qq点赞1元10万赞:KS自助人气

3、建立全流程风险控制体系，降低风险和成本压力

健全完善的全流程风控体系具有三个价值：通过对借款人的多维度分析和一对一的精准定价，开拓原本被认为风险太大而无法进入的市场，提高贷款额度； 依靠分析模型准确预测违约率，减少信用损失； 通过大数据分析和自动化决策流程降低风险加权资产RWA。

权威机构数据显示，上述三方面的价值可分别量化为：为金融机构带来每年2%至4%的增长率； 将信用损失减少10%至15%； 并将市场风险RWA降低5%至9%。 。

此外，在当前国内借款人还款能力下降、违约风险加大的背景下，银行资产质量和资产管理能力已成为核心竞争力。

艾分析基于大量访谈和调查发现，目前国内银行在零售信贷风险管理领域的实践主要集中在贷前反欺诈、贷前授信审批、贷中贷中四个方面。贷款预警、贷后处置。

3.1. 优化贷前准入、贷中监控和风控体系，严格控制增量风险

目前，银行业金融机构在贷前反欺诈、授信审批、贷款监控等方面面临以下三大难点：

首先，在贷前反欺诈阶段，银行和消费金融公司面对互联网的下沉流量，往往缺乏相应的数据积累，难以识别长贷、团伙诈骗等欺诈风险。 。

其次，在贷前授信审批阶段，传统审批方式数据维度单一，风控模型准确性较差，难以识别隐藏的信用风险。 此外，银行和消费金融公司更多地依赖线下信用审核方式。 业务部门将纸质材料提交给相关授信审批人员，由授信审批人员进行信息录入和研究。 该模式审批流程耗时，审批效率低。

最后，在贷款监控阶段，由于缺乏贷款预警机制，银行和消费金融公司很难提前识别和防范潜在的坏账风险。

随着新数据源的接入以及算法和模型的完善，银行和消费金融公司在零售信用风险管理领域的实践在贷前和贷中阶段主要集中在两个方面：

1）基于大数据和机器学习，利用现有用户标签建立资质壁垒，构建人群基础画像。 在此基础上，进行后续风险排查，包括贷前风险识别和限额，以及贷款过程中的实时监控和预警。

例如，贷前准入流程中的反欺诈风险和客户还款能力判定等； 在信贷审批过程中，根据不同的客户群体，领先的消费金融机构甚至可以在数千人面前实现风险定价； 贷款过程中的高风险交易行为和客户流失预测。

2) 授信过程是在线且自动化的。 自动化的授信审批流程使得申请流程和风控决策流程在线化、智能化，无需人工干预即可实现准确的风险评估。 权威机构的数据显示，流程自动化可以减少人工和重复性工作（如贷款审批过程中将数据录入风险系统、数据异常检测和清理等），提高效率70%-80%。

目前，领先的银行和消费金融公司在贷前和贷中的风险管控方面拥有最佳实践。

近一两年，银行越来越注重覆盖低端客户群体。 例如，某国有银行信用卡中心原本缺乏下沉客户群体的数据积累和模型构建经验。 通过联合建模，引入外部数据源作为银行内部数据的补充，构建下沉客户群体的用户画像并进行分析。 外部流量筛查和风控，有效降低欺诈风险。

与银行相比，持牌消费金融公司受到的监管压力较小，对复杂风控模型的开发和接受程度较高。 传统的建模方法是引入强变量并使用简单的逻辑回归线性模型。 目前，消费金融机构更愿意引入更多的弱变量来增加数据维度，并部署更复杂的模型，例如随机森林和机器学习。

例如，某领先的消费金融公司基于大数据和人工智能技术建立了大数据风控平台，整合多源异构数据，利用GBDT等机器学习算法开发风控模型，生成10万个变量。 针对不同层次的客户群体制定了600多项精细化策略。 疫情前后，该机构30+信贷产品逾期率均保持在0.5%以下，明显低于3%至4%的行业平均水平。

在流程自动化方面，领先银行纷纷部署机器学习平台，覆盖数据接入、数据处理、特征工程、模型训练、模型管理的端到端机器学习流程，实现自动化、低门槛、快速的模型开发，并改进信贷审批。 效率。 例如，一家领先的城市商业银行采用了机器学习平台，每月节省了约1至2人的工作量。

华策数码：用数字化的力量，“决策引擎”为银行授信审批线上智能化保驾护航

随着大数据和互联网技术的发展，特别是互联网金融经过多年的流量，虽然银行的数字化进程在一定程度上丰富了银行的产品和业务类型，提高了渠道便利性和客户体验，但传统风格的控制方法仍难以满足互联网海量下沉流量的风险管控需求。 银行数字化进程中伴随的欺诈风险时刻考验着银行的管理和风险防控能力。

iAnalysis试图通过案例分析，探索银行业通过全流程风控体系数字化转型实现降本增效的最佳实践路径。 作为中部地区领先的城市商业银行，案例银行此前在发展普惠金融服务的过程中进行了一些内部数字化改革，包括引进国外系统软件来优化流程。 但在实际业务场景中，我们仍然面临客户信息真实性难以识别、人工验证成本高等问题。 这些问题将借助金融科技得到有效解决。

从用户生命周期来看，银行的风险管理贯穿于反欺诈、贷前客户识别、贷款监控、贷后管理等各个环节。 每个环节都需要业务部门和技术部门及时联动，尽量减少潜在的新风险。 增加坏账损失。 然而，在该城商行的线上审批流程中，IT人员主要部署风控规则和模型。 对于新产生的业务需求，需要银行业务人员提出需求，IT人员可以对原有需求进行调度和部署。 难以根据客户风险和行为的变化及时调整风控模型。

因此，城市商业银行迫切需要建立数字化驱动的短、流畅、快速的授信审批模型，准确识别用户欺诈风险，缩短授信审批时间，提高模型的业务响应效率。 为此，城商行与领先的第三方金融科技服务商华策数科合作，通过联合建模和系统导入，开发记分卡模型和决策引擎，更好地推进数字化转型进程。

决策引擎赋能业务场景，有效降低风控成本67%，坏账率降低4.2%。

大数据是智能风控建模的基石。 银行只有基于海量、多维度、多层次的数据，才能通过数据挖掘、数据分析等手段，为客户打造个性化标签，使客户分层更加细化，并利用机器学习、深度学习。 等算法进行更频繁的模型训练，以提高风控模型的准确性。

与大型全国性银行相比，这家城市商业银行作为区域性银行，拥有更多的下线客户群体。 但银行往往缺乏此类客户群体完整的数据维度，因此承担较大的不确定性风险。

华策数科决策引擎系统通过接入银行内部数据、央行信贷数据和第三方数据，通过决策引擎连接外部数据模型和内部数据模型，进行数据清洗和衍生变量开发。

华策数科的记分卡也是这家城商行使用的数据模型之一。 华测数字根据多个客户标签对客户进行评分，并在系统后台形成近百个版本的记分卡模型。 它根据使用场景和产品类型，选择最能区分客户群体的记分卡版本，并使用API​​的方法连接并集成到行业原有的记分卡模型中。 这相当于在银行原有的记分卡模型上增加了一个新的变量，丰富了数据维度，有效提升了原有银行内部的模型效果。

此外，决策引擎会优先调用低成本数据（例如内线数据）进行第一轮客户分析筛选，然后调用成本较高的数据（例如外部数据记分卡）进行第二轮客户分析和筛选。对客户进行一轮分析和筛选。 通过筛选，排除了存在明显风险问题的客户，在确保风险可控的同时，单位风控成本降低了67%。

艾分析在调查中发现，由于小微企业往往缺乏公开透明的信息和正规的财务报表信息，银行往往难以识别小微企业的欺诈风险。 尤其是对于小微企业的多头放贷情况，银行不仅难以获取相关数据，而且无法验证数据的真实性。

该城市商业银行传统的风险控制方法主要基于银行数据和央行信用报告内的建模。 可用的数据来源相对有限，难以识别小微企业和零售客户的长期借贷、薅羊毛等欺诈信息。 而且，该城商行此前对小微企业和零售客户的授信审批采用的是传统的线下授信审批方式，即通过线下访谈和现场尽职调查的方式收集客户信息。 审批时间从一周到一个月不等。 。

现阶段，城商行基于公共信息、客户授权数据等多个数据源，可以获得80%的客户属性信息，并可以通过模型计算其他关键风险属性，为数千人识别风险，帮助公司城市商业银行坏账率降低4.2%，优质客户数量增加13%，有效优化客户群质量。

信贷审批在线，审批时间可以从几周到瞬间办理

该城商行传统的授信审批方式一般是通过线下约谈、现场尽职调查的方式进行，然后营业部门将相关资料提交授信审批部门审批，审批周期较长。 然而，小微企业和个人往往需要在较短时间内获得贷款，线下授信审批方式很难满足此类客户的需求。

针对上述问题，华策数科决策引擎将授信审批流程线上化，有效提升审批效率。 决策引擎接入银行内数据和内外部数据模型后，可以为不同评级级别的用户配置不同的决策流程，并将决策引擎与银行的授信审批系统连接起来，输出差异化的风险控制策略。 例如，评分在90分到100分的客户可以直接通过在线审批的方式获得批准； 对于40分至50分的客户，决策引擎会对其进行分流，建议银行结合线下现场调查进行授信审批。

