基于大数据和人工智能的风控系统[发明专利]

(12)发明专利申请

(10)申请公布号 CN 110648217 A(43)申请公布日 2020.01.03

(21)申请号 201910845289.X(22)申请日 2019.09.08

(71)申请人 贵州普惠链电子商务有限公司

地址 550081 贵州省贵阳市观山湖区长岭

北路1号贵阳国际展览中心二号馆贵阳互联网金融产业园309-131室(72)发明人 张引　(51)Int.Cl.

G06Q 40/02(2012.01)G06F 8/20(2018.01)

权利要求书1页 说明书4页 附图5页

CN 110648217 A(54)发明名称

基于大数据和人工智能的风控系统(57)摘要

本发明公开了基于大数据和人工智能的风控系统，属于风控系统技术领域，包括平台管理层、分布式服务层、多组户服务托管层、服务集成层、可视化层、总体功能架构、数据采集方式、信贷风险防范大数据需求、信贷大数据风控模型体系和风控业务规则体系，所述平台管理层通过分布式服务层与多组用户服务托管层连接，多组用户服务托管层通过服务集成层中的统一服务接入接口与可视化层连接。本发明的大数据风控体系以数据为基础，以模型和方法为抓手，以业务规则为核心，根据业务及产品特色进行差异化定制，并以统计指标和报表对过程及结果进行监测和展示。

CN 110648217 A

权　利　要　求　书

1/1页

1.基于大数据和人工智能的风控系统，包括平台管理层、分布式服务层、多组户服务托管层、服务集成层、可视化层、总体功能架构、数据采集方式、信贷风险防范大数据需求、信贷大数据风控模型体系和风控业务规则体系，其特征在于，所述平台管理层通过分布式服务层与多组用户服务托管层连接，多组用户服务托管层通过服务集成层中的统一服务接入接口与可视化层连接。

2.根据权利要求1所述的基于大数据和人工智能的风控系统，其特征在于，所述数据采集方式包括内部平台沉淀与服务商提供，采集方式一共有六类：用户提交、系统布点采集、SDK、爬虫、API和数据包。

3.根据权利要求1所述的基于大数据和人工智能的风控系统，其特征在于，所述信贷风险防范大数据需求包括信用风险防范、市场风险防范、流动性风险防范、操作风险防范、法律风险防范和道德风险防范。

4.根据权利要求1所述的基于大数据和人工智能的风控系统，其特征在于，所述信贷大数据风控模型体系包括风险量化、风险定价、业务监测统计、风控规则和客户管理，其中，风险量化包括信用评价、操作风险量化模型和市场风险量化模型，风险定价主要为信用风险定价模型，业务监测统计包括欺诈监控模型、预期迁徙模型、Vintage风险爆发模型、回收率模型和损失率滚动模型，风控规则包括贝叶斯专家评审模型和人工智能深度学习模型，客户管理包括客户价值管理模型和客户细分模型。

5.根据权利要求1所述的基于大数据和人工智能的风控系统，其特征在于，所述风控业务规则体系包括注册申请、身份验证、爬虫抓取、征信评价、文档检查、人工电核、人工反欺诈、人工信审、贷后管理和财务管理。

2

CN 110648217 A

说　明　书

基于大数据和人工智能的风控系统

1/4页

技术领域

[0001]本发明属于风控系统技术领域，具体是基于大数据和人工智能的风控系统。背景技术

[0002]目前，金融行业利用大数据进行风控已经取得了一定的成效。使用大数据进行风控已成为国内外互联网金融企业的标准配置，传统金融机构大数据风控的应用亦在摸索前进中。

[0003]阿里推出了面向社会的信用服务体系芝麻信用，芝麻信用通过分析大量的网络交易及行为数据，对用户进行信用评估，这些信用评估可以帮助互联网金融企业对用户的还款意愿及还款能力做出结论，继而为用户提供相关的金融和经济服务。[0004]腾讯的微众银行推出的“微粒贷”产品，其风控核心就是，通过社交大数据与央行征信等传统银行信用数据结合，运用社交圈、行为特征、交易、基本社会特征、人行征信5个维度对客户综合评级，运用大量的指标构建多重模型，以快速识别客户的信用风险。[0005]海尔消费金融立足海尔1.5亿实名用户大数据，不断联合权威征信与风控机构精简服务流程、降低服务门槛，从而让为“没有征信记录或征信记录较少的用户”提供金融服务成为可能。

