平安銀行汽車金融：汽車金融領域數字化管理的升維實踐

來源：鑫智獎·2025第六屆金融機構數智化轉型優秀案例評選

獲獎單位：平安銀行汽車金融

榮獲獎項：數字風控優秀案例獎

一、項目背景及目標

平安銀行汽車金融在自動化風控體系方面經歷了從1.0到2.0的升級，但業務發展仍面臨多重挑戰：欺詐手段不斷升級，2023年欺詐金額超2億；客戶資質認定難度大，直接認定類收入客群占比不足5%，客群分級管理困難，數據孤島問題突出；質檢、審批、催收等流程效率較低，風險審批單筆處理時效約15分鐘，催收作業高度依賴傳統電催，轉化率有待提升。

在此背景下，平安銀行汽車金融構建了基于大模型的金融風控系統Amigo，通過科技手段解決業務痛點。針對欺詐問題，項目提出了基于多維度引擎的實時反欺詐技術，實現多模態實時反欺詐；針對客群分級管理難、數據孤島問題，項目提出基于量子傳輸與隱私計算的智慧客群分級方案，實現數據高效利用和隱私保護的平衡；針對質檢、審批、催收流程效率低的問題，項目提出了面向多源異構數據的AI輔助質檢/審批/催收系統，全鏈路輔助人工質檢、審批和催收，賦能風控提質增效。

二、創新點

（1）業務創新

A.智慧客群分級管理：針對客群分級不精準導致客戶資質認定難的問題，通過構建機構差異化風險策略體系，利用大數據分析、隱私計算技術對不同車型進行風險分級管理，實現了風險精細化管理，管理顆粒度下探至二級機構維度。高風險機構強化策略管控，有助于清查高風險客戶；風險管理策略向低風險機構傾斜，實現新發放資產質量優化。在全國經濟水平差異大的情況下，避免風險政策一刀切，提升管理精度，實現規模、質量與效益平衡。同時，試點在汽融一二級機構間、汽融與公安交管間使用量子隱形傳輸，傳輸百兆級原始業務數據摘要和操作行為數據，以實現敏感數據安全、高效傳輸，并基于技術防竊聽、防破解特性，保障數據使用的合規性。

B.全鏈路風控自動審批：針對現有系統風險審批效率低、人工質檢效率低、人工催收轉化差的問題，利用基于大模型的多專家決策融合機制，實現了審批過程的自動化、智能化與高效化。具體而言，本項目構建了基于大模型的智能審批引擎，其核心在于強大的大模型處理能力，能夠實時分析海量數據，快速識別風險點，并給出精準評估。同時，系統整合了多位風控專家的知識與經驗，形成多專家混合決策機制，有效避免了單一決策帶來的片面性。新增64條線上化規則（含車商質檢），優化17個語音模型，顯著提升審批效率與準確性。此外，該系統還具備自我學習與優化能力，能夠根據歷史審批數據不斷迭代升級，使審批流程更加貼合實際業務需求。通過減少人工干預，系統有效降低了人為因素導致的審批延誤與錯誤，確保了審批過程的正確性與客觀性。

C.多維度反欺詐識別：針對欺詐手段層出不窮、欺詐金額高的問題，為解決傳統風控體系對信貸資金流向和使用情況缺乏有效監控的問題，確保信貸資金安全合規使用，降低風險管理及反欺詐損失，創新引入基于深度學習的圖像識別技術，構建經銷商家訪照片庫，篩查不同經銷商使用同一展廳準入的欺詐行為，有效降低高風險案件發生。通過結合經銷商黑背景項目，進一步完善圖片庫建設，構建交易網絡、關系圖譜和行為模式圖，捕捉復雜的關系和動態變化，從而有效識別團體欺詐行為。此外，項目通過優化預期信用損失模型，構建零售風險統一的預警平臺，加強各事業部間風險信息的交互，實現風險聯動，建立預警分級機制，實現精細化組合管理，提高汽車金融反欺詐精度。

D.AI高效催收：針對現有催收系統效率低下、催收轉化差、成本高昂的問題，構建面向多源異構數據的大模型高效催收系統。在催收前，利用大模型分析客戶的信用歷史、消費行為、還款記錄等數據，生成詳細的客戶畫像，并根據客戶的實時行為和反饋，動態調整催收策略，例如選擇最佳的溝通時間和方式，或提供靈活的還款方案（如分期還款）；在催收中，實時監控對話內容，識別客戶的情緒和潛在的違規行為（如威脅、隱私泄露等），及時提醒催收員調整溝通方式以避免違規，以及根據對話內容，實時提供溝通技巧和話術建議，提升催收員的專業性和溝通效果；在催收后，分析歷史催收數據，生成催收報告，優化催收策略，提升催收成功率。

