一、项目背景及目标

随着信息技术的飞速发展，金融行业正经历着深刻的变革，银行传统的业务模式面临着前所未有的挑战。银行授信业务的尽职调查作为信贷业务开展的核心环节，对于评估企业风险、保障资金安全以及制定合理的金融服务策略起着至关重要的作用。然而，传统的人工尽调方式在数据获取、处理效率、风险识别等方面存在着诸多不足，已难以满足现代银行业务快速发展的需求。近年来，生成式人工智能的迅速发展正在重塑银行未来业态，银行业已开启数字化转型“加速跑”。重庆银行将人工智能技术作为核心驱动力，全面深化战略布局，以“技术筑基-场景破局-生态共赢”为战略框架，从场景、业务、数据、算力、安全五个维度进行能力提升，全方位推进“技术创新+场景赋能”双轮驱动模式。

我行数智尽调平台以公司业务尽职调查作为大模型应用“小切口”，构建“数据整合–智能分析–决策支持”三层能力体系，实现尽调流程数字化升级，为一线提效减负，旨在促进金融产品和服务创新，提升服务实体经济质效，以金融创新驱动高质量发展。

二、项目创新点

1.多渠道数据整合

集成来自政府公开渠道、信用评级机构、行业协会和社会公众媒体等多个外部数据源，主要为税务信息、发票数据、征信数据等授权数据，工商信息、司法信息、知识产权、招中标信息、舆情信息等公开数据；充分与行内数据进行整合，主要为信贷业务数据、行为数据、交易数据、财务数据等；确保信息的全面性和实时性。在数据整合过程中，对不同来源的数据进行清洗、标准化处理，消除数据冗余、重复和错误，确保数据质量。通过高性能的数据处理引擎，支持并行计算和分布式数据处理，能够同时分析多条数据流，显著提升数据处理的速度，使得客户经理可以在最短时间内获得分析结果。

2.数据分析与客户画像

在信息整合和加工共享的基础上，对客户信息和数据进行结构化处理与特征指标加工等深度挖掘与处理，依据行内风险偏好，设置百余个风险指标，对客户数据进行全面细致的扫描，用于负面事件筛查。一旦发现潜在风险点，系统会迅速输出详细的筛查结果，包括风险类型、风险程度以及可能产生的影响等信息。同时，基于专业的风险评估模型和丰富的业务经验，系统还会给出针对性的行动建议，如进一步核实某项信息、调整授信额度或采取相应的风险防范措施等，真正实现了风险管理的前置。在风险筛查的同时，借助大数据技术，系统将为客户生成全方位 360 画像。这一画像不仅仅局限于客户的基本信息，如企业名称、注册地址、法定代表人等，还深入挖掘客户的关联信息，包括股权关系、上下游供应链关系、担保关系等，清晰呈现企业在市场网络中的位置和影响力。对于财务风险，通过对财务数据的深度分析和模型预测，评估企业的财务健康状况，预测潜在的财务危机。在经营模式方面，结合企业的业务流程、市场定位、销售渠道等信息，剖析其经营模式的优势与潜在风险。此外，利用自然语言处理技术对海量的行业舆情数据进行分析，及时掌握行业动态、竞争对手情况以及企业自身的口碑评价，为银行提供全面、立体的客户视角。

3.量化模型支撑智能决策

探索以“数据+算法”驱动，结合大数据、机器学习和决策引擎等前沿技术，应用于精准营销和风控决策等场景。为了更精准地衡量各因素对企业风险的影响程度，系统借助数据分析技术，基于行内风险偏好，结合企业财务指标、经营绩效评估、信用历史与行为分析、行业与市场环境分析等多维画像，将各个指标的权重和影响力进行量化。在此基础上，系统精心构建了四大决策模型，分别为产业分析模型、客群挖掘模型、量化评估模型和企业综合评分模型。

