北京農商銀行：基于業務側自助建模平臺的模型建設和應用

來源：2025年度農村金融機構科技創新優秀案例評選

獲獎單位：北京農商銀行

榮獲獎項：數據平臺創新優秀案例

一、項目背景及目標

（一）痛點分析

隨著數據驅動型業務持續深化，模型作為推動業務智能化決策的核心工具，在營銷獲客、風險防控、運營管理等場景中的應用不斷擴大。并且隨著數字化轉型的發展，業務部門的建模意識在不斷提升，但是數據挖掘建模過程復雜、專業性強，對業務人員門檻較高。當前我行模型建設仍存在復用性差和業務參與度不高的問題，難以支撐大規模建模需求。為了提升業務智能決策能力，將AI建模變得更加簡單，更好地發揮數據價值，急需構建一套“系統化、標準化、平臺化”的模型管理體系，打造統一高效的模型生產線，提升模型開發效率和質量，實現模型能力普及共享。

（二）項目意義

業務側自助建模平臺是基于我行數據湖構建的集數據準備、模型開發、模型服務于一體的全行級模型建設及分析的平臺，支持機器學習、知識圖譜，實現數據預處理、特征工程、算法選擇、模型訓練、參數優化及模型運行等功能，從而實現模型全生命周期建設及管理。

本項目是基于業務側自助建模平臺的模型管理體系建設和應用，通過建設我行業務側自助建模平臺，研究構建模型開發、驗證、部署和應用的一體化管理體系，打造通用的標準化建模流水線，并以精準營銷、智能風控等場景開展示范應用，探索業務部門建模自服務的可行路徑，提升我行數據挖掘能力，實現數據價值，完成數據賦能，全面支持我行風控、內控、營銷、信貸等業務場景建模需求，為提高我行業務風險識別能力、實現精準營銷助力。同時通過業務側自助建模平臺的建設與應用，促進我行數據建模師、數據分析師等緊缺人才的培養。

二、創新點

業務側自助建模平臺，提供標準化建模流程，可快速生產模型，支持其他機構快速復用，并且提供了自動化建模、可視化拖拽式建模和Notebook編碼式建模三種模型生產方式，技術門檻逐步提升，可滿足不同人員的建模需求。平臺的自動化和可視化建模功能，讓業務人員也能快速上手，高效地完成數據預處理、特征自動生成、模型訓練及效果可視化等數據建模和落地工作！

在智能風控領域，我們使用業務側自助建模平臺，建設一系列反電詐模型，形成“事前-事中-事后”全流程風險防控體系，包括事前賬戶分類分級模型、事中實時監測模型和準實時機器學習模型、事后反電詐機器學習模型等。通過不斷學習不同類型的詐騙方式，發現受詐方或施詐方交易習慣，同時結合客戶基本信息、交易信息、涉案名單等，構建基于專家經驗的風險規則模型體系，設計反電詐可疑交易監測特征庫，并用于訓練機器學習模型，兩類模型融合使用，以提升涉詐風險識別的前瞻性，提高涉詐規則模型的準確性，壓降我行涉詐賬戶數據，降低負面輿情風險，保障業務穩健發展。

在精準營銷領域，我們使用業務側自助建模平臺，建設一系列精準營銷響應模型，并結合使用大模型平臺、零售綜合營銷管理系統及一體化客服系統，實現智能化精準營銷體系，突破了傳統金融營銷中客群定位模糊、產品推薦不精準、話術缺乏個性化的痛點，通過技術手段實現了從客戶細分、智能匹配到話術生成的全流程智能化升級。通過技術創新顯著提升了金融營銷的效率與客戶體驗，展現了較高的經濟效益和社會效益。契合國家“科技賦能金融”的戰略導向，為金融機構在數字化轉型中提供了可復制、可推廣的實踐經驗，具有重要的創新應用價值。

