消費信貸智能決策模型系統(tǒng)設(shè)計與實現(xiàn)

杜一謙

摘 ?要：消費信貸風(fēng)險管理是一個廣交的領(lǐng)域，其中銀行的內(nèi)部控制更是變化多端。為了提升風(fēng)控核心競爭力，基于先進的數(shù)據(jù)倉庫Hadoop技術(shù)建立銀行信用貸款的智能決策系統(tǒng)，并運用多種數(shù)據(jù)挖掘及分析工具，充分利用銀行現(xiàn)有數(shù)據(jù)，通過決策引擎及模型接口實現(xiàn)智能決策引擎風(fēng)險識別和防控，判定銀行是否應(yīng)該發(fā)放貸款。該系統(tǒng)的建立對銀行信用管理和風(fēng)險預(yù)測具有指導(dǎo)意義，為銀行消費信貸業(yè)務(wù)的拓展提供參考和依據(jù)。

關(guān)鍵詞：消費信貸;智能決策;大數(shù)據(jù)技術(shù)

中圖分類號： TP311 ? ? ? ? ? 文獻標(biāo)志碼：A

0 引言

近年來，隨著我國經(jīng)濟轉(zhuǎn)型升級逐步推進，消費金融行業(yè)進入了快速發(fā)展時期。面對愈加嚴(yán)峻的互聯(lián)網(wǎng)風(fēng)險環(huán)境，大數(shù)據(jù)、人工智能等技術(shù)逐漸進入消費信貸決策領(lǐng)域，科技與金融的結(jié)合日益嚴(yán)密。生物識別、OCR技術(shù)、用戶畫像、反欺詐模型、信用模型等技術(shù)成為必不可少的核心信貸決策環(huán)節(jié)。

隨著外部市場環(huán)境的不斷變化，僅僅依靠傳統(tǒng)的信貸決策方式已不能滿足銀行消費信貸業(yè)務(wù)發(fā)展的需要，正確及時地決策成了銀行業(yè)各機構(gòu)生存與發(fā)展的重要保障，智能決策模型系統(tǒng)的搭建（以下簡稱“系統(tǒng)”）至關(guān)重要。

1 系統(tǒng)設(shè)計思想

智能決策引擎模型系統(tǒng)的設(shè)計需要結(jié)合業(yè)務(wù)實際，做到功能完備的同時，又具有可發(fā)展性，能夠應(yīng)對未來的市場變化。系統(tǒng)的設(shè)計主要考慮以下3個方面。

1.1 多維識別，防范欺詐

消費信貸業(yè)務(wù)前端一直面臨著大量欺詐客戶的攻擊，隨著身份偽冒、團伙欺詐等風(fēng)險愈演愈烈，科技反欺詐成為系統(tǒng)中必不可少的一環(huán)[1]。首先通過內(nèi)嵌人臉活體識別、指紋識別、聲紋識別等前端生物識別技術(shù)進行客戶身份認(rèn)證。其次通過銀行卡四要素鑒權(quán)技術(shù)，進一步進行客戶身份核實。最后通過OCR等文字識別技術(shù)，進行申請資料的識別，將紙質(zhì)或圖像材料轉(zhuǎn)為電子化信息，使其能夠供決策模型系統(tǒng)后續(xù)使用。

1.2 海量數(shù)據(jù)，流暢運行

隨著業(yè)務(wù)的不斷發(fā)展，沉淀的數(shù)據(jù)量及數(shù)據(jù)維度呈指數(shù)級增長，傳統(tǒng)的Oracle數(shù)據(jù)庫架構(gòu)在運行高維、大批量數(shù)據(jù)時顯得力不從心，模型迭代進度受數(shù)據(jù)處理速度制約。

在該背景下，系統(tǒng)設(shè)計搭建基于Hadoop框架的大數(shù)據(jù)平臺，采用非結(jié)構(gòu)化的數(shù)據(jù)存儲方式和分布式計算功能，使模型開發(fā)在大數(shù)據(jù)運算過程中更加靈活和高效。

1.3 實時決策，智能預(yù)警

智能決策引擎模型系統(tǒng)主要運用于自動化審批，對于系統(tǒng)的實時處理能力有著極高的要求。同時，高并發(fā)的審批過程也會伴隨一定概率的錯誤進程，需要建立智能化的預(yù)警機制。

