在总行工作时，片面地不理解为什么基层客户经理对产业数字金融业务相对淡漠，原以为是大家认为吃快餐更管饱，不愿意对新生业务投入太多。到分行工作后，跟很多基层客户经理交流，发现一线大把的专业能人，更多是因为不了解产业数字金融作为信贷业务的一种创新形态如何控制风险，所以观望。说到底，有责任心和专业度的第一道防线们，内心很多疑问：模型和系统到底靠不靠谱？产业数字金融是不是仅仅是科技噱头，这帮人懂不懂业务、对风控没有敬畏心？
我需要不断告诉支行的战友们：产业数字金融是信贷业务，模型是有逻辑的，不是从石头缝里蹦出来的业务。什么是信贷？“信”的英文对应credit，解释为可能性，关注在信用本身，即“评估你能借多少”，核心是信用记录和还款能力；“贷”的英文对应debt，解释为确定性，即“你要还多少”，核心是本金、利息和还款期限。使用信用才可以获取贷款，银行给予目标借款人核定的信用额度决定了借款人可以贷款的上限。信贷的循环往复构成了银行的贷款业务。
贷款分析有三个要素：客户、资产、交易，单笔信贷业务通常选择一个核心要素进行评估及方案设计。“客户”关注借款人作为主体的信用评估为多少，以分析借款人的信用和未来偿债能力为主，当前大部分的贷款业务以客户分析为主。“资产”关注具体资产可变现价值或未来收益为多少，以固定资产贷款、抵（质）押贷款为主要业务形态，风控主要逻辑是控制资产本身的完工风险、运营风险、价格波动风险。“交易”关注交易的真实可靠性、交易结构的稳定性和“四流”流程管控。
“看交易”本身起源于贸易融资，演变为供应链金融，至今产业数字金融为供应链金融进行了数字化工艺改进。产业数字金融其实已经广泛应用，大行基本依托自有的供应链金融体系进行数字化能力提升，我在总行推动汽车经销商业务时，经常感叹同业在不同程度的数字化工艺上的进步，加之以多年深入产业、了解生态，已经与汽车行业共荣共生。这其实就像豆包对搜索引擎的替代，虽然是逐步进行的，但趋势已成。
到分行后第一次跑客户，行领导对我提了要求：“以后你要想办法用一句话讲清楚你的业务，让客户理解，让一线理解。”现在想最合适的还是“数字化供应链金融”，因为产业数字金融业务底层逻辑是“看交易”，源于供应链金融，但进行了数字化的信贷风控工艺改进。通过深入真实产业生态的交易中，利用模型和系统的过程管理强化风控能力，解决以往“人力不可为”的难点，覆盖传统信贷手段难以覆盖的业务领域，例如我们实现的7*24小时放款，例如通过核心企业对产业链企业的严格管理“借力打力”。产业数字金融，或者说数字化的供应链金融，通过不断分析真实发生的客户数据迭代模型，达到一定量级后可进行算法推演，产业链内生态客户不断通过真实数据证明自己的交易信用，系统刚性控制的过程管理在日常时刻强化以往依靠批复制度和审计检查进行的过程风控。在“看交易”的核心分析逻辑框架下，可视作供应链金融风控能力的进步。
一笔贷款的方案设计考虑四个问题：谁借钱？借款干什么？用什么还？不还怎么办？首先，产业数字金融的风控逻辑也围绕这四个问题，只是侧重点有差异。以“看交易”为主的产业数字金融业务，通过交易的真实场景（应收账款、预付账款、存货etc及其各种过程态），构建了产业各生态主体一体化的金融供给体系与风险评估体系，是系统性的解决方案。在真实的交易中，借款的是产业上下游生态，借款往往用于满足与核心企业的真实交易，还款来自于客户当前交易的完成和持续。贷款要长在周期上，这是行业共识。我认为，贷款要深入产业结构里，作为银行从业者应当对产业链、产业结构、产业周期进行格物致知，才能更进一步了解借款人的企业的经营（人）、财务（财）、产品（物），从而设计更为贴合的产品方案和风控方案。因此，核心企业为主导的产业链稳固对“看交易”的产业数字金融业务更为重要。例如，结合当前国内产业环境，汽车已经成为房地产之后的第二支柱产业，同样促生了钢铁和电力行业的进步，产生了产业端的变革迭代。钢铁行业从普材逐步转向品种钢、特钢，以支撑国内高端装备和汽车行业的不断发展进步。电力行业除发电端外，储能、充电基础设置、甚至虚拟电厂都逐步进化迭代，以适应算法时代对电力的旺盛需求。
基于“看交易”，贷款债权安全与否可以简单将贷款安全性财务分析模型（Reliability on debt）进行调整：
ROD=预期还款现金流/到期债务
=到期交易产生的现金流量*偿债资金可控程度/到期债务
=贷款期内交易产生的现金流*（客户历史交易信用*当前交易履约现状*交易产品前景）/ （目标贷款到期金额+同期到期的其它债务金额影响）
产业数字金融业务的贷款安全性首先要确保融资的交易现金流可控，核心客户对产业链企业的管控能力较强，交易的产品有人买，借款企业自身的债务结构好，还款意愿强。因此，对于借款人本身的应收、应付、销售回款现金流应强化数据分析，目的是进一步核实其交易信用。通过交易过程的“四流”数据分析，可以了解借款人融资的交易具体履约进度，及时预知可能风险，例如供应商交货是否超期、经销商是否异常订货、经销商库存是否超压。只要交易持续滚动存在，企业的经营就可以持续存在，当前融资的交易的回款就有保障。当然，企业作为法人主体，信贷人员的现场尽调“望、闻、问、切”仍然是产业数字金融业务调查技术的必要补充，在工商、司法、征信、税务、发票等宽维外部数据的模型结果应用之外，通过对借款人管理风格、舆情信息、行业经验、多元经营等情况的调查了解，有助于管控企业会影响到当前融资交易的其它债务到期风险。我曾经现场调研一个汽车经销商，通过工商数据看到企业涉诉信息，现场与实控人和财务负责人喝茶聊天，虽然老板行业经验颇丰人品端正，但企业的隐藏商业版图跨度很大，自有资产全部用于抵押贷款，ROD中同期到期的其它债务金额是模型当前的能力甚至是专业审批人都所无法清晰评估的。
我们清醒地认知当前完全脱离人工还不甚现实，但今年以来与同业交流情况看，各行都在争先部署数字化系统建设，在各个细分领域持续积累，谁也不知道哪一天质变到来。网商银行在外滩大会的slogan是“让每一部手机成为一个银行网点”，背后内涵不可轻视。某次交流中，客户经理对我说：“听说产数业务不用尽调，找客户就行”，我惊讶于这样的信息差异，也开始反思自己过往是否忽视了产业数字金融风控理念的交流，看来通过数字化工艺去提升风控能力的认知并没有得到普及。金融科技公司都已经推出赋能银行的智能尽调服务，一方面提升了客户体验和客户经理体验，提高现场尽调的质效，另一方面也对客户经理现场调查开展了严密的过程管理，进一步管控了调查结论参差不齐的操作风险，实现尽调结构化管理。
一类业务的底层逻辑如如不动，但业务形态可以不断切片重构。AI时代，产业数字金融或数字供应链金融是最快形成垂直领域革新的金融形态，当然这需要我们持续深入产业和模型挖掘的大量努力，毕竟全流程的风控能力才是银行业务形态最核心的能力。不仅仅是普通大语言模型简单替代人工咨询作用，而是基于AI能力真正实现传统不可及的精准覆盖。这很理想，但是可能并不遥远。