几年之前，一家地方银行拒绝了福建某地几乎所有用户的服务申请，理由是该地域的用户向该银行骗取巨额贷款，无力偿还之后形成大量坏账，让这些银行损失惨重。尽管这种简单、粗暴，带有一丝“地域歧视”色彩的规定使得区域不少正常用户无法获得贷款，但由于确实能够在一定程度上避免坏账损失，最终还是推行了起来。
这项措施执行依据是当地银行的风控。银行风控，狭义讲，是信贷业务贷前授信过程中的风险识别与预防，贷后本息催收过程的风险识别与控制。银行认为名单里的单位或个人存在违约的风险，就会慎重贷款或拒贷，或提高贷款利率。
用户征信、用户数据及“用户画像”等等都是银行风控的重要组成部分。
### 用户画像已经成为金融风控的重要依据
传统的“用户画像”的逻辑是标签化，来源是用户的数据。用户数据主要分为静态数据和动态数据两种，静态数据是指用户相对稳定的信息，如性别、年龄、籍贯、职业等，这类的数据与业务风险相关度低，但是由于其无需深入的建模预测，所以在过去被大量金融机构广泛使用。动态数据指的是用户不断变化的行为信息，如用户的消费金额、消费场所、收入组成、通话记录等等，这些数据能够动态的展示用户的行为特征，在经过多维度的组合之后，能够较为准确的反映特定用户的真实风险状况。
由于用户行为数据对应着不同的量化评估，例如学历、职业等数据维度与风险程度的相关性并不一定很高，但是用户的历史逾期次数、与借贷公司的联系频率与风险程度的相关性就很高了，这些不同维度的数据在风控系统中的评分并不一样，因此对银行风控模型构建带来的影响也不一样。
顶象的深度画像技术运用深度学习处理高纬复杂关系网络，通过对数据的多维度、精细化、关联性的挖掘，避免了单一维度的、标签化的现象，实现了对个体目标纵深的分析，对群体目标更精确的解析、回溯和预判。由于它支持多维度、小样本和无样本的数据分析，满足了企业个性化、多元化的数据挖掘和分析需求。
同时，它提供的可视化的数据展示及在线用户交互，不仅带来直观的体验，更让开发人员操作更简便。由此帮助银行轻松构建贴合业务、满足应用场景的风控模型，从而更精确满足风险管控和个性化营销需求。基于深度画像的银行风控系统，其风险判别准确率可以达到95%以上。
除了增强金融风控能力外，深度画像技术也能够提升业务运营能力。业务运营的核心是用户，是“拉新，促活，留存”，这些就需要深层次了解、熟知用户。通过深度画像能够深入了解用户需求，并提供更具针对性的服务，可以更好的提升业务运营的质量与效率。
回到文章开头。假如那家地方银行采用了顶象技术的深度用户画像系统，那么用户所归属的地域将只会成为风险判断的一个维度，而非唯一标准。既可以更好的降低风险，也能够避免对该区域优质用户的“误杀”。
