案例一：场景金融智能服务平台

　　案例摘要：

　　结合民生银行小微业务发展战略指引，以小微新模式转型为背景，按照整体架构建设规划，我行于2017年启动了场景金融智能服务平台体系架构的讨论及设计工作，并于2018年3月完成平台业务架构、技术架构设计，完成技术选型及方案评审，于2018年7月完成场景金融智能服务平台项目的投产运行工作。

　　场景金融智能服务平台作为民生中台架构的基础，主要由场景层及共享服务层组成，其中共享服务层拟规划建设营销中心、客户中心、产品中心、事件驱动中心、任务协同中心。在零售综合金融服务体系中，以场景金融智能服务平台的场景层及共享服务构成的服务体系为核心，结合大数据服务体系、管理体系、统一客户渠道、产品系统，共同组成场景化驱动及共享服务的有机综合金融服务体系，为客户提供场景化、智能化的综合金融服务。

　　案例背景：

　　中国民生银行场景金融智能服务平台项目为我行年度规划重点项目，小微金融事业部与信息科技部组建联合项目组推进实施。项目以围绕客群细分经营的核心逻辑，充分运用大数据、移动互联等新兴技术，打造以智能化、线上化、综合化、专业化为特征的服务体系，实现小微金融的“五个转变”，全面提升客户体验与市场品牌，推进小微业务持续、快速、健康发展。

　　为实现项目目标，信息科技部倾力打造场景化金融技术架构体系，通过数字化战略转型，做大服务中台，做强数据中台，重点搭建场景金融智能服务平台，通过场景金融建模和大数据驱动，实现客群经营精细化、营销决策数字化、客户服务智能化、风险管理体系化，打造1+1+N生态圈，助力小微3.0新模式转型。

　　需要解决的问题及解决方案：

　　根据我行战略发展要求，小微金融业务需要转型，一是突出客群经营理念，强调综合营销；二是对小微企业客群经营进行分层管理；三是借助科技力量，运用大数据、人工智能等科技手段，打造金融科技优势，助力大零售业务发展。因此，我行于17年底正式启动小微新模式转型，重点实现如下几大目标：

　　1、实现流程标准、渠道协同的客群经营模式

　　依据“1+1+N”客户关系网络，把握重点客群、融合关键场景，打造全渠道一致的个性化产品推荐体系，实现综合开发工作流程固化、标准作业。

　　2、实现公私一体、便捷高效的内外部业务平台

　　把握需求痛点，围绕效率打造市场竞争优势，以客户经理统一移动工作台、打通公私的小微手机银行、开放获客的小微之家为起点，搭建端到端的客户服务体系、提升产能。

　　3、打造开放互联、自动决策的线上产品体系

　　建成在线、开放、自动决策的产品线，优化业务结构，实现小微客户贷款授信、结算收单、财富管理等产品随时随地、触手可及。

　　4、形成精准制导、深耕场景的数据驱动业务管理机制

　　细分客群及场景，数据、模型支撑下逐步完善精准营销业务策略，搭建综合金融服务平台，提供完善的小微金融条线的评价考核体系，强化条线管控能力。

　　5、落实小微新模式转型

　　运用大数据、移动互联、人工智能等新技术，实现小微金融的“五个转变”：从融资服务向综合金融服务转变，从从全员全渠道销售向专业化销售转变，从被动风险控制向主动风险管理转变，从线下操作为主向线上线下相结合转变，从传统金融向数字金融转变。

　　案例应用实践及效果：

　　通过持续近一年的研发，我行于2018年7月完成场景金融智能服务平台项目的投产工作，成功上线如下功能：

　　1、千人千面的小微手机专属银行

　　小微专属手机银行，通过"版本切换"功能，实现个人手机银行针对小微客群的专属UI、视觉及定制服务，从版面风格、操作体验、产品功能等方面进行全面升级。同时构建个人与企业的关系图谱，实现同一APP对公、对私业务的输出与融合，引入企业账户交易功能和双人审批机制，实现了小微客户公私账户的一站式服务。此外，依托客户大数据打造的“为您优选”、“猜您喜欢”等智能产品推荐功能，实现了小微手机银行的千人千面，为小微客户量身定制的“微财富”版面实现了更适合小微客户的资产配置推荐。

　　2、为小微客户提供智能化的金融产品推荐

　　为有效提升小微客户金融资产，结合客户标签、产品特性等规则，依托大数据计算能力，实现多渠道千人千面产品推荐，为客户资产配置提供可靠数据支撑，最终提高产品销售达成率。基于场景金融智能服务平台，依托数据大中台体系中实时推荐引擎提供的服务能力，为小微客户提供了差异化产品推荐服务，后续继续落地各类基于场景的智能化、自动化的产品及产品组合推荐，并结合机器学习等算法模型不断优化迭代。

