同盾科技：智能风险控制管理引领者 ——人工智能在传统银行业的应用 | ZIFA观察
随着技术的快速发展和商业社会的变革，人工智能已经深度渗透到金融领域的核心场景，使得银行革新了对客户价值的认知、创新了服务流程、降低风险控制成本，拓展了金融服务的边界，未来甚至会引发企业文化、组织管理以及体制方面的重要改革。
人工智能（ArtificialIntelligence，AI）近年来不断引起人们的广泛关注，2016年Google的AlphaGo战胜韩国棋手李世石更是引发人工智能热潮，进而引爆了一场人工智能商业化革命。随着人工智能技术的日趋成熟，这一轮人工智能大潮或许会对各行各业产生巨大影响。作为数字化程度最高、IT应用最广泛的领域之一，银行为人工智能创造了应用环境。传统银行的业务一般是基于线下模式来开展的，缺少线上业务运营的经验，而随着银行业务逐渐线上化发展，其相应的风险控制经验和能力显得不足，与此同时各类金融科技企业如同盾科技通过新兴技术，如人工智能、大数据、云计算可以对多维度客户数据进行处理，理解和预测不同客户的行为和需求，为他们提供个性化的服务。对于银行业而言，金融科技企业在产品与服务创新、运营效率与客户体验方面的优势明显，银行与金融科技企业的合作成为发展趋势。
同盾科技介绍
同盾科技成立于2013年，总部位于浙江杭州，是国内专业的第三方智能风险管理服务提供商。自创立以来，同盾致力于构建智能诚信网络，将人工智能与风险管理深度结合，为非银行信贷、银行、保险、汽车金融、小微企业、基金理财、三方支付、航旅、电商、O2O、游戏、社交平台、直播等多个行业客户提供高效智能的风险管理整体解决方案。
1. 1 智能风控
智能风控借助人工智能、大数据、云计算、物联网等技术的相互融合，构建风控模型，提供一种贯穿事前预警与反欺诈、事中监控和事后分析全业务流程的风控手段。随着新技术向全场景的渗透，将重塑金融机构前、中、后台的工作模式，比如解决银行信贷业务中的交易欺诈、信贷全生命周期风险管理，以及进行客户价值分析。
传统的面向个人的风控体系主要以央行征信报告为主要数据源，用历史信用记录反映未来的信用水平，预测判断借款人的违约风险，对那些缺乏历史借贷数据的借款人无法进行信用风险评估，以及由于缺乏时效性数据的输入，其风控模型使用的往往是滞后数据；面向企业的风控策略则主要是看重质押，由于中小微企业数据薄弱，既没有可靠的财务报表，也没有足够的可供抵押资产，因此银行往往不愿为小微企业付出高昂调查审核成本，承担坏账风险。整体而言，传统的风控模式更偏向于线下，渠道较为单一，网点服务受地理半径限制，在触达率、效率等方面都面临困境。
随着科技的发展，技术的革新与应用给银行业带来了客户需求以及业务模式等各方面的变化，传统金融的业务拓展和风控管理方式都遭遇了较大挑战，比如，如何更有效识别并缓解风险、提供更高效迅速的业务支持、满足客户的需求，为决策制定更科学有效的支持，更充分应对监管的期望与变化等。
1.2 同盾科技发展历程
同盾科技的创始人之一蒋韬曾在阿里担任技术高管，彼时的他希望将人工智能、大数据、云计算等技术与业务场景深度结合，构建一个从云到端一体化的智能风控生态系统，为企业和银行建造一个坚实的堡垒，来抵御欺诈、防范风险。在此背景下，同盾科技诞生，并逐步发展为智能风控领域的独角兽企业。
