城商行靠智能风控把零售不良率从3.8%压到1.2%，真实复盘

2025年秋天，我接到一个老朋友的电话。他在某省一家城商行当副行长，负责零售信贷条线。电话里他语气挺急："我们行去年零售贷款不良率冲到3.8%了，总行下了死命令，年底必须压到2%以内，不然整个条线的人绩效全砍。"

干了十几年金融IT外包，这种电话我接过不少。但3.8%这个数字还是让我吃了一惊——行业平均水平在1.5%左右，他们高出整整一倍多。

问题到底出在哪？

他们行的情况，其实是国内很多中小银行的缩影。

第一，审批全靠老师傅。 全行信贷审批岗就8个人，5个是干了二十年以上的老员工。经验丰富，但效率太低了。一笔20万的个人消费贷，从客户提交资料到最终放款，平均要走7.3天。客户等不起，很多优质客户就这么流失了。

第二，风控模型跟不上时代。 他们用的还是2018年采购的那套评分卡系统，规则写死了——有房加分、有车加分、工作单位是国企加分。但现在的市场环境，很多小微企业主、自由职业者、新市民群体，根本没这些传统意义上的"硬资产"，这些人恰恰是零售信贷最有潜力的客群。

第三，数据孤岛。 行里的信贷系统、核心系统、手机银行、外部征信接口，四个系统各管各的，数据根本打不通。信贷员要查客户的流水，得登录三个不同系统，手动复制粘贴。

听着是不是很熟悉？很多中小银行都有同样的问题。

他们试过什么方案（踩了哪些坑）

出了问题，领导第一个想到的是"买个系统"。他们花了180万采购了一套市面主流的智能风控平台，号称"AI驱动、全流程自动化"。

结果呢？

第一个坑：大厂产品太重，根本落不了地。 那套系统是给头部股份制银行设计的，光部署环境就要16台服务器，他们行IT团队一共就6个人，连个专职DBA都没有。折腾了两个月，连基础环境都没搭好。

第二个坑：数据质量太差，模型跑不动。 好不容易把系统装上了，一跑数据发现，他们行过去五年的信贷数据，字段缺失率超过40%。很多关键字段——客户职业、收入水平、负债情况——要么是空的，要么是手工录入的"自由文本"（比如"做点小生意"、"月入大概万把块"）。这种数据质量，再好的AI模型也白搭。

第三个坑：老师傅们不买账。 "我干了二十年信贷，你让我信一个黑盒子？"这是审批团队老张的原话。系统给出一个"拒绝"的决策，但没有任何解释，客户经理没法跟客户交代，久而久之大家就绕过系统，还是按老办法审。

他们最终怎么干的

折腾了半年，180万打了水漂。后来他们找到我们，说"别再整那些花里胡哨的，我们要一个能真正用起来的方案"。

第一步：先做数据治理，再谈AI。 这是最没技术含量但也最重要的一步。我们花了6周时间，帮他们把过去五年的信贷数据做了清洗和标准化。具体做了三件事：

1. 把所有"自由文本"字段做了NLP解析，把"做点小生意"标准化成"个体工商户/批发零售"
2. 从核心系统拉了客户的交易流水数据，补充了收入相关的字段
3. 接入了三个外部数据源——税务数据、社保数据、法院执行信息

数据做干净了，后面的事情就顺了。

第二步：轻量化风控引擎，不是买平台，是做定制。 我们没有推荐他们再买一套大而全的平台。相反，我们用了一套开源的规则引擎（Drools）+轻量级机器学习框架（XGBoost），搭了一个双层审批模型：

• 第一层（规则引擎）： 把老师傅们的经验规则化。比如"近3个月查询征信超过6次>自动进入人工审核"、"社保连续缴纳12个月以上>信用加分"。这些规则是审批团队自己定的，他们看得懂、信得过。
• 第二层（机器学习）： 用清洗后的历史数据训练了一个XGBoost模型，输出的是一个"风险评分+关键因子解释"。比如"评分620分，主要扣分项：近6个月交易流水波动率超过40%"。这样客户经理能看懂、能解释。

第三步：渐进式上线，先跑并行的。 我们没有一刀切地替换老系统。新模式上线的前两个月，所有贷款都是"双轨审批"——老系统走一遍，新系统也走一遍。对比结果，让数据说话。两个月后，新系统的审批通过率比老系统高了12%，不良率反而低了0.6个百分点。老师傅们看到数据，自己就愿意用了。

效果怎么样？

系统上线运行6个月后，数据是这样的：

最让我意外的一个数据是：客户7天复贷率从18%涨到了43%。以前客户贷一笔款要等一周，体验太差，很少有人愿意再来。现在8分钟到账，体验好了，复贷自然就上来了。

这件事给我的几点启发

1. 中小银行数字化转型，不要迷信大厂产品。 头部银行的那套系统，对中小银行来说太重、太贵、太复杂。轻量化、可定制的方案，反而更适合。

2. 数据治理是第一步，但不一定非要花大钱。 很多中小银行觉得数据治理是大工程，动辄几百万预算。但实际上，先把核心的几个字段清洗干净，就能让模型效果提升一大截。关键是要有人去做，而不是花钱买工具。

3. 要让一线用起来，不能只靠行政命令。 老师傅们不信任AI，不是他们保守，而是AI没有给他们足够的解释。如果你能让模型输出"为什么"而不是"是什么"，一线的接受度会高很多。

如果你也在考虑银行系统的数字化转型，或者对智能风控、信贷审批系统的定制开发感兴趣，欢迎来 智岳科技 聊聊。我们服务过十几家中小银行和金融机构，在数据治理、轻量化风控系统定制方面经验比较丰富，可以根据你的实际需求给出客观建议。