　　3、实现一体化作业模式及跨渠道协同营销

　　该项目基于场景金融智能服务平台打造智能营销体系，发展新的营销作业模式，实现一体化作业模式及跨渠道协同营销，助力我行小微业务发展。

　　（1）引入营销抢单新模式，提升作业效率，增强销售效果；

　　（2）构建全渠道协同销售新模式，实现营销渠道一体化管理及数字化评估；实现跨屏销售新模式，提升销售成功率，简化销售业绩认定流程；

　　（3）打造场景化服务新模式，实时响应客户需求，提升客户体验。结合全新架构体系的同时，创新智能营销体系协同、实时、作业、评估的新能力，助力我行大零售营销模式转型。

　　4、产品创新-小微红包

　　为促进小微授信业务健康发展，提升小微授信主动定价能力，我行建立了基于科学定价和动态调整机制的小微授信定价管理体系，结合成本、同业竞争、区域特征、营销策略、风险政策、客户综合开发等因素进行小微贷款定价管理。基于此，我行搭建小微红包体系，实现小微客户差异化定价及综合贡献系统自动化管理，给分行提供定价管理工具及交叉销售推手、带动小微客户综合开发,有效提升小微客户体验，进一步促进交叉销售和结算归行。

　　5、产品创新-增值贷和纳税网乐贷

　　在资产业务风险，我行充分结合互联网渠道，发掘存量客户信息、引入可信数据源，基于数据驱动、模型自动决策模式，设计研发契合小微客群需求的授信产品，随时随地、触手可及。坚持迭代升级、优化客户体验，确保我行小微授信产品的市场竞争力持续提升。

　　民生银行增值贷、纳税网乐贷产品，分别是面向我行优质存量客群、可通过纳税行为验证客群的线上信用授信产品，客户自助申请、签约、提用、还款。作为在线、开放、自动决策的授信产品线的重要组成，增值贷、纳税网乐贷将为优化资产业务结构，满足行内外小微客户融资需求发挥重要作用，实践小微新模式数字金融、主动风险管理的变革转型。

　　6、小微数据集市

　　为支撑小微新模式转型，我们运用大数据分析，基于海量的产品持有、交易行为、关系等数据，针对小微客群进行深入数据探查和精准细分，识别“1+1+N”关系，完善客户标签，深化定价分析，分析保障性、投资性、流动性产品签约持有，提供客户资产、交易明细等数据，对外提供15个接口296个数据指标，为上述各项功能提供有力的数据支持。作为数据驱动营销起点，小微数据集市搭建，构建了小微数据化营销的坚实基础，推动小微金融业务向数字化、精细化、智能化、体系化转型。

　　方案前景：

　　场景金融作为互联网生态体系下的一种新金融模式，将“金融大家族”进一步扩大化、多元化、融合化，打破原本复杂、整体的金融服务，具有便捷、透明、高人群覆盖力的生态特点，实现信息流的场景化与动态化，完成现金流的可视化和可控化。在这样的模式下，金融需求与各种场景深度融合，银行变得触手可及、无所不能，为银行转型提供了更开阔的视野。

　　为此，我行提前布局，搭建场景金融智能服务架构体系，为实现场景金融提供有力的技术保障，将金融服务深度切入到客户的“衣食住行娱”全场景中，深入场景化应用建模，促进我行从交易型银行向场景型银行转变。为民而生、与民共生，民生银行将永葆初心，积极围绕“科技金融银行”战略目标，科技赋能，强势布局零售业务发展。当前，我们正走在正确的道路上，用科技不断自我突破与升级，不断拓展新零售的边界，突破零售金融的想象力，将民生银行打造为一家特色鲜明、价值成长、持续创新的标杆性银行。

　　案例二：电子渠道Pass平台

　　案例摘要：

　　民生银行电子渠道PaaS平台是我行自主研发的金融级电子渠道PaaS平台，遵循微服务架构设计思想，为构建高安全性、高可用性、高扩展性、高吞吐量的电子渠道系统提供必需的服务化开发框架及服务治理、全链路监控、持续集成等基础能力。电子渠道PaaS平台的搭建，旨在解决手机银行等电子渠道安全防护水平高低不齐、技术平台各异、用户体系不统一、业务功能无法复用、开发效能偏低等问题，为落实民生银行互联网金融中长期发展规划奠定坚实的平台基础。

　　需要解决的问题及解决方案：

　　电子渠道PaaS平台提供了搭建微服务架构的渠道系统所需的各项通用基础能力，具体包括以下几个技术模块：

　　1、在平台接入层，提供了我行互联网渠道统一的互联网网关，实现了对互联网服务的服务治理、安全管控、会话管理、流量控制、场景化控制等功能，并提供了开发所需的仿真及配置工具；

　　2、在客户端，平台整合了我行自主研发的FIREFLY Client客户端开发框架，基于组件化架构，提供了前端离线包、客户端热修复、客户端防护等能力；

　　3、在前端，平台利用Apollo前端开发框架，提供了前端UI组件库，实现了页面UI组件的复用；

　　4、在平台集成层，平台整合了Rex服务化开发框架，提供了渠道后台业务服务快速开发的能力，并通过按业务性质划分业务分片，将微服务设计理念落地；

　　5、平台还提供了覆盖各微服务完整生命周期的DevOps持续交付工具，实现了手机银行从客户端、前端、接入层到集成层的自动构建、自动部署、运维管理、运营监控能力。

　　通过利用电子渠道PaaS平台的通用基础能力输出，完成手机银行等渠道系统的微服务化再造与功能整合，实现安全、健壮、可扩展的电子渠道系统同时，提升电子渠道用户体验，降低各功能模块重复建设造成的成本消耗，从而支撑我行网络金融业务快速发展。

