前言
纵观金融机构和互联网金融公司业务结构，个人消费和小微企业贷款额一直处于持续高速上涨。据中国人民银行统计，金融机构住户消费贷款总额2017年增长率高达25.8%，其中中长期贷款金额占比近八成。随着互联网金融发展进入到第三阶段——实质性金融业务发展阶段，近两年几乎所有的互联网巨头，都开始高调进军金融领域，更多的金融行为将通过网络完成。
2015年至2017年银行金融机构用于小微企业的贷款持续增长，增长率保持10%以上，其中商业银行占据主导地位占比75%以上。但是银行类金融机构归于小微企业的贷款额增长率明显低于个人信贷额增长，这也从另一方面揭示了小微企业贷款难的问题仍然存在，由于小微企业的特殊性导致其贷款风险高是业内公认的事实，因此银行类金融机构对此类贷款的态度还是处于保守，未来对于企业级信贷的风控急需突破。
贷款额的连年上涨并不能揭示银行金融机构的业务提升，相反，不良贷款余额达到了空前的水平，也在时刻警醒着银行类金融机构的风险管理手段需要改革。2013年至2018年6月，近四年间商业银行不良贷款余额涨幅超200%，不良贷款率由1%持续上涨到1.86%。银保监局3月发布的《关于调整商业银行贷款损失准备》，强调了对银行贷款风险分类等方面的考核，智能化风险管理急需落实。
《2018中国智能风控研究报告》基于大量桌面研究，分析宏观背景如何推动智能风控产业发展。走访二十余家相关企业，问卷调研百家企业，了解智能风控核心技术、产品与服务流程、应用价值以及发展趋势。通过代表性真实案例和问卷结果揭示智能风控落地应用和智能风控企业发展现状，根据实际发展存在问题，预测智能风控发展趋势。
一、智能风控发展现状及背景
1.1 风控发展历程及现状
金融科技进入智能阶段，智能风控是未来三年金融科技公司集中发力的市场。
回顾金融科技产业经历了电子化、信息化、网络化、移动化时代，随着机器学习、自然语言处理、知识图谱等技术的发展，算法、数据、硬件处理能力不断提升，各类智能金融应用出现，金融科技已逐步进入智能阶段。
电子化和信息化只是作为一种工具，为金融产业的基础设施升级提供了条件，而网络化、移动化为金融业务的渠道和实现方式带来了革新。央行2011年颁发第三方支付牌照是金融网络化的标志性事件，这一年成为金融与科技深度融合的开始。
金准人工智能专家认为智能风控是未来三年金融科技公司集中发力的市场。
贷前审核、贷中监控和贷后管理等环节都存在不同程度的痛点，需要金融科技尽快落实在风控环节中以实现智能化
传统金融机构和互联网消费金融公司的风控环节中，普遍存在信息不对称、成本高、时效性差、效率低等问题，传统的风控手段已经难以满足个人消费旺盛引发的信贷增长，和长久以来被传统金融机构忽视的长尾用户的贷款需求。金融科技极大促进了信贷智能风控的发展，目前贷前审核、贷中监控和贷后管理等环节都存在不同程度的痛点，需要金融科技落地风控环节中以实现智能化，进而更好的优化资源配置。
1.2 智能风控定义解读及发展背景
1.2.1业内企业对智能风控的不同观点
市场上对于智能风控的定义还受限于大数据风控，定义片面甚至混乱。随着人工智能发展进入落地阶段，对于“智能”的定义已不局限于大数据或者人工智能等技术的应用。
1.2.2智能风控与传统风控的互补和革新主要体现在两个方面——技术和应用
智能风控是智能化技术手段在金融领域的重要应用，通过构建智能风险管理体系，突破以人工方式进行经验控制的传统风控的局限性和空间性，因此金准人工智能专家认为智能风控与传统风控的互补和革新主要体现在两个方面——技术和应用；
技术：智能化技术综合运用互联网、大数据、人工智能、云计算、区块链等先进技术手段、措施和方法，达到机器和业务流程的智能化转型，实现数据驱动；
