調研 | 劉馥亮 唐靖茹
撰寫 | 唐靖茹
受政策環境、產業環境等多種因素影響，中國企業集團譜系錯綜複雜，風險傳導機制頗具中國特色，存在大量依靠內評方法難以識別的關聯風險。鑑於此，監管層也十分重視利用科技手段防範金融市場風險。
知因智慧的創始人任亮曾在2004年“德隆系”問題爆發後參與最高金融監管機構啟動的“客戶風險預警工程”。期間任亮就曾考慮新一代信用風險計量模型的商業應用前景，又經過10年的積累與沉澱終於等到各方面條件成熟，於2016年成立了知因智慧。
技術對金融行業的深刻影響遠超想象。如今，知因智慧建立的產業知識圖譜不僅可以運用於金融監管，更拓展到金融環節，延伸出多種應用場景。
首先，仍然是基於金融風險控制需求所產生的應用，以銀行等金融機構為主體客群。金融風險的傳導可以非常迅速，這就要求銀行具備較好的企業信貸風險預警能力。利用知識圖譜技術，可以透視銀行企業客戶在產業集群中的定位，每個節點發生的內外部事件都能從圖譜中解析出對特定對象的影響，從而度量出風險程度。
再者，包括銀行在內，2B公司有大量獲客及客戶關係管理需求。自然語言處理技術能夠識別傳達出商機的事件，基於知識圖譜和既有模型量化判斷商機，形成價值排序，使客戶經理優先關注價值最高的商機，從而提高獲客效率和線索轉化率。客戶關係營銷在獲取企業客戶中也頗為重要，利用圖譜識別客戶關係鏈，更有機會批量獲取客戶。
最後，大型集團企業往往具有複雜而龐大的供應鏈體系，進行供應鏈風險控制，甚至自行開展供應鏈金融服務，對於挖掘供應鏈上下游企業關聯關係的需求也十分強烈，兼具了風控和營銷屬性。並且，對金融涉足較少的集團企業無論是風控經驗還是系統能力都較為缺乏，對科技手段的需求比銀行更加迫切。
基於以上的種種應用，待客戶群體壯大之後，融通其中的上下游關係也將成為一大賣點。
知因智慧的產品體系以底層的知識倉庫KW為基礎，囊括加工好的各類數據和關聯關係；中層搭建KE模型平臺，持續積累各類場景模型和算法；上層打造KG可視化分析應用平臺，具體展現場景應用，為客戶分析提供可視化工具。
任亮表示，知因智慧的模型庫裡已經建立了37個模型，風控和營銷領域所涉及的更多場景應用還將不斷被髮掘出來，知識圖譜技術的應用範圍遠不止於此。
近期，愛分析專訪知因智慧創始人兼CEO任亮，就產業知識圖譜技術應用及知因智慧業務發展進行了交流，精選部分內容與讀者分享。
時機成熟，知識圖譜技術分析企業高效而深入
愛分析：您創立知因智慧的契機是怎樣的？
任亮：其實在新一代信用風險計量模型出來的時候，我就已經有好多次機會創業。當年監管體系內部、銀行業內，都認為這個領域將來必然是一個全新的方式，所以當時曾考慮創業。但經過慎重的分析我們覺得當時條件還不夠成熟，方法論的接受還需要一定時間，外部數據還沒有那麼充分，雲計算等各方面的技術能力也沒那麼好，所以一直在等這個契機。
直到我從IBM出來以後，2016年的時候看到三個要素都具備了。首先客戶需求，大家已經普遍接受了這套方式。第二個是大數據，政府類數據的開放度已經很高了。然後包括雲計算的能力，特別是Palantir的竄紅和AlphaGo深度學習的火爆，Palantir知識圖譜的概念和AlphaGo的深度學習把AI推向高潮，使得金融機構的風險部門、業務部門，甚至是科技條線，都有AI創新需要。
2016年需求處在爆發期，我們就順勢成立了知因智慧。
愛分析：如何理解知因智慧所運用的知識圖譜技術？
任亮：知識圖譜的概念有很多，像語義網，是在自然語言處理方面的概念。把實體連在一起的圖計算或者複雜網絡，又是另外一個領域的體系。後來谷歌提出知識圖譜的時候，其實是在語義網的基礎上再往前走一步，把實體之間的關係建立起來，基於關係路徑去做一些推導，稱為知識圖譜。
