数据决策在供应链金融风控的应用实践报告(数据决策在供应链金融风控的应用实践论文)

导语：数据决策在供应链金融风控的应用实践

1、传统供应链金融的挑战

首先，传统风控的技术手段在供应链金融中失效已经突显，具体体现在核心企业风险加大、信贷损失分布呈厚尾状态和风控管理手段var值的失效三个方面。这将导致目前供应链金融中以核心企业、物权、债权为主的风控手段逐渐失效，难以满足中小微企业的需求，金融机构开始提高融资要求，审批趋于保守。

其次，从供给侧来看，小微企业的融资难也成为一大问题，主要原因是小微企业抵押资产较少、缺乏与核心企业的高度黏性、交易频高导致的成本高。

最后，科技推动了时代的发展，数据时代对供应链金融的风控要求更高，所以数据决策在供应链金融中崭露头角。

2、数据决策的十个流程

数据决策分为十个流程：数据准备、行为构建、价值提取、形成预期、确定违约点、估计违约概率、形成决策、授信执行、反馈问题、进入下一个循环。

数据准备核心分为分析环境、收集数据、分析数据，数据的宽度和质量影响了决策的本身。

行为构建是指将离散的数据串联成一个时间或是一个空间行为，例如将卡车每10秒的GPS数据串联起来，就可以得到卡车的路径。

价值提取是指通过行为发掘价值，例如卡车从北京到上海，通过这途中卡车的型号、卡车的报价等数据从而得出卡车创造的价值。

形成预期是指根据历史、行业情况，对评估对象做出客观预期。

确定违约点是通过预期价值波动和刚性支出之间的距离，以及三者之差推算出违约点。

估计违约概率是根据评估对象的刚性支出和资产价值，估算出违约的可能性。通过违约概率可以对应风险评级或者直接使用违约概率预期风险成本。

形成决策是通过违约概率和资产波动来评估客户是否在承受范围，以及客户给出的报价形成决策意见。

授信执行是将决策结果投入执行，并进行贷后管理观测借款人的行为。

反馈问题是收集授信生命周期中的问题，同时根据数据和技术对模型进行更新和完善。

进入下一个循环是最后一步，针对产生的问题，引入新的技术和数据，进行下一个授信决策过程。

3、数据化决策逻辑与方法

数据化决策逻辑分为四步。第一步，通过数据还原行为；第二步，通过行为提取价值；第三步，估算价值预期；第四步，预期得出决策。

供应链金融中数据化决策的核心不同于2C端的逻辑。首先，数据决策逻辑不再使用单纯的数据模型，而是转化成了行为。数据先转化成统一的行为使决策系统保持相对的稳定，所以不同类型的数据并不会对决策产生较大的冲击。另外，在搭建不同行为的对接去匹配复杂的供应链生态环境。

“五步三层法”对供应链中全流程的数据形成了更好地认知。三层是将供应链分成业务层、操作层和认识层，五步是指在业务层面分为数据、行为、价值、金融产品、业务生态。业务层指直接和客户发生业务接触的层面；操作层指企业内部操作和管理过程；认识层是指对行业、市场和金融业务运作规律的认识过程，主要是从数据、信息、知识、最后至智慧。在跨链条组织业务时，数据的转移价值不大，智慧层面的转移更值得关注。

4、新供应链的目标和未来

新供应链金融的目标提出了产融一体化、操作实时化、支付信用化和信用数据化的标准。在数据层面，产融一体化是指融资需要的数据通过产业生产过程一次性采集，无需加工；操作实时化要求快速响应客户要求，而这涉及到监管的压力，实质上万联网老师认为，最好构建不需落地的操作；支付信用化要求在支付中采用信用垫款的方式，加快业务流转，满足客户需求；信用数据化提出用数据的方式分析和标的客户的信用情况。

根据价值链的三个层面，可以看出数据供应链的未来。价值链的层面可以分为传统价值链、服务产品链和资产链。供应链公司通常参与在传统价值链中的销售到产品订单的环节和原材料到制造的的环节，而供应链的未来将以跨链为主，以数据为核心，以优化为目标，实现传统价值链内到三个链内的跨链业务。根据“五步三层法”，单纯数据的转移价值较低，知识智慧的转移才是重中之重，这也对供应链公司提出了更高的要求。

本文内容由小快整理编辑！