应用：通过构建智能风控体系, 提高金融机构的业务效率和安全性，在有效降低风险事件发生概率和损失的前提下，扩展业务覆盖人群，完善业务流程，降低风控成本，实现贷前、 贷中、 贷后全链条自动化的同时，还可以促进风控管理差异化和信贷业务人情化。
1.2.3政策、经济、社会、技术多项利好因素推动智能风控产业发展
政策：完善科技与金融结合机制，加强金融机构内控，提高信贷支持创新的灵活性和便利性。
经济：金融机构住户消费贷款和互联网消费金融放贷规模快速增长，个人消费贷款额持续高速上涨。
金融机构住户消费贷款和互联网消费金融放贷规模快速增长，个人消费贷款额持续高速上涨。
据中国人民银行统计，金融机构住户消费贷款增长强劲，消费贷款总额2013年至2017年四年间复合增长率高达24.9%，其中中长期消费贷款额占近八成。随着互联网金融发展进入第三阶段——实质性金融业务发展阶段，更多的金融行为将通过网络完成。据艾瑞咨询估算，2018年中国互联网消费金融放贷将达到近10万亿元规模。
经济：银行业金融机构用于小微企业贷款增长率保持10%以上，商业银行不良贷款率上涨，急需智能化风控落地。
小微企业信贷需求持续增长，急需规模化的风控手段落实。
2015年至2017年银行金融机构用于小微企业的贷款从234,598亿元增长至307,437亿元，增长率保持10%以上，其中商业银行占据主导地位，占比75%以上。
2013年至2018年H1，近五年间商业银行不良贷款余额涨幅超200%，不良贷款率从1%上涨到1.86%。银保监会2018年3月发布的《关于调整商业银行贷款损失准备》，强调了对银行贷款风险分类等方面的考核，急需智能化风控措施落地。
社会：我国人均可支配收入快速增长，从生存资料消费为主向发展资料消费为主升级转变，形成对消费金融的强需求。
2017年全国城镇居民人均可支配收入36,396元，同比增长8.3%，扣除价格因素实际增长6.5%，为消费升级奠定基础。
对比2008—2017十年间城镇居民人均消费支出结构，发现恩格尔系数（食品支出总额占个人消费支出总额的比重）下降，从生存资料消费为主向发展资料消费为主升级转变，形成对消费金融的强需求。
技术：大数据、人工智能、云计算、区块链等金融科技代表技术，为智能风控的应用落地提供技术支持。
大数据、人工智能、云计算、区块链等金融科技代表技术，在风控场景下的应用也各有不同和侧重。通过技术优化甚至颠覆传统风控的技术基础和信贷流程，为智能风控的应用落地提供技术支持。
技术：生物特征识别、机器学习、自然语言处理、计算机视觉、知识图谱等AI核心技术助力风控自动化。
人工智能的发展离不开技术的不断创新，在众多技术中，金准人工智能专家认为：生物特征识别、机器学习、自然语言处理、计算机视觉和知识图谱是现阶段人工智能五大核心技术。
将人工智能技术应用于信贷风险控制，结合结构化和非结构化数据，可以覆盖过去金融业务忽视的长尾人群，精准的完成业务流程中风险的识别、控制和监测。同时，人工智能的模型迭代相对传统风控模型表现出高度自动化的特征。
二、智能风控企业现状调查研究
2.1 智能风控产业生态分布
2.1.1智能风控生态参与者包括数据端、技术端和需求端
智能风控作为信贷业务核心环节，涉及企业可以分为自用型金融机构和输出型技术公司，征信机构也在积极推进智能化转型。
从银行业金融机构、消费金融机构和互联网金融公司对于智能风控的需求来看，各类信贷业务主体对于智能风控的要求不同。银行已经拥有非常成熟的信贷风控机制，但是应用相对局限于线下；互联网借贷公司业务具有一定创新型，但是风险控制体系并不完善。
