「摘要」財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)在AI決策領(lǐng)域做出有益探索，利用數(shù)據(jù)重塑了財(cái)務(wù)費(fèi)控的形態(tài)，從人控轉(zhuǎn)型為數(shù)控，從現(xiàn)場監(jiān)督轉(zhuǎn)型為在線監(jiān)督。本文從農(nóng)發(fā)行財(cái)務(wù)風(fēng)險(xiǎn)監(jiān)控預(yù)警領(lǐng)域切入，分析財(cái)務(wù)數(shù)字化轉(zhuǎn)型的內(nèi)生需求，重點(diǎn)介紹財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)的構(gòu)建及應(yīng)用，并從費(fèi)用標(biāo)簽構(gòu)建、風(fēng)險(xiǎn)形態(tài)識(shí)別、政策文本挖掘、用戶行為分析等方面對(duì)財(cái)務(wù)職能轉(zhuǎn)型進(jìn)行了探索研究。

「關(guān)鍵詞」財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)?AI決策?大數(shù)據(jù)?財(cái)務(wù)風(fēng)險(xiǎn)畫像

當(dāng)前，銀行業(yè)的財(cái)務(wù)可持續(xù)性受LPR貸款基礎(chǔ)利率長期階梯狀下行、全球貿(mào)易摩擦、多邊貿(mào)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(cái)務(wù)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(shù)，輔助農(nóng)發(fā)行守住財(cái)務(wù)底線，增強(qiáng)財(cái)務(wù)風(fēng)險(xiǎn)管理能力，并進(jìn)一步提升自身財(cái)務(wù)可持續(xù)，是亟待探討和研究的課題。通過建設(shè)財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)，以數(shù)字賦能農(nóng)發(fā)行財(cái)務(wù)費(fèi)控，可推進(jìn)財(cái)務(wù)實(shí)現(xiàn)精細(xì)化管理、優(yōu)化業(yè)務(wù)決策且加強(qiáng)內(nèi)部風(fēng)險(xiǎn)控制，服務(wù)農(nóng)發(fā)行高質(zhì)量發(fā)展。