[0006]以大数据为抓手，提供社区金融、产业供应链金融及精准扶贫金融服务的公司业务定位，决定了公司业务开展，特别是风险管理必须客户大数据为基础，大数据风控建设必须是公司业务支撑体系建设的核心。

发明内容

[0007]本发明的目的在于基于大数据和人工智能的风控系统，以解决上述背景技术中提出的问题。

[0008]为实现上述目的，本发明提供如下技术方案：[0009]基于大数据和人工智能的风控系统，包括平台管理层、分布式服务层、多组户服务托管层、服务集成层、可视化层、总体功能架构、数据采集方式、信贷风险防范大数据需求、信贷大数据风控模型体系和风控业务规则体系，所述平台管理层通过分布式服务层与多组用户服务托管层连接，多组用户服务托管层通过服务集成层中的统一服务接入接口与可视化层连接。

[0010]作为本发明的进一步方案：所述数据采集方式包括内部平台沉淀与服务商提供，采集方式一共有六类：用户提交、系统布点采集、SDK、爬虫、API和数据包。[0011]作为本发明的进一步方案：所述信贷风险防范大数据需求包括信用风险防范、市场风险防范、流动性风险防范、操作风险防范、法律风险防范和道德风险防范。[0012]作为本发明的进一步方案：所述信贷大数据风控模型体系包括风险量化、风险定价、业务监测统计、风控规则和客户管理，其中，风险量化包括信用评价、操作风险量化模型和市场风险量化模型，风险定价主要为信用风险定价模型，业务监测统计包括欺诈监控模

3

CN 110648217 A

说　明　书

2/4页

型、预期迁徙模型、Vintage风险爆发模型、回收率模型和损失率滚动模型，风控规则包括贝叶斯专家评审模型和人工智能深度学习模型，客户管理包括客户价值管理模型和客户细分模型。

[0013]作为本发明的再进一步方案：所述风控业务规则体系包括注册申请、身份验证、爬虫抓取、征信评价、文档检查、人工电核、人工反欺诈、人工信审、贷后管理和财务管理。[0014]与现有技术相比，本发明的有益效果在于：本发明的大数据风控体系以数据为基础，以模型和方法为抓手，以业务规则为核心，根据业务及产品特色进行差异化定制，并以统计指标和报表对过程及结果进行监测和展示，使得使用者能够直观得出评估的结果；采用人工智能数据处理的方式，减轻了人们的工作负担，能够实时的将数据处理结果上报到安全网络中，对数据进行整理、清洗、评估，并且对人工智能进行深度学习能力的培养，使其能够根据数据的相似性和差异性，对数据进行复杂的变换分析，增强数据评估结果的可靠性。

附图说明

[0015]图1为基于大数据和人工智能的风控系统中大数据风控技术架构图。

[0016]图2为基于大数据和人工智能的风控系统中大数据风控平台的功能架构图。[0017]图3为基于大数据和人工智能的风控系统中商业运营模式示意图。[0018]图4为基于大数据和人工智能的风控系统中数据采集方式示意图。

[0019]图5为基于大数据和人工智能的风控系统中信贷风险防范大数据需求示意图。[0020]图6为基于大数据和人工智能的风控系统中信贷大数据风控模型体系示意图。[0021]图7为基于大数据和人工智能的风控系统中风控业务规则体系构成图。

具体实施方式

[0022]下面结合具体实施方式对本专利的技术方案作进一步详细地说明。[0023]请参阅图1-7，基于大数据和人工智能的风控系统，包括平台管理层、分布式服务层、多组户服务托管层、服务集成层、可视化层、总体功能架构、数据采集方式、信贷风险防范大数据需求、信贷大数据风控模型体系和风控业务规则体系，所述平台管理层通过分布式服务层与多组用户服务托管层连接，多组用户服务托管层通过服务集成层中的统一服务接入接口与可视化层连接。

[0024]所述平台管理层通过云平台动态数据，主要利用Docker和System Center实现数据中心的动态资源分配管理功能。

[0025]所述分布式服务层利用分布计算框架和NoSQL分布式存储框架进行搭建。[0026]所述多组户服务托管层可以兼容各种技术实现方式的应用服务，但是应用服务需要具备多组户管理、多组户隔离以及应用服务负载分担从而实现容量动态扩展的功能，并且可以和平台进行良好的集成。[0027]在所述的服务集成层中，服务运行环境可利用应用服务集成总线，向最终用户提供各类服务，包括SaaS软件服务，PaaS平台服务，IaaS基础设施服务，服务集成总线除了提供SSO，认证授权等功能外，还会将平台使用情况进行汇总并返回运营管理平台，用作系统计费依据。

