越来越多的金融机构在打造新一代大数据风控体系过程中，构建智能决策体系的遇到的问题与挑战有什么？

构建智能决策体系的问题与挑战 随着时代的发展和科技的进步，金融科技在金融业务发挥着越来越重要的作用，逐渐成为了 推进业务创新发展的主要力量。其中，大数据创新技术是金融科技最重要组成部分，目前被 广泛的用在获客效率的提升、风控效果的提高、智能投顾、个性化保险、智能客服等方面。 这些大数据创新应用的整套技术架构，包括下层数据底盘，上层业务系统，中间衔接层则是 智能决策体系。本章以大数据风控整套架构体系为例进行阐述。对机构而言，风控是金融机 构核心能力，大数据风控是金融机构的通用需求。 传统的风控技术运用有限，以传统技术 IT 科技为主。当下越来越多的金融机构，依托云计 算底座，结合人工智能技术，广泛利用行内外多维度、线上线下数据，通过决策引擎枢纽， 衔接特征、规则、模型体系，打造自动化分析为主、人工审核为辅的新一代大数据风控体系， 更高效、精准的识别风险，合理定价，让机构更好的长期可持续性地盈利。构建大数据风控 技术体系，从底层系统搭建到上层算法调优，是一件比较复杂的系统性工程，需要构建完整 技术架构。在过程中，从整条链路的视角，自上而下，包括上层业务系统的对接、智能决策 平台构建（含决策引擎、特征平台、模型平台）、数据中台的构建，过程中通常会碰到如下 的问题和挑战：  决策构建：场景中规则多，需要很复杂的策略配置；策略变化多，要能快速响应；传统 依赖代码模式的规则引擎业务人员很难上手，提需求给技术又很难快速响应；策略上线 前，不知道可能的效果；策略上线后，不知道实际效果如何，以及是否有异常出现，无 法做到快速止血；策略在业务关键上，对接的业务系统并发访问量大的时候，系统性能 扛不住，影响业务稳定性……  特征构建：特征数据难找、难用，口径二义性；特征开发实时、离线开发方式不同，上 手门槛高，且有些仿真场景同一个特征需要分别开发两套，成本高；线下线上特征，因 不同人员参与，存在在线与离线代码逻辑不一致问题；特征上线前无法预估效果；特征 上线后不知道稳定性和有效性……  模型构建：模型开发易用性问题；大规模数据量模型训练时效性能问题；模型上线如何 与特征、决策低成本无缝对接；模型上线前效果预估；模型上线后效果评估，有无衰减， 有无异常；模型线上运行稳定性保障…… 数据中台构建：指标同名不同口径频发的数据标准问题；重复建设不仅计算和存储浪费， 更有数据时效性不好等数据质量风险；烟囱式开发的开发周期长、效率低，面向应用服 务化不足导致的需求响应慢问题等。