一、財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)的建設(shè)背景及意義

財(cái)政部發(fā)布了《會(huì)計(jì)改革與發(fā)展“十四五”規(guī)劃綱要》,《綱要》中提出會(huì)計(jì)職能要實(shí)現(xiàn)從傳統(tǒng)的算賬、記賬、核賬、報(bào)賬功能向價(jià)值管理、資本運(yùn)營、戰(zhàn)略決策輔助等職能轉(zhuǎn)型升級(jí)。農(nóng)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(shù)建設(shè)財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)，實(shí)現(xiàn)財(cái)務(wù)分析和風(fēng)險(xiǎn)監(jiān)控。在規(guī)劃對(duì)財(cái)務(wù)費(fèi)控提出數(shù)字化轉(zhuǎn)型外在要求的同時(shí)，財(cái)務(wù)監(jiān)督工作反映的一些深層次問題，也揭示了內(nèi)在的智能化需求，如：業(yè)務(wù)財(cái)務(wù)未實(shí)現(xiàn)真正的融合統(tǒng)一導(dǎo)致業(yè)務(wù)違規(guī)而財(cái)務(wù)合規(guī)的風(fēng)險(xiǎn)問題；過分依賴于人為判斷識(shí)別財(cái)務(wù)異動(dòng)、可疑、邏輯不符和虛假不實(shí)而導(dǎo)致的信息滯后性；賬務(wù)影像數(shù)據(jù)的標(biāo)準(zhǔn)化供給和數(shù)據(jù)分析處理之間銜接性、關(guān)聯(lián)性不足的問題等。上述問題的解決，均需要通過“技術(shù)+數(shù)據(jù)”驅(qū)動(dòng)，充分發(fā)揮數(shù)據(jù)要素作用。隨著農(nóng)發(fā)行“數(shù)云融合”“數(shù)智融合”的企業(yè)大數(shù)據(jù)服務(wù)體系日漸成型，人工智能（AI）、決策引擎（RE）、商務(wù)智能（BI）、專家知識(shí)庫（ES）和工作流（WorkFlow）等技術(shù)開始深度應(yīng)用并創(chuàng)新融合，已形成完整的決策智能技術(shù)架構(gòu)，能夠較好地應(yīng)用到財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別、監(jiān)控、決策、處置、反饋等流程，為推進(jìn)財(cái)務(wù)風(fēng)險(xiǎn)管理數(shù)字化和智能化創(chuàng)造了有利條件。通過推進(jìn)財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)建設(shè)，可賦能財(cái)務(wù)實(shí)現(xiàn)精細(xì)化管理、優(yōu)化業(yè)務(wù)決策且加強(qiáng)內(nèi)部風(fēng)險(xiǎn)控制。其中，在財(cái)務(wù)智能化方面，利用回歸模型，構(gòu)建公共費(fèi)用和宣傳招待費(fèi)用預(yù)測(cè)探索模型，預(yù)測(cè)機(jī)構(gòu)-月份維度的費(fèi)用情況，挖掘季節(jié)性或事件性差異。在財(cái)務(wù)決策方面，利用決策引擎搭建決策預(yù)警規(guī)則模型，基于聚合算子靈活構(gòu)建風(fēng)險(xiǎn)評(píng)估指標(biāo)，將風(fēng)險(xiǎn)特征規(guī)則化。在財(cái)務(wù)價(jià)值挖掘方面，結(jié)合財(cái)務(wù)數(shù)據(jù)藍(lán)圖規(guī)劃，構(gòu)建財(cái)務(wù)價(jià)值門戶，支持?jǐn)?shù)據(jù)可視化、靈活查詢、上卷下鉆、場景聯(lián)動(dòng)等分析功能。在財(cái)務(wù)知識(shí)發(fā)現(xiàn)方面，打造財(cái)務(wù)知識(shí)庫支持財(cái)務(wù)費(fèi)控知識(shí)管理和發(fā)現(xiàn)，包括合規(guī)政策庫、監(jiān)督事項(xiàng)庫、預(yù)警規(guī)則庫，實(shí)現(xiàn)財(cái)務(wù)知識(shí)統(tǒng)一維護(hù)、分類存儲(chǔ)和全行共享。在財(cái)務(wù)監(jiān)督方面，基于工作流，完成風(fēng)險(xiǎn)信號(hào)、合規(guī)單生成和下發(fā)等財(cái)務(wù)風(fēng)險(xiǎn)管理工作流配置，形成風(fēng)險(xiǎn)管理閉環(huán)。通過持續(xù)深化AI決策在財(cái)務(wù)監(jiān)控預(yù)警的實(shí)踐并推廣至財(cái)務(wù)會(huì)計(jì)、管理會(huì)計(jì)的過程管控和決策支持，也可推動(dòng)業(yè)財(cái)一體化，提升內(nèi)部財(cái)務(wù)管理水平，提升經(jīng)濟(jì)效益。

二、財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)的構(gòu)建

財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)的構(gòu)建以問題為導(dǎo)向，以技術(shù)為驅(qū)動(dòng)，以賦能業(yè)務(wù)為歸宿，遵循“一體兩翼六化”的建設(shè)思路，設(shè)計(jì)和確定平臺(tái)的技術(shù)架構(gòu)和數(shù)據(jù)架構(gòu)。

（一）建設(shè)思路

在財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)建設(shè)過程中，采用了“一體兩翼六化”的建設(shè)思路，即以大數(shù)據(jù)為主體，機(jī)器學(xué)習(xí)和決策引擎為兩翼，圍繞智能財(cái)務(wù)和財(cái)會(huì)監(jiān)督體建設(shè)，探索大數(shù)據(jù)、決策引擎、機(jī)器學(xué)習(xí)等智能決策技術(shù)在財(cái)務(wù)監(jiān)控預(yù)警領(lǐng)域的實(shí)踐和應(yīng)用，以期通過數(shù)據(jù)化、智能化、流程化、場景化、價(jià)值化和知識(shí)化，促進(jìn)財(cái)務(wù)可持續(xù)發(fā)展。在財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)建設(shè)中，圍繞“一體兩翼六化”的主線，以大數(shù)據(jù)技術(shù)的Spark、Hive、ClickHouse為核心組件，構(gòu)建了數(shù)據(jù)存儲(chǔ)、處理和加工的底座；以決策引擎的指標(biāo)、規(guī)則和決策流為核心功能，構(gòu)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(tái)的自動(dòng)機(jī)器學(xué)習(xí)及模型訓(xùn)、管、用為核心功能，打造了AI模型構(gòu)建全流程低代碼能力；同時(shí)針對(duì)數(shù)據(jù)化、智能化、流程化、場景化、價(jià)值化和知識(shí)化的“六化”目標(biāo)，除采用大數(shù)據(jù)和人工智能技術(shù)外，同時(shí)引入了商務(wù)智能、工作流、知識(shí)庫等技術(shù)，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)價(jià)值的挖掘、知識(shí)的沉淀和預(yù)警信號(hào)的流程化處理。

