XX银行风控模型建设方案详细
金融行业风控模型优化实施方案
金融行业风控模型优化实施方案第1章风控模型概述 (3)1.1 风控模型简介 (3)1.2 风控模型的重要性 (3)第2章风控模型优化需求分析 (4)2.1 现有风控模型存在的问题 (4)2.1.1 数据问题 (4)2.1.2 特征工程问题 (4)2.1.3 模型功能问题 (4)2.1.4 模型迭代更新问题 (4)2.2 优化需求来源 (4)2.2.1 业务需求 (4)2.2.2 技术发展 (4)2.2.3 监管要求 (5)2.3 优化目标设定 (5)2.3.1 提高数据质量 (5)2.3.2 完善特征工程 (5)2.3.3 提升模型功能 (5)2.3.4 实现模型实时更新 (5)2.3.5 满足合规要求 (5)第3章数据准备与预处理 (5)3.1 数据来源及采集 (5)3.2 数据清洗与处理 (6)3.3 数据分析 (6)第四章特征工程 (7)4.1 特征选择 (7)4.1.1 目的 (7)4.1.2 方法 (7)4.1.3 实施步骤 (7)4.2 特征提取 (7)4.2.1 目的 (8)4.2.2 方法 (8)4.2.3 实施步骤 (8)4.3 特征转换 (8)4.3.1 目的 (8)4.3.2 方法 (8)4.3.3 实施步骤 (8)第五章模型选择与训练 (9)5.1 模型算法介绍 (9)5.2 模型训练与调优 (9)5.3 模型评估与验证 (9)第6章模型优化策略 (10)6.1 模型融合 (10)6.2 模型集成 (10)6.3 模型参数优化 (10)第7章模型部署与监控 (11)7.1 模型部署 (11)7.1.1 部署流程 (11)7.1.2 部署方式 (11)7.2 模型监控 (12)7.2.1 监控指标 (12)7.2.2 监控方法 (12)7.3 模型更新策略 (12)7.3.1 更新频率 (12)7.3.2 更新方法 (12)第8章风控模型应用与推广 (13)8.1 风控模型在不同业务场景的应用 (13)8.1.1 信贷风险控制 (13)8.1.2 资产管理 (13)8.1.3 保险业务 (13)8.2 模型推广策略 (13)8.2.1 培训与教育 (13)8.2.2 技术支持与维护 (13)8.2.3 跨部门合作 (13)8.3 模型效果评估 (14)8.3.1 准确性评估 (14)8.3.2 效率评估 (14)8.3.3 成本效益分析 (14)8.3.4 可扩展性评估 (14)第9章风险管理与合规 (14)9.1 风险管理策略 (14)9.1.1 风险识别与评估 (14)9.1.2 风险控制与缓释 (14)9.1.3 风险监测与报告 (15)9.2 合规要求 (15)9.2.1 合规政策与制度 (15)9.2.2 合规监督与检查 (15)9.2.3 合规培训与宣传 (15)9.3 风险监控与预警 (15)9.3.1 风险监控体系 (15)9.3.2 风险预警机制 (16)9.3.3 风险监控报告 (16)第十章项目总结与展望 (16)10.1 项目成果总结 (16)10.2 项目不足与改进 (16)10.3 未来展望 (17)第1章风控模型概述1.1 风控模型简介风险控制模型（Risk Control Model），简称风控模型，是金融行业在风险管理和控制过程中所采用的一种数学模型。
银行工作中的风险模型构建与分析方法
银行工作中的风险模型构建与分析方法在银行工作中，风险管理是至关重要的一环。
为了准确评估和控制各类风险，银行使用风险模型进行分析和构建。
本文将介绍银行工作中的风险模型构建与分析方法。
一、风险模型的定义风险模型是一种用于预测和评估风险的数学模型。
在银行工作中，风险模型用于量化和管理各类风险，如信用风险、市场风险和操作风险等。
二、风险模型的构建方法1. 数据收集和处理：构建风险模型的第一步是收集和处理相关数据。
银行需要收集包括历史交易数据、客户信息、市场数据等一系列数据，以建立可靠的模型。