此外，随着银行业务场景和客户风险的变化，华策数科的决策引擎可以通过自动化建模进行模型优化迭代。 目前，华策数字决策引擎模型优化迭代系统的频率设定为30天一次。 借助华策数科在金融风控行业10+年的数据分析和经验积累，决策引擎可以识别哪些变量在业务场景中最有效，然后自动利用这些变量建立风控规则和模型，并对模型进行迭代和优化。

在授信审批时间方面，华策数科的决策引擎将其从几周缩短到几分钟。 现阶段，城商行已逐步减少人工审批比例，更多地依赖线上自动化审批。 而且，由于决策引擎提高了审批速度，同时能够适应业务量的增长，城商行的贷款规模增长了17%。

图形化操作降低使用门槛，让核心业务回归价值创造

在使用华策数科的决策引擎之前，城商行的建模工作主要是通过SAS完成的。 但SAS采用IDE编码方式，学习成本较高，难以在全行推广。 并且影响新场景、新算法的实施速度。

基于客户痛点洞察，华策数科决策引擎进一步完善了城市商业银行管理模式部署的审批流程和个人权限。 相关业务人员可以通过拖拽的方式设置模型参数，并根据风控规则设置模型参数并实时调整模型效果，一键部署相关模型。 因此，当业务发生变化时，业务人员可以直接手动设置决策流程并调整模型参数，而无需经过IT人员，解决了风控过程中的IT依赖，大大提高了业务响应速度。

2020年6月，银保监会《关于进一步规范信贷融资收费降低企业融资综合成本的通知》正式实施。 规定强调，银行应“根据企业申请，在存量贷款到期前提前进行信用评估和审核，提高响应速度和审批时效”，这对商业银行的风险管理提出了更高的要求。

目前，中小银行在智能风控领域的经验相对较少，将越来越多地采用与第三方金融科技服务商合作的形式，构建完整的风控管理体系。 随着经济周期的变化，银行数字化进程只有打破现实与虚拟的界限，才能更好地将银行业务的核心回归价值创造。

3.2. 优化贷后处置策略，化解存量风险

贷后处置阶段是银行化解存量不良资产、实现全流程风险管控的最后关键环节。 但过去银行对这一环节重视程度相对较低，管理手段相对粗放，缺乏数字化干预。 这成为增加银行不良资产率和客户投诉率、降低客户体验的重要因素。

银行贷后处置面临两大挑战。 一方面，缺乏精细化的征收策略，征收效率低下。 另一方面，劳动力成本高昂，合规压力巨大。

1）缺乏精细化的征收策略，征收效率低下

疫情期间，银行逾期账户数量呈现明显上升趋势，呼叫中心催收压力急剧增加，业务超负荷运转。 然而，贷款逾期的原因多种多样，且与客户各自的行为特征有着明显的关系。

首先，大量逾期物品是由于遗忘、未及时还款而造成的“善意逾期物品”。 如果采集人员给他们分配过多的精力，往往会得不偿失。

其次，少数“恶意逾期”客户在贷款阶段的行为已经开始显现。 如果银行不能在还款前几天或提前逾期尽快介入，或采取及时的纾困策略，势必会导致长期逾期，这会给银行带来积累。 大量不良资产。

因此，为了减少坏账损失、节省催收成本，银行需要根据客户的各种行为数据，细分逾期客户群体，针对每一类客户群体制定差异化的催收策略，以有效提高催收效率、减少人力投入。 。

精细化贷后管理助力银行化解存量不良风险

某银行是龙头股份制银行之一，贷款总额超万亿。 其华南地区的一家分行曾在个人零售业务贷后风控领域面临不良率大幅上升的问题。 该行不良率考核指标低于2%，但在实际操作中，不良率一直从4%发展至5%，严重超出银行预期和控制警戒线。

造成这一问题的原因是贷后系统建设滞后，与互联网业务的贷前业务不兼容。 过去，银行采用人工催收方式，尚未建立贷后管理系统。 缺乏科学的决策机制、系统的过程控制和成熟的运营管理经验。 该银行在线获客后，短时间内就涌入了数万笔交易。 贷后环节的缺点更加突出：人工催收成本高、效率低，无法覆盖来自互联网的海量流量。 贷款回收效果不佳，不良率短时间内急剧上升。 面对大量存量不良资产，需要在几个月内从无到有自主开发贷后管理系统，耗时长、成本高，且不能立即缓解。

为此，该行与飞算科技合作，以联营模式打造贷后智能管理系统，并实现了不良率考核指标的完成。

飞算科技致力于为金融机构提供智能化贷后管理系统。 通过对贷后客户群体维度数据进行智能分析，构建催收评分模型系统，通过催收评分模型对客户群体进行分层，然后配置三维贷后管理策略，根据催收评分模型向系统发出不同的指令。针对不同人群的特点，实现差异化的贷后管理运营矩阵体系。 同时，飞算科技为金融机构提供包括评分策略、系统流程、运营管理、智能合规等全流程贷后系统支持。目前，飞算智能贷后管理系统已服务超过50家机构，拥有超过500亿信贷资产和近千万信贷客户。

精细化贷后管理降低不良率

该银行将逾期案件导入飞算科技SaaS平台，一周内完成数据对接和系统配置。 通过飞算科技智能贷后管理系统，针对不同风险等级的客户群体，采取不同的贷后管理策略。 ，迅速开展针对性强的贷后运营管理工作。

飞算科技的贷后管理系统会根据账户年龄、客户风险等级、客户贷后行为特征等多个维度，自动将逾期案例分配到不同的后续队列，并自动对案例进行相应的标签，并记录每个案例贯穿案件全过程。 运营行动和结果。 例如，还款日前三天、M1~M2逾期期间，对于中低风险客户，飞算科技将自动为其分配智能催收机器人进行外呼； 对于高风险客户M1~M2，系统将分配到人工收款队列； 针对M3~M6逾期阶段的高风险客户，飞算科技采取外包催收、提前结算、仲裁甚至法律诉讼等催收策略。

在智能讨债方面，飞算科技基于积累的语料库提炼对话技巧，训练具有多轮对话、语音语义分析等人工智能能力的智能讨债机器人，并开发相应的对话技巧和谈判策略。 智能收款机器人不仅能准确识别客户意图，还能根据客户的不同答案调用相应的词语，动态实时调整收款策略分配。

例如，如果智能语音识别发现客户重病、死亡等关键词，智能采集机器人就会立即转而处理高风险客户。

对于人工采集，飞算科技利用决策引擎设计的“动作轨迹路径”，对人工操作进行全流程的系统调度、记录和合规性监控。 同时，催收人员可以有针对性地选择外呼资源，如一键外呼、发送短信、申请合法催收、外包、申请停止催收、申请撤案等。

此外，飞算科技标准化催收短信和信函模板，并通过后台处理进行集中管控，帮助催收人员根据实际情况有效判断和识别风险，避免人为失误导致的投诉或升级。 系统还可以对客户信息进行脱敏，全面管控信息安全，有效保证人工采集合规性。

通过与飞算科技合作，该行在3个月内成功将不良率降至2%以下，有效化解了存量不良贷款。 随后，该行进一步深化与飞算科技的合作，委托飞算全面建设银行内部智能化贷后管理系统。

打通信息孤岛，建立高效的贷后管理体系

除了上述催收功能的开发外，飞算科技还从两个维度帮助银行搭建了贷后管理系统，实现了系统流程集成和数据交互。 飞算科技将银行贷后催收系统与银行核心系统、清算系统集成，实现催收决策流程在线化，提高催收效率。

以债务减免审批场景为例。 飞算科技将对逾期时间为M1~M2的中低风险客户采取实时减债策略。 此前，由于银行各系统之间的信息尚未打通，银行传统的债务减免方式是由贷后部门发起，然后通过银行核心系统审批，修改原有债务金额，最后结算系统负责收款记录。

银行传统的债务减免审批流程往往需要两三天的时间，效率低下，尤其不利于债务减免和长期贷款等高风险客户的回收。 这类客户的还款能力往往有限。 哪家银行能够最快完成收款决定，就能最快收款。 冗长的审批流程可能会导致银行错失这种情况下的机会并降低贷款回收率。

通过建立高效的贷后管理系统，实现贷后系统信息与核心系统的对接。 银行贷后业务人员发起债务减免需求后，核心系统将自动调整债务金额，清算系统将根据贷后减免要求自动调整债务金额。 仅需几分钟即可收回欠款金额，大大提高了欠款追收的可能性，提高了20~30%的追收率。

当前，银行业不良资产上升压力不断加大。 银保监会数据显示，截至2020年6月末，银行业不良贷款率为2.10%，较年初上升0.08个百分点，不良贷款率2.10%，较年初上升0.08个百分点。未来银行业贷款还会不断出现和上升。 此外，监管对银行接受合作机构风险承保承诺的限制日益严格，商业银行自行承保信用风险的要求也越来越高。

因此，建设、完善和智能化创新银行贷后系统的需求日益迫切，不少银行甚至需要从头开始建设贷后系统。 考虑到银行自研成本高、回报慢，银行会考虑更多与第三方金融科技公司合作，建立高效、实时、智能的贷后系统。 飞算科技将以数字化决策、智能运营、自动化管控等先进理念和工具，帮助银行完善贷后管理体系。