各类信贷主体需要通过自建风控系统或对外合作建立风控系统以完备自身风控能力。
由上可知，金融机构智能风控的技术服务，可以将其分为三类：互联网公司、银行金融科技子公司和金融科技公司。其中互联网公司是从数据端切入信贷风控业务，而创新型公司大多从技术端切入。其中征信企业作为中小微企业信贷授信过程中的衍生机构，随着大数据采集技术的成熟和数据量的积累，也在积极利用大数据、人工智能等技术推进智能化征信体系建设。
智能风控技术产品服务用途又可以分为三部分：自用、技术输出和自用+输出。
智能风控企业图谱：
2.2 智能风控企业图景
金融智能风控企业分布25个省份，其中北京、上海和广东三个省份相加占比高达70.3%。
通过IT桔子、登记持牌机构、公开数据和亿欧自身企业库筛选，共573家金融风控企业被纳入此次研究范围，其中登记持牌机构包括持牌消费金融公司、百行征信和拥有企业征信牌照机的公司；通过一级标签分类，发现在IT桔子的企业列表中，金融智能风控企业的标签多为金融和企业服务；据金准人工智能专家统计，金融智能风控企业分布在25个省份，其中北京、上海和广东三个省份占比高达70.3%，企业数排名前五的城市有：北京（185）、上海（128）、深圳（62）、杭州（49）和广州（15）。
2012年智能风控企业剧增，增长率达到80%，2015年新增企业数目达到峰值。
73家企业中，69.8%的企业成立于2013-2017年，大众熟知的大部分企业基本成立于这段时间，例如：第四范式、量化派、百融金服等。其中2014年增长率达到156%。
2015年，新增企业数目达到峰值——148家，随着2016年开始逐步落实的严格监管政策，智能风控甚至金融科技的新增企业数量开始回落。
截止到2018年上半年，仅有5家智能风控新增企业。
2005-2018H1中国金融智能风控私募股权投资市场整体情况：
上图呈现了中国金融智能风控企业私募股权投资市场情况。其中，A轮阶段的获投企业2012年占比为85.7%，随着新增企业不断入局2017年这一比例仍然保持在50%；由于金融科技发展时间较短，实际落地时间不长，因此可以看到进入到中后期阶段（B轮及以后）的企业数量及占比均不在高位。在2018年H1的数据中，首次出现中后期投资占比超过前期投资占比，约占到六成。
投资金额方面，从2014年开始出现大幅度增长，2017年投资频次出现了小幅回落。
2018H1单笔平均投资额达到历史最高：5.49亿元，总体判断，2018年金融智能风控企业的投资金额有望创造历史新高。
192家获投金融智能风控企业中，70%企业仅获投1-2次，人民币投资事件数量占比78%
上图反映了192家获得投资的金融智能风控企业分布情况，其中43.2%的企业获得一次投资，27.1%的企业获得两次投资，12.5%的企业获得三次投资，获得四次及以上投资的企业仅有17.2%。获投七次的企业是：金电联行和点融网。其中获投六次的企业是：微贷网、成都数联铭品、闪银奇异与和信贷。
从投资数量看，人民币投资事件占比78%，共323起；从投资金额看，人民币基金投资金额585亿元，占比58%。
中国金融智能风控市场中，共有387家机构参与其中，仅有5.4%的投资机构投资过5次及以上。
通过整理可以发现，387家机构参与中国金融智能风控企业投资。其中，68.7%的投资机构仅发生过一次投资，16.0%的投资机构发生过两次投资，9.8%的投资机构发生过3-4次投资，仅有5.4%的投资机构发生过5次及以上投资。
2.3 智能风控企业调查解读
为了更好的展现智能风控企业发展现状，了解智能风控技术产品及服务落地情况，以及企业对金融科技其他领域的布局规划，对智能风控企业进行了问卷调查。本调查调查对象为智能风控企业的相关负责人，发放100份问卷，最终收回66份调查问卷，其中有效问卷63份。
