金融信贷数字化加速，银行如何搭建风控基座？｜产业安全专家谈

原创腾讯安全腾讯安全

数字化大背景下，银行等金融机构的线上化转型已成大势所趋，线上业务的拓展对银行风控能力与技术提出了新要求，如何孵化、搭建自主可控的完善风控体系成为银行业关注的焦点。

中小银行从零搭建线上信贷业务体系，应该遵循怎样的建设路径？线上业务承接、自动化批贷是银行面临的普遍性问题，腾讯安全有哪些解决方案？在数据不出本地的情况下，引入的外部风控模型如何迭代？零售信贷业务，增长与风控之间的矛盾该如何平衡？由腾讯安全联合云+社区打造的「产业安全专家谈」第二十九期，邀请到腾讯安全金融风控专家李超，深度解读银行线上信贷业务平台建设与管理的有效路径，并分享腾讯安全在助力金融机构孵化线上信贷业务体系的实践经验。

Q1：在疫情的情况下，银行业转型线上现在已经成为大势所趋，不过也有很多中小银行缺乏转型所需要的技术和能力，那么在您看来，一家银行想要从零开始搭建起完善的线上信贷业务体系，应该遵循怎样的建设路径？

李超：数字化和线上零售信贷业务确实跟很多银行传统业务是有非常大差异的。中小银行来构建的话，大概要经历这样几个步骤：

第一，从系统层面，过去我们在做传统线下业务的时候，是更多的基于一些人工操作：人工填表、员工信审。这是不能够满足互联网信贷业务实时化的需要的。

所以首先是需要构建一个很完善的数字化的业务体系。在这个业务体系之下，包含了整个大数据处理体系、数字的业务体系以及数字风控实时决策平台、包括配合线上业务的数字化运营、数字化管理的一系列的报表监控体系，所以第一是构建一个数字化的系统平台。

第二，在此之上，对于互联网线上业务，相对于传统的线下业务，它需要基于大数据的实时的风险决策，那么就必须构建一整套的大数据风控的数据体系以及风险政策。这一块也是相对于过去线下业务非常大的一个变化。

第三，前面两个更多的相当于是基本的要素，但是要想把互联网信贷业务运营起来，要有相应的人才资源管理机制，以及与之相适应的一整套的运营体系，这也是整个互联网信贷业务的必经步骤。

那么对于中小银行，尤其是一些小银行来说，这是一个非常庞大的体系，搭建起来是非常长的一个周期，需要3~5年都是很常见的事情，但是我们怎么能够快速的来构建套的体系呢？

在前几年，采用助贷或者联合贷模式，快速构建规模的互联网信贷业务，是一种捷径。但是随着近些年监管对业务平台要求越来越明确，需要中小银行构建自己自主可控的风控体系。对于中小银行来说，跟成熟的解决方案提供商合作，就能够快速地度过系统的孵化周期，能够快速的形成规模的互联网信贷业务，这是我们针对小银行的路径建议。

同时对于中型银行，我们看到了一些新的趋势，比如说，规模稍大一点的城商行和农商行，他们自身已经有了一些数字化转型的尝试，在不同类型的业务里也逐渐地构建了一些业务数字化业务平台或者是风控平台。

一个很明显的趋势是，大家开始在构建整套的新型的零售信贷业务平台之前，会先搭建一个风控平台，风控平台更像是他们整个业务的一个基座，就像我们去盖楼，要先盖地基。通常都是先跟我们一起搭建一整套的风控平台之后，再在上面来构建垂直的各个业务体系，比如说零售信贷业务体系。

Q2：关于传统银行转型线上信贷的一些普遍性问题，比如说客户从哪来，客户来了之后业务怎么承接，如何决定是否批贷、放多少额度？面对银行业这些普遍性的问题，腾讯安全有哪些相应的解决方案？

