一、大宗行業(yè)風險管控背景

首先來介紹一下大宗行業(yè)風險管控的背景。

大宗領(lǐng)域與 C 端場景不同，比如淘寶、支付寶的業(yè)務更多的是與個人相關(guān)，而大宗領(lǐng)域則是大型 B2B 交易，在數(shù)據(jù)上的表現(xiàn)是非常分散的，所面臨的風險也與互聯(lián)網(wǎng)場景完全不一樣。我們前期面向國內(nèi)頭部大宗貿(mào)易型的企業(yè)做了大量的調(diào)研，如建發(fā)集團、廈門國貿(mào)，以及象嶼股份，這幾個都是營收規(guī)模可以達到 5000 億的巨頭企業(yè)。他們之前的業(yè)務模式大多是基于個人經(jīng)驗完成的，即依賴業(yè)務專家。但是近幾年國家在推行產(chǎn)業(yè)數(shù)字化升級，他們也開始向這個方向思考，有哪些數(shù)據(jù)可以應用？怎么應用？如何輔助業(yè)務風險判斷？隨著國內(nèi)大宗商品企業(yè)規(guī)模效益凸顯，利潤率逐漸下行，“風險第一，利潤第二，規(guī)模第三”成為普遍理念。

在這一背景下，推行大宗行業(yè)的數(shù)字化轉(zhuǎn)型服務成為可能。就大宗行業(yè)自身而言，上游是各種原材料的供應商，如鐵礦石、大豆、玉米、棉花等等，下游則是建筑公司、房地產(chǎn)公司、紡織廠等等。大宗貿(mào)易企業(yè)負責整合上下游客戶需求，承擔著貿(mào)易中介的角色。在這個過程中主要包括以下幾類風險：

• 市場風險：近幾年疫情的影響，以及國際形勢的不穩(wěn)定，導致大宗市場供應需求、流動性及價格的波動、匯率的變化，這些稱作市場風險。
• 操作風險：大宗領(lǐng)域的業(yè)務合作是相對傳統(tǒng)的 B2B 交易，這里面會包含大量的合同、品控、物流等需要關(guān)注的風險，稱作操作風險。
• 信用風險：雙方信用是交易保障的前提，評估上游供應商與下游客戶的信用情況則尤為重要，所以信用風險是我們切入研究的一個主要場景，即如何通過數(shù)據(jù)來實現(xiàn)大宗行業(yè)上下游客商的信用評估。

二、大宗行業(yè)數(shù)據(jù)應用痛點

將原來在互聯(lián)網(wǎng)場景，也就是 C 端用戶場景下數(shù)據(jù)應用的思路以及方法論，包括應用算法以及計算平臺上的經(jīng)驗應用到傳統(tǒng)行業(yè)里去，主要面臨以下幾個痛點：

• 一是信息歸集難，受限于整個行業(yè)數(shù)字化程度的影響，其中的數(shù)據(jù)非常分散，數(shù)據(jù)的規(guī)范性不足，還存在大量的非結(jié)構(gòu)化數(shù)據(jù)，如紙質(zhì)合同或掃描件、音視頻等文件。同時，基于人為經(jīng)驗的業(yè)務操作未進行信息化沉淀。此外，業(yè)務員習慣人工線下定期去獲取信息，比如倉庫盤點、物流排查，較難轉(zhuǎn)變?yōu)橥ㄟ^數(shù)字化手段來完成這些事情。
• 二是價值再造難，數(shù)據(jù)處理、關(guān)聯(lián)關(guān)系梳理及高價值信息提取難。
• 三是決策智能化難，利用數(shù)據(jù)去適配業(yè)務場景，是非常需要深入到行業(yè)縱深去的，在這個行業(yè)，我們?nèi)狈ο嚓P(guān)的資源投入與行業(yè)經(jīng)驗。簡單理解就是個體本身的風險、個體和個體之間的關(guān)聯(lián)風險，以及它所處的行業(yè)屬性帶來的風險差異性，比如零售賣水的行業(yè)和一個大宗的鋼鐵貿(mào)易的行業(yè)，它們的風險表現(xiàn)及數(shù)據(jù)呈現(xiàn)都是不一樣的，所以數(shù)據(jù)應用的模式也是不一樣的，這就導致在這種傳統(tǒng)的To B 領(lǐng)域做數(shù)據(jù)應用存在一定的挑戰(zhàn)。

三、大宗行業(yè)數(shù)據(jù)應用核心能力

近幾年，我們做了深入的調(diào)研與實踐，結(jié)合幾百家客戶的合作和落地經(jīng)歷，沉淀了一些核心能力。

首先，在數(shù)據(jù)層面，要匯集多源數(shù)據(jù)。我們會把行業(yè)的一些宏觀中觀數(shù)據(jù)，與企業(yè)自身的微觀信息進行整合，然后在此基礎(chǔ)上構(gòu)建圍繞行業(yè)特有的信用風險所關(guān)注的維度，比如空殼、虛假國企，將財務相關(guān)的盈利性、償債能力等一些具有行業(yè)屬性的特征抽象出來，基于行業(yè)化的風險特征和畫像，再去構(gòu)建面向業(yè)務場景的數(shù)據(jù)模型。

