作为国民经济中最活跃也极为重要的一部分，小微企业对国家稳就业、促和谐发挥着至关重要的作用。然而，其融资难、融资贵等问题一直限制其发展。为解决这一问题，从中央到地方都要求金融机构加强对小微企业的支持力度，推动小微企业融资增量、扩面、降价，切实解决小微企业融资难题。
作为河南本土金融机构，郑州银行始终坚守“服务地方经济、服务中小企业、服务城乡居民”的市场定位，深入贯彻“疫情要防住、经济要稳住、发展要安全”重要要求，立足金融职能，创新服务措施，强化金融服务，扩大金融供给，提高服务效率，激活金融活水，着力提高小微企业信贷业务获得感和满意度，切实强化普惠金融力度，为地方经济复苏提供坚实的金融支撑。在疫情期间，郑州银行依托金融科技，打造多渠道业务申请，自动化、线上化、智能化业务审批的小微金融服务体系，协助小微企业复工复产。
秉承让小微业务更“简单”、让普惠金融更“普惠”的经营理念，郑州银行以数字化、线上化、智能化为目标，持续开展小微金融数智化转型，深入推进无纸化操作与作业流程，实现线上申贷、线上调查、线上审批、线上签约、线上提款等全线上操作，解决作业流程中业务成本高、效率低等痛点，节省人力、时间成本，提升效率释放产能，服务更多客户，打造数智化小微业务场景生态服务体系。
1.多样化线上申请渠道。疫情期间，为满足广大小微客户的金融需求，避免线下申请业务的客户扎堆现象，郑州银行不断拓展线上服务渠道，在原有手机银行、网上银行的基础上，研发信贷APP、小程序等多种便捷电子服务渠道。除这些行内服务渠道外，郑州银行积极与外部平台合作，如微众银行、京东金融等。通过银政合作，郑州银行入驻郑州中小微企业金融综合服务平台“郑好融”，中小微企业主、个体工商户可登陆“郑好办”，关联法人身份后，进入“郑好融”专区，通过首页进入纾困专区、中小微企业专区、个体工商户专区、个人普惠专区检索郑州银行的产品，即可完成在线申请。自“郑好融”正式上线日，郑州银行半月内已成功服务通过该平台申请的客户467户，授信金额2.4亿元。
2.自动化线上业务审批。为实现贷款流程的自动化审批，提升服务效率，郑州银行以生物识别、图像识别、互联网音视频的技术能力为基础，在客户身份核实、资料审查、扫描录入、面签合同等环节引入人脸识别、在线电核、远程面签、OCR识别等新技术，构建“开放式、多元化、智能化、电子化”新一代零售信贷系统。该系统与大数据风控、RPA、电子签章等智能化、电子化系统协同发力，通过新思维将流程、数据与科技有效结合，实现了信贷管理和风险控制决策的科学化，加快实现线上自动化处理审批，服务效率得以大幅提升。
3.智能化全流程风控管理。基于大数据、人工智能等技术，融合内外部数据，搭建大数据风控系统，实现智能化、自动化、全流程的风控管理。其中，贷前环节包括准入判断、贷前反欺诈、贷前信息核验等；贷中环节主要是进行信息复查，通过获取客户的执行信息、多头负债、法律纠纷、网络欺诈等方面信息，判断客户信用稳定性，及时监控客户在授信审批期间的信用变化，提前准备、提早应对；贷后环节重在实时的风险监控预警。此外，郑州银行利用智能呼叫控制、自然语言处理（NLP）、智能语音（ASR/TTS）等技术手段,建设了智能外呼机器人系统，由智能机器人基于客户逾期数据进行集中外呼，并将外呼结果以及客户信息返回至源系统，有效提高催收效率。
从小微金融技术服务体系可以看出，大数据风控系统在小微业务全流程的服务中均起着至关重要的作用。这是由于在大力推进小微金融的同时，其中的潜在风险不容小觑。相对于大中型企业，小微企业规模小、竞争力不强，且本身治理结构相对不够完善，财务制度不健全，天行体育平台与金融机构之间的信息不对称问题较为严重，金融服务风险大。在此背景下，郑州银行在敏捷、安全、高效的前提下，基于大数据和人工智能先进技术，搭建了大数据风控系统，以技术助力小微金融风险防控。该系统以人工智能中台为技术底座，充分利用行内外数据，围绕产品特性和业务属性开展特色化风控模型研发，为前台提供精细化、智能化、可视化的智能风控服务。从技术角度看，大数据风控系统自底而上分别为基础设施层、数据中心层、模型研发中心、模型算法集市和应用中心。