（2）技術創新點

A.多專家混合大模型基座技術：基于平安銀行大模型及行業先進開源大模型技術，打造面向低資源的深度思考專家混合模型，針對汽車金融不同階段和場景構建不同領域的專業模型，如客戶營銷專家模型、個性化運營專家模型、反欺詐專家模型、資產保全專家模型、合規專家模型、風險預警專家模型、貸款催收專家模型。客戶營銷專家模型利用基于大數據的客戶畫像，進行個性化營銷，推薦客戶關心和關注的汽車金融產品，提高客戶滿意度。個性化運營專家模型針對不同客戶的興趣及關注點，提供個性化服務。反欺詐專家模型利用大模型分析識別虛假信息，結合圖神經網絡分析關聯交易網絡，打擊團伙騙貸等實踐場景應用。資產保全專家模型通過對車輛殘值進行預測，優化抵押物管理，降低資產損失風險。合規專家模型通過實時對接監管政策變化，自動生成合規報告，顯著減少人工審核成本。風險預警專家模型通過分析用戶畫像及行為數據，對高風險客戶進行智能篩選，并及時執行預警及應對措施。貸款催收專家模型整合吸收海量催收話術，對于不同的貸款案件進行針對性和多維度催收，大大提升催收效率以及收款效果。

B.多源異構數據融合技術：針對現實中如交易記錄、社交信息、車輛軌跡、車輛運行數據、電池健康度、充電行為等多源異構數據難以有效利用的痛點問題，利用深度學習智能處理技術，深度融合多源異構數據，實現多源異構數據的理解、處理和分析。通過構建高效的數據融合算法，將不同來源、不同格式的數據進行整合和清洗，使其能夠為風險評估模型所用。例如，將車輛軌跡數據與客戶交易記錄相結合，若發現車輛行駛至可疑地點且同時出現異常大額交易，系統將提高風險預警級別。這種多源異構數據融合技術，打破了傳統風控模型僅依賴單一或少量數據來源的局限，為風險評估提供了更全面、準確的數據支持。

C.量子隱形傳態與隱私計算技術：針對汽車金融隱私及涉密數據流通與可用性差的問題，利用量子糾纏隱形傳態(試點中)及隱私計算（如聯邦學習）實現隱私客群分級建模，實現數據可用不可見，助力汽車金融智慧客群分級。量子隱形傳態是一種基于量子糾纏特性的信息傳輸技術，通過糾纏態的建立和操控，實現量子信息（如量子比特狀態）的瞬時傳遞，而無需物理載體直接傳輸，通過量子機器學習的算法實現客群聚類分級。聯邦學習技術通過加密技術實現不直接傳遞明文信息，實現跨機構數據共享時的隱私保護，不僅可以減少數據泄露導致的安全風險，還提升了不良貸款識別率與客群分級的顆粒度。

D.基于知識圖譜的反欺詐模型：針對現實欺詐場景中存在團伙及高危欺詐的風險，通過對汽車金融業務設計的多種實體，如借款人、車輛、經銷商、金融機構等，構建實體之間的復雜關系網絡，利用圖神經網絡算法實現欺詐監測、信用評分優化、風險預測與預警。通過構建交易網絡、關系圖譜和行為模式圖，捕捉復雜的關系和動態變化，從而有效識別欺詐行為。例如，圖神經網絡通過分析交易網絡中的異常模式，如頻繁的小額交易或短時間內大額資金流動，來識別洗錢、信用卡欺詐等復雜欺詐活動。在風險預測與預警方面，圖神經網絡通過整合多源數據，包括交易記錄、用戶行為和設備使用模式，生成豐富的上下文信息，從而更精準地預測違約風險和市場風險。例如，通過分析用戶的行為和設備使用模式，識別與欺詐行為相關的異常模式，如頻繁更換設備或使用與欺詐活動相關的設備，實現預警相關欺詐的行為。

E.基于人工智能的動態風險評估模型：采用人工智能技術，構建動態風險評估模型。區別于傳統的靜態風險評估模型，本模型能夠根據實時獲取的客戶數據和市場環境變化，自動調整風險評估參數，實現風險的動態監測與精準評估。例如，利用深度學習算法對客戶的消費行為、還款記錄等數據進行實時分析，若客戶近期消費行為出現異常波動，模型將及時調整其風險評分。同時，通過引入強化學習技術，讓模型在不斷的實踐中自我優化，提高風險評估的準確性和適應性。