系統(tǒng)設(shè)計采用“決策引擎+Python模型接口”的方式，擴展自動化審批功能的同時，大幅縮短單筆審批時間。同時，系統(tǒng)需要通過設(shè)置相關(guān)策略，實現(xiàn)對單位時間內(nèi)申請量、審批結(jié)果等統(tǒng)計信息的實時預(yù)警，幫助業(yè)務(wù)人員及時發(fā)現(xiàn)并快速解決問題。

2 系統(tǒng)結(jié)構(gòu)

智能決策模型系統(tǒng)以大數(shù)據(jù)平臺（Hadoop）和數(shù)據(jù)倉庫（MPP）混合架構(gòu)的大數(shù)據(jù)基礎(chǔ)體系，為后續(xù)數(shù)據(jù)應(yīng)用奠定了堅實基礎(chǔ)（如圖1所示）。

大數(shù)據(jù)平臺負責(zé)歷史數(shù)據(jù)、外部數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、數(shù)據(jù)挖掘、客戶畫像、風(fēng)控、智能決策等場景的支撐，數(shù)據(jù)倉庫負責(zé)傳統(tǒng)報表、指標(biāo)等統(tǒng)計分析場景，兩者相輔相成，共同支撐著整個數(shù)據(jù)條線的應(yīng)用。

2.1 數(shù)據(jù)采集

利用大數(shù)據(jù)平臺自帶的數(shù)據(jù)采集組件Flume、Kafka、Sqoop，兼容各種數(shù)據(jù)源，包括流式數(shù)據(jù)（業(yè)務(wù)消息流/日志消息流等）、磁盤文件、各種數(shù)據(jù)庫、其他存儲系統(tǒng)等。采集后的數(shù)據(jù)落地到大數(shù)據(jù)平臺分布式存儲中，其中流式數(shù)據(jù)也可不落地直接進入實時處理應(yīng)用中。

2.2 分布式存儲

利用大數(shù)據(jù)平臺HBase組件和HDFS組件的特性，對海量非結(jié)構(gòu)化數(shù)據(jù)進行存儲，支持無限拓展，線性擴展能力強，數(shù)據(jù)存儲靈活。

2.3 資源調(diào)度

多租戶是大數(shù)據(jù)平臺大數(shù)據(jù)集群中的多個資源集合，具有分配和調(diào)度資源的能力。資源包括計算資源和存儲資源。多租戶將大數(shù)據(jù)集群的資源隔離成一個個資源集合，彼此互不干擾，用戶通過“租用”需要的資源集合，來運行應(yīng)用和作業(yè)，并存放數(shù)據(jù)。在大數(shù)據(jù)集群上可以存在多個資源集合來支持多個用戶的不同需求。

2.4 實時處理

大數(shù)據(jù)平臺內(nèi)存數(shù)據(jù)庫Redis、分布式消息隊列Kafka和實時處理引擎Flink，對數(shù)據(jù)進行分布式計算，實現(xiàn)實時數(shù)據(jù)傳輸、實時數(shù)據(jù)緩存和實時數(shù)據(jù)流處理的高速處理。為智能預(yù)警和智能決策系統(tǒng)提供實時準(zhǔn)確的數(shù)據(jù)服務(wù)。

2.5 離線處理

Spark和ELK為海量結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的離線分析處理提供技術(shù)支撐。

2.6 決策模型

基于Spark架構(gòu)預(yù)置機器學(xué)習(xí)算法庫和數(shù)據(jù)分析挖掘算法，提供可視化分析挖掘平臺，構(gòu)建實時反欺詐平臺和模型訓(xùn)練平臺。以用戶數(shù)據(jù)、畫像及行為的關(guān)系網(wǎng)絡(luò)為基準(zhǔn)，通過反欺詐模型、信用模型等進行風(fēng)險分析決策，完成貸前準(zhǔn)入、貸中監(jiān)控、貸后管理的信貸全生命周期管控流程。

3 業(yè)務(wù)支撐及實現(xiàn)

業(yè)務(wù)流程如下：客戶在信息認(rèn)證界面，需要進行基礎(chǔ)認(rèn)證及提額認(rèn)證，其中基礎(chǔ)認(rèn)證包括填寫聯(lián)系人、身份證認(rèn)證（上傳身份證照片正反、進行活體認(rèn)證和人臉識別、OCR解析并由系統(tǒng)判斷身份證有效期）、銀行卡綁定（進行四要素驗證）。提額認(rèn)證主要包括人行及各類其他征信源查詢授權(quán)如圖2所示。

