2013年，“大数据”的概念在一夜之间风起云涌，那一年也被公认为大数据元年。起初，银行业似乎人人都在讨论，却没人真正见过大数据。很长一段时间，大数据未曾在银行业结出果实。
(相关资料图)
之后，以互联网支付、采用互联网模式运营的银行为代表的金融科技大爆发，在蓬勃发展的机器学习、深度学习的加持下，大数据在零售和小微企业金融领域大放异彩，大数据也终成银行业新常态。
这也点燃了银行业采用科技手段对公司金融业务进行决策数字化、智能化和自动化的升级热情。领先金融机构不断传出建设对公金融大脑的消息。
不可否认，公司金融业务中数据的应用范围、数据获取、特征及标签的加工与应用的自动化水平得到了显著提升，然而业务决策仍然需要专业人员、审贷委员会的人脑进行。
2023年，“大模型”横空出世，其在特定领域的惊艳表现让人们看到了拥有智能决策助手的可能性。人类对于智能的追求和探索，让我们无法不联想到银行在金融大脑方面的坚持与期许，经历了瓶颈期之后，对公金融大脑的探索即将展开新的篇章。
如何实现“公司金融决策智能”？通过现有的大模型技术训练而涌现出来吗？显然这仍有漫长的道路要走。我们认为，不积跬步，无以至千里，决策关键环节中对专家共性行为的数字化和组件化是必经之路，唯此方能逐步完善金融大脑拼图。
一、数智化信贷政策
信贷政策是银行信贷投放的纲领，是主动式管理的核心，是金融大脑的中枢管控组件。目前，经济发展面临一定挑战和不确定性，一些行业的底层逻辑和发展前景快速变化，行业风险超越个体风险上升为关注要点。同时，我国加快发展现代产业体系，推动产业升级，新兴产业呈现变化快，技术复杂，商业周期区别于传统行业，所处内外环境复杂多变等特点，行业认知壁垒显著提升。银行信贷政策需要数智化升级，动态捕捉行业变化及风险，快速认知与剖析新兴产业，为信贷政策决策赋能。
1、行业数智化分析
对于行业的数智化分析应当具备四方面的能力：
1）第一，对每个行业进行数字化描述，包括但不限于行业的经营模型（如资产运营模式、盈利模式、产业链地位等），景气周期，价值分布，行业竞争格局，政策导向等，为用户提供行业的基础认知，并引导后续具体政策要素的制定。
2）第二，基于行业经营及财务大数据对行业的现状进行动态和准确的量化评价，识别并提示行业风险，包括但不限于客户行业所处成长周期位置，盈利能力及质量水平，行业债务水平的健康程度及可持续性等。
3）第三，采用宏观、中观与微观三位一体的结构化量化分析体系对行业的经营表现进行预测，体系应能反映宏观向特定行业的传导逻辑，应能反映中观层面行业间的共振、传导、行业周期及趋势的影响，并能穿透到行业中的微观个体并作出有效的分层与分群。
4）第四，以产业链视角对行业进行刻画，为用户提供洞悉产业全局的量化决策依据。
上述统一框架需适用所有行业，然而新兴产业数智化分析无疑有更高的要求。
1）首先，我们认为行业数智化分析应能基于国家及地区的引导政策、热点投资方向、行研分析等，探知识别新兴产业。
2）其次，对新兴产业的画像需要重点剖析产业的业务逻辑、最终产品的应用现状及前景、所处的发展阶段、国外领先市场的情况，利用股权投资数据和企业财务经营数据刻画行业经营状况。此外，还需重点剖析产业链布局、关键生产要素和技术及相关瓶颈、国内外政策导向及监管要求等关键内容，形成产业发展可行性评价。
3）最后，刻画行业特有的经营旅程，如芯片行业特色研发流程中的流片，梳理各环节的经营风险、关键标志、金融服务需求，并将金融产品与其进行映射。
2、区域数智化分析
区域的数智化分析应对区域性银行和银行区域分支机构的客群挖掘、信贷业务以及区域政信业务的投放提供决策引导。
1）第一，构建区域政信的全景展示，包括经济实力、财政实力、狭义及广义债务水平和构成、非财政资源和金融资源等。
2）第二，建立区域的产业现状及发展潜力的画像和量化评价。首先是刻画区域行业布局，对整体布局特点以及龙头行业为用户提供清晰描述。
3）在此基础上，基于工商、财务及经营数据对区域产业经营表现进行量化评价。进一步，结合行业数智化分析能力中的行业预测模型形成区域产业经营表现的预测。
上述多维度的分析与展示帮助信贷决策人员以全局视角了解潜在机遇与风险，为银行提供客群挖掘的产业指引，也为评价区域财政实力潜力及偿债能力提供支持。
二、企业财务经营动态分析
企业评级和大数据预警等数智化实践在公司信贷业务中逐渐普及，然而这些是信贷决策机制上的补充，仍无法替代信贷流程中基于专家经验的评估与决策，银行需要构建数智化尽调、审批和贷后管理等能力，这均离不开对企业财务和经营的动态分析能力。