其中63家受访企业中，有30家位于北京，14家位于上海，9家位于浙江，其余10家分为位于广东、重庆、天津、江苏和四川。
下面为智能风控企业解读。
具有技术输出能力的智能风控企业占比82.54%，产品类型主要为：数据类产品、技术服务类产品和一站式服务等。
受访企业中，46.03%的企业仅输出产品，36.51%的企业既自用又输出产品。输出产品以一站式服务、技术服务类产品和数据类产品为主，收费模式以按项目和按流量/次数为主。
上图为智能风控产品五中输出方式，下图为产品收费模式，中间的连线表示各类产品的收费模式情况，任意产品和收费模式之间连线的宽度，表示数量的比重。
金融智能风控服务客户类别及分布以互联网借贷公司和城市商业银行为主，其次为股份制商业银行和消费金融公司。
在各类服务客户类别中，城市商业银行、股份制商业银行、消费金融公司和互联网借贷公司客户数量占比较高，在50%以上；
气泡图中，圆圈的大小代表选择该选项的受访企业数量。其中有14家受访企业服务6-15家消费金融公司，13家受访企业服务50家以上互联网借贷公司，13家受访企业服务5家及以下大型商业银行。
六成企业将核心技术研发和创新作为建立企业护城河的关键。
受访智能风控企业中，员工数量在100人以上企业占比74.6%，其中101-300人的数企业量最多，占比30.16%。根据调查问卷中智能风控企业员工数量的统计，可以看出企业人数101-300和1000人以上的企业占到50%。大多数企业将核心技术研发和创新作为建立企业护城河的关键：约六成企业技术研发类人员占比在50%以上；而企业技术研发、升级及维护投入上，透露数字的企业中有35%以上研发投入都高于50%（技术研发投入/公司总成本）。
不管是科技公司还是银行业金融机构，对于智能化风控还处于尝试阶段。
同时透露2017年收入和2018年预测收入的受访企业中，有55.6%的企业表示2018年收入上升，11.1%的企业表示收入下降，33.3%的企业表示收入持平。通过前文结论，收入下降直接原因是消费金融和互联网金融公司客户对于智能风控的接受程度高且布局较多，但是监管收紧导致2018年有一大批互联网金融公司退出市场导致客源下降和需求减少，因此影响科技输出端企业收入下降。
受访企业中，2017年有49.21%的企业已达到盈亏平衡。
现阶段，不管是银行、消费金融还是互联网金融机构，对于智能化风控还处于尝试阶段，随着金融核心数据技术的延伸, 智能风控的应用将会越来越完善并走向成熟阶段。
三、智能风控产品及服务应用——个人篇
智能化技术与传统风控模型互补，可以对客户风险进行更及时有效的识别、预警、防识，同时实现全链条自动化、智能化。
个人信贷单笔数额小、数量大，需要大量的人力和时间投入，在效果提升和成本控制中很难达到指数级的突破。传统个人信贷的审批是通过客户历史信用信息和个人消费情况，对申请人风险进行评分和预测，而金融相关数据一般呈现分散化、碎片化的特点，真实、有效及完整的数据往往很难获取，信息不对称难以消除。
智能风控可以覆盖包括贷前、贷中和贷后三个阶段的个人信贷业务全流程，依托智能化技术与传统风控模型互补，对客户风险进行更及时有效的识别、预警、防识，同时实现全链条自动化、智能化。网贷的风险控制由于其自带“科技”属性，所以智能化的渗透率要高于传统线下信贷。
3.1 贷前
贷前风控：信贷流程的基础，智能化手段通过线上线下结合，将非结构化数据建立联系，实现自动化的同时降本增效。
