隐私计算赋能银行助贷业务自主风控

华夏银行北京分行副行长 陈彤

华夏银行北京分行信息科技部总经理 汪秀山

洞见科技数据科学家 王湾湾

洞见科技策略分析专家 王丽波

“断直连”解决了数字平台机构自行对接个人信息数据的乱象，也开启了银行广泛使用替代数据的新周期。如何安全合规的利用通信运营商、移动互联网等外部非信贷数据，提高银行助贷业务自主风控能力，隐私计算渐成这种“既要数据流通，又要隐私安全”难题的技术最优解。

近年来，互联网消费金融发展迅速，该行业目前放款规模已超20万亿元，未来仍将以超10%的复合增长率持续增长。随着一系列规范政策性文件相继出台，使得行业运营更加规范，对从业机构也提出了更高的要求。特别是互联网金融平台，作为互联网消费金融的主要载体，已逐步转向以提供获客和提供风控初筛为主的纯助贷平台，像京东、蚂蚁、小米等依托互联网大厂的资源，拥有客户的消费行为数据，凭借流量、技术、数据等在营销获客、智能风控等方面形成天然数字化优势。由于互联网金融平台相较于银行自营客户更下沉，以中低收入、长尾客群为主，该类客群抗风险能力差，在与传统银行进行助贷合作的过程中，也十分考验传统银行的风险识别能力。

银行在助贷模式中的自主风控问题

助贷业务本质是利用数字平台（助贷机构）优势缓解传统银行的信息不对称、风控技术滞后的制约，提升资金配置效率，助推普惠金融的发展。在互联网贷款管理办法及“断直连”颁布后，银行自然遇到一系列自主风控难题。

数据成为自主风控障碍

今年以来，国内经济在疫情反复中面临较大的下行压力，有效信贷需求尤其中长期贷款需求持续低迷，但以小额、便捷、普惠为特点的互联网贷款成为有效补充，数字平台可以有效提升普惠金融服务对于“长尾人群”的供给率。然而银行等传统金融机构在进行助贷业务合作时，迫切需要通过大量数据补充客户画像标签，在风险识别、风险评估、额度定价等各个授信审批环节，准确识别高风险客户，提升信贷质量。银行所获取的客户数据维度和质量成为助贷业务发展的最大障碍。

“断直连”引发替代数据利用

人民银行于2021年7月7日发出助贷“断直连”要求，平台机构在与金融机构开展引流、助贷、联合贷等业务合作中，不得将个人主动提交的信息、平台内产生的信息或从外部获取的信息以申请信息、身份信息、基础信息、个人画像评分信息等名义直接向金融机构提供，须实现个人信息与金融机构的全面“断直连”。

为了更好地保护客户的隐私数据安全，平台无法直接输出自己沉淀的客户数据给银行，然而这些客户在银行内部的数据往往不完整，要想对客户的风险和资质有准确、全面的评估，需要外部替代数据补全客户画像，包括缴税数据、工商登记信息、涉税信息、用电数据、用水数据、奖惩数据、司法诉讼数据等非信贷替代数据。

安全合规监管要求升级

7月15日，银保监会发布《关于加强商业银行互联网贷款业务管理提升金融服务质效的通知》，细化银行自主风控要求，在强化信息数据管理部分提到，在与提供和处理个人信息的机构合作时，银行应当切实做好合作机构安全评估工作，评估内容包括但不限于个人信息保护合规制度体系、监督机制、处理信息规范、安全防护措施等。随着《数据安全法》《个人信息保护法》颁布实施，安全合规是大势所趋，也是业务开展与推广的前提。

隐私计算赋能银行自主风控

隐私计算凭借“原始数据不出域，数据可用不可见”的特性，通过将“可见的具体信息部分”保留在本地，“不可见的计算价值部分”进行开放、流通和应用，在原始数据不出私域的条件下，完成数据智能应用场景中具体规则和模型计算，由数据信息流通转换到数据智能流通，已成为解决既要数据流通又要数据安全矛盾的技术最优解。

洞见科技通过隐私计算平台为银行自主风控提供一站式、全流程解决方案，不仅可以帮助银行引入三方数据源，实现数据安全共享，而且凭借在风控场景实施经验，为银行提供风险控制策略和联邦学习建模方面的咨询服务。