　　案例的实践应用与效果：

　　截止2018年9月，电子渠道PaaS平台已封装菜单组件、升级组件、服务安全组件等基础技术组件50余个，场景化组件、限额组件、用户管理组件等基础业务组件30余个，前端UI组件60余个，并据此对手机银行中小微服务模块、理财模块、基金模块、用户管理模块等10余个业务功能模块进行了重建或改造。通过使用电子渠道PaaS平台通过提供各类可复用组件以及覆盖微服务全生命周期的持续交付工具，使得手机银行在不增加额外资源投入的前提下，业务功能开发效率得到成倍提升。

　　电子渠道PaaS平台的建设是民生银行凤凰计划在互联网金融方面落地实施的重要举措，旨在打破民生银行现有互联网系统竖井状的现状，通过搭建覆盖开发、测试、运维、运营等完整系统建设流程的PaaS平台，提供构建基于微服务架构的电子渠道系统所需的各项通用能力，实现统一技术框架、应用架构整合、构建业务系统来整合我行手机银行等电子渠道系统，最终达到提高产能、自主可控、统一管控、统一运维的目的。本系统建设从2017年3月启动，经历了设计及原型系统投产阶段、试点项目投产阶段、系统优化阶段、迭服务场景代开发阶段四个主要的里程碑阶段，目前系统效能已经初见成效，形成了基于新系统的标准交付组织架构、开发模式、运维体系，并与我行现有手机银行、个人网银、企业网银、微信银行完成并行架构，同时已经积累了丰富的技术及业务组件。因系统已经趋于成熟，且生产运行稳定，同时能有效提高开发效率，降低开发、上线及运营成本，因此本系统已经具备快速响应业务需求以及迁移存量服务场景的能力。

　　1、电子渠道PaaS平台显著提升了开发效率

　　基于民生银行自主研发的全系技术栈构建的电子渠道PaaS平台，使用FIRELFY Client客户端开发框架、Apollo前端开发框架，能够极大的降低移动应用客户端、及前端方面的开发成本，使开发人员更加专注于业务功能的开发。集成FIREFLY Client后，客户端无需直接面对底层Native API，可以使用FIREFLY更加友好的API，并且可以根据实际需要采用多种开发模式，加上FIREFLY框架提供的JS Bridge，客户端与WEB前端无缝衔接，整体开发工作量预计将减少至原来的1/3。使用基于DevOps理念建设的FIREFLY MAM移动应用管理平台，采用一站式构建工具，构建操作成本缩减为0。互联网接入网关，通过集成FIREFLY Security组件，将使手机银行项目安全设计评审成本由5人月降至2人月，安全渗透测试成本由2人月降至1人月。以Rex框架构建的接入层及集成层微服务应用，提供了包括场景化、安全工具、工作流、MemKV、批处理框架、TransactionInsight等众多技术及业务组件，使开发人员专注服务场景逻辑开发，大大提升了交付效率。新系统投产后，人力资源将采用技能分组方式，不再按传统的渠道条线划分，能最大限度的达到人力资源全渠道复用。同时技术架构的统一，也大大降低异构系统的开发与维护成本，提高管控能力与开发质量。

　　2、电子渠道PaaS平台提供了互联网一致的客户体验

　　整合后的系统，从页面展示、交互流程、数据协同各个方面给客户提供了一致的客户体验。展现层通过Apollo前端框架开发的操作界面，为全渠道提供一致的UI及视觉展示；集成层微服务系统提供的无状态服务，使渠道与服务解耦，任何渠道的场景均可由集成层服务自由组合且全渠道复用；集成层用户中心的建设，整合了手机银行与个人网银的客户数据，一个用户一个密码就可以畅游我行互联网系统，最终形成了“民生通行证”产品，提升了我行品牌形象。并合并了包括下挂账户、收款人信息等多类客户信息，做到了数据的统一，为渠道协同提供了数据支撑。

　　3、电子渠道PaaS平台大大降低了安全风险与运维成本

　　FIREFLY MAM移动应用管理平台提供的统一打包工具、部署工具，可以轻松实现应用的构建与投产。与此同时，FIREFLY MAM移动应用管理平台还提供了强大的一站式应用持续运营能力，从应用运行数据采集到业务数据展示，从服务全链路跟踪到服务升降级，从应用上线管理到应用运行时限流、熔断等配置管理，最大程度的为应用运营人员提供便捷有效的应用管控能力。接入层安全控制组件，可按服务场景灵活及动态配置防越权、防注入、防跨站等多种安全防护策略，使得安全风险可快速通过在线配置进行控制，大大降低安全事件的响应时间。

　　4、提升电子渠道系统的容灾能力

　　电子渠道PaaS平台建设时遵循通道系统的建设原则，将不属于渠道范围内的逻辑及数据剥离并沉淀到产品层或者服务协同层，还原渠道的“通道”本质，不再保留客户相关的“沉淀型”数据。这一原则也使得电子渠道系统的建设天然支持两地三中心多活的容灾策略，由于所有生产设备都处于online状态，任何一个数字中心宕掉，在不进行任何剩余应急操作的情况下，剩余数字中心均能全场景提供服务，不仅大大节省了生产设备的投入成本，也真正实现了多地多活的容灾策略。