同盾科技的发展可以分为三个主要阶段。第一阶段是摸索期，2013年10月公司成立之初只有几名员工，主要业务是帮助客户开发软件、写代码，常常要驻扎在客户公司，比较艰苦；第二阶段是起步期，2014年3月，同盾科技推出第一款产品，但是由于早期与客户之间并未建立信任关系，客户交付数据的意愿不够，并且产品的模型还未得到充分验证，效果不是特别好，所以业务开展主要依托以往客户和朋友的支持，以免费使用居多；第三阶段是快速发展期，从2015年初发展至今，同盾科技的发展态势越来越好，目前服务3000家以上客户，实现6大国有银行、12家股份制银行、6大财产保险公司、24家持牌消费金融公司全覆盖。融资方面，同盾科技目前已获得六轮共计近3亿美元融资。
表1 同盾科技融资历程
同盾科技的业务发展也逐步获得行业及政府的认可，在2019年获得亚洲银行家“年度风险数据与分析技术实施大奖”；在行业内成为中国互联网金融协会常务理事会员、信用建设专业委员会委员中国金融科技50人论坛常务理事单位；政府关系方面同盾科技入围首批国家信用体系建设单位、入选浙江省第二批行业云应用示范平台。综合来看，同盾科技未来发展趋势向好。
1.3 核心优势及能力
智能分析即服务（AaaS）平台
利用人工智能和大数据技术，同盾打造“智能分析即服务”平台，即AaaS（Analysis as a Service）。区别于传统的IaaS（Infrastructure as a Service，基础设施即服务）、PaaS（Platform as a Service，平台即服务）和SaaS（Software as a Service，软件即服务），AaaS可以根据金融机构的业务需求，在包括营销、风险控制、投资和运营等多种细分金融场景中提供基于智能算法模型的分析服务，为金融机构赋能，助力金融机构提升其核心竞争力。比如，基于其自身技术和算法优势，同盾科技可以在信贷风险控制以及反欺诈的不同场景发挥“防火墙”功能，同盾的设备指纹技术可以通过在某个行业的一次诈骗行为，追踪到行为背后的终端，此后在同一终端即便使用不同的身份、账号、网站，所有恶意行为也都会被发现，并被严密防控，避免二次诈骗。
自动演化模型
在算法方面，同盾科技可以在200毫秒内对个人风险作出判断，并且完全自动化执行。传统的建模团队在做模型的过程中，发现模型效果有衰减，重新拿数据训练后重新上线模型，该过程要经过三个月甚至更长的时间，而在此期间风险导致的损失无法避免。相比之下，同盾科技的自动演化模型，从发现模型衰减、启动自动训练到重新上线的过程，根据交易场景的不同，大幅缩短为数小时至数十分钟之内，能够帮助金融机构提前止损。
新技术在银行业的应用
1. 智能营销业务
传统业务的痛点
传统的金融营销渠道主要以实体网点、电话短信、地推沙龙等方式将金融相关产品销售给潜在客户。根据我们的日常体验，这样的营销方式对于市场需求的把握不够精准，客户容易产生抵触情绪，同时标准化的产品以群发的方式进行推送也无法满足不同人群的需要。
新技术优势
智能营销相较于传统营销模式，具有时效性强、精准性高、关联性大、性价比高、个性化强的特点。
智能营销主要借助人工智能和大数据等新技术，通过收集客户交易、消费、网络浏览等行为数据，构建丰富多维的用户画像，利用深度学习相关算法进行模型构建，帮助金融机构获得更多渠道、人员、产品、客户的有效信息，为消费者提供千人千面、个性化与精准化的营销服务。比如，银行可以根据用户画像不同属性，为不同行为特征的用户设计匹配的触达渠道，例如短信、APP消息推送、APP入口展示等。