整個業(yè)務流程會分為客商準入、客商的分類分級，合作的授信額度、合同風險異動的實時監(jiān)控提醒等環(huán)節(jié)，這些業(yè)務環(huán)節(jié)中的風險監(jiān)控都是需要用數(shù)據(jù)模型、算法及指標去支撐的。目前我們已經(jīng)形成了“數(shù)據(jù)+模型+平臺”的一套解決方案。

在大宗業(yè)務中，針對三類角色，賦能三道業(yè)務防線：

• 業(yè)務一線，為公司業(yè)務員在線下倉庫進行風險盡調(diào)時提效。
• 二是為公司的中后臺部門，比如風險管理部門、客戶管理部門，或運營管理部門，防范業(yè)務中的風險，提供一站式的客商風險管理平臺，幫助他們進行整體的風險把控。
• 三是幫助公司管理層開展整體的精細化運營。

接下來將分別從這幾個維度，來探討如何做好大宗領(lǐng)域的信用風險建設(shè)。

首先面向業(yè)務一線，我們主要提供便捷方面的能力。比如移動端的盡調(diào)工具，能夠讓業(yè)務員在出差的過程中，或者在現(xiàn)場倉庫、與物流或車隊的交流過程中，實時地基于手機端就可以進行信息的獲取和填報，同時支持財報真實性及圖片自動化識別的能力，實現(xiàn)線下非結(jié)構(gòu)化數(shù)據(jù)和線上海量數(shù)據(jù)之間的融合。

其次面向中后臺部門，構(gòu)建了一站式的風險管理平臺，把各個維度的客商數(shù)據(jù)即業(yè)務開展情況進行有效整合，并通過可視化的方式進行呈現(xiàn)，實現(xiàn)各個環(huán)節(jié)業(yè)務風險的識別、處置以及后續(xù)決策。這樣就可以把原來靠人工經(jīng)驗去做的事情慢慢地沉淀到平臺上來，使得整個公司在企業(yè)評估與風險把控方面有一套經(jīng)驗可以參考和傳承。

對于集團層面來說，可能會關(guān)注比如紅線的管理，我們會提供一套數(shù)據(jù)驅(qū)動的精細化運營手段。舉一個簡單例子，我們之前服務的杭州熱聯(lián)集團，作為一個國有企業(yè)，在客戶授信環(huán)節(jié)，針對年收入分別為 500 億與 1000 億的兩家客戶，有可能根據(jù)歷史經(jīng)驗，給這兩家企業(yè)的授信額度是一樣的，但是通過數(shù)據(jù)分析之后，發(fā)現(xiàn)可以提高 1000 億營收企業(yè)的授信額度。如圖，我們會把這兩家企業(yè)放到平臺上來，第一步會自動去識別欺詐模型的結(jié)果，如果存在欺詐，那這個企業(yè)會直接不予合作；否則就會進入到下一步，判斷是否存在其他的負面信息，比如虛假的財報信息，如果都通過的情況下，會進入客商評級模型，不同等級的客戶會配備不一樣的行業(yè)指標。對于熱聯(lián)來說，則會定義客戶額度基線，在不同的業(yè)務場景里，根據(jù)設(shè)置的基線實現(xiàn)額度更加有效與可量化的評估與授權(quán)。在原有的個人經(jīng)驗基礎(chǔ)上，通過數(shù)據(jù)精細化來輔助判斷，幫助業(yè)務做得更大更高。

同時，我們需要在底層構(gòu)建一套數(shù)據(jù)資產(chǎn)體系，主要包含以下幾個模塊：

• 首先整合內(nèi)外部的大量數(shù)據(jù)。這里的外部數(shù)據(jù)是指螞蟻側(cè)通過采集、購買或業(yè)務合作沉淀下來的各種類型的數(shù)據(jù)，如工商、司法、稅務，包括知識產(chǎn)權(quán)等維度，內(nèi)部數(shù)據(jù)是指和客戶合作過程中客戶自身的一些數(shù)據(jù)。
• 其次是數(shù)據(jù)集成。為了實現(xiàn)數(shù)據(jù)的集成、融合以及多元數(shù)據(jù)的安全共享，我們構(gòu)建了一套多元數(shù)據(jù)樞紐能力來實現(xiàn)數(shù)據(jù)之間的鏈接和有效融合。
• 最后在數(shù)據(jù)整合之后，會對多維度的分散數(shù)據(jù)進行實體歸戶，將其掛靠到所屬的企業(yè)、所屬的行業(yè)以及所屬的個體上面來，按照常規(guī)數(shù)據(jù)倉庫的構(gòu)建邏輯，劃分成不同的主題，形成數(shù)據(jù)資產(chǎn)。再基于構(gòu)建的基礎(chǔ)數(shù)據(jù)層，圍繞大宗行業(yè)的需要，構(gòu)建行業(yè)本身的特定標簽池。

