北京农商银行：基于业务侧自助建模平台的模型建设和应用

来源：2025年度农村金融机构科技创新优秀案例评选

获奖单位：北京农商银行

荣获奖项：数据平台创新优秀案例

一、项目背景及目标

（一）痛点分析

随着数据驱动型业务持续深化，模型作为推动业务智能化决策的核心工具，在营销获客、风险防控、运营管理等场景中的应用不断扩大。并且随着数字化转型的发展，业务部门的建模意识在不断提升，但是数据挖掘建模过程复杂、专业性强，对业务人员门槛较高。当前我行模型建设仍存在复用性差和业务参与度不高的问题，难以支撑大规模建模需求。为了提升业务智能决策能力，将AI建模变得更加简单，更好地发挥数据价值，急需构建一套“系统化、标准化、平台化”的模型管理体系，打造统一高效的模型生产线，提升模型开发效率和质量，实现模型能力普及共享。

（二）项目意义

业务侧自助建模平台是基于我行数据湖构建的集数据准备、模型开发、模型服务于一体的全行级模型建设及分析的平台，支持机器学习、知识图谱，实现数据预处理、特征工程、算法选择、模型训练、参数优化及模型运行等功能，从而实现模型全生命周期建设及管理。

本项目是基于业务侧自助建模平台的模型管理体系建设和应用，通过建设我行业务侧自助建模平台，研究构建模型开发、验证、部署和应用的一体化管理体系，打造通用的标准化建模流水线，并以精准营销、智能风控等场景开展示范应用，探索业务部门建模自服务的可行路径，提升我行数据挖掘能力，实现数据价值，完成数据赋能，全面支持我行风控、内控、营销、信贷等业务场景建模需求，为提高我行业务风险识别能力、实现精准营销助力。同时通过业务侧自助建模平台的建设与应用，促进我行数据建模师、数据分析师等紧缺人才的培养。

二、创新点

业务侧自助建模平台，提供标准化建模流程，可快速生产模型，支持其他机构快速复用，并且提供了自动化建模、可视化拖拽式建模和Notebook编码式建模三种模型生产方式，技术门槛逐步提升，可满足不同人员的建模需求。平台的自动化和可视化建模功能，让业务人员也能快速上手，高效地完成数据预处理、特征自动生成、模型训练及效果可视化等数据建模和落地工作！

在智能风控领域，我们使用业务侧自助建模平台，建设一系列反电诈模型，形成“事前-事中-事后”全流程风险防控体系，包括事前账户分类分级模型、事中实时监测模型和准实时机器学习模型、事后反电诈机器学习模型等。通过不断学习不同类型的诈骗方式，发现受诈方或施诈方交易习惯，同时结合客户基本信息、交易信息、涉案名单等，构建基于专家经验的风险规则模型体系，设计反电诈可疑交易监测特征库，并用于训练机器学习模型，两类模型融合使用，以提升涉诈风险识别的前瞻性，提高涉诈规则模型的准确性，压降我行涉诈账户数据，降低负面舆情风险，保障业务稳健发展。

在精准营销领域，我们使用业务侧自助建模平台，建设一系列精准营销响应模型，并结合使用大模型平台、零售综合营销管理系统及一体化客服系统，实现智能化精准营销体系，突破了传统金融营销中客群定位模糊、产品推荐不精准、话术缺乏个性化的痛点，通过技术手段实现了从客户细分、智能匹配到话术生成的全流程智能化升级。通过技术创新显著提升了金融营销的效率与客户体验，展现了较高的经济效益和社会效益。契合国家“科技赋能金融”的战略导向，为金融机构在数字化转型中提供了可复制、可推广的实践经验，具有重要的创新应用价值。

三、项目技术方案

（一）业务侧自助建模平台建设

1.应用架构

业务侧自助建模平台是由数据湖、AI子系统、图谱子系统组成。

数据湖：数据湖将行内客户数据、账户数据、交易数据经过初筛后存入沙箱环境，提供hive接口让AI子系统拉取数据用于机器学习模型构建及模型预测；

AI子系统：通过配置hive数据源方式引入所需的数据湖数据，这些数据用于模型构建，方式包括自动化建模、可视化建模、编码式建模；生成的模型可以注册到模型管理功能，同时模型管理也支持纳管第三方模型；AI子系统纳管的模型会用于发起ABTEST、批量预测、模型监控、模型评估、实时服务等任务，其中批量预测、模型监控、模型评估等功能也会使用到数据湖提供的hive数据源。

