技术领域
[0001] 本
发明涉及互联网、
数据库、网络及
数据挖掘技术，具体涉及通过
人工智能、
机器学习，为商业保理公司及其他从事中小微企业融资业务提供业务风险控制的方法与系统。
背景技术
[0002] 长期以来，中小微企业融资难的问题受到多方关注，不仅是中国难题也是世界难题。根据工信部统计数据显示，中国有33％的中型企业、38.8％的小型企业和40.7％的小微企业的融资需求得不到满足，中小微企业受制于自身规模，很难获得主流金融服务，而供应链金融业务的发展在一定程度上降低了中小微企业获得融资的
门槛，成为中小微企业融资的重要渠道之一。
[0003] 在实际经营中，如果企业所处行业稳定发展，企业自身业务发展稳定，所处的交易网络相对稳定，企业主及高管信誉良好，则基本会处于一种稳定的发展状态。
[0004] 然而，现有的供应链金融中的融资主流是基于核心企业背书的保理业务，风险评价和控制基于对核心企业信用的把握，这就使得业务穿透
力不强，仅能
覆盖直接与核心企业发生直接交易关系的企业。
[0005] 在实际应用中，进行放款的保理公司或其他资金方主要是基于风控人员的经验来对融资企业的风险进行控制，分析
基础是对企业交易对象比如核心企业的了解和关系，额度确认则基于融资对象和核心企业之间的交易量和历史合作情况确定，一旦确定，在较长时间内不会变化。在这种模式下，存在着以下问题：
[0006] (1)过度依赖核心企业信用背书，反而忽略了融资需求方自身其他因素，评价维度过于单一；对于资金方来说，无法获得更多的优质客户。比如，市场上的两家企业A与B，A仅向一家核心企业X供货，而B同时拥有数十家合作伙伴，且交易关系稳定，但由于没有核心企业背书，B要通过供应链金融融资较难；
[0007] (2)无法实现风险控制的自动化和智能化；
[0008] (3)无法实现对融资企业风险的实时自动化监控。
[0009] 随着互联网以及企业信息化的快速发展，企业的日常经营活动所产生的大量交易数据、业务数据、中间数据及一些非结构化数据，但是传统的企业融资，无论是基于有形资产抵押的
银行贷款还是基于应收账款的保理融资，对相关数据价值的挖掘以及使用均处在初级阶段。本发明通过对企业内部信息数据与外部信息数据、企业主信息数据与企业本身经营信息数据、交易数据的深度运用，通过这些数据训练更为精准的机器学习模型，以深入了解企业运营状况，为之后资金方评价企业经营情况确定合适的授信额度、控制放款风险提供重要参考，即建立全方位的企业画像，建立动态企业安全监控。
[0010] 传统的基于抵押物的融资一方面不能够满足企业尤其是中小微企业灵活的资金需求，且资金成本很高；而基于企业应收账款或者存货的保理类融资方式又必须依托核心企业，信用传递仅到直接合作企业，如果中小微企业的合作对手企业方不是知名的核心企业，则很难获得融资。其根本原因还是中小微企业中小微企业的资信状况较差、财务制度不健全、抗风险能力弱、缺乏足够的抵押担保。而利用本发明在获得授权后，则可以通过对工商、司法、行政数据、纳税申报数据、进销项发票数据、交易行为数据、企业征信数据、其他辅助数据比如企业主、高管个人数据等多种数据结合，获得企业的全方位深度画像，然后返回企业信用信息以及风险评估结果，同时，还能对企业进行实时监控，及时发现风险。
发明内容
[0011] 针对背景技术中存在的问题，本发明的目的在于提供一种供应链金融业务中对融资企业风险评估方法，将多方获取的企业相关信息进行整合以及特殊
算法处理，返回企业风险状况以及授信额度建议，并对企业运营情况进行实时监控，一旦出现经营异常及时预警，以解决现有的方法过于依赖有经验的人员以及核心企业信用，进而不能实时识别出风险企业以及优质企业的问题。
[0012] 为了实现上述目的，本发明的具体技术方案如下：
[0013] 一种供应链金融业务中对融资企业的风险控制方法，所述方法包括以下步骤：
[0014] 步骤101：获取交易行为涉及的各个维度变量；
[0015] 步骤102：采用梯度提升
决策树开源算法模型，以每笔订单的交易属性数据为
训练数据，以账期天数为回归值，进行建模；然后优化模型参数，得到梯度提升决策树模型实例，命名为模型A；模型A为是一个树形分支结构的判断集合，包含每个变量对应的
阈值{θ1,θ2,θ3,…θn}和特征重要性{α1,α2,α3,…αn}，其中n为步骤101中变量总个数；根据每笔订单的属性，调用模型A预测出合理账期；
[0016] 步骤103：把预测账期与实际账期相比较，根据统计学方法找到阈值；超出范围的定义为异常订单；根据异常订单的占比，给出异常交易对的标记；
[0017] 步骤104：获取在交易对层面计算的所有维度变量；
[0018] 步骤105：根据步骤104的变量和步骤103的异常交易对标记，采用逻辑回归模型进行建模，优化参数后，得到逻辑回归模型实例，命名为模型B；即得到每个变量的权重{β1,β2,β3,…βn}，模型B的表达式为:
