如何助力商业银行对公业务的数智化转型

对公业务作为商业银行的主要资产、营业收入和净利润来源，对银行的意义不言而喻。伴随着金融科技的进一步迭代升级，银行对公业务也将迎来创新突破。

近些年来，在推动零售业务数字化转型的同时，银行业也在积极探索对公业务转型新机遇，运用多种数字化手段与互联网思维改造升级对公业务模式，以增强自身在领域内的核心竞争力。各大商业银行纷纷以用户为中心，深耕场景金融，通过数字手段“武装”对公业务。

基于此，IBM 咨询大中华区金融核心锐变团队的专家，对银行对公业务目前所面临的挑战，以及数据和 AI 如何助力商业银行对公业务的数智化转型做出深入剖析。

一

挑战：

商业银行对公业务亟需转型为“以客户为中心”的经营模式

不同行业或产业中优质中小微企业或“专精特新”小巨人需要开发更有效的挖掘手段：由于对公资源有限，客户经理业绩压力大，往往注意力会集中在头部客户，长尾客户众多但对长尾客户关注度有待提升；然而头部客户有限且各家银行争夺激烈，对优质中小微或专精特新“小巨人”的快速挖掘与关注将成为银行新的增长点。

对公业务的开展需要逐步减少对客户经理的强依赖：客户经理凭借资深经验开展对公营销等业务的方式无法使银行全面掌控企业情况；个人离职等因素会对银行与企业关系可能造成较大影响。如果客户经理对企业的观察理解不一致，也会出现给企业推荐的产品或者服务不够精准的情况。

数据分析层面有待深挖：当前各家银行都在尝试由经验驱动变为数据驱动，利用企业相关数据进行数据分析。然而由于金融机构个体差异性较大，不同区域、不同一二线城市、不同行业、不同产业、不同上下游都会对对公业务造成影响；而金融机构的数据质量偏差、公开数据与银行内部数据的融合、数据分析模型与业务内在的逻辑、数据分析模型的可解释性等众多问题导致也会直接影响数据分析结果的落地效果。

资金流水标签体系有待加强：由于资金流水数据量巨大，资金用途等大多以非结构化的形式存在，目前还未得到很好的利用和挖掘。金融机构还需要针对资金流水进行准确的资金用途标识，构建相应的标签体系，以便后续基于此资金流水标签体系，全行提供精准、全面、统一的资金流主题数据服务。

二

洞察：

数据和 AI 助力商业银行对公业务的数智化转型

围绕科技驱动业务的核心目标，对公业务的数智化转型强调以大数据和 AI 支撑对公业务的精细化经营和业务创新。通过数智化能力的深入应用，实现以数智化技术驱动智慧决策模式，提升针对对公业务的刚性管控能力、反哺能力，并推动管理组织、方法、工具的创新和重塑，形成闭环的价值创造和管控新模式。

结合数据治理，完善资金流水计量工作，形成资金流标签体系。

对底层资金流的梳理与分析，往往是新的商机与新的业务模式的起点。我们在调研中发现，银行高层常常会问“我行资金主要流向哪些行业？”、“如果我行资金在流失、那么流失去向是什么？”、“我行用户喜爱何种金融产品？能否深化合作带给我行利益？”等问题。而此类问题的答案往往可以支撑银行高层进行重要的战略决策。

利用行内交易流水数据，全面梳理企业间、企业个人间等资金交易用途，充分挖掘企业的交易对手特点、具体经营特点、交易发生特点、渠道特点等。从每笔交易出发，更高效的形成对企业的 360度画像，及时掌握企业经营活动的动向，不但可以辅助对公营销与风控，还可以形成行内资金流动态驾驶舱，辅助银行高层进行战略决策。

融合内外部企业大数据，进行数据架构演进，不断提升数据潜能。

银行对公业务往往要在更加了解企业运营全貌的基础上进行，这就对银行大数据建设提出了更高的要求。外部数据如产业链数据、发票数据、上市公告、舆情数据、股东股权披露等数据对对公业务有较大价值。应从数据架构的角度出发，将行外数据与行内数据进行充分融合。如产业链中企业关系数据与行内企业资金流交易的融合，可协助挖掘优质产业中的优质中小微或专精特新“小巨人”。