（二）技術(shù)架構(gòu)

財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)整體分為三層（如圖1所示），分別為數(shù)據(jù)層、平臺(tái)層、應(yīng)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(tái)層承載規(guī)則模型、工作流、數(shù)據(jù)分析、可視化、作業(yè)調(diào)度，以及預(yù)測(cè)模型的特征提取、模型訓(xùn)練、模型測(cè)試、模型上線、服務(wù)發(fā)布等能力，即“兩翼”部分。應(yīng)用層承載成本動(dòng)因分析、預(yù)警信號(hào)展示和處理、歸因分析、預(yù)警規(guī)則管理、知識(shí)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(wù)；支持創(chuàng)建Spark、Hadoop、Hive、Spark SQL和Shell等豐富的作業(yè)類型，實(shí)現(xiàn)財(cái)務(wù)管理系統(tǒng)、影像內(nèi)容平臺(tái)的數(shù)據(jù)采集，貼源、整合、集市等各層數(shù)據(jù)存儲(chǔ)，數(shù)據(jù)模型計(jì)算和作業(yè)調(diào)度，以及財(cái)務(wù)AI模型、規(guī)則模型計(jì)算等；該層完成了機(jī)構(gòu)、科目、COA段值等主數(shù)據(jù)的標(biāo)準(zhǔn)化映射和還原，同時(shí)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(tái)層。主要包括智能決策和人工智能兩個(gè)部分。智能決策主要功能模塊包括場景管理、指標(biāo)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(cè)試、發(fā)布上線全生命周期管理，提供專家規(guī)則、評(píng)分卡、規(guī)則流等決策模型，實(shí)現(xiàn)從傳統(tǒng)決策走向深度應(yīng)用AI的智能決策，可輔助開展不同業(yè)務(wù)場景的決策支持。人工智能主要功能模塊包括財(cái)務(wù)費(fèi)用預(yù)測(cè)模型的特征提取、模型訓(xùn)練、模型測(cè)試、模型上線、服務(wù)發(fā)布，為AI 應(yīng)用提供各種特征工程、訓(xùn)練、評(píng)估、測(cè)試、上線的工具，以及AI應(yīng)用開發(fā)、運(yùn)行、管理的編譯器、調(diào)試器、應(yīng)用編程接口（API）和服務(wù)，同時(shí)高效管控各種硬件和軟件資源并調(diào)度程序運(yùn)行。