[0019]
[0020] 其中n为步骤104中变量总个数，p为该样本发生违约的概率，βn表示该样本的第n个特征的权重值，Xn表示该样本的第n个特征的值。这样，我们就可以根据模型B得到每个训练样本的对数发生比。
[0021] 步骤106：最后根据模型B得到的企业违约概率，进行数学转换(y＝C-D×X)，把概率值转换为fico分。其中C表示偏移量，D表示因子项，C和D为常数。
[0022] 作为一种优选的方案，步骤101中，所述维度变量包括订单的时间维度、商品维度、金额维度、退货维度。
[0023] 作为一种优选的方案，步骤104中，所述维度变量包括交易对的时间维度、商品维度、金额维度、退货维度。
[0024] 本发明的第二个目的是提供一种供应链金融业务中对融资企业的风险控制系统，所述系统包括数据接入模
块、
数据处理模块、企业信息查询模块、个人信息查询模块、风险监控模块；
[0025] 所述数据接入模块用于负责对企业所有相关数据的接入，对结构化数据以及非结构化数据进行预先处理；
[0026] 所述数据处理模块用于通过机器学习算法对企业数据进行处理，负责根据不同模块配置和计算规则返回被监控企业风险相关信息；
[0027] 所述企业信息查询模块用于查询数据库中所有企业基本信息、
交易记录、风险相关信息、风险评估结果，下载报告；
[0028] 所述个人信息查询模块用于查询企业核心人员的个人整体风险程度、风险评分、失信被执行情况以及多头借贷统计记录；
[0029] 所述风险监控模块用于在取得相关授权后用于对企业、企业相关个人、交易对手的实时检测和监控。
[0030] 作为一种优选的方案，所述风险监控模块包含风险总览模块和监控列表模块；
[0031] 所述风险总览模块用于按时间显示被监控企业从加入监控开始到现时的风险评估结，用于显示被监控企业的行业分布，用于显示被监控企业的风险情况及各种风险程度下的企业占比情，用于显示监控列表中风险最高的前十个企业；
[0032] 所述监控列表模块用于实现被监控企业的添加、删除，以及用于显示企业自监控以来所有出现的风险信息。
[0033] 本发明的有益效果在于：
[0034] 本发明帮助供应链金融中的资金方比如保理公司对所有客户企业进行风险排序，可以帮助资金方实现资源的合理配置，将有限资金配置给稳定的企业对象，降低运营风险。
[0035] 本发明是基于对企业所有相关信息数据的机器化计算执行结果，改变了传统基于职业判断的主观性，真正做到了数据
支撑决策，且返回的决策支持数据比如风险分数以及建议授信额度易于理解，方便应用。
[0036] 本发明实现了对企业风险的实时监控，并且是将企业放在供应链网络中进行监控，可以充分发挥信息的联动效应。
[0037] 本发明将目标企业的风险评估结果予以
可视化展示。
附图说明
[0038] 图1为供应链金融业务中对融资企业的风险控制系统的结构图。
[0039] 图2为供应链金融业务中对融资企业的风险控制系统的后台管理模块图。
具体实施方式
[0040] 下面结合附图和具体实施方式，对本发明的具体实施方案作详细的阐述。这些具体实施方式仅供叙述而并非用来限定本发明的范围或实施原则，本发明的保护范围仍以
权利要求为准，包括在此基础上所作出的显而易见的变化或变动等。
[0041] 本发明公开了一种融资企业的风险控制方法，实现风险企业识别与监控以及融资企业授信额度计算：
[0042] 针对存在特殊还款主体的融资企业，针对交易数据模拟还款行为，以此为依据定义风险企业确定规则，通过选择合适机器学习算法返回企业风险评估数值，进行风险企业识别。具体来说：
[0043] 步骤101：获取交易行为涉及的各个维度变量，如订单的时间维度，商品维度，金额维度，退货维度等；
[0044] 步骤102：采用梯度提升决策树开源算法模型，以每笔订单的交易属性数据为训练数据，以账期天数为回归值，进行建模；然后优化模型参数，得到梯度提升决策树模型实例，命名为模型A；模型A为是一个树形分支结构的判断集合，包含每个变量对应的阈值{θ1,θ2,θ3,…θn}和特征重要性{α1,α2,α3,…αn}，其中n为步骤101中变量总个数；根据每笔订单的属性，调用模型A预测出合理账期；
[0045] 步骤103：把预测账期与实际账期相比较，根据统计学方法找到阈值；超出范围的定义为异常订单；根据异常订单的占比，给出异常交易对的标记；
[0046] 步骤104：获取在交易对层面计算的所有维度变量，如每个交易对的时间维度，商品维度，金额维度，退货维度等；
[0047] 步骤105：根据步骤104的变量和步骤103的异常交易对标记，采用逻辑回归模型进行建模，优化参数后，得到逻辑回归模型实例，命名为模型B；即得到每个变量的权重{β1,β2,β3,…βn}，模型B的表达式为:
[0048]