2. 变量选择和特征工程：在建立风险模型时，需要选择合适的变量作为模型的输入。
变量选择要考虑到其与风险的相关性和预测能力。
此外，特征工程可以通过对原始数据进行转换和衍生，提高模型的准确性和预测能力。
3. 模型选择和建立：选择适当的模型是构建风险模型的关键。
常用的模型包括Logistic回归、决策树、支持向量机等。
银行根据风险类型和数据特点选择合适的模型，并通过统计方法估计模型参数。
4. 模型验证和评估：构建完风险模型后，需要进行模型的验证和评估。
通过回溯测试和样本外测试，评估模型的预测能力和稳定性。
同时，可以使用各类指标如准确率、召回率和KS值等来评估模型的性能。
三、风险模型的分析方法1. 风险度量：风险度量是评估风险大小的一种方法。
常用的风险度量包括价值-at-风险（VaR）和条件VaR（CVaR）。
银行可以利用这些风险度量来衡量市场风险和信用风险的损失。
2. 压力测试：压力测试是一种应对极端风险情景的方法。
通过在模型中引入不同的风险因素，如金融危机或经济衰退，银行可以评估自身在不同风险情景下的风险暴露和资本充足率。
3. 情景分析：情景分析可以帮助银行预测不同风险情景下的盈利和损失。
通过设定不同的变量值和假设，可以模拟未来可能发生的情景，为风险决策提供参考。
4. 灵敏度分析：灵敏度分析可以评估不同风险因素对模型输出结果的影响。
银行风控模型的建立与应用
银行风控模型的建立与应用近年来，随着金融市场的不断发展和金融风险的增加，银行风控模型的建立与应用变得尤为重要。
银行风控模型是指通过对大量数据的分析和建模，预测和评估银行可能面临的各种风险，并采取相应的措施进行规避和管理。
本文将探讨银行风控模型的建立与应用的重要性，以及其中的一些关键要素。
首先，银行风控模型的建立对于银行的稳健运营至关重要。
银行作为金融机构，承担着存款保管、贷款发放等重要职责，必须保证其业务的安全性和稳定性。
通过建立风控模型，银行可以对可能出现的各种风险进行预测和评估，及时采取措施进行风险规避和管理，从而保障银行的正常运营。
例如，通过建立信用风险模型，银行可以评估借款人的信用状况，避免发放高风险贷款，降低不良贷款的风险。
其次，银行风控模型的建立可以提高银行的盈利能力。
风险管理是银行经营的重要组成部分，合理的风险控制可以减少损失，提高盈利能力。
通过建立风控模型，银行可以识别和评估各种风险，制定相应的风险管理策略，降低可能的损失，提高盈利能力。
例如，通过建立市场风险模型，银行可以对市场波动进行预测和评估，及时调整投资组合，降低投资风险，提高收益。
然而，银行风控模型的建立和应用并非易事。
首先，银行需要收集和整理大量的数据，包括客户信息、市场数据等，以建立风险模型所需的数据集。
其次，银行需要拥有专业的团队和技术手段，对数据进行分析和建模，以构建准确可靠的风控模型。
同时，银行还需要不断更新和优化风控模型，以适应不断变化的金融市场和风险环境。
最后，银行需要建立完善的风险管理体系，将风控模型与实际业务相结合，有效应对各种风险。
除了风险模型的建立，银行还需要将模型应用于实际业务中。
风控模型的应用可以帮助银行实现更加精确的风险评估和预测，提高决策的科学性和准确性。
例如，在信贷业务中，银行可以根据风控模型的评估结果，制定贷款利率、额度和期限等，以降低不良贷款的风险。
在投资业务中，银行可以根据市场风险模型的预测结果，调整投资组合，优化收益和风险的平衡。
银行业智能化金融风控体系构建方案
银行业智能化金融风控体系构建方案第1章引言 (3)1.1 风险控制背景与意义 (3)1.2 智能化金融风控的发展趋势 (4)第2章银行业风险概述 (4)2.1 银行业风险类型 (4)2.2 风险识别与评估 (5)2.3 传统风险控制方法及局限性 (5)第3章智能化金融风控技术基础 (6)3.1 大数据技术 (6)3.1.1 数据采集与处理 (6)3.1.2 数据存储与管理 (6)3.1.3 数据挖掘与分析 (6)3.2 人工智能技术 (6)3.2.1 机器学习 (6)3.2.2 深度学习 (6)3.2.3 自然语言处理 (6)3.3 区块链技术 (7)3.3.1 数据安全与隐私保护 (7)3.3.2 智能合约 (7)3.3.3 跨境支付与结算 (7)第4章智能化风险控制体系架构设计 (7)4.1 系统总体架构 (7)4.1.1 数据层：负责收集、整合各类金融数据，为风险控制提供数据支持。