三、項目技術方案

（一）業務側自助建模平臺建設

1.應用架構

業務側自助建模平臺是由數據湖、AI子系統、圖譜子系統組成。

數據湖：數據湖將行內客戶數據、賬戶數據、交易數據經過初篩后存入沙箱環境，提供hive接口讓AI子系統拉取數據用于機器學習模型構建及模型預測；

AI子系統：通過配置hive數據源方式引入所需的數據湖數據，這些數據用于模型構建，方式包括自動化建模、可視化建模、編碼式建模；生成的模型可以注冊到模型管理功能，同時模型管理也支持納管第三方模型；AI子系統納管的模型會用于發起ABTEST、批量預測、模型監控、模型評估、實時服務等任務，其中批量預測、模型監控、模型評估等功能也會使用到數據湖提供的hive數據源。

圖譜子系統：上線時會拉取初始數據文件、后續定時數據文件到本子系統中，并基于數據文件增量構建1年期數據的圖譜，用于后續的圖譜分析操作。

本項目在平臺建設方面，實現了三個統一化：

一是平臺統一化。平臺具備“快、全、準”三大特點：“快”，建立模型快、部署對接快、參數調整快、更新迭代快；“全”，支模型種類全、數據來源全、服務渠道全；“準”，規則設置準、生成數據準、數據流向準。

二是模型統一化。通過統一模型分析與運行機制，有效解決模型重復建設、輸入數據差異大、篩選結果不可復用、排查標準不一致等問題，提升模型管理的規范性與一致性。

三是管理統一化。構建模型全生命周期管理體系，涵蓋需求提出、模型開發、驗證評審、投產部署及后評價迭代等環節，提升模型管理的系統性和可控性。

2.技術架構

業務側自助建模平臺是在虛擬機/物理機資源基礎上使用kubernetes集群搭建，承載AI系統的運行環境。在kubernetes環境中部署平臺所需各項微服務、開源組件，組件包括OceanBase、TuGraph、Bcs、openjdk 1.8、TongWeb、星環等。

3.功能架構

業務側自助建模平臺的AI子系統包含了模型生命周期不同階段的重點功能，主要包括數據管理模塊、AI建模模塊、模型服務模塊（包含模型管理功能）、基礎管理模塊等。首先是數據管理功能模塊，支持多種數據導入方式，管理我們的數據集，并支持數據質量分析，為建模做好數據準備。其次是AI建模功能模塊，支持三種建模方式，自動化建模支持一鍵式構建模型，可視化建模提供豐富的算子拖拉拽實現數據探索和數據預處理、特征工程，模型訓練、評估等建模過程，還有編碼方式建模。然后模型服務功能模塊，支持對于驗收通過的模型部署到模型平臺生產環境上運行，可以進行批量預測，跑出模型結果存儲于數據湖和數據倉庫，供業務應用，也支持模型監控和自迭代。另外在數據安全和權限控制方面，平臺的數據預覽功能對敏感數據做了脫敏處理，支持對用戶和角色進行表級和字段級別的權限設置。

圖譜子系統功能模塊主要包括圖譜構建模塊、圖譜分析模塊、系統管理模塊等。

（二）模型建設生產線

依托業務側自助建模平臺，已構建標準化建模流水線，實現數據接入、特征工程、模型訓練、驗證評估、部署上線的全流程體系，大幅度降低了建模門檻，提升了開發效率和部署速度。

四、項目過程管理

1.業務側自助建模平臺系統建設階段：

需求分析階段：2023.06-2023.10

設計階段：2023.10-2024.01

開發階段：2024.01-2024.09

測試階段：2024.09-2024.11

系統上線：2024.11

2.業務側自助建模平臺系統試運行階段：

平臺培訓推廣：2024.11-2025.3

反電詐風控模型陸續上線：2024.12-2025.9

智能化精準營銷模型陸續上線：2025.1-2025.9

五、運營情況

（一）系統運行情況

業務側自助建模平臺是基于我行大數據平臺構建的通用建模系統，具備自動化建模、可視化建模和編碼式建模三種建模方式，滿足不同業務用戶和專業人員的需求。平臺至上線試運行以來，系統運行情況如下：