利用 AI 技术，实现对重点客群和重点场景的深入洞察，支撑对公业务的精细化经营和业务创新。

市场新增的潜在商户，是发展对公商户业务的第一步，传统的业务人员“扫街” 的营销方式在人力、效率和精准度上难以应对复杂的市场变化。“批量获客难”和“商户认知难”已成为当下银行发展商户业务的普遍痛点，通过使用自然语言处理（NLP）等新兴技术，从全量企业大数据蛛丝马迹中成功识别其中的有效商户，分行业输出数量可观的潜在商户清单，从而为客户经理进行开展营销活动提供重要输入。

IBM 经过多年银行对公数智化转型项目经验积累，形成了包括“业务+技术+数据+管理”的一整套的智慧决策解决方案，并为多个国有大行、全国股份制银行、城商行、农信社等金融机构提供了咨询和实施服务。2020年 5月，IBM 咨询成立专门致力于服务金融机构的超级战队——“IBM 金融核心锐变团队”，为银行的数字化转型提供从战略咨询、流程设计、系统开发、数据管理、实施运维等端到端的服务解决方案。其中也包括为对公业务数智化转型的整体数据链路重构、企业级数据治理及资产管理、对公数据分析平台设计和实施， AI 平台构建等。

三

实践：

IBM 在银行对公领域数智化转型的最佳实践参考

1、数据架构演进助力数据潜能提升支持实现普惠金融拓客

数据架构演进支持数据潜能提升：IBM 建议构建对公分析平台，实现对公数据整合，将行内与行外数据充分融合，在此基础上构建对公客户经营图谱，构建模型工厂，实现智能检索和分析，从而实现面向所有对公客户、覆盖全产品、全渠道的对公业务分析平台。如下图所示。

普惠金融拓客：基于对公分析平台，可以实现对公客户的全面画像，支持精准营销、风险防控等各类业务应用，下图是基于对公分析平台实现对公精准营销的示意图，通过对公客户数据整合，基于经营图谱和模型工厂，实现对公客户的全面感知，产品推荐和商机整合，最后推送给渠道端实现对公客户精准触达。借助 IBM 对公客户营销模型，IBM 帮助某大行进行产业链深度分析，结合图计算等 AI 技术，针对优质产业链如智能制造产业链，批量挖掘优质中小微与专精特性“小巨人”，形成优质潜客 100多家企业名单，支持普惠金融进行优质拓客。

2、结合对公领域数据治理辅助构建企业财资管理云平台

针对对公领域的数据治理：IBM 帮助一家大行构建基于交易资金流的数据标签体系，并利用 NLP 技术辅助对公数据治理工作，从非结构化数据中挖掘蛛丝马迹，形成对企业的 360度资金流画像。帮助该行大幅缩短了资金流计量工作量。同时，结合财务专家，从企业交易资金流中还原企业的经营状况，辅助各对公业务，实现对企业经营状态的及时掌控。

企业财资管理：在资金流梳理的基础上，IBM 帮助该行实现面向员工渠道的资金用途看板，聚焦企业实时资金用途异动，洞察交易对手特点。利用知识图谱和图数据库，实现企业交易活动的上下游洞察。

3、AI 技术实现对公结算产品推荐“千企千面”

结算产品推荐引擎：IBM 帮助一家大行构建对公交易网络图谱，对企业交易进行深度挖掘分析，挖掘各交易方关联关系，从而有效开展交易产品精准营销利用图计算，对企业进行“千企千面”的结算产品推荐。在使用中，利用历史数据洞察营销客户清单，基于图谱推荐输出客户的组合产品推荐清单。利用该方法客户经理精准营销且成功的企业客户远超人工推荐，与推荐列表匹配准确率高达 95%。其中某家企业的营销洞察如下图所示，通过资金流向分析，我们发现该企业大量使用“定时资金池 （某结算产品）”，而该结算产品往往与投资理财强相关，同时，该企业资金归集量极大，存在一定时间内的资金沉淀，且该企业日均存款余额大，因此可以进行投资理财产品的营销工作。从而改变了以往客户经理不知道何时给企业推荐各种投资理财产品的困境，同时也有助留住客户，将资金沉淀在行里。

后记：

借助数智化转型，真正做到让银行对公业务实现三个转变：一是银行对企业经营活动的了解更加高效更加及时，并针对性的提出更加贴合企业实际的服务方案。二是由原来的经验驱动转变为数据驱动，拜托对客户经理的强依赖，真正做到利用数据赋能对公业务。三是提供了业务创新的思路，从过去不知道何时企业需要何种投资理财产品，到了解企业的资金运转情况，并推荐合适的投资理财产品，提供了企业资金效率，使银行更好的服务企业。

责任编辑：haq