這是 To B 領(lǐng)域里面，傳統(tǒng)行業(yè)下的數(shù)據(jù)構(gòu)建邏輯。

此外，還會構(gòu)建面向行業(yè)應用的指標框架。指標體系整體劃分為三大類，第一類是公開指標，如工商、司法等公開的數(shù)據(jù)；第二類是合作客戶的指標，如財務指標，這類數(shù)據(jù)一般存儲在企業(yè)自身；第三類是螞蟻側(cè)基于機器學習算法，包括與客戶合作過程中基于雙方專家經(jīng)驗模型來沉淀的一些模型指標。

大宗行業(yè)的各家企業(yè)，對于客商準入都有自身的一套準入標準和準入規(guī)則體系，需要構(gòu)建指標體系來進行支撐。

基于指標體系，接下來要去構(gòu)建企業(yè)評估的量化模型，如欺詐模型、準入模型、分類分級模型以及授信額度模型等。在模型的構(gòu)建過程中，首先會結(jié)合行業(yè)屬性整合多種維度的數(shù)據(jù)完成客戶的行業(yè)分類，如互聯(lián)網(wǎng)行業(yè)、文娛行業(yè)、零售消費行業(yè)等，之后基于行業(yè)客戶的分布情況進行指標拆解。如圖中所示，包括經(jīng)營狀況指標、關(guān)聯(lián)關(guān)系指標以及企業(yè)資質(zhì)指標、輿情指標、違法違規(guī)指標等，再往下拆解這些指標背后所依賴的正負面的標簽，基于標簽再去拆解這些標簽背后的具體數(shù)據(jù)表現(xiàn)。

比如主營收入良好，那么這個標簽良好的定義是什么？我們會去分析這個標簽所處的行業(yè)占位，是高于行業(yè)平均還是低于平均，以及具體的營收情況。通過層層拆解與下鉆，讓客戶能夠理解企業(yè)模型評估結(jié)果背后的邏輯，避免原來通過機器學習模型導致的黑盒無法解釋的現(xiàn)象。這是量化評估在傳統(tǒng)行業(yè)應用中非常不一樣的地方，傳統(tǒng)行業(yè)需要結(jié)果可解釋，而不能僅僅是黑盒模型輸出結(jié)果。

接下來會把基礎(chǔ)的數(shù)據(jù)資產(chǎn)標簽和模型結(jié)果，呈現(xiàn)成業(yè)務可以理解的行業(yè)標簽。

第一類是企業(yè)自身的風險，包括其基礎(chǔ)信息，如所屬的行業(yè)性質(zhì)，是貿(mào)易型公司還是工廠或是礦山，以及行業(yè)分類是屬于煤炭、鋼鐵，還是糧食或棉花等，同時會關(guān)注其財務狀況，如償債能力、盈利狀況等，此外還有比如是否存在訴訟，近幾年是否會發(fā)生一些高危的敗訴等等這些風險表現(xiàn)，所有這些數(shù)據(jù)指標都是結(jié)合行業(yè)的特點去抽象和提煉的。

另外一類是在企業(yè)的業(yè)務運行中關(guān)注的維度，就是縱觀整個行業(yè)，該客商在行業(yè)中的占位、行業(yè)競爭力如何。這些決定了與這個客戶合作過程中應該采取的策略，比如要跟鋼鐵行業(yè)的中間客戶合作，排除頭部及尾部各十個，這里面就要對整個行業(yè)的分布、行業(yè)占位、行業(yè)競爭力做評估。將企業(yè)客商這些通用的風險特征，以及他所屬行業(yè)相關(guān)的差異化特征，再結(jié)合實際業(yè)務應用中需要監(jiān)控的特征，整合成這個行業(yè)的標簽體系。

數(shù)據(jù)安全也是該解決方案中面臨的比較大的難點，伴隨著這兩年數(shù)據(jù)安全和個人信息保護法重要度的提升，大部分企業(yè)，尤其是國央企對于自身數(shù)據(jù)安全方面有更多的顧慮。

如何實現(xiàn)螞蟻側(cè)數(shù)據(jù)和客戶側(cè)數(shù)據(jù)的有效融合，從而實現(xiàn)整套服務方案的落地呢？我們把整套數(shù)據(jù)服務體系分為兩大塊內(nèi)容，一塊是客戶域，一塊是蟻盾域，就是螞蟻這邊的數(shù)據(jù)域。要對兩塊數(shù)據(jù)進行有效融通，同時實現(xiàn)兩塊數(shù)據(jù)的高效運算。我們會在客戶域做一個分布式的節(jié)點，比如我們現(xiàn)在服務于幾百家客戶，就會有幾百個不同的節(jié)點，這些節(jié)點都具備一套獨立的數(shù)據(jù)采集處理，包括數(shù)據(jù)融合的能力，然后在蟻盾域做一個中心化的節(jié)點，兩端通過分布式的協(xié)同決策來服務客戶的業(yè)務應用。

這里面也同時會用到數(shù)據(jù)隱私計算的能力、分布式數(shù)據(jù)風險決策的引擎能力，以及數(shù)據(jù)質(zhì)量保障上的能力等，通過這些能力共同作用實現(xiàn)螞蟻在傳統(tǒng)大宗行業(yè)的風險管控應用落地。