本次研讨会的主题为“区块链与金融科技”。随着新技术与金融的深度融合,金融科技成为助力经济转型升级的新动能。此次研讨会就区块链技术的应用和推广以及金融助力推动地方经济发展建设等内容进行广泛的探讨与交流。
全国社保基金理事会副理事长王忠民、社科院金融所所长助理杨涛、阿里巴巴阿里云政府事务总监吴金海、海尔金融控股公司CIO李大鹏、明略数据副总裁黄代恒、齐鲁工业大学金融学院院长徐如志等六位专家在研讨会上发表了精彩的专题演讲。
明略数据副总裁黄代恒就大数据技术创新如何助力金融风控,让风控在海量、高并发的线上金融交易与行为中变得更实时、更精准、更“个性化”,节约反欺诈成本,提高风控效率等内容,并结合明略在金融行业的实践,与参会的各位专家、学者以及金融行业代表进行了分享。
以下为黄代恒先生分享内容实录
各位领导各位专家上午好!
我今天讲解题目是大数据技术创新在金融行业风控体系中的应用。今天各位专家提到一个问题大数据风控方面到底有没有用,实际我觉得这个问题可以具体再往下说一下。金融行业的风险是一个很大的概念,包含很多小概念。比如这里有信用方面风险、操作方面风险、行业风险等等。我们现在本身交易量越来越大,模式越来越创新,原来传统的银行也越来越向各种新型的交易方式发展,量大了,业务模式就复杂了。包括几个行业之间、几个企业之间的数据关系,一旦发生风险之后会不会形成互相影响,互相扩大。三个风险中刚才我也看到互联网一篇文章,实际讨论是传统说讲大数据,我们大家会理解互联网,各种渠道,电商也好,媒体也好,社交也好,许多信息来补充银行信用风险模型。这个事儿现在被大家质疑在这里,它不是没有作用,因为做信用最强调数据可信,互联网信息比行内实打实登记信息,交易信息,采集设备信息等还是有不足的,这方面有一定瓶颈和存在进一步发展的可能。
第二个方向我今天想介绍几个主题,跟这个行为风险控制密切相关。大数据实际提供一种更强大计算能力,而且更广、更快,这两个维度给我们的能力进行补充。事情还是以前的。今天想跟大家分享两个有趣的功能点,一个大数据技术支撑全渠道实时风控,我们银行的风控跟人工智能一样,是我们银行很久的命题。但以前可能很多在事后做事情,现在基于合适技术架构,爆炸式的技术能力可以基于很多复杂规则,结合行为数据将风控前移到事中或事前。
传统很多风控盯着一个个体,但人是有自然属性的。这些账号之间交易也好,数据流动也好产生出新规律,能够在一个更复杂领域和维度上进行分析。
现在欺诈场景在不断演进升级,整个随着金融形势扩展体现出手段多样,门槛低、成本低、金额小、事后追查困难等问题。其实大家理解一下这样的追查并不困难,很多蛛丝马迹,包括这个账号迁移、一些转账交易都可以查。那为什么事后查很痛苦?因为金额小。查了之后取证、追溯,不值。比如,诈骗五百或者两千块钱,时候的追查不值这个代价,这才引发我们要把这个防范在发生前面就堵住,需要二次确认,到客户这里停住,看起来这个事情其实是传统技术的延续,事实上会使我们整个事情流转得更加舒畅。刚才说什么叫做真正的普惠,把这些坏交易打住,可以把我们的好交易降低成本,让我们银行进一步为我们所有金融客户带来价值,这也是普惠。
所有防控手段这里面有四个阶段,开始有输入用户名密码,最后会附加短信确认,现在我们的技术已经是走到不管是先进大行还是我们接触一部分的城商行对于设备位置、行为、用户特征数据进行了一定的掌握,已经到了客户画像时代。包括我后面介绍数据风控也是强调千人千面,对一个账户的历史行为给每个人有策略。最后一部分是我介绍第二个话题画像关系图谱时代,这样之间流动,你与什么样账号发生关系,哪一种树状关系可能隐藏诈骗的风险,这都是技术要解决的问题。
我们把银行交易数据整理一下整理一下,所有规则放在大数据里面,有大概六类。比如有基础数据,银行信息账号,有设备信息,刚才说手机或者家里固定网络上网,支付行为等,规则不是单一适用,而是把它的适配模式组合起来。比如十分钟之内跨越地区在五百公里以上或者一百公里以上,一千公里以上,这样可以首次匹配,可以最坏匹配,几种行为都有风险,可以把最坏风险作为整个风险来测试这个行为。这样都给我们整个的并发处理这个,因为银行交易成千上万的,带来巨大负担,也说了一些组合规则的特点。