图谱子系统：上线时会拉取初始数据文件、后续定时数据文件到本子系统中，并基于数据文件增量构建1年期数据的图谱，用于后续的图谱分析操作。

本项目在平台建设方面，实现了三个统一化：

一是平台统一化。平台具备“快、全、准”三大特点：“快”，建立模型快、部署对接快、参数调整快、更新迭代快；“全”，支模型种类全、数据来源全、服务渠道全；“准”，规则设置准、生成数据准、数据流向准。

二是模型统一化。通过统一模型分析与运行机制，有效解决模型重复建设、输入数据差异大、筛选结果不可复用、排查标准不一致等问题，提升模型管理的规范性与一致性。

三是管理统一化。构建模型全生命周期管理体系，涵盖需求提出、模型开发、验证评审、投产部署及后评价迭代等环节，提升模型管理的系统性和可控性。

2.技术架构

业务侧自助建模平台是在虚拟机/物理机资源基础上使用kubernetes集群搭建，承载AI系统的运行环境。在kubernetes环境中部署平台所需各项微服务、开源组件，组件包括OceanBase、TuGraph、Bcs、openjdk 1.8、TongWeb、星环等。

3.功能架构

业务侧自助建模平台的AI子系统包含了模型生命周期不同阶段的重点功能，主要包括数据管理模块、AI建模模块、模型服务模块（包含模型管理功能）、基础管理模块等。首先是数据管理功能模块，支持多种数据导入方式，管理我们的数据集，并支持数据质量分析，为建模做好数据准备。其次是AI建模功能模块，支持三种建模方式，自动化建模支持一键式构建模型，可视化建模提供丰富的算子拖拉拽实现数据探索和数据预处理、特征工程，模型训练、评估等建模过程，还有编码方式建模。然后模型服务功能模块，支持对于验收通过的模型部署到模型平台生产环境上运行，可以进行批量预测，跑出模型结果存储于数据湖和数据仓库，供业务应用，也支持模型监控和自迭代。另外在数据安全和权限控制方面，平台的数据预览功能对敏感数据做了脱敏处理，支持对用户和角色进行表级和字段级别的权限设置。

图谱子系统功能模块主要包括图谱构建模块、图谱分析模块、系统管理模块等。

（二）模型建设生产线

依托业务侧自助建模平台，已构建标准化建模流水线，实现数据接入、特征工程、模型训练、验证评估、部署上线的全流程体系，大幅度降低了建模门槛，提升了开发效率和部署速度。

四、项目过程管理

1.业务侧自助建模平台系统建设阶段：

需求分析阶段：2023.06-2023.10

设计阶段：2023.10-2024.01

开发阶段：2024.01-2024.09

测试阶段：2024.09-2024.11

系统上线：2024.11

2.业务侧自助建模平台系统试运行阶段：

平台培训推广：2024.11-2025.3

反电诈风控模型陆续上线：2024.12-2025.9

智能化精准营销模型陆续上线：2025.1-2025.9

五、运营情况

（一）系统运行情况

业务侧自助建模平台是基于我行大数据平台构建的通用建模系统，具备自动化建模、可视化建模和编码式建模三种建模方式，满足不同业务用户和专业人员的需求。平台至上线试运行以来，系统运行情况如下：

1.上线运行稳定，平台在部署后支持多个模型稳定运行，支持自动调度与结果输出。已部署上线6个反诈领域风险模型，用于防范和打击电信网络诈骗，提升精准防控能力。

2.释放人力资源，传统依赖专业数据建模人员的开发工作，逐步转移至业务自服务建模流程，提升建模效率。已为15个机构开通82个平台用户。平均每月3-4个部门的业务人员使用平台进行数据建模。

3.面向全行开展了1次平台培训，总行18个部门及15家支行共300多人参加。对于有使用需求的机构分别进行了集中培训和建模指导（5次），逐步提升业务自服务建模能力。

（二）推广应用情况

在业务侧自助建模平台上线试运行以来，采用“业务+数据”专家组成敏捷建模小组方式，与业务部门紧密合作开展智能风控、精准营销等领域的模型建设工作，打造系列精品数据模型产品，总结成功案例，形成标准化、可复制推广的经验模板。相关建模案例已纳入平台标准模型库，可直接复用或改造应用于其他业务场景。

1.智能风控应用案例-反电诈风险监测模型

融合大数据分析技术、机器学习技术、图谱技术，基于业务侧自助建模平台，搭建了一批反电诈业务场景模型，并设计了反电诈机制，通过业务策略设计串联多个模型，形成“事前-事中-事后”全流程风险防控体系。

