供应链金融风控的数据思维

最新供应链金融风控数据思维推荐度：
相关推荐

供应链金融风控的数据思维

　　今天yjbys小编和大家分享部分关于供应链金融的资料，欢迎大家阅读学习，更多相关资料请继续关注应届毕业生培训网哦!

　　立足于互联网金融规范监管的大背景，抛开道德、技术、欺诈等风险不谈，互联网金融的核心风险主要还是集中于资产端。从2015年下半年开始，随着民间金融工具的增多，互联网金融的群起，市场上资金成本逐渐趋低，互联网金融的焦点转为对优质资产的追逐，而优质资产中除了一些有融资担保品等增信的资产，处于供应链金融核心的商业保理、仓单质押、订单融资等产品开始受到追捧。那么哪些资产是优质资产?如果对各类资产做一个风险分类，资金更容易向哪类资产倾斜?除了京东、阿里等能实现三流闭合的场景之外，有没有真正的无抵押物担保完全依靠数据取胜的优质供应链金融资产?

　　笔者以零售行业为例，结合供应链金融的风险偏好，通过自己的理论研究和实际工作经验，立足于违约成本和大数法则的理论基础，分析零售行业的特点，阐述如何利用供应链系统、数据分析和计算，加之对金融的深入理解，通过对金融产品模式、供应链金融系统、风控模型的完善，第三方数据的借用，在突破供应链物流、金流完全闭合的基础上来甄别优质资产，实现资产端的安全。

　　供应链金融有以下特征：服务对象特定、与实体经济联系极为紧密、业务具备自偿性、风险可控、收入来源多样化等。因此项目的产品设计、风险保障措施、贷后管理重点都与传统的信贷有不同，最大的不同应该就是由单一的主体信用考量转为了主体信用以及交易信用的双重考量，但又不可过分的去夸大这个不同，因为实质上都还是给某个融资主体进行授信，如果没有独具特色的商业逻辑和模式设定，那跟传统信贷就没差别。

　　零售行业的特征是海量小微企业以地域为界限，围绕大型商超构建起复杂的商品供应链。由于小微企业信用等级低、商业风险大，又缺乏房屋土地等固定资产作为融资担保品，因此长期以来，零售业供应商很难跨越银行的授信门槛。在全球金融危机、国内经济增长放缓的大背景下，许多行业都正在遭遇前所未有的冲击，小微企业贷款难这一世界性难题，在零售行业表现得尤为突出。在银行等主流金融机构难以涉足的领域，以市场化的力量解决中小微企业融资难问题，是我们的努力方向，也是国家金融改革的重要目标。

　　零供类资产项目主要有以下几个特点：上下游均有进入壁垒，违约成本较高;下游没有单一固定的核心企业或者核心企业不愿配合确权;下游比较分散，少则十几家、多则几十家、上百家，交易的集中度不高;企业成立三年以上或者实际控制人具有丰富的行业经验，有一定的行业优势;应收账款总额较大，且能得到第三方数据印证;月均回款较稳定，能调取一年以上的数据等。此种模式的风险管理侧重在：数据的分析确定交易以及回款的真实性、稳定性、连续性;严格防范企业的主体以及担保人信用风险;操作人员的专业性、技巧性、道德性风险管理;严格、常规的贷后管理措施，实时监控核心数据;强大、完善的催收管理能力。

　　下面我从六个方面来阐述如何通过数据实现零供类供应链金融的风险破冰。

　　一、准入红线

　　任何业务都会有门槛，零供业务要想解决降低风险、提高效率的矛盾，首先就是要科学定义红线和准入条件。这些门槛不是拍脑袋出来的，也不是照搬银行等同业的，一定是基于对行业和业务的深刻理解才能得出来的。经过多次修正，现在已经有一个关于红线和准入的文件。比如红线定义为：申请人应收账款有瑕疵，被重复转让、质押的不做;融资额未在30万-300万区间，期限不在3-6个月区间的不做;申请人交易和结算数据不能按要求实时监控的不做等。客户准入也会涉及融资人主体资质、融资主体实际控制人、融资主体所处细分行业、融资主体经营状况、与金融机构合作记录等数十项指标。这是业务开展的基础，是一个宪法类的东西，必须予以足够的重视。

