng)數(shù)周級別縮短至小時級別，顯著提升了策略開發(fā)效率與迭代速度。該創(chuàng)新已獲得《一種風控策略自動化生成系統(tǒng)》的發(fā)明授權(quán)專利。

2. 引入多模態(tài)處理技術(shù)。公司引入大模型多模態(tài)處理技術(shù)，智能解析客戶身份證件、銀行流水、公積金等信息，持續(xù)建全客戶信用風險評估體系，顯著提升反欺詐識別和防范效能。其中，圖像大模型運用計算機視覺技術(shù)，精準識別客戶面部特征、表情及證件背景細節(jié)，通過生物特征比對、場景分析等，有效防范偽造證件和身份冒用風險。語音大模型通過分析通話錄音的聲紋特征和語義內(nèi)容，輔助識別虛假陳述和身份欺詐風險。

三、項目技術(shù)方案

（一）功能架構(gòu)

智能模型平臺研發(fā)于公司自主風控實踐，在實際業(yè)務(wù)中持續(xù)迭代優(yōu)化。該平臺采用分層架構(gòu)設(shè)計，由特征層、模型層和應用層組成（詳見圖1），各層級協(xié)同作用，支持風控決策的智能化與高效化運作。

1.特征層。該層聚焦于風控特征的加工與全生命周期管理，基于人行征信、三方數(shù)據(jù)及自有數(shù)據(jù)等，衍生出上萬維風控特征，通過流批融合計算與離在線一體化技術(shù)，支持實時、近線和離線等多元時效的風控決策計算任務(wù)。該平臺開發(fā)了特征檢索、特征詞典及特征血緣追蹤等功能，高效處理復雜特征的加工、上線、運行及監(jiān)控等任務(wù)，實現(xiàn)對特征變量的系統(tǒng)化管控。

2.模型層。該層健全模型生命周期管理，覆蓋模型開發(fā)、測試、部署、迭代及下線等環(huán)節(jié)，并基于自主研發(fā)的自動化建模工具，實現(xiàn)了模型從部署到上線的自動化管理，不僅提升了建模效率與迭代速度，還有效降低了人工干預帶來的操作風險。該層還通過可視化的操作管理界面，使用戶能夠監(jiān)控模型各階段運行狀態(tài)，確保模型運行平穩(wěn)。

3.應用層。該層基于最優(yōu)化算法、機器學習等技術(shù)，自主研發(fā)了智能決策產(chǎn)品，通過可視化、可交互的操作管理界面，大幅降低了風控策略開發(fā)門檻。用戶只需簡單配置風控目標和任務(wù)參數(shù)，即可生成接近最優(yōu)解的策略規(guī)則組合。此外，創(chuàng)新開發(fā)了自動化模型融合、智能分箱等先進功能，支持多維度規(guī)則組合優(yōu)化與實時效果評估，顯著提升了風控決策效率及精準度。

圖1：平臺功能架構(gòu)圖

（二）技術(shù)架構(gòu)

智能模型平臺采用三級分層的技術(shù)架構(gòu)，包括基礎(chǔ)層、服務(wù)層、輸出層（詳見圖2）。

圖2：平臺技術(shù)架構(gòu)圖

1.基礎(chǔ)層。該層采用分布式存儲系統(tǒng)，包括HDFS、HBase、MongoDB及圖數(shù)據(jù)庫等；具備分布式計算相關(guān)的基礎(chǔ)能力框架，包括Flink、Spark等執(zhí)行數(shù)據(jù)清洗、加工等操作。底層資源管理與調(diào)度能力由Yarn和K8s提供，確保計算任務(wù)的高效執(zhí)行與資源優(yōu)化。

2.服務(wù)層。該層整合多種機器學習框架，如Scikit-learn、XG Boost、Light GBM等，支持算法開發(fā)與模型訓練。通過Ray、Spark MLlib等工具，實現(xiàn)大規(guī)模數(shù)據(jù)集的分布式訓練。同時，利用Flink SQL、Flink Jar等框架，進行實時特征計算，滿足實時數(shù)據(jù)處理需求。

3.輸出層。該層提供多種數(shù)據(jù)輸出方式，包括Kafka、數(shù)據(jù)庫及Restful API等，支持流式與批處理數(shù)據(jù)的統(tǒng)一輸出，確保數(shù)據(jù)的高效傳輸與集成。