3.應(yīng)用層。根據(jù)依賴關(guān)系分為數(shù)據(jù)、知識(shí)庫、規(guī)則模型和數(shù)據(jù)分析四個(gè)模塊。數(shù)據(jù)模塊提供本地?cái)?shù)據(jù)導(dǎo)入、用戶行為數(shù)據(jù)采集等功能。知識(shí)庫模塊支持參數(shù)管理或業(yè)務(wù)積累的各種監(jiān)控經(jīng)驗(yàn)的分類匯總，并形成參數(shù)管理、基礎(chǔ)知識(shí)管理、預(yù)警知識(shí)管理、可視化知識(shí)管理等4類庫。規(guī)則模型模塊實(shí)現(xiàn)費(fèi)用管控的預(yù)警歸因分析和預(yù)警規(guī)則庫管理。歸因分析是基于科目費(fèi)用對(duì)應(yīng)的作業(yè)動(dòng)因和業(yè)務(wù)動(dòng)因構(gòu)建多元線性回歸模型和AI模型，根據(jù)模型擬合結(jié)果確定顯著動(dòng)因排名和影響權(quán)重。預(yù)警規(guī)則庫則結(jié)合業(yè)務(wù)流程劃分為監(jiān)督規(guī)則庫和通用規(guī)則庫；預(yù)警規(guī)則模型均是基于標(biāo)準(zhǔn)化費(fèi)控?cái)?shù)據(jù)和衍生預(yù)警指標(biāo)數(shù)據(jù)，結(jié)合知識(shí)庫管理層的預(yù)警規(guī)則邏輯，在會(huì)計(jì)科目維度實(shí)現(xiàn)預(yù)警指標(biāo)的創(chuàng)建、規(guī)則邏輯的配置、模型效果的測(cè)試，實(shí)現(xiàn)預(yù)警規(guī)則模型規(guī)范化管理、模型化調(diào)度。數(shù)據(jù)分析層模塊以場景費(fèi)用分析為導(dǎo)向，基于數(shù)據(jù)標(biāo)準(zhǔn)層的可視化數(shù)據(jù)，包括標(biāo)準(zhǔn)化費(fèi)控?cái)?shù)據(jù)、成本動(dòng)因數(shù)據(jù)、費(fèi)控標(biāo)桿數(shù)據(jù)和模型預(yù)警數(shù)據(jù)，實(shí)現(xiàn)多維圖表的可視化聯(lián)動(dòng)、上卷、下鉆和切片分析，以及預(yù)警信號(hào)的流程化管控。

（三）數(shù)據(jù)架構(gòu)

財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)三個(gè)層通過接口調(diào)用、數(shù)據(jù)集成、數(shù)據(jù)同步等方式實(shí)現(xiàn)了數(shù)據(jù)的定向流動(dòng)和共享（如圖2所示）。數(shù)據(jù)層（EMR）提供財(cái)務(wù)管理系統(tǒng)、影像內(nèi)容平臺(tái)、管理會(huì)計(jì)等源數(shù)據(jù)的采集和加工，為智能決策和模型運(yùn)行提供數(shù)據(jù)和計(jì)算資源。平臺(tái)層的智能決策模塊（IDSS）主要用于構(gòu)建風(fēng)險(xiǎn)預(yù)警規(guī)則庫，利用財(cái)務(wù)管理、管理會(huì)計(jì)等系統(tǒng)的數(shù)據(jù)，建立一套完整的業(yè)務(wù)指標(biāo)、規(guī)則預(yù)警體系，對(duì)潛在財(cái)務(wù)風(fēng)險(xiǎn)和疑似合規(guī)問題進(jìn)行預(yù)測(cè)；人工智能模塊（DUBHE）提供數(shù)據(jù)處理、特征工程、模型構(gòu)建、模型發(fā)布和模型自學(xué)習(xí)等功能，支持財(cái)務(wù)數(shù)據(jù)的價(jià)值探索，實(shí)現(xiàn)從原始數(shù)據(jù)到模型構(gòu)建,再到模型應(yīng)用的價(jià)值提升閉環(huán)，并通過模型自學(xué)習(xí)保障穩(wěn)定的模型效果。

財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)定時(shí)將財(cái)務(wù)管理系統(tǒng)等數(shù)據(jù)源的業(yè)務(wù)數(shù)據(jù)通過數(shù)據(jù)交換平臺(tái)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(jié)果通過ETL同步至ClickHouse；最后由應(yīng)用層的商務(wù)智能工具（BI）進(jìn)行統(tǒng)一分析、展示和預(yù)警。