(7)4.1.2 模型层：通过构建风险预测模型，实现对潜在风险的识别、评估和控制。
(7)4.1.3 应用层：将模型应用于实际业务场景，实现风险预警、风险监测和风险处置等功能。
(7)4.1.4 展示层：以可视化方式展示风险控制结果，为决策者提供依据。
(7)4.2 数据层设计 (7)4.2.1 数据来源：主要包括内部数据和外部数据。
内部数据包括客户基本信息、交易数据、财务数据等；外部数据包括宏观经济数据、行业数据、第三方信用数据等。
(7)4.2.2 数据整合：通过数据清洗、转换、归一化等处理，实现数据的有效整合。
(8)4.2.3 数据存储：采用分布式存储技术，保证数据的安全、稳定和高效访问。
(8)4.2.4 数据安全：遵循国家相关法律法规，加强数据安全防护，保证数据在传输、存储和使用过程中的安全。
(8)4.3 模型层设计 (8)4.3.1 风险预测模型：结合机器学习、深度学习等技术，构建具备自学习能力的风险预测模型，实现对潜在风险的提前识别。
金融科技大数据风控模型构建方案
金融科技大数据风控模型构建方案第一章：项目背景与目标 (2)1.1 项目背景 (2)1.2 项目目标 (3)第二章：大数据风控概述 (3)2.1 大数据风控定义 (3)2.2 大数据风控发展趋势 (3)2.3 大数据风控与传统风控的比较 (4)第三章：数据源与数据采集 (4)3.1 数据源分析 (4)3.1.1 结构化数据源 (4)3.1.2 非结构化数据源 (5)3.1.3 外部数据源 (5)3.2 数据采集策略 (5)3.2.1 数据爬取 (5)3.2.2 数据交换 (5)3.2.3 数据购买 (5)3.3 数据质量评估 (6)3.3.1 完整性评估 (6)3.3.2 准确性评估 (6)3.3.3 一致性评估 (6)3.3.4 可用性评估 (6)第四章：数据预处理 (6)4.1 数据清洗 (6)4.2 数据整合 (7)4.3 数据转换 (7)第五章：特征工程 (7)5.1 特征选择 (7)5.2 特征提取 (8)5.3 特征降维 (8)第六章：模型构建 (8)6.1 模型选择 (8)6.1.1 逻辑回归模型 (9)6.1.2 决策树模型 (9)6.1.3 随机森林模型 (9)6.1.4 深度学习模型 (9)6.2 模型训练与优化 (9)6.2.1 数据预处理 (9)6.2.2 模型训练 (9)6.2.3 模型优化 (9)6.3 模型评估 (10)6.3.1 准确率 (10)6.3.2 灵敏度与特异性 (10)6.3.3 AUC值 (10)6.3.4 F1值 (10)第七章：模型部署与应用 (10)7.1 模型部署 (10)7.2 模型监控与维护 (11)7.3 模型应用场景 (11)第八章：风险监测与预警 (11)8.1 风险监测策略 (12)8.1.1 数据采集与处理 (12)8.1.2 风险指标体系构建 (12)8.1.3 风险监测方法 (12)8.2 风险预警机制 (12)8.2.1 预警阈值设置 (12)8.2.2 预警信号识别 (12)8.2.3 预警响应策略 (13)8.3 风险处置流程 (13)8.3.1 风险事件报告 (13)8.3.2 风险评估 (13)8.3.3 制定风险处置方案 (13)8.3.4 执行风险处置方案 (13)8.3.5 风险处置后评估 (13)第九章：信息安全与合规 (13)9.1 信息安全策略 (13)9.1.1 信息安全目标 (13)9.1.2 信息安全措施 (14)9.2 合规性要求 (14)9.2.1 法律法规合规 (14)9.2.2 行业标准合规 (14)9.2.3 企业内部合规 (14)9.3 信息安全与合规性评估 (15)第十章：项目总结与展望 (15)10.1 项目成果总结 (15)10.2 项目不足与改进方向 (15)10.3 项目展望 (16)第一章：项目背景与目标1.1 项目背景金融行业的快速发展，金融科技（FinTech）逐渐成为推动金融创新的重要力量。
