案例复盘：AI风控模型在城商行的落地实践

客户是一家区域性城商行，小微贷款业务增长快但风控压力大。传统人工审批模式下，一笔贷款申请需要3天时间，客户经理跑好几趟；同时坏账率居高不下，因为审批员经验参差不齐。

一、业务痛点

首先打通数据源：行内交易数据、人行征信、工商信息、司法涉诉、舆情数据。建设统一的特征平台，把原始数据加工成风控可用的特征变量（如近半年查询次数、流水稳定性、关联企业风险等）。

基于历史好坏客户样本，训练XGBoost评分卡模型，输出违约概率评分。模型分档对应不同审批策略：

2023年我们为系统加入了大模型能力：审批员面对客户的工商资料、财报、银行流水，大模型可以自动生成尽调摘要，标注异常点（如关联担保、频繁查询、流水异常），帮助审批员快速抓住重点。

系统上线半年后：

经验一：模型不是替代人，而是辅助人。初期我们也想做全自动审批，但银行业务合规要求高，最终方案是"模型给建议、人做决策"。这样既提升效率，又控制风险。

经验二：模型监控比模型开发更重要。风控模型上线后会面临数据漂移——客群变化、经济环境变化都会让模型效果衰减。我们建立了月度模型监控机制，PSI指标超过阈值就触发模型重训。

经验三：业务人员要深度参与。风控规则不是数据科学家拍脑袋定的。我们每周和风控业务团队开会，讨论模型误判案例，把业务专家经验转化为新特征、新规则。

这个项目的价值不只是上线了一套系统，更是帮助银行建立了"数据驱动风控"的组织能力。现在业务团队自己就能提出新的风控需求，迭代速度比以前快了很多。

本文关键词：AI风控,金融科技,机器学习,大模型应用