杭銀消費金融：杭銀消金信用大腦BRAINS-智能模型服務平臺

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：杭銀消費金融

榮獲獎項：數字風控優秀案例獎

一、項目背景及目標

（一）項目背景

近年來，我國宏觀經濟呈現穩中有進、回升向好的發展態勢，國家錨定“大力提振消費、全方位拓展國內需求”等關鍵任務，出臺《關于做好金融“五篇大文章”的指導意見》等政策指引，指導“金融機構健全普惠金融風險管理機制，提高風險定價能力，推動普惠金融可持續發展”。同時，伴隨人工智能技術在多模態數據處理、智能決策輔助等領域的加速迭代，智能模型愈發成為消費信貸精細化、智能化風險管理的重要抓手，賦能金融機構精準觸達長尾目標客群，巧妙破解消費信貸的可得性瓶頸。

在宏觀政策與前沿技術雙重利好的大背景下，公司構建并持續完善“杭銀消金信用大腦BRAINS”智能風控體系，該體系以數據體系（Bigdata）為堅實底座、以風控策略（Risk Policy）為明確導向、以安全反欺詐（Antifraud）為重要保障、以智能模型（Intelligent Model）為核心驅動、以監控巡檢（Navigator）為日常巡防、以數智產品（Systems）為有力載體，緊密協同、相互促進，持續深化普惠金融，積極推進 “擴內需促消費” 的國家戰略，為公司業務高質量發展持續賦能。智能模型服務平臺作為信用大腦體系的核心模塊，發揮著關鍵風控驅動作用。平臺以風險數據要素為根基，深度剖析客戶風險特征，運用先進的數據挖掘技術與智能算法，全方位構建客戶風險畫像，全流程實施風控模型賦能，為更多征信稀薄、畢業剛就業等人群提供智能化、普惠化的金融服務。

（二）項目意義

通過構建智能模型平臺，完善特征體系建設、健全模型監測機制、創新智能決策產品、自動響應業務變化，提升消費信貸風險管控的精細化、智能化、高響應水平，賦能消費信貸業務的穩健發展。

1.完善特征體系建設。深化特征工程建設，構建高區分度、強穩定性的特征管理體系，為模型訓練和風控策略提供精細化的特征輸入。同時，健全風控特征的全生命周期管理流程，涵蓋特征需求評估、開發測試、版本部署、線上監控、效果評估及下線退出等環節。

2.健全模型監測機制。健全模型有效性及穩定性監測機制，有效監測模型區分度與分布穩定性，及時監測底層變量及數據的有效性。同時，采用滑動窗口技術追蹤特征穩定性與流量漂移情況，進行實時敏感性分析及處置。

3.創新智能決策產品。基于自適應優化算法，將多模型融合技術與業務場景深度融合，打造模塊化、標準化的智能決策產品。通過可視化和交互式的操作界面，簡化策略開發難度，實現多元風控目標協同，提升風險決策效率與精準度。

4.自動響應業務波動。健全特征篩選、模型構建、報告生成、性能追蹤等自動化建模功能，自動監測業務波動對模型性能的影響，及時響應業務流量變化，快速迭代風控模型，保障模型性能與業務需求的動態匹配。

二、創新點

（一）特征層

1.動態數據挖掘算法。公司創新性地融合了大數據挖掘與機器學習技術，深度挖掘歷史查詢數據的潛在價值，構建了基于動態時序分析的數據挖掘框架。當客戶存在歷史查詢記錄時，系統通過時間序列對當前查詢數據與歷史數據進行智能匹配，構建多維時序數據矩陣。在此基礎上，采用先進的深度學習算法，對時序數據進行特征提取和模式識別，并結合自然語言處理技術對非結構化數據進行語義分析。通過這種多模態數據融合方法，能夠及時捕捉客戶多頭借貸行為和逾期風險的動態變化趨勢，構建具有時續性的動態客戶畫像，使風控體系具備了更強的風險預測能力和更優的模型泛化性能。該創新已獲得《一種基于風控技術的動態數據挖掘方法及系統》的發明授權專利。