银行风险模型优化方案
银行风险模型优化方案银行风险模型是为了评估和管理银行风险而建立的一种数学模型。
它通过收集和处理各项风险指标数据，为银行提供科学可靠的风险预警和监管建议，帮助银行避免最大限度地损失。
然而，目前的风险模型仍然存在一些问题和不足之处，如模型过于简单，无法全面考虑市场、信用、操作和流动性等多种风险因素的综合影响。
为了改善和优化银行风险模型，提高其预测和管理风险的准确性和可靠性，可以采取以下几个方面的优化方案：首先，完善风险模型的数据采集和处理能力。
银行应加强对各项风险指标数据的及时收集和整理，建立完善的数据挖掘和处理机制，提高数据的准确性和可靠性。
其次，加强对多种风险因素的综合考虑和分析。
当前的风险模型主要关注市场风险，而忽视了信用、操作和流动性等其他重要的风险因素。
银行可以引入更多种类的指标和模型，从不同角度和维度评估和管理风险。
第三，引入机器学习和人工智能技术。
当前的风险模型主要依赖于统计方法和经验判断，而无法全面考虑和分析复杂的非线性关系和数据变动性。
通过引入机器学习和人工智能技术，可以提高模型的预测能力和风险管理能力。
第四，加强模型监测和验证。
银行应建立完善的模型监测和验证机制，及时发现和修正模型存在的问题和风险，提高模型的可靠性和稳定性。
最后，加强风险模型与风险管理体系的整合。
银行应将风险模型作为风险管理的重要组成部分，与风险管理体系进行紧密衔接和协调，形成完整的风险管理机制。
总之，银行风险模型的优化是提高银行风险管理能力和水平的关键步骤。
通过完善数据处理能力、加强多种风险因素的综合考虑、引入机器学习和人工智能技术、加强模型监测和验证以及加强与风险管理体系的整合，可以提高银行风险模型的准确性和可靠性，为银行提供更有效的风险预警和管理建议。
银行风险管理模型建立与应用
银行风险管理模型建立与应用一、引言随着金融业的不断发展，银行业的风险也在不断增加，对于银行业来说，风险管理是至关重要的。
银行风险管理模型是银行业为管理风险而构建的数学模型，它可以帮助银行感知风险和规避风险，从而保障银行的经营健康。
本文将分析银行风险管理模型的建立与应用。
二、银行风险管理模型的建立银行风险管理模型的建立是一个相对复杂的过程，需要从多个方面考虑。
下面将从数据的有效性、模型的完备性和模型的准确性三个方面分析银行风险管理模型的建立。
1. 数据的有效性银行风险管理模型所依赖的数据非常重要，如果数据不准确或者不完整，就会影响到模型的准确性。
因此，银行需要选择正确的数据来源，并对数据进行严格的验证和筛选。
此外，银行还需要定期更新数据，以保证它的有效性。
2. 模型的完备性银行风险管理模型需要涵盖各种风险类型，包括市场风险、信用风险、流动性风险等，而且需要考虑到各种情况的可能性，以确保模型的完备性。
通常，银行需要根据自身的情况来选择恰当的模型，以满足不同风险类型的需要。
3. 模型的准确性模型的准确性是银行风险管理模型建立的关键。
银行需要根据过去的经验，选择恰当的模型，并对模型进行验证和测试。
如果模型存在问题，银行需要及时修正，以提高模型的准确性。
三、银行风险管理模型的应用银行风险管理模型的应用是指在实际情况中运用模型来分析和管理风险。
下面将从风险评估、预警和应对三个方面分析银行风险管理模型的应用。
1. 风险评估风险评估是银行风险管理的核心，它可以通过量化和分析风险，以便银行能够识别并避免风险。
银行风险管理模型是量化风险和分析风险的重要工具，能够帮助银行预测和应对可能存在的风险。
2. 预警预警是银行风险管理模型的一个重要功能，可以在风险发生前提醒银行风险可能出现的方向。
