产业数字金融的基本做法包括业务场景化、资产数字化、风控智能化和经营服务生态化四个环节。

一、业务场景化

业务场景化主要是指将场景为金融所用，使金融机构更好、更深入地理解产业企业的业务性质和特征，以及产业链上各企业之间的生产经营关系，掌握业务交易闭环的底层逻辑，进而深刻理解交易特征和各个交易节点上的风险特征，建立场景从真实世界到数字世界的可信映射，搭建产业端和金融端之间“以数为媒”的桥梁，让金融真正走进产业场景、看懂产业场景，为后续的风控智能化和经营服务生态化奠定基础。

业务场景的开发需要深入产业。不同的产业链供应链，同一产业链的不同企业，产业链相同但地区不同，其生产经营方式和运营模式存在重大差别，不同风险偏好的金融机构对于产业端场景开发的态度和方式也存在差异，因此，产业端场景的开发与消费端场景的开发存在显著的不同，前者是高度定制化的。尽管如此，业务场景的开发也有共性的规律和步骤。

首先，对行业进行深度调研，重点对场景端业务流程及数字化程度进行深度调研，以及对金融需求与产业数字金融供给能力进行调研。在这个阶段，要将金融服务生态圈，产业链、供应链和价值链，行业协会及自律组织各类产业互联网平台、数据平台等纳入调研，从更多维度、更宽广的视角探索场景的共性和个性，明确各生态方在场景中所承担的角色和发挥的价值。基于行业深度调研，制定场景数字化方案，重点明确数据类别、数据格式，形成技术方案；明确金融端与场景端的业务协同整体流程及数据交互流程；拟定数据采集方案，包括数据来源、数据采集范围、数据授权等的执行计划。

其次，进行数据加工，包括以下五个方面。一是数据分级分类，主要是根据数据管理、应用、安全保护、对象、敏感程度等维度对数据进行分级分类。二是数据脱敏，对敏感数据进行脱敏加工，保障数据安全。三是数据清洗，对海量非标准化数据进行检查、纠错、过滤、转换等预处理。对产业链各个场景的“数据孤岛”进行采集、清洗和汇总，形成整体数字空间。四是数据统计，根据业务需要进行数据统计分析。五是数据质量管理，对所采集、整理和加工的数据进行完整性、规范性、一致性、准确性、唯一性、关联性评估，并通过改善技术环节、优化系统作业流程等方式提升数据质量。

在理解场景的过程中，需要注意以下两点。

一是需要灵活应用先进的数字技术，以达到功能与目的相匹配的效果。例如，通过OCR（光学字符识别）、NLP（自然语言处理）等技术，从产业链交易过程的各种繁杂数据中提取结构化信息；通过RPA（机器人流程自动化）、脚本机器人等技术，自动对接采集工商、税务、舆情等三方数据；通过摄像头、激光雷达、温湿度传感器等物联网设备，采集生产经营和仓储物流的场景数据；通过机器视觉、目标识别等技术，实现对产业链场景的智能感知；通过大数据技术，对接产业链相关企业ERP、SAP（企业资源管理）、MES（制造执行系统）等海量数据并进行实时挖掘分析；通过区块链技术，保障存证数据的不可篡改，建立信任机制；通过隐私计算、联邦学习等技术，实现数据的可用不可见，消除信息安全隐患问题；通过ARIMA（差分自回归移动平均）、LSTM（长短期记忆）等时间序列分析算法，对企业供应链的进销存等关键生产要素进行精准预测。

二是需要根据需求和实际业务情况。根据不同融资场景的部署会体现出一定的共性和特性（见图1）。无论哪种贷款服务类别，都需要先实现产业数据对接，再根据类别进行相应的管理和部署，例如应收预付类的贷款服务，除了需要产业数据对接，还要有资产穿透、回款管理、产业交易管理、产业资产池管理、物流监控等设备部署；融资租赁类的贷款服务则主要需要租赁物监控等设备部署；货物质押类的贷款服务则主要需要电子仓单、货物监控、仓库监控、物流监控等功能设备部署。

图1不同融资场景的部署共性

二、资产数字化

资产数字化是指对底层资产进行数字化，从而实现资产的可穿透、可追踪、可控制。一般而言，业务场景化和资产数字化是同步进行的，因为在系统采集、整理数据后，对数据的分析不仅限于某一领域或类别的数据，而是对所有数据进行分析。在很多行业中，对场景进行数据分析本身也必须对底层资产进行分析，例如在货物运输行业，货车是底层资产，而货车的价格、型号、质量、使用年限、耗损等都是在业务场景化过程中必须分析的数据，因此，在实践中业务场景化和资产数字化往往是同时进行的。

资产数字化是在数据加工的基础上进行资产穿透和验真，使资产变为可信的数字资产。资产穿透主要有以下四项工作。一是产业资产穿透，对多维度采集的数据进行串联，实现交易逻辑的线上化再现。二是数据交叉比对，对多维度采集的数据进行一致性校验，验证数据的合理性、逻辑性。三是区块链存证，数据上链保存，确保数据不可篡改。四是资产可用性查证，获取产业资产数据，查证资产是否具备用于金融业务的基本条件。