2.特征分級計算引擎。特征分級計算引擎以離線、在線混合計算為核心驅動力，深度集成分級特征計算能力，創新融合了離線大規模的算力優勢與在線計算的實時響應能力，突破數據規模、數據處理時效及實時計算性能等多方面的技術壁壘，不僅支持常規的混合特征運算，還支持高維集合類混合特征運算和動態條件類混合特征運算。離線階段，該引擎利用其強大的處理能力，對大規模的歷史多元數據進行深度預計算，提前完成復雜且耗時的中間特征提取；在線階段，基于離線階段預計算得出的中間特征，僅需處理實時產生的小規模新數據，便可快速完成整個特征的計算，顯著提升了特征計算的效率與精確度。

（二）模型層

1.構建風控領域大模型。公司借鑒“預訓練&微調”大模型建模思路，構建風控領域的大模型預訓練模塊，并基于特定風控樣本進行微調，不斷提升特定客群的風險識別力。在人行征信敏感詞篩選中，利用BERT預訓練模型結合提示學習的方法，實現在樣本較少情況下，有效完成了敏感詞甄別的訓練任務；在風控管理文檔處理中，引入大語言模型和TF-IDF結合的有監督分析方法，提煉出有區分度及強解釋的特征值，顯著增強了風險識別效果。以上創新已提交《一種基于大語言模型提取文本有效可解釋信息的風險識別方法》《一種基于Prompt BERT模型的人行征信報告敏感詞識別方法及系統》專利。

2.構建拒絕客戶處理機制。公司構建了拒絕客戶處理機制，將拒絕客戶的信息構成數據池，并與最新查詢數據定期進行匹配。若匹配到拒絕時點后新查詢的數據，基于逾期信息對拒絕客戶風險標簽進行標定，最終將標定好的拒絕客戶用于風控模型訓練。該機制有效改善了授信通過客戶與授信申請客戶之間的分布偏差，提升了風控模型的風險識別能力和決策置信度。該創新已提交《一種風控拒絕用戶數據處理系統》專利。

（三）應用層

1.創新構建智能決策產品。該產品立足風控策略的開發本質，將風控策略的構建轉化為全局優化問題，創新應用加權調和算法求解高維優化問題，實現多目標協同優化，逼近全局最優解。該產品還集成了風控策略自動化生成模塊，實現無人工干預下的風控策略自動化生成及調優，將策略開發周期從傳統數周級別縮短至小時級別，顯著提升了策略開發效率與迭代速度。該創新已獲得《一種風控策略自動化生成系統》的發明授權專利。

2. 引入多模態處理技術。公司引入大模型多模態處理技術，智能解析客戶身份證件、銀行流水、公積金等信息，持續建全客戶信用風險評估體系，顯著提升反欺詐識別和防范效能。其中，圖像大模型運用計算機視覺技術，精準識別客戶面部特征、表情及證件背景細節，通過生物特征比對、場景分析等，有效防范偽造證件和身份冒用風險。語音大模型通過分析通話錄音的聲紋特征和語義內容，輔助識別虛假陳述和身份欺詐風險。

三、項目技術方案

（一）功能架構

智能模型平臺研發于公司自主風控實踐，在實際業務中持續迭代優化。該平臺采用分層架構設計，由特征層、模型層和應用層組成（詳見圖1），各層級協同作用，支持風控決策的智能化與高效化運作。

1.特征層。該層聚焦于風控特征的加工與全生命周期管理，基于人行征信、三方數據及自有數據等，衍生出上萬維風控特征，通過流批融合計算與離在線一體化技術，支持實時、近線和離線等多元時效的風控決策計算任務。該平臺開發了特征檢索、特征詞典及特征血緣追蹤等功能，高效處理復雜特征的加工、上線、運行及監控等任務，實現對特征變量的系統化管控。

2.模型層。該層健全模型生命周期管理，覆蓋模型開發、測試、部署、迭代及下線等環節，并基于自主研發的自動化建模工具，實現了模型從部署到上線的自動化管理，不僅提升了建模效率與迭代速度，還有效降低了人工干預帶來的操作風險。該層還通過可視化的操作管理界面，使用戶能夠監控模型各階段運行狀態，確保模型運行平穩。

