中国民生银行
韩健：CPDA优秀学员
账户风险管理
🔹硕士毕业于北京邮电大学管理科学与工程；
🔹中国民生银行高级数据分析师；
🔹肩负整个运营线的数据分析工作任务，深耕数据分析；
🔹与CPDA结缘5年，认为数据思维的提升至关重要。
民生银行作为一个股份制的头部商业银行，目前个人的账户数（客户数）超过了一个亿，有效的对公客户数超过200万。我所在的部门是总行运营管理部，主要负责我们全行的账户管理，具体到我的工作，是做账户风险管理和行业操作风险管理。
行业概述/ 行业痛点&应对措施
与其他传统行业相比，银行业的数据相对封闭，并受到金融监管的严格要求，这使得银行在创新时需要更加谨慎。无论是股份制银行还是国有大行，他们的模型都偏向保守，存在一些覆盖的盲区，风险识别能力也相对较弱。即使是业内领先的银行，如平安银行和招商银行，在这方面也没有过于激进。此外，人工审核仍然是主要的方式，缺乏对数据分析的充分利用。为了应对这些痛点，银行需要加强数据治理和管理，加强技术研发和创新，并加强与金融科技等新兴行业的合作和交流。同时，培养和引进具有数据分析能力的专业人才也是关键。
案例概述
基于目前银行所面临的痛点，我们引入数据分析的方式进行改进。为了更全面的多维分析，我们不仅使用行内数据，还引入了业内的工商数据和通信数据等外部数据。此外，为了突破传统模型的限制，我们引入了更先进的算法和图算法，以构建更精准的风险防控网络。最后，我们采用了更高效的运营流程，并引入了可视化的方式，与业内知名的BI供应商如帆软等进行了深入合作。
我们通过三个手段来具体介绍我们所做的工作。首先，我们构建了对公多元图谱，通过引入Mac地址、IP地址、注册地址等各类信息，挖掘银行用户关系，提高用户关联关系的识别精度。其次，我们建立了团伙挖掘模型，通过引入XGB风险识别模型，基于对公客户整体风险团伙进行识别。最后，我们结合行内BI平台和CPDA平台Datahoop，构建了高效智能的核查工具，目前该工具已沉淀到各个分行和营业网点，供相关业务人员使用。
模型设计总体方案
这是一个我们针对模型设计的总体方案。上面部分是我们传统的规则模型和机器学习模型，而下面红框标出的部分是我们新引入的图算法模型。通过引入多元的用户行为数据和外部数据，我们构建了一个多元的图模型，并经过提纯后形成了最终的可视化风险核查工具，供行内运营人员使用。
我们首先挖掘了对公多元关系图谱。在数据方面，我们引入了行外数据，包括工商、企查查、三大运营商和公安部等数据，并与商业银行直连通道进行整合，扩展了行内数据源。此外，我们还整合了银行用户行为、资产业务和贷款类等数据。在此基础上，我们开创性地建立了两个模型：地址相似度模型和客户关系亲密度模型。最终，通过这些手段，我们建立了一个对公多元关系图谱，并识别出可能存在的风险。
在建立关系图谱的基础上，我们深入挖掘了三度关系，并应用了图模型提纯算法。通过对团伙本身及其内部节点成员的风险进行判别，我们不仅对整个团伙的风险进行了判定，还对其内部不同核心节点和关联节点的风险程度进行了打分。最终，输出关联团伙的结果。
我们利用行内BI模型和CPDA基础平台Datahoop，建立了可视化的风险核查工具和图可视化分析工具。左边这个工具是开放给分支行的银行人员实时风险核查使用的，而右边这个则是给总行集中核查团队使用的图分析可视化工具。目前，这些工具的效果非常好。
案例成果价值
通过这个项目，我们取得了四点成果价值。首先，提升了风险覆盖度和前置风险发现能力，这相对于过去滞后的银行模型是一个提升。其次，通过挖掘模型，我们得到了一套可迁移的解决方案，不仅适用于日常的账户风险识别，还可以平移到其他领域如零售贷款、反洗钱、非法集资、信用卡等领域。第三，我们提高了整体一线运营人员的管理效率，这是银行降低网点员工数量的大趋势。最后，我们通过这套模型向监管机构输送有用的风险线索，配合监管机构打击社会上的犯罪分子。
