来源 :金融新观察2024-03-01
在当前社会欺诈犯罪作案手法层出不穷、涉赌涉诈案件频发、金融交易场景日趋复杂，风险排查难度加大的背景下，南京银行开展了运营风险全景监测防控平台项目。
该项目要解决三个关键业务痛点。
首先，是全面与及时性，要完成事中、事后风控策略部署。尤其是事中风控策略的部署，增加实时反欺诈、客户实时评级等手段。要完成渠道全面覆盖，目前涵盖线下柜面渠道，线上个人、对公（APP、网站）等渠道，因此要实现线下、线上渠道风险全防御。
实时反欺诈某场景处理流程
其次，是持续性，要建立持续的风险识别、策略有效性评估及修正调整机制。目前已形成模型分析、开发、测试、上线、优化等模型管理闭环。
第三，是先进性。由于风险监测的差异化、场景化、多维度，要通过对账户、交易、人员等要素和业务流程的分析，涵盖零售、对公、检查、同业、内部运营等板块风险模型的运行。
因此，本项目利用了创新的技术和模式来完成，主要包括四个方面：
首先，是采用实时交易级模型计算引擎。在不影响客户的操作体验前提下，使用实时交易级模型计算引擎，针对客户实时风险评级、客户开户、转账、调额等交易场景，通过实时计算技术将数据实时加工为指标，并通过内存存储的方式，提升指标读写的速度。要求引擎能够在毫秒级响应时间内，计算渠道端传送的客户数据，并将评级结果反馈给渠道端，用于判断客户是否禁止开户或者限制其转账额度。
实时评级处理流程
其次，在行内、外数据指标多场景融合应用，引入外部数据，如反诈系统数据、工商数据等，有效补充行内数据的缺失，提供更全面的数据支撑。当前存在将行内、外数据加工成指标应用到实时或者批量计算场景：如“一段时间内的开销户次数”、“使用同一IP转账次数”，在这类数据的加工中需要平衡考虑业务需求、架构、数据量、更新周期等因素。如果是实时调用名单验证类指标，考虑数据量和内存占用量大的问题，采用渠道端直接提供是否验证成功的标识，这样有效减少数据交互复杂度，简化处理架构，同时满足了业务需求。
第三，采用NLP智能算法处理文本数据。传统的风控系统主要使用结构化数据进行指标的加工和风险的决策，但是随着业务数据的丰富，逐渐出现了与人工智能、图计算相结合的指标加工和风险决策场景。本项目中使用词嵌入算法，进行地址的相似度计算，促进了文本分析，提高了数据分析的准确性和有效性，并将处理结果用于风险决策中。
第四，构建监测模型预评估、开发、应用、后评估、优化的管理闭环。对于模型预评估阶段，分析人员会针对模型触发量进行统计分析，从而选择合适的阈值，然后进行模型的开发、测试及应用上线；对于上线的模型，会持续进行跟踪和分析、优化；对于长期无效规则，考虑下线。
模型生命周期
系统上线后，为业务带来的较大成效。构建完成了运营风险全景防控系统，通过大数据风险模型、复杂监控规则等，实现对注册、登录、绑卡及转账等各类交易风险的实时精准识别，并通过对交易终端环境、交易特征、关联交易、客户习惯行为偏差等因素的分析，综合评估计量交易风险。
同时，系统有效满足对交易风险的实时监测和预警，提高违规、欺诈交易的识别能力，在交易事前、事中、事后嵌入操作风险防控要求，对于风险较大、可疑程度较高的交易，采取精准识别、实时拦截等措施，切实提升交易安全防护能力，在基于大数据分析的基础上，对历史交易数据进行分析，进一步完善自身风险防范体系，以保护客户资金安全，提升客户满意度和认可度。
从数据上看，项目提炼总结风险特征388个、实时监测规则279条、批量检测规则284条，确定了一整套风险预警线上排查处置流程。系统自上线运行以来，对全行各渠道登录、转账、理财等业务场景实现全覆盖，支持对百万量级的用户总量和月活跃用户量的7*24小时实时、连续交易风险监控。系统自2022年12月上线至今，累计筛查各类交易1100万笔，综合判定后及时阻断异常交易2000余笔，为数百万客户的资金安全保驾护航。
对于行业而言，有两个方面可以借鉴。一是从“单一渠道事后监督”向“全渠道事中事后综合管理”转变，充分运用集中监督与分级监督的风险管理方法，能够有效统筹风险交易监控的全面性与侧重性，有效监测并阻断风险事件发生。二是实现数据驱动下风险监控处置决策不断优化。支持总分联进行不同场景的风控规则创建，并生成对应的核查单类型。基于核查单类型配置对应的工作流，实现核查单的自动派发、流转、处置及流程跟踪，极大提升总、分、支行的管理联动效率、实现属地差异化管理，集全行之智慧，有效防范、及早发现案件隐患。