2）人工成本高，合规压力大

银行传统催收方式普遍依靠人工代理催收，面临人工成本高、催收效率低、合规风险和成本高等问题。

因此，利用语音机器人等人工智能方式来替代一些收债员的一些低难度、重复性的催收工作，让他们更加专注于处理更具挑战性的收债工作。 同时运用NLP等技术对催收技术进行智能质检。 是有效减少人工和合规成本投入、提升合规和客户体验的有效手段。

百赢科技智能提升收款率，提高收款率

随着中国消费者消费观念的升级，中国消费信贷行业正在快速发展。 航银消费金融等持牌消费金融公司也凭借合规优势迎来快速发展期。 公开数据显示，2019年，航银消费金融营业收入10.08亿元，较上年2.92亿元增长约245.21%； 净利润1.15亿元，比上年的2亿元增长475%。

但消费金融业务的快速发展也让行银小金面临贷款逾期率上升的压力。 贷款后管理部门的收集压力增加了，并且迫切需要提高逾期贷款的总体回收率。 为了实现这一目标，贷款后管理部门主要面临以下三个挑战：

过去，Hangyin Consumer Finance的贷款后系列主要依赖大量的手动代理商。 在高峰期，有100多个收藏家，劳动力成本很高。 收集技术是高度重复的，收藏家的工作效率已经达到了瓶颈，因此很难进一步改进。 该州对收集过程的合规性要求越来越严格。 作为一家有执照的消费金融公司，Hangyin消费者财务需要在最大程度上避免暴力收集并提高业务合规性。

为此，Hangyin Consumer Finance决定启动一个智能的呼叫中心项目，以替代一些现有的人类代理商使用智能的语音机器人来替代一些现有的人类代理商，从而降低人工成本并提高代理人的出站呼叫和接收效率。 通过与Baiying Technology的合作，Hangyin消费者中心已建立了整体智能联络中心（AICC）解决方案，包括该解决方案下的智能收集系统。

智能联络中心（AICC）解决方案赋予贷方收集过程

Baiying Technology的智能联络中心解决方案基于NLP，ASR和TTS等AI技术，以及云通信和大数据技术，并为Hangyin Xiaojin提供场景服务和数据服务。

-Scenario服务：主要包括四种类型的机器人，包括智能出站通话，智能接待，智能援助和智能质量检查以及人造代理。 它们通过人机协作工作方法应用于营销，服务和贷款和贷款后管理等业务方案； 智能外部响应用于智能营销和智能收集方案，分别为信用卡营销部门和贷款管理部门服务； 智能接待主要为客户提供各种接收和响应服务，并主要在客户服务运营部门使用，以实现7*24 OMNI-CHANNEL客户服务，这些客户服务全天候响应； 智能协助主要为手动代理提供答案提醒，以帮助他们正确回答客户问题。 它主要用于客户服务运营部门，以提高服务和业务人员的专业素养； 智能质量检查将在收集，收集和其他流程的过程中提供营销行为实时质量检查和记录质量检查语音技能，并实施全面质量检查以进一步标准化服务。

-DATA服务：主要基于企业数据平台构建，它可以通过NLP和ASR Technologies处理在方案服务中获得的客户调用内容，提取客户生命周期数据，然后提供客户肖像，数据可视化和数据操作工具以及其他服务最终实现了精致的操作和收集策略。

由于Baiying技术在NLP字段中积累了大量的标准化模型，因此在该项目中不需要定制的建模，因此Hangyinxiaojin的智能联络中心仅花了5天的时间才能上网。

全面的运营优化以改善项目结果

智能联络中心在线之后，Hangyin Xiaojin就平台功能和团队组织进行了全面的运营优化：

一方面，为了优化平台功能，为了进一步提高收款业务的遵守情况并降低合规性成本，Baiying Technology已根据Hangyin Consumer Finance和Pre-Pre-Pre-Pre-Pre-Pre-Pre-Preding添加了实时质量检查功能排空的合规性措施进入收集过程。 它可以对语言对象进行实时分析和自动提醒，例如语气，口语速度，非法单词，丢失的单词等，以便尽可能多地限制收藏家的单词和行为，而无需中断客户服务呼叫过程，并降低合规成本。

另一方面，对于团队组织的建设，为了最大程度地提高智能质量检查带来的合规效益，Hangyinxiaofang使用了Baiying Technology现有的综合评分功能，以根据评分结果评估收债员。 对员工进行评估，以形成竞争机制，从而进一步提高收集合规性。

整个项目上网之后，Hangyin -Xiaojin的劳动成本节省效果非常重要：收集团队已从峰值的大约200人减少到目前的70人，总体成本降低了近40％； 此外，出站电话的效率已大大提高：与以前相比，出站电话总数增加了83.6％，以及意图判断的准确性（指客户意图的判断是否准确，Hangyin Consumer Finance，Hangyin Consumer Finance callance finance calmive sallance caltive n hangyin Consumer Finance分类那些确实有兴趣，明显拒绝或有兴趣的客户达到了88.9％； 收集过程也更合规：客户满意度得到了极大的提高，投诉率大大降低。

从Hangyinxiaojin智能联络中心项目中学到的教训

在项目实施过程中，Hangyin Xiaojin遇到了一定程度的挫折。 由于Hangyin Xiaojin的人造代理使用的系统是另一个制造商的云呼叫中心，在Baiying Technology的智能客户服务平台启动后，Hangyin Xiaojin希望将其与云呼叫中心集成在一起。 打通。

但是，在开放系统的过程中，Hangyin小岛遇到了两个主要问题：

首先，Hangyin Xiaojin的云呼叫中心制造商还提供智能收集，质量检查和客户服务解决方案。 它也是以前的四个竞标者之一。 它与Baiying技术竞争。 但是，由于其在人工智能（例如NLP和机器学习）方面的专业知识，智能技术的布局落后了，因此它未能赢得竞标。 其次，为了统一管理客户信息，Hangyin Consumer Finance希望将智能客户服务平台与云呼叫中心之间的数据联系起来； 最后，由于竞争，云呼叫中心制造商不愿提供相应的技术支持。

因此，Hangyin Xiaojin决定使用Baiying Technology的智能联络中心替换原始平台。 要考虑的主要因素是：首先，Baiying Technology的智能联络中心和Hangyin Xiaojin的云呼叫中心无缝连接，而无需其他开发； 其次，云呼叫中心具有明显的个性化需求，并且需要制造商的高解决方案功能。 Baiying Technology作为一家初创公司从SaaS模型开始，尽管其标准化产品无法完全满足Hangyin Xiaojin的个性化需求，但它具有强大的服务意愿和及时的响应能力，并且愿意提供定制的开发服务。

因此，在Hangyin Xiaojin的呼叫中心升级项目的第二阶段中，Baiying Technology和Hangyin Xiaojin进行了深入的合作，共同建立了一个新的智能联络中心解决方案，该解决方案将云呼叫中心和智能客户服务秘书集成在一起。 它不仅为整个公司提供了完整的解决方案，而且还意识到了自己的产品功能的增强和改进。

AI分析认为，这些曲折对于类似公司而言具有很高的参考意义。 将来，其他银行金融机构需要注意智能客户服务项目计划阶段的以下三个方面：

- 如果银行尚未采用云呼叫中心和智能客户服务，并计划在将来同时启动这两个系统，它可能会考虑选择相同的供应商进行统一结构，以避免更改供应商或与多个供应商进行协调的问题未来的供应商。

- 选择相同的供应商来构建两种类型的系统时，您需要考虑供应商对云呼叫中心和智能客户服务方案的功能要求的差异。 也就是说，云呼叫中心方案对供应商的解决方案功能有更高的要求，而智能客户服务方案对制造商的NLP和其他AI技术的要求更高。 如果制造商有能力整合多种方案并具有出色的AI技术，则可以是首选的制造商。

- 如果银行在人类的替代和准确性方面对智能客户服务的需求更强，并且愿意与制造商合作建立云呼叫中心产品模块，则可以优先考虑在NLP和客户服务机器人方面擅长的制造商技术。

3.3. 建立基本的AI平台功能，以促进建造完整的风险控制系统

在建设完整的风险控制系统中计分卡/在不同阶段使用的记分卡模型（例如收集记分卡）的构建至关重要，不同的业务线，客户获取渠道和应用程序方案对记分卡模型的特定需求不断变化。

但是，对于某些技术能力较弱的银行而言，对人才和技术的投资非常高，可以完全独立开发风险控制模型。 但是，如果银行完全依赖外部记分卡模式并且缺乏独立控制该模型的能力，则将非常有害于银行提高其独立风险控制能力的能力，并且很难支持快速发展和快速发展和业务转型。

因此，采用低代码，视觉自动机器学习平台有效地降低了记分卡模型的发展阈值并提高发展效率已成为许多银行在建立完整的风险控制系统方面的共同选择。

Du Xiaoman的Financial Rock Etron建模平台可帮助银行建立金融大脑

目前，人工智能已逐渐成为影响金融机构发展的核心因素。 以银行为例，主要的国内银行已经建立了金融科技的子公司或与技术巨头合作，并且不断增加对人工智能应用程序的投资，并加快了金融科技战略转型的速度。