贷前风控是整个信贷流程的基础，直接影响信贷业务质量。信贷风控旨在解决信息不对称，首先体现在贷前的信息收集和整合过程，收集和整合信息越充分，越有利于信贷审核以及做出正确决策。
智能化手段通过线上线下结合，将非结构化数据建立联系，利用机器代替人工，消除主观判断带来的二次风险，实现自动化的同时降低成本，提高效率。
贷前风险控制主要包括审核、身份验证、反欺诈、征信和授信五大环节，本小节将从身份认证、反欺诈和征信三个流程深入分析智能风控的技术实现和落地应用。
反欺诈：成为金融机构待解决的核心问题，通过与数据商或第三方机构合作，实现数据和技术互补，提高欺诈案件识别率
目前个人信贷业务的风险主要集中在欺诈案件，据中国银行业协会发布的《中国银行卡产业发展蓝皮书》统计，2017年信用卡欺诈率为1.36个BP（万分之一），最主要的欺诈手段有三种：电信诈骗、互联网欺诈和伪卡，欺诈过程呈现出集团化、规模化和专业化等特点。
随着线上业务的发展，欺诈案件呈爆发式增长、面对各种贷前申请中的欺诈案件，完善贷前反欺诈措施成为金融机构待解决的核心问题。目前已有很多金融机构选择和上游数据供应商或第三方智能反欺诈机构合作，通过金融机构内部数据和第三方数据融合，基于高维度变量和丰富应用场景，构建反欺诈模型。同时利用大数据、机器学习等技术动态优化反欺诈规则，提高欺诈案件识别率，实现数据和技术的互补。
3.1.1 ZRobot
ZRobot：专注信用生态，构建一站式智能风控平台和大数据风控产品，科技赋能未来。
ZRobot：亿级评分和反欺诈数据库、模块化决策引擎，保证资产安全前提下，赋能银行完善风控模型、提升自身风控能力。
在某股份制银行与某互金机构合作的联合贷款中，ZRobot向银行方提供包括风险架构咨询、智能反欺诈引擎、风险决策引擎、风控数据模型、风险政策模型咨询等产品服务的一站式智能风控解决方案。
作为京东金融旗下智能大数据服务平台，ZRobot不仅拥有覆盖电商场景的购物、交易、金融数据，还接入外部包括运营商、银联、公安及行业共享等数据，覆盖4亿+用户，可以与银行征信数据形成互补；ZRobot的亿级反欺诈数据库、模块化决策引擎可以提供验证且稳定的风控模型，同时赋能模型设计、开发、应用等技术服务给予银行技术团队，提升银行自身风控能力。
3.1.2网信
网信：通过金融科技技术输出，打造互联网科技创新平台，致力建设全面、高效、开放、智能和共享的金融科技开放生态。
网信：基于四维风控体系理念，引入量化风险管理技术，构建针对不同业务模式的风控模型。
网信基于四维风控体系理念，引入量化风险管理技术，构建针对不同业务模式的风控模型，对信用风险、操作风险、合规风险、信息安全风险实现全面管理。
网信的风控AI体系，对借款用户通过网信综合征信数据系统进行查询，对多个黑名单、逾期数据、手机号等数据进行交叉比对，保证借款方信息的多维度核查。例如，基于对资产端客户提交及第三方引入等多途径产生数据的分析，进行贷前调查、额度审批和贷后管理；甚至基于更多的数据，以关系图谱、生成式对抗性网络等工具对普惠金融原有风控模型进行优化，更精确地对欺诈、多头借贷等迹象进行预警。
3.1.3氪信科技
氪信科技：自研全球第一套基于深度学习和知识图谱的AI智能金融引擎，助力金融机构实现智能化升级。
氪信科技：AI+反欺诈解决方案，助力某头部股份制商业银行信用卡中心反欺诈能力升级，为银行智能化风控赋能。
氪信科技与某头部股份制商业银行合作布局开发基于深度学习和知识图谱技术的反欺诈模型，助力信用卡中心“智能+”反欺诈能力升级，建立基于机器学习技术的反欺诈个体识别，基于网络的群体欺诈风险识别能力，降低欺诈率和欺诈损失。
3.1.4征信：大数据征信与传统个人征信互补，提高数据多元性和可获性