资产验真主要是在资产穿透的基础上，通过资产全生命周期的一致性检查，确保逻辑自洽；通过细颗粒度单据的逐笔穿透和属性校验，确认数据完备性和内在关联性。采集第三方交易平台订单，进行交叉验证；采集核心企业上下游的数据，进行对比验证；采集工商变更、涉讼涉诉、主体负面舆情等第三方数据，辅助风险判断。

三、风控智能化

风控智能化是产业数字金融基本做法的核心环节。业务场景化、资产数字化已经为风控智能化的开展提供了真实可信、可控制、可回溯、动态多维的数据。在风控智能化的过程中，基于不同产业链的特点，挖掘并分析数据信息，利用人工智能算法对风险进行智能预测与分析，提供有助于风险判断的补充性依据，实现对交易信用的充分揭示，从而助力金融机构形成“交易信用+主体信用”相结合的风控管理体系，实现贯穿贷前、贷中、贷后全流程，以及针对不同场景、不同产业链供应链全方位、全链条的线上化、自动化、智能化风控。

风控智能化能够进一步优化风险管理方法论。传统的风险管理方法论主要有以下两个特征。一是过分依赖用户的借贷历史和行为，比如财务报表、历史行为数据等，采集的数据具有低维、低频、低可信度、粗颗粒度的特点，无法全面、客观、系统地反映中小企业真实的生产经营状况。二是采用评分卡模型和规则引擎等“强特征”进行风险评分，无法突出不同行业、不同类型企业的生产经营风险特征。因此，金融机构较倾向于贷款给行业发展稳定度高、经营安全性好、风险度低的大企业。而中小企业由于缺乏主体信用，以及可以证明主体信用的可靠凭证和抵质押物，即使事实上具备还款能力，金融机构仍然不敢向其提供贷款服务。产业数字金融进一步扩充和完善了传统的风险管理方法论。随着产业互联网不断发展，企业生产经营和交易环节被数字化穿透，构成了金融识别产业风险的数据原材料。同时，物联网、区块链、人工智能等数字技术的集成应用，使这些产业端数据具备了实时、高频、多维、来源真实、不可篡改等属性，从而能够客观反映产业企业的第一手生产经营交易情况，使金融机构从中小企业生产经营的“弱特征”入手进行风险评估，较为全面且系统地反映不同行业、不同类型企业的风险特点，实现了风险管理方法论的优化升级，使金融机构更全面和系统地理解风险、管理风险。“主体信用+交易信用”更完备的风控体系就是新型风险管理方法论的重要实践成果。在风控智能化基础上构建的“主体信用+交易信用”风控体系具备自动化、实时化、全流程、线上化、智能化等特征，有利于金融机构快速响应与及时决策；能够对贷前、贷中、贷后进行全流程数字化赋能，完善金融机构对存续期资产的管理，形成风险管理闭环。

四、经营服务生态化

经营服务生态化是指通过产业场景和融资场景聚合，生态对接，构建经营服务数字生态，实现产业数字金融生态各方共享共创。经营服务生态化建设需要推动场景化金融建设，打造开放平台体系，全面推动场景聚合、生态对接，在建立新型生态的同时构建新型价值创造体系。

第一，推动场景化金融建设。以生态服务平台为载体，积极发展基于交易数据的场景化金融。通过数字技术，加强生态服务平台与各类交易场景对接，使产业金融服务渗透到产业链核心企业及其上下游企业生产经营的各个环节，打通金融、生产、仓储、物流等的产业链闭环，建立交易数据生态圈，系统性地深度理解企业生产经营模式和情况，并在得到产业企业授权的前提下实现生态圈数据有效共享，帮助产业链各参与方打破信息不对称的困境，避免劣币驱逐良币。在此基础上，产业金融服务不再局限于简单的资金融出，而是能够涵盖企业从原材料采集、生产、仓储、运输、销售等各个环节所需要的金融服务，比如账户管理、结算服务、现金流管理、咨询顾问等。生态服务平台沉淀的数据信息可以为各类生态主体提供对产业企业发展的洞察，除了能为优化金融服务提供原材料，还能帮助生态主体开拓经营管理咨询、产品研发建议、数字化转型方案、人才培养计划等非金融服务。交易数据生态圈中的多维、实时、动态、可追溯、可控制、可信任数据可以反馈到产业链数字化平台和智能风控平台，进一步提升业务场景化、资产数字化水平和风控管理能力。

第二，通过API、H5（超文本标记语言的第五次重大修改）、SDK等方式打造开放银行体系。推动生态服务平台与各类产业互联网平台、交易平台、数据平台、研究机构、行业协会等跨界互联，打破“信息孤岛”“数据烟囱”，进一步丰富交易场景，增加对交易场景的认知，推动智慧、资源、能力等的线上化和数字化，打造综合服务生态圈。建立主动沟通协调、联动发展的实时反馈机制，更好地掌握产业金融发展过程中的痛点和难点，为各类生态主体打造高质量稳定发展的通道，建立互促共赢关系。

以上内容摘自《产业数字金融》一书，经出版社授权发布。