[0049] 其中n为步骤104中变量总个数，p为该样本发生违约的概率，βn表示该样本的第n个特征的权重值，Xn表示该样本的第n个特征的值。这样，我们就可以根据模型B得到每个训练样本的对数发生比。
[0050] 步骤106：最后根据模型B得到的企业违约概率，进行数学转换(y＝C-D×X)，把概率值转换为fico分。其中C表示偏移量，D表示因子项，C和D为常数；
[0051] 另外，参考行业应收账款关联数据，结合企业特征，采用不同的授信额度测算逻辑对企业授信额度进行计算，返回授信额度建议数值。
[0052] 具体包括应收账款周转方法与成本法，其中应收账款周转法的计算公式为[0053] 授信额＝月交易额均值/30*(每个供应商每笔订单的回款天数的90位分位数)*(风控系数0.8)*(1+月交易额时序斜率)
[0054] 成本法的计算公式为：
[0055] 授信额＝(月交易额均值+2*标准差)*12/应收账款周转率*(1-销售(营业)利润率)*风控系数*(1+月交易额时序斜率)
[0056] 当从各方采集的企业数据50％以上有回款数据时，首先判断是否：max(order_date)-max(repay_date)<＝90％分位数，是：使用应收账款周转方法计算授信额度；否：用两种方法计算授信额度，取其小值。当客户传输的数据回款数据在总条数的50％以下时，用成本法计算资金需求量最终确定授信额度建议值。
[0057] 同时，本
申请还提供了一种融资企业的风险控制系统，包括：
[0058] 数据接入模块：负责对企业所有相关数据的接入，对结构化数据以及非结构化数据进行预先处理；接入模块是数据库管理，
数据仓库等功能的载体，是基础设施。
[0059] 数据处理模块：通过机器学习算法对企业数据进行处理，负责根据不同模块配置和计算规则返回被监控企业风险相关信息。处理模块是核心，是
大数据分析后进行辅助决策的主要方式。
[0060] 企业信息查询模块：用于查询数据库中所有企业基本信息、交易记录、风险相关信息、风险评估结果，下载报告；企业信息查询模块是
人机交互模块，是为了可视化相关数据的一种方式。
[0061] 个人信息查询模块：用于查询企业核心人员比如企业主、高管的个人整体风险程度、风险评分、失信被执行情况以及多头借贷统计记录；个人信息查询模块也是人机交互模块，是为了可视化地展示相关数据的一种方式。
[0062] 风险监控模块：在取得相关授权后用于对企业、企业相关个人、交易对手的实时检测和监控。是对于相应企业进行分析后，关键指标的合理化展示，便于及时发现风险。
[0063] 其中，风险监控模块包含两个模块，第一个模块是“风险总览”，用于按时间显示被监控企业从加入监控开始到现时的风险评估结果、用于显示被监控企业的行业分布、用于显示被监控企业的风险情况及各种风险程度下的企业占比情况、用于显示监控列表中风险最高的前十个企业。
[0064] 第二个模块是“监控列表”模块，该模块可以实现被监控企业的添加、删除，以及用来显示企业自监控以来所有出现的风险信息。
[0065] 表1展示了风控
监控系统的部分模型的工作情况简介。
[0066] 表1
[0067]
[0068] 如图1所示，用户在信息查询模块的交互页面，发起
请求。请求传到数据处理模块，数据处理模块分解请求命令，拆分为每个
接口所需数据，并传递到数据接入模块。数据接入模块把各子命令通过接口API实时索引自有数据和外部数据源，得到的数据进行逻辑校验、存储并返回到数据处理模块。数据处理模块把数据进行清洗、转换等ETL操作，转换成格式化数据，并调用模型或者
规则引擎进行计算。数据处理模块把模型或者规则引擎的计算结果进行存储，整合其他数据逻辑的计算结果，形成最终的结果集合。比如数据报告或者参数列表等，把结果集合存储到系统内。数据处理模块把最终的结果集合反馈到信息查询模块，供用户查阅，助力用户进行决策。
[0069] 为了实现前台用户所需要的风险评估结果的可视化展示，通过“图2系统后台管理模块”的四个管理模块进行整个系统的后台管理，包括数据管理、决策管理、规则管理以及模型管理。其中数据管理主要实现对自有数据以及外部数据接口接入的结构与非结构化数据，实现数据的预先处理，比如缺失值的处理；规则管理主要是实现个性化业务规则配置，这里的个性化主要是针对供应链金融中资金方比如银行和保理公司的不同业务需求设置不同的规则，此模块除配置业务规则外，还包括规则预制及调用设置；模型管理主要是实现系统的一些计算模型的管理及预制；最后，决策管理则主要是用来配置可视化的决策流程和结果显示。
[0070] 图2中展示的是本发明的主要优点，对于多种数据接口进行统一的管理工作，对于经常调整的业务强规则，在规则管理功能中可以轻松完成
修改，极大方便了非编程人员。模型管理功能就是日常地管理、优化各模型文件，方便进行模型优化后的上线工作。决策管理则是整个业务的全流程管理，用可视化的
流程图来展现，方便梳理整个流程。