因此，智能营销是挖掘用户潜在信贷需求、实现用户转化的有效手段。银行通过积累金融客户与消费者的信息，识别可触达、可识别、最终可授信的客户。在此基础上构建响应模型，使得具有针对性的营销信息在合适的时机精准触达用户，实现高效的新客获取与老客激活，降低获客成本。比如同盾科技在2017年完成的以5,000名房贷客户为样本的，覆盖其贷款前6个月至贷款后6个月的消费行为测试中，发现新房贷按揭客户在房贷放款后一周至六个月期间，对于消费信贷的需求出现了163%的增长。于是就可以得出，在此期间，这些客户对于半年到一年循环授信的响应率会大幅提高，为营销提供指导。
总体来说，基于新技术的智能营销将风险管理前置，提升了整体效益；同时，通过控制推送渠道范围，适度减少推送频率，将进一步优化客户的营销体验。
实际应用：沉默用户激活模型
智能营销在实际中的应用，最直观的是通过人工智能技术，银行能够为客户提供个性化与精准化的智能营销服务。以同盾科技为银行客户提供的沉默用户激活模型为例，
该银行提供注册未申请的沉默用户，使用沉默激活模型对客群进行分层，通过外呼的方式评估不同评分、活跃度下的响应率、成功率和批核率。
表2 沉默激活模型下不同客群评估情况
图3 沉默激活模型下不同客群评估情况
首先通过沉默激活模型对客户进行分层处理，共10层。使用电话营销后，用户沉默激活模型评分越高的客户，其用户响应率逐步上升，银行批核率保持平稳，而营销成功率则较快上升。从近期活跃用户与近期非活跃用户的营销效果对比分析来看，相对于近期非活跃用户，近期活跃用户的响应率和成功率平均高出3倍左右，而批核率保持相对平稳。根据此量化分析，可以得出针对活跃用户的营销将更具成本效益。
2.2 智能反欺诈服务
线上业务的反欺诈挑战
随着网络金融业务的蓬勃发展，网络风险随之产生，银行正面临着更加丰富的欺诈手段与多样的欺诈场景，如渠道推广环节的虚假刷量风险，注册登录环节的拖库撞库风险，营销环节的薅羊毛风险，交易支付环节的盗卡盗刷风险等。这些风险会影响用户体验，更严重的则是银行可能遭遇资金损失、违反监管、商业信息泄漏、失去用户的信任。以直销银行线上业务面临的最大风险即账户安全为例，在注册场景，营销推广期间黑产作弊形势严峻。根据《账户安全保护行业报告（2018）》，非正常用户注册占比高达42%-46%；在登录场景上，撞库风险的比例虽低于注册端，但客户账号一旦被突破，暴露在黑产面前的将是客户的大量金融数据，甚至可以直接在客户本人不知情的情况下办理金融业务、信贷业务，导致客户资金损失。
智能反欺诈工具
人工智能以数据为核心，通过基于技术和算法的平台，将数据价值挖掘出来，赋能于各个金融业务场景之中，横向拓展行业应用，纵向发掘服务深度，目前已在金融行业的智能营销、智能反欺诈和全流程业务风控中广泛应用。
（1）设备指纹：设备指纹技术是证明设备唯一性的在线追踪技术，因此利用其唯一性的特征可以追踪设备风险，如识别代理、识别高危名单等。设备指纹技术分三个部分：识别异常环境、对设备的唯一和稳定的标示能力；构建设备的行为画像，形成可碰撞的数据库。
（2）人机识别：互联网上的大规模欺诈攻击事件绝大部分来自于机器行为，例如虚假注册、登陆撞库、薅羊毛、刷单刷量、爬虫等。人机识别的重点在于通过采集各类点击行为数据、滑动轨迹、设备运行环境配合背后的智能模型，区分机器行为和真人行为。
