对公金融数字化体系搭建

胡殿明 感易智能创始人、CEO

 

进入数字经济时代，如何让数据变成新的生产要素，以此通过科技更好地助力金融服务实体经济，这是值得思考的问题。目前，对公金融业务亟需数字化转型，关键在于搭建商机营销管理及信用风险管理的数字化体系。

 

一、对公金融进入新时代

（一）对公金融的发展趋势

对公金融已经进入了一个新的阶段，未来10年将会迎来高速的发展。从三个角度简要分析其发展趋势：一是新的客户形态，包括新兴行业及产业、新的商业模式及上下游关系、新的企业组织形式及集团关系。二是亟需新的服务模式，以使金融机构能够从服务传统企业转变为服务新型企业，从提供单点产品服务扩展为提供多元化解决方案，从服务于单一客户延伸为服务客户及其关联方。三是亟需新的风险管理，包括新的政策导向及监管要求、新的金融生态及竞争环境、新的企业经营行为及其变化。从科技的角度去谈风险管理，科技本身不是去替代风险管理，而是去助力风险管理。

（二）企业信用风险管理面临的新挑战

企业的风险及经营环境的日益复杂化，对应的是新的企业及企业新的行为。产业的转型及大环境的变化。

目前，企业的信用风险管理存在两大挑战：一是新型企业、新的经营行为及变化等使得企业面临的风险日益复杂化；二是国内产业转型升级、全球政治经济格局变迁等外部的企业经营环境也日益复杂化。两者都是长期面临的严峻挑战。

现在愈发复杂的外部环境正在深刻地影响着更多的企业，如何有效地、及时地、准确地把握这些变化，数字化在这方面可以做一些工作。

（三）公金商机营销管理面临的新挑战

产业升级、企业演变及交易创新，给对公金融的商机、策略、产品及服务带来了全新的要求。针对金融机构不同的客户来看，很多中大型的企业是战略客户，是银行维护的重中之重，除了提供多元化的维护方案，还要全面覆盖其供应链及生态链、朋友圈，专门给企业做供应链的融资平台。对于核心客户，需要考虑如何对企业客户进行分层分类，客户的价值如何提升，当其处于临界或流失状态时如何唤醒营销等问题。对于高潜客户，也是金融机构客户关注的重点。从营销角度需要关注如何定义、分类、筛选新兴企业（如新动能、碳中和等领域），如何触达非我行客户等问题。对于关联客户，需要思考从现有存量客户及零售客户能否拓展出关联客户，企业之间的关联关系能否进行链式营销或网状拓客等问题。对于长尾客户，主要关注如何批量获客以及如何降本增效的问题。数字化营销的重点主要是前四类客户，其中还涉及场景渠道建设、目标客户挖掘、客户触达分析、客户需求识别以及产品营销协同。

 

二、对公金融数字化转型的路径

（一）商机营销管理数字化

从科技的角度来看，对公金融数字化首先要进行商机营销管理的数字化。通过大数据及人工智能技术，智能整合内外部的结构化和非结构化数据，深挖企业背后的关联关系，由事件驱动构建精准的、动态的企业客户画像，为客户提供数据化、智能化的业务营销抓手。其中涉及线索发现、企业挖掘、触达分析、需求分析、产品方案以及风险定价六个环节，这些环节主要基于两个主要部分。第一是对企业画像，对客户分群；第二对新客、存客、关联客户和存续期的场景进行建模、对客户不同需求做商机发现及企业风险评估等。对公数字化转型路径如图1所示。

图1 对公数字化转型路径—商机营销管理

（二）企业信用风险管理数字化

对公金融数字化的第二条路径则是企业信用风险管理的数字化。从代签到贷后的管控做的数据、科技的相关分析。在贷前尽调阶段，通过企业客户精准画像，尤其是风险相关的画像以进行风险筛查。而后支持客户经理发起申请，包括预审评分、尽调报告的生成，提高其工作效率，同时也提升其客户命中率。在授信审批阶段，通过数据以辅助决策，如进行相关的指标及趋势分析、行业对标分析等，提高分析的范围及深度。在贷后管理阶段，自动对接审贷数据，可以根据审批意见里提到的要素支持做对应的监控，实现准确、精准、有效风控。通过事件触发预警，可以及时地进行管控，避免让贷后风险管理流于形式化。

 

三、对公金融数字化框架的搭建

对公金融数字化体系主要是从对公金融商机营销管理的数字化和企业信用风险管理的数字化两个角度出发，其框架的搭建分为数据智能和决策智能两个部分。首先是底层基础的数据智能，要让金融信息，尤其是与企业相关的金融信息，包括结构化和非结构化信息，能否用到几大风险评估中。“黑名单”是否能从多元的风险源中筛选出来。底层的数据智能是基础。