（1）诈骗发生前的预防阶段：风险前置预判

构建分类分级模型，基于多源数据开展全面分析，制定分级策略，实施个人账户与单位账户的差异化管理，实现风险的前置防控，并将事前风险预估结果传递至事中环节。

（2）诈骗正在发生时的干预阶段：交易精准拦截

构建实时监测模型和准实时机器学习模型，结合事前风险预估，基于交易环节中黑样本风险特性，通过实时交易流水分析，实现风险防控从“事后追溯”向“事中拦截”的前移，完善交易环节的实时风险防控能力。

（3）诈骗发生后的处置与分析阶段：闭环迭代与大模型创新

实现风险闭环优化。构建事后模型，进行高覆盖率的可疑账户识别和事后分析。同时，将挖掘出的可疑特征反哺至事前、事中模型，形成“识别-处置-优化”的循环迭代机制，持续提升模型识别能力。

开展团伙风险挖掘。基于图数据库和图谱算法，构建团伙挖掘模型，既用于对已确认可疑账户的事后分析，又是对团伙中关联出的其他潜在风险账户的事前预测，通过黑名单数据关联分析，辅助业务人员进行可疑团伙分析，实现风险的源头追溯与扩散防控。

通过构建全链路反电诈模型体系，实现了对账户风险的精准识别和有效防控。

2.精准营销应用案例

业务痛点：传统人工营销方式存在的问题：一是营销精准度低，传统营销策略往往基于客户的基本属性或简单的交易行为，难以深入挖掘客户的潜在需求和消费偏好，导致营销内容缺乏针对性，客户触达效率低下，虽然覆盖面广但精准度低，潜在高价值客户容易遗漏；二是营销成本高，由于缺乏精准的客户细分和个性化推荐，银行在营销资源的分配上存在浪费现象，导致营销成本居高不下；三是客户体验差，传统的营销手段难以满足客户的个性化需求，导致客户对营销信息的接受度和满意度较低，影响客户粘性和品牌忠诚度。

技术方法：使用业务侧自助建模平台，平台支持数据预处理、特征自动生成、模型训练及效果可视化，使业务人员能够快速完成建模与落地。支持选择逻辑回归、随机森林、梯度提升树（GBDT）、LGBM等多种机器学习算法建立分类预测模型。并通过提升度、AUC指标等对模型进行评估，最终选取最优算法。

（1）养老金营销模型

模型思路：养老金营销模型通过分析历史养老金签约客户的特征，采用机器学习中的逻辑回归分类算法，在适龄养老客群中挖掘目标客户，预测客户办理养老金业务概率，并结合营销策略输出客户名单，精准定位营销客群。

模型成效：模型输出了预测响应概率为5%以上的目标客户名单进行外呼精准营销，人工外呼签约率为12.45%，比历史平均响应率1%提升了约12倍。通过模型可以更加精准定位养老金业务客群，辅助养老金代发、养老金领取账户变更等业务的营销推广，及时抢占市场，并为第三代社会保障卡推广打下坚实基础。

（2）零售客户理财产品营销模型

模型思路：通过历史数据构建二分类预测模型，采用机器学习中的GBDT算法，精准识别高概率购买目标理财产品（“欣添鑫1号”和“天天金1号净值型”）的零售客群，以提升座席营销精准度和产品购买率。

模型成效：通过模型输出客户未来3个月购买两款理财产品的概率，营销人员据此制定分层策略进行营销。根据模型预测的高概率客户（前8%）其购买响应率为11.72%，比整体平均响应率提升了约11倍，且覆盖了约94%的理财购买客户，累计购买金额覆盖了89%。

（3）凤凰e借注册率提升模型

模型思路：基于历史行为数据，深入分析其消费习惯与借贷偏好，整合多维度客户标签构建构建凤凰e借产品客户注册率提升模型，实现精准营销，提升业务转化效率。在渠道协同方面，采用智能外呼、人工外呼与智慧客服的差异化组合策略，形成高效触达矩阵，优化客户体验的同时，最大化转化效果。

模型成效：累计协同触达客户5.6万户，实现注册率由6.61%提升至11.21%；授信通过率由17.38%提升至44.44%，用信金额达9635万元，环比增长58.7%；客户主动触发人工服务比例提升90%，人工通时提升近10倍；通过精准模型和分群策略，实现高价值客户快速触达和转化，提高业务收益和客户满意度。