（3）IP画像和用户行为画像：IP画像技术是针对IP行为的描述，可以应用多个场景，如注册、登录、交易、支付、私信、弹幕等。在信贷贷前、贷中、贷后催收多个场景中，通过IP画像报告可以输出网络风险评分，配合IP历史上的所有负面行为及IP信息，结合行为地址信息，精确识别IP的活动区域，再结合时间维度，可以挖掘的信息如安全威胁、代理检测等，为银行业务开展提供风险保障。用户行为画像对一个人的刻画不仅仅依靠银行内部数据，还会纳入多纬度的外部数据，例如互联网行为、出行偏好等，通过充分利用客户沉淀的海量行为数据和借贷数据，并结合外部独有数据，通过智能分析对客户行为进行风险建模，实现对客户异常行为进行风险预警和交易干预。
（4）关系网络：针对复杂对象的关联关系可以进行非线性建模，由节点和节点之间错综复杂的关系构成拓扑网络结构，从全局的网络角度，分析团伙作案的概率，针对可疑风险对象进行层层挖掘，识别个体显示正常但是属于团伙欺诈的行为，并抓取全链路的行为特征和风险。通过构建人、账户、手机号、设备、地址、POS机、IP、邮箱、企业法人、企业控股子公司、企业投资等关联网络，经过动态社区发现，通过算法进行图挖掘，识别账户及关联账户的异常交易，关系网络这一工具不仅能根据已列入黑名单的关联账户群组及生态圈，而且可以基于异常关系网络分析，识别新生成的欺诈团伙和作案手段。
全生命周期反欺诈
为了有效识别欺诈行为，同盾科技为银行客户构建全生命周期闭环的反欺诈体系，事前进行风险的提前发现布控，事中及时阻断拦截，事后回顾分析加固防控体系。
（1）事前识别
事前阶段以数据收集和准备为主。如果银行能提前预知欺诈分子将在哪里发起攻击、采用什么手段攻击，就能做到提前布防。为了实现这点，同盾科技从大量的黑产论坛、网站、即时通讯群中自动获取欺诈信息，通过分词、实体识别、语义理解等技术提炼有用的攻击情报。同盾科技提供的智能风控服务还可以在事前通过各种工具、技术去尽可能多的获取交易信息，例如设备信息、行为信息、操作信息等。此外，还需要构建名单库和风险画像，为事中的快速决策提供支持。
（2）事中决策
事中阶段主要是将前期采集到的各类数据和构建的画像、名单库，结合风控模型进行决策，判断当前行为是否存在风险，对风险事件进行实时阻断，避免损失。
（3）事后处置
事后阶段主要是对风险事件进行分析、处置和沉淀，反哺欺诈识别策略和技术，丰富名单库，调整优化规则、模型，形成风险管理闭环。
实际应用：智能交易反欺诈
同盾科技提供的服务可以帮助银行在注册、提现、绑卡、充值等场景，通过设备指纹、IP画像及决策引擎等反欺诈技术的应用，综合运用黑名单、规则模型等，实现对虚假注册、薅羊毛等风险的防控。其中，在注册环节防范虚假注册、恶意注册；在提现、绑卡环节对用户资金安全进行保护，在充值环节对薅羊毛进行防控；在修改环节对用户账户安全进行保护，防止关键信息被欺诈分子篡改导致损失。风控规则主要围绕设备、IP和时间三个维度制定，包括近百条规则，命中数量最多的规则是代理IP、设备标识获取异常、设备短时间内注册次数过多。
2.3 信贷全流程智能风控
在构建了安全的线上业务环境后，在信贷全流程业务周期中，需要通过大数据采集、建模、分析与应用，借助生物识别、机器学习、复杂网络、智能语音交互等人工智能技术，从多维度、多层次分析用户风险特征，对业务申请、授信调查、审查审批、放款审核、贷后监控、逾期管理等环节的风险进行识别防控，有效控制潜在风险，避免潜在损失。
贷前反欺诈
在整个信贷流程中，如何在贷前审核环节快速准确识别欺诈风险，确保是真实的申请人提交了真实的申请资料，将欺诈主体拒之门外，是业务的重中之重。
