XX银行风控模型建设方案
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。
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。
金融风控模型的构建与优化
金融风控模型的构建与优化随着金融市场的不断发展，风险也日益增加。
金融机构需要建立有效的风险管理体系，来保护自身的利益和客户的资产。
金融风控模型就是其中的一个核心组成部分。
本文将探讨金融风控模型的构建与优化。
一、金融风控模型的基本构成金融风控模型是一个系统，包括以下几个组成部分：1. 数据库数据库是风险管理系统的基础。
它用于存储各种数据，如客户信息、交易数据、市场数据、信用评级等。
数据库应该具备高可靠性、高可用性和高扩展性，以应对海量数据的处理和备份。
2. 风险识别模块风险识别模块是模型的核心，它用于识别和量化各种风险，如信用风险、市场风险、操作风险等。
该模块可以使用机器学习算法和人工智能技术，以便更好地预测各种风险。
3. 风险评估模块风险评估模块用于对各种风险进行评估，以便做出决策。
该模块可以对风险进行分类、计量和分析。
它可以帮助风险管理人员及时发现潜在风险，并采取相应的措施。
4. 风险决策模块风险决策模块用于做出风险决策。
它可以自动或人工审批申请，审核客户信息和交易记录，并对风险进行评估。
该模块的决策可以通过提供策略、建议风险防控措施等方式，为风险管理人员提供参考。
5. 风险报告模块风险报告模块用于提供风险报告，以便风险管理人员了解各种风险的情况和趋势，以制定更好的决策。
该模块还可以与其他系统集成，以便及时汇报风险情况。
二、金融风控模型的优化方案1. 数据质量优化数据质量是一个好的风险管理系统的基础。
虽然数据的来源、处理和管理都可能存在问题，但是优化数据质量仍然可行。
例如，可以采用数据清洗、数据填补、数据验证等技术来提高数据的准确性和完整性。
2. 数据分析优化数据分析是风险管理系统中最重要的部分之一。
优化数据分析可以提高模型的准确性和响应性。
例如，可以采用机器学习、深度学习等技术，以更好地预测和识别风险。
3. 模型更新优化在金融市场中，风险是不断变化的，因此模型也应该保持更新。
可以采用自动模型更新技术来定期更新模型，以便更好地适应市场变化。
风控体系建设案例
风控体系建设案例
近年来，随着金融市场的不断发展和风险的增加，风险控制成为了金融机构不可或缺的一部分。
建立完善的风险控制体系，对于保障金融机构的稳定经营具有重要意义。
本文将结合某银行的实际案例，介绍其风险控制体系建设的经验与做法。
首先，该银行建立了完善的风险管理组织架构，明确了各部门的职责和权限，确保风险管理的全面覆盖。
其次，该银行制定了风险控制策略，包括对客户的风险评估、产品设计与定价、资金运作与风险分散等方面的要求，确保了产品的合规性和风险可控性。
再次，该银行建立了全面的风险监测与预警机制，通过对市场、客户、资产等方面的数据进行分析，及时发现和防范风险。
最后，该银行加强了人员培训与技术投入，提高了员工的风险意识和技术水平，保障了风险管理的有效实施。
通过以上措施的实施，该银行建立了完整的风险控制体系，有效地预防了各类风险的发生，保障了其经营的稳定性和可持续性。
这一案例为金融机构的风险控制提供了有益的借鉴和启示。
- 1 -。
XX银行风控模型建设方案详细
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。
金融行业大数据风控模型构建和应用推广方案
金融行业大数据风控模型构建和应用推广方案第一章：引言 (3)1.1 项目背景 (3)1.2 项目目标 (3)1.3 项目意义 (3)第二章：大数据风控概述 (4)2.1 大数据风控定义 (4)2.2 大数据风控与传统风控的比较 (4)2.2.1 数据来源 (4)2.2.2 分析方法 (4)2.2.3 反馈机制 (4)2.2.4 效率和成本 (4)2.3 国内外大数据风控现状 (4)2.3.1 国内现状 (5)2.3.2 国际现状 (5)第三章：大数据风控模型构建 (5)3.1 数据采集与处理 (5)3.1.1 数据源选择 (5)3.1.2 数据采集 (5)3.1.3 数据处理 (5)3.2 特征工程 (6)3.2.1 特征选择 (6)3.2.2 特征提取 (6)3.2.3 特征转换 (6)3.3 模型选择与训练 (6)3.3.1 模型选择 (6)3.3.2 模型训练 (6)3.4 模型评估与优化 (7)3.4.1 模型评估 (7)3.4.2 模型优化 (7)第四章：大数据风控模型应用 (7)4.1 信贷风险控制 (7)4.2 市场风险控制 (8)4.3 操作风险控制 (8)4.4 其他应用场景 (8)第五章：大数据风控模型推广策略 (9)5.1 培训与宣传 (9)5.2 技术支持与维护 (9)5.3 合作伙伴关系建立 (9)5.4 政策法规支持 (9)第六章：大数据风控模型推广实施步骤 (9)6.1 项目启动与规划 (9)6.1.1 确定项目目标 (9)6.1.2 项目可行性分析 (9)6.1.3 制定项目计划 (10)6.1.4 成立项目组 (10)6.2 人员配置与培训 (10)6.2.1 人员配置 (10)6.2.2 培训与考核 (10)6.2.3 建立激励机制 (10)6.3 系统建设与部署 (10)6.3.1 技术选型 (10)6.3.2 系统设计 (10)6.3.3 系统开发 (10)6.3.4 系统部署 (10)6.3.5 系统集成 (10)6.4 运营与维护 (10)6.4.1 系统监控 (10)6.4.2 数据维护 (11)6.4.3 模型优化 (11)6.4.4 用户支持 (11)6.4.5 持续改进 (11)第七章：大数据风控模型推广效果评估 (11)7.1 风险控制效果评估 (11)7.1.1 风险识别能力评估 (11)7.1.2 风险防范效果评估 (11)7.2 业务效率提升评估 (11)7.2.1 业务流程优化 (11)7.2.2 人力资源优化 (12)7.3 用户满意度评估 (12)7.3.1 用户感知 (12)7.3.2 用户反馈 (12)7.4 成本效益分析 (12)7.4.1 成本分析 (12)7.4.2 效益分析 (12)第八章：大数据风控模型推广风险分析 (13)8.1 技术风险 (13)8.2 数据安全风险 (13)8.3 法律合规风险 (13)8.4 市场风险 (14)第九章：大数据风控模型推广建议 (14)9.1 政策建议 (14)9.2 技术建议 (14)9.3 业务建议 (15)9.4 合作建议 (15)第十章：总结与展望 (15)10.1 项目总结 (15)10.2 未来展望 (16)10.3 发展趋势预测 (16)10.4 建议实施策略 (16)第一章：引言1.1 项目背景我国金融行业的快速发展，金融风险防控已经成为金融监管和金融机构的核心任务之一。
银行业大数据风控系统建设及应用实施方案
银行业大数据风控系统建设及应用实施方案第一章引言 (2)1.1 项目背景 (2)1.2 项目目标 (3)1.3 项目意义 (3)第二章银行业大数据风控概述 (3)2.1 大数据风控的定义 (3)2.2 大数据风控的原理 (4)2.3 银行业大数据风控的应用 (4)第三章风控系统建设需求分析 (5)3.1 业务需求分析 (5)3.2 技术需求分析 (5)3.3 数据需求分析 (6)第四章系统架构设计 (6)4.1 总体架构设计 (6)4.2 技术架构设计 (6)4.3 数据架构设计 (7)第五章数据采集与处理 (7)5.1 数据采集方式 (7)5.2 数据预处理 (8)5.3 数据存储与管理 (8)第六章风控模型构建与优化 (9)6.1 风控模型构建 (9)6.1.1 模型选择 (9)6.1.2 特征工程 (9)6.1.3 模型训练与验证 (9)6.2 风控模型评估 (9)6.2.1 评估指标 (9)6.2.2 评估方法 (9)6.3 风控模型优化 (10)6.3.1 参数优化 (10)6.3.2 模型融合 (10)6.3.3 模型迭代 (10)第七章系统开发与实施 (10)7.1 系统开发流程 (10)7.1.1 需求分析 (10)7.1.2 系统设计 (11)7.1.3 编码实现 (11)7.1.4 系统集成 (11)7.1.5 系统部署 (11)7.2 系统实施策略 (11)7.2.1 分阶段实施 (11)7.2.2 人员培训 (11)7.2.3 业务协同 (11)7.2.4 数据迁移 (11)7.3 系统测试与验收 (11)7.3.1 单元测试 (11)7.3.2 集成测试 (11)7.3.3 功能测试 (12)7.3.4 安全测试 (12)7.3.5 用户验收 (12)第八章系统运维与管理 (12)8.1 系统运维策略 (12)8.1.1 运维团队建设 (12)8.1.2 运维流程规范 (12)8.1.3 运维监控与预警 (12)8.1.4 运维支持与保障 (12)8.2 系统安全管理 (12)8.2.1 安全策略制定 (13)8.2.2 安全防护措施 (13)8.2.3 安全漏洞管理 (13)8.2.4 安全事件应对 (13)8.3 系统功能优化 (13)8.3.1 硬件资源优化 (13)8.3.2 软件优化 (13)8.3.3 网络优化 (13)8.3.4 系统监控与调优 (13)第九章应用案例分析 (13)9.1 贷款风险控制案例 (14)9.2 信用卡欺诈风险控制案例 (14)9.3 操作风险控制案例 (15)第十章总结与展望 (15)10.1 项目总结 (15)10.2 项目不足与改进 (16)10.3 未来发展趋势与展望 (16)第一章引言1.1 项目背景信息技术的飞速发展，大数据已成为当今社会的重要战略资源。
- 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：严格保密的原则、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
防范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，争取年内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，维护黑名单数据库及时性、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，如电话核实、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。