产业分析模型通过对大量行业数据的深度挖掘和分析，把握不同产业的发展脉络、周期特点以及竞争态势。它能够预测产业的未来走向，帮助银行提前布局，优化信贷资源在不同产业间的配置，避免因产业系统性风险导致的信贷损失。客群挖掘模型利用机器学习算法，对海量客户数据进行聚类分析和特征提取，它能够发现不同客户群体的潜在需求、行为模式和风险特征，帮助银行精准定位目标客户群体，实现差异化营销策略。量化评估模型运用复杂的数学模型和统计方法，对企业的各项风险因素进行量化计算，它综合考虑企业的财务风险、经营风险、市场风险等多个方面，为企业的风险状况提供一个精确的量化评估结果。企业综合评分模型则是在前述三个模型的基础上，对企业的综合实力和信用状况进行全面评价。它将各个维度的评估结果进行整合，通过历史数据的训练，不断优化模型的参数和算法，提高模型的精准度和业务可解释性。经过反复训练和验证，该模型能够精准地计算出企业的综合能力评分，这一评分全面反映了企业的综合实力和信用状况。客户经理可以依据这一评分，快速、准确地了解企业的基本情况，为其提供精准的企业能力评价，从而在信贷业务中做出更明智的决策，如确定合理的授信额度、贷款期限和利率等。

4.基于AI自动生成尽调报告

通过梳理行内不同行业、不同产品的业务尽职调查模板，形成预设的报告模板，基于自然语言处理技术，将尽调报告自动生成结构清晰、逻辑连贯的报告框架和内容。报告涵盖了企业经营分析、行业分析、财务分析、风险缓释措施等多个方面，支持将报告输出为Word格式，方便用户进行保存和编辑。此外，还可以根据数据情况实现报告的实时更新，确保数据的时效性和准确性，满足银行对于尽调报告的全面要求。

三、项目技术方案

（一）系统架构

为提升信贷报告撰写质效，拟在银行尽调场景中应用大模型技术，实现报告模版理解、自动化文档解析、信贷报告生成等功能。需建立以下大模型能力：一是模版理解，解析各产品、各行业尽调模版样式，理解模版填写要求；二是信息提取，多模态识别原始资料，对多种信息源进行识别、清洗、提取；三是数据分析，根据已有数据进行风险分析、进行数据分析及对比、趋势预测等；四是报告生成，将各类信息结构化，并填写到模版对应部分；五是报告复核，对报告内容进行审核及溯源。

基于以上功能要求，构建了“数据-模型-应用-安全”四层协同架构体系。底层数据层，整合财务数据、交易数据等行内数据和工商、司法、舆情等外部数据以及非结构化文档，通过ETL管道实现多源异构数据的清洗和标准化。模型层，运用DeepSeek-V3-0324满血版和Qwen-QwQ-32B等开源大模型，并基于vLLM分布式部署，在开源大模型应用平台进行场景开发。融合规则引擎和知识图谱构建“生成+推理”双驱动架构，支撑文档解析、风险关联分析等核心能力。应用层，通过API接口调用，在数智尽调平台集成大模型应用平台功能，将大模型能力具像化为自动化报告生成、风险可视化分析等模块，嵌入现有尽调工作流程，实现人机协同。安全层贯穿全域，采用动态脱敏、联邦学习技术保障数据隐私，实现全流程风险可控，形成从数据治理到业务价值转化的闭环技术支撑体系。

（二）技术实现特点

1、分布式数据湖结构：数据融合与价值挖掘的基石

分布式数据湖架构在数智尽调平台中处于关键地位，它搭建起跨平台、多模态的数据治理中枢，为全域数据融合与价值挖掘创造了条件。通过引入 CDC（Change Data Capture）技术和高可用部署体系，平台能够实时同步行内业务数据，确保数据的时效性与准确性，让银行在尽调时获取的信息始终贴近企业运营实际情况。