从欺诈主体来看，可以分为第一方欺诈、第二方欺诈、第三方欺诈。第一方欺诈，主要是申请贷款本人恶意骗贷、还款意愿极低、拒绝还款等；第二方欺诈是指内部欺诈或内外勾结；而第三方欺诈主要是盗用冒用他人身份、他人账号以及团伙欺诈等。其中，团伙欺诈已形成一个黑色产业链，黑中介通过购买个人信息、与客户联合等手段进行欺诈。反欺诈手段也经历了不断的演进优化，从最原始的人工检测、信息核验到后来的黑白名单、规则引擎、有监督学习，再到现在的无监督学习，各种方式的内涵也在发生变化。
（1）人脸识别
在贷前审核阶段，同盾科技可以帮助银行借助于人脸识别技术，运用摄像头采集含有人脸的图像或视频流，自动在图像中检测和跟踪人脸，人脸检测、人脸对比、活体检测生物特征，从而进行身份认证，确保本人申请，防范虚假申请骗贷。
（2）信息核验
贷前审核可以通过核验、查询、客户价值分析、消费行为评估各个维度进行全方位的信息核验，深度挖掘潜在风险，将风险前置。针对不同的业务场景、客群分布、数据和成本最优需求，银行可以综合分析借款人的还款意愿和还款能力，公安信息、工商信息、手机信息及地址服务能够对用户提交的信息进行交叉验证，而经济能力类的信息则有助于对用户进行还款能力的评估。
（3）风险名单
风险名单是指已经出现过风险行为事实或风险行为发生概率很高的名单，命中概率低但风险程度高，可以有效防范风险。比如通过提前获得一批虚假手机号码，就可以在黑产进行注册时及时进行拦截。一般将风险名单库分为四大类，分别是风险名单、关注名单、欺诈团伙名单和多平台信贷特征，可以运用在不同的场景中，结合大数据技术则可以跨行业积累更多更丰富维度风险名单信息。
（4）智能信审
人工智能技术可以根据应用场景智能定制化问卷，通过智能或语音交互审核，在人工审核问答环节让申请者提供更多信息，并能通过客户信息与问卷信息对申请者进行二次确认，从而评估出信息差距，最终给人工审核提供建议，实现对客户风险的定制化筛选。
实际应用方面，同盾科技提供的服务可以为银行在获客阶段、初审阶段及自动审批决策阶段提供智能化的解决方案。银行通过同盾科技提供的信息核验、贷前申请反欺诈规则、反欺诈模型、信用申请评分模型等，确保是客户本人申请，防范黑产、黑中介等欺诈风险，实现智能决策，提升审批效率。从结果来看，银行需要人工审批的业务申请笔数占比10%左右，90%的业务申请由人工智能支持进行自动决策，包括自动通过和自动拒绝，提升了业务效率，节省了人工成本。
贷中风控模型
贷中风控模型包括反欺诈模型、申请评分模型、授信定价模型等，银行可以借助模型进行业务审批决策、精细化定价和定额。通过数据的归集，包括传统的人行征信数据、银行内部积累数据，以及借助第三方优质数据，如运营商类数据、多头类数据、经济能力类数据等，通过多维数据得到更合适的模型，如反欺诈模型、申请评分模型、授信定价模型等，支持业务的自动化决策。
在实际应用中，同盾科技的银行客户既可借鉴外部标准评分服务作为决策辅助，同时也可以采用联合建模解决数据缺失问题。比如，在采用外部第三方机构的标准反欺诈模型的同时，采用联合建模的方式补充变量，防控欺诈风险和信用风险。从实际效果看，与外部第三方机构联合建立的信贷模型KS值达到0.45，比行业平均水平提升10%；模型稳定性PSI达到0.001，远高于行业0.1的基准水平。
贷后监控服务
银行放款后，需要周期性的对用户风险进行监控。然而贷后管理是银行传统业务模式的薄弱环节，由于人力和技术的局限，往往存在重贷轻管的现象。