知因智慧是借用知識圖譜的概念，建立了產業知識圖譜。產業知識圖譜裡，實體就是企業、商品、也包括個人，或者是供應鏈裡的節點，就是產業實體。關係就是企業之間的資金往來、投項、擔保、貿易關係。要素還包括企業本身的屬性、標籤、事件，都符合知識圖譜的定義，以知識圖譜的形式把它們組裝在一起。知識圖譜本身也是一個網絡，所以可以用到複雜網絡或者圖計算的特性去提煉一些關係，或者提煉一些規則。
所以知因智慧是用產業知識圖譜的概念，把原來通用的知識圖譜、圖計算、自然語言處理、深度學習的技術，打包綜合在一起，運用在金融領域。
金融機構經過這些年的實踐，意識到了AI在金融行業落地的最佳路徑就是知識圖譜。通過知識圖譜能夠整合大數據，能夠讓機器讀得懂，在此基礎之上才能談到算法優化和預測。
愛分析：如何利用知識圖譜高效實現關聯分析？
任亮：以服務銀行為例，假設一家銀行有1萬個企業客戶，原來需要針對這1萬個企業逐一做分析，現在基於外部數據，可以批量分析關聯關係。
例如已經擁有了5000萬企業的數據，就可以先構建一個圖譜，然後用這個圖譜跟這1萬個企業做匹配，這樣可以定位出每個企業在哪個集團星系裡面，這是第一步。
然後，基於定位好的1萬個企業和圖譜中關聯的，可能一百多萬個大大小小的企業，監控每個節點發生的內外部事件，包括互聯網輿情新聞報道、各種公檢法產生的負面事件等等。
最後，將事件帶入到圖譜中，測量這些事件對於企業自身和周圍企業的影響。
愛分析：這種關聯分析相比常見的企業關係查詢網站有哪些優勢？
任亮：會更深一步。
第一個，基於工商數據的網站展示的只是投資股權關係，與知因智慧的算法不同。知因智慧提供的產業圖譜是內外結合的，還有很多擴展關係，比如說擔保、資金往來、貿易等等，在圖譜形態上不一樣。
其次，僅僅在投資鏈條上，普通查詢只能找出周圍的企業，知因智慧會在全網搜尋譜系子圖，找到關係緊密的群體，會找出更多層以外的關聯企業，所以挖掘深度也不一樣。
第三個，就是在非結構化信息的提煉上。原來都是用人眼看輿情信息，現在我們是用機器把它提煉出來，讓機器能夠讀得懂，這是一個比較大的差別。
數據源多樣，結合產業鏈合作方數據綜合判斷
愛分析：知因智慧的數據來源有哪些？
任亮：數據源也比較多，因為企業數據比較碎片化，所以類似於工商、稅務、海關、司法、金融市場、互聯網輿情、政府類垂直數據都會包含。另外還有金融監管機構的同業數據和統計披露數據。目前也在對接一些供應鏈跟產業鏈的合作對象。
愛分析：產業鏈核心企業為什麼會願意共享數據？
任亮：這就是聯合運營概念。現在產業鏈很多，B2B和S2B也在構建生態，想要更好地去服務成員企業。
金融服務本身就是一個大的領域，而且是一個比較專業的領域，企業自身的數據不足以支撐它來去做好，因為它只有內部的一些ERP數據，但是對成員企業的信用情況、外部情況等等，也需要再補充。
知因智慧能幫它補充一些外部數據，加上知識圖譜，加上新穎的模型方法，比如關係鏈的模型、基於這些關係的評價，甚至包括產生評價好的結果。
因為我們有銀行資源，本身也在給銀行推商機，所以還能幫助企業更好地去對接銀行。如果把客群深度分析好了，推的商機就已經不僅僅是商機了，直接就是客戶的名單、等級、定價等信息。
愛分析：現在知因智慧的數據覆蓋面有多大？
任亮：目前的重點還是在銀行這一端，以銀行視角去劃分產業。
目前基本覆蓋全國一半左右的集團企業，每個集團企業又分了很多板塊，例如投資板塊，地產板塊等等，積累了全國5000萬企業的數據，劃分了很多的子行業、子集團，然後以銀行視角去做每個集團的畫像和分析，這是當前的重點。
在這個之上，根據銀行的需求再做一些垂直產業鏈，比如私募產業鏈、私募投貸聯動，汽車、房產、新能源等，是目前重點關注的幾個產業。
應用場景多樣，未來以中小銀行為主力客群