1.上線運行穩定，平臺在部署后支持多個模型穩定運行，支持自動調度與結果輸出。已部署上線6個反詐領域風險模型，用于防范和打擊電信網絡詐騙，提升精準防控能力。

2.釋放人力資源，傳統依賴專業數據建模人員的開發工作，逐步轉移至業務自服務建模流程，提升建模效率。已為15個機構開通82個平臺用戶。平均每月3-4個部門的業務人員使用平臺進行數據建模。

3.面向全行開展了1次平臺培訓，總行18個部門及15家支行共300多人參加。對于有使用需求的機構分別進行了集中培訓和建模指導（5次），逐步提升業務自服務建模能力。

（二）推廣應用情況

在業務側自助建模平臺上線試運行以來，采用“業務+數據”專家組成敏捷建模小組方式，與業務部門緊密合作開展智能風控、精準營銷等領域的模型建設工作，打造系列精品數據模型產品，總結成功案例，形成標準化、可復制推廣的經驗模板。相關建模案例已納入平臺標準模型庫，可直接復用或改造應用于其他業務場景。

1.智能風控應用案例-反電詐風險監測模型

融合大數據分析技術、機器學習技術、圖譜技術，基于業務側自助建模平臺，搭建了一批反電詐業務場景模型，并設計了反電詐機制，通過業務策略設計串聯多個模型，形成“事前-事中-事后”全流程風險防控體系。

（1）詐騙發生前的預防階段：風險前置預判

構建分類分級模型，基于多源數據開展全面分析，制定分級策略，實施個人賬戶與單位賬戶的差異化管理，實現風險的前置防控，并將事前風險預估結果傳遞至事中環節。

（2）詐騙正在發生時的干預階段：交易精準攔截

構建實時監測模型和準實時機器學習模型，結合事前風險預估，基于交易環節中黑樣本風險特性，通過實時交易流水分析，實現風險防控從“事后追溯”向“事中攔截”的前移，完善交易環節的實時風險防控能力。

（3）詐騙發生后的處置與分析階段：閉環迭代與大模型創新

實現風險閉環優化。構建事后模型，進行高覆蓋率的可疑賬戶識別和事后分析。同時，將挖掘出的可疑特征反哺至事前、事中模型，形成“識別-處置-優化”的循環迭代機制，持續提升模型識別能力。

開展團伙風險挖掘。基于圖數據庫和圖譜算法，構建團伙挖掘模型，既用于對已確認可疑賬戶的事后分析，又是對團伙中關聯出的其他潛在風險賬戶的事前預測，通過黑名單數據關聯分析，輔助業務人員進行可疑團伙分析，實現風險的源頭追溯與擴散防控。

通過構建全鏈路反電詐模型體系，實現了對賬戶風險的精準識別和有效防控。

2.精準營銷應用案例

業務痛點：傳統人工營銷方式存在的問題：一是營銷精準度低，傳統營銷策略往往基于客戶的基本屬性或簡單的交易行為，難以深入挖掘客戶的潛在需求和消費偏好，導致營銷內容缺乏針對性，客戶觸達效率低下，雖然覆蓋面廣但精準度低，潛在高價值客戶容易遺漏；二是營銷成本高，由于缺乏精準的客戶細分和個性化推薦，銀行在營銷資源的分配上存在浪費現象，導致營銷成本居高不下；三是客戶體驗差，傳統的營銷手段難以滿足客戶的個性化需求，導致客戶對營銷信息的接受度和滿意度較低，影響客戶粘性和品牌忠誠度。

