🏦 银行 🏢 风险管理部 🔍 智能问数

风控问数：风险报告从每周出变成随时问

风险管理部门智能问数应用实践

一、案例价值

在引入UINO数据智能引擎之前，风险管理部门每周制作一份行业风险分析报告。这份报告需要科技部从信贷系统、风险管理系统、财务核算系统三个独立系统中提取数据，人工核对口径后汇总制作，前后需要约五个工作日。等报告送到风控主管手上时，数据已经是一周前的状态，对于快速变化的市场环境而言，参考价值大打折扣。

风控主管有一次在季度经营分析会前两小时，临时需要知道"当前对公贷款不良率最高的前五个行业"，但报告要两天后才出，数据是上周的。无奈只能用经验判断，会后被分管行长点名批评数据支撑不足。类似场景在日常经营中频繁发生，风控团队长期处于"想查查不到、想用用不上"的被动状态。

现在，风控主管在问数平台上输入这句话，系统30秒内返回结果，并附带各行业的贷款余额、不良金额、不良率环比变化趋势。风险报告从每周出变成随时问。问数平台上线后，风控团队将原本用于制作固定报表的时间转而投入到风险分析与处置工作中，人均效能提升超过40%。更重要的是，风控主管可以在任何需要的时候获得最新的风险数据支撑，决策质量显著提升。

30秒

问数响应时间

40%+

人均效能提升

实时

风险数据可获取性

5天→0

报告等待时长归零

二、技术路径

第一步：三系统联邦数据接入。 UINO引擎对接信贷管理系统（CMIS）、风险管理系统（CRMS）、财务核算系统（FCMS）三个数据源。三个系统各有一半字段重叠，数据标准不统一：信贷系统以合同为主体记录行业信息，风险系统以客户为维度统计不良，财务系统则以科目核算为基础记录资产质量。引擎通过联邦SQL，在不移动数据物理位置的前提下，实现跨系统联合查询。

第二步：行业与不良率本体建模。 这是本案例的核心技术环节。行业本体需要整合三个来源的行业分类标准：信贷系统使用国民经济行业分类（GB/T 4754），风险系统使用银保监会的监管分类，财务系统使用会计科目分类。这三套标准互相之间并不完全对应，例如"医药制造业"在GB/T 4754中是一个类别，但在监管分类中可能被归入"医疗健康"大类。在本体建模时，UINO为每套标准建立映射表，以GB/T 4754为主干，其他两套向主干对齐。

不良率本体的建模更具挑战性。不良率的计算涉及"不良贷款"和"贷款总额"两个指标，但这两个指标在三个系统中的定义各不相同。信贷系统以五级分类中后三类（次级、可疑、损失）为不良贷款，风险系统以监管报送口径为准，财务系统则以会计核算中计提减值准备的贷款为不良。UINO通过本体语义层，将这三个口径统一为"不良率=不良贷款本金/贷款本金总额"，并在查询时根据用户选用的口径体系自动切换计算方式。

第三步：多指标关联语义与部门权限过滤。 "不良率最高的前五个行业"这一问数语句，经过语义解析后，引擎会执行以下步骤：首先按行业分组汇总不良贷款本金和贷款本金总额；然后计算不良率并降序排列；最后根据风控主管的部门权限，过滤出其授权范围内的数据。对于跨部门协作场景（如总行风控部查看全行数据、分支行风控查看属地数据），权限过滤规则由引擎自动适配。

联邦SQL三系统融合行业口径映射不良率语义统一多指标关联语义部门权限动态过滤

三、过程难点

难点一：行业分类口径历史版本多，跨期数据不可比

GB/T 4754标准在2011年和2017年经历了两次重大修订，行业类别从20个门类扩展到21个，部分行业归属发生了变化。例如"融资担保公司"在2011版中属于"租赁和商务服务业"，在2017版中划归到"金融业"。如果直接用当前行业分类统计历史数据，会出现行业归类的"穿越"问题，导致跨期对比失真。

解决方案：行业历史版本快照与口径溯源

UINO引擎为每个行业分类标准建立版本快照库，每笔贷款在入账时记录当时的行业分类版本号。问数平台在执行跨期对比查询时，自动识别每笔数据所属的历史版本，并通过映射表将历史行业类别换算为当前口径。同时在结果中标注"已按当前口径标准化处理"，确保跨期数据可比。

难点二：不良数据在人行报送口径与内部数据中口径不一致

人行征信报送和内部风险管理对"不良"的标准存在差异：人行口径以五级分类中"次级、可疑、损失"为不良，但部分银行贷款在五级分类中处于"关注"状态时，就已经出现了实质性风险（人行称之为"偏离度"）。内部系统记录的是监管检查调整后的最终认定，而人行报送数据是银行自主分类的结果。两者数据往往相差5%-15%，直接混用会导致风险误判。

解决方案：双轨不良率并行与偏差告警机制

引擎建立两套不良率计算体系：监管报送口径不良率和内部认定口径不良率。问数平台默认返回内部认定口径，并在结果页标注与监管报送口径的偏差值。当偏差超过预设阈值（如超过3个百分点）时，系统自动弹出告警，提示风控人员关注口径差异原因，必要时可切换查看两套数据。

难点三：行业分布数据分散在多个系统，需要关联整合才能使用

一笔对公贷款的行业信息同时存在于信贷系统和风险系统中，但两个系统对"行业"的定义字段不同，关联匹配依赖合同号和客户号进行。关联失败率约为8%，导致部分贷款的行业归属无法确定，在行业维度的统计分析中出现数据缺失。

解决方案：基于客户主体关联的行业归因规则

建立"客户—行业—贷款"三层关联模型，以客户为主体进行行业归因。信贷系统的合同层面行业信息作为主数据源，缺失时回退至客户层面的行业属性，仍缺失时标记为"行业待确认"，不参与行业维度统计但纳入贷款总额汇总，确保数据完整性不因关联失败而损失。

🎯 典型问数示例

当前对公贷款不良率最高的前五个行业是哪些？

返回结果：不良率排名前五的行业为：① 住宿餐饮业（不良率6.8%，较上月上升1.2pp）；② 批发零售业（不良率5.2%，较上月上升0.6pp）；③ 交通运输业（不良率3.9%，较上月持平）；④ 制造业（不良率3.1%，较上月下降0.4pp）；⑤ 房地产（不良率2.7%，较上月上升0.3pp）。全行对公不良率1.98%，建议重点关注住宿餐饮和批发零售两个行业的客户分层管理。