当银行风险管理模型发现风险的可能性增加时，银行可以采取相应的措施来降低风险。
3. 应对当风险出现时，银行需要及时进行应对，防止风险发酵。
银行风险防控建设实施方案
xx银行风险防控建设实施方案第一章总则第一条为进一步增强xx银行股份有限公司（以下简称“本行”）风险防范和风险控制能力，加快推进风险管理的组织建设、机制建设和制度建设，实现可持续发展，根据《农村中小金融机构风险管理机制建设指引》等有关法律法规以及本行章程的规定，制定本方案。
第二条风险管理的基本任务是：贯彻执行国家关于防范和处置金融风险的各项政策措施，树立全面风险管理理念，健全风险管理组织体系，改进风险管理监控方法，强化风险全程管理，增强识别、计量、预警、防范和处置风险能力，全面提高风险管理水平，确保风险在可控目标之内，确保安全经营，稳健发展，确保风险收益不断优化。
第三条风险管理应遵循全面管理、制度优先、预防为主、职责分明的原则。
（一）全面管理原则。
资产、负债、所有者权益和收入、费用、利润以及人员、薪酬、奖惩等各项事务应全面地进行风险管理，涉及风险控制应当人人参与。
（二）制度优先原则。
开展各项业务应优先制定相应制度，尽可能使制订的制度科学、合理并严格按照制度执行，对制度执行效力和结果应实行全程监控。
（三）预防为主原则。
对各类风险应防范于未然，实行风险预警提示，出现问题及时采取针对性措施予以处置化解。
（四）职责分明原则。
防范和处置风险应明确职能部门和责任人，明确其相应的权力和职责，对因渎职、失职或营私舞弊造成风险和损失的行为，应对相关责任人进行问责。
第二章风险管理目标第四条风险是指对目标产生不利（负面）影响的事件发生的可能性，从而造成收益的不确定性。
根据风险成因和对经营管理的影响，确认本行经营管理中面临的风险包括声誉风险、法律风险、信用风险、市场风险、操作风险、流动性风险。
声誉风险是指由内部管理与服务的问题引起自身外部社会名声、信誉和公众信任度下降所造成的风险。
法律风险是指由不当的法律文书、制度或行为所造成的风险。
信用风险是指由借款人或市场交易对手违约所造成的风险，即债务人未能如期偿还其债务而给债权人带来的风险。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
XX银行风控模型建设方案
一、风控搭建整体思路
对于本行来说，开展互联网贷款面临的主要难题是数据和风控，
特别是对于平台引流的消费金融客户，银行能获得的信息和数据极少。
银行在收集数据这方面是很无力的，由于是消费信贷，贷款审批速度
要求较快，无法对顾客进行一个全面的审查，没有一份比较详细的数
据对顾客就没法形成完整的画像，这会大大提高贷款的风险。
因此在业务开展初期需要引入海量跨行业数据作为风控模型的
基础，并借助专业咨询公司的力量建立起本行的全面风险管理体系，
同时建议在本行自有数据不足的情况下，采取专家模型冷启动的方式
建立起本行的反欺诈模型，评分模型，授信策略模型，定价模型等风
控模型。并针对不同的网贷产品制定清晰的风险管理策略，明确网贷
产品的风险偏好，按照小额分散的原则，从行业、区域、产品等维度
设定互联网贷款的风险限额，审慎确定单一客户授信额度上限。
在产品正式上线后，试运营期间逐步积累充分的数据，需要专业
的大数据风控团队和技术团队，对数据源进行清洗、整合、分析，对
各环节的风控模型进行持续监督、验证、优化、再开发，在经历一个
较为完整的周期后再与专业厂商采取联合建模的方式建立更适合本
行产品情况的风控模型。
建立风控模型的全过程本行遵循以下原则：严格的原则、循序渐
进的原则、合作建设的原则、先易后难的原则、迭代更新的原则、审
慎发展的原则。同时应由专业团队专人跟进风控建模全过程，切实防
本行的风控模型核心数据外泄。
在选择合作机构方面，本团队将风控体系的建立分成三大板块：
一是聘请专业的咨询公司对本行进行全面风险管理辅导，形成高效、
有序、切合本行发展方向的完整风控体系。目前备选的厂商有：XX、