一家银行是四大国有银行之一。 在建立智能银行的过程中，银行需要建立财务大脑，其中智能建模平台是重要的组成部分。 由于银行在该领域没有足够的建模经验，因此自我研究的方法成本高昂，耗时且成本绩效较低。 因此，该银行与第三方金融技术服务提供商Duxiaoman Financial合作，共同建立了银行级的智能建模平台。 Du Xiaoman Financial Brain使用大数据，AI和其他技术来建立感知能力，例如聆听，说话，阅读和写作以及思考能力，例如学习，分析和预测，为银行提供大数据风险控制服务，涵盖整个风险控制过程。

Duxiaoman Financial是一家领先的金融技术公司，为金融机构提供AI Fintech解决方案，涵盖了整个金融业务过程。 它建立了许多核心技术，包括智能客户获取，大数据风险控制，身份识别，智能投资咨询和智能客户服务。 功能，并创建了Panshi的一站式风险控制平台。 目前，Duxiaoman的金融服务覆盖了70％的金融机构。

构建一个Pan Rock Etron建模平台，以涵盖整个风险控制业务的过程

Panshi Etron建模平台是一个由Du Xiaoman Finance独立开发的智能模型培训平台，该平台提供了一组完整的机器学习建模功能，包括自动化功能提取，模型构建和评估，模型一单击释放和模型生命周期管理。 该平台为银行提供了统一的AI建模和真实的时间模型预测功能。 银行使用此平台有效地处理数据，自动化风险控制模型的构建，并快速将AI技术应用于实际业务。

合规数据源是建模平台的基石。 小鼠财务数据的来源包括在线数据，用户自授权的自行业务数据和公共风险数据。 Du Xiaoman Finance使用全面的授权渗透机制，匿名处理机制进行完整过程以及专业的法律保证机制，以确保数据合规性。

具体而言，Du Xiaoman Financial从银行等合作机构获得数据，并使用各种匿名技术来处理数据。 Du Xiaoman安全紧急响应提供ID转换服务，并将外部数据转换为具有内部匿名徽标的ID。 最后，数据管理平台（DMP）将输出处理后的数据。 数据输出不包含个人信息，这可以保证数据的安全性和合规性。

目前，Du Xiaoman数据管理平台（DMP）的平均查询量超过350万/天。

Panshi Etron建模平台为银行提供自定义的建模服务。 依靠小规模的数据，技术和业务经验优势，Panshi的定制模型可以帮助银行根据自己的业务和客户基础需求准确，快速评估借款人的资格，并提高风险操作能力。 从项目过程的角度来看，杜小曼的财务定制建模服务主要包括四个过程：

- 绘制预评估。 Du Xiaoman Finance根据当事方的需求建立了风险控制模型。 该银行使用历史数据来测试模型，将模型结果与用户的实际还款性能匹配，并使用PS值和AUC值评估模型的精度。

- 社会建模。 银行使用岩石自动化建模平台来建模和部署评估的成功模型。

- 在线模型。 一方面，Panshi自动建模平台通过机器学习将数据薄弱地汇总到强级数据中，以满足精致运营业务的要求。 另一方面，Panshi自动建模平台结合了人工业务经验，以建立风险控制策略模型，以满足银行的基本业务需求。

-D监视和迭代。 它主要包括监视和预警模型的运行状态，例如呼叫，响应时间和其他指标； 监视模型变量，包括模型变量的分布，最大最小值，平均值等。岩石自动化建模平台也可以扩展到ELK平台。 实时监视所有与模型相关的核心指标，支持模型生命周期集成操作，包括模型更新迭代和离线。

在功能方面，Rock Etron建模平台提供了标准化的在线自动化建模过程：包括数据管理，功能处理，样本拆分，模型培训，模型管理和数据监视。 从收入水平的特征，行为偏好，年龄水平，例如收入水平，行为偏好和年龄水平开始，Du Xiaoman Penmo分为10,000多个维度。 数据标准化后，将样品分为训练集和测试集。 使用XGBoost和其他机器学习算法来训练模型，并继续监视模型的稳定性。

通过小型Manchu Rock自动化建模平台，银行有效地改善了模型效应和业务效果。 KS值是银行信用风险控制常用的模型评估指标。 通常，KS高于0.3，表明该模型的风险区别很强。 通过引入岩石自动化建模平台KS自助人气，其中包含小介绍，该行模型的KS值为0.35，模型效应更好。

另一方面，通过将模型应用于正面，贷款和邮政链接，银行有效地增强了客户的获取和产品匹配能力，并降低了坏账的风险。

具体来说，在洛伊前阶段，银行通过面部识别，OCR和其他减少新坏账的方法申请了反欺诈性识别。

在贷款的中间，使用该模型来建立触发机制，以实现客户损失和异常客户行为，以自动对是否需要人工护理的判断。 同时，通过贷款中的营销模式，我们可以为信任率较低的客户进行次要营销，提高使用率和高质量客户的跨市场营销，从而提高回购率。

在邮政-Loan中，根据客户的还款能力和偿还意愿，Du Xiaoman Financial帮助银行确定了早期阶段还款和过期风险的可能性，并降低了股票贷款的逾期利率。 根据客户投诉率的判断，银行可以调整相关服务人员并做出响应策略以增强客户体验。 此外，Du Xiaoman协助银行建立了差异化的收集模型。 对于风险较低的客户，他们直接通过SMS或智能的语音机器人呼吁； 对于高风险的客户，他们可以采用外包和不良资产处置等策略。 有效提高了恢复率。

4.创建高价值，高效率数字IT团队

根据对国内商业银行​​的研究和分析，Love Analysis认为，信息时代的银行IT部门的组织结构通常具有两个特征：

1）独立业务部，缺乏商业理解，被动地响应业务需求

过去，银行的业务流程相对固定。 因此，由于缺乏真正了解业务需求的人，IT部门通常独立于商业部门，并且在与商业部门的日常合作中，它们通常是被动响应的角色。

例如，过去IT部门的重要责任是固定报告的产出KS自助人气，而传统固定报告的主要定位是面对该行业的高级领导人。 需求低。

2）敏捷度不足，申请效率低以及IT操作和维护

过去，银行缺乏最终用户的互联网渠道。 申请交付以及IT运营和维护主要面对银行。 因此，银行的银行部通常专注于追求可靠性和稳定性作为主要目的。

例如，当业务部门发现IT系统中存在功能缺陷时，需要将需求提交给IT部门，而IT部门将同时确定特定需求。 可以完成测试环境，准生产环境和生产环境的手动配置。

随着数字时代的出现，银行业务的出现变化为传统IT部门的组织结构提出了严重的挑战，主要在以下三个方面：

1）数据服务的场景和敏捷要求

在数字化时代，所有银行和部门都需要根据数据分析做出业务决策。 需求，分散和个性化的要求越来越明显，及时性要求越来越强。

由于传统的IT部门缺乏了解业务的人员，而且传统商业部门也缺乏可以快速将需求转换为数据服务的技术人员，因此很难应付新的业务变化。

2）申请交付的有效要求

在数字化的时代，移动银行等数字渠道的功能和经验以及各种周期性营销活动的吸引力在改善银行客户粘度方面发挥了越来越重要的作用。 无论是改进功能和经验，还是营销活动的启动，都必须迭代和优化较小的应用程序范围和高频。

但是，具有传统“稳定状态”模型的银行显然很难及时响应数字时代的业务需求。 面对采用“敏感性IT”模型的新金融机构，它们缺乏竞争力。

3）IT操作和维护的稳定性和可靠性要求

在数字化时代，为了满足数字应用的高可用性，银行体系结构中的分布式和微服务架构的比例越来越高。 基础设施和应用程序的运营和维护难度增加了。

但是，过去，监视单个维度的数据，并补充了经验判断，手动操作的操作和维护方法，很难应付提高稳定性和可靠性要求。

为此，银行应面对四种类型的IT团队，例如大数据，AI算法，应用程序交付以及IT操作和维护，以建立一个敏捷的中央和台湾系统，以实现IT团队的数字和敏捷转型：

1）数据中泰：为了实现数据服务的情景和敏捷性转换，银行需要在数据中构建数据，收集业务系统生成的数据，并通过数据仓库和大型管理统一的治理和基于资产的管理数据平台。 ，为了完善数据的业务价值，为业务部门和业务系统提供自我服务报告分析，自助服务AI建模，标签引擎，API服务和其他数据服务。

2）AI Zhongtai：尽管作为重要数据服务的AI模型服务通常是数据中数据的一部分，但AI模型的交付也越来越高。 因此，许多领先的银行在数据中拥有独立的AI。 AI Zhongtai是一组AI模型的完整生命周期管理平台和服务配置系统。 它可以基于数据平台服务共享并反复用于AI算法和模型服务。 2.自动化，从而为人工智能构建提供了AI的敏捷性支持。

3）应用：为了提高应用程序交付效率，银行需要基于DevOps概念和云本地技术系统的构建应用程序，从而使IT部门具有编码，构造，测试，部署，释放和其他应用程序的敏捷性。 管理能力支持IT部门的敏捷转型，并为业务部门提供更敏捷的申请交付能力。

4）操作和维护：为了提高IT操作和维护过程的稳定性和可靠性，银行需要基于AIOPS统一IT操作和维护软件生成的操作和维护数据。技术治理和基于资产的管理，基于AI模型，以自动定位，分析和恢复故障并提供预测分析； 此外，银行还需要基于AIOPS功能并整合ITIL概念，以依靠业务视角重建IT服务过程，从而为业务部门提供更敏捷的IT响应能力和更可靠的稳定性保证。

