「摘要」財務監(jiān)控預警平臺在AI決策領域做出有益探索，利用數(shù)據(jù)重塑了財務費控的形態(tài)，從人控轉型為數(shù)控，從現(xiàn)場監(jiān)督轉型為在線監(jiān)督。本文從農發(fā)行財務風險監(jiān)控預警領域切入，分析財務數(shù)字化轉型的內生需求，重點介紹財務監(jiān)控預警平臺的構建及應用，并從費用標簽構建、風險形態(tài)識別、政策文本挖掘、用戶行為分析等方面對財務職能轉型進行了探索研究。

「關鍵詞」財務監(jiān)控預警平臺?AI決策?大數(shù)據(jù)?財務風險畫像

當前，銀行業(yè)的財務可持續(xù)性受LPR貸款基礎利率長期階梯狀下行、全球貿易摩擦、多邊貿易政策變化等外部不確定性因素的影響持續(xù)承壓，銀行利差不斷收窄、ROE持續(xù)下滑、財務壓力持續(xù)增大。在此背景下，如何通過數(shù)字化和智能化技術，輔助農發(fā)行守住財務底線，增強財務風險管理能力，并進一步提升自身財務可持續(xù)，是亟待探討和研究的課題。通過建設財務監(jiān)控預警平臺，以數(shù)字賦能農發(fā)行財務費控，可推進財務實現(xiàn)精細化管理、優(yōu)化業(yè)務決策且加強內部風險控制，服務農發(fā)行高質量發(fā)展。

一、財務監(jiān)控預警平臺的建設背景及意義

財政部發(fā)布了《會計改革與發(fā)展“十四五”規(guī)劃綱要》,《綱要》中提出會計職能要實現(xiàn)從傳統(tǒng)的算賬、記賬、核賬、報賬功能向價值管理、資本運營、戰(zhàn)略決策輔助等職能轉型升級。農發(fā)行“十四五”發(fā)展規(guī)劃明確提出依托大數(shù)據(jù)和人工智能等技術建設財務監(jiān)控預警平臺，實現(xiàn)財務分析和風險監(jiān)控。在規(guī)劃對財務費控提出數(shù)字化轉型外在要求的同時，財務監(jiān)督工作反映的一些深層次問題，也揭示了內在的智能化需求，如：業(yè)務財務未實現(xiàn)真正的融合統(tǒng)一導致業(yè)務違規(guī)而財務合規(guī)的風險問題；過分依賴于人為判斷識別財務異動、可疑、邏輯不符和虛假不實而導致的信息滯后性；賬務影像數(shù)據(jù)的標準化供給和數(shù)據(jù)分析處理之間銜接性、關聯(lián)性不足的問題等。上述問題的解決，均需要通過“技術+數(shù)據(jù)”驅動，充分發(fā)揮數(shù)據(jù)要素作用。隨著農發(fā)行“數(shù)云融合”“數(shù)智融合”的企業(yè)大數(shù)據(jù)服務體系日漸成型，人工智能（AI）、決策引擎（RE）、商務智能（BI）、專家知識庫（ES）和工作流（WorkFlow）等技術開始深度應用并創(chuàng)新融合，已形成完整的決策智能技術架構，能夠較好地應用到財務風險識別、監(jiān)控、決策、處置、反饋等流程，為推進財務風險管理數(shù)字化和智能化創(chuàng)造了有利條件。通過推進財務監(jiān)控預警平臺建設，可賦能財務實現(xiàn)精細化管理、優(yōu)化業(yè)務決策且加強內部風險控制。其中，在財務智能化方面，利用回歸模型，構建公共費用和宣傳招待費用預測探索模型，預測機構-月份維度的費用情況，挖掘季節(jié)性或事件性差異。在財務決策方面，利用決策引擎搭建決策預警規(guī)則模型，基于聚合算子靈活構建風險評估指標，將風險特征規(guī)則化。在財務價值挖掘方面，結合財務數(shù)據(jù)藍圖規(guī)劃，構建財務價值門戶，支持數(shù)據(jù)可視化、靈活查詢、上卷下鉆、場景聯(lián)動等分析功能。在財務知識發(fā)現(xiàn)方面，打造財務知識庫支持財務費控知識管理和發(fā)現(xiàn)，包括合規(guī)政策庫、監(jiān)督事項庫、預警規(guī)則庫，實現(xiàn)財務知識統(tǒng)一維護、分類存儲和全行共享。在財務監(jiān)督方面，基于工作流，完成風險信號、合規(guī)單生成和下發(fā)等財務風險管理工作流配置，形成風險管理閉環(huán)。通過持續(xù)深化AI決策在財務監(jiān)控預警的實踐并推廣至財務會計、管理會計的過程管控和決策支持，也可推動業(yè)財一體化，提升內部財務管理水平，提升經(jīng)濟效益。