　　案例三：基于人工智能的零售贷后量化风控

　　案例摘要：

　　随着我国经济进入新常态，银行业利差空间收窄、新资本协议推行、互联网金融挑战等因素导致银行业经营压力持续增大，同时资产质量管理面临更大的挑战。传统的零售资产管理工具及手段将不再适用于未来的泛同业竞争，高效、精准地预判风险和据此进行的针对性风险管控是零售资产管理需要建设的核心能力之一。

　　针对零售贷款业务贷后管理现状，我们通过探索大数据和人工智能技术，采用高阶机器学习构建完成了民生银行零售贷款全品种、多时窗早期预警系列模型，并以该系列模型为量化引擎设计出可有效提升零售贷后风险管理效果的主动型监测预警管理体系。

　　该系列模型包含民生银行小微贷款、综合消费贷款、住房按揭贷款下的近期预警、短期预警、中期预警、长期预警共计12个风险预警模型。12个模型各司其职,从本质上帮助解决我行零售贷后管理过往在理念、手段和工具上的问题，分别助力完成缓解催收压力、降低早期逾期、压降风险贷款规模、了解资产质量变化、合理调整资产结构等零售贷后管理工作。全系列模型形成了一张量化驱动的风险防护网，可以让我行贷后管理获得前瞻性、主动性的优势，持续提升风险管理效果，助力我行零售贷款业务创利水平的提升。

　　案例背景：

　　近几年，“数据已成为企业的重要资产”这种认知已取得了广泛的共识。数据里蕴含着价值，价值经由技术挖掘、萃取，最终得以释放。机器学习正是一种可有效萃取数据价值的技术手段，如今它已融入我们生活的方方面面，国内外很多公司已将这种技术广泛应用于企业的经营管理中，并且取得了很好的效果。通过机器学习技术对数据实施挖掘建模，找到业务运行背后的规律，调整业务策略达成业务目标，这是数据驱动业务的一种内在机理与可行方式。

　　随着我国经济进入新常态，银行业利差空间收窄、新资本协议推行、互联网金融挑战等因素导致银行业经营压力持续增大，同时资产质量管理面临更大的挑战。传统的零售资产管理工具及手段将不再适用于未来的泛同业竞争，高效、精准地预判风险和据此进行的针对性风险管控是零售资产管理需要建设的核心能力之一。

　　需要解决的问题：

　　传统的零售贷款业务贷后风险管理通常以专家经验为主，大量决策并非依据风险量化评估结果，常用的贷后监测预警多为欠款次数、欠款天数、欠款金额、五级分类等风险事后统计指标及征信、工商等行外大数据监测信息。贷后监测手段及工具的滞后，使贷后管理通常无法对潜在风险事前预判，监测到异常时风险已成事实，这导致了银行在贷后风险管理工作上的被动。另一方面，由于无法对贷款风险进行事前精细化辨别和区分，造成贷后风险出现后的风险干预策略通常无法体现差异性，这带来了零售贷后管理效率的下降和风险管控效果的不确定性。

　　解决方案：

　　针对零售贷款业务贷后管理现状，我们积极探索将新技术用于我行零售贷后管理中来，设计出基于人工智能的零售贷后量化风控解决方案。通过探索大数据和人工智能技术，采用高阶机器学习构建完成了民生银行零售贷款全品种、多时窗早期预警系列模型，并以该系列模型为量化引擎设计出可有效提升零售贷后风险管理效果的主动型监测预警管理体系。

　　主动型监测预警管理体系涵盖“模型驱动、分级管理、早期预警、主动退出、持续优化”五大方面，基于模型对于贷款的风险量化评价来驱动后续的风险分级、早期预警和主动退出，将已发现的风险规律反哺贷前，通过有效闭环优化持续改善资产质量。

　　本方案采用高阶机器学习技术构建风控模型的过程，本质上来讲是一项极具创新思考色彩的数据科学探索活动。机器学习风控模型能发挥作用并保持高效的前提，是未来的业务模式和过去的业务模式相似，因此我们可以通过模型总结历史经验教训，更好地预测未来。“监督框架下的同分布抽样技术”和“Feature Shaving特征集优化技术”是民生银行近年来在风控模型领域的智慧结晶。两种技术是针对样本维度和变量维度的去噪技术，经过对历史数据的去噪，模型可以达到更好的预测精度，落地后实际应用效果更好。

　　该系列预警模型设计先进，预测精准，采用了微软亚研院2017年开源的LightGBM作为主算法引擎，紧密结合业务自定义损失函数及评价函数并应用多项自主优化技术[模型构建过程中，我们采用了数据增广滑窗技术、自定义损失函数与评价函数、基于监督框架的同分布抽样技术、FeatureShaving特征智能优化技术等多项自主技术，有效提升了模型性能。]后，该系列模型KS[ KS值即模型区分度指标，KS数值越高代表模型的区分度越好，可以理解为模型性能越好。]平均值介于75至80之间，显著高于同业同类模型水平。相较于业内通常使用的老技术,民生银行研发的新技术（高精度机器学习解决方案）可提升预警模型精度20%以上。

