近年来，信用卡市场规模的持续扩大和业务模式的不停地改进革新促使商业银行在风险管理方面做出相应的调整，而大数据、人工智能等技术在金融领域的应用为信用卡风险管理提供了强有力的技术上的支持，智能风控越来越为商业银行所重视。光大银行信用卡中心在进行产品创新的同时，积极运用大数据技术和AI算法全方面提升风控能力。本文将从信用卡行业的背景与形势、风控工作的挑战与思考、光大银行在智能风控方面的探索和实践，以及对于风控行业未来的展望与期待四个方面做阐述。

  光大银行秉持开放、包容的态度，积极拥抱新技术、新方法，基于千万级的客户规模、多年积累的海量数据和丰富的经营管理经验，在精准获客、审批授信、反欺诈、交叉营销、额度管理、客户挽留等信用卡全生命周期应用大数据、机器学习等技术，构建智能风险防控体系。

  管理理念。首先，数据思维是基础，在智能风控时代，对于数据的广度和深度都提出了非常高的要求。一方面，在严格遵守法律和法规、监督管理要求和客户授权的情况下，利用先进的技术，对客户位置、职业、社交、借贷等数据来进行全面采集；另一方面，对采集的客户数据来进行精细化管理，运用有效的算法深入挖掘数据价值，实现对客户360风险画像，综合评估客户风险。

  其次，智能风控是手段，智能时代的到来，给银行业风险管理带来了很多机遇与挑战。金融科技不断运用在智能风险防控体系的建设中，但全力发展金融科技的核心不单单是对前沿科技的投入与研究，更是要将金融科技与风险业务深度结合，由点及面逐步推进风控科技升级。同时，对金融科技进行多维管理，通过多种技术方法组合运用，实现风控全流程的升级改造。

  再次，生态赋能是机制，金融科技已进入更深层次融合的阶段，体系化的思考是金融科技量变到质变的关键，以整体科技能力提升为目标，实现数据一体化、策略一体化、系统间交互和行业跨界合作是终极方向。

  最后，价值创造是目标，风险管理的核心就是配置风险资源，通过整合数据资源、应用金融科技、强化外部合作，提高风险管控效果，提升价值创造能力，以此来实现平衡风险与收益，达到经营利润最大化，是不断追求的目标。

  信用风险管理。在信用风险的管理中，一直存在风险难以量化分析和衡量的问题。在传统的信用风险管理方面，相对于数据充分、数理统计模型运用较多的新型风险管理而言，传统信用风险管理表现出缺乏科学的定量分析手段，更多倚重于定性分析和管理者主观经验和判断。在信用风险量化管理方面，定量分析和模型化管理主要存在数据匮乏和难以检验模型的有效性两个方面的困难。光大银行在信用风险管理方面不断尝试进行创新，通过智能化信息审核、多维模型判定、全流程风险管控等方面实现信用风险智能化管理。

  首先，信息审核。实现信息审核的标准化、准确性，是整个智能风控的前提性环节。光大银行运用机器模糊识别、外部大数据采集补录、信息格式标准化归集、碎片化审核、外包人工核查等技术，根据目标客群特点、资质条件、申请信息等内容，有效选择并精准定位目标客户。并通过内部数据收集及外部数据应用，综合判断客户信息真实性、有效性，完成对客户信息的完整画像。

  其次，量化决策。基于更多数据应用的评分模型，对于提升效率和灵活调控，实现对信用风险更好的量化评价至关重要。光大银行基于客户申请信息、征信记录、行为信息，结合传统及新型统计方法，自主研发内部评分模型、外部评分模型、二维交叉划分客户等多维信用评分模型，通过对客户360度全方位风险评估，实现对客户未来一段时间周期内的违约概率做综合评判，并将信用风险水平控制在合理范围。

  最后，贷中管控。贷中管控具有难以量化的特点，但其在全流程风控中尤其重要，从流程上而言，有效的风险管理应是连续的，对用户的分析、评估应贯穿于客户全生命周期的每一环节。光大银行深度扩展数据维度，收集客户各类风险因素，包括人行、公安、司法、互联网等外部高质量数据，以“早发现、早预警、早处置”为思路，基于客户的风险画像和标签化管理，建立了风险监测、风险排查、风险处置、策略优化的贷中风险闭环管理体系，实现自动化系统监测预警、风险账户处置工作。