3.應用層。該層基于最優化算法、機器學習等技術，自主研發了智能決策產品，通過可視化、可交互的操作管理界面，大幅降低了風控策略開發門檻。用戶只需簡單配置風控目標和任務參數，即可生成接近最優解的策略規則組合。此外，創新開發了自動化模型融合、智能分箱等先進功能，支持多維度規則組合優化與實時效果評估，顯著提升了風控決策效率及精準度。

圖1：平臺功能架構圖

（二）技術架構

智能模型平臺采用三級分層的技術架構，包括基礎層、服務層、輸出層（詳見圖2）。

圖2：平臺技術架構圖

1.基礎層。該層采用分布式存儲系統，包括HDFS、HBase、MongoDB及圖數據庫等；具備分布式計算相關的基礎能力框架，包括Flink、Spark等執行數據清洗、加工等操作。底層資源管理與調度能力由Yarn和K8s提供，確保計算任務的高效執行與資源優化。

2.服務層。該層整合多種機器學習框架，如Scikit-learn、XG Boost、Light GBM等，支持算法開發與模型訓練。通過Ray、Spark MLlib等工具，實現大規模數據集的分布式訓練。同時，利用Flink SQL、Flink Jar等框架，進行實時特征計算，滿足實時數據處理需求。

3.輸出層。該層提供多種數據輸出方式，包括Kafka、數據庫及Restful API等，支持流式與批處理數據的統一輸出，確保數據的高效傳輸與集成。

（三）安全策略

公司高度重視安全防護，通過數據加密、訪問控制等多重安全措施，全方位保護數據免受非法獲取和篡改，確保系統運行安全穩定。針對模型平臺部署方案，建立了完善的網絡和數據安全技術保障體系，能夠靈活應對不斷變化的網絡安全威脅，分析設備日志精準調整網絡設備策略、安全設備策略以及主機策略等，實現動態安全防護。此外，通過定期開展漏洞掃描和修復工作，及時更新漏洞庫，確保漏洞管理的時效性；借助自動化工具和流程，大幅提升漏洞修復的效率與準確性；同時，建立漏洞分級分類機制，明確各類漏洞的修復時效要求，進一步強化安全管控力度，為智能模型平臺的穩定運行提供堅實保障。

四、項目過程管理

智能模型服務平臺由公司建模中心提出需求，風險產品部負責需求確認及設計，科技部負責項目實施，涵蓋需求分析、系統設計、方案評審、開發編碼、系統測試、業務驗收、上線運維、線上驗證及后評價等全流程環節。項目實施采用迭代開發模式，主要分為三個階段有序推進。

（一）需求分析及設計階段

2023年1月至2024年12月，完成了項目需求分析設計工作。

（二）方案評審、編碼及測試階段

2023年1月至2024年12月，完成了項目方案評審、編碼及測試。

（三）推廣及應用階段

2024年1月至2024年11月，主要完成項目研發、灰度及投產，并分四個階段進行推廣使用。第一階段（2024年2月），完成了機器學習平臺上線，支撐貸前、貸中、貸后各種業務場景下的風險模型的高效穩定運行。第二階段（2024年3月），完成特征服務平臺上線，承接決策引擎系統、機器學習平臺等風控特征需求，實現高穩定、高并發、高可用、低時延的特征開發、計算和調用。第三階段（2024年8月）完成了智能決策工具的投產使用，提供了基于LR融合、智能評級融合、統計指標的計算功能。第四階段（2024年10月）完成了策略機器人的投產使用。

五、運營情況

智能模型服務平臺參與公司消費信貸風控業務的全鏈路，涵蓋貸前授信，貸中支用、調額、調價，貸后催收等環節。該平臺通過機器學習平臺、特征服務平臺、智能決策產品三個核心子平臺模塊的協同運作，有效支持策略、模型、反欺詐、貸后等各風控職能部門有效運行。

（一）機器學習平臺

該平臺與決策引擎系統對接，支持一鍵部署與配置。上線以來，該平臺已廣泛應用于多個部門，能夠快速響應業務各階段的需求，包括新業務模式的冷啟動支持、業務擴張時的風險敞口控制，以及行業競爭加劇時的精細化風險測算與管控。

