本文主要介绍供应商(上游)应收端的数据的分析方法，利用大数据的技术和服务，对供应链金融中资金端风险进行定量识别，起到保障护航作用。

根据国家统计局数据，2015年全国规模以上企业的收入是110万亿，这些企业产生6.4万亿的利润。为了实现这6.4万亿的利润，产生了11.5万亿的应收账款，对比国外成熟市场的供应链金融转化率，基于应收账款的供应链金融业务在国内还是有很大发展空间。

在信用风险管理中，应收账款管理则尤为被关注。面对持续低迷的市场需求和日益紧张的资金压力，应收账款拖欠则会蚕食实体经济薄弱的利润空间，企业需要比以往更关注应收账款的安全。

所以在采购端的供应链金融中需要从以下几个方面建立科学化、数据化、模型化的风险信用管理机制：

1.明确核心企业需求和参与度

核心企业参与供应链金融业务，或自建保理等金融财务公司、或与外部金融服务机构合作，其参与供应链金融的本质目的，决定了交易关系链中主体的大方向，也决定了供应链金融业务的持续性和抗风险性，所以核心企业的目的和可承担的责任至关重要。

通常的目的会有降低采购成本、增加供应商粘性、报表优化、结构化付款条件、同业供应链统筹、增加金融平台属性等，往往核心企业的中心目标影响了业务模式 、融资规模、转化率、以及风控手段等各执行要素。

2.双维度的警戒线设置

从核心企业和供应商的两个维度设定警戒线，包括：账款余额、逾期天数、预期比率、坏账比率、受信总额等，并通过历史数据分析支撑预警线的动态调整，严控红线。并且严格跟踪预警线的高频诱发因素，提前发现风险源。

行业经验和自动化的数据支撑对预警线的设定同样重要，当在数据的深度、广度、完整性不齐备的情况下，通过行业经验选择适合的规模上限、模型计算标准、风控制度和执行策略，可以很大程度的降低结构性风险。

3.根据行业特点定位供应商的应收确认环节和付款特点

不同行业交易过程中的采购订单确立时间、订单过程变更频率、供应商的履约达成率、应付确认的事件节点、付款条件、采购合同付款条款等均有着或多或少的差异，即使同行业的不同企业，也有着较强的差异性。当然也有着很多的共性点。

通过系统模型化的识别和处理差异，提取共性，建立风险影响的程度系数，等级化的分列不同采购交易的特点组合，对应不同的额度计算模型和风险额度模型，配合不同强弱程度的供应链金融流程，将会很大程度提升执行效率和行业性抗风险能力。

比如工程装饰行业的应付账款会直接和工程进度挂钩，也与工程规模和实施参与供应商结构有着很大的关系，所以这个行业受信额度的计算就需要增加一些工程信息参数，并根据核心企业的整体运营情况周期性的调整权重，利用供应链金融优化供应商融资结构的同时，促进核心企业工程项目的良性运转。

4.交易数据的真实性识别

传统的供应链金融保理业务，需要核心企业确认订单或者发票，用以保障交易的真实性，在实际的操作流程中，还是会存在较多的潜在风险点。但采用基于大数据的量化分析，可以进行财报还原、成本还原、交叉数据校对、集成系统比对、外部数据匹配等手段，提升交易数据的真实性识别能力。

由于数据化的分析具备实时性、自动化 、客观性等特点，也支撑了多样性金融产品的设计，提供了场景化金融的可能性。所以具备交易业务的大数据分析能力，可为供应链金融的业务安全和发展提供了稳定运行的基础保障。

5.还款路径设计降低风险级别

将贸易中买方的支付环节融入产品设计和过程管理，可以很大程度降低风险级别和管控难度，通常的做法有：监管账户、托管账户、保理虚拟账户、票据标记系统等管理方式，但根本的目的都是保障融资的资金安全，从而降低供应链金融的风险级别。同时也可通过随借随还模式提升融资资金的利用率，降低融资综合成本。

6.持续的贷后监控和预警处置

大量的供应链金融风险问题，都出在贷前各事项合规正常，但贷后发生了各式各样的问题，或没有及时的发现问题，或没有快速采取有效的处置手段，导致逾期和不良。本质原因是没有良好的手段来降低贷后监控的成本。

此环节如果可以高效的采集和分析交易过程数据、企业经营数据等，确定多维度的贷后预警标准，并定义不同预警级别采取不同的处置方式，可以很大程度的提早发现问题，降低风险，防治风险范围的扩散。整个处置执行过程和效果也可平台化的纪录下来，形成风险处置方案数据库，不断优化处置手段和动态受信模型。

针对以上各风险控制节点的核心问题，文沥通过多年的技术和金融服务经验沉淀，可提供从数据采集到数据报告，从金融系统作业流程到完整的风控解决方案、资金管理解决方案的全面供应链金融服务能力。文沥也希望可以与各界共同努力，推动大数据征信和大数据金融的科学、有序、良性健康的发展。