（三）安全策略

公司高度重視安全防護，通過數(shù)據(jù)加密、訪問控制等多重安全措施，全方位保護數(shù)據(jù)免受非法獲取和篡改，確保系統(tǒng)運行安全穩(wěn)定。針對模型平臺部署方案，建立了完善的網(wǎng)絡(luò)和數(shù)據(jù)安全技術(shù)保障體系，能夠靈活應對不斷變化的網(wǎng)絡(luò)安全威脅，分析設(shè)備日志精準調(diào)整網(wǎng)絡(luò)設(shè)備策略、安全設(shè)備策略以及主機策略等，實現(xiàn)動態(tài)安全防護。此外，通過定期開展漏洞掃描和修復工作，及時更新漏洞庫，確保漏洞管理的時效性；借助自動化工具和流程，大幅提升漏洞修復的效率與準確性；同時，建立漏洞分級分類機制，明確各類漏洞的修復時效要求，進一步強化安全管控力度，為智能模型平臺的穩(wěn)定運行提供堅實保障。

四、項目過程管理

智能模型服務(wù)平臺由公司建模中心提出需求，風險產(chǎn)品部負責需求確認及設(shè)計，科技部負責項目實施，涵蓋需求分析、系統(tǒng)設(shè)計、方案評審、開發(fā)編碼、系統(tǒng)測試、業(yè)務(wù)驗收、上線運維、線上驗證及后評價等全流程環(huán)節(jié)。項目實施采用迭代開發(fā)模式，主要分為三個階段有序推進。

（一）需求分析及設(shè)計階段

2023年1月至2024年12月，完成了項目需求分析設(shè)計工作。

（二）方案評審、編碼及測試階段

2023年1月至2024年12月，完成了項目方案評審、編碼及測試。

（三）推廣及應用階段

2024年1月至2024年11月，主要完成項目研發(fā)、灰度及投產(chǎn)，并分四個階段進行推廣使用。第一階段（2024年2月），完成了機器學習平臺上線，支撐貸前、貸中、貸后各種業(yè)務(wù)場景下的風險模型的高效穩(wěn)定運行。第二階段（2024年3月），完成特征服務(wù)平臺上線，承接決策引擎系統(tǒng)、機器學習平臺等風控特征需求，實現(xiàn)高穩(wěn)定、高并發(fā)、高可用、低時延的特征開發(fā)、計算和調(diào)用。第三階段（2024年8月）完成了智能決策工具的投產(chǎn)使用，提供了基于LR融合、智能評級融合、統(tǒng)計指標的計算功能。第四階段（2024年10月）完成了策略機器人的投產(chǎn)使用。

五、運營情況

智能模型服務(wù)平臺參與公司消費信貸風控業(yè)務(wù)的全鏈路，涵蓋貸前授信，貸中支用、調(diào)額、調(diào)價，貸后催收等環(huán)節(jié)。該平臺通過機器學習平臺、特征服務(wù)平臺、智能決策產(chǎn)品三個核心子平臺模塊的協(xié)同運作，有效支持策略、模型、反欺詐、貸后等各風控職能部門有效運行。

（一）機器學習平臺

該平臺與決策引擎系統(tǒng)對接，支持一鍵部署與配置。上線以來，該平臺已廣泛應用于多個部門，能夠快速響應業(yè)務(wù)各階段的需求，包括新業(yè)務(wù)模式的冷啟動支持、業(yè)務(wù)擴張時的風險敞口控制，以及行業(yè)競爭加劇時的精細化風險測算與管控。

（二）特征服務(wù)平臺

該平臺負責客戶各類結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化特征的加工、管理與應用，為風險管理人員提供了統(tǒng)一的特征變量管理功能，支持高效檢索、血緣探查及邏輯追溯，顯著提升了特征復用率和新特征衍生效率。

（三）智能決策產(chǎn)品

該產(chǎn)品依托底層先進算法，基于簡單定義目標并進行可視化配置，直接對最優(yōu)化問題進行求解，實現(xiàn)了無需人工干預情況下的風控策略自動化生成，運行性能顯著優(yōu)于人工策略。

六、項目成效

智能模型平臺投產(chǎn)以來，公司信用風險指標運行穩(wěn)健，風控數(shù)字化能力不斷提升，普惠服務(wù)能力不斷完善，公司行業(yè)口碑持續(xù)向好。

（一）風險管控穩(wěn)健有效

公司運用智能模型平臺，積極準入優(yōu)質(zhì)客戶，審慎實施客戶分層管理，合理給予額度定價，持續(xù)優(yōu)化信貸資產(chǎn)結(jié)構(gòu)。截至2024年末，貸款余額512.41億元，貸款不良率1.72%，撥備覆蓋率274.51%，資本充足率14.45%，信貸資產(chǎn)質(zhì)量及風險抵補能力均優(yōu)于行業(yè)平均水平。