借助于大数据和人工智能技术，银行可以在贷后监控阶段持续对用户的风险进行监测，包括新增借款情况、风险恶化情况、新增欺诈行为等，如果用户出现风险变化，银行可以尽早获知并关注，采用措施以控制风险。比如，银行可以对已经放款的用户，可以设计监控规则和行为评分模型，根据业务特性设定相应的频率，对新增风险进行周期性的监控；同时，可以生成风险监控报告和风险预警信号，从资产组合和单笔债项的维度分别进行风险分析和风险应对。借助于人工智能和大数据，贷后监控得以加强。
在实际应用中，智能贷后监控服务可持续扫描借款人的新增风险，帮助银行客户动态监控借款人的状况，及时发现可能不利于贷款按时归还的风险，及时采取风险化解措施。目前，同盾科技提供的相关服务已经能够实现这种预期效果：银行使用同盾科技的智能贷后监控发现借款人出现了法院执行信息的风险信号，于是在获悉后采取冻结额度等措施，及时锁定降低风险；经过持续的监测观察，客户后续确实出现了银行卡命中高风险名单、贷款违约等情况，信用状况持续恶化，银行的有效提前防范有效化解了风险。
2.4 智能催收
传统业务痛点
近年来的经济下行压力，导致不良资产呈现快速增长的状态，银行逾期率和不良率双升。
图4 2015-2019年商业银行不良贷款情况
在不良资产持续上升的情况下，目前大部分金融机构的催收方式仍停留在人工催收阶段，催收成本、质量及效率上面临着巨大的压力；同时，在银行业务的线上发展的背景下，传统的依靠人力的催收模式在新形势下面临挑战。
（1）人工催收成本高，包括工资、场地、招聘、培训等；
（2）人工催收情绪波动大，且需要对催收人员进行重复培训，专业程度难以保证；
（3）传统催收的触达率以及反馈度较低。据统计，传统催收每人每天的极限是100-200通电话，相比之下，机器产能不受限制，成本低且可以全年无休；
（4）客户敏感信息易泄露。在与客户交流的过程中，催收人员获得大量客户信息，存在信息泄露风险；
（5）人工催收一般由专人跟进，客户信息无标准化统计，难于管理，容易流失。
此外，根据2017年12月初发布的《关于规范整顿“现金贷”业务的通知》中指出，银行业金融机构与第三方机构合作开展贷款业务的，不得将授信审查、风险控制等核心业务外包，银行面临着更大的监管合规压力。
基于人工智能的逾期催收
客户画像、评分模型、智能互动工具等改变了传统人工催收的互动和决策方式，能够更轻型化地协助银行适应互联网时代高频低额的业务催收情况。
（1）基于客户画像定制不同交互策略
银行可以基于大数据平台建立客户精准画像体系和决策引擎，通过大数据精准匹配参数，根据客户各个维度和各种业务应用场景来描绘客户画像，并根据客户画像定制不同的交互策略。
（2）评分模型为逾期催收提供量化工具
同盾科技的催收评分卡通常包括账龄滚动模型和失联预测模型两类。账龄滚动模型用于预测轻度逾期人群未来进入更加严重的逾期状态的概率，主要目的是捕捉持续逾期的高风险客户，模型常用的信息包括历史征信记录、负债行为、互联网行为偏好等；失联模型用于预测逾期客群未来无法触达的概率，模型常用的信息包括基础信息，设备信息，互联网行为偏好，联系人信息，位置行为信息，金融类信息等。
（3）智能催收缓解人力资源压力
智能催收可以对催收过程和结果进行全流程管理，所有电话拨打记录，客户交互信息、客户反馈情况等完全展现、结构化储存，为大数据分析提供优质数据基础，便于进行质量控制。目前针对不同逾期阶段的客户，智能催收互动技术包括短信外呼、智能语音催收和失联修复等。