李超：流量也好，流量审批也好，在我们看来，其实它不应该是一个单点的问题或解决方案。在互联网信贷业务里，风控是贯穿到整个业务里边的，从客群定位到各个环节的预期风险水位、风险的指标，一直到最后的整个的盈利模型测算，它是一整套非常体系化的东西，环环相扣，相互制约。必须在做互联网业务之前，在做信贷产品之前，先把这些以风控的视角做好顶层设计。只有整体大逻辑是通的，盈利模型是明确的可以盈利的，并且也对各个环节相应的指标有比较具象的预期的时候，才能够针对性地去设计。比如说，客群要怎么去找？大概要投入多少成本去做营销？客户来了，大概要给他多少通过率才算达标？风险大概要优化到什么程度？所以，最根本的解决方案是一定要从风控出发，来对整个业务做一个系统性的设计。

那么，针对这些问题，腾讯安全提供“星云”端到端的解决方案，能够覆盖整个信贷面临的所有环节：从零售到营销，到风控信审、运营管理，甚至到贷后的管理，一整套业务流程解决方案。

同时，它不只是提供了整个业务所需要的数字化平台和决策风控平台，同时，更重要的是也提供了专家咨询性质的服务。我们的专家团队都是来自行业的头部的金融机构，在头部金融机构里面操盘过成功的信贷业务，能够提供体系性的风控决策体系，以及信贷产品顶层设计和运营支持。

Q3：数据和算法是金融数字化的重要生产要素，但很多中小银行一是缺数据，服务增量客户有些力不从心；二是出于隐私保护和监管要求，不希望数据出本地；三是缺算法和模型，有些银行引入了外部通用模型，但在数据不出本地的情况下，引入的外部模型如何迭代？对于这些问题，您有哪些解决方案？

李超：根据我们的经验，通用的模型确实是没办法适配不同的金融产品或者不同的客群、客户。对模型进行定制化建模、定制化设计能够提升风险识别准确率，提升产品竞争力。在这个过程中，过去面临最大的一个问题就是银行的数据没有办法出来。腾讯一直是非常重视用户的数据隐私和数据安全。也不会把原始数据给出去。

那么，如果我们的数据不能去到银行，银行的数据不能出来的话，就很难对银行业务、客群进行针对性模型建设。我们从去年开始推出了“联邦学习”解决方案，就是我们腾讯自研的powerFL。

“联邦学习”能够满足在双方的原始数据不出域的情况下，通过我们的模型在两边不断地切换，来学习两边各自的知识，最后能够构建起一个基于腾讯的底层的能力，并且非常适配银行具体场景的定制化建模过程。基于“联邦学习”的深层定制的技术，也在星云的很多合作伙伴里面进行非常广泛的运用，大大提升了客户业务对风险的动态适应能力。

Q4：风控能力是银行的核心能力，决定了银行能否稳健经营。另一方面，银行作为商业机构，又有追求增长的内在动力。您认为，一个好的风控模型，应该如何平衡业务增长与风控之间的矛盾？

李超：平衡风控和增长是数字化信贷业务相对于传统信贷业务最重要的差别。在过去，做传统线下信贷业务的时候，流量可以说是零成本的。门店客户走进来做业务，我们不用付出任何营销的成本。

这时候，传统的金融机构比较常见的就是采取一种保守方式：把觉得有风险的人全都拒绝掉，只做确定的一组客户，保证业务有一个非常健康的增长。

但是，在做线上业务的时候，有一个很大的变化是，线上业务流量是有成本的，并且这个成本非常高。而且要跟所有的其他线上业务进行开放的竞争。所以，我们不再能够简单的把我们觉得有风险的客户一刀切式的拒绝。这样会造成整个营销的成本大过整个业务带来的利息回报，导致盈利模型没有办法走通。所以线上业务里边，平衡风险和增长非常关键，也是整个业务的核心竞争力。

想要解决风险和增长之间的矛盾或者平衡，靠的并不是模型，需要风险模型和风险政策一整套相互配合的风控体系来解决。在我刚做金融业务的时候，我也觉得其实所谓的决策流，它更多的像是一个简化的经验性模型，最终的形态一定是被机器学习模型来取代的。