三、財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)的應(yīng)用場景

財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)所具備的數(shù)據(jù)處理、數(shù)據(jù)分析、模型構(gòu)建、流程控制、知識(shí)管理的能力在多個(gè)財(cái)務(wù)費(fèi)控的場景得到應(yīng)用，并產(chǎn)生了積極的效果。從業(yè)務(wù)視角看，支撐了機(jī)構(gòu)、員工、供應(yīng)商分析等基礎(chǔ)場景，戰(zhàn)略成本投入、重點(diǎn)戰(zhàn)略支持、財(cái)務(wù)可持續(xù)等戰(zhàn)略場景，財(cái)務(wù)規(guī)定落實(shí)、主責(zé)主業(yè)履行等管理場景，人員費(fèi)用、折舊攤銷、公共費(fèi)用等動(dòng)因場景，公共費(fèi)用、宣傳招待費(fèi)、車輛維修費(fèi)等預(yù)警預(yù)測(cè)場景，合規(guī)政策庫、監(jiān)督事項(xiàng)庫、預(yù)警規(guī)則庫等知識(shí)管理場景，業(yè)務(wù)分析場景均可以實(shí)現(xiàn)從目標(biāo)費(fèi)用層層鉆取，直到最細(xì)粒度的標(biāo)準(zhǔn)化費(fèi)用數(shù)據(jù)。主要場景介紹如下：

（一）基礎(chǔ)畫像

基于機(jī)構(gòu)、員工、部門、供應(yīng)商等COA段值確定的具體費(fèi)控對(duì)象，利用描述性統(tǒng)計(jì)方法計(jì)算某段時(shí)間內(nèi)的費(fèi)用發(fā)生額合計(jì)數(shù)、最大最小值、均值、中位數(shù)、均值、標(biāo)準(zhǔn)差、四分位數(shù)等數(shù)據(jù)指標(biāo)，以及費(fèi)控事件發(fā)生次數(shù)的頻率統(tǒng)計(jì)。利用近5年費(fèi)用歷史數(shù)據(jù)，對(duì)群體費(fèi)控對(duì)象的集中度、費(fèi)用使用效率的概貌進(jìn)行可視化分析，支持管理行多維度、多視角及時(shí)掌握財(cái)務(wù)費(fèi)用情況的基本面。

（二）對(duì)比畫像

主要包括同級(jí)別橫向?qū)Ρ?、子?jí)別占比分析和基于費(fèi)用標(biāo)桿的合理性分析。同級(jí)別橫向?qū)Ρ?、子?jí)別占比分析包括機(jī)構(gòu)層級(jí)、業(yè)務(wù)條線和財(cái)務(wù)科目交叉劃分的各對(duì)比分析情景，涉及的對(duì)比分析內(nèi)容包括不同形式的絕對(duì)值費(fèi)用橫向?qū)Ρ确治龊唾M(fèi)用占比的分布對(duì)比分析。具體費(fèi)用數(shù)據(jù)的展示邏輯包括以年、季、月為單位的匯總費(fèi)用、平均費(fèi)用、中位數(shù)費(fèi)用、同環(huán)比指標(biāo)等。費(fèi)用標(biāo)桿的合理性分析貫穿到上述對(duì)比分析和占比分析的每個(gè)情景中，費(fèi)用標(biāo)桿分為同級(jí)平均費(fèi)用、預(yù)算金額、行業(yè)標(biāo)桿三類，并支持費(fèi)用標(biāo)桿融合到以上全部對(duì)比分析情景，供業(yè)務(wù)人員參考比對(duì)。

（三）占比畫像

占比畫像是對(duì)子級(jí)別進(jìn)行費(fèi)用占比分析，即子級(jí)別數(shù)據(jù)占其父級(jí)別數(shù)據(jù)的比例，如上級(jí)科目下的直屬子科目數(shù)據(jù)占比、某條線下某機(jī)構(gòu)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(duì)象為機(jī)構(gòu)、業(yè)務(wù)條線、業(yè)務(wù)部門、財(cái)務(wù)科目、供應(yīng)商、員工等；計(jì)算方法是畫像對(duì)象費(fèi)用除以同類型同等級(jí)對(duì)象的該費(fèi)用合計(jì)。

