-
江南農(nóng)商銀行:搭建企業(yè)級(jí)建模平臺(tái) 落地機(jī)器學(xué)習(xí)場景
更新時(shí)間:2023-08-23
近年來,人工智能(AI)領(lǐng)域取得了巨大的進(jìn)展,而機(jī)器學(xué)習(xí)作為人工智能的重要分支,通過學(xué)習(xí)數(shù)據(jù)里隱藏的規(guī)律和模式,實(shí)現(xiàn)無須明確給定規(guī)則也能達(dá)到目標(biāo)的效果。對(duì)于銀行而言,機(jī)器學(xué)習(xí)已經(jīng)在精準(zhǔn)營銷、風(fēng)險(xiǎn)管理、反欺詐分析、客戶關(guān)系管理、信用評(píng)分和內(nèi)部管理等場景中獲得了廣泛的應(yīng)用。
江南農(nóng)村商業(yè)銀行于2021年引入并建設(shè)了企業(yè)級(jí)建模平臺(tái),集成了多個(gè)機(jī)器學(xué)習(xí)工具和功能,提供從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練到部署和監(jiān)控的全流程支持。該平臺(tái)至今已經(jīng)上線了40余個(gè)模型,在營銷和風(fēng)控領(lǐng)域均有廣泛應(yīng)用。
在營銷領(lǐng)域的實(shí)踐。該行將精準(zhǔn)營銷作為機(jī)器學(xué)習(xí)先行嘗試應(yīng)用的領(lǐng)域,并逐步建設(shè)成為主要場景。將現(xiàn)有的老客戶作為訓(xùn)練樣本進(jìn)行建模,外部數(shù)據(jù)輸入模型以獲取評(píng)分,高評(píng)分表示客戶的潛在價(jià)值較高。基于客戶行為特征進(jìn)行大數(shù)據(jù)建模,通過觸達(dá)模型過濾出潛在客戶來促使轉(zhuǎn)化。該行針對(duì)有效客戶(即二次用信或有在貸余額的客戶),建立了全量客戶有效預(yù)測模型和授信額度1萬以上有效客戶預(yù)測模型,經(jīng)測試,模型已具備較好的分類能力。
在風(fēng)控領(lǐng)域的實(shí)踐。風(fēng)險(xiǎn)評(píng)分是銀行決定為客戶提供信貸額度和其他相關(guān)產(chǎn)品行為的關(guān)鍵指標(biāo)?;跈C(jī)器學(xué)習(xí)和大數(shù)據(jù)建模技術(shù)構(gòu)建的評(píng)分卡模型,極大地提高了銀行客戶風(fēng)險(xiǎn)評(píng)分的預(yù)測效率。該行以2020年至2021年核卡且有1年以上用卡行為的信用卡標(biāo)準(zhǔn)卡客群為樣本,建設(shè)了信用卡B卡模型,判斷客戶半年內(nèi)是否有逾期可能。在入模特征的選取方面,該行通過對(duì)信用卡流水加工衍生特征2736個(gè),另外通過使用賬戶信息表和額度表加工衍生特征149個(gè)?;谝陨辖颖竞吞卣?,首先使用GBM算法對(duì)重要變量進(jìn)行初篩,其次使用邏輯回歸算法制作評(píng)分卡,在訓(xùn)練樣本以及跨期樣本上,AUC指標(biāo)均達(dá)到了0.85,已具有良好的預(yù)測能力。
在反洗錢領(lǐng)域的實(shí)踐。利用大數(shù)據(jù)技術(shù),如數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等,對(duì)客戶的交易行為進(jìn)行監(jiān)測和分析,從中識(shí)別出可能涉及賭博和欺詐的賬戶。該行建立的涉賭涉詐賬戶識(shí)別模型使用機(jī)器學(xué)習(xí)的手段建立評(píng)分卡,通過綜合考量客戶的歷史行為、交易模式、風(fēng)險(xiǎn)指標(biāo)等多個(gè)因素,量化各賬戶的風(fēng)險(xiǎn)評(píng)分,從而識(shí)別出涉賭涉詐賬戶。通過對(duì)模型預(yù)測概率的轉(zhuǎn)化,得到賬戶最終涉賭涉詐評(píng)分,評(píng)分越高,則意味著賬戶風(fēng)險(xiǎn)越大。
企業(yè)級(jí)建模平臺(tái)為江南農(nóng)商銀行提高精準(zhǔn)營銷效果、強(qiáng)化風(fēng)險(xiǎn)管理和欺詐檢測能力發(fā)揮了重要作用。未來,隨著平臺(tái)的持續(xù)建設(shè)和銀行數(shù)字化轉(zhuǎn)型的深入,將進(jìn)一步推動(dòng)銀行業(yè)務(wù)的自動(dòng)化和智能化,大大提高業(yè)務(wù)效率和客戶體驗(yàn),有力推動(dòng)銀行的創(chuàng)新發(fā)展。(涂迅 姜濤)