  欺诈风险管理。欺诈风险管理的第一个任务是研究欺诈风险类型、对象和模式，再针对每一个特定模式制定适合的反欺诈策略。

  申请欺诈风险防范方面。一是申请欺诈防范——体系架构。基于“大数据+机器学习模型”的支持，光大银行建立了申请反欺诈闭环管理体系，将贷前智能反欺诈-贷中欺诈风险监测-贷后欺诈问题处理与分析有机串联起来，构筑起客户申请全周期于一体的风险管理防线。在贷前欺诈风险识别方面，构建“大数据+机器学习算法+自学习自适应优化机制”的精细化智能审批系统；在贷中欺诈风险监测方面，采用系统预警、人工检测的方式，实现各阶段的风险监测预警管理和风险情报收集；在贷后欺诈风险分析方面，采用复杂网络、随机森林等新方法、新技术，实现客户风险事件的关系管理与申请反欺诈体系的返检优化。

  二是申请欺诈防范——风控模型。践行上述思路，光大银行把有价值的外部数据、内部动态行为数据与传统数据有机地结合，根据专家经验梳理升维为庞大的欺诈风险标签库，已梳理标签2700余条，按照标签属性、查询方式、验证目标分为19类、193个校验项。同时，将标签进行机器学习，并以指数级放大风险因子量，积累超过350多万条因子以实现对风险更为精准的刻画，对因子使用逻辑回归的方法做降维后，形成申请反欺诈模型，实现欺诈风险量化。

  光大银行交易欺诈防范的体系结构分为系统层、数据层、模型层、规则层和执行层，其优点是：能进行全生命周期风险管控，包括事前布控侦测，事中监控拦截和事后风险应对；具有灵活性更好的规则配置，能制定针对性的监控方案，规则形态更加多样化并且与模型紧密结合应用；具有更精细化的模型体系，包括交易风险评分模型、交易异常侦测模型等；大数据具有更多维度的应用，包括交易卡片信息、客户行为画像、风险商户画像、第三方数据、设备信息等；具有一个强大的风险侦测系统，具备实时拦截、黑白灰名单个性化设置等功能。

  二是交易欺诈防范——风控模型。在风控模型方面，光大银行针对客户每笔交易给出评分，预测交易欺诈风险，依据不同风险等级评分结合规则布置交易监控策略。该模型具有八大类数据维度，分别为客户行为画像、交易国家、欺诈因子、风险事件特征、商户历史交易、交易类型、交易频次和交易地区，千万级数据采集量，七千余个衍生变量，同时应用神经网络方法，具备毫秒级的处理效率且每月滚动迭代更新。

  智能应用。近年来，各家银行都致力于提升风险管控能力，借助大数据、云计算等科学技术手段，加快风控模型建设，向风控要质量、要效益。光大银行也在不断探索业内的最新技术，将多种技术进行组合应用，对客户全生命周期进行场景划分，根据场景特征上线应用人脸识别、设备指纹、LBS地址转换、热力图、营销轨迹跟踪、复杂网络等前沿技术，通过深入研究金融科技的新技术、新业态、新模式，实现对前沿金融科技的精细化管理。

  智能获客。在智能获客环节，我们将内部数据、合作商数据及有效第三方数据来进行整理、清洗，形成结构化数据，与合作方联合建模，实现客户深度分析，对客户进行更精准的定位；同时，对模型判定结果进行标签化输出，从多维度对客户特征进行展示；然后，依照细分后不同类别的低风险客群结果，在合作商平台做精准品牌和产品推送，提升品牌影响力及客户转化；最后，基于客户特征标签进行聚类分析，依托不同营销、消费、社交等场景，实现客群的细分，做到持续客户管理。

  身份识别验证。通过人脸识别和设备指纹对客户身份信息做验证。人脸识别是基于内外部身份图像数据，应用人脸识别技术进行人员身份验证，降低伪冒风险。目前主要使用在于网络申请客户的身份验证及柜台面签业务环节客户身份的验证，提高网络申请客户的欺诈识别能力；存量客户在手机App端进行身份验证并修改信息，为客户提供便捷服务的同时保障客户资金安全性，提升客户满意程度；营业销售人员登录身份验证，有效防范营业销售人员操作风险。设备指纹是通过设备端信息采集、归集形成唯一设备ID，实现对团伙欺诈、他人伪冒申请、伪冒交易等欺诈风险进行相对有效预警、及时拦截。在信息安全前提下，实现设备信息采集，预警高风险设备和客户，同时能在预警风险特征穿透分析和风险客户关系挖掘方面做更深度的探索。