4

CN 110648217 A[0028]

说　明　书

3/4页

所述可视化层主要基于html5、bootstrap、CSS3、Ajax、ECharts、人脸识别等技术

实现，服务端通过tomcat集群提供Web服务，根据应用的界面功能可以支持移动终端的访问。

[0029]如图2所示，所述大数据风控平台的功能架构从下到上分为四层：[0030]云计算平台基础设施与服务：包括上层所需要的软硬件基础服务；[0031]应用集成服务：包括平台基础模块，便于对平台进行管理和扩展；[0032]多组户应用架构服务：按照平台用户组权限(如管理员、数据分析人员、风控人员等)赋予相应的平台数据服务；[0033]“天眼”大数据风控平台：包含所有风控模型的实现逻辑以及爬虫模块等。[0034]如图3、4所示，所述数据采集方式包括内部平台沉淀与服务商提供，采集方式一共有六类：用户提交、系统布点采集、SDK、爬虫、API和数据包。[0035]用户提交：指平台用户通过表单或上传文件方式提供，数据类型包含文本、图片、视频、音频等；[0036]系统布点采集：指通过网络探针方式记录用户WEB、APP等页面访问轨迹；[0037]SDK：指把数据采集点预埋在系统软件包或APP中方式获取用户行为轨迹数据；[0038]爬虫，包含在线实时爬虫和离线定时爬虫，前者在用户触发后抓取用户数据，如授权登陆数据获取；后者定期抓取公开数据源增量数据；[0039]API：指通过应用程序接口方式实时从外部数据源获取或交换数据；[0040]数据包：指通过数据文件形式一次性或周期性获取并导入数据。[0041]如图5所示，所述信贷风险防范大数据需求包括信用风险防范、市场风险防范、流动性风险防范、操作风险防范、法律风险防范、道德风险防范，市场风险防范根据宏观行业数据和新闻舆论数据获取，信用风险防范包括还款意愿评估(品质)、还款能力评估(能力)、资本财富评价(资本)、环境评价(条件)和约束(抵押)。[0042]所述流动性风险防范包括对资产负债、投资相关数据的评估，以及对金融交易市场行情交易数据的评估，操作风险防范包括对内部规章制度、操作规范数据的评估防范，以及对风险事件、操作行为轨迹数据的评估防范，法律风险防范包括对相关法律文件和媒体报道的评估，道德风险防范包括对欺诈事件、外部黑名单负面清单数据，同业业务数据和身份特征数据的评估和防范。[0043]如图6所示，所述信贷大数据风控模型体系包括风险量化、风险定价、业务监测统计、风控规则和客户管理，其中，风险量化包括信用评价、操作风险量化模型和市场风险量化模型，风险定价主要为信用风险定价模型，业务监测统计包括欺诈监控模型、预期迁徙模型、Vintage风险爆发模型、回收率模型和损失率滚动模型，风控规则包括贝叶斯专家评审模型和人工智能深度学习模型，客户管理包括客户价值管理模型和客户细分模型。[0044]如图7所示，所述风控业务规则体系包括注册申请、身份验证、爬虫抓取、征信评价、文档检查、人工电核、人工反欺诈、人工信审、贷后管理和财务管理，其中注册申请需要遵循客户基本信息规则、还款能力规则、行为过滤规则、政策过滤规则和联系人信息规则，身份验证需要遵循身份校验规则、银行卡校验规则和外部黑名单规则，爬虫抓取需要遵循淘宝数据规则、京东数据规则、电信数据规则、移动数据规则、联通数据规则、社保数据规则和公积金数据规则。

5

CN 110648217 A[0045]

说　明　书

4/4页

所述征信评价需要遵循PBDC数据规则，文档检测需要遵循文档检验规则，人供电

核需要遵循电话核查规则，人工反欺诈需要遵循反欺诈提示规则，人工信审需要遵循终审规则，贷后管理需要遵循催收规则、预警干预规则和承诺还款规则，财务管理需要遵循流动性预警规则、贷款分级管理规则和拨备计划规则。

[0046]上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

6

CN 110648217 A

说　明　书　附　图

1/5页

图1

7

CN 110648217 A

说　明　书　附　图

2/5页

图2

8

CN 110648217 A

说　明　书　附　图

3/5页

图3

图4

9

CN 110648217 A

说　明　书　附　图

4/5页

图5

10

CN 110648217 A

说　明　书　附　图

5/5页

图6

图7

11