　　二、违约成本

　　违约成本过高是此项业务开展的理论基础之一，比如一个供应商对应着十家零售商，按照行业惯例，一个年销售额千万的供应商每对应一家零售商，除去铺货外的平均入门费用(包括进场费、条码费、上架费等)为50万，如果对应十家就是500万，再加上商家的应收账款和库存平均不低于200万。单就交易来说，我们给出的额度不高于月均销售额的80%,也就是60万左右，对于一个正常经营的供应商来说，为了60万的融资丢掉大于700万的投入从逻辑上是讲不通的(当然还涉及到其他问题，比如真实的负债率是多少，如果企业不止有60万的负债而是2000万的负债，那他就有足够的动力去违约甚至跑路了，因此对企业隐性负债及其还款日期的调查是此项目的重中之重)。因此，在调查报告里，除了对负债的内容需要进行关注之外，还要引入违约成本的量化结论，以便于审核人员评估。

　　三、识别风险

　　此项目的核心风险有三：分别是交易风险、信用风险与操作风险。其中最难把握的是后两者。

　　1、交易风险

　　在这一风险的应对方面，目前的贸易融资，管理交易风险非常重要的一个参考指标就是历史交易记录。历史数据的搜集、整理、分析也是数据风控的核心所在，未来发生什么、会发生什么、怎样发生什么，我们都不得而知，但可以从历史来推测可能会发生什么，发生什么的概率有多高等等(其实也是一种应用统计学)。这里就涉及到我们所说的核心数据。通过这些数据我们可以基本判断近一年内，融资企业的履约能力和履约情况，以及零售商的付款能力和付款情况，从而对未来3个月或6个月的风险做一个基本的预测。从某种程度上来讲，这个交易风险是相对容易把握的，是可以通过定量分析法来实现的。在这个分析的过程中需要侧重的主要是四点：一是数据的连续性;二是数据的稳定性;三是数据的趋势性;四是数据的异常性。最后，我们会得出一个结论，这个结论是仅仅针对交易风险得出的，但交易风险在整个项目风险评估中的比重只占到三分之一。需要特别指出的是，核心数据的分析中要特别注意对银行流水的分析，这是一项极其考验耐性和专业性的工种，我们对银行流水的分析主要采取人脑+电脑的形式进行分析、整理、预测、验证。

　　2、信用风险

　　关于信用风险，是一个老大难问题。在零供项目中，主要体现为融资企业的主体信用以及零售商的主体信用风险。基于零供行业的特点以及我们的准入中对零售商的锁定以及供应商一般对应多个零售商的现实以及对所有逾期案例的分析，决定了此处的信用风险主要体现为供应商(即融资企业)的信用风险。此处的信用风险中主要包括企业以及实际控制人个人的主体信用，或者说是他们的资产能力，IPC中有类似的表述。资产=负债+所有者权益;所有者权益=净利率*销售额。这些信息的准确取得，除了有技巧的访谈以及上述核心数据或多项数据的分析之外同时需要借助一些第三方的反欺诈工具。

　　3、操作风险

　　这里的操作风险主要分两类：一类是专业能力以及疏忽懈怠风险;另一类主要是员工的道德风险。第一类操作风险需要我们的员工在尽职调查时，要注意严格按照流程和要求搜集材料、签署文件。第二类操作风险涉及到人性问题，我们解决不了，能做的就是不要对人性和道德抱太大希望，通过制度化手段以及相应的惩戒措施去强化、管理。

　　四、信用分析

　　1、定性与定量分析

　　一般的信用分析都需要包含定性和定量两部分内容，单一的定性或者定量都不能囊括所有的风险。在我们运作零供项目的过程中会发现，前期数据的采集、分析、结论以及真实负债率的计算等是可以通过量化实现的，而有关企业的经营、资产、担保、征信、库存合理性、实际控制人的专业、经验、对外经营、民间借贷、是否炒股、是否经营高危行业、人品、性格特点、员工评价、商界地位、名誉、爱好、忌讳等等很多对项目的评审具有非常核心意义的信息都是难以计算的，而且是很难去绝对量化的。想实现二者的结合，又能高效率低风险的完成授信，这几乎是一个悖论，我们能做的只能是尽可能的完善，而不要去妄想堵死所有的漏洞和风险。

