原创| 平安银行是怎么做零售智能风控的？

2016年至今，由新金融联盟与金融城举办，中国金融四十人论坛和北京大学数字金融研究中心提供学术支持的“融城杯金融科技创新案例评选”已成功举办了6届。

近日，我们对往届获奖案例的精彩部分进行了连载。今天，我们带来的是第四届评选的”十佳案例”——平安银行(000001)AI风控平台，上榜理由：通过阿波罗智能审批平台，极大提升了贷款产品的审批效率与风控能力。

第七届案例评选拟于6月10日启动，欢迎金融机构与科技企业积极参选。

从产品到客户：

平安银行的零售风控理念革命

作者：熊静

众所周知，Apollo是古希腊神话中的光明与预言之神。

平安银行AI风控平台Apollo也是一名智慧的“大预言家”，赋予了AI新解：“A”代表“预测（Anticipate）”，借助于其内置的各种AI创新产品，实现对客户准确的风险预测；“I”代表“交互（Interact）”，打造客户级评分系统，实现客户级产品与产品的交互重叠。

举个例子，当客户向平安银行申请信用卡时，平安银行会结合其身份、资信等情况进行整体评估。在审批信用卡的同时，还会对新一贷、汽车金融等其他产品做统一的预授信，并向客户展示一系列产品的预授信额度。最终，系统推荐给他的并不是信用卡，而是新一贷快贷。

由此，平安银行授信审批已经超越了大部分银行的“产品级”审批阶段，实现了“客户级”的管理。而这只是平安银行在多年实战经验和技术积淀之上，基于对未来零售业务发展趋势的判断，打造的三大AI风控系统之一。

当AI为风控装上智慧引擎，风从海上来，借势凭风好扬帆。

一、“客户级”授信：零售授信的理念革新和实践跨越

平安银行零售风险总监兼零售风险管理部总经理张慎在离开职业生涯第一站——大名鼎鼎的American Express（美国运通）公司前，就已开始酝酿“客户级”授信理念。

他是在1998年获得美国俄亥俄州立大学统计学博士学位后加入这家公司的。在素有“风控黄埔军校”之称的美国运通工作15年间，他先后主导开发了运通公司主要的信用和伪冒大数据风险模型体系，主管运通公司除美国市场以外的21个海外市场的风险审批与额度管理。

机会总是留给有准备的人。张慎在陪朋友去面试时，结识了当时担任平安银行副行长的谢永林和平安银行信用卡中心总裁曾宽扬。在二人的盛情邀请之下,再加上父亲盼子回国心切, 2012年他毅然踏上了回国之路,正式加入平安银行，任职于信用卡中心。

而此时在国内，银行业的零售风控也正在进行翻天覆地的革新。随着人工智能、大数据、云计算等技术在银行业的应用，拥抱智能风控已成为行业共识，传统风控开始向智能风控转型。智能风控与传统风控的最大区别就在于，其更加注重数据、更加注重客户的体验，因而科技在其中的推动作用不言而喻。

2016年底，谢永林上任平安银行董事长后，就以构建“中国最卓越，全球领先的智能化零售银行”为战略目标，提出了“科技引领、零售突破、对公做精”十二字方针，以科技创新全面重塑银行机体，推动零售业务变革。

时间来到2017年，此时零售转型在平安银行已被提到前所未有的高度，张慎接过整个大零售条线风险管理的重任，站在了新起点上。但仅有跑道还是不够，张慎还记得，彼时的中国银行业零售风险管理仍处于初始阶段，对零售智能风控的认知更是少之又少，抱着一腔热血，在不断摸索中，他深刻地意识到，眼前尚有重重阻碍需要克服。

“银行业最初的零售风控以人工决策为主，95%以上的业务都需要经过人工审批，几乎没有应用决策的系统模型”，张慎这样回忆。与此同时，平安银行的零售转型发展也受到决策靠经验、控制靠手工、信息不对称、风险管理不智能等风控痛点困扰。如何在审批团队人力有限的情况下实现高效审批，且同时保证风控到位？

在移动互联网深度普及的背景下，银行业关于“智能化”的变革悄然而至。一场关于风控智能化的改革开始在平安银行内部推动起来。在不断探索和寻路中，平安银行先后经历了以人工作业规则为主的风控1.0和模型为主、系统决策相辅的风控2.0两个阶段，而在新技术加持下，零售风控已然来到3.0阶段,进一步加强了对客户体验变革的探索。