隐私计算让数据价值安全释放

在数字经济时代，数据被列为最重要的生产要素之一，同时也是银行智能风控、智能营销等“数智化”转型的关键要素。一方面，因政策和市场发展层面要求，金融机构在“数智化”转型过程中，需要充分释放数据要素价值潜能。另一方面，随着《网络安全法》《数据安全法》《个人信息保护法》等法律法规相继出台，金融机构在数据安全、隐私保护方面的行业监管日趋严格。

在此背景下，如何在兼顾数据安全与隐私保护的同时，实现数据智能的落地应用，成为业界普遍难题。采用隐私计算方式，可以实现“数据可用不可见”，因为不暴露原始数据、保留控制权，所以数据开放程度更高，释放的数据价值更充分。

隐私计算赋能贷前、贷中、贷后全流程风险管理

风控是金融业务的核心。通过补充三方数据可以提升模型性能，有效降低违约概率，提升信贷业务的差异化和精细化管理。基于隐私安全计算平台，能够在金融机构与外部机构之间构建安全可控的数据协作通道，在原始数据不出库的前提下，使用金融机构内部客户数据和外部合作数据联合构建风控模型，并基于模型进行实时预测，包括但不限于反欺诈、申请准入、信用额度、利率定价、贷中预警、贷后催收等贯穿贷前、贷中、贷后的风险管理全部流程。

在贷前场景，银行可以结合多头借贷、黑名单、团伙欺诈、APP使用行为等数据进行联邦学习建模。通过模型结果进行综合判断，精准识别潜在的欺诈客户、履约风险较高的客户并进行排除。通过社保、公积金、有房有车等数据推断客户的收入和资产，辅助银行进行额度定价。

在贷中管理阶段，银行可以结合客户贷中行为数据以及外部三方数据构建风险预警规则和模型，对高风险人群进行预警并采取相应措施。

在贷后催收阶段，银行可以结合贷后催收模型结果，对待催收案件进行分案处理，并针对不同的分案情况匹配差异化的催收策略，提高催收效率。

隐私计算在银行助贷业务

风控场景应用案例

以隐私计算在华夏银行北京分行助贷业务反欺诈场景应用为例，为降低行内互联网渠道消费贷产品的贷前风险，提高自主风控能力，在获得客户授权的情况下，洞见科技协助华夏银行北京分行通过隐私计算的方式，安全引入维度丰富的外部数据，联合构建贷前反欺诈模型，取得非常好的融合模型效果（KS 0.43、AUC 0.78，较单个子模型效果提升高达30%），极大提高了对欺诈客户的精准识别能力和风险筛查能力，保护了信贷资产（如图所示）。

贷前反欺诈模型结果示意图

隐私计算在消费金融场景应用展望

隐私计算在金融场景的应用除了全流程的风险管理之外，实践最多的就是客户经营场景，客户经营又分为营销拓新和存客经营两个场景。特别是营销拓新场景，一方面与带场景的渠道方进行助贷合作，由于场景方自带流量，所以获客成本低；另一方面是无场景产品主要依赖线下中介或银行员工地推、广告投放、手机APP等渠道获客，获客效率低、成本高。

下面介绍隐私计算在信贷产品广告投放拓新和银行存量客户经营两个场景中的应用展望。

1. 广告投放拓新。

通过隐私计算平台与头部流量平台进行联邦学习建模，细化广告投放转化漏斗，从“曝光—点击—注册—申请—授信—用信”各个环节，通过联邦学习建模进行优化，识别高意向人群，提高客户转化率，降低获客成本。通过引入外部客户价值识别数据，在广告竞价阶段，进行差异化出价，利用隐私求交对意向高且价值高的客户提供高层次产品服务。

2. 存量经营。

基于隐私计算平台，协助银行开展助贷业务转自营，从历史合作的助贷业务中，利用隐私计算将存量客户中高价值且低风险客户转化为自营贷客户。通过联邦学习构建贷中评分模型，给存量客户调额，对评分较高的优质客户进行提额，评分较低的劣质客户进行降额或冻结。对注册未完件/睡眠客户激活，通过隐私计算技术识别注册未完件客户或者睡眠客户的借贷意向，对有借贷意向的客户进行二次营销激活。

《金融电子化》简介

《金融电子化》创刊于1993年，是中国人民银行主管，中国金融电子化公司主办，中国银行业监督管理委员会、中国证券监督管理委员会、中国保险监督管理委员会、国家外汇管理局、中国工商银行、中国农业银行、中国银行、中国建设银行、交通银行及其他商业银行、证券公司、证券公司、保险公司等金融机构协办，是我国金融信息科技类主导期刊。

附《金融电子化》正文页：