第8章 智能风控
来源：书内印刷页 125–136；OCR PDF 页序约 136–147。书中行业数据按原书所引时点理解。
-
本章解决的问题
智能风控如何贯穿信贷全生命周期？数据、行为建模、用户画像、风险定价、第三方征信、反欺诈和催收如何协同？ -
本章的核心结论
智能风控不是对传统风险控制逻辑的简单替代，而是利用更多数据、算法和自动化补充传统模型与人工流程。其框架从数据采集和行为建模开始，经由用户画像和风险定价支持贷前、贷中、贷后管理，并延伸到欺诈识别与催收。 -
关键概念
- 行为建模：利用客户行为及业务数据建立风险识别或预测模型。
- 用户画像：组织客户特征以识别风险、理解行为并支持分层服务。
- 风险定价：依据借款人风险评估调整贷款利率、额度、期限等条件。
- 第三方征信平台：汇集或处理不同来源的信用相关信息，辅助机构进行评估。
- 基于规则的反欺诈：按专家总结的规则识别可疑行为。
- 基于用户行为的反欺诈：从历史行为数据学习模式以判断风险。
-
重要论据
- 智能风控可提升自动化和处理效率，但作者强调其与传统风控互补。
- 数据来源包括机构内部业务信息及外部信息；扩展数据维度时需要注意质量、授权和适用性。
- 反欺诈中规则与行为模型各有适用范围，组合使用可兼顾明确模式与复杂行为。
- 智能催收可依据逾期风险、回款可能和客户特征开展分群、排序及差异化策略，但需保护客户信息并控制催收合规风险。
-
具体案例
- 第三方征信应用：通过多源数据丰富信用评估维度，辅助信贷决策。
- 智能反欺诈：融合规则、行为模型和专家经验，识别个体及复杂欺诈模式。
- 智能催收：构建贷中/贷后管理、用户画像、拨号策略、催收顺序和话术建议等模型，以优化资源配置。
-
作者提出的方法
构建“采集数据—行为建模—画像—风险定价—策略执行—反馈迭代”的闭环；将规则和模型按场景组合，并针对客户分层管理贷前、贷中及贷后风险。 -
可能的隐含假设
- 外部数据来源稳定、合法，且对目标风险具有实际解释力。
- 客户历史行为可提供未来风险的有用信号。
- 自动化评分能够与人工审查、客户沟通及责任机制有效衔接。
-
与其他章节的联系
本章依赖第4章数据治理、第2和3章人工智能方法，亦为第12章智能催收、反欺诈案例提供概念框架；其数据和模型风险与第11章监管相连。 -
一句话总结
智能风控以数据和模型增强全生命周期风险管理，关键是与传统判断、业务策略和合规治理形成闭环。 -
原文依据或页码
书内印刷页 125–136：8.1 概述、8.2 技术框架、8.3 第三方征信、8.4 反欺诈、8.5 智能催收。
自测：①智能风控如何贯穿贷前、贷中、贷后？②规则模型和行为模型为何可互补？