（四）趨勢(shì)畫像

主要包括費(fèi)用變動(dòng)趨勢(shì)分析、同環(huán)比增速分析和基于費(fèi)用標(biāo)桿趨勢(shì)合理性分析。費(fèi)用趨勢(shì)分析和同環(huán)比增速分析包括業(yè)務(wù)場景、機(jī)構(gòu)層級(jí)、財(cái)務(wù)科目三個(gè)段值交叉產(chǎn)生的對(duì)比分析情景，涉及的趨勢(shì)分析內(nèi)容包括自由設(shè)定歷史期限長度和年、季度、月不同時(shí)間單位的匯總費(fèi)用、人均費(fèi)用、中位數(shù)費(fèi)用的絕對(duì)值數(shù)值分析和對(duì)應(yīng)時(shí)間單位的同環(huán)比增速費(fèi)用數(shù)據(jù)分析。費(fèi)用標(biāo)桿趨勢(shì)合理性分析貫穿于以上趨勢(shì)分析的每個(gè)情景中，費(fèi)用標(biāo)桿會(huì)以相同的時(shí)間單位按照時(shí)間序列的方式嵌入到各分析情景的圖表中，供業(yè)務(wù)人員參考比對(duì)。

（五）成本動(dòng)因畫像

基于業(yè)務(wù)場景和財(cái)務(wù)科目梳理的成本動(dòng)因列表，構(gòu)建多元線性回歸模型，然后基于應(yīng)用層規(guī)則模型模塊的回歸模型結(jié)果數(shù)據(jù)，分析成本動(dòng)因正負(fù)方向（動(dòng)因系數(shù)）和各動(dòng)因?qū)M(fèi)用的影響權(quán)重（回歸系數(shù)），并將模型顯著性F檢驗(yàn)和回歸系數(shù)顯著性t檢驗(yàn)轉(zhuǎn)換成是否有效的標(biāo)簽，同時(shí)支持對(duì)標(biāo)簽的可視化展示和鉆取。

（六）偏離度畫像

費(fèi)用偏離度分析是基于最新一期費(fèi)用數(shù)據(jù)和對(duì)應(yīng)科目的成本動(dòng)因數(shù)據(jù)情況，判斷其在歷史費(fèi)用和歷史動(dòng)因的分布情況是否存在偏離。計(jì)算邏輯為考慮當(dāng)期費(fèi)用和對(duì)應(yīng)動(dòng)因與上一期的偏離程度，其計(jì)量單位為時(shí)間序列上的歷史費(fèi)用數(shù)據(jù)和對(duì)應(yīng)動(dòng)因的標(biāo)準(zhǔn)差，并將偏離程度按對(duì)應(yīng)標(biāo)準(zhǔn)差的絕對(duì)值倍數(shù)排序，且保留正負(fù)變動(dòng)方向，方便業(yè)務(wù)人員參考。

（七）風(fēng)險(xiǎn)預(yù)警畫像

風(fēng)險(xiǎn)預(yù)警分析是基于風(fēng)險(xiǎn)預(yù)警模塊對(duì)風(fēng)險(xiǎn)信號(hào)的識(shí)別和匯總，進(jìn)行描述性統(tǒng)計(jì)分析、對(duì)比分析、占比分析及趨勢(shì)分析，進(jìn)一步判斷風(fēng)險(xiǎn)狀態(tài)，為管理層采取因應(yīng)對(duì)策提供直觀的參考依據(jù)。預(yù)警畫像主要統(tǒng)計(jì)機(jī)構(gòu)、條線、部門、科目、供應(yīng)商、員工出現(xiàn)預(yù)警信號(hào)的次數(shù)、等級(jí)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(cái)務(wù)監(jiān)控預(yù)警效能的思考

財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)在AI決策領(lǐng)域做出了一些有益探索，利用數(shù)據(jù)重塑了財(cái)務(wù)費(fèi)控的形態(tài)，從人控轉(zhuǎn)型為數(shù)控，從現(xiàn)場監(jiān)督轉(zhuǎn)型為在線監(jiān)督。為了進(jìn)一步推進(jìn)數(shù)字賦能，可以從以下四個(gè)方面持續(xù)優(yōu)化：