张慎还发现，人才缺乏是最大的瓶颈。市场上既懂业务、又懂大数据或者AI的人凤毛麟角，如何建立一支专业的大数据AI团队，是一个比较难克服的障碍。平安在这方面的举措，是从国内外挖掘了许多一流的数据分析和模型人才，这些人才往往都已具备在大数据和AI方面的研发经验，此外也从内部挖潜培训人才。至于不同的人才如何“凝聚在一起”形成合力？平安银行采取的做法是，全面进行组织、机制、文化的变革，搭建起独立的零售风险架构。以零售风险管理部统筹零售条线风险管理，下设消费金融风险团队、信用卡风险团队、汽车金融风险团队及风险中台管理团队。

图1 平安银行零售风险管理部组织架构

资料来源：平安银行

此外，大数据和AI驱动的业务模式和思考逻辑，与传统银行的思维是非常不同的，这也是传统银行最难逾越的障碍，甚至出现整个团队都不能理解某个动作背后深层次原因的情况。因此，在日常工作中，张慎非常注重和团队沟通交流，让大家知其然也知其所以然。

经过一段时间的磨合,张慎感觉工作已经步入正轨,新的动作呼之欲出。

而此时已进入零售转型新阶段的平安银行提出了新的发展目标——紧密融合科技与业务，全方位加速形成AI Bank体系，向着AI Bank迈进。在AI Bank体系之下，平安银行拟定了AI化的三大主题：AI风控、AI客服及AI投顾。

胸有成竹的张慎带领零售风控团队投入了零售智能风控体系的搭建与应用，并将全新的理念——客户级授信——运用其中。

这个理念的“新”在于，目前大部分银行的授信模式都是基于产品级来考虑授信，而客户级授信模式却是基于客户的情况进行整体评估，并从业务全流程对客户进行预授信，从而从多产品维度来满足客户的多元化需求，这称得上是零售授信真正的理念革新和实践跨越。

二、从封闭走向开放：“阿波罗”的智能化之道

张慎带领的团队从2017年底起，开始着手开发全零售统一客户级审批平台“阿波罗”。

“零售风险管理衡量客户信用水平与质量，需要遵循最基本的3C原则（Character、Capacity、Capital，即品格、能力、资本）。因此不管是信用卡，还是消费金融、汽车金融，在审批、管理及催收等政策上其实有非常多的共通性。但是由于部门之间沟通不够，一直没有打通,所以才会出现客户申请不同贷款得到不同结果的情况。从产品的角度来看，在对各类业务不断了解的过程中，我渐渐意识到，很多产品的相似性非常高，比如信用卡分期和消金的‘新一贷’。而从客户的角度来讲，客户只在乎能拿到贷款完成消费用途，至于这个产品到底是‘新一贷’，还是车主贷，他并不在乎。” 基于这样的考虑，张慎迅速拍板进行业务条线风险策略的整合。

回顾从最初的启动到如今的深化，张慎这样说，“从多产品统一审批的角度出发，我们成立了项目组。从一开始停留在纸面上的文字到与业务团队、IT团队进行沟通，把大量的政策、业务、流程打通，再到系统测试、上线、落地，到最后产生业务效果，我们真的是历经所不知之难，尤其是花费了很多功夫在整合零售各业务条线的政策上。”

项目组人员来自不同业务线，虽然有很多同事经常沟通工作，但是因为平时分别在深圳和上海办公，见面很少。对风险管理来说，策略和模型都是相对保密的，如何引导各条线风险团队从封闭走向开放，最终达成共识，是整个项目的难点。

一开始，不同业务线的风险人员都对这样的整合存在不理解和抵触。融合是推动项目发展的重点，对团队来说，需要将以往业务条线的各种规则归类梳理，进而建立模块化的运作模式，最终目标是要让信用卡、汽车金融和消费金融三个业务条线在策略逻辑上保持一致，每一级都可以快速自我迭代，形成符合相应要求的风险管理模型。

正是因为团队在融合理念上付出了很大的努力，后续开发过程非常顺利，从开发到上线只花了两个月时间。2018年5月，阿波罗审批平台正式上线。

图2 阿波罗统一自动化审核平台设计架构图

资料来源：平安银行

依托阿波罗审批平台，平安银行在智能风控得以取得全面突破。据张慎介绍，该审批模式通过建立客户级统一风险管理体系，实现了预审模式。在客户申请贷款产品前，即对客户的风险评级进行计算，从而辅助销售人员进行精准营销；客户在申请前即可基本知道自己的信用额度，进一步提升客户的贷款体验。而阿波罗审批平台最大的创新在于从根本上改变了贷款模式，从客户选择产品变革为银行满足客户。客户只需告诉银行自己的贷款需求，例如多少钱，什么用途。银行会挑选最适合的产品，甚至创造出最满足客户需求的产品来提供给客户，客户不再需要在种类繁多的银行产品中进行选择。