其实大部分的银行,特别是在支付系统上面,已经实现了简单规则的实时风控。为什么用大数据手段做进一步的加强,我们因为想做到对不同的账户,根据这个客户前半年的或者是前几个月的账户行为,给每一个账户建立一个基于风控的“画像”。可能同样的异常操作,对于一个账户来讲只提示通知,对于另一个账户可能就直接阻断了,这样使整个风控变得更加个性化,所谓“千人千面”。
比如说运行状态和风险情况哪些规则的比例越来越高,这是一个信号,说明最近这个诈骗行为呈现爆发趋势,甚至可以对哪个地区哪个时段加以特殊控制,哪一种少规则比较少见,可以甚至从规则库里慢慢拿掉。大数据风控对传统的实时风控对银行的价值在于,一个反欺诈能力加强,复杂度降低,还有实时性能加强,总体成本要降低,因为它是一个扩张成本非常低的解决方案。
第二个也是跟风控直接相关叫做基于关系网络的异常行为发现,关系网络实际上不管我们是在公共安全领域,还是在金融领域,实际上我们可以把纷纭复杂的账号、人、或者企业当做一个实体,各式各样之间的资金流动,担保可以作为一个关系,所有的事情看成实体、事件、关系这三个层次。大家一般理解图谱某一个互联网的一个话题,A企业,B企业,实际上现在的技术已经把每一个个体人,个体账号他们之间的关系通过图谱关系管理起来,这是现在可以非常确定做到这一点。
几个业务场景,其中一个比如资金回流跟担保是完全一样的,资金转一圈回到自己这里,比如一些账户的隐性关系,比如电信诈骗中,分散几个账号,又回到一个账号。比如不同账号进,ATM出,因为这些特征组合一起整个发现隐含问题的概率特别高。甚至有实时处理的技术,可以这个钱让他进直接出不了,这样比起事后规则,为了五百块钱交易事后调动各种各样力量起诉也好,求证也好会带来给我们不光金钱上面挽回损失,整个信用上避免麻烦带来损失。包括资金链条追溯和反洗钱,本质都是复杂关系网络上面某些特殊行为范式发现和发展。
这是关于人工智能的两个表现。我们有时候认为人工智能让机器告诉大家谁有问题,其实不一定是这样的。机器智能很多时候要服务于人工对这一个事情的研讨。比如金融领域的内部审计也好,安全领域的情报分析,都要从一个点在我们整个的拓展工具进行扩张,到多个点,有一些通过别的信息可以排除掉人在主导整个的推演过程,工具对于大数据技术在什么地方?这个网络建好可以快速支撑整个过程,这是非常重要的,人工智能并不是机器替代人的一个过程,而是机器辅助人到慢慢扩张人的过程。
通用的人工智能,其实在目前,在近未来来看还有一定的门槛。但是到某一个领域AlphaGo为什么可以做成,除了计算量扩大,领域数据分界清晰,还有一个输赢场景非常明确。在银行来讲我们的风控其实场景也非常明确,我们的专家脑海里面有大量的知识,什么样的行为,是怎么发现这一个事情的。这一种规则是相对狭窄一个数据级,加底层运算能力方面,这一个我们叫做行业人工智能。
后面两个辅助内容,想做所有这一切,即使想做到行业人工智能也不是一蹴而就的,要有基础的东西支撑。包括海量资产自动化管理、自动的质量控制数据对自动辨识和数据质量的控制和探查都是这方面的功能、开创性的建模平台等。在整个机器学习这个过程当中,从技术的手段上来讲其实并不复杂,但是整个这一件事情真正的来做一个企业的数据挖掘建模,其实有很多的一个完整链条,包括最开始做一些探索性的分析与挖掘,最后生产模型的组装和开发,投产到不同环境,是需要绝对的经验积累的。
今天由于时间的关系,我的分享就到这里,最后想跟大家说风控整个事情放在大蓝图来看,不是为了风控做风控,是为了风控把坏交易辨识出来,让好交易不被阻断,以更低成本完成来促进。还有一个重要的目的就是,希望不管是金融科技也好,大数据还是人工智能,技术的精进就是希望让我们每一个行业从业人员减少机械工作,提高每一个人的工作效率,进而提高整个行业和社会的效率。比如,我们内审专家在做筛查,现在随着大数据的引用,以前一个人可以使盯五十个重点企业,变成通过这个技术一个人可以对所有中小企业,哪怕一笔十块钱的交易可以通过类似规则加以阻断,这是明略数据希望为行业做的事情,也是科技真正对于金融来讲它的价值所在。非常感谢大家。
联系客服