客戶提交貸款后，系統(tǒng)首先進入準(zhǔn)入策略，篩查掉不符合公司合規(guī)要求及產(chǎn)品對應(yīng)策略要求的客戶，然后，通過反欺詐策略攔截內(nèi)外部黑名單、嚴(yán)重多頭及命中強關(guān)系欺詐規(guī)則的客戶，再進入信用策略，通過人行征信和自建的子數(shù)據(jù)源等模型劃分客戶資質(zhì)和分類，評估客戶風(fēng)險等級，并匹配對應(yīng)額度和定價。對于評分灰色區(qū)域（評分在拒絕閾值左右）客戶和反欺詐策略給出的欺詐團伙、黑中介等屬性客戶，進入人工審核環(huán)節(jié)，跟進并確認(rèn)客戶的欺詐風(fēng)險和信用風(fēng)險。審核通過后，短信通知客戶審核結(jié)果，提醒客戶后續(xù)做好還款準(zhǔn)備等工作，并放款至綁定的銀行卡。

4 風(fēng)控模塊及其安全性

決策模型主要運用于自動化審批，對于系統(tǒng)的實時處理能力有著極高的要求[2]。同時，高并發(fā)的審批過程也會伴隨一定概率的錯誤進程，需要建立智能化的預(yù)警機制。

4.1 反欺詐模塊

反欺詐模塊由身份驗證、黑名單、團伙識別、反欺詐模型等多個子模塊組成，從不同角度打擊不同形態(tài)的個人與團體欺詐，可以有效防范各種欺詐形態(tài)，減少風(fēng)險損失，保護客戶的利益。

4.1.1 嚴(yán)格的身份驗證

系統(tǒng)采用活體檢測、人臉識別、OCR技術(shù)和銀行卡鑒權(quán)等多種技術(shù)相結(jié)合，對申請者的身份進行嚴(yán)格的驗證，增加身份偽冒的成本。這些環(huán)節(jié)均在信貸產(chǎn)品申請環(huán)節(jié)中嵌入并實時進行核驗，保證了風(fēng)險控制的準(zhǔn)確性和申請時效性的平衡。此外對同一設(shè)備登錄不同賬號等高風(fēng)險異常行為進行嚴(yán)格控制，有效防止賬號被盜、黑中介代客下單等欺詐行為。這些技術(shù)在征信查詢之前就可以對欺詐客戶進行有效攔截，降低欺詐風(fēng)險的同時，也可以保護客戶利益不被違法分子侵害。

4.1.2 黑名單

利用歷史積累的申請數(shù)據(jù)與表現(xiàn)數(shù)據(jù)，形成內(nèi)部的黑名單并持續(xù)更新。黑名單可以對風(fēng)險較高的歷史客戶進行快速識別，可以有效節(jié)省征信成本與系統(tǒng)資源。

4.1.3 欺詐團伙識別

傳統(tǒng)的信貸審核只以單筆申請的角度對客戶進行審視，無法獲得不同申請之間的關(guān)聯(lián)關(guān)系。而消費信貸申請的欺詐行為中，團伙欺詐占較大一部分，相較于個人欺詐也會帶來更大的風(fēng)險損失。團伙欺詐具有組織性強、攻擊隱蔽、手段復(fù)雜等特點，傳統(tǒng)的風(fēng)險控制手段無法應(yīng)對一直更新的復(fù)雜攻擊手段，效率和準(zhǔn)確率都有一定限制。針對該問題，建立了關(guān)系網(wǎng)絡(luò)模型，通過積累沉淀信貸生命周期中的客戶數(shù)據(jù)，尋找不同申請之間的關(guān)聯(lián)性，并通過社群發(fā)現(xiàn)等圖算法，定位高風(fēng)險的欺詐團體。當(dāng)新的客戶來申請時，系統(tǒng)可以通過算法快速定位其與高風(fēng)險欺詐團體是否有關(guān)聯(lián)。關(guān)系網(wǎng)絡(luò)模型隨著數(shù)據(jù)的積累定期進行更新迭代，能應(yīng)對一直更新的欺詐手段。

4.1.4 反欺詐模型

信用風(fēng)險模型注重對所有客戶進行分級，一般采用經(jīng)典的邏輯回歸算法，體現(xiàn)出主要特征與風(fēng)險之間的線性關(guān)系。而欺詐客戶一般可以通過一些手段進行包裝，導(dǎo)致信用風(fēng)險模型無法抓取極少部分人的異常行為。因此針對欺詐客戶，開發(fā)了專用的反欺詐模型，對異常行為進行大量的特征衍生，采用隨機森林、梯度提升決策樹、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)的領(lǐng)先算法，抓取大量特征與欺詐風(fēng)險之間的非線性關(guān)系，對異?？蛻暨M行甄別。