2.数据中心层。“巧妇难为无米之炊”，只有夯实数据基础，后续的大数据和人工智能算法才能发挥用武之地。因此，构建规范和完整的数据中心层是整个系统的根基。根据数据来源，本层的数据可以分为两大部分：行内数据和外部数据。行内数据包含有客户基本信息和交易数据等，通过对原始数据进行清洗、整合以及再加工，根据数据应用方向构建了信用风险数据集市、市场风险数据集市、操作风险数据集市、合规风险数据集市四大模块。外部数据通过与政府大数据局合作等方式获取，包含客户的征信数据、工商数据、司法数据、反欺诈数据、以及公积金社保等数据。
3.模型研发中心。模型研发是整个系统的核心，其决定了每个模型的解决方案。在该中心中用于深度学习的框架有PyTorch、TensorFlow和PaddlePaddle；用于传统机器学习的框架有Sklearn、Pandas和Sophon；HanLP用于非基于深度学习的自然语言处理；Spark则用于图计算，为诸如路径查找、社区发现和度中心性算法的问题提供高性能的计算框架。为了应对不同模型开发的需求，在开发工具方面，提供了可视化建模、NoteBook和IDE等三种不同的开发形式。
4.模型算法集市层。针对小微金融的特殊性，为了保证风险控制能力，需要对不同的应用场景进行分析和总结，借助大数据和人工智能算法，根据不同的应用场景选用合适的算法模型。该集市汇集了常用的风控算法，主要分为四类：图像处理、自然语言处理、图计算和机器学习。实际应用中，机器学习主要应用于客户分类；图像处理的典型应用是财报识别，通过与信贷系统对接，减轻客户经理在贷前和贷后财报的录入和校验工作，并提高其准确性，降低操作风险；基于图计算的理论开发了疑似集团关系识别、疑似实控人识别、受益所有人识别和关系查找等图谱应用，加强了对客户的风险把控；自然语言处理作为文字识别后置应用，用来针对文字做纠错，从而提高文字识别的准确率。随着业务的不断深入，图计算和图卷积神经网络逐步应用于反欺诈、风险预警、贷后失联信息修复、风险传导、开卡风险识别、团伙欺诈检测和社交网络分析方面。
5.应用中心层。本系统的智能应用场景主要可分为三大类：贷前准入判断、客户评级和贷后风险预警。贷前准入判断一般使用决策树等算法，结合基于知识图谱的疑似集团关系识别等技术，包括但不限于判断客户申请信息是否符合产品偏好及合规性要求、贷前信息核验（判断客户申请信息真实性）、贷前反欺诈黑名单过滤、客户涉诉情况判断、客户逾期预测等。客户评分评级环节先根据企业的行业归属和规模大小对企业进行归类，针对不同类型的企业使用特定逻辑回归等算法，根据申请客户的负债情况、行为特征、企业状态和纳税信息等智能地对客户评分和评级，进而提供授信决策、贷款额度和贷款利率建议。贷后环节重在风险监控以及风险预警的及时性，一是根据放款后客户的还款情况与逾期情况，进行逾期预警、逾期催收等；二是参照贷中信息复查，利用疑似集团关系识别等技术，以及分析客户外部数据表现，及时监测客户的风险状况。
随着金融科技的发展，郑州银行持续推进数字化转型，以科技赋能业务发展。目前，在多方系统的建设与优化中，郑州银行逐步实现智能、高效的小微金融审批作业。截至2022年11月末，郑州银行小微企业贷款余额约1530亿元，小微贷款余额户数6.8万户。作为区域性银行，回归金融本源初心、服务本地实体经济是郑州银行义不容辞的责任，郑州银行将持续强化小微金融服务技术设施，稳步推进小微金融数字化转型，为地方实体经济高质量发展作出贡献。
天行体育