三、項目技術方案

(1) 系統技術架構

本系統是基于平安銀行大模型的金融風控“操作系統”Amigo 的技術架構，旨在賦能重構汽融風控體系，其主要由輸入輸出模塊、記憶器、控制器、運算器和存儲器五大部件組成。輸入輸出模塊負責多源多端數據的交互，數據來源包括 APP、小程序、網頁、業務系統等，并且支持 LUI 多模態用戶交互。記憶器使得系統具備長短時記憶和深度思考能力，能處理連續的長短上下文信息。控制器采用專家混合MoE 模式，包含評估器、任務管理器和決策器。評估器對輸入信息評估，任務管理器下發任務，決策器做出決策。運算器由多業務智能體組成，包含多智能體，利用損失引導的強化學學習，通過檢索增強生成（RAG）技術，并調用業務工具 API，實現對各種業務數據的運算處理。存儲器包括向量數據庫、圖數據庫和結構化數據庫，用于存儲數據，同時還有私有知識庫和公共知識庫，方便數據的沉淀和調用，支持系統的學習和決策。

系統業務架構

涵蓋了入口層、基礎層、服務系統層和應用層，各層相互協作，共同為汽車金融業務提供全面的風險控制保障。入口層包含口袋銀行、微信公眾號、車E通和PC網頁端，為用戶提供了多樣化的接入方式，方便不同習慣和需求的用戶便捷地參與到汽車金融業務中。基礎層則負責收集來自不同源頭、不同結構的數據，為后續的風險分析提供豐富且全面的數據基礎。服務系統層處于承上啟下的關鍵位置,對業務所涉及的核心系統、反欺詐系統及審批系統進行有機結合。應用層是風控體系與實際業務場景的直接對接層面，以客戶為主體，為汽車金融貸前、貸中、貸后全流程業務提供數智化風控管理。整體而言，系統業務架構構建了一個從數據基礎、系統支撐到業務應用的完整閉環，實現了對汽車金融業務全流程的風險管控，有助于提升金融機構的風險管理能力和市場競爭力，促進汽車金融業務的穩健發展。

(3) 系統數據架構

該系統數據架構在數據接入和應用層面展現強大能力，為汽車金融業務及更廣泛場景提供堅實支撐。在研發層面，依托湖倉一體存儲模式，貫穿需求、研發、運行、運營全階段。在需求階段，精準捕捉經營分析、營銷、風險、運營、坐席作業、AI建模等前端業務的數據需求；研發階段，借助批流一體開發IDE、可視化規則變量配置工具以及統一SQL語義層引擎，實現業務模型開發與批流任務創建；運行階段，保障離線調度跑批和實時流計算的高效執行；運營階段，通過缺陷作業識別、任務成本和價值分析以及任務生命周期運營，持續優化數據處理流程與質量。

(4) 系統安全架構

在技術防護層面，采用了多種先進的安全技術。防火墻技術作為網絡安全的第一道防線，對進出網絡的數據進行嚴格篩選和控制，阻擋外部非法網絡訪問和惡意流量。漏洞掃描技術定期對系統進行全面檢測，查找可能存在的安全漏洞，以便及時進行修復，降低被攻擊的風險。防病毒系統則持續監控和清除系統中的病毒、惡意軟件等威脅，保護系統的正常運行和數據安全。在審計監督方面，設置了出域流量

審計和系統安全審計。出域流量審計對平臺向外流出的網絡流量進行詳細記錄和分析，防止數據泄露等安全事件發生。在架構與制度保障上，系統架構安全從整體設計和部署層面考慮安全因素，如合理的網絡架構劃分、安全的系統組件配置等，增強系統的抗攻擊能力。