从业务角度，核心还是决策者。决策智能建立在数据智能的基础上，一方面建立商机营销的模型分级（模型工厂），另一方面做信用风险相关的建设。简单说一是发现商机。第二是发现风险。同时配套的是统一的模型管理和上层统一的模型应用管理。

底层还要解决数据的问题，不仅解决已经拥有的内外部数据问题，还要解决需要但没有获取到的数据如何在第三方进行安全交换。通过计算去达到使用数据的目的。

（一）数据智能——让数据成为生产要素

在数据智能层面，我们需要针对一个企业进行分析。企业画像分析平台如图2所示。首先需要构建企业的标签体系，进行企业的全景画像，然后才会对它进行分群，即按照特征标签分类，按照资质指标分层。再进一步去挖掘企业主体之间的关系，企业事件背后的逻辑关系。

要达到上述目的，我们需要构建主体的基础信息，如行业、地区、与其相关的机构、人物以及金融证券产品等。然后再关注这些主体所发生的不同类型的事件，辨别这些事件的关键信息，如事件的名称、要素、情感、状态、关系以及影响等。将这两部分的主体信息映射到企业本身，构建企业相关的信息体系：第一，构建企业的特征标签，如别名、产品、概念、资质、评级、排名等标签。第二，构建企业之间的关联关系，如企业的供应链、资金链、股权链、生态链等。第三，构建企业的能力指标体系，如偿债能力、成长能力、盈利能力、经营能力以及现金流状况等。

更底层的数据智能建设，则对金融信息的处理提出了更高的要求。图2展示了金融信息认知计算引擎。首先需要充分收集金融机构内外部的数据，包括各类型的第三方数据。其次，对数据进行解析，尤其是对于一些非结构化的数据，如文档、图像、表单，通常会将它们处理成文本，再进行解析。再次，对数据所涉及的金融事件进行语义理解分析，识别并理解这些合同、新闻或表单描述的事件、涉及的企业主体、企业的交易对手范围以及其他的关联关系等信息。最后，对提取出的金融指标进行计算，涉及统计挖掘、预测分析、衍生计算等。基于这些包括各类事件及指标的主体信息，构建包括主体关系的关联关系以及事件逻辑及其传导。前者是从产业、行业、地区、企业、机构、人物的角度以及从股票、债券、基金、理财等金融产品的角度进行关联分析，后者是分析事件与事件、指标与指标、事件与指标之间的逻辑传导关系，如先后顺序关系、因果关系、包含关系等。

总体而言，通过对金融信息的认知计算，可以支撑企业的画像分析，以此让数据成为公司金融业务的生产要素。

图2 数据智能建设框架

（二）决策智能——助力金融服务实业

决策职能建设框架如图3所示。数据智能的上层是决策智能，目的是为了助力金融、服务实业。围绕企业如何发现新的客户和发现信用风险，本质上是企业需要哪些相应的金融服务。在营销上包括新客户的挖掘、存量客户的价值提升、关联客户的营销以及存续期的营销四个部分；在信用风险发现层面，包括贷前贷后及投前投后两个维度的两个环节去做不同侧重的工作。金融机构在上层的建模分析已经十分专业，重点关注支撑上层模型的底层场景分析。尤其涉及新的数据，新兴产业及新型企业，新的业态，存在一些新的内外部要求，如何相应地去更新模型，提升模型的准确性、时效性、覆盖率。

因此，应该在底层系统地进行产业及行业分析、企业投融资等需求分析、企业风险分析、股债风险分析以及基金理财等产品分析：产业及行业分析包括行业景气度、产业集群情况、政策及市场影响如何传导、对房地产医疗等行业进行专项分析等方面；企业投融资等需求分析包括预测企业的资金需求，挖掘企业的财务顾问需求和资产管理需求，以及根据金融产品寻找潜在企业等；企业风险分析则包括财务异常及行业偏离检测、股权异动及资本运作监测、负面及重大事件追踪以及关联方风险传导等；股债风险分析关注个股风险评分、信用债违约预警、关联风险传导、事件策略因子等方面；产品分析包括全市场的产品市场情报、营销话术、底层风险穿透以及产品的诊断、对比和筛选分析等方面，如此一来，一方面可以提供对公金融服务，另一方面还可以提供财富管理服务。

图3 决策智能建设框架

 

四、思考与感悟

一是在业务层面，不论是对于商机营销还是风控，在新时代都需要数字化，其中的关键在于搭建体系化的数字化。二是在技术层面，要对信息做理解，及时认知计算才能使数据可用可分析，还要让数据智能与专家知识及业务经验结合，才能够助力业务的智能决策。三是在数据层面，需要充分利用内外部数据，特别是海量多源的非结构化数据。

（责任编辑：冉鑫）

来源：2021年高级线下研讨会：公司金融与企业风险管理（7月）