商业银行数据应用方案.docx

商业银行数据应用方案
随着金融科技的不断发展，金融科技的发展方向已经从功能型应用 向数据型应用转变，各家商业银行都在研发数据平台，并在不断探索中 提高数据应用能力。本文设计的这套数据应用平台基于目前主流的架构, 包括业务场景梳理、数据清洗、指标库、建模平台、决策引擎、应用落 地、跟踪反馈七大模块，七大模块在运行中形成闭环，不断迭代，旨在 制定统一数据应用标准、实现银行自主建模、提升银行各部门数据应用 能力，具体如下：
业务场景是利用思维导图梳理全行数据应用的框架，清晰展示商业 银行各业务场景的明细，能帮助商业银行更加明确的规划数据应用的计 划。组织各部门的业务人员，整理所在部门的业务场景，整合全行的业 务场景标准，包括渠道、信贷、个人财富、后台等业务场景.
整理完全行的业务场景后，可整理单部门或具体一类业务场景的所 用策略.
数据清洗是数据应用的基础，也是数据治理的重要组成部分，是保 证数据质量的基础性工作。可将征信、流水、尽调表、客户信息等重要 业务数据表清洗一遍，梳理全行的数据质量。数据清洗内容主要包括（数 据清洗具体流程后续会单独介绍）：完整性：即每张表的字段是否全部 入数据平台，每张表的字段是够齐全；准确性：即每张表、字段的有效 数据、空数据和异常数据的占比；时效性：即每张表的数据是否及时入 仓；匹配率：即目标样本的数据匹配率是否达到要求。将数据清洗的结 果常态化，定期发布清洗报告，跟踪数据变化情况，为数据使用部门提 供参考。商业银行可建设全行统一的指标库，向行内提供口径统一的指 标，可用于业务规则、模型、标签等应用场景，在各部门持续使用中优 化指标库，最终建成一套完整、稳定、适用性高的指标库，指标库包括 征信、流水、存贷款日均、调查表、客户信息等维度。以个人征信指标 为例，包括个人信息、贷款信息、信用卡信息、逾期记录、担保记录、 申请记录等维度.
四、建模平台目前市面上已经有较成熟的自动化建模平台，能满足 业务人员自主建模需求，自主建模可提升商业银行建模能力，将模型核 心内容掌握在自己手里。以国内某互联网巨头开发的建模平台为例，该 平台能满足数据业务人员的建模要求，能完成评分卡、决策树、逻辑回 归、机器学习、深度学习等各类模型的自动化建模工作，在建模过程中 的指标调参灵活度不够，模型性能、模型稳定性上与传统建模有差距， KS差距在5%左右，属于可接受范围之内。在完善指标库的基础上，建 模周期可控制在1个月左右，相比传统建模3-6个月的时间大大缩短, 能实现银行快速建模、快速迭代的需求。
决策引擎是数据应用的策略部署环节和落地的关键系统，支持以“拖 拉拽”的方式实现规则、模型、策略、决策流的热部署，不再依赖代码 开发，不再等待上线窗口，主要功能包括数据源管理、规则/模型配置、 决策流配置、单笔实时调用、跑批管理等功能。业务部门把建完的模型 部署在决策引擎上并形成决策流，在相应的业务系统上调用，实现模型 决策快速落地。
模型在银行业的应用方式主要是将客户分类，例如风险模型把将来 逾期可能性高的客户分成一类（以评级低、命中风险规则等形式归类）， 营销模型把将来营销成功率高的客户分为一类（形成各类目标客户名 单）。根据各业务部门的应用需求，可设计各类数据应用落地场景，包 括贷前、贷中、贷后、营销、年审、提额、交叉销售、客户经理行为监 测等场景（应用落地后续会单独介绍）。数据平台正常运行后，需建立 完善的跟踪反馈机制，使平台不断更新迭代，更好去适应金融科技和数 据应用的不断发展，包括业务场景的补充调整、数据质量监控、指标库 补充调整建模平台功能完善、决策引擎功能完善、应用落地跟踪（模 型性能、稳定性、策略效果跟踪）等，跟踪反馈的主要流程如下所示（跟 踪反馈后续会单独介绍）：
建设数据平台的工作量非常大，非一朝一夕能建成，涉及到各部门 的相关协作，建设可分阶段进行，具体如下：阶段一：基础建设，梳理 商业银行重要的业务场景，以信贷、风控为主，进行相关数据表的清洗 并建立指标库；建模平台和决策引擎先实现基本功能，确保流程通畅。 阶段二：应用对接，以信贷、风控为场景建模，决策引擎部署落地，对 接业务流程，初期可作风险提示，不作流程强控，建立跟踪反馈机制； 继续梳理个人财富的业务场景。阶段三：全面推广，待系统功能和流程 趋于稳定后，将业务推广至商业银行主要业务场景，并完善跟踪反馈机 制，使数据平台进入稳定运用阶段：继续梳理后台应用场景。阶段四： 迭代完善，完善数据平台各流程和系统功能，使之能满足全行的数据应 用需要，最终建立一个稳定、高效、准确的数据应用平台。