　　案例应用实践及效果

　　贷款资产质量的劣化过程类似于人生病的过程，从亚健康、小病、大病到不治总是有一个发展过程，通过该系列预警模型完成对贷款近期、短期、中期、长期潜在风险的精准预测，可以尽早发现贷款的风险，做到防患于未然。本项目中我们开发出小微贷款、综合消费贷款及住房按揭贷款的近期预警、短期预警、中期预警及长期预警总计12个模型。

　　12个模型各司其职，分别助力完成缓解催收压力、降低早期逾期、压降风险贷款规模、了解资产质量变化、合理调整资产结构等零售贷后管理工作。全系列模型形成了一张量化驱动的风险防护网，可以让我们的贷款管理获得前瞻性、主动性的优势，从本质上帮助解决我行零售贷后管理过往在理念、手段和工具上的问题。

　　1、可行性

　　本项目的项目组核心成员由来自民生银行总行信息科技部的建模技术专家、总行零售风险管理部的业务专家以及多家分行贷后风控领域的业务骨干组成。模型方案设计基于零售业务风险管理痛点，充分吸取了同业经验，经多次研讨、论证后完成。

　　该系列预警模型可以很好的区分高风险贷款和低风险贷款。按照模型给出的风险评分，各品种下的零售贷款风险被分成了5级，A级贷款占比67%，其中高风险贷款的比例不到0.2%；E级贷款占比2%，其中高风险贷款的比例为73%。A级和B级贷款包含了近85%的客户，这个客群风险较低，是优质客群，主要管理建议为通过营销进一步挖掘价值；C级、D级、E级贷款包含了近15%的客户，这个客群风险较高，是风险客群，主要管理建议为预警、主动退出和催清收。

　　2、完整度

　　本项目产出之零售贷后量化风控解决方案包含零售贷款早期预警系列模型、配套风险干预策略等具体的可落地执行方案，项目设计结束后在行内进行了在为期四个月的项目试点验证。

　　在为期四个月的项目试点过程中，三家试点分行新增临时性逾期平均下降42%；分行结合小微贷款短期、中期、长期预警模型，优化现有贷后监测体系，前移风险防线，形成有效退出机制，精准退出小微高风险贷款2.3亿元；据估算，2018年将有望在全行范围内有效压降可观的小微不良资产规模，为我行零售贷款业务的创利提升做出实际贡献。

　　3、兼容性

　　项目试点期选择的三家分行分别代表了行内零售资产质量的高、中、低水平，具有较强的代表性，从四个月的实际试点效果来看，各分行对全套量化风控方案的新理念接受较快，可以在快速掌握量化管理工具后结合分行自身的业务和风险特色，制定各场景下的个性化风险干预策略并有效贯彻执行。

　　项目组认为这套基于人工智能的零售贷后量化风控解决方案可以提供零售贷款生命周期各主要环节潜在风险的精准预测，确实实现了风险的早预警、早干预，极大扭转了过去零售贷后风险管理滞后、被动的局面，可有效提升零售贷后风险管理效率及效果。这套方案通用性较强，很适合在全行推广落地（事实上，今年2月份开始，这套方案已经在全行所有分行全面落地且取得了较好的应用效果）。

　　方案前景：

　　传统的零售贷后管理通过多维度信息的联合监控，及时发现贷款风险并进行相应风险干预，常用工具为贷后监测预警指标体系和行为评分卡，目前部分银行已经开始自行开发贷后行为评分卡，但仍多采用类FICO的评分技术。优点：方案成熟、简单、易实施。缺点：对于贷款进入贷后生命周期的风险监控过于粗糙，无法适应业务的多层次监控需求，同时模型精度也不高。

　　机器学习技术如今已广泛应用于精准营销和大数据风控等金融业务领域，机器学习技术可以帮助银行业解决很多问题，借助它银行可以对资源进行更有效的利用，比如说通过精准营销模型的应用可以在有效降低营销成本的同时达到更显著的营销效果，通过用于贷后管理可以在有效释放风险管理人员产能的同时实现更好的资产质量管理目标，具体可参见下图比较。

　　本方案将大数据及人工智能精准预测技术引入我行的零售贷后管理中来，变被动为主动。精准识别贷款生命周期中多环节的潜在风险，通过配套风险干预策略的应用，量化监测、控制及化解贷款风险，持续改善我行零售贷款资产质量，提升零售贷款业务创利水平。

　　本方案之产出可作为我行零售贷后风险管理体系的核心引擎，通过零售贷款全品种、多时窗早期预警系列模型提前给出的风险预警，尽早发现潜在风险，结合多场景下的风险干预策略，可以合理、有序地降低早期逾期、压降风险贷款规模、缓解后期催清收压力、动态掌握资产质量变化情况，让民生银行零售贷后管理获得前瞻性、主动性的优势，持续提升风险管理效果，助力我行零售贷款业务创利水平的提升。

　　案例四：基于资金往来的恶意客户挖掘

　　案例摘要：

　　伴随随着互联网3.0的口号，银行业不仅面对着互联网金融等新兴产业的快速发展而带来的营业压力，也同时受到恶意客户对银行的不断侵害。恶意客户虽然在所有用户中的比例不高，却危害极大，银行方面。传统方法人工方法存在排查过程需要消耗较多资源，对数据的排查不够彻底，提取规则覆盖面优先不能应对新的违规方法等诸多问题，如何及时、精准地对恶意客户进行挖掘和分析是降低银行资产流失的重要途径。