4.1数据中泰：构建数据驱动的数字银行

数据中数据的构建是银行数字化转换的基础，也是数据服务实现敏捷性和方案的前提。 目前，银行在数字化转型过程中面临的挑战包括：

1）数据岛现象很严重：有许多业务系统，各种数据平台彼此独立，岛屿的现象很严重，很难支持跨系统和跨部门数据分析和共享。

2）基于数据资产的管理功能：数据仓库的主题模型与业务需求脱节，并且很难发挥数据的业务价值； 缺乏统一的数据操作系统和数据质量保证系统，这会导致数据业务价值的折扣。 最后，很难支持数据服务。 需要。

3）数据服务功能不足：缺乏为商业部门或中国部门的自助报告分析和AI建模工具，这些工具太高，无法依赖IT人员的技术支持，导致基于数据的决策 - 制定过程太长了，形成有效的瓶颈； 大量数据服务需要依靠跨部门数据链接或同时由多个部门使用。 但是，许多银行的数据服务都有各个部门的分离，并且很难支持交叉部门的数据链接或方案应用程序。

为此，银行通常需要在施工数据中浏览以下五个链接：

1）咨询计划和顶级设计：全面整理银行业务结构，定义和拆卸数字方案，阐明各种场景，业务挑战，制造商的能力要求以及最终业务和最终业务和最终业务业务价值的部门计划数字实施路径。 通常需要通过在数字领域的咨询公司完成此过程来完成此过程。

2）数据平台：分析和分析异质数据源，构建新的数据仓库或数据平台，访问和处理数据，并集成和互操作原始数据仓库和数据平台。

3）基于数据资产的：建立可扩展的数据模型，并基于元数据管理，数据血液分析，数据质量和其他方法建立数据开发标准规范，从而提高数据的业务价值，降低成本和数据开发过程的效率;

4）数据服务：数据服务，例如数据API，可视化的大屏幕，自助报告分析，自助式AI建模，标签引擎和其他数据服务，并将数据资产应用于各种业务场景以形成数据应用程序。

5）数据操作和组织保证：为数据运行，工作协同作用，风险共享和数字团队组织组织的收入分配制定统一标准，从而将数字化纳入组织结构。

Kangaroo云号码堆栈“ Dtinsight”，量身定制的列出的银行创建“分支数据市场应用程序云平台”

目前，银行的每个分支机构的业务系统都是由总部统一构建的，数据也统一存储在总部的数据仓库中，即“大数据集中”。 该银行在全国拥有40多家分支机构。 每个分支都有数据分析的需求。 在数据收集后如何解决本地数据应用的分支机构已成为一个严重的问题。

面对分支机构的数据分析需求，银行过去通过数据仓库每天，然后通过网络将其传输到每个分支。 Branch自己建立一个独立的数据仓库，该仓库存储，独立的操作和维护，独立管理以及独立的数据处理和分析，如下图所示。

“总银行和建造图书馆的分支机构的头”带来了五个主要缺点

“总银行和分支机构建造图书馆的负责人”带来的缺点包括以下五个方面：

数据治理压力

总部具有丰富的大数据才能，可以进行全面的数据治理工作。 但是，分支之间的技术能力是显而易见的，并且并非所有分支机构都具有大数据架构的完美开发，操作和维护经验。

因此，技术能力不足的分支机构正在承受更大的压力治理压力。

数据滞后

头库必须首先完成数据提取，数据切割，数据传输和数据加载的过程环境，然后分别将数据发送到每个分支，并且传输链接很长。 一方面，大规模数据传输带来的问题对网络质量和更大的压力有很高的要求。 On the other hand, there is a lag in data transmission. The lag is serious, affecting the timeliness of the output of the branch.

Experience results are difficult to share

In the past, each branch generally built or purchases data analysis tools such as BI. The tools used are very different in terms of technology, suppliers, etc., so that some leading branches have developed data analysis experience or results. 分支。

Data quality is difficult to guarantee

Because the head office has a large number of business systems, and various branches also have a large number of independent business systems, and the lack of unified data verification and quality assurance mechanism between these systems, when the data is analyzed, there is a large amount of "dirty data", which affects the impact, which affects the impact of the impact. Expression of data business value.

Data security is challenged

Although the head office has a comprehensive data security management mechanism, once the data is sent to the branch, the data that is issued to each branch cannot be continuously managed and controlled, resulting in certain data security risks.

Data midfield, open a new mode of big data application of bank branches

In order to cope with these challenges, the bank's head office decided to build the "Branch Data Market Application Cloud Platform" throughout the bank and chose Kangaroo Cloud as a construction partner.

Kangaroo Cloud was established in November 2015. The core product is the PAAS "DTINSIGHT" in the first -stop data of Yunyuan. Help customers build digital infrastructure to achieve digital transformation.

Based on Dtinsight, Kangaroo Cloud and the bank are customized and developed in cooperation with the bank's cooperation around graded tenants, data issuance, model construction and acceleration, visual analysis, etc., to create a "data market application cloud platform". The DTINSIGHT function module is shown below:

Data platformization: build a hierarchical tenant model

At the stage of data platformization, the bank must first solve the problem of data sharing between the general branches and branches brought by the "head of the head bank and the branch of the branch" model.

To this end, Kangaroo Cloud has jointly developed custom development with the bank at the data warehouse level, including four parts: graded tenants, data issuance, platform construction, model building and OLAP acceleration, and visual analysis.

Graded tenant

Kangaroo Yun first built a public data warehouse for the entire bank based on Cloudera Impala, and jointly customized development with the bank to build a big data application platform with a hierarchical tenant model.

During the custom development process, Kangaroo Cloud built a multi -tenant model for different levels of branches based on the public data model table of the head office. In this model, the branch tenants can only access the functions of being awarded permissions, such as BI reports, data APIs, data models, etc., as well as private libraries containing their own data, as shown in the figure below.

In the end, branches only need to access the big data application platform of the head office, and they can perform independent big data analysis of permissions. Each branch is independently managed, which can realize that it will not interfere with each other and create a foundation for future sharing scenarios.

实践数据

After the construction of the hierarchical tenants, when the head office has new public data to be issued to the branch, it does not need to be realized by data transmission. It only needs to create an exclusive view chart for specific branches in the public data model table of the head office, and more, and more, and more, more, and more, and more This table constitutes a public library that can be visited by分支。

However, each branch still has a private library, and the data in it requires the branch uploading and development.

Model construction and OLAP acceleration

All branches are concentrated on the server's server for data analysis, and high requirements have been put on the performance of the OLAP process such as report analysis.

To this end, Kangaroo Cloud integrated the inquiry acceleration engine Kylin into the system, and customized the development of the CUBE modeling page similar to the native Kylin to help the bank's IT personnel quickly establish the CUBE model to achieve acceleration of OLAP analysis.

可视化分析

Traditional analysis reports and visual large -screen lack of self -service analysis capabilities, high use thresholds, new needs of business personnel often need to rely on IT personnel to provide technical support.

To this end, Kangaroo Cloud has helped a BI manufacturer to achieve a self -service data set based on open source technologies such as IMPALA data warehouse and Kylin Cube, without the need for IT personnel to repeatedly build a data model, thereby providing business personnel with low -threshold self -service analysis capabilities.

Data asset -based: Based on data quality tools to increase data business value

For the bank, if the quality of the data source cannot be guaranteed in the application of big data analysis, the final value of the data analysis results will also be greatly reduced. Therefore, the bank hopes to effectively manage data quality, and this is also an important part of data asset management.

To this end, Kangaroo Cloud provides banks with data quality DataValid product modules and effectively collaborates with offline development of BatchWorks to help bank developers perform effective verification of data quality in the process of data extraction and processing, and provide business personnel, providing business personnel, and providing business personnel, personnel, and business personnel. The quality management page of IT personnel.

For example, a customer information gauge in the banking business will contain information such as gender, ID number, age and other information, and when banking developers use BatchWorks to draw data in the transaction database, they can use DataValid to check customer information to verify客户信息。 , Such as whether the gender conforms to the content of the ID card, whether the ID format is wrong, whether the age exceeds the limited age range, etc. Once the data that fails is found, the platform can not only filter and information supplementation of the data, and can also complete the rapid data submission to the relevant personnel before sending the data to the regulatory authorities to issue an early warning report to the relevant personnel.

Data service: EasyAPI based on data sharing services to achieve deep business empowerment

In the bank, there are many business scenarios such as customer portraits, anti -fraud, performance accounting, and financial statements, and these scenes are based on specific business systems. In the development of these business systems, in order to meet the needs of business personnel, developers often need to obtain data from the data asset layer and integrate them in the business system.

Under the traditional data call method, developers need to obtain the permissions of a specific database and directly call the data. However, there are two vulnerabilities in this model: First, it is impossible to effectively manage the use of data, and it is difficult to ensure the standardization of the access process and the accuracy of the results. Data uses permissions management.

Compared with the data that directly retrieved the data from the database, open data services to developers of specific business systems through the API is a more standardized and high -security data service method. However, the development process of the API interface still needs to rely on developers, but the number of API interfaces is often large, and the demand will change at any time, so the development cost and cycle will be higher.

Therefore, Kangaroo Cloud deployed data sharing service Easyapi for the bank. After the product deployment, just in the Hangzhou branch, there were about 100 APIs, and the number of calls was called more than 10,000 times a day.