XX、XX、XX、XX等；二是与专业的数据公司进行合作，确保风控
模型具备良好的基石。目前备选的厂商有：XX、XX、XX、XX等；
三是选择实用性强的产品厂商，挑选可扩展性强、兼容性强、界面友
好、操作便捷的决策引擎，为本行后续全线上审批产品的推出做铺垫。
目前备选的厂商有：XX、XX等。
目前本部接触的厂商包括专业咨询公司、专业数据源公司、咨询
和产品兼具的公司和提供三大板块整体解决方案的公司。本部将会仔
细研究每一家厂商提供的解决方案和报价，并挑选出几家较具竞争优
势的厂商入场做POC，力争选择出性价比高、实用性好、兼容性强
的厂商。
二、具体工作
针对本行目前的业务方向和产品需求，确定当前的工作重心在于
为结合具体场景的消费贷量身打造一整套风控方案，主要工作包括以
下几个方面：
（一）数据源
1.政府类公共数据：包括社保、公积金、税务、水电缴费等信息。
目前工作进度：已发请示到XX，等待其回复。
后续工作安排：取得XX回复后，我部将会积极跟进，尽快与各
政府部门取得联系，争取年至少完成一到两类公共数据的对接工作。
2.平台类数据：包括XX、XX、XX等平台数据。
目前工作进度：目前已建微信群，各业务部门已知晓相关需求，
本团队将会每周收集一次进度情况。
后续工作安排：相关业务部门与平台就数据对接事项进行商谈得
出合作意向后，我部会牵头科技部等相关部门具体落实对接事项。近
期准备和业务部门一起前往XX就数据共享、具体风控手段等方面进
行商谈。
3.第三方数据：目前已有XX、XX、XX、XX等多家专业数据公
司与我部对接。在外部数据源的选取上，我部打算采用1+N的模式，
即以一家数据厂商为主，N家数据厂商为辅，在主数据厂商无反馈的
情况下，调用其他数据源的数据进行补充。
目前工作进度：XX目前已选定以XX作为主数据厂商，其他备
选的数据厂商本部仍在测试阶段。
后续工作安排：力争获取到部分坏样本数据后对多家数据厂商进
行测试、对比、评估，为本行消费贷产品的上线做准备。
（二）风控模型
1.基本准入规则。在业务推出的初期，可以先面向一部分较好的
客户开放该业务，根据客户在XX上的注册年限、消费次数等设置一
个基本的准入门槛。后期可分层分批陆续放宽，同时制定不同的风控
政策。
2. 风控策略。根据该产品和客群的风险特点、业务流程、征信
资源、风险模型等制订风控策略，包括反欺诈策略、审批策略、额度
策略、定价策略、贷后监测策略等。并将风控策略转化为具体规则部
署在决策系统。
3.反欺诈政策。从申请反欺诈、行为反欺诈、设备反欺诈等多维
度制定反欺诈规则，不断丰富侦测方式和调查手段，确保及时侦测和
处置可疑警告，维护黑数据库及时性、准确性、有效性，熟悉了解贷
前、贷中、贷后业务全流程对反欺诈功能的需求。
4.评分模型。结合产品特点选择适宜的参数，根据风险策略设置
相应的权重，制定出完整的评分模型。并依据评分结果制定出审批策
略、定价策略等。
5.审批流程管理。将不同的客群进行细分，采用决策树的方式对
不同的客群设计不同的策略和规则，实行精细化审批。
6.贷后监测。对信贷客户进行日常贷后监测，及时发现风险信号，
对于触发风险预警的客户采取一定的措施，如核实、提前收回贷款等。
7.模型优化与验证。跟踪、监测、维护及优化风控策略，确保风
控策略的效能及其提升。
（三）厂商管理
负责第三方专业反欺诈机构、咨询公司、决策引擎的筛选、合作
洽谈，合作之后的日常应用质量效果评估管理，做好协调、沟通和监
督管理工作。
三、时间进度表
XX
银行风控项目时间进度表
工作容 时间节点
数据源 政府数据 向金融局请示 已完成 与金融局对接 7月下旬 与相关政府部门对接 8月底前 正式接入政府数据 年底完成 平台数据 督促各业务部门跟进 7月完成情况摸底
外购数据
信保贷相关数据源接入 7月底前
其他数据源选定厂商 8月底前
数据测试 9月底前
数据正式接入 10月底前
风控模型
让各厂商出方案，筛选几家入行进行
POC
7月底前
选定厂商，并正式入场实施项目 8月底前
项目正式上线 10月底前