　　采用机器学习和图计算结合的恶意用户预判系统，根据近期的数据对所有用户进行打分以及提供打分大致分析，结合传统人工排查，对部分恶意评价较高的用户进行人工审查，极大的压缩了人工审查的筛选时间，提高审查的准确率。通过审查完善黑名单数据后，进一步提升系统预判的准确率。

　　案例背景：

　　伴随随着互联网3.0的口号，银行业不仅面对着互联网金融等新兴产业的快速发展而带来的营业压力，也同时受到恶意客户对银行的不断侵害。恶意客户虽然在所有用户中的比例不高，却危害极大，银行方面。传统方法人工方法存在排查过程需要消耗较多资源，对数据的排查不够彻底，提取规则覆盖面优先不能应对新的违规方法等诸多问题，如何及时、精准地对恶意客户进行挖掘和分析是降低银行资产流失的重要途径。

　　互联网的发展积累了极具价值的用户数据，这使得机器学习成为极为有效的技术手段，且在银行的各个方面都有了诸多应用。但是机器学习对数据的利用容易忽略数据结构的价值，比如客户与客户之间的转账或者间接的转账信息。图计算恰好可以弥补这方面的空缺，将信息构筑成图，通过图来传递数据结构信息。采用这两种方法结合的系统，可以最大程度的对数据信息进行挖掘处理。

　　需要解决的问题：

　　传统方法对恶意客户的挖掘是通过既有规则对用户进行筛选后再进行人工审查。这样的筛选审查过程，过于依赖既有的规则，应对新的违规行为的筛选能力较差，监管行为滞后。人工审查面对各种特征数据很难及时提取有用的信息，也会影响挖掘恶意用户的时效性。只能做到事后监管。

　　为了监管行为更具时效性，即时预判恶意用户，将违规行为消灭在萌芽中，需要借助机器学习以及图计算这两种工具。

　　解决方案：

　　采用机器学习和图计算结合的恶意用户预判系统，根据近期的数据对所有用户进行打分以及提供打分大致分析，结合传统人工排查，对部分恶意评价较高的用户进行人工审查，极大的压缩了人工审查的筛选时间，提高审查的准确率。通过审查完善黑名单数据后，进一步提升系统预判的准确率。

　　案例应用实践及效果：

　　1、应用架构

　　整个系统的架构如下图所示，原始数据通过数据预处理分为图数据、黑名单、用户画像、交易特征等数据，机器学习使用用户画像、交易特征等数据对用户进行评分，评分的结果作为图数据中顶点的权重，并根据图的其它信息，计算出最终每个用户的评分信息。

　　机器学习通过搭建多层神经网络实现节点预测，网络结构见下：

　　图计算采用了ppr（personal pagerank），算法基于随机游走，从顶点V开始出发，以α的概率从V的出边中等概率的选择一条随机游走过去，到达下一个顶点，从下一个顶点有（1-α）的概率回到起点，或者α的概率继续游走到出边中。多次循环后各顶点的权重收敛。

　　2、应用的效果及分析

　　在黑名单处理时，将黑名单分为多份，分别用于机器学习训练，图计算训练和结果预测。训练使用的黑名单为前K-1个月，结果预测的黑名单采用最后一个月。同时将机器学习和图计算的结果进行对比，结果如下表所示

　　从上表可以看出，机器学习结果的AUC就已经较高，图计算在此基础上，可以将AUC提升1%左右。

　　3、数据可扩展性

　　图计算采用交易流水数据作为基础，在此基础上添加了客户邮编数据来挖掘恶意客户的地域局部性，加入了工商信息来挖掘恶意客户的股权占有的局部性。同时根据银行拥有的其它数据，可以不断增加图的复杂度，容易暴露恶意客户与恶意客户之间的关联。

　　方案前景：

　　机器学习和图计算在银行业作为解决方案已经有较多的应用，场景较为独立，比如前者根据用户画像特征对用户进行打分，后者用于失联修复等。

　　相对独立的使用这两种方法，通过将两种方法结合起来挖掘恶意用户，弥补双方对数据运用不充分的问题，在机器学习的基础上，通过图计算来将结果的准确率进一步提升。

　　案例五：小微贷款同业定价挖掘：算法及应用

　　案例摘要：

　　作为国内小微金融服务的先行者，民生银行从2008年以来坚持把服务小微企业作为工作的出发点和落脚点，持续完善小微金融服务体系，为我国小微企业发展灌溉金融活水。十年来，民生银行持续优化小微贷款定价管理体系，平衡收益和风险，切实降低小微企业融资成本。小微金融服务中，贷款定价的制定需较大程度上参考市场上同业产品的定价水平，当前主要通过市场调研的方式获取，其准确性和覆盖面不能很好地满足快速定价管理的需求。在小微3.0新模式下，民生银行针对同业贷款定价数据获取难的痛点，创新性地建立小微贷款同业定价挖掘模型。该模型能快速监测市场定价情况，具有低成本、高精度、高覆盖度的特点，能有效帮助经营机构制定出更符合市场需求的贷款定价机制。民生银行同业定价挖掘模型主要有三个创新点：1. 新的视角：摒弃传统的客户调研手段，用全新的视角从征信数据中获取同业贷款信息，并通过模型计算出同业贷款定价；2. 新的算法：针对征信数据特点，原创性提出基于最大后验概率的定价预测算法解决了高度非线性问题，具有非常高的准确性；3. 新的应用：开发了图形化展示功能，直观有效地展示同业定价数据；可将定价信息嵌入信贷系统，信贷、评审人员可实时获取定价信息并作有效决策。