但是，随着对业务逐渐的了解，我认识到决策在这里边有很关键的作用。因为模型实质是对当前风险有一个量化的评估，来告诉我们它有多大的概率是坏的，或者说有多大概率可能会逾期。而风险策略或者风险政策，更多的是针对不同的风险量化指标下，决定最终是不是对用户进行授信，或者不授信。它本质是体现了我们对业务本身的风险偏好，产品的定位，以及当前整体大盘的现状和市场趋势的综合考量下决策。它才是调节风险和增长之间的trade off的杠杆，背后需要对行业有非常深厚的理解。

Q5：在线上信贷和金融数字化方面，腾讯安全有哪些独特的技术优势？我们已经取得了哪些成绩呢？

李超：首先在科技层面，腾讯作为中国互联网业务先驱之一，在做互联网数字化业务上面的科技能力是毋庸置疑的。

在风控层面，腾讯安全有20多年的黑产对抗的经验，积累了非常丰富的黑产识别模型，以及大数据风险量化的一系列人工智能技术战，能够提供非常好的风险量化的能力。

同时，在业务层面，我们也非常敬畏行业的专业性。行业头部金融机构里面也有很多做得非常好的风控专业人员加入我们，能够帮助我们提供非常好的风险政策建议，以及金融产品的顶层设计建议。这一块能够给很多的中小银行带来非常大的帮助。

最后，基于刚才提到的SaaS评分的能力以及咨询和科技能力，我们可以提供一个非常完整的风控解决方案，帮助银行解决在构建信贷业务里面面临的大部分问题。结合腾讯云生态，甚至能够帮助银行完成整个数字化里面面临的一些问题。这种综合的能力，是我们有非常有优势的地方。

得益于这些能力，我们也得到了很多客户和行业的认可。比如说，我们和国家相关机构一起牵头制定了业务安全风险控制的国家标准和行业标准，以及IEEE国际业务安全标准。在去年的Gartner的在线反欺诈市场指南里，我们是中国唯一的金融风控服务商，被Gartner进行推荐。同时我们在forrester的企业反欺诈调研报告里边，也被评为了第一档的large象限。

Q6：对于线上信贷技术的未来趋势，您如何判断？腾讯安全天御团队会在哪些方向上努力？

李超：首先从宏观市场的角度来说，目前经济复苏在进一步的加快，新一轮的信贷爆发增长近在咫尺。同时，随着监管频繁对市场进行规范，也为下一步的增长奠定了基础。

那么，银行侧要想抓住这样一个机遇，如何能够充分利用技术和渠道的优势，来充分的触达、激活、留存优质客户，是非常重要的工作。这里边，动态风险管理依然是非常重要的点。

我们需要通过技术手段来对风险有更精准的量化，更适合当前的自身业务特点的风险的评估。联邦学习技术可以帮助我们做更好的机器学习模型和场景定制化适配，未来必然会有更广泛的应用。

同时，在线上信贷业务里边，我们看到冷启动或者样本不足，始终是一个普遍存在的问题。那么，针对这种问题，像天御过去在一直在深入研究的小样本学习技术，在未来也会得到更加广泛的应用。

这些技术我们都应用在了我们最近发布的星云2.0里面。

更远一点，未来开放银行也是一个很重要的方向。因为开放银行可以把银行的金融功开放出去，嵌入到行业其他应用里，能够让金融业务和用户生活场景有紧密的配合。所以，虽然眼下开放银行在国内并没有得到很大的发展，但长久来看，它还是一个非常重要的趋势。

腾讯安全正在护航产业安全

金融行业

交通行业

零售行业

互联网

同程艺龙 | 虎牙直播 | 唯品会 | 哔哩哔哩 | 快手 | 知乎 | 京东 | 顺丰 | 蘑菇街 | 三七互娱 | 完美世界 ……