1、财务风险分析
相比评级和预警中应用的关键财务指标，财务报表和财务数据为银行提供了企业全面和立体的经营信息，有效使用财务数据，识别企业财报质量、财务欺诈风险和财务健康风险至关重要，也避免在评级和预警中错误使用财务指标（如财务欺诈对关键指标的影响）。
在实践中，财务风险的分析仍大量依赖人工处理及计算，存在业务处理时效性差，操作风险高的问题；分析缺乏全面、统一的甄别和评判标准；专家的财务知识和经验无法得到有效共享、复用与传承。
财务风险分析应当自动化、标准化并能将专家经验数智化并复用。
1）第一，自动化，提炼专家财务分析中具备通用性部分，根据业务需要对财务数据和指标进行充分的衍生和自动化计算，例如计算衍生科目、结构性指标、趋势性指标、标签类指标和分析类指标等，并以利于分析的方式展示和应用。
2）第二，标准化，建立在行业专精基础上的标准化，根据行业的特点以标准化的方式对行业重点科目、指标、财务风险在行业口径内进行对比与分析。
3）第三，专家经验数智化，要确保分析体系的可解释性，财务风险识别框架和组件来源于对财务风险事件和专家分析经验的高度归纳及数字化复现，分析组件能“模拟”专家分析行为、识别信号、捕捉内涵联系、实现风险归因和解释，并对风险水平进行量化，如同财务老专家协助抽丝剥茧，帮用户做到知其然更知其所以然。
4）最后，还应具备自动化生成标准财务分析报告的能力，按照业务主题建立报告模板，实现各类财务风险的归因分析和行动建议提示，方便信审人员审阅，从而有效提升授信审批的效率和质量。
2、经营风险分析
经营分析是深入经营细节，去伪存真，基于各类信息刻画企业的经营、筹融资及投资活动，识别和评价经营风险的过程。根据公司客户所属分层，经营分析可能与财务报表分析结合应用，而对中小层级的客群而言，经营风险分析为主，应能替代财务风险分析，还原企业经营真实情况。
1）首先，结合人工尽职调查，利用银行可获取的数据（税务、发票及流水等）对企业经营情况进行数智化描述，按照经营、筹融资和投资活动的框架形成规模、变动、结构等整体性描述，并支持重要交易和对手等的识别与刻画。在此基础上，识别无法合理划分为上述三类活动的经济往来。
2）第二，基于数智化、组件化的分析工具针对前述信息进行分析，识别欺诈等需在分析真实经营情况之前甄别的重大风险，如虚构交易，信贷资金挪用，过度的民间借贷行为等。
3）第三，在去伪存真之后，对企业经营、筹融资和投资活动的健康及景气情况展开立体化分析，以行业专精的方式输出对比和量化分析结果，辅助决策。
4）第四，以供应链视角充分使用交易类数据，刻画企业质量（在所处的产业链中），挖掘产业链上下游的商业机会。
5）最后，针对大中型企业分层，需能提供可深入到交易的分析结果，进一步校准财务风险分析结论。
行业专精的分析同样适用于经营风险分析，对重点行业可以结合行业专业信息，如产能产量、价格、去化率等数据，通过建立行业专精评估模型，为财务或经营风险分析通用组件提供必要补充。
三、行业专精的企业经营分析
对于重点行业，银行应致力于以数智化信贷政策为指引，采用通用组件+行业专精组件结合的方式建立“专业化、精细化、特色化”的数智化决策支持体系。
以房地产行业为例：
财务风险行业专精化分析时，基于对行业的刻画和理解，相比其他行业需重点识别隐性负债并评价其影响程度。经营风险分析专精化分析时出企业本身需向上关注区域、向下关注储备项目，采用公司+区域+项目的结构化模型结构开展立体化的定量分析。在评价公司时可以使用土储、拿地、销售等行业专精数据建模；在评价区域时可以使用区域经济数据、人口流动趋势、土地交易水平等行业专精数据建模；在评价项目时可以使用项目关键参数，甚至是周边配套设施数据建模。
行业专精的企业经营分析是银行对公信贷业务数智化的必然目标，需根据自身的资源禀赋、业务重点和管理诉求科学规划、细致设计，扎实落地，稳扎稳打，逐行业突破，银行对公信贷业务数智化将会迎来新的曙光。
毕马威的数智化公司信贷决策体系能够提供端到端的解决方案，包含行业数智化分析、区域数智化分析、财务数智化分析、经营数智化分析以及行业专精的企业数智化信用分析。
毕马威长期致力于帮助银行提高信贷决策的效率，具有国有大行、股份制银行、城商行等丰富的经验，通过不断帮助银行优化信贷产品、业务流程与风险管理效能，实现智能信贷决策数字化转型，以此达成银行信贷服务水平的跨越式发展，更好地满足新时代下客户对银行的公司金融服务需求。
