一、大宗行業風險管控背景

首先來介紹一下大宗行業風險管控的背景。

大宗領域與 C 端場景不同，比如淘寶、支付寶的業務更多的是與個人相關，而大宗領域則是大型 B2B 交易，在數據上的表現是非常分散的，所面臨的風險也與互聯網場景完全不一樣。我們前期面向國內頭部大宗貿易型的企業做了大量的調研，如建發集團、廈門國貿，以及象嶼股份，這幾個都是營收規?？梢赃_到 5000 億的巨頭企業。他們之前的業務模式大多是基于個人經驗完成的，即依賴業務專家。但是近幾年國家在推行產業數字化升級，他們也開始向這個方向思考，有哪些數據可以應用？怎么應用？如何輔助業務風險判斷？隨著國內大宗商品企業規模效益凸顯，利潤率逐漸下行，“風險第一，利潤第二，規模第三”成為普遍理念。

在這一背景下，推行大宗行業的數字化轉型服務成為可能。就大宗行業自身而言，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、房地產公司、紡織廠等等。大宗貿易企業負責整合上下游客戶需求，承擔著貿易中介的角色。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：大宗領域的業務合作是相對傳統的 B2B 交易，這里面會包含大量的合同、品控、物流等需要關注的風險，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，即如何通過數據來實現大宗行業上下游客商的信用評估。

二、大宗行業數據應用痛點

將原來在互聯網場景，也就是 C 端用戶場景下數據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驗應用到傳統行業里去，主要面臨以下幾個痛點：

• 一是信息歸集難，受限于整個行業數字化程度的影響，其中的數據非常分散，數據的規范性不足，還存在大量的非結構化數據，如紙質合同或掃描件、音視頻等文件。同時，基于人為經驗的業務操作未進行信息化沉淀。此外，業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，較難轉變為通過數字化手段來完成這些事情。
• 二是價值再造難，數據處理、關聯關系梳理及高價值信息提取難。
• 三是決策智能化難，利用數據去適配業務場景，是非常需要深入到行業縱深去的，在這個行業，我們缺乏相關的資源投入與行業經驗。簡單理解就是個體本身的風險、個體和個體之間的關聯風險，以及它所處的行業屬性帶來的風險差異性，比如零售賣水的行業和一個大宗的鋼鐵貿易的行業，它們的風險表現及數據呈現都是不一樣的，所以數據應用的模式也是不一樣的，這就導致在這種傳統的To B 領域做數據應用存在一定的挑戰。

三、大宗行業數據應用核心能力

近幾年，我們做了深入的調研與實踐，結合幾百家客戶的合作和落地經歷，沉淀了一些核心能力。

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

整個業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控提醒等環節，這些業務環節中的風險監控都是需要用數據模型、算法及指標去支撐的。目前我們已經形成了“數據+模型+平臺”的一套解決方案。

在大宗業務中，針對三類角色，賦能三道業務防線：

• 業務一線，為公司業務員在線下倉庫進行風險盡調時提效。
• 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域的信用風險建設。

首先面向業務一線，我們主要提供便捷方面的能力。比如移動端的盡調工具，能夠讓業務員在出差的過程中，或者在現場倉庫、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，實現線下非結構化數據和線上海量數據之間的融合。

其次面向中后臺部門，構建了一站式的風險管理平臺，把各個維度的客商數據即業務開展情況進行有效整合，并通過可視化的方式進行呈現，實現各個環節業務風險的識別、處置以及后續決策。這樣就可以把原來靠人工經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評估與風險把控方面有一套經驗可以參考和傳承。

對于集團層面來說，可能會關注比如紅線的管理，我們會提供一套數據驅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集團，作為一個國有企業，在客戶授信環節，針對年收入分別為 500 億與 1000 億的兩家客戶，有可能根據歷史經驗，給這兩家企業的授信額度是一樣的，但是通過數據分析之后，發現可以提高 1000 億營收企業的授信額度。如圖，我們會把這兩家企業放到平臺上來，第一步會自動去識別欺詐模型的結果，如果存在欺詐，那這個企業會直接不予合作；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指標。對于熱聯來說，則會定義客戶額度基線，在不同的業務場景里，根據設置的基線實現額度更加有效與可量化的評估與授權。在原有的個人經驗基礎上，通過數據精細化來輔助判斷，幫助業務做得更大更高。

同時，我們需要在底層構建一套數據資產體系，主要包含以下幾個模塊：

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

這是 To B 領域里面，傳統行業下的數據構建邏輯。

此外，還會構建面向行業應用的指標框架。指標體系整體劃分為三大類，第一類是公開指標，如工商、司法等公開的數據；第二類是合作客戶的指標，如財務指標，這類數據一般存儲在企業自身；第三類是螞蟻側基于機器學習算法，包括與客戶合作過程中基于雙方專家經驗模型來沉淀的一些模型指標。

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

基于指標體系，接下來要去構建企業評估的量化模型，如欺詐模型、準入模型、分類分級模型以及授信額度模型等。在模型的構建過程中，首先會結合行業屬性整合多種維度的數據完成客戶的行業分類，如互聯網行業、文娛行業、零售消費行業等，之后基于行業客戶的分布情況進行指標拆解。如圖中所示，包括經營狀況指標、關聯關系指標以及企業資質指標、輿情指標、違法違規指標等，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據表現。

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占位，是高于行業平均還是低于平均，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模型評估結果背后的邏輯，避免原來通過機器學習模型導致的黑盒無法解釋的現象。這是量化評估在傳統行業應用中非常不一樣的地方，傳統行業需要結果可解釋，而不能僅僅是黑盒模型輸出結果。

接下來會把基礎的數據資產標簽和模型結果，呈現成業務可以理解的行業標簽。

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

另外一類是在企業的業務運行中關注的維度，就是縱觀整個行業，該客商在行業中的占位、行業競爭力如何。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的分布、行業占位、行業競爭力做評估。將企業客商這些通用的風險特征，以及他所屬行業相關的差異化特征，再結合實際業務應用中需要監控的特征，整合成這個行業的標簽體系。

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

如何實現螞蟻側數據和客戶側數據的有效融合，從而實現整套服務方案的落地呢？我們把整套數據服務體系分為兩大塊內容，一塊是客戶域，一塊是蟻盾域，就是螞蟻這邊的數據域。要對兩塊數據進行有效融通，同時實現兩塊數據的高效運算。我們會在客戶域做一個分布式的節點，比如我們現在服務于幾百家客戶，就會有幾百個不同的節點，這些節點都具備一套獨立的數據采集處理，包括數據融合的能力，然后在蟻盾域做一個中心化的節點，兩端通過分布式的協同決策來服務客戶的業務應用。

這里面也同時會用到數據隱私計算的能力、分布式數據風險決策的引擎能力，以及數據質量保障上的能力等，通過這些能力共同作用實現螞蟻在傳統大宗行業的風險管控應用落地。