4.2 信用模塊

系統(tǒng)的信用模塊主要結(jié)合內(nèi)外部數(shù)據(jù)，由信用規(guī)則和信用模型組成，對客戶進行風(fēng)險評級。

4.2.1 信用規(guī)則

根據(jù)人行報告和外部數(shù)據(jù)顯示的申請人不同階段的申請、發(fā)放、還款等行為數(shù)據(jù)，衍生出不同時間序列維度下的數(shù)據(jù)標(biāo)簽，從收入負債、資金緊迫性等方面評估申請人的還款意愿和還款能力，形成強風(fēng)險規(guī)則組合。

4.2.2 信用模型

信用模型運用數(shù)據(jù)挖掘方法，通過對客戶的基本信息特征、行為記錄、交易記錄等大量原始數(shù)據(jù)進行分析，挖掘數(shù)據(jù)中客戶存在的行為模式、信用特征，預(yù)測客戶未來的信用表現(xiàn)。信用模型的主要功能是以科學(xué)的方法將風(fēng)險模式數(shù)據(jù)化。提供客觀風(fēng)險量尺，減少主觀判斷。提高風(fēng)險管理效率、節(jié)省人力成本。其主要包括2個方面的內(nèi)容。1）算法研究。目前系統(tǒng)主要運用邏輯回歸、決策樹、聚類等常規(guī)算法，實現(xiàn)對客戶的分層和評級，這些算法可解釋性高、穩(wěn)定性好。同時，XGB、CNN等前沿算法模型也在系統(tǒng)中同步運行，但由于該類算法近乎黑箱，無法有效解釋其中變量與風(fēng)險的關(guān)系，一旦模型出現(xiàn)異動，無法準(zhǔn)確定位原因并進行有針對性地處置，同時模型穩(wěn)定性較低，區(qū)分度隨時間下降較快，因此僅作為主模型的補充和交叉驗證。此外，在新模型迭代的過程中發(fā)現(xiàn)，如果建模樣本中不包含拒件客戶，會導(dǎo)致在訓(xùn)練過程中表現(xiàn)較好的新模型，迭代后業(yè)務(wù)風(fēng)險反而有所上升。所以在模型開發(fā)過程中應(yīng)使用拒絕推斷算法，納入歷史拒件樣本，更準(zhǔn)確地評估整體樣本風(fēng)險，避免因模型迭代導(dǎo)致的風(fēng)險波動。2）模型應(yīng)用。為了持續(xù)篩選風(fēng)險防控效果最優(yōu)的模型，同時保證不同特征的客群能有一定風(fēng)險表現(xiàn)供后期模型優(yōu)化，系統(tǒng)中設(shè)置了一定比例的冠軍挑戰(zhàn)審批流，比較各個模型的風(fēng)控效果及各類特征客戶的實際表現(xiàn)，用于逐步優(yōu)化迭代模型。在線上業(yè)務(wù)發(fā)展過程中發(fā)現(xiàn)，不同客群的風(fēng)險表現(xiàn)有一定差異，根據(jù)整體客戶風(fēng)險表現(xiàn)對模型閾值采用一刀切的方式，會導(dǎo)致不少好客戶被拒之門外，過件率較難提升。結(jié)合客戶畫像的研究結(jié)果，在模型評分閾值的制定上納入了“分客群”的思想，根據(jù)客群資質(zhì)靈活調(diào)整模型閾值，提升過件率的同時降低風(fēng)險。

5 結(jié)語

項目上線以來，累計實現(xiàn)自動審批逾900萬筆，服務(wù)客戶逾500萬人，審批時效在1 min以內(nèi)，模型表現(xiàn)也穩(wěn)步提升。該項目極大地節(jié)省了人工成本，降低風(fēng)險損失，優(yōu)化客戶體驗，借助科技創(chuàng)新推進普惠金融。

參考文獻

[1]吳雷，楊儀，吳傳威，等.基于多層架構(gòu)的信用卡反欺詐系統(tǒng)研究[J].金融科技時代，2018（1）：41-45.

[2]單良，喬楊.數(shù)據(jù)化風(fēng)控：信用評分建模教程[M].北京：電子工業(yè)出版社，2018.