技術方法：使用業務側自助建模平臺，平臺支持數據預處理、特征自動生成、模型訓練及效果可視化，使業務人員能夠快速完成建模與落地。支持選擇邏輯回歸、隨機森林、梯度提升樹（GBDT）、LGBM等多種機器學習算法建立分類預測模型。并通過提升度、AUC指標等對模型進行評估，最終選取最優算法。

（1）養老金營銷模型

模型思路：養老金營銷模型通過分析歷史養老金簽約客戶的特征，采用機器學習中的邏輯回歸分類算法，在適齡養老客群中挖掘目標客戶，預測客戶辦理養老金業務概率，并結合營銷策略輸出客戶名單，精準定位營銷客群。

模型成效：模型輸出了預測響應概率為5%以上的目標客戶名單進行外呼精準營銷，人工外呼簽約率為12.45%，比歷史平均響應率1%提升了約12倍。通過模型可以更加精準定位養老金業務客群，輔助養老金代發、養老金領取賬戶變更等業務的營銷推廣，及時搶占市場，并為第三代社會保障卡推廣打下堅實基礎。

（2）零售客戶理財產品營銷模型

模型思路：通過歷史數據構建二分類預測模型，采用機器學習中的GBDT算法，精準識別高概率購買目標理財產品（“欣添鑫1號”和“天天金1號凈值型”）的零售客群，以提升座席營銷精準度和產品購買率。

模型成效：通過模型輸出客戶未來3個月購買兩款理財產品的概率，營銷人員據此制定分層策略進行營銷。根據模型預測的高概率客戶（前8%）其購買響應率為11.72%，比整體平均響應率提升了約11倍，且覆蓋了約94%的理財購買客戶，累計購買金額覆蓋了89%。

（3）鳳凰e借注冊率提升模型

模型思路：基于歷史行為數據，深入分析其消費習慣與借貸偏好，整合多維度客戶標簽構建構建鳳凰e借產品客戶注冊率提升模型，實現精準營銷，提升業務轉化效率。在渠道協同方面，采用智能外呼、人工外呼與智慧客服的差異化組合策略，形成高效觸達矩陣，優化客戶體驗的同時，最大化轉化效果。

模型成效：累計協同觸達客戶5.6萬戶，實現注冊率由6.61%提升至11.21%；授信通過率由17.38%提升至44.44%，用信金額達9635萬元，環比增長58.7%；客戶主動觸發人工服務比例提升90%，人工通時提升近10倍；通過精準模型和分群策略，實現高價值客戶快速觸達和轉化，提高業務收益和客戶滿意度。

六、項目成效

（一）經濟效益

業務側自助建模平臺全面支持我行風控、內控、營銷、信貸等業務場景建模需求，為提高我行業務風險識別能力、實現精準營銷助力。

1.項目直接效益

（1）智能風控應用場景成效：通過反電詐模型建設構建了高效、智能的風險防控體系。一是完善事前預防機制，增強主動防御能力，提升對潛在風險的識別與攔截效率。二是應用人工智能技術，通過算法優化與數據挖掘，提升模型的精準度與泛化能力，構建更全面的金融“防火墻”。三是組建“業務+技術”融合團隊，推動業務與技術深度協同，提升反詐響應速度與執行效率，形成系統化、專業化的反詐能力體系。截止目前，已有6個反電詐模型、2個團伙挖掘圖譜上線業務側自助建模平臺運行，取得了明顯效果。2025年5月起，涉案賬戶得到有效控制，涉案賬戶數呈現斷崖式下降，7月較4月涉案賬戶峰值數量下降91%。通過構建全鏈路反電詐模型體系，實現了對賬戶風險的精準識別和有效防控。