用张慎的话来讲就是，“由于我们可以同时进行多产品预审，所以能根据客户需求提供多产品Offer。回到开头的例子，虽然客户一开始申请的是信用卡，但阿波罗系统经过综合预判得出新一贷快贷更契合其需求的结论，因此客户最终拿到的是快贷。”

阿波罗系统在模型、系统、欺诈分析等方面，采用了很多领先行业技术手段，大幅提升系统决策能力，实现贷款自动化审批。使用阿波罗系统，审批时效由天的级别变为秒级别，实现90%以上贷款产品的风险审批无需人工介入,同时做到了客户对银行风险审批全程“无感”，从而实现了将安全和体验这一对被银行业打趣为“不可调和的矛盾组合”高效整合、互相促进。

在模型方面，阿波罗审批平台采用机器学习算法模型，实现模型自学习自迭代，一键上线。模型由产品级评分升级为客户级评分，同时构建了全流程的模型体系，涵盖信用风险预测、欺诈风险判断、客群识别及生息预测等多维度客户识别模型，在风险防范过程中，近30套模型形成的模型组，联动决策，实现了精准定量的风险审核。项目中自研究开发的新型反欺诈评分的集成方法、闭环式评分模型自动化迭代及上线模式，均已申请专利。

“这些模型已经成为我们风险管理及伪冒防范体系的基石。”张慎说。

此外，平安进一步深化了在AI领域的研发，在阿波罗审批平台上应用了包括声纹、人脸识别、微表情等在内的一系列先进的AI技术。平安特有的“微表情识别”技术，就是根据客户的表情来判断他的心理，从而判断贷款的风险。这个技术不是凭空来的，而是过去很多线下的业务员多年实践总结的经验，简而言之就是“察言观色”的功夫。

知识图谱最早被用于搜索引擎领域，在银行业，利用知识图谱进行从数据到知识的抽取整合应用，能够有效解决风险管理面临的一些问题。而在其他银行刚刚开始引入知识图谱能力的时候，平安银行已经突破了知识图谱的普遍痛点，进入全新的无监督时代。

以申请信用卡为例，系统会建立所有申请人之间的关联网络。对于独立个人的申请，比如A在申请表里标注了与B的同事关系，并留下了公司地址和电话。当银行试图把A的信息添加到知识图谱里的时候，“一致性验证”引擎会触发。引擎首先会去读取B的信息，发现留下的公司和地址跟A填写的不一致，那么这种不一致性很可能有欺诈行为。再比如，如果有一家公司有50名员工在两天之内全部申请信用卡，通过团画像的建立，系统可以主动识别异常团，实现欺诈防范上的由点及面的防控，从而进一步加强团案防范能力。

图3 依托数据与AI，打造阿波罗客户级智能审批平台

资料来源：平安银行

三、不是结尾的结尾：风控永无止境

运通公司的工作经验，让张慎领悟到三个风控应该遵守的原则：风控要以数据和模型为基础，对业务的深刻理解是风控的基础，风控带给客户的应是无感式卓越体验，并将这些理念充分运用到风控实践中。

张慎认为，在数据治理方面，未来可能有两大方向会对零售风险管理产生较大影响：

一是数据的多样化，或者称之为“万物数据化”。微表情、声纹识别实际上都是将过去很多无法量化的东西数据化，这些海量数据(603138)是提高风控精度的基础。

二是要处理好数据安全保护与数据多样化之间关系，也就是通过有效治理，既实现个人隐私保护，又实现数据多元化。有人提出，利用区块链，把数据还给主人，这是解决问题的其中一个办法。在此过程中，寻找数据应用与隐私保护的平衡术，将是零售风险管理的一个非常重要的命题和挑战。

“世界上唯一不变的就是变化本身”，这话用在风险管理身上再合适不过。风险管理与业务紧密联系在一起，而业务是不断变化的，这就决定了风控模式要主动去适应和追赶业务模式的变化。张慎讲述的关于AI风控的故事虽然到此暂告段落，但平安银行以AI风控提升客户体验之旅仍将持续。

【关于我们】

新金融联盟（NFA）成立于2016年，致力于打造一个高质量的新金融政策研讨和行业交流平台。成立以来，联盟共组织各类闭门研讨会、优秀企业参访近百场，议题涵盖数字金融、数据治理、资产管理等方向。部分研讨成果形成报告，呈送给相关部门，推动了业界与监管的沟通交流，助力理事单位的合作共赢。

本文首发于微信公众号：新金融城。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。