从数据存储层面看，分布式数据湖采用混合存储策略。对于结构化数据，如企业交易流水，平台运用列式压缩存储和增量更新技术，既减少了存储空间占用，又能快速处理新增数据，提升数据查询和分析效率。对于非结构化数据，像抵押物扫描件、尽调录音等，平台实施对象存储并进行元数据标签化处理，借助 NLP 技术将尽调笔记转化为可检索的知识节点，便于后续深度挖掘和利用。

凭借统一的数据目录服务和细粒度权限控制机制，分布式数据湖不仅满足了银行合规审计的要求，还为智能信贷决策提供了坚实的数据支撑。在实时风险预警场景中，系统能依据整合后的数据，迅速发现企业异常交易行为；在关联交易穿透分析时，可清晰呈现复杂的企业关联关系，助力银行全面把控风险。

2、NLP 技术：从文本到洞察的桥梁

自然语言处理（NLP）技术赋予数智尽调平台理解和处理自然语言的能力，实现从形式化文本分析到语义深层次理解的跨越。在词法分析环节，平台借助jieba 工具进行分词、词性标注和命名实体识别，精准提取文本中的关键信息。例如，从企业新闻报道中识别出企业名称、相关人物、事件等实体。句法解析阶段，利用隐马尔可夫 HMM 模型等传统算法和 CKY 算法，平台对句子结构进行拆解分析，理解文本的语法结构和语义关系，为后续的语义理解和逻辑推理奠定了基础。通过预训练语言模型 Masked Language Modeling 和逻辑推理框架算法 Neural Theorem Prover，平台实现动态语义理解和篇章结构推理，能够深入解读文本背后的含义和意图。

在数智尽调中，NLP 技术与语音识别、语音合成、视觉问答等多模态技术协同工作，对企业司法、舆情等非结构化数据进行情感解析时，NLP 技术可判断出文本的情感倾向，帮助银行发现潜在风险点。若大量舆情信息对企业持负面评价，可能暗示企业存在声誉风险，提醒银行在尽调时重点关注。

3、知识图谱技术：构建企业关系全景图

知识图谱以图形化的方式呈现企业实体、事件及其之间的关系，为数智尽调平台提供了一种全新的数据分析和理解方式。我行建立的图分析平台，当前采用 ArangoDB 数据库，兼有 key/value 键 / 值对、graph 图和 document 文档数据模型，基于其本地集成的多模型特性，搭建高性能程序，支持灵活的可视化效果配置，包括实体、边的可视化效果展示，可支持 K 层展开、最短路径、全路径，也可通过自定义图查询语句进行图查询的 GQL 功能。

借助图分析平台的标准化、自动化、灵活化，搭建风控应用场景，充分发挥知识图谱的价值。基于知识图谱技术，平台深度挖掘企业全方位的关联关系，包括股权、人事、担保、资金交易等多种关系类型，并穿透式地分析实际控制人、一致行动人等关键关系。有助于全面了解企业的背景和潜在风险。在评估企业信用风险时，若发现企业与高风险企业存在紧密的股权关联或频繁的资金往来，可提前做好风险防范措施。

通过聚类、分类等手段，平台对全量企业客户进行分群和群体特征分析，挖掘企业客户群体风险形态，包括集团派系识别及风险洞察、担保圈链识别及风险洞察、黑名单关联族谱挖掘及风险洞察、信贷资金用途监测、企业风险传导监测等。在担保圈链识别及风险洞察场景中，平台能清晰展示担保圈内企业的相互关系，预测风险在圈内的传导路径，辅助评估关联授信整体风险，提前制定风险应对策略。

4、人工智能技术：智能决策与风险预判的引擎

人工智能技术贯穿于数智尽调平台的各个环节，为智能决策和风险预判提供了强大动力。基于多线性回归算法和半监督机器学习等技术，平台综合分析企业财务状况、宏观经济指标、行业舆情等多维数据，结合业务专家经验，量化不同行业景气度指数，推导产业链上下游行业风险传导的相关性。这使银行能够提前预判行业风险，调整信贷策略，优化资源配置。