  LBS信息应用。LBS信息主要使用在于热力图和营销踪迹追踪。热力图是基于申请地理位置类信息经纬度转化，形成分层瓦片展示，根据不同层级瓦片坐标，计算位置间距离，应用场景包括基于申请地址信息，多维度监测、分析区域进件情况和高风险进件集中区域展示与预警。营销踪迹追踪是根据营销时采集的各环节地理信息，基于LBS定位技术生成行为轨迹，结合热力图技术，对进件轨迹进行追踪、预警，能够直接进行营销时点轨迹展示、GPS地理位置监测、异常营销行为预警和高风险、黑名单区域营销预警。

  数据云采集。理论上而言，数据越多越有利于风险的准确识别，然而实际业务中，为了平衡成本与收益，需要一套有效的机制来决定采集哪些信息以及如何分配有限的资源进行最大限度的应用。光大银行数据云采集机制可以衡量客户风险定价，以成本管理前提进行数据采集，使得成本、效益和体验三者达到更好的平衡。

  智能决策。智能决策是基于内外部云采集数据，结合专家经验及风险表现形成特征标签，通过排列组合形成因子并根据欺诈表现情况做赋权，运用大数据、机器学习等先进算法，形成反欺诈因子库模型。通过模型融合将反欺诈因子库模型与信用决策树规则形成交叉矩阵，并将输出结果与反欺诈规则进行二维交叉融合，实现对申请进件的风险量化判断。目前已分别建立线上及线下反欺诈模型，并实现模型的更新迭代，能够针对模型量化结果进行智能决策，根据输出结果完成分层管理。

  信息审核智能化系统。信息审核智能化系统最重要的包含智能信息审核和智能语音外呼。智能信息审核是图像识别（OCR）、自然语言处理（NLP）和知识图谱等技术，通过模糊匹配实现准确审核数据、高风险信息预警等功能。智能语音外呼已由上下行短信、智能IVR发展到智能语音交互，实现自动外呼并对申请信息进行审核、疑似欺诈风险信息进行判断以及对账户异常状态卡片预警交易外呼核实。

  神经网络。光大银行基于对信用卡客户交易特征，利用神经网络构建交易反欺诈模型，应用于实时交易监控系统。它能对每笔交易进行实时评分，判定交易的不同风险等级；然后采取差异化的风险防范措施，大大降低交易欺诈损失。神经网络代表的是更多复杂的模型，是金融科技进一步应用、实现智能风控的前提。

  复杂网络。其复杂更多在于是研究人和人之间的关系，利用存量客户基础信息的历史数据，构建客户社交复杂网络关系，最重要的包含：第一，模型搭建，将基础信息特征和社交特征结合，使用机器学习算法，对信用卡申请审批数据来进行建模研究；第二，关系构建，基于申请人关键信息如电话、邮箱、地址及特定业务规则进行分类，并构建关系；第三，欺诈应用，可以在一定程度上完成全部进件复杂网络模型实时评分以及贷后潜在风险客户挖掘。

  金融科技的持续不断的发展，使其在信用卡风控领域的应用不断深入。展望未来，我们有信心期待未来必将实现更高阶段的发展。

  未来已来。在整个智能风控环境下，数据获取更高效，能够方便快捷地采集到各种各样的信息；同时，得益于科学技术的快速发展以及各类分布式架构的应用，算力得到快速提升；神经网络、复杂网络等算法的应用也愈加成熟，整个行业的数据能力正在不断强大。5G时代，5G网络正在改变数据处理和传递方式，随着5G网络的普及，信息传输效率将慢慢的升高，信息类型也将更加多元化；同时，知识图谱、机器学习助力金融科技的发展，智能语音、设备指纹、生物识别技术获得广泛应用。整个行业的科技能力正在不断成熟。

  信心启航。现如今，整个信用卡行业、信贷行业布局逐渐完善，数字化转型深入推动，AI、大数据、云计算技术的日益成熟，助力整个产业移动化、智能化、场景化深层次地融合；整个市场趋于理性，无论是发卡侧还是收单侧，各项制度正在慢慢地完善，消费金融互金行业良性合作规范发展，信用卡市场日趋规范，市场监督管理体系法律和法规更健全；征信体系更完善，中国人民银行二代系统上线，征信数据维度增量，百行征信、互金体系信贷行为采集得到落地实施，公民信用体系建设和应用越发深入。

  十年磨一剑，信用卡产业经过十余年的发展，目前已确定进入理性成熟的新周期。相信在科技赋能的智能风控时代，作为风控战线的从业人员一定会收获更精彩，创造更多价值。