（一）基于標(biāo)簽與特征的費(fèi)用事項(xiàng)預(yù)警

將平臺(tái)前期積累的異常費(fèi)用事項(xiàng)進(jìn)行匯總，形成附帶異常標(biāo)簽的費(fèi)用數(shù)據(jù)，進(jìn)行監(jiān)督學(xué)習(xí)?；谛畔㈧氐脑鲆妗⒃鲆媛?、基尼指數(shù)等信息進(jìn)行費(fèi)用特征的判斷，篩選出能夠區(qū)分“是否違規(guī)”的關(guān)鍵特征，并作為已學(xué)習(xí)到的知識(shí)，納入機(jī)器學(xué)習(xí)模型。當(dāng)新的費(fèi)用事項(xiàng)產(chǎn)生，可以根據(jù)已知的關(guān)鍵特征及其取值，預(yù)測(cè)還尚未形成預(yù)警信號(hào)的費(fèi)用事項(xiàng)是否違規(guī)、違規(guī)概率大小、具體觸發(fā)違規(guī)的特點(diǎn)等，使得風(fēng)險(xiǎn)預(yù)警的時(shí)間充分提前，將違規(guī)事項(xiàng)扼殺在搖籃中，前置費(fèi)用風(fēng)險(xiǎn)處理，降低費(fèi)用風(fēng)險(xiǎn)帶來的損失。重要的違規(guī)特征集合還可結(jié)合業(yè)務(wù)情況做進(jìn)一步分析，有助于管理者擴(kuò)大監(jiān)督覆蓋面，進(jìn)行全面風(fēng)險(xiǎn)識(shí)別。

（二）基于聚類算法的風(fēng)險(xiǎn)形態(tài)識(shí)別

分別以費(fèi)用事件、機(jī)構(gòu)、個(gè)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(yùn)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(jìn)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(jī)構(gòu)人均費(fèi)用水平、費(fèi)用高頻類別、費(fèi)用發(fā)生時(shí)間密度等，歸納總結(jié)出風(fēng)險(xiǎn)立體面，有助于重點(diǎn)觀察異于一般水平的類別，或各項(xiàng)特征水平較為正常但風(fēng)險(xiǎn)積聚效應(yīng)巨大的類別，便于管理人員進(jìn)行全面風(fēng)險(xiǎn)識(shí)別與報(bào)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(xiàng)高發(fā)地區(qū)情況，將有效幫助預(yù)算及政策制定者進(jìn)行地區(qū)針對(duì)性調(diào)整。

（三）基于文本挖掘的政策規(guī)定提煉

利用文本挖掘技術(shù)，在費(fèi)用新政策規(guī)定出臺(tái)后，進(jìn)行文本挖掘，提取出費(fèi)用規(guī)定的關(guān)鍵主題和條例，識(shí)別政策變化點(diǎn)及新增點(diǎn)，通過比對(duì)新舊政策差異點(diǎn)，自動(dòng)更新已有規(guī)則，避免人工維護(hù)的時(shí)效問題；將冗長的政策提煉為具體的要求和閾值，提升財(cái)務(wù)費(fèi)用管理人員的政策落實(shí)的工作效率；將行內(nèi)外各類政策規(guī)定進(jìn)行統(tǒng)一分析，可從海量文字中概括政策的重點(diǎn)關(guān)注范圍、場景，對(duì)于未形成具體規(guī)則的情況，對(duì)于管理人員而言，不失為對(duì)已有管理體系、知識(shí)體系深化補(bǔ)充的有效方式。

（四）用戶操作埋點(diǎn)和行為數(shù)據(jù)分析

以具體費(fèi)用使用人的視角作為切入點(diǎn)，模擬仿真用戶在使用財(cái)務(wù)監(jiān)控預(yù)警平臺(tái)時(shí)的行為與心理特點(diǎn)，如頻繁點(diǎn)擊模塊、模塊停留時(shí)長、模塊點(diǎn)擊路徑、功能點(diǎn)擊頻率、單個(gè)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(duì)平臺(tái)用戶的各類行為數(shù)據(jù)進(jìn)行埋點(diǎn)；或模擬“規(guī)則攫取”用戶的心理特點(diǎn)，著重記錄為反向推斷出規(guī)則閾值而重復(fù)試驗(yàn)規(guī)則的行為，將用戶使用心理及行為結(jié)合，及時(shí)發(fā)現(xiàn)用戶異常行為，并重點(diǎn)關(guān)注具體用戶、機(jī)構(gòu)的后續(xù)費(fèi)用事項(xiàng)。