商业银行是信息系统应用最广泛的领域之一，走过数据大集中阶段和全球化扩张阶段的国内外商业银行，正在经历以大数据和人工智能为主要驱动的新一轮新技术改造洗礼。多渠道自动获客、多维度客户画像、模型化自动审批、大数据智能决策、前瞻性风险预测管理等领域是商业银行人工智能的热点领域。如何更有效地从多渠道获取内外部数据信息，如何巧妙设计用于自动判断的规则和模型，如何提升系统灵活性和适应性，如何减少人工训练模型带来的额外支出，怎么样才能做到新老系统间的无缝衔接，如何确保数据安全，是智能化时代银行信息科技从业人员面临的新课题。

  本文基于国内大型银行信息科技领域长期从业人员的视角，对大数据时代商业银行智能分析系统来进行研究：一是梳理适用于商业银行的主要AI领域；二是从数据和IT系统两方面提出商业银行引入人工智能面临的主要挑战；三是提出处理问题的基本思路以及目前应用于商业银行智能管理的主要技术。本文跳出了学术界针对单一问题讨论具体算法的思维模式，基于银行总部从业人员视角，以解决实践问题为目标，构建商业银行智能分析信息系统架构，为读者搭建“概念—理论—实践”间的桥梁，具备极其重大的理论和实践意义。

  客户、产品是商业银行的两大管理维度，风险管理隐含其中，大数据智能分析主要围绕上述领域展开。

  拥有优质、稳定的客户资源是商业银行重要的核心竞争力，在产品同质化、竞争白热化的时代，如何更有效地获取新增客户是银行客户营销部门的业务重点。传统逐客户营销、尽调的业务模式已不足以满足低成本批量获客的新要求，基于大数据分析的智能获客手段是商业银行的必然选择。

  获客渠道拓展和客户画像能力是商业银行核心竞争力的体现。从数据获取的角度来看：传统尽调渠道获客成本最高，但由于其能逐一核实客户信息，数据最可靠，风险相比来说较低；通过供应链合作、代发工资、委托贷款等渠道获客，银行可以基本掌握客户的财务收支情况，具有稳定的数据获取通道，风险相对可控；通过购物网站、金融服务网站等互联网合作企业获客，因只能获得评价客户的间接数据，且客户质量依赖于合作机构（网站）自身的风险管控能力，风险相对较大。

  为有效控制客户风险，银行要建立客户画像信息系统，使用规则和模型对个人客户、法人客户、合作机构画像，进而对客户特征和风险情况做初判，以此为参考设定客户准入的业务领域和业务限额，建立客户准入黑白名单。客户画像系统的总体架构如图1。

  规则是判断客户特征的高效画像方式，如“有稳定家庭和收入的男性客户”的画像标签，可通过客户信息中的“婚否”“平均月收入”“性别”等字段通过规则加工判断得出。模型则是通过对海量历史数据分析得出的客户风险评价与基础信息间的隐秘联系，要专业数据分析师介入。AI系统可以自动训练模型，随着使用频率的增高，应用新数据自动调整模型参数。

  传统的信贷业务审批需要经过调查、审查、审批等多个环节，调查取证困难，审查法律文件繁多，审批须经多层复核、上会决策，资料多、流程长、成本高，一般适用于高额低频信贷业务。在竞争非常激烈的商业银行领域，大规模的公司客户早已被瓜分完毕，客户拓展难度大，小微企业和普惠金融领域才是商业银行业务扩展的蓝海。

  如何应用大数据自动审批技术做到尽调成本、审批效率、贷款质量间的平衡，是近年来商业银行的风险管理重点。为提高风险判断的准确性，除客户提供的一手数据信息外，商业银行可以灵活运用购物数据、供应链数据、水电等公共资源使用数据、公安部失信数据等第三方数据信息进行校验；结合客户所在地区、行业，使用内外部数据来进行分组评价；与专业押品处置机构合作，拓展押品种类作为风险缓释，通过多种渠道对客户和业务情况做出间接评价。商业银行智能审批系统的智能分析逻辑架构如图2。

  3.风险管理和智能辅助维度情景分析和跨市场风险管理是近年来商业银行主要的风险管理创新领域。

  情景分析是应用海量历史数据对未来的不利情景进行预测，如设定未来一年出现宏观经济危机，利率大幅度波动，房价快速下跌等风险情景，并预测商业银行在上述情景下的收入和损失情况。在情景设定和经营预测过程中要使用到大量数据，构建复杂的预测模型，为能满足上述要求，商业银行的信息系统要从流程控制转向模型预测和人工智能分析及对未来的预测。

  随着监督管理的机构对资产管理业务交叉性、输入性风险的持续关注，跨金融市场风险管理成为商业银行面临的重大挑战。商业银行需要从证券市场、托管行、第三方数据供应商以及基金公司、证券公司、信托公司等合作机构处，多渠道获取银行理财业务的底层投资穿透数据，理清投资链条，关注主要金融市场，应用爬网技术自动获取风险信息，建立风险事件知识图谱，评估各类风险事件对本行业务的影响。逻辑架构如图3。