　　案例背景：

　　小微金融服务75%以上的EVA来自于贷款产品。截至2018年8月末，民生银行小微贷款规模已突破4000亿元。在此规模下，贷款定价0.1%的变动就能影响年化4个亿的贷款收入，如何科学地制定小微贷款定价已成为商业银行的核心能力之一。贷款定价是一项复杂的系统工程，也是一门具有丰富内涵的艺术，合理的贷款价格需要权衡行内外各种因素，全面考虑主客观各种条件：一方面需考虑资金、风险、运营等各项贷款成本，另一方面需充分考虑市场上同业价格，以制定出既能满足风险调整后资产收益率（RAROC）的基本要求，又能有一定市场竞争力的合理定价。

　　定价考虑要素主要分为两个方面，一是内部要素，如各项成本、RAROC、收益率等数据；二是外部要素，如同业的定价分布、平均价格等。其中，RAROC等计算依赖于银行内部数据，国内各家商业银行已经有一定的数据基础支持定价决策。但对于同业定价数据这样的外部数据，商业银行普遍缺少一个较为稳定且准确的数据来源。当前同业定价获取方式主要为客户调研，通过信贷经理线下走访市场和客户，或线上向客户发放问卷去了解同业定价信息。此类方式能获取一定的定价信息，但调研成本较高，且获取数据的准确性、覆盖度都不能很好满足定价需求。由于成本原因，定价调研的频率通常为按季甚至按年，导致商业银行获取同业定价较为滞后，难以形成快速的定价调整机制。在此背景下，商业银行亟需一个低成本、高精度、高覆盖度且能及时更新的同业定价数据来源。

　　为深化小微金融发展战略，民生银行自2017年起持续推进凤凰计划小微新模式（小微3.0）的落地实施，前瞻布局小微业务长远发展能力，推动小微金融服务由传统金融向数字化金融的转变。针对小微贷款同业定价数据获取难的业务痛点，民生银行小微3.0科技项目组自主研发了基于REMAP（Rate Estimation by Maximum A Posterior）技术的同业定价挖掘算法。该算法通过对存量客户征信中的同业贷款数据进行深度挖掘，利用最优化技术预测贷款价格。经行内数据验证，该模型每年能自动统计10万条以上同业定价数据，预测准确率超99%。从单笔数据上看，通过移动运营平台的功能内嵌，信贷经理在对客户进行贷款录入时就能实时获取客户同业定价数据，为信贷决策提供有效依据；从汇总数据上看，通过数据的可视化报表展示，商业银行能准确地获取根据地域和产品细分的同业定价分布数据，并据此优化整体定价策略。

　　民生银行定价现状：

　　为促进小微授信业务健康发展，建立科学定价、规范管理和动态调整的机制与流程，民生银行建立并持续完善基于科学定价和动态调整机制的小微授信定价管理体系，实施“一行一策，一户一价”的差异化定价管理。

图1：民生银行小微授信定价管理体系

　　小微贷款定价管理体系分为六大模块，分别是定价分层管理模块，时光定价模块、小微红包模块、参数配置工厂、定价报表模块以及定价模型工厂。其中，前三个模块为前端应用功能，从定价流程管控、产品、服务、客户贡献等维度进行差异化定价；后三个模块为后端管理功能，包括参数配置、报表展示和模型建设，支持前端系统更为科学地管理定价。小微定价管理体系主要有以下三大特点：

　　第一，科学计算，合理定价

　　小微贷款定价是根据不同担保方式、产品特点、市场竞争、区域特色等因素确定的不同产品定价，分为总行挂牌定价、分行指导定价、产品最低定价三类。通过开发定价分层管理功能进行不同分行、不同产品定价管理及系统强控，对每一个产品，均设置指导价格和最低价格，实现一行一策的小微授信定价管理模式。

　　第二，分层授权，灵活调整

　　为给予业务部门一定的灵活性，满足特殊情况下客户的利率需求，小微定价管理功能上设置了权限范围内调整贷款价格的权限，在总分行价格指导的基础上，针对单个优质客户，小微主动定价管理对总、分行相关有权审批人分层授权，给予相应的利率调整权限，针对特殊情形灵活管理价格。分层授权的管理体系有助于总分行根据客户的实际情况进行差异化定价管理，有效避免了定价一刀切的情况。

　　第三，利息优惠，综合开发

　　针对优质小微客户，民生银行开发了小微红包系统。通过客户对银行的贡献、客户转介、活动赠送等方式，系统自动计算每个客户的红包个数。客户可通过手机银行自助使用小微红包享受优惠定价，有效降低了客户融资成本，促进对小微企业的金融扶持。

