1、大数据技术助力金融业务安全目录01-金融业大数据技术应用情况02-大数据风险管控的机遇和挑战03-大数据风险管控能力建设04-智能风控体系建设金融业大数据技术应用情况“数字化转型”迫在眉睫大数据技术应用场景企业级大数据规划及建设路径“数字化转型”迫在眉睫“数字化转型”=科技+金融技术上，大数据、云计算、人工智能、区块链等新技术推动了科技与金融相互融合、相互渗透，开启了波澜壮阔的商业变革和金融创新。场景上，金融生态被“颠覆、融合、创新”，互联网公司依靠平台力量构建生态圈，传统银行业“破局”要求“数字化转型”，用数字思维和手段重塑业务和服务流程。什么是“数字化银行”？以体验为核心：打造极致体验，使

2、牢固互信的客户黏性成为价值来源的核心所在。以数据为基础：全面记录、完整采集、整合数据形态，通过对海量数据的深度挖掘与智能分析，让数据转化为生产力。以技术为驱动：紧跟技术发展趋势，结合业务场景，实现技术与业务融合发展。大数据技术应用场景精准营销客户画像客户行为分析差异化营销运营优化市场和渠道分析差别定价和产品创新支持舆情分析内部管理企业级数据治理与数据服务管理决策内控审计风险控制风险实时监测与预警风险分析欺诈分析企业级大数据规划及建设路径数据治理1.2.数据归集与整合3.数据分析与运用目录01-金融业大数据技术应用情况02-大数据风险管控的机遇和挑战03-大数据风险管控能力建设04-智能风控体系

3、建设大数据风险管控的机遇和挑战大数据时代商业银行风险管理的机遇商业银行应用大数据技术面临的挑战大数据时代商业银行风险管理的机遇大数据技术带来数据分析能力提升海量吞吐、流式处理、实时分析等技术：X86平台、Hadoop框架、NoSQL数据库等开源分布式大数据技术体系；实时分布式计算框架和流计算体系；使得数据挖掘成本降低，得以将风险管控数据分析对象从“样本数据”上升为“全部数据”。大数据技术推动风控模式创新可被分析的数据的维度和密度极大丰富，风险模型可信度可有效提升；风控模型数据时效性提升，支持实时反馈和对未来变化趋势的预测；利用大数据和知识图谱对风险管理信息进行知识管理，可将知识转化为业务规则和

4、模型；利用大数据技术实现多因素、多维度数据的综合分析，降低全面风险管理的技术门槛。商业银行应用大数据技术面临的挑战数据收集能力的挑战挑战：自身数据+第三方数据，数据的丰富程度和复杂性大大提高。应对：在数据收集中充分考虑低成本、低能耗、高可靠性、高数据质量等要求。大数据安全的挑战挑战：银行业数据敏感程度高，需根据数据敏感程度、脱敏程度、授权级别等对大数据资产进行分类分级管理及不同等级的安全防护。外部数据的使用缺乏合规、安全、规范的方式。应对：商业银行需制定大数据的收集、存储、管理和使用等方面的统一标准及规范。大数据技能储备的挑战挑战：大数据技术更新换代迅速，要求银行提升技术储备，快速响应、敏捷交

5、付。应对：在加强人员技能培训、技术配备，培养专业化分析师队伍。目录01-金融业大数据技术应用情况02-大数据风险管控的机遇和挑战03-大数据风险管控能力建设04-智能风控体系建设大数据风险管控能力建设商业银行的比较优势重点能力建设领域商业银行的比较优势 金融领域的专业优势和经验积累 全渠道、立体化、跨地域协同的服务渠道 长期基于广泛金融场景的技术研发实践经验 长期稳健经营、适应严格金融监管要求 商业银行稳健可靠的品牌信用重点能力建设领域夯实数据基础，提升数据的维度和密度传统风控主要依赖“强数据”大数据时代要应用“弱数据”建设企业级数据平台和数据模型构建技术平台，提升实时分析和决策能力建设数据应

6、用云服务平台；将数据服务实时嵌入业务流程和场景应用；合理应用机器学习、深度学习等模型和算法。完善管理体系，构建“数据+决策+监控”动态闭环使用“全体数据”构建模型；持续应用及评估监控；持续训练及改进模型表现。加强业务科技融合，建立复合型人才队伍培养复合型人才建立数据分析师和业务建模专家队伍目录01-金融业大数据技术应用情况02-大数据风险管控的机遇和挑战03-大数据风险管控能力建设04-智能风控体系建设智能风控体系建设实时反欺诈信用风险市场风险和操作风险智能反洗钱智能风控体系建设实时反欺诈Step1.实时分析，整合风险监控渠道，聚焦事中风控；Step2.引入规则引擎和风险引擎，分析客户交易行为

7、，提高风险交易监测能力；Step3.纳入综合经营公司数据，持续训练和优化反欺诈模型算法，提升集团层面实时反欺诈能力。成功案例“网御”项目，2017年12月上线，覆盖数百个规则因子、37个风险特征模型、10大类机器学习算法。目前日均接入交易超过千万笔，拦截欺诈交易数万笔，避免客户损失上亿元。智能风控体系建设信用风险应用大数据和人工智能语义分析技术，整合行内信息与外部互联网数据，通过企业画像和关联关系挖掘，为企业信用风险管理提供支撑。Step1.整合行内外部客户数据及多种信息维度，建立客户360度风险视图；Step2.引入行业及舆情信息，构建全面的风险预警模型指标，将风险防控嵌入到授信方案选择、授

8、信审批和贷后管理等环节；Step3.挖掘客户间隐性关系，由“面”成“体”，识别显性集团和隐性集团，绘制“担保圈”并构建“担保球”。成功案例“艾达”项目，2017年投入试运行，经功能优化升级及全面推广，截至2018年6月，实现企业画像26300家，累计识别舆情信息800余万条，绘制了股权、管理、担保和投融资维度的3个层次关联图谱，监测145项动态预警指标，并定制开发了5个业务场景嵌入风险管理流程环节。智能风控体系建设市场风险和操作风险市场风险评估、计量和监控：引入网格计算技术，支撑多并发金融计算引擎，实现对复杂金融模型的高效估值计量；嵌入风险限额指标实时监控和检查交易，对异常情况进行风险提示和预

9、警，实现风险管理关口前移。内控与操作风险管控：基于海量长周期数据，进行数据训练和分析模型构建，实现内控模型和审计报表的自动化监控，支持内控管理与内部审计工作开展。智能风控体系建设智能反洗钱运用机器学习算法提高名单检索和模型命中率，基于流式计算技术提高名单检索和控制模型筛查的速度，并在构建交易链路、追踪资金流向、分析客户交易偏离度、挖掘实际受益人等多个业务场景深入应用大数据技术。例：利用人工智能技术，对涉及电子商务交易的第三方支付公司和商户进行尽职调查，提高交易 反洗钱审查效率。辅助贸易融资交易背景调查，综合校验业务相关的物流、信息流、资金流信息，判断交易背景的合理性和真实性。例：在贸易融资业务的交易背景核查过程中，应用人工智能技术，基于非标准化单据影像、物流货船航行情况等数据，结合历史数据生成贸易融资背景核查报告，以提高交易背景调查效率和准确性，降低合规风险。结语 风险识别是核心 数据的维度和密度是基础 数据分析与建模能力是关键依托大数据技术深耕风险管控应用场景，打造主动、立体、实时、智能的大数据风控体系，构建数字化时代的核心竞争力。谢 谢！