国内的征信体系建设源于信贷征信，个人征信体系制度伴随着信贷规模的增长开始逐步建立。目前已经形成以中国人民银行的公共信用信息征集系统为主、市场化征信机构为辅的多元化格局。截至今年5月底，央行征信系统收录自然人9.6亿，央行征信系统的覆盖率已经达到69%。
征信信息的缺失成为中国信贷发展的短板，信用风险也随之而来。以央行征信为代表，传统征信机构主要采集、加工和使用线下渠道数据为主进行信息共享，以便授信机构掌握贷款申请人的历史贷款申请、批准、使用和归还情况；随着大数据的发展，征信数据所包含的领域和来源越来越广，大量个人征信数据可被采集，与传统个人征信数据互补，有效提升了数据的多元性和可获性，满足了网络借贷的个人征信需求。
征信：大数据时代征信定义和范围不断拓宽，银行业金融机构和非银行信贷服务机构间数据会趋于统一，以完整性为目标。
国内个人征信机构还在合规化初期，与企业征信牌照的122家企业规模相比，只有百行征信一家企业持有牌照，市场上其余个人征信企业参差不齐，产品不成熟，急需建立行业标准，制定数据使用规则，以应对互金机构业务带来的新风险。
参考国外个人征信头部企业，不管是产品多样化还是数据分析深度，已经发展到非常成熟的水平。究其商业模式的根本，可以发现征信企业的主要业务都是以消费者信息为基础，利用技术手段加工成不同层次的数据产品，同时连接服务两端的商业机构和消费者。
站在国内市场环境的角度来看，相比征信报告，信用评分相对容易实现量化和拓展应用场景，因此用户接受程度较高；而信用评分只是征信系统的一部分，企业要想在长期发展中占据有利位置，除了吸取成熟企业的经验外，还需要多加探索以建立自身的护城河。
在大数据时代，征信的概念和范围不断拓宽，银行业金融机构和非银行信贷服务机构间的数据会趋于融合，以数据完整性为目标，为征信企业的发展、合规提供有利条件。
百行征信：个人征信机构标杆，获得国内个人征信第一张牌照，推动传统征信和大数据征信实现信息共享和风险联动预警
3.2 贷中
贷中风控：实现对在线交易进行仿冒和欺诈识别，对借款人进行实时管控，有效防范和控制欺诈交易等贷中风险威胁。
贷中风险管理能够实现对在线交易进行仿冒和欺诈识别，对借款人进行实时管控，有效防范和控制欺诈交易等贷中风险威胁。实时监控的依据来源于实时监测的渠道数据，由于互联网数据具有更新周期短、反馈及时等优点，因此大数据接入可以协助借贷方实现动态监控、异常行为预警（多头借贷行为监控、还款能足指标异常预警及还款意愿交叉识别）等风控管理流程。
智能化手段可以对信贷交易进行风险判定、以借款人为核心关系的人际关系网络，通过对借款人的交易行为、还款行为、设备使用行为等各方面关键信息项的交叉侦测，提前发现风险，进行预警并对借款人账户进行实时管控。
贷中风险控制主要包括信用评分、风险定价、审批、交易监控和交易反欺诈五大环节，本小节金准人工智能专家将从信用评分、交易监控和交易反欺诈三个流程深入分析智能风控的技术实现和落地应用。
3.2.1信用评分
信用评分：依托大数据平台，以征信记录为基本点，国内个人信用评分产品在FICO模型上进行了本土化演变。
由于个人征信信息涉及隐私，因此用于借贷机构使用的通常是处理掉敏感信息的评分和等级报告。传统的信用评分卡起源于美国FICO信用分，而当具体应用在中国金融环境中时，FICO还是会出现一些问题，比如数据的准确性、模型的适用性、应用领域的局限性，过分忽略低得分人群，会催生恶意信贷的发生。
机器学习算法可以将数据库中数据拆分为两部分，分别用来训练模型和预测估计，将数据按照分布映射成高维度的特征数据，通过对评分卡模型的训练，将复杂的模型权重用符合信贷业务标准的分数表示。