　　同业挖掘模型介绍：

　　同业定价数据在小微贷款定价决策中扮演着重要角色。为进一步完善小微授信定价管理体系，民生银行小微3.0项目组建立了同业定价自动化挖掘模型，其核心算法REMAP（Rate Estimation by Maximum A Posterior）为一个逆向工程算法，通过征信数据中挖掘出的贷款本金、还款周期、还款金额等数据，反推贷款还款方式和贷款利率。该算法利用贷款还款方式及借据间关联的先验知识，并结合单笔借据内还款信息对利率进行精准预测，根据不同类型数据的可获取性，采用马尔科夫链进行概率整合，并计算最优化贷款利率和还款方式。REMAP算法整体框架图如下：

图2：REMAP算法框架图

　　REMAP算法模型输入为民生银行贷款系统数据，包括本行贷款各项信息及客户征信信息。其中征信数据中，除能查询到客户在民生银行的贷款信息，也能查询到客户在同业的贷款数据，主要包括贷款日期、金额、还款历史记录以及产品品种等。尽管征信数据中无直接的同业定价信息，但可通过贷款金额、还款利息等数据进行推测，具体推测模型则使用民生银行贷款进行训练。由于民生银行贷款既可以拿到其对应征信数据，又可以拿到其实际的定价，通过模型进行训练则可获取相关模型，并应用到同业定价挖掘中去。

　　该模型的复杂性在于，输入变量和输出变量存在高维非线性关系，同时客户在实际还款中存在提前还款、还款逾期等各种情况需要处理。经测试，线性回归、决策树、GBDT、Xgboost、深度学习等算法均无法胜任精度要求。经过近一年的探索和尝试，民生银行为定价数据量身定制了一套模型REMAP。该模型具有极高的精准度，并且能有效处理客户提前还款、逾期等各类情况。图3展示了同业定价挖掘算法的流程图，主要包含四个流程：

　　1. 数据获取：从零售贷款征信、信用卡贷款征信中挖掘出本行及其同业贷款信息，其中本行数据关联到本行贷款系统获取具体定价信息；

　　2. 预处理：包括对逾期、提前还款数据进行清洗，对多次查询中的同笔借据进行去重和整合，并加工相关衍生变量；

　　3. 挖掘算法：包括先验概率模型、后验概率模型、模型整合、分类器以及利率反推算法等模型，计算出单笔借据实际定价；

　　4. 结果输出：通过按照地域、产品等维度进行汇总，输出定价分布的图形化展示及自动化报表。

图3：同业定价挖掘算法流程图

　　针对征信中挖掘的每一笔贷款信息，算法计算出其对应的贷款利率，并同时计算出准确的概率。概率越高，预测的贷款定价将更趋近于实际利率。REMAP算法通过最优化算法计算出一个阈值，高于该阈值的视为正确判别的贷款定价，低于该阈值的视为无法预测。通过该算法，REMAP从所有征信数据中寻找出最有预测性的数据，从而进一步提升了模型的预测准确率；同时，REMAP考虑最终预测准确数据占比全量数据的覆盖度，尽可能获取更多的定价数据。经民生银行近三年的数据验证，模型通过最优化阈值从全量数据中筛选了90%的借据进行利率计算，通过行内数据比对，准确率高达99.1%。由此可见，模型具有很强的预测性。

　　同业定价挖掘模型应用及前景：

　　同业定价挖掘模型的应用主要由两个方面，一是汇总数据应用，供总分行定价管理部门提供量化决策依据；二是日常定价数据应用，为单笔业务提供市场同类贷款定价支持。

　　1. 汇总数据应用

　　图4展示了通过REMAP算法挖掘的A地区民生银行及同业贷款的定价分布情况。其中民生银行数据经行内定价数据实际比对，准确率99%以上。经汇总统计，A地区同业加权平均定价6.6%，高于民生银行0.5%，说明该地区民生银行贷款定价有一定的竞争力，具备一定的可调整性。数据显示，民生银行定价低于同业的主要原因是发放了大量的5.2%的贷款，而在此期间同业定价主要集中在5.7%-6.5%期间。

图4：A地区民生银行及同业定价分布

　　图5展示了A地区民生银行及同业定价变动趋势。根据REMAP挖掘的数据，民生银行A地区可在符合国家对小微企业金融扶持的基本要求下，从市场角度适度减少过低定价贷款的发放。

图5：A地区民生银行及同业定价变动趋势

　　为便于总分行定价管理人员更为便捷和直观地了解同业定价数据，民生银行将模型结果开发为图形化展示报表，相关人员可通过自动化报表平台自助访问获取同业定价现状及变动趋势，并据此进行定价策略调整。

　　2. 日常定价数据应用

图6：新增外部定价信息的客户360视图

　　为进一步提升同业定价数据的应用范围，民生银行增加了外部贷款信息以进一步完善客户360视图。该功能可内嵌贷款系统和移动运营，提供同类型贷款外部定价等信息，在满足合规要求前提下供信贷经理贷款议价；该功能也可嵌入到贷款评审系统，如客户本笔申报价格偏离同业定价过高或过低，则触发提示由评审人员进行进一步风险定价判断。

　　综上，小微贷款同业定价模型具有较强的创新性和广泛的应用性。该模型同时具有较好的可移植性，未来可针对个人贷款、对公贷款进行数据挖掘，建立覆盖不同客群的同业定价数据挖掘体系，有效提升商业银行主动定价管理能力。