（2）精準營銷應用場景成效：對于養老金客群場景，結合智能外呼、客戶經理營銷等差異化觸達策略，實現觸達效率提升300%，帶動儲蓄余額增長1.77億元，新增高凈值客戶393戶，個人投資產品增量3.52億元，FTP測算新增客戶年創利158.51萬元；對于零售客戶理財產品營銷場景，外呼坐席依據模型評分，有針對性的制定營銷策略，對于預測購買意愿強的前8%客戶，理財購買金額達204萬元，平均響應率11.72%，較整體客戶平均響應率提升約10.84倍，實現客戶資產管理精細化和高價值客戶精準覆蓋；對于鳳凰e借注冊率提升場景，累計觸達客戶5.6萬戶，注冊率從6.61%提升至11.21%，授信通過率從17.38%提升至44.44%，用信金額達9600萬元。

2.項目長期效益

預計使用業務側自助建模平臺每年部署落地建模場景30個；使用平臺建模比較傳統方式，提升模型開發效率，縮短模型上線周期，提高模型質量，預計生產周期縮短50%，每年預計節省工時不少于8000小時，節約運營成本270萬元；預計培養全行數據建模師500人以上，提升全行數據分析挖掘和建模能力，實現數據驅動的業務創新和決策優化，切實賦能全行業務經營發展。

（二）社會效益

1.提升精準獲客、產品營銷能力，客戶體驗和服務能力顯著提高。

通過技術、業務與生態的深度融合，構建了智能化、精準化的金融營銷體系，提升金融資源配置效率，助力“五篇大文章”落地，不僅提升了金融機構的運營效率和客戶體驗，還推動了金融行業的數字化轉型與高質量發展，為國家金融科技發展和經濟建設提供了有力支持。依托業務側自助建模平臺構建精準營銷模型，實現客戶特征精準挖掘并匹配策略，有效破解傳統銀行服務觸達難題，為首都市民提供更優質、安全、高效的服務，同時支持多客群（如代發工資、高凈值客戶）模型快速迭代，形成技術復用能力。此外，項目的可復制性和推廣價值極高，為更多金融機構實現數字化轉型提供了實踐范例。

2.風險控制效能明顯提升。

電信網絡詐騙等非法活動日益猖獗，嚴重威脅金融安全和民眾財產安全，新型詐騙手段層出不窮。以反電詐模型為基礎的風險防控體系，在防范和打擊電信網絡詐騙方面發揮了重要作用，切實保護人民群眾的財產安全，守護老百姓的“錢袋子”。此外，隨著詐騙手段的不斷演變和復雜化，對模型建設和優化能力提出了更高要求，業務側自助建模平臺支持模型快速迭代，以適應反電詐業務快速變化的形勢需要。

七、經驗總結

成果可轉化性：依托業務自助建模平臺，實現可迭代、可持續優化的智能化精準營銷體系，實現客戶資產管理精細化和高價值客戶精準覆蓋，顯著提升養老金、鳳凰e借等業務簽約率、產品轉化率以及營銷效率，提高客戶主動參與度，提高業務收益和客戶滿意度，精細化覆蓋高價值客戶，提高業務收入，提升業務收益比，降低人工成本。

過程可復制性：業務側自助建模平臺提供標準化流程，其他機構可快速復用。模型和平臺可復制至其他金融業務產品的營銷推廣，如儲蓄、基金、理財、信用卡營銷、貸款等，實現全業務場景智能營銷。只需要針對不同產品進行模型微調或重新訓練。

模型可拓展性：還可優化模型為金額預測，直接預測客戶未來三個月內購買目標產品的預估金額范圍。可結合APP推送、短信提醒、線上直播等多種觸達方式，構建全渠道營銷網絡，進一步擴大目標客戶覆蓋范圍。

推廣價值：宣傳推廣使用業務側自助建模平臺，可以讓更多業務參與自服務建模，推動業務部門掌握自助建模能力，形成業務參與的數據建模生態，可以有效推動數據驅動業務決策落地。預計在未來一年內，落地建模場景30個，節省工時約8000小時，節約運營成本約300萬元，為更多金融機構實現數字化轉型提供實踐范例。

更多金融科技案例和金融數據智能優秀解決方案，請在數字金融創新知識服務平臺-金科創新社案例庫、選型庫查看。