国内个人信用评分产品在FICO模型的基础上进行了本土化演变，依托大数据平台，以征信记录为基本点，同时加入行为偏好、履约能力、身份特质、人脉关系等维度，根据贷款发放后实际情况不断调整评分卡系统，规避基于评审经验带来的风险，可以有效提高审批效率、降低贷款风险，具有高时效、低风险、低成本的优势，甚至为风险定价提供依据。
算话智能科技：独立第三方零售信贷风险管理机构，专注不同场景信贷风控产品差异化特征，提供覆盖信贷全流程评分产品。
算话智能科技：从评分产品开始发展自身信贷全周期的风控能力，助力银行、持牌金融机构实现模型及监控效果的显著提升。
算话智能科技与某银行合作搭建整套零售信贷业务体系，包括设备指纹云平台、反欺诈系统、决策引擎等系统模块搭建。
算话智能科技从评分产品开始发展自身信贷全周期的风控能力，现阶段已经可以实现根据银行自身的欺诈策略和业务特性，挑选合适变量融入模型，应用神经网络和逻辑回归建模，最终实现高风险客户筛查、自动化决策和边际效益的提升。
3.2.2实时监控及交易反欺诈
实时监控及交易反欺诈：基于机器学习技术，构建针对业务信息中的欺诈特征与风险的自动化识别与评估。
传统信贷风控对于贷中的监控和反欺诈管理较弱，依赖人工往往无法解决风险的实时抓取导致风险后置。发生在贷中的交易反欺诈区别于申请反欺诈，核心能力体现为能否及时识别风险的发生并对交易进行拦截。
基于机器学习技术，信贷业务端可以构建针对业务信息中的欺诈特征与风险的自动化识别与评估，通过关联各类数据中的机构关系，自动发现新的欺诈模式，为不同场景提供反欺诈模型。除了机器学习以外，广泛应用的技术还有关联学习、图学习等，可以实现生成式模型自动检测到异常风险，提供统一量纲的概率型异常度指标，作为上层风险评估模型的输入。
在交易过程中数亿节点的复杂网络上，通过风险分团和全风险特征提取，基于企业规则和集成学习模型，驱动模型迭代优化，实现信贷业务流程中的实时风险精准监控，及时拦截交易欺诈行为，助力金融机构高效、及时的智能化风控管控决策。
百融金服：基于线上、线下海量金融与非金融数据的信用风险建模，为金融机构提供快速模型迭代、检验，提高运转效率。
百融金服：应对不同客群开发七类风险模型，特有的贷前策略重审可提前对接后续策略，提升过线率、降低坏账率。
在信贷业务交易中，百融金服基于自有规则模块，通过大数据整合，开发七类风险模型，以应对不同客群的信用评估、风险审批及个性化定价，同时实现风险量化。其中百融金服的贷前策略重审在贷中流程起到了重要作用：通过建立详尽且经过检验的预置规则集，对于不同业务场景，可以基于测试样本效果选择使用规则，在控制风险的前提下提升过线率并降低坏账率。
智融集团：国内领先的金融科技公司，依托以人工智能为核心的新金融技术研发优势和丰富的市场经验，服务2500万 + 人次。
智融集团：具备低成本、高效完成风控体系搭建和运营能力，规模效应形成良性循环，助力模型提高竞争壁垒。
智融集团协助某持牌金融机构搭建人工智能风控体系，帮助其以更低的成本和更快的速度完成产品搭建和运营，提供高精准用户触达和高效率客户服务，实现差异化风险定价、创新性金融服务及智能化流程管理。
融360：移动金融智选平台，专注科技赋能，为金融机构提供一站式营销获客、数据和风控解决方案，服务超过2300家客户。
融360：基于海量跨行业数据及专业风控经验，为各类信贷平台及企业提供风控解决方案。
融360天机系统基于海量跨行业数据及专业风控经验，已为银行、消费金融公司、互联网金融公司提供风控解决方案，而其自营贷款核心系统可以实现自动化对接资产服务平台和资方的包括订单管理、风险管理、结算管理和报表管理等一系列流程，同时提供差异化资产方案配置、产品方案配置和渠道方案配置。