愛分析：知識圖譜技術在風控方面有哪些應用？
任亮：風控有兩個模型，一個是風險前置。我們為一些大行做過貸後模型，已經有了很好的效果。貸後模型裡面把跟行業有關的變量都去掉，用的就是外部變量，還有關係變量，重新建模依然有很好的效果。把模型前置到營銷環節，不依賴於行裡的數據。
銀行可以在營銷的時候，利用風險模型預判企業的風險大小。有些風險信號，或者是風險特徵，即使不是剛性地把它拒絕掉，但至少有了信號，可以有針對性地去考察，所以叫做風險前置。
無論是針對新增客戶還是存量客戶，還有風險傳導模型。類似輝山乳業這樣的一些問題，當外部發生一個重大事件以後，會波及到哪些企業，就是基於風險傳導的影響去識別。
愛分析：對於風險的測量有哪些考察因素？
任亮：前瞻性風險預測是考察綜合風險的一部分，屬於關聯風險，還有一部分是自身風險。
關聯風險裡面，會考慮到企業自身的行業特點、公司體量、集團結構、角色、事件本身的風險等級、關係類型、投資比例、權重、關係強度等等，比如投資關係和擔保關係是不一樣的，有很多要素要考慮。
自身風險，依照最早監管機構做風險識別預警的奧斯卡體系，分別會考慮經營層面、結構類、信用類、擔保類、償還類的指標。除了這五大類之外，還有奧斯卡plus，是一套升級體系，包括行業、區域等等相關變量。現在已經有上千個指標的積累，會綜合在一起來看。
愛分析：這是否需要客戶本身積累大量數據？
任亮：企業數據形態當然越豐富越好。
針對大型客戶，特別是上市公司，其實外部採集的信號已經比較全面了，可以做出一些比較好的模型。但是針對於小微客戶確實會有些問題，因為外部信號比較少，這個時候可能需要一些內部數據。所以在這種情況下就需要去接入其他供應鏈或者是政府機構裡的信息。
愛分析：前置風險引擎是否嵌入到客戶系統內部？
任亮：知因智慧採用了兩級引擎。我們自己有一級負責採集所有的外部數據，建立圖譜和風險信號。還有一級引擎布在客戶系統內部，內部會有它的資金交易流水，這些信息在銀行裡，所以內部引擎把外部信號跟內部嫁接在一起，然後去做判斷。
愛分析：產業知識圖譜幫助供應鏈金融解決什麼問題？
任亮：一方面是要對供應鏈本身提供服務，給供應鏈擁有者提供服務，另外一方面是給供應鏈成員提供服務，這是不同的。
給擁有者提供服務，例如我們給某大型電商集團旗下金融平臺提供的供應鏈解決方案，使它能更好地針對每一個供貨商識別發展潛力，提供自己的產品。為了更好地預測每個供貨商的發展潛力，就需要一套新的模型。原來的模型可能基於時間序列，基於迴歸去做，但是要把供貨商要預測地更好，也要通過知識圖譜的環節，通過人、商品、店鋪的體系，這套體系搭建好之後再基於其他要素去預測供貨商。
還有類似於該客戶或者比其小的供應鏈，其實也希望給鏈條裡的成員提供金融服務，相當於把企業外部數據、關係鏈條，跟它們的數據對接，然後再用模型去服務。所以我們把外部的數據能力、算法能力、模型能力準備好，直接給這家機構做輸出，它就多了一個新的武器，除了原來的B2B服務以外，還能做一些增值的金融服務。
愛分析：未來會拓展城商行或者農商行嗎？
任亮：會，而且這是將來的主力客戶。
與頭部客戶的合作能夠獲得更多專業領域的經驗，彼此互建共生。因為知因智慧的方法論是一套全新的體系，所以我們不像一般的公司，從小客戶做起，從長遠的客戶做起。先做標杆大銀行，頭部客戶能夠給我們帶來極大的認知提升，在同類銀行中推廣的時候才有說服力，這就是我們的策略。
雖然大客戶能獲得更多的收益，但我們的目標是做產業金融，是要幫金融找到實體產業標的，要幫產業去找到資金，其實中小銀行資金獲得增量的壓力更大，而且小銀行金融科技能力更加欠缺，需要更多體系支撐。所以對於小銀行，我們不是幫其建系統，其實是對它輸出能力，包括金融科技本身，也包括一些客群。
閱讀更多 愛分析 的文章