二、財務監(jiān)控預警平臺的構建

財務監(jiān)控預警平臺的構建以問題為導向，以技術為驅動，以賦能業(yè)務為歸宿，遵循“一體兩翼六化”的建設思路，設計和確定平臺的技術架構和數(shù)據(jù)架構。

（一）建設思路

在財務監(jiān)控預警平臺建設過程中，采用了“一體兩翼六化”的建設思路，即以大數(shù)據(jù)為主體，機器學習和決策引擎為兩翼，圍繞智能財務和財會監(jiān)督體建設，探索大數(shù)據(jù)、決策引擎、機器學習等智能決策技術在財務監(jiān)控預警領域的實踐和應用，以期通過數(shù)據(jù)化、智能化、流程化、場景化、價值化和知識化，促進財務可持續(xù)發(fā)展。在財務監(jiān)控預警平臺建設中，圍繞“一體兩翼六化”的主線，以大數(shù)據(jù)技術的Spark、Hive、ClickHouse為核心組件，構建了數(shù)據(jù)存儲、處理和加工的底座；以決策引擎的指標、規(guī)則和決策流為核心功能，構建了基于規(guī)則模型的全生命周期智能決策能力；以人工智能平臺的自動機器學習及模型訓、管、用為核心功能，打造了AI模型構建全流程低代碼能力；同時針對數(shù)據(jù)化、智能化、流程化、場景化、價值化和知識化的“六化”目標，除采用大數(shù)據(jù)和人工智能技術外，同時引入了商務智能、工作流、知識庫等技術，進而實現(xiàn)數(shù)據(jù)價值的挖掘、知識的沉淀和預警信號的流程化處理。

（二）技術架構

財務監(jiān)控預警平臺整體分為三層（如圖1所示），分別為數(shù)據(jù)層、平臺層、應用層。數(shù)據(jù)層承載數(shù)據(jù)集成、數(shù)據(jù)建模、模型分層、數(shù)據(jù)聚合、寬表加工和數(shù)據(jù)同步等能力，即“一體”部分。平臺層承載規(guī)則模型、工作流、數(shù)據(jù)分析、可視化、作業(yè)調度，以及預測模型的特征提取、模型訓練、模型測試、模型上線、服務發(fā)布等能力，即“兩翼”部分。應用層承載成本動因分析、預警信號展示和處理、歸因分析、預警規(guī)則管理、知識庫管理等能力，即“六化”部分。

1.數(shù)據(jù)層。主要完成數(shù)據(jù)集成、數(shù)據(jù)建模、模型分層、數(shù)據(jù)聚合、寬表加工和數(shù)據(jù)同步?；贖adoop、Spark、Hive和ClickHouse等組件，提供集群、作業(yè)和數(shù)據(jù)等管理的一站式大數(shù)據(jù)處理分析服務；支持創(chuàng)建Spark、Hadoop、Hive、Spark SQL和Shell等豐富的作業(yè)類型，實現(xiàn)財務管理系統(tǒng)、影像內容平臺的數(shù)據(jù)采集，貼源、整合、集市等各層數(shù)據(jù)存儲，數(shù)據(jù)模型計算和作業(yè)調度，以及財務AI模型、規(guī)則模型計算等；該層完成了機構、科目、COA段值等主數(shù)據(jù)的標準化映射和還原，同時圍繞主數(shù)據(jù)完成了貼源層、整合層、寬表層數(shù)據(jù)的加工。