（二）特征服務平臺

該平臺負責客戶各類結構化、半結構化、非結構化特征的加工、管理與應用，為風險管理人員提供了統一的特征變量管理功能，支持高效檢索、血緣探查及邏輯追溯，顯著提升了特征復用率和新特征衍生效率。

（三）智能決策產品

該產品依托底層先進算法，基于簡單定義目標并進行可視化配置，直接對最優化問題進行求解，實現了無需人工干預情況下的風控策略自動化生成，運行性能顯著優于人工策略。

六、項目成效

智能模型平臺投產以來，公司信用風險指標運行穩健，風控數字化能力不斷提升，普惠服務能力不斷完善，公司行業口碑持續向好。

（一）風險管控穩健有效

公司運用智能模型平臺，積極準入優質客戶，審慎實施客戶分層管理，合理給予額度定價，持續優化信貸資產結構。截至2024年末，貸款余額512.41億元，貸款不良率1.72%，撥備覆蓋率274.51%，資本充足率14.45%，信貸資產質量及風險抵補能力均優于行業平均水平。

（二）風控數字化能力提升

公司將智能模型平臺與金融科技深度融合，持續提升風控數字化水平。2024年末，衍生人行征信、三方數據、自有數據等特征變量36000余個，在線管理風控模型百余個，累計獲得相關發明授權專利28項，公司發明專利授權數量在消費金融行業排名第二。

（三）普惠服務持續深化

基于智能模型平臺，公司構建精細化客戶風險畫像，完善風險定價機制，給予客戶更高額度及更低定價。2024年，累計服務新市民客戶57.17萬人，發放個人消費貸款40.71億元；累計服務農戶客群604.40萬人，發放個人消費貸款477.83億元；累計向77.75萬人發放優惠貸款175.69億元。

七、項目展望

（一）產品功能完善與平臺性能升級

1.強化底層技術基石。公司將持續優化平臺技術架構，模塊化特征層、開發層及應用層，標準化各模塊間接口規范，實現各模塊的快速集成與橫向擴展，有效降低集成與交互過程中的資源消耗，不斷提升平臺的算力水平、穩定性及高可用性，始終保障復雜業務場景下的高效運行。

2.提升產品操作體驗。公司將不斷優化平臺操作界面，提供高度可視化且易于操作的交互工具，使用戶能夠便捷、高效地開展模型訓練、部署及管理等操作。同時，建立完善的用戶效果反饋機制，基于用戶反饋結果持續迭代產品版本，提升產品操作體驗。

3.完善產品操作指南。公司將盡快出臺詳盡的平臺操作指南及最佳實踐案例，定期對產品使用指南進行更新與完善；定期組織產品培訓交流活動，幫助用戶深入理解平臺功能，提升用戶對平臺的使用效能。

（二）深入運用大模型與多模態處理技術

1.深入挖掘數據價值。公司將深入挖掘風控數據價值，引入前沿的自然語言處理技術，深化非結構化數據的解析能力，有效提升模型的綜合決策能力，更好地應對復雜多變的數據環境。

2.強化模型訓練能力。公司將進一步提升自動化建模對多模態數據的支持能力，實現從數據預處理、模型訓練、評估到部署的全流程自動化，減少不必要的人工干預，大幅提升建模效率與模型性能。

3.提升風險決策水平。公司將拓寬多模態數據驅動的智能決策產品的運用覆蓋面，提升風控策略的靈活性與精準度，實現更高效的風險工具管理與迭代，為業務穩健發展保駕護航。

（三）精準客戶畫像構建與消費提振助力

1.提升特征挖掘能力。公司將持續引入先進的機器學習算法，部署神經形態計算架構，提升特征工程的自動化程度，快速迭代風控衍生變量，為各類風險評估及決策場景提供量化支持。

2.精準構建客戶畫像。公司將強化開發層的模型個性化定制能力，利用自動化建模工具及時響應業務流量變化，動態更新客戶風險畫像，確保客戶畫像的精準性與時效性。

3.助力消費市場提振。公司將拓展智能決策工具與策略機器人的應用場景，合理設置消費貸款額度、期限及利率，優化信貸資源配置，增強消費金融服務的適配性和便利度，助力消費市場的提振升級。

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。