数据与算法团队10人
团队规模
11个月
项目周期
一、业务场景与客户痛点
该城商行零售信贷与信用卡业务近年快速增长，传统风控主要依赖规则引擎与人工审批，面对新型欺诈与海量申请，规则迭代慢、审批耗时长，客户经理与客户体验都承压。
- 规则滞后：欺诈手段快速演变，规则库更新周期以月计
- 审批耗时长：传统人工审批一笔贷款需3天左右，客户流失率高
- 数据未打通：行内交易、征信、设备、行为数据分散在不同系统
- 模型缺闭环：历史模型上线后缺乏持续监控与迭代机制
二、解决方案
旭日神州与银行风控部门联合组建10人数据与算法团队，按"数据治理—特征平台—模型体系—决策引擎—监控迭代"路径建设智能风控平台：
2.1 数据治理与特征平台
整合行内交易、客户行为、设备指纹与外部征信数据，建设统一特征平台，沉淀可复用特征库。
2.2 模型体系建设
围绕反欺诈申请、交易反欺诈、信用评分三大场景，选择合适的机器学习模型并结合业务规则，形成分层模型矩阵。
2.3 决策引擎与审批流改造
建设可可视化配置的决策引擎，自动审批直通率、人工复核、拒绝三类结果分流，审批流与核心系统对接。
2.4 模型监控与迭代
对模型KS、AUC、召回率、拒绝率进行月度监控，触发漂移告警后启动再训练。
三、实施过程
- 第1-2个月：数据治理、特征平台搭建与场景定义
- 第3-6个月：完成反欺诈与信用评分模型POC，离线对照历史样本回测
- 第7-11个月：决策引擎上线，先灰度后全量，配套风控人员培训与模型监控看板
四、价值成效
| 指标 | 建设前 | 建设后 |
|---|---|---|
| 欺诈识别召回率 | 规则为主，约80% | 提升至92% |
| 审批时效 | 约3个工作日 | 缩短至4小时 |
| 坏账率 | 基线水平 | 下降约20% |
| 模型迭代周期 | 以季度计 | 月度监控、按需再训练 |
平台上线后，零售信贷申请从"等三天"变为"当天知结果"，欺诈拦截在不显著误伤正常客户的前提下明显增强，风控团队从"写规则"转向"管模型"。
五、客户评价
银行风险管理部负责人表示："智能风控的价值不是一夜之间变出一个模型，而是把数据、特征、决策、监控串成一条可持续迭代的流水线，这正是我们过去缺的东西。"