2.平臺層。主要包括智能決策和人工智能兩個部分。智能決策主要功能模塊包括場景管理、指標管理、數(shù)據(jù)管理、規(guī)則管理、模型管理、決策流管理等，提供策略自定義配置、測試、發(fā)布上線全生命周期管理，提供專家規(guī)則、評分卡、規(guī)則流等決策模型，實現(xiàn)從傳統(tǒng)決策走向深度應用AI的智能決策，可輔助開展不同業(yè)務場景的決策支持。人工智能主要功能模塊包括財務費用預測模型的特征提取、模型訓練、模型測試、模型上線、服務發(fā)布，為AI 應用提供各種特征工程、訓練、評估、測試、上線的工具，以及AI應用開發(fā)、運行、管理的編譯器、調試器、應用編程接口（API）和服務，同時高效管控各種硬件和軟件資源并調度程序運行。

3.應用層。根據(jù)依賴關系分為數(shù)據(jù)、知識庫、規(guī)則模型和數(shù)據(jù)分析四個模塊。數(shù)據(jù)模塊提供本地數(shù)據(jù)導入、用戶行為數(shù)據(jù)采集等功能。知識庫模塊支持參數(shù)管理或業(yè)務積累的各種監(jiān)控經(jīng)驗的分類匯總，并形成參數(shù)管理、基礎知識管理、預警知識管理、可視化知識管理等4類庫。規(guī)則模型模塊實現(xiàn)費用管控的預警歸因分析和預警規(guī)則庫管理。歸因分析是基于科目費用對應的作業(yè)動因和業(yè)務動因構建多元線性回歸模型和AI模型，根據(jù)模型擬合結果確定顯著動因排名和影響權重。預警規(guī)則庫則結合業(yè)務流程劃分為監(jiān)督規(guī)則庫和通用規(guī)則庫；預警規(guī)則模型均是基于標準化費控數(shù)據(jù)和衍生預警指標數(shù)據(jù)，結合知識庫管理層的預警規(guī)則邏輯，在會計科目維度實現(xiàn)預警指標的創(chuàng)建、規(guī)則邏輯的配置、模型效果的測試，實現(xiàn)預警規(guī)則模型規(guī)范化管理、模型化調度。數(shù)據(jù)分析層模塊以場景費用分析為導向，基于數(shù)據(jù)標準層的可視化數(shù)據(jù)，包括標準化費控數(shù)據(jù)、成本動因數(shù)據(jù)、費控標桿數(shù)據(jù)和模型預警數(shù)據(jù)，實現(xiàn)多維圖表的可視化聯(lián)動、上卷、下鉆和切片分析，以及預警信號的流程化管控。

（三）數(shù)據(jù)架構

財務監(jiān)控預警平臺三個層通過接口調用、數(shù)據(jù)集成、數(shù)據(jù)同步等方式實現(xiàn)了數(shù)據(jù)的定向流動和共享（如圖2所示）。數(shù)據(jù)層（EMR）提供財務管理系統(tǒng)、影像內容平臺、管理會計等源數(shù)據(jù)的采集和加工，為智能決策和模型運行提供數(shù)據(jù)和計算資源。平臺層的智能決策模塊（IDSS）主要用于構建風險預警規(guī)則庫，利用財務管理、管理會計等系統(tǒng)的數(shù)據(jù)，建立一套完整的業(yè)務指標、規(guī)則預警體系，對潛在財務風險和疑似合規(guī)問題進行預測；人工智能模塊（DUBHE）提供數(shù)據(jù)處理、特征工程、模型構建、模型發(fā)布和模型自學習等功能，支持財務數(shù)據(jù)的價值探索，實現(xiàn)從原始數(shù)據(jù)到模型構建,再到模型應用的價值提升閉環(huán)，并通過模型自學習保障穩(wěn)定的模型效果。

財務監(jiān)控預警平臺定時將財務管理系統(tǒng)等數(shù)據(jù)源的業(yè)務數(shù)據(jù)通過數(shù)據(jù)交換平臺抽取到數(shù)據(jù)層，數(shù)據(jù)層將加工好的集市數(shù)據(jù)通過接口同步至人工智能模塊、智能決策模塊和OLAP分析數(shù)據(jù)庫ClickHouse；人工智能模塊和智能決策模塊將模型推理結果通過ETL同步至ClickHouse；最后由應用層的商務智能工具（BI）進行統(tǒng)一分析、展示和預警。