  大数据和人工智能在为商业银行的业务拓展、风险管理带来便利的同时，也给商业银行的管理团队带来前所未有的挑战。

  2013年1月，巴塞尔委员会发布《有效风险数据加总和风险报告原则》，14条原则中的4条对风险数据汇总能力做出要求，商业银行风险数据的准确性、真实性、完整性、时限性、适应性需要满足有效数据加总要求，并要求全球系统重要性银行在2016年底前达标。但由于绝大多数银行难以满足规定的要求，预期达标时间较预计时间推迟了两年以上，可见及时、准确、真实地获取数据，并能适应各类数据加总分析需要难度巨大。

  在数据质量没办法保证的情况下，基于数据做出的判断将不可避免地出现偏差，而基于模型做出的风险评估和投资决策则更容易出现失误，造成损失。

  回归模型、神经网络模型等是AI时代常用的模型形式，但受历史数据随机变化和模型选择合理性的影响，回测验证高度拟合的模型也难以规避伪回归问题。此时应用模型，将导致模型在用于外推和预测时出现不可预知的错误，如果商业银行不能及时对模型重评和验证，则会引发模型风险。依据问题模型预测结果做出的投资决策，将不可避免地面临高额损失。

  大数据决策意味着对海量结构化数据和非结构化数据的存储和使用。大型商业银行的数据量早已由GB、TB向PB发展，且夜间批量的数据处理模式难以满足即时、高效做出商业判断的新需要，而海量数据联机处理对系统的数据处理能力提出了更加高的要求。特别是神经网络、图数据库、区块链等新技术的应用，要求信息系统的数据处理能力成倍提升，普通分布式数据处理结构已经难以满足海量数据高速处理的需要。

  商业银行的数据信息中包含大量的客户评价数据、客户账户数据。这一些数据是现实货币的数字化转换，如果出现信息泄露或关键数据被篡改，将造成巨大的社会反响，甚至影响一国金融稳定。而商业银行的数据库也是各国间谍、黑客的攻击重点，确保数据系统安全是各国商业银行不得不面对的难题，CyberRisk已成为金融监督管理领域的高频词。2018年，欧洲央行要求辖区内主要国家的商业银行、金融基础设施、别的金融机构做面向信息系统风险的专项压力测试，以鞭策金融体系逐步的提升信息系统的抗风险能力。

  对商业银行来说，大数据时代机遇与风险共存，竞争当前，没有退路，只能依靠技术的发展解决当前面临的技术难题。被动追赶新技术只是饮鸩止渴，只有主动研究和应用新技术，才能在新时代把握商机，具有跨时代意义的新技术才是解决当前顽疾的可能手段。

  2016年，阿尔法狗战胜李世石使人工智能技术成为热点，深度学习技术是设计阿尔法狗的核心技术，通过长期训练使机器具有记忆和智能，并能根据现实状况做反馈和预测。这种技术一样能用在商业银行的客户画像和智能审批中，并可基于对复杂信贷制度的学习为决策者提供辅助支持。但由于现实中金融市场的复杂度远高于抽象化的围棋规则，且模型训练需要大量专家的长期投入，深度学习技术的应用仍有待突破。

  商业银行当前的信息系统主要使用关系型数据库存储数据，这种技术的数据存储量大，批量加工效率高。但AI时代对个性化信息存储提出更高要求，由于每个客户能获取的数据信息、风险判断标签和模型运算结果不同，信息存储的表结构无法提前定义，且客户、产品、市场、风险点间的关联关系难以使用关系型数据库描述。图数据库以节点和边存储数据，摒弃了关系型数据库的表结构，且能使用PageRank、最短路径等图计算方式快速加工风险信息，并可用于建立复杂的知识图谱。在大数据、智能化时代，图数据库技术将有巨大的应用前景。

  大数据时代，数据安全和数据共享的重要性凸显，如何能安全地向目标对象共享特定数据是整个行业亟待解决的难题。传统数据接口对接的技术模式虽然能够有效控制数据共享的方式和内容，但随着金融理财产品复杂程度逐步的提升，建立全行业标准变得日渐困难，两个或多个机构间的数据接口转换将导致极为复杂的ETL转换工作。区块链技术能有效定义数据标准，并能在确保数据安全的情况下，使用公开网络环境下的共享数据，且可定义共享范围和数据使用权限，信息可查、可追溯。该技术在数据安全和共享领域必将得到普遍应用。

  （作者为中国工商银行总行风险管理部经理，曾供职于工商银行总行信息科技部，中国科学院博士后，南开大学博士，美国加州州立大学访问学者。研究领域：商业银行风险管理、商业银行信息系统机构设计）