四、項目過程管理

(1)2021年1月，技術預研，包括隱私計算、大模型、量子機器學習等，并將相應成果發表論文及專利。

(2)2023年1月，項目任務書下達，平安銀行研發團隊正式承接“數字化轉型驅動下的汽車金融風控體系重構”項目。

(3)2023年3月，需求分析完成，全面梳理平安汽車金融業務流程及風控痛點，形成詳細的需求分析報告。

(4)2023年5月，系統詳細設計完成，確定系統架構、功能模塊及數據交互方式，產出系統設計文檔。

(5)2023年 9月，系統編碼、測試及上線準備完成，完成系統開發并進行多輪內部測試，準備試點上線。

(6)2023年11月，在汽融深圳、廣州、北京、上海等10個分中心開展試點運行，收集反饋數據。

(7)2024年3月，收集試點數據及案例，優化風控體系，上線2.0版本。

(8)2024年5-7月，擴大試點范圍，在汽融成都、西安、昆明、杭州等50家分中心進行二批試點。

2024年8-12月，試點分中心穩定運行，擴展至在平安汽車金融全機構運行，實現全面覆蓋。

五、運營情況

（1）智慧客群分級

結合大模型底座的風控平臺，針對二手車業務，實施了高風險特征客群排查和管控策略，包括高風險行為、車型特征、前車主異常及融資租賃貸款等，優化新戶質量5%，影響業務量1%。貸前排查發現36名異常客戶，貸后早期降低欺詐風險。周度排查超期案件，處理12筆欺詐業務，并對石家莊、長沙、廣州分中心開展專項檢視。車商貸方面，對151家高風險車商實施額度管控，其中98家恢復正常，53家凍結。4家車商發生輿情事件，涉及金額800.2萬元，通過貸后追蹤回款55.6萬元。

（2）全流程AI輔助質檢

在新車領域應用新風控方案后，通過高風險客群特征分析，精準識別潛在欺詐風險，并結合客戶歷史購車行為數據，針對近12個月內有購車記錄的客群制定專項反欺詐策略。通過風險審查審批對客戶購車行為進行專項排查，核查客戶資質及用車行為，有效降低了15%的欺詐風險案件。同時，通過對本人查詢反欺詐策略的回溯和優化迭代，預計攔截10%的欺詐風險案件，進一步優化新車產品風險表現。此外，通過逐月分析風險指標及客群結構，及時發現異常問題，并向業務部門及分中心下發高風險預警提示函，要求對異常問題展開全方位排查，針對重大異常問題通過策略及流程的調優進行管控。在二手車領域，持續加強欺詐風險排查力度，堅決處罰欺詐行為。2024年累計排查發現174筆欺詐業務，涉及合肥、廈門、沈陽、長沙、上海、紅河等18家分中心，貸款金額達6500萬元。通過加強風險管控，2024年1-10月累計新戶質量顯著提升25%（從0.33%提升至0.41%），有效提升了二手車業務的整體風險表現。

（3）審批團隊提質增效

隨著審批案件業務量的持續增長，傳統人工審批模式面臨耗時長、效率低的挑戰。為應對這一問題，通過引入大模型，助力審批作業人員提升業務處理效率。得益于大模型支持，人工審批單一案件時長縮短60%，審批效率顯著提升。2024年審批業務量較2023年增長超2萬件，增長比例達219%，人均審批產能提升37.5%，充分展現了大模型在審批流程中的提質增效作用。

（4）提升貸款資金流向監控效能

通過大模型優化貸后資金監控邏輯。針對違規案件，大模型能夠快速識別集中供款、資金回流、貸后轉賬交易集中度異常、首三期非本人還款以及自主支付貸款流向違規等風險特征，并協助開展風險提示、違規案件處罰等管理措施。2024年，通過大模型的智能分析，累計認定集中供款違規案件255筆，資金回流違規案件201筆，貸后轉賬交易集中度違規案件97筆，首三期非本人還款違規案件1466筆，自主支付貸款流向違規8399筆，均已要求分中心采取結清、上浮利率或簽署承諾函等管控措施。在專項資金流向排查方面，通過大模型對車主貸貸后資金的專項排查，累計排查89筆借據，結合流向集中度和還款集中度特征深入分析，最終認定違約貸款74筆，違約率高達83.15%，均已順利完成處置。此外，針對常規排查案件，大模型能夠進一步挖掘分析具有聚類風險特征或客戶經理、經銷商存在可疑行為的高風險案件，累計對分中心及相關業務部門發布25次排查風險提示，要求分中心對客戶經理以及經銷商進行延伸排查，涉及22個分中心、148筆貸款、52名客戶經理，并關停11家經銷商。通過大模型的智能化支持，貸后資金監控和管理效率顯著提升，風險防控能力進一步增強。

六、項目成效

（1）經濟效益

A.強化風險防控收益：基于大數據與人工智能構建的動態風險評估模型，對汽車金融業務風險進行實時監測與精準預警。在風險識別上，攔截高欺詐風險案件9,893筆，識別300+家黑中介，涉及貸款金額合計20.02億，減少欺詐損失1.8億。強大的風險防控能力為平安汽車金融業務提升優質客戶占比、清查高風險客戶、深耕存量客戶經營提供抓手，新戶質量優化20%+，優質客戶占比提升14%，極大提升企業的盈利能力與抗風險能力。