三、財務監(jiān)控預警平臺的應用場景

財務監(jiān)控預警平臺所具備的數(shù)據(jù)處理、數(shù)據(jù)分析、模型構建、流程控制、知識管理的能力在多個財務費控的場景得到應用，并產(chǎn)生了積極的效果。從業(yè)務視角看，支撐了機構、員工、供應商分析等基礎場景，戰(zhàn)略成本投入、重點戰(zhàn)略支持、財務可持續(xù)等戰(zhàn)略場景，財務規(guī)定落實、主責主業(yè)履行等管理場景，人員費用、折舊攤銷、公共費用等動因場景，公共費用、宣傳招待費、車輛維修費等預警預測場景，合規(guī)政策庫、監(jiān)督事項庫、預警規(guī)則庫等知識管理場景，業(yè)務分析場景均可以實現(xiàn)從目標費用層層鉆取，直到最細粒度的標準化費用數(shù)據(jù)。主要場景介紹如下：

（一）基礎畫像

基于機構、員工、部門、供應商等COA段值確定的具體費控對象，利用描述性統(tǒng)計方法計算某段時間內的費用發(fā)生額合計數(shù)、最大最小值、均值、中位數(shù)、均值、標準差、四分位數(shù)等數(shù)據(jù)指標，以及費控事件發(fā)生次數(shù)的頻率統(tǒng)計。利用近5年費用歷史數(shù)據(jù)，對群體費控對象的集中度、費用使用效率的概貌進行可視化分析，支持管理行多維度、多視角及時掌握財務費用情況的基本面。

（二）對比畫像

主要包括同級別橫向對比、子級別占比分析和基于費用標桿的合理性分析。同級別橫向對比、子級別占比分析包括機構層級、業(yè)務條線和財務科目交叉劃分的各對比分析情景，涉及的對比分析內容包括不同形式的絕對值費用橫向對比分析和費用占比的分布對比分析。具體費用數(shù)據(jù)的展示邏輯包括以年、季、月為單位的匯總費用、平均費用、中位數(shù)費用、同環(huán)比指標等。費用標桿的合理性分析貫穿到上述對比分析和占比分析的每個情景中，費用標桿分為同級平均費用、預算金額、行業(yè)標桿三類，并支持費用標桿融合到以上全部對比分析情景，供業(yè)務人員參考比對。

（三）占比畫像

占比畫像是對子級別進行費用占比分析，即子級別數(shù)據(jù)占其父級別數(shù)據(jù)的比例，如上級科目下的直屬子科目數(shù)據(jù)占比、某條線下某機構的部門數(shù)據(jù)占比、總行下區(qū)域數(shù)據(jù)占比、總行下分行數(shù)據(jù)占比等。涉及畫像對象為機構、業(yè)務條線、業(yè)務部門、財務科目、供應商、員工等；計算方法是畫像對象費用除以同類型同等級對象的該費用合計。

（四）趨勢畫像

主要包括費用變動趨勢分析、同環(huán)比增速分析和基于費用標桿趨勢合理性分析。費用趨勢分析和同環(huán)比增速分析包括業(yè)務場景、機構層級、財務科目三個段值交叉產(chǎn)生的對比分析情景，涉及的趨勢分析內容包括自由設定歷史期限長度和年、季度、月不同時間單位的匯總費用、人均費用、中位數(shù)費用的絕對值數(shù)值分析和對應時間單位的同環(huán)比增速費用數(shù)據(jù)分析。費用標桿趨勢合理性分析貫穿于以上趨勢分析的每個情景中，費用標桿會以相同的時間單位按照時間序列的方式嵌入到各分析情景的圖表中，供業(yè)務人員參考比對。

（五）成本動因畫像

基于業(yè)務場景和財務科目梳理的成本動因列表，構建多元線性回歸模型，然后基于應用層規(guī)則模型模塊的回歸模型結果數(shù)據(jù)，分析成本動因正負方向（動因系數(shù)）和各動因對費用的影響權重（回歸系數(shù)），并將模型顯著性F檢驗和回歸系數(shù)顯著性t檢驗轉換成是否有效的標簽，同時支持對標簽的可視化展示和鉆取。

（六）偏離度畫像

費用偏離度分析是基于最新一期費用數(shù)據(jù)和對應科目的成本動因數(shù)據(jù)情況，判斷其在歷史費用和歷史動因的分布情況是否存在偏離。計算邏輯為考慮當期費用和對應動因與上一期的偏離程度，其計量單位為時間序列上的歷史費用數(shù)據(jù)和對應動因的標準差，并將偏離程度按對應標準差的絕對值倍數(shù)排序，且保留正負變動方向，方便業(yè)務人員參考。