以融360和某股份制商业银行联营卡合作为例，银行由于缺少传统信用卡拒绝用户的样本和经验模型，无法实现提供差异化金融服务，通过融360天机平台提供的数据、模型、人群筛选到业务设计等服务，达到全流程布局，有效提升用户体验；某城商行拓展线上小额贷款业务同样选择融360的风控决策引擎，通过联合部署，最终成功上线并实现KS超过45%，30+%坏账损失率降低至1%的显著效果。
3.3 贷后
贷后风控：信贷管理的最终环节，有效防范和控制贷后环节风险，是促进信贷业务持续健康发展的必要因素。
作为信贷管理的最终环节，确保贷款安全、案件防控和业务管理质量往往取决于贷后风控的精细化程度。针对有逾期征兆或者行为的客户进行管理、识别和催收，以往的贷后风控措施依赖于人工操作，成本高回报小，因此很多信贷机构在贷后布局投入较小。
利用机器学习处理多维弱变量数据，可以精准估计违约风险，制定风险管理策略、风险偏好、风险限额和风险管理政策和程序，通过自动监控策略执行情况及时优化调整，提升业务端风险管理体系的有效性，打造信贷风控闭环。相比贷前调查和准入手段的更新，贷后管理虽然目前在各类金融机构还未得到行之有效的应用效果，但是加强贷后管理，有效防范和控制贷后环节风险，会成为促进信贷业务持续健康发展的必要因素。
贷后风险控制主要包括贷后监控、存量客户管理和催收三大环节，本小节金准人工智能专家将从贷后全流程深入分析智能风控的技术实现和落地应用。
3.3.1贷后监控
贷后监控：人工智能和大数据助力信贷机构完善监管能力，结合差异化客户管理和催收策略，降低成本、提高资源配置效率。
贷后管理的重要性大于控制，通过对用户进行贷后监控，可以第一时间了解用户动态，对贷款的风险状况做出及时判断，制定应对风险的措施。
信贷行业的监控管理水平随着数据的完善得以提高，例如生物特征识别等技术不断完善，将在未来帮助金融机构和监管部门实现在公共安全领域的精确搜索，解决失信黑名单的失联问题；基于大数据技术将时空数据、地理数据和登记信息建立联系，通过模型算法管理借贷人，及时预警潜在坏账和失联用户。
通过监测，对客户的风险程度进行评分，采取不同的客户管理措施，同时对风险极高的用户及时采取催收手段，通过多维数据锁定借贷人，利用差异化催收策略进行贷后催收。
3.3.2存量客户管理
存量客户管理：推动信贷经营从“重增量”向“增量与存量并重”转变，营销成为激活存量客户重要手段
人口红利消失、获客成本持续上升意味着存量客户的开拓将成为企业竞争发力点，尽管“盘活存量”的概念常被提及，但信贷供应的关注焦点仍主要集中在信贷的增量和增速上。随着信贷规模持续增长，存量基数逐年增大，为了适应经济提质增效对金融服务的新要求，需要推动信贷经营从“重增量”向“增量与存量并重”转变。
对于传统金融机构，存量管理的资源配置效率高于增量管理模式，例如工商银行2018上半年新投放信贷总量1.68万亿元，其中贷款存量到期收回移位再贷1.05亿元，占比62.5%，相比2015年的同期数据63.75%反而略有下降，说明增量结构优化作用空间拓宽，传统金融机构需要加大投入深化存量与增量并轨管理。
营销是激活存量客户手段之一。随着数据维度不断丰富，应用场景不断增多，位置数据等移动数据日趋丰富，智能营销时代已经到来。平安集团旗下金融科技子公司——金融壹账通布局的“未来银行AI+营销”解决方案，以人工智能为核心，将大数据、生物识别等先进技术与银行业务流程融合，通过全流程智能化改造，推动银行存量客户激活等能力的提升。根据公开资料显示，该方案应用于乐山市商业银行，银行整体客户活跃度提升50%以上，沉睡客户唤回率平均提升3-5倍以上。