B.賦能車貸流程自動化：利用多專家混合大模型技術，優化汽車金融營銷、運營、結構化/非結構數據審核、視頻驗車、資產評估、審核、決策等全流程，實現風控流程全智能化輔助審批，顯著簡化審批流程。平安汽融整體進件自動化率97.1%，貸款流程效率較平臺上線前提升20%；風控人工審批量年減少6.25萬件；案件質檢檢出率提升20%，實時糾錯9628 筆。

C.助力業務規模擴張：數字化轉型驅動下的汽車金融風控體系，以其精準的風險評估能力，突破傳統風控局限，開拓出嶄新的業務領域。在新能源車金融領域，借助對歷史購車行為、客戶資質及用車行為、申請信息一致性等數據的深 度剖析，為購車貸款、二手車貸款客戶提供適合的汽車金融服務，新增放款金額達54.4億元。這一系列成果有力推動汽車金融業務在新興領域的規模化發展。整體而言，通過業務規模擴張、流程降本增益以及風險防控收益，項目總計創造經濟效益23,440萬元。

（2）社會效益

從行業角度看，本項目構建的風控體系為汽車金融行業樹立了數字化轉型標桿，推動了行業整體風控水平提升。其成功經驗促使其他金融機構加大在金融科技領域投入，加速行業技術革新，規范市場秩序，減少因風控漏洞導致的不良競爭，維護金融市場穩定。

在社會經濟層面，系統助力汽車金融業務拓展，刺激汽車消費市場。高效的信貸審批與精準風控，使更多消費者能夠便捷獲取汽車金融服務，帶動汽車產業鏈上下游發展，創造大量就業崗位，從汽車生產、銷售到售后等環節，促進勞動力市場活躍，推動經濟增長。

此外，項目覆蓋二手車及新能源車金融市場，對環保意義重大。二手車金融的發展促進車輛循環利用，減少資源浪費；新能源車金融支持綠色出行，降低碳排放，助力實現國家“雙碳”目標，提升社會整體環保效益，為可持續發展貢獻力量。

七、經驗總結

（1）項目建設經驗

A.技術底座構建：基于平安銀行大模型及開源技術打造金融風控系統Amigo，構建反欺詐、審批、催收等7大領域專業智能體，實現從“單一規則引擎”到“智能決策體系”跨越。融合量子計算（試點量子隱形傳態）、隱私計算（聯邦學習）、多源異構數據融合（整合交易、車輛軌跡等數據）、知識圖譜（構建實體關系網絡）等技術，突破數據孤島與效率瓶頸。

B.場景化解決方案設計

貸前：通過大數據+隱私計算實現客群分級顆粒度下探至二級機構，試點量子傳輸保障數據安全，針對高風險車商實施額度管控。

貸中：大模型智能審批引擎縮短審批時效至“分鐘級”，AI 輔助質檢系統提升檢出率20%，覆蓋新車、二手車、車抵貸全品類風控。

貸后：大模型催收系統動態調整策略，資金監控識別超萬筆違規交易，結合風險預警與處置措施提升管理效率。

C.跨部門協同機制

研發團隊聯合業務、風控、合規等部門成立專項小組，打通數據共享壁壘（如汽融與公安交管試點數據互通），建立“需求調研-技術開發-業務驗證”閉環。

（2）項目推廣經驗

A.分階段試點路徑

從10個分中心起步，收集反饋優化2.0版本后擴展至50家分中心，最終全機構覆蓋，降低轉型風險。

標準化復制與敏捷迭代：提煉“試點-驗證-迭代-復制”方法論，將深圳、廣州等試點經驗轉化為可復用的風控策略（如客群分級模型、反欺詐規則），快速向全國分中心推廣。

建立“風險指標監測-預警提示-策略調優”機制，2024年累計下發25 次風險提示，覆蓋102個分中心，實現推廣過程中持續優化。

B.行業標桿效應打造

通過經濟效益（減少欺詐損失1.8億、創造收益超2.3億）與社會效益（推動行業科技投入、助力“雙碳”目標）形成示范效應，吸引同業借鑒技術路徑與管理模式。

通過“技術+場景+管理”一體化方案，提升汽車金融行業整體風控水平，規范市場秩序。

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。