短信外呼技术一般应用于逾期前，通过智能决策和案件管理，以语音外呼或短信触达的方式将催收信息发送到目标客户，进而对结果进行报告统计分析；智能语音催收技术包括语音合成、语音识别和自然语言理解等，通过运用强大的自然语言处理引擎，依托深度学习算法，能够根据不同业务场景产出各种交互策略，使得机器像人一样和客户对话，可以节省银行传统的人工催收成本；失联触达则可以运用于长账龄逾期失联客户催收，通过复杂网络可以进行多维度数据关联分析，构建网络图谱，准确定位客户的有效联系信息。
实际应用：人工智能催收产品
智能催收技术可以针对不同账龄逾期借款人开发不同的人工智能催收产品。从实际效果看，银行客户在使用同盾科技提供的人工智能催收产品后，日均催收进件量为600笔左右，8个连续工作日的首催案件中，累积回收率平均56.04%，历史最高62.6%，与人工催缴水平相当。因此可以看出借助人工智能技术，银行极大降低了催收人力成本，提升了催收效率。
未来展望
智能风控在金融领域的应用扩展还在实践探索中，动态复杂的金融场景也会给智能风控的未来发展带来更多挑战和机遇。
3.1 金融业务智能风控解决方案的系统化发展
目前的智能风控企业如同盾科技已经凭借着自身的大数据和人工智能技术优势，在各个垂直细分领域的精耕细作，逐渐拥有相对成熟的算法和完善的系统。但尽管智能风控在各个细分领域获得了较好的效果，但分立的子系统之间缺少互动和协调。而随着关键技术的成熟，智能风控技术日趋完善，其应用也将逐步从各个垂直领域，如智能营销、智能反欺诈、智能信贷，转向提供基于金融业务全流程的系统化智能风控解决方案，这些细分领域的人工智能子系统协作有可能带来更高的效率，将这些子系统整合成一个覆盖金融业务全流程的大系统。由此，为了获得市场竞争优势，智能风控技术必然朝着针对金融业务的系统化、全流程的方向发展。
3.2 基于企业生态圈的智能风控解决方案
当前形势下，企业不断构建行业生态圈，在改善用户体验、提高用户粘性的同时，构建更高的进入壁垒，巩固自身竞争优势。企业在构建生态圈的过程中，引入金融业务对于提高服务能力、降低服务成本作用明显。由此，便会出现产业与金融的深度融合，对于智能风控领域而言，基于生态圈构建系统化智能风控解决方案，服务于产业和金融成为未来发展趋势。
在构建生态圈的过程中，行业企业、金融企业、智能风控提供商共享生态环境，相互协作，不断推进行业的数字化、信息化水平，进而实现为用户提供更好的服务，同时提升自身竞争能力和经济效益。在这个过程中，智能风控企业可以充分利用数字化水平的提高，不断验证算法、提高效率，实现智能风控技术的标准化、系统化和社会化。
3.3 社会责任与伦理道德要求
智能风控技术不断发展和成熟，其应用场景更加广泛，因此必然面临更高的社会责任和伦理道德要求。
在发展初期，智能风控技术主要是业务需求推动技术发展的演进模式，表现为只要求达到风险控制效果，提升业务效益即可。而随着智能风控技术应用场景和服务范围的不断扩大，将会对社会产生更大的影响。于是，如何更好地服务社会、是否符合道德伦理标准，是整个行业需要思考的问题，建立一整套的智能风控企业评估体系成为趋势。
文 | 朱轶凡
编辑 | 徐 婧
往期精选
田轩教授：财务、会计与企业创新的研究前沿 | ZIFA名家观点
刘星教授：智能财务人才培养目标的再思考 | ZIFA名家观点
魏明海教授：企业多模态财务相关信息融合的若干问题 | ZIFA名家观点
关注浙大ZIFA，阅读更多精彩文章！
更多精彩请关注浙大ZIFA微信公众号！
来都来了 点个赞再走吧~~~