在财务分析方面，人工智能技术通过分析企业财务报表勾稽关系、数据变化情况，并与大量行外财务数据样本交叉验证。并创新性地采用动机分析识别方法，在基于财报完整性、平衡性及波动性分析等自下向上的传统方法基础上，从企业造假动机出发自上向下建立指标联动，构建财务分析模型。该模型能有效识别企业财务造假行为，提高风险评估的准确性。

四、项目过程管理

本项目采用“阶段递进、敏捷迭代”的管理模式，建设周期规划为12个月，分四个阶段实施并设置里程碑管控节点，具体管理内容如下:

1.需求分析与方案设计（1-2个月）

在此阶段，完成尽调业务痛点的调研和分析，与业务部门组建专项工作小组，定期召开需求讨论会，制定《数智尽调工具需求规格说明书》。梳理本项目业务流程图、数据资产清单、模型性能指标基线等。根据尽调报告模板对工具进行模块化拆分，根据业务重要性、技术实现难度等制定模块开发优先级以及上线计划。

2.模型开发与系统搭建（4-6个月）

在此阶段，完成系统原型及UI设计图，进行系统间、页面间交互设计，对接信贷系统及其他外数平台，实现数据互通。根据模块开发优先级进行开发测试并按批次进行上线。构建大模型辅助工具箱。在大模型应用开发平台完成各类智能助手的工作流和智能体搭建。构建RAG知识库，通过测试对流程编排及提示词工程进行优化。通过搭建API接口，实现在数智尽调平台使用各类大模型应用助手工具。进行安全渗透测试，修复数据泄露等高风险漏洞。

3.试点应用与优化迭代（3-4个月）

首批选择8家分支机构进行试点，累计处理任务近300条。畅通反馈机制，建立反馈统计台账，根据用户实际使用中反馈的问题对系统流程设计及功能缺陷进行修复，有针对性地进行产品升级，累计完成3次功能优化迭代。结合试点情况，评估下一阶段推广计划，逐步放开使用权限。

4.全面推广与运营深化（持续进行）

制定推广及培训方案，通过线上直播和线下驻点相结合的方式，对系统功能及业务价值进行宣讲，提升业务人员数字化工具使用熟练度。建立7×24小时技术支持敏捷小组，确保系统可用性。通过埋点监测用户使用情况，实时分析业务负载与系统资源使用状况，自动实现资源的精准调配与优化，确保系统始终保持在高效运行状态。除此之外，系统配备智能日志管理系统，可自动收集、整理和分析各类运维日志，进一步提升运维工作的精准度与效率。同时，将持续关注市场数据变化情况，拓宽数据获取渠道，提升报告自动化生成率。

五、运营情况

数智尽调平台上线以来，取得了显著的成效。已覆盖全行最高额授信、普惠科企贷等多个对公产品，服务全行多家分支机构，助力对公业务实现上亿元的信贷投放。

在优化信贷业务流程方面，数智尽调功能通过同步业务流程、线上智能生成尽调报告，解决了以往尽职调查靠手工耗时费力等痛点。智能生成尽调报告上百份，平均报告自动化完成率高达 60%，为客户经理提效减负，为评审与贷后管理提质增效，同时大幅提升了企业融资效率和客户体验。

在提升尽调质量方面，通过对企业所在行业的发展情况、企业资质、财务情况的智能分析，辅助客户经理提供更加全面和准确的企业尽调报告，为后续的审批决策打下坚实的基础，提升评审人员贷中审核效率，提升信贷风险管理质量。

在支持新兴产业发展方面，数智尽调平台辅助我行将信贷资金投向新兴产业，从金融供给侧有效助力地方重点产业高质量发展。例如，在支持某新兴科技企业的过程中，平台通过对企业的技术创新能力、市场竞争力、财务状况等进行全面评估，为银行提供了准确的风险评估和授信建议，帮助企业获得了所需的信贷资金，推动了企业的快速发展。