EasyAPI's main value is two points: first, support codeless development, and use page configuration to quickly generate APIs; second, provide unified management capabilities for API interfaces, such as the number of times and cycles of access access to the API interface, and the authorization method. 等待。

The data application market uses the most cutting -edge financial big data technology at the moment, combined with the bank's industry and operating characteristics, and the total score linkage model is pioneered to simplify the data development and data application process, bringing multiple value to it: First of all, reduce the duplicate investment in 软件 , hardware procurement and operation and maintenance stage of each branch, and save costs. , Reduce learning costs and greatly improve data development efficiency; again, the data application cloud platform provides technical base+upper -level tools for data application construction in the bank, and lays a solid foundation for the comprehensive benefits of marketing, risk control, and customer experience.

Among the five links in the construction of the data, data platformization, data asset -based, and data service are their three core links. They are also called "data value" core links.

Among them, data serviceization is also the "Linking Gate" of data value, which is responsible for the task of transforming data assets into actual business income. According to the application scenario, data services can be divided into the following types:

In many practical projects, banks often integrate different types of data services into a complete set of solutions.

For example, Guangzhou Simet 软件 Co., Ltd. (SMARTBI), as a manufacturer dedicated to providing corporate customers with one -stop commercial intelligence (BI) solution, relying on its EAGLE self -service analysis platform to build with the domestic head city commercial bank Nanjing Bank The big data portal of the entire level has realized the interactive integration of multiple data services in the way of construction.

Simet 软件 is committed to improving and excavating the data value of corporate customers. It is a "high -tech enterprise" recognized by the country. The "big data cultivation enterprise" identified by Guangdong Province. 8 of the 10 domestic banks, 8 of the 12 domestic banks in China, 4 of the six major domestic banks, and 1 of the three major policy banks.

Nanjing Bank established the digital bank management department to promote the construction of digital transformation and big data analysis system throughout the bank

Nanjing Bank was established in Nanjing on February 8, 1996. It is a joint -stock commercial bank consisting of state -owned shares, Chinese -funded legal person shares, foreign shares and many personal shares.

In 2018, in order to implement the company's digital transformation strategy and fully realize the support of the company's marketing accuracy and refinement of management, better play the value of data assets, and establish a digital bank management department.

Ding Xiaoping, general manager of Nanjing Bank's Digital Bank Management Department, said that the positioning of the Digital Bank Management Department is the leading sector of the digital transformation of the entire bank. The mission is to promote the digital transformation of various business lines and departments of Bank of Nanjing. The construction of digital culture, data governance structure, data governance architecture, data in data, and intelligent China -Taiwan systems, including visual modeling and machine learning, artificial intelligence applications based on this, are all basic work of the Digital Management Department.

In addition, the Digital Management Department is characterized by the connection of business, data and technology, connecting finance and non -financial ecology, and connecting banks and industries. 。

Bank data analysis and development paths are divided into five stages, namely: uniform data (data integration) of various business systems, data description business (data research and judgment), the cause of data analysis business (with data management), and data analysis business (management), and data analysis business (managed by data), and data, and data (managed by data),, and data analysis business (managed by data),, data analysis business (with data management), and data, and data analysis business Use data to predict business development trends (data decision -making), data -driven business change (data innovation), as shown in the figure below.

On the whole, Nanjing Bank is between the third and fourth stage, that is, the cause of the use of data analysis business, gradually shift to the use of data predictive business development trends. This puts forward higher requirements for bank data asset management capabilities. The entire data analysis platform is imminent.

To this end, in 2018, Bank of Nanjing simultaneously launched project groups covering 22 projects, thereby building a full -level big data analysis system, including two core projects:

Enterprise -level data platform construction: reinterpret and build the original data system to form a big data platform that can uniformly manage the internal and external data, non -structured and structured data of the line; : Build a big data portal of integrating the entire bank and all business data, and the entire bank realizes different types of analysis of marketing, risk control, and management on the same platform. At the same time, through the construction of employee incentive system of construction.

Three stages of the construction of a full -level big data analysis system

The construction of Nanjing Bank's full -level big data analysis system is divided into three main stages:

1) Framework: sort out the existing data analysis system and build a unified big data portal homepage

Nanjing Bank combed and classified the existing independent data analysis systems, and integrated it in the unified portal homepage of SmartBi (Guangzhou Simet 软件 Co., Ltd.), while the homepage of the portal was used as a secondary portal. Integrated in the OA system in the line.

After the integration, on the one hand, employees can log in uniformly by the subsystems through the portal homepage. They can also personalize the display items in the big data portal according to their own needs. Repeat the account password.

On the other hand, administrators can achieve unified management of employees' data access permissions through the homepage of the portal, and no longer need to go to various institutions for management.

2) Deep application: increase the high -level analysis function and deepen the data analysis application level

On the re -constructed data warehouse, Bank of Nanjing has built advanced analysis functions such as self -service analysis, data mining, and knowledge maps.

Through the self -service analysis, the business department can reduce the dependence on the IT department, realize the self -service definition and query of the data analysis dimension, and improve the response speed of demand.

Through data mining and knowledge maps, business departments can explore data through data to predict future development trends and promote business innovation and change.

After this stage, Bank of Nanjing formed a relatively complete full -level big data analysis system, as shown in the figure below.

In the figure above, the portal layer, application layer and analysis display layer is mainly constructed by Guangzhou Simet 软件 Co., Ltd.

Portal layer: The personalized unified entrance to the employees of various departments, such as the business profile of the entire operation, the rapid application of the application, the recent visits, my collection, and commonly used reports; Uniformly reporting forms, app stores, mobile BI, etc. The independent application of various types of use groups and application scenarios; analysis display layers: including report reports, data visualization, self -service exploration analysis, mobile collaboration, machine learning and other engines and technical capabilities.

3) Promoting transformation: Establish an operation and incentive system, and promote digital transformation throughout the bank

Based on the construction of big data portals, Nanjing Bank fully mobilized the enthusiasm of data analysis of various departments throughout the bank through establishing an effective data operation and employee incentive system, and forming a data analysis culture, thereby promoting the comprehensive digital transformation of various departments of the bank.

The big data portal is smoothly landing, and the benefits of all departments of the entire bank are obvious

After the big data portal and the full -level big data analysis system have successfully landed, Nanjing Bank has obtained obvious benefits in the following aspects:

More unified portal entrances, more convenient access methods: through the portal homepage, one -click access to all data -related applications (query, analysis, modeling, external data search, management cockpit, report, business application, data map, etc.),), business application, data map, etc.),), business applications, data maps, etc.),), data maps, etc.),), data maps, etc.),), data maps, etc.),), data maps, etc.),), data maps, etc.),), data maps, etc.),), data maps, etc.), etc. Reduced the workload of employees in the record account and repeated login, improved the experience and enthusiasm of their data analysis, and reduced the authority management workload of the administrator at the same time; more convenient data services: providing management cockpit, self -service analysis, reporting reports , Data services such as external data query, which meets the data analysis requirements of decision -making, management, and execution layers, significantly shorten the needs of data analysis requirements, and accelerate business decision -making efficiency; The phenomenon of data islands and system separation between branches and systems, realizing the data linkage analysis of the entire level, and promoting the construction of a more three -dimensional digital operation capabilities.

4.2 AI Zhongtai: Promote the rapid landing of AI models of the whole scene

The AI ​​algorithm team is one of the core competitiveness of banks in the digital era. The R & D of AI algorithms is also very important as a work with a huge manpower and time cost, and its agility transformation is also very important. In this process, banks often face the following challenges:

1) Lack of AI life cycle management system

As the intelligent scenario in the enterprise is still in the ascendant stage, banks lack the standardized management system for the life cycle of the AI ​​model, and it is difficult to further improve the R & D efficiency of the AI ​​model.

2) Lack of full -level AI collaboration and management capabilities

Many bank departments often have their own independent AI modeling teams, and the modeling language, tools, and platforms adopted are different. However, as the bank's AI application scenarios and more and more departments involve departments have made the AI ​​team have a large number of offline collaboration and non -standardized processes in their work, and even repeated development of models, which constitute a bottleneck for the work efficiency of the AI ​​team.

3) It is difficult to completely cover the AI ​​life cycle management needs in the data

The characteristics of the data in the data are based on data as the core, and the needs of data access and processing, data basic model construction, data blood analysis, report analysis, label engine, etc. are related to strong data and strong standardized business links. 满意。

However, AI research and development includes a large number of AI model -centered links such as characteristic engineering, model selection, parameter optimization, model deployment, monitoring and optimization. Many links may need to invest a large number of manpower and material resources for development. The characteristics of the center "and the characteristics of agility are deviated.

Therefore, it is necessary to build a group of AI in the entire bank. On the whole, the AI ​​China Taiwan should include the following parts:

1) AI model life cycle management: cover business scenario analysis, data processing, model learning, operation monitoring and other links. Among them, business scenarios are mainly based on business understanding, define business goals and scenario scope, and design implementation plans; data processing is mainly to analyze and prepare data connected by the data platform, and sampling and labeling; model learning is the AI ​​model The mainstream processes generated include sub -links such as feature engineering, algorithm selection, parameter tuning, and model evaluation; operation monitoring is mainly deployment and release of models that have been evaluated and continuous performance monitoring and iterative optimization.