（七）風險預警畫像

風險預警分析是基于風險預警模塊對風險信號的識別和匯總，進行描述性統(tǒng)計分析、對比分析、占比分析及趨勢分析，進一步判斷風險狀態(tài)，為管理層采取因應對策提供直觀的參考依據(jù)。預警畫像主要統(tǒng)計機構、條線、部門、科目、供應商、員工出現(xiàn)預警信號的次數(shù)、等級分布、類型分布以及合規(guī)單下發(fā)次數(shù)和反饋數(shù)量。

四、持續(xù)提升財務監(jiān)控預警效能的思考

財務監(jiān)控預警平臺在AI決策領域做出了一些有益探索，利用數(shù)據(jù)重塑了財務費控的形態(tài)，從人控轉型為數(shù)控，從現(xiàn)場監(jiān)督轉型為在線監(jiān)督。為了進一步推進數(shù)字賦能，可以從以下四個方面持續(xù)優(yōu)化：

（一）基于標簽與特征的費用事項預警

將平臺前期積累的異常費用事項進行匯總，形成附帶異常標簽的費用數(shù)據(jù)，進行監(jiān)督學習?；谛畔㈧氐脑鲆?、增益率、基尼指數(shù)等信息進行費用特征的判斷，篩選出能夠區(qū)分“是否違規(guī)”的關鍵特征，并作為已學習到的知識，納入機器學習模型。當新的費用事項產(chǎn)生，可以根據(jù)已知的關鍵特征及其取值，預測還尚未形成預警信號的費用事項是否違規(guī)、違規(guī)概率大小、具體觸發(fā)違規(guī)的特點等，使得風險預警的時間充分提前，將違規(guī)事項扼殺在搖籃中，前置費用風險處理，降低費用風險帶來的損失。重要的違規(guī)特征集合還可結合業(yè)務情況做進一步分析，有助于管理者擴大監(jiān)督覆蓋面，進行全面風險識別。

（二）基于聚類算法的風險形態(tài)識別

分別以費用事件、機構、個人作為分組的依據(jù)，根據(jù)已有數(shù)據(jù)中包含的特征，運用聚類算法（如基于距離、基于密度、基于層次的聚類算法），將相似的樣本進行聚合，得到數(shù)類各不相同的聚類類別。通過分析聚類后各類樣本的特征，如機構人均費用水平、費用高頻類別、費用發(fā)生時間密度等，歸納總結出風險立體面，有助于重點觀察異于一般水平的類別，或各項特征水平較為正常但風險積聚效應巨大的類別，便于管理人員進行全面風險識別與報告。特定類別的特征，如地區(qū)聚集性，可以顯著展現(xiàn)違規(guī)事項高發(fā)地區(qū)情況，將有效幫助預算及政策制定者進行地區(qū)針對性調整。

（三）基于文本挖掘的政策規(guī)定提煉

利用文本挖掘技術，在費用新政策規(guī)定出臺后，進行文本挖掘，提取出費用規(guī)定的關鍵主題和條例，識別政策變化點及新增點，通過比對新舊政策差異點，自動更新已有規(guī)則，避免人工維護的時效問題；將冗長的政策提煉為具體的要求和閾值，提升財務費用管理人員的政策落實的工作效率；將行內外各類政策規(guī)定進行統(tǒng)一分析，可從海量文字中概括政策的重點關注范圍、場景，對于未形成具體規(guī)則的情況，對于管理人員而言，不失為對已有管理體系、知識體系深化補充的有效方式。

（四）用戶操作埋點和行為數(shù)據(jù)分析

以具體費用使用人的視角作為切入點，模擬仿真用戶在使用財務監(jiān)控預警平臺時的行為與心理特點，如頻繁點擊模塊、模塊停留時長、模塊點擊路徑、功能點擊頻率、單個規(guī)則試算次數(shù)、刪除規(guī)則次數(shù)、發(fā)布新規(guī)則次數(shù)及頻率等，對平臺用戶的各類行為數(shù)據(jù)進行埋點；或模擬“規(guī)則攫取”用戶的心理特點，著重記錄為反向推斷出規(guī)則閾值而重復試驗規(guī)則的行為，將用戶使用心理及行為結合，及時發(fā)現(xiàn)用戶異常行為，并重點關注具體用戶、機構的后續(xù)費用事項。