六、项目成效

1.经济效益

一是减少数据处理时间。传统尽调模式下，数据处理工作繁琐且耗时，业务人员需要花费大量时间收集、整理和分析数据。数智尽调平台通过高性能的数据处理引擎，实现了数据的自动化采集、清洗和分析，大大缩短了数据处理时间。平台能够同时分析多条数据流，快速生成数据分析结果，使业务人员能够在最短时间内获取全面、准确的企业信息，为决策提供有力支持。例如，在进行一笔大额信贷业务的尽职调查时，传统方式可能需要数天甚至数周的时间来收集和分析数据，而数智尽调平台可以在几个小时内完成数据处理工作，大大提高了工作效率。

二是提高风险识别能力。数智尽调平台借助先进的技术手段，能够从海量数据中精准识别风险点，为业务人员提供全面、深入的风险分析报告。知识图谱技术和人工智能技术的应用，使平台能够挖掘出企业之间隐藏的关联关系和潜在风险，提高风险识别的准确性和及时性。业务人员可以根据平台提供的风险提示，提前制定风险防范措施，降低信贷风险。例如，在识别企业的欺诈风险时，平台可以通过分析企业的交易流水、关联方关系、财务数据等多维度信息，利用机器学习算法构建欺诈风险模型，及时发现异常交易和潜在欺诈行为，为银行资金安全提供保障。

三是简化报告撰写流程。传统的尽调报告撰写工作需要业务人员耗费大量时间和精力，且报告质量容易受到个人经验和能力的影响。数智尽调平台通过自然语言处理技术，自动生成结构清晰、逻辑连贯的尽调报告。平台根据预设的报告模板，将分析结果转化为规范的报告内容，涵盖企业经营情况分析、所在行业分析、财务分析、风险缓释措施等多个方面，并支持将报告输出为 Word 格式，方便用户进行保存和编辑。业务人员只需对报告进行审核和补充，即可完成报告撰写工作，大大简化了报告撰写流程，提高了工作效率和报告质量。

2.社会效益

一是推动实体经济发展，通过构建本平台，促使银行不断创新金融产品和服务模式，开发出更符合市场需求的个性化产品使得金融服务精准支持实体经济发展的重要领域和薄弱环节，为实体经济发展提质增效。二是提高社会资源分配效率，通过海量数据分析，精准评估企业价值和风险，使银行的资金能够更精准地流向优质企业和项目。有助于提高社会资金的使用效率，避免资金错配，促进资源向更有潜力和价值的领域流动。

七、经验总结

1.项目建设经验

从项目建设流程来看，可在需求顶层设计、技术架构选型、数据治理三个方面总结经验。在需求设计时，应当重点关注痛点精准识别，通过深度调研一线业务人员需求，明确尽调场景核心痛点，包括多元数据整合困难、报告撰写耗时、风险识别遗漏等问题。在项目管理方面，应注意分阶段规划目标，形成“短期试点-中期扩展-长期深化”的实施路径。在技术架构和选型方面，可采用“大模型+小模型”的组合方案，根据尽调模块特征，选择能力适配的模型。在数据治理及安全保障方面，根据调查报告撰写要素构建结构化知识库，同时通过联邦学习、动态脱敏等技术确保数据不出行，保障数据安全。

2.推广经验

在应用推广方面，可构建场景验证和敏捷迭代的推广策略。场景化试点方面，在产品选择上，可优先选择标准化程度高的业务场景进行试点，如小微企业贷款。在试点机构选择上，可优先选择业务量大、具有一定数字化转型思维的机构展开试点，收集足量样本，为后续优化迭代做准备。在敏捷迭代方面，构建快速反馈优化机制。以两周为周期收集用户反馈，持续迭代系统功能，保证系统正常运行。