2) Algorithm packaging: Provide a standardized process for the development of AI models, and serve the reuse algorithm and solution packaging.

3) Unified interface specifications: Provide unified interface services to the upper -level business and management modules, and support dynamic arrangement of the model.

4) Development process and role management: Define and manage the role of AI model development, build and optimize the development of assembly lines, and provide development collaboration management capabilities between different characters.

5) Data platform access: Uniform access and pre -processing of data from data from the data platform, big data platform, and data warehouse.

6）资源调度：对计算、存储等资源进行统一管理和弹性调度。

DataCanvas九章云极AI全生命周期管理，加速某股份制银行全栈数字化转型

某全国性股份制商业银行在金融科技与数字化转型方面的布局在业内居于领先地位。

区别于中小金融机构的碎片化、单一化的AI场景，该银行作为一家大型金融机构，倾向于从全行组织架构层面，布局成规模、成体系的AI平台与战略，对AI技术的自主能力Have higher requirements.

该银行对AI平台与AI算法的应用经历了很长的历史，行内沉淀了上千个AI模型。过去，该银行的许多AI模型都是基于外资厂商SAS的AI平台来进行开发，主要面临以下几点挑战：

1）开源算法需求旺盛：新兴的、碎片化的AI应用场景不断出现，但往往缺乏成熟的、商业化的AI建模方法，需要AI算法人员基于python等开源语言进行研发，而python也是市场上AI算法人才所掌握的主流技能；

2）银行对模型可控能力要求提升：近些年来，银行更加期望能够掌握风控模型中的底层规则，提升自身对模型的自主可控水平，因此需要AI算法从过去的“黑盒”模式转变为“白盒”模式；

3）外资厂商产品封闭性强：SAS等外资厂商产品的算子库高度封装，封闭性较强，且将最新开源算法封装为闭源产品的周期较长，无法满足银行的自主可控需求，无法支持分布式架构，而且影响新场景、新算法的落地速度；

4）模型缺乏统一生命周期管理：行内各部门均沉淀了大量AI模型，但全行缺乏统一的AI模型生命周期管理平台，管理不统一，降低了AI模型的开发效率和利用率。

为此，该银行决定遴选一家支持开源算法、采取开放式产品架构的国内厂商，共同建设全行级AI平台。AI平台将由大数据中心主导建设，最终应用于精准营销、风险管理、资金流向监控等多个场景的AI模型研发与管理。

在厂商遴选阶段，该银行主要考虑以下两个维度的指标：

1）平台功能性与体验性：通过初步的产品试用，详细评价特征库、算子库、场景模板库、自动化建模模板的完整性，自动建模、可视化建模、编码建模等建模方式的功能性和体验性。

2）PoC测试结果：由甲方客户选定PoC场景，提供真实的生产环境数据，基于厂商的平台创建AI模型，并在准生产环境中部署运行，最后根据不同厂商的模型效果来进行评选。

最终，九章云极DataCanvas数据科学平台在两个维度表现均较为出色，因此该银行选择DataCanvas九章云极作为AI平台建设合作伙伴。

北京九章云极科技有限公司（简称“九章云极”，DataCanvas）于2013年成立，核心产品是DataCanvas数据科学平台，定位于面向数据科学家、AI从业者的AI全生命周期开发与管理平台。

全行级AI平台建设，推动AI研发敏捷化转型

该银行全行级AI平台，分为大数据洞察分析平台、大数据应用支撑平台两部分：

1）大数据洞察分析平台

该平台基于九章云极产品DataCanvas数据科学平台，以Hadoop为底层架构，能够支持该银行全行的海量数据挖掘分析、AI模型研发，应用场景包括客户智能推荐、客户流失预警、大额资金风Control etc.

DataCanvas数据科学平台是面向数据科学团队的一站式数据分析平台，它是集数据准备、特征工程、算法实现、模型开发、模型发布、模型工程化管理于一体的机器学习平台，能够帮助企业快速构建数据分析应用。

2）大数据应用支撑平台

该平台基于九章云极产品DataCanvas RT，为来自应用系统的实时流式数据提供处理服务，并基于AI模型进行推理，主要应用场景包括电子银行客户足迹分析、客服大数据分析、零售信贷风险实时预警、资金变动营销等。

项目实施上线后，DataCanvas九章云极协助该银行在营销部门、风险管理部门等各业务部门，对AI平台进行培训与推广。

整体来看，该银行项目实现的价值与效果包括以下三点：

4.3 运维中台：打造高可用、高人效的数据中心

数据中心在银行内承担IT基础设施与应用运维的职责。随着数字化时代到来，银行数据中心的IT运维能力面临以下几方面挑战：

1）用户体验性要求提升：移动端、PC端等线上渠道成为服务银行客户的重要渠道。相比于传统的线下网点，线上渠道的用户体验敏感度更高，系统的不稳定对于用户粘性的提升带来极大挑战。而银行过去的运维能力则主要面向传统业务系统，难以满足数字化业务实时、敏捷、高效的运维和快速迭代需求。

2）应用基础设施复杂度提升：在过去的信息化时代，银行内系统以核心业务系统为主，应用架构往往采用传统物理硬件、虚拟机和集中式的单体架构。但在数字化时代，银行开始更多地采用云服务器、微服务架构，并与传统应用基础设施并存。应用基础设施复杂度的提升，使得故障定位、分析和恢复变得更加困难。

3）传统监控运维工具缺乏关联分析与智能化处理能力：过去许多银行都采购了对应用、网络进行监控的APM、NPM工具。随着云计算时代的来临，许多企业也采用CMP来统一管理IT基础设施。但是这些IT监控运维工具往往相互独立，采集的运维数据也相互割裂，难以进行关联分析，从而深度洞察故障成因，也无法支撑智能运维算法的构建与训练，从而实现故障的预测性分析与智能化处理。

面对这些挑战，许多领先银行在传统监控与管理工具之上，构建了具备AI能力的、面向复杂关联故障、具备更强的业务视角洞察能力的运维中台。

整体来看，运维中台应当包括以下几部分：

1）监控与管理工具集：包括用户体验监控、应用性能监控、网络性能监控、日志监控分析、基础设施管理与监控等模块，对各个维度的运维数据进行采集与监控；

2）运维大数据平台：基于Hadoop等大数据技术，构建运维大数据平台或数据湖，汇集和存储来自监控与管理工具的多维度运维数据，并基于各类机器学习算法提炼数据价值，从而构建运维AI模型；

3）统一事件管理平台：对来自监控与管理工具集的运维事件进行统一监控管理，基于运维AI模型对事件进行实时定位、根因分析、预测性分析与自动决策；

4）运维服务管理平台：基于对业务数据、运维数据的关联分析洞察，打通业务部门与运维部门之间信息鸿沟，促使运维部门为业务部门提供更加敏捷化的IT服务支持，同时帮助IT部门从业务视角洞察IT操作对业务的影响。

创新奇智ABC一体机，构建银行智能数据中心

某国内头部银行拥有服务器规模达1万余台的自营数据中心。数据中心分为几个子部门，包括负责资产采购和管理的设备部门，负责应用部署和运维管理的运维部门，负责资源使用、风险控制等业务性服务的电子业务部门。

当前，该行运维部门在运维管理中存在以下几方面的需求与挑战：

基础设施与业务系统的分布式改造与统一管理

过去，该行的IT基础设施与业务系统以集中式架构为主。但是，随着数字化业务的不断增长，该行为了提升其并发性、扩展性，需要对IT基础设施与业务系统进行分布式改造，还会对部分应用进行微服务化改造，并将其迁移到云计算平台上。

因此，该银行期望将较为敏感的核心业务，部署在自建数据中心的OpenStack私有云中，而将较为边缘的数字化业务，部署在外部数据中心内的腾讯TCE专有云中。

此外，分布式改造后的基础设施变得更加异构，物理硬件、虚拟机、OpenStack、TCE将长期并存，需要有统一的管理平台进行管理。

智能算力平台的快速构建

除了由OpenStack、TCE等云平台提供的传统算力，该银行还希望构建基于大数据、AI的智能算力，从而支撑各类AI应用，并服务于银行业务的智能化转型。

但是，智能算力包括硬件算力与AI软件平台能力两部分，而银行要想构建涵盖软硬件的全栈式AI能力，在产品选型、系统集成中耗费的时间、资金、人力成本都十分high.因此，该银行期望采用能够快捷部署的、端到端的AI算力构建方案。

多种算力资源的智能调度

构建分布式的传统算力与智能算力之后，该银行面临的问题在于数字化业务的工作负载波动性，带来的对算力扩容缩容实时性的要求。

但是，依靠传统的人工扩容缩容手段来应对这种波动性，存在效率低下、响应不及时等痛点。因此，该银行希望能够通过统一管理平台与资源调度算法对多种算力资源进行统一智能调度。

业务系统故障的智能定位与恢复

过去，银行内存在许多传统监控运维工具，比如APM、NPM、日志分析等工具。但是，数字化业务采用分布式和微服务架构后，故障成因会更加复杂、隐蔽和分散，各类关联性故障会越来越多。

因此，依靠人工对来自不同监控运维工具的多维度运维数据进行关联分析，对运维人员的运维经验、排查效率、操作准确性等要求过高，因此会投入较高的人力和时间成本，故障定位和恢复效率也无法得到充分保障，亟需借助统一的智能运维平台实现多维度运维数据的洞察分析。

