中原銀行實時風控體系建設實踐
?摘要：本文整理自中原銀行數據平臺中心開發(fā)工程師陳玉強在 Flink Forward Asia 2021 行業(yè)實踐專場的演講。主要內容包括：
- 建設體系
- 選型 & 架構
- 應用場景
- 建設成效
01建設體系
銀行是經營風險的企業(yè)，對風險進行識別、衡量、定價和防范的能力是銀行核心競爭力。中原銀行構建了面向反欺詐、信用風險、運營風險的業(yè)務全流程風控體系。
銀行業(yè)務的申請、交易、營銷等環(huán)節(jié)都可能存在欺詐行為，隨著技術發(fā)展，在欺詐行為團伙化、隱蔽化、專業(yè)化、實時化情況下進行反欺詐難度越來越大。同時，隨著業(yè)務種類增多，傳統(tǒng)的專家規(guī)則評分卡模型難以應付復雜的風控場景，需要借助大數據、實時計算、機器學習、知識圖譜等高新技術打造高質量的授信能力。此外，是否能夠及時發(fā)現和化解業(yè)務運營風險，包括流程風險、員工異常行為、資產及負債流動性風險也面臨較大挑戰(zhàn)。
傳統(tǒng)技術應對這些挑戰(zhàn)時難以實時獲取用戶多渠道的操作行為，難以達到全方位、實時化的防控效果。傳統(tǒng)風控體系普遍基于專家規(guī)則進行測算，存在規(guī)則觸發(fā)閾值難以控制、吸收低飽和噪音數據難度大等特點，很難通過累計規(guī)則數量來提升精準度。此外，傳統(tǒng)系統(tǒng)間相對孤立、數據流通難度大、數據孤島的情況導致了專家規(guī)則制定和模型訓練難度大，不利于整體風控效果。
新的風控體系首先實現了實時化，通過流計算、內存計算等技術提高數據處理的時效性，做到了及時識別跨系統(tǒng)的風險行為，并通過云原生、資源彈性等技術提高系統(tǒng)的高并發(fā)能力。在提升硬實力的同時更注重智能化，將基于概率的機器學習模型與專家規(guī)則結合，充分釋放大數據價值，避免專家規(guī)則經驗盲區(qū)。此外，通過打造平臺化的產品，形成不同場景的快速支撐能力和完善的風控體系。
近三年我們經歷了對實時計算的探索、嘗試和平臺化建設，并將實時計算技術應用至反欺詐、事件驅動、實時 OLAP 等多種場景，2021 年底任務數量和日均處理數據量都提升數倍。在風控方面，經歷了從引入國外決策系統(tǒng)到自研決策平臺的轉變，2021 年自研決策平臺已經開始承接新需求和部分國外決策系統(tǒng)遷移而來的規(guī)則模型。
智能風控體系能力模型可以總結為：
- 風險特征識別及計算實時化；
- 融合專家規(guī)則與機器學習模型通過復雜編排提供智能化的決策能力；
- 通過平臺化屏蔽技術細節(jié)，給用戶提供友好的使用體驗；
- 在風控體系中通過標準化來制定規(guī)范、構建數據標準和開放數據能力；
- 并通過構建 ModelOps 管理體系實現風險模型從需求到投產的全生命周期管理；
- 此外，通過低代碼、可視化的方式有助于降低使用門檻。
02選型 & 架構
在本體系架構中，Flink 主要用于數據清洗、實時維表加工與關聯以及窗口計算等場景，通過預計算、內存計算、聚合計算實現基礎指標、衍生指標、復合指標的加工，為決策模型提供特征支持。模型編排專注于編排決策集、評分卡、決策樹、決策表等豐富和易用規(guī)則模型，同時在規(guī)則中可以調用指標服務、算法模型服務共同參與邏輯運算。