（二）風控數(shù)字化能力提升

公司將智能模型平臺與金融科技深度融合，持續(xù)提升風控數(shù)字化水平。2024年末，衍生人行征信、三方數(shù)據(jù)、自有數(shù)據(jù)等特征變量36000余個，在線管理風控模型百余個，累計獲得相關(guān)發(fā)明授權(quán)專利28項，公司發(fā)明專利授權(quán)數(shù)量在消費金融行業(yè)排名第二。

（三）普惠服務(wù)持續(xù)深化

基于智能模型平臺，公司構(gòu)建精細化客戶風險畫像，完善風險定價機制，給予客戶更高額度及更低定價。2024年，累計服務(wù)新市民客戶57.17萬人，發(fā)放個人消費貸款40.71億元；累計服務(wù)農(nóng)戶客群604.40萬人，發(fā)放個人消費貸款477.83億元；累計向77.75萬人發(fā)放優(yōu)惠貸款175.69億元。

七、項目展望

（一）產(chǎn)品功能完善與平臺性能升級

1.強化底層技術(shù)基石。公司將持續(xù)優(yōu)化平臺技術(shù)架構(gòu)，模塊化特征層、開發(fā)層及應用層，標準化各模塊間接口規(guī)范，實現(xiàn)各模塊的快速集成與橫向擴展，有效降低集成與交互過程中的資源消耗，不斷提升平臺的算力水平、穩(wěn)定性及高可用性，始終保障復雜業(yè)務(wù)場景下的高效運行。

2.提升產(chǎn)品操作體驗。公司將不斷優(yōu)化平臺操作界面，提供高度可視化且易于操作的交互工具，使用戶能夠便捷、高效地開展模型訓練、部署及管理等操作。同時，建立完善的用戶效果反饋機制，基于用戶反饋結(jié)果持續(xù)迭代產(chǎn)品版本，提升產(chǎn)品操作體驗。

3.完善產(chǎn)品操作指南。公司將盡快出臺詳盡的平臺操作指南及最佳實踐案例，定期對產(chǎn)品使用指南進行更新與完善；定期組織產(chǎn)品培訓交流活動，幫助用戶深入理解平臺功能，提升用戶對平臺的使用效能。

（二）深入運用大模型與多模態(tài)處理技術(shù)

1.深入挖掘數(shù)據(jù)價值。公司將深入挖掘風控數(shù)據(jù)價值，引入前沿的自然語言處理技術(shù)，深化非結(jié)構(gòu)化數(shù)據(jù)的解析能力，有效提升模型的綜合決策能力，更好地應對復雜多變的數(shù)據(jù)環(huán)境。

2.強化模型訓練能力。公司將進一步提升自動化建模對多模態(tài)數(shù)據(jù)的支持能力，實現(xiàn)從數(shù)據(jù)預處理、模型訓練、評估到部署的全流程自動化，減少不必要的人工干預，大幅提升建模效率與模型性能。

3.提升風險決策水平。公司將拓寬多模態(tài)數(shù)據(jù)驅(qū)動的智能決策產(chǎn)品的運用覆蓋面，提升風控策略的靈活性與精準度，實現(xiàn)更高效的風險工具管理與迭代，為業(yè)務(wù)穩(wěn)健發(fā)展保駕護航。

（三）精準客戶畫像構(gòu)建與消費提振助力

1.提升特征挖掘能力。公司將持續(xù)引入先進的機器學習算法，部署神經(jīng)形態(tài)計算架構(gòu)，提升特征工程的自動化程度，快速迭代風控衍生變量，為各類風險評估及決策場景提供量化支持。

2.精準構(gòu)建客戶畫像。公司將強化開發(fā)層的模型個性化定制能力，利用自動化建模工具及時響應業(yè)務(wù)流量變化，動態(tài)更新客戶風險畫像，確保客戶畫像的精準性與時效性。

3.助力消費市場提振。公司將拓展智能決策工具與策略機器人的應用場景，合理設(shè)置消費貸款額度、期限及利率，優(yōu)化信貸資源配置，增強消費金融服務(wù)的適配性和便利度，助力消費市場的提振升級。

更多金融科技案例和金融數(shù)據(jù)智能優(yōu)秀解決方案，請在數(shù)字金融創(chuàng)新知識服務(wù)平臺-金科創(chuàng)新社案例庫、選型庫查看。