此外，智能运维算法的实现，也有赖于底层的智能算力平台的搭建。因此，银行希望对智能算力平台、智能运维平台的构建进行统筹建设。

创新奇智两大优势促成合作

为了应对以上几点挑战，该银行考虑选择一家同时具备IT基础设施管理、智能算力平台构建、多种算力资源调度、智能运维平台构建等多种能力的厂商，从而构建统一的智能运维中台。

最终，该银行选择创新奇智来建设智能运维中台，主要看重创新奇两方面的优势：

一方面，创新奇智在金融业的数据中心有长期实践经验，非常了解金融业数据中心客户对运维、稳定性和安全性的诉求，能为客户提供很好的场景规划和设计咨询服务。

另一方面，创新奇智ABC一体机具备解决客户需求的多种产品功能，包括自动化机器学习平台Orion、多云管理平台、大数据日志管理平台，同时还提供数据中心智能运维服务，十分满足该银行的多重需求。

创新奇智（AInnovation）成立于2018年3月，是创新工场AI子公司，以“人工智能赋能商业价值”为使命，致力于用最前沿的人工智能技术为企业提供AI相关产品及商业解决方案，通过AI赋能助力企业客户及合作伙伴提升商业效率和价值，实现数字化转型。

基于多个产品模块，共同打造智能运维中台

创新奇智为该银行构建的智能运维中台，包括多云管理平台、智能运维平台、智能算力平台三部分。此外，传统算力平台中的OpenStack私有云也由创新奇智为银行建设。

1）传统算力平台

传统算力平台是银行传统业务、数字化业务的支撑平台，其中传统业务主要部署在行内自建数据中心的物理硬件、VMware虚拟机、OpenStack私有云中。

2）智能算力平台

智能算力平台基于创新奇智的ABC一体机所提供的智能算力硬件，其上搭载自动化机器学习平台Orion。

同时，创新奇智帮助该银行构建基于CDH（Hadoop发行版）的大数据平台，接入来自大数据日志管理平台的日志数据，以及来自其他运维监控工具（如APM、NPM等）的运维数据。

最终，创新奇智基于Orion，以及大数据平台中汇集的多维度运维数据，训练得到AI模型，从而应用于智能运维平台的运维管理场景中。

智能运维平台

智能运维平台主要发挥两方面作用：

智能洞察：帮助客户更好地洞察运维状态，甚至提前于监控系统发现潜在风险，实现提前预警。创新奇智针对历史出现的故障和对应日志出现频率，训练了一套日志划分等级模型，帮助用户更好地理解日志的信息含义；将日志按照主题、兴趣点进行归并，有效提升运维人员阅读的效率，让其快速了解系统情况；基于日志中的特殊特征，帮助客户及时发现监控系统还未监控到的异常，预测近期或中期会出现的问题，让用户提前做好预案，降低故障出现风险和挽回经济损失。

智能定位与处理：利用AI模型分析现象或故障之间的关联性，辅助问题定位，为运维人员提供操作建议，还可将特定运维服务场景纳入“主动自动干预”的范围。创新奇智构建了运维知识库，仿真了有长期经验的运维工程师的操作内容，把处理过的事故和解决方案进行匹配，形成知识图谱长期保存；当系统中出现新故障时，可以模式识别手段，检测出故障的类型，和库中样本进行比对，找出最适合的解决方案，以便运维人员做出相应反应；紧急情况出现时，可以自动化拉起响应和警告，以便相应人员能及时赶到现场。

多云管理平台

多云管理平台直接管理IaaS、PaaS层基础设施，并基于工作流与规则引擎，以及云配置管理数据库，为运维人员、业务人员提供多云管理服务门户。多云管理服务门户包括服务管理、运营分析、运维管理等板块。

服务管理：对虚拟机、容器、网络、存储、数据库等基础设施提供服务运营能力，用户仅需填写平台提供的服务目录，便可完成对应资源的申请；

运营分析：对各类云资源进行数据管理、数据统计，对现资源计量、配额管理、容量规划分析、生成资源统计报表等功能；

运维管理：管理员可以自定义服务提供目录，并对租户个人名下的资源进行权限管理、配置变更、资源回收等操作；

资源调度：按照用户预设来实现计算资源与业务负载之间的动态匹配，包括组内云资源自动伸缩策略，组间云资源动态可回收策略，云资源时分复用策略等。

智能运维中台为运维团队降本增效

整体来看，创新奇智搭建的智能运维中台，为该银行带来价值与效果包括以下三点：

5. 未来展望：开放银行构建无界金融生态

5.1 银行业竞争格局大变，开放战略已成必然趋势

正如第一章所述，数字化经营的核心要义之一在于以客户为中心。因此，客户的需求变化必然意味着数字化经营的内涵也不断发生变化。

事实上，天然开放的互联网文化正在持续塑造着客户的偏好。在互联网时代，各类来自新型金融机构的开放式金融产品，正在深度嵌入到客户的真实消费和经营场景中，使得金融客户群体的个性化需求得到了极大满足，“金融脱媒”现象因此more obvious.

但与此同时，商业银行自身相对封闭的经营理念，使得其经营模式、产品形态逐步脱离了客户的真实需求，由此造成客户粘性不断下滑，信贷业务增长乏力。

因此，以客户为中心的经营理念，不仅需要银行对内推进数字化转型战略，还需要对外实行开放战略，以积极、主动、开放的姿态，主动将自身的数据、服务能力与外部场景进行打通和融合，从而逐步消除传统经营模式下封闭、固化的经营模式边界，并丰富自身产品形态，最终构建“无界”的金融生态，“开放银行”理念的浪潮由此掀起。

根据Gartner的定义，“开放银行”是一种平台化的商业模式，通过与商业生态系统共享数据、算法、交易、流程和其他业务功能，为商业生态系统的客户、员工、第三方开发者、金融科技公司、供应商和其他合作伙伴提供服务，使银行创造出新的价值，构建新的核心能力。

整体来看，开放银行应当具备三个核心要素：以开放API为基础技术、以数据共享为价值本源、以平台合作为商业模式。

近些年来，各国纷纷推出针对开放银行的相关政策，推动银行践行开放战略。在国际范围内，英国、欧盟是开放银行理念的“先行者”。

早在2015年3月英国就成立了开放银行工作组OBWG，并于2016年3月发布了《开放银行标准框架》(OBS)，同时英国竞争与市场管理局(CMA) 要求最大的9 家银行(又称CMA9)限定时间落实OBS。

与英国几乎同时，欧盟于2016年通过PSD2(Payment Service Directive 2 支付服务规划2) 法令，规定在2018 年1 月13 日起欧洲银行必须把支付服务和相关客户数据开放给第三方服务商。

与欧美相比，中国尚未发布针对开放银行领域的行业性政策。但中国人民银行于2020年2月发布的《商业银行应用程序接口安全管理规范》首次从技术角度对开放银行进行了明确规定，这也是中国数字经济转型进程中，具有重要的参照性、指导性价值的一份技术规范。

进入2020年以来，随着国家政策在数字经济领域的密集推出，开放银行在中国也将是大势所趋。

5.2 多种开放银行模式持续探索，金融服务为商业与产业生态赋能

有别于传统银行业务，开放银行以平台化为主要商业模式。在这种模式下，银行不再直接用产品与服务直接触达客户，而是在平台之上汇集多种商业生态，然后再借助这些商业生态，间接为客户提供各类金融服务。

开放银行的基础架构分为从下到上的三层，即银行、开放平台、商业与产业生态：

此外，从开放平台建设的主导方来看，开放银行分为银行主导、第三方平台主导两种典型模式。

飞算科技“产业金融科技平台”的主要定位是链接有信贷需求的小微企业与希望寻找优质资产的银行。对小微企业、银行侧的价值主要体现在以下方面：

整体来看，飞算科技“产业金融科技平台”的价值在于通过产业链深度介入、产业数据穿透，帮助优质小微企业沉淀数据信用资产、获得公认信用，同时助力金融机构实现资金的精准滴灌，是开放银行在产业金融领域的优秀实践案例。

结论

相比于其他行业，银行业金融机构的数字化转型具有动力充足、意识到位、设施完备、场景丰富等特点。

因此，在中国产业数字化转型的进程中，银行业的数字化转型具有两方面的特殊意义。

一方面，银行业已经为其他数字化进程相对落后的行业树立了标杆，其当下较为成熟的数字化实践往往具有相对普遍的参考价值。

另一方面，银行业又担负着开拓数字化新技术、新场景的前沿实践的角色，如知识图谱、联邦学习等新技术，以及数字化的内控合规、关联风险预测、关联欺诈识别等新场景的开拓同样十分值得期待。

未来，爱分析将持续关注数字化技术在各个行业的应用趋势，通过梳理应用场景、技术落地方法论与业务价值，为中国产业数字化转型持续助力。

关于爱分析

爱分析是一家中国领先的产业数字化研究与咨询机构，成立于中国数字化兴起之时，致力于成为决策者最值得信任的数字化智囊。

凭借对新兴技术和应用的系统研究，对行业和场景的深刻洞见，爱分析为产业数字化大潮中的企业用户、厂商和投资机构，提供专业、客观、可靠的第三方研究与咨询服务，助力决策者洞察数字化趋势，拥抱数字化机会，引领中国产业数字化升级。