六、项目成效

（一）经济效益

业务侧自助建模平台全面支持我行风控、内控、营销、信贷等业务场景建模需求，为提高我行业务风险识别能力、实现精准营销助力。

1.项目直接效益

（1）智能风控应用场景成效：通过反电诈模型建设构建了高效、智能的风险防控体系。一是完善事前预防机制，增强主动防御能力，提升对潜在风险的识别与拦截效率。二是应用人工智能技术，通过算法优化与数据挖掘，提升模型的精准度与泛化能力，构建更全面的金融“防火墙”。三是组建“业务+技术”融合团队，推动业务与技术深度协同，提升反诈响应速度与执行效率，形成系统化、专业化的反诈能力体系。截止目前，已有6个反电诈模型、2个团伙挖掘图谱上线业务侧自助建模平台运行，取得了明显效果。2025年5月起，涉案账户得到有效控制，涉案账户数呈现断崖式下降，7月较4月涉案账户峰值数量下降91%。通过构建全链路反电诈模型体系，实现了对账户风险的精准识别和有效防控。

（2）精准营销应用场景成效：对于养老金客群场景，结合智能外呼、客户经理营销等差异化触达策略，实现触达效率提升300%，带动储蓄余额增长1.77亿元，新增高净值客户393户，个人投资产品增量3.52亿元，FTP测算新增客户年创利158.51万元；对于零售客户理财产品营销场景，外呼坐席依据模型评分，有针对性的制定营销策略，对于预测购买意愿强的前8%客户，理财购买金额达204万元，平均响应率11.72%，较整体客户平均响应率提升约10.84倍，实现客户资产管理精细化和高价值客户精准覆盖；对于凤凰e借注册率提升场景，累计触达客户5.6万户，注册率从6.61%提升至11.21%，授信通过率从17.38%提升至44.44%，用信金额达9600万元。

2.项目长期效益

预计使用业务侧自助建模平台每年部署落地建模场景30个；使用平台建模比较传统方式，提升模型开发效率，缩短模型上线周期，提高模型质量，预计生产周期缩短50%，每年预计节省工时不少于8000小时，节约运营成本270万元；预计培养全行数据建模师500人以上，提升全行数据分析挖掘和建模能力，实现数据驱动的业务创新和决策优化，切实赋能全行业务经营发展。

（二）社会效益

1.提升精准获客、产品营销能力，客户体验和服务能力显著提高。

通过技术、业务与生态的深度融合，构建了智能化、精准化的金融营销体系，提升金融资源配置效率，助力“五篇大文章”落地，不仅提升了金融机构的运营效率和客户体验，还推动了金融行业的数字化转型与高质量发展，为国家金融科技发展和经济建设提供了有力支持。依托业务侧自助建模平台构建精准营销模型，实现客户特征精准挖掘并匹配策略，有效破解传统银行服务触达难题，为首都市民提供更优质、安全、高效的服务，同时支持多客群（如代发工资、高净值客户）模型快速迭代，形成技术复用能力。此外，项目的可复制性和推广价值极高，为更多金融机构实现数字化转型提供了实践范例。

2.风险控制效能明显提升。

电信网络诈骗等非法活动日益猖獗，严重威胁金融安全和民众财产安全，新型诈骗手段层出不穷。以反电诈模型为基础的风险防控体系，在防范和打击电信网络诈骗方面发挥了重要作用，切实保护人民群众的财产安全，守护老百姓的“钱袋子”。此外，随着诈骗手段的不断演变和复杂化，对模型建设和优化能力提出了更高要求，业务侧自助建模平台支持模型快速迭代，以适应反电诈业务快速变化的形势需要。

七、经验总结

成果可转化性：依托业务自助建模平台，实现可迭代、可持续优化的智能化精准营销体系，实现客户资产管理精细化和高价值客户精准覆盖，显著提升养老金、凤凰e借等业务签约率、产品转化率以及营销效率，提高客户主动参与度，提高业务收益和客户满意度，精细化覆盖高价值客户，提高业务收入，提升业务收益比，降低人工成本。

过程可复制性：业务侧自助建模平台提供标准化流程，其他机构可快速复用。模型和平台可复制至其他金融业务产品的营销推广，如储蓄、基金、理财、信用卡营销、贷款等，实现全业务场景智能营销。只需要针对不同产品进行模型微调或重新训练。

模型可拓展性：还可优化模型为金额预测，直接预测客户未来三个月内购买目标产品的预估金额范围。可结合APP推送、短信提醒、线上直播等多种触达方式，构建全渠道营销网络，进一步扩大目标客户覆盖范围。

推广价值：宣传推广使用业务侧自助建模平台，可以让更多业务参与自服务建模，推动业务部门掌握自助建模能力，形成业务参与的数据建模生态，可以有效推动数据驱动业务决策落地。预计在未来一年内，落地建模场景30个，节省工时约8000小时，节约运营成本约300万元，为更多金融机构实现数字化转型提供实践范例。

更多金融科技案例和金融数据智能优秀解决方案，请在数字金融创新知识服务平台-金科创新社案例库、选型库查看。