風控體系基于云原生架構和開源技術實現，支持報文、接口、多種類型數據庫。通過數據源、維表、參數配置界面化，并支持用戶用 Flink SQL 編寫業(yè)務邏輯，極大程度降低了實時計算的使用門檻。通過可視化編排 (DAG) 將規(guī)則/模型/指標引擎的計算能力進行組合以支撐風控決策。此外還有一些特色功能，如 SQL 評分、網關分流等。
實時指標可以用于專家規(guī)則，實時特征可以供在線 (online) 模型訓練。機器學習平臺使用離線 (offline) 數據進行模型訓練和模型推理，同時結合規(guī)則篩選出來的風險數據，基于離線數據進行有監(jiān)督和無監(jiān)督的算法訓練。
03應用場景
反欺詐是交易的重要環(huán)節(jié)，通常會基于黑白名單、知識圖譜、司法、稅務、工商等內外部數據對交易數據打寬，打寬后的數據用于專家規(guī)則和機器學習模型。交易發(fā)起系統(tǒng)會根據智策平臺的決策結果對交易放行或加強驗證。風險結果數據可作為樣本，用于圖數據進行關聯挖掘或特征分析，或者用于有監(jiān)督學習。
技術實現方面，針對交易請求，智策平臺會根據 DAG 編排邏輯來調用不同的計算引擎，并返回計算結果。同時，實時計算平臺會使用交易系統(tǒng)數據庫的變化數據計算交易/行為等實時指標。此外，歷史數據會被抽取到離線數倉和數據湖中，供下游的機器學習平臺使用。
對授信狹義且簡單的理解就是金融機構向客戶提供資金的行為。智策平臺通過評分卡、決策集等方式承載了貸前階段 50 余個場景，日均接收授信請求約 3 萬筆；對于以批量數據處理為主的貸中、貸后環(huán)節(jié)，日均處理數據 1300 萬條。
授信場景較交易反欺詐場景在技術架構明顯的差異在于它需要外部數據支持。智策平臺將關聯了內外部數據的交易變量進行專家規(guī)則運算、機器學習模型推理。授信場景暫時沒有使用實時指標。
員工行為、信貸管理、輿情分析都在運營風險的范疇內，將沖正行為、機具管理等場景數據加工成離線運營風險指標，將高敏感行為數據加工為實時指標，通過智策平臺對兩類指標進行規(guī)則、模型運算而得出預警結果，進而形成風險核查事件、名單等。結果數據也會作為風險特征樣本來訓練算法和挖掘風險。
運營風險的技術架構比較直觀，每天將歷史業(yè)務數據同步到數據倉庫，在數倉中完成風險指標的加工，同時離線數據也會被用于模型訓練。智策平臺每天定時對離線指標進行規(guī)則運算，并將風險預警結果推送給下游運營系統(tǒng)。
04建設成效
業(yè)務成效方面，反欺詐系統(tǒng)對接了 14 個渠道，105 類場景，在傳統(tǒng)反欺詐技術上引入流計算實現實時反欺詐，助力管控了 1 萬多高危賬戶，協(xié)助阻斷轉出資金超千萬元，實現了全年線上交易零欺詐損失。授信方面，支撐了全周期的信貸場景，包括額度評估、風險定價、貸后預警等 50 多個場景，每天處理進件 3 萬余筆。每天批量處理運營指標數據 30 余萬，同時通過 Flink 每天實時處理員工行為數據約 3000 萬條，具備實時發(fā)現內部的高風險行為的能力。
技術成效方面，智策平臺每天接收業(yè)務交易請求 5 萬余筆，響應時間約 8 毫秒 (最新數據)。規(guī)則和模型編排場景響應時間小于 3 秒，每天處理批量數據約 1800 萬條。實時計算平臺日均處理數據 2.7TB，較年初增長了 5 倍。在平臺化基礎上，本體系具備靈活編排專家規(guī)則和機器學習模型的能力，每天調用機器學習模型服務超過 2 萬次。?