　　2、二维评级与信用风险量化管理体系

　　二维评级中的二维是指客户主体信用与债项信用。此种评级体系除了要求对客户在未来一定时期内发生违约的可能性(PD)进行测算中户外，更要求以贸易双方交易稳定性和自偿性为核心，以金流、物流、信息流三流合一为标准，通过对交易数据的分析，结合产品类别、担保方式、还款优先性、客户地区行业、第一还款源的还款能力和还款意愿等对债项本身的特定风险进行计量和评价，以反映客户违约后债项损失的大小(LGD)。与传统评级模型不同的是，除了精准的评级模型之外，还需要利用内部穿行测试的方法，利用内部控制测试体系表通过关键内部控制、常用控制测试及实质性程序等常量，从多维度测试交易发生以及入账的真实性、完整性和准确性。

　　信用风险量化管理体系与传统的信用风险度量方法有本质区别。传统的信用风险度量方法侧重于定性分析，主要包括专家系统、评级方法和信用评分方法，更确切地说，他们都只是一种分配排序，并不能准确指出风险的大小。而信用风险量化管理体系的简历体现了对信用风险的合理测度，即运用有效模型对信用风险进行评估。体现在PD、LGD、EAD的测度上。

　　3、在信用分析的过程中，要突出三个侧重

　　首先，定量分析与定性分析相结合。其中，财务指标基本实现定量分析，考查数据时间跨度要求为三年及三年以上。针对定性分析设置了相应的比对标准，尽可能的实现评分有依据，依据值得推敲;

　　其次，从买卖双方的自身实力及应收账款交易本身的真实性两方面进行考量。针对买卖双方应收账款交易流程的考查程序要重于对企业财务数据、主体资质和硬性资产本身的评价。力图通过双方的交易习惯，结算习惯来验证双方往来交易的真实性、完整性、准确性;

　　最后，突出较强的延展性。以针对核心企业立账模式的传统供应链金融为出发点，该评级体系可向供应链平台+金融和互联网金融等融资指标体系拓展。针对供应链融资平台，该指标体系加大了对历史交易数据的审核且关注企业客户的数据从财务数据向生产数据延伸。生产数据包括但不限于：存货进销存、企业费用成本控制制度、现金支付管理、税款缴存管理、员工数量及工资支付、社保计提与支付、产能利用、固定资产管理等多个方向。考虑到众多供应链融资企业对系统平台的依赖性较强，该评级体系设计了针对系统平台利用控制测试原理的穿行测试。另外，系统平台的安全性也是评级的重要指标之一，或借助于外部IT 审计或通过系统自评的方式实现对系统的测评。

　　五、第三方工具

　　据统计，除了经营风险之外，供应链金融业务90%以上的风险来源于客户欺诈，客户欺诈的表现形式多种多样，其中关于隐性负债、非相关多元化投资、实际控制人不良嗜好、资本抽离、控制权争议等情形最为常见，尤其是银行征信信息之外的隐性负债问题，是一个世界性的难题，因此就需要金融机构善于利用第三方工具所提供的外部数据来建模，重点评价经营之外的欺诈风险。

　　目前比较权威、与金融相关性又比较好的数据源有以下平台：全国工商企业信用网、中国裁判文书网、中国人民银行征信中心、风险信息网、被执行人信息查询网、中国执行信息公开网、风控搜、巨潮资讯网、安融惠众、IPC分析法、信用评级模型、百分点、千家客、鹏元、国政通、东方航空、新浪微博以及一些安融汇众、同盾科技、好贷网、量化派、誉存科技、企查查、启信宝等信用评价和反商业欺诈工具等等。以上各项工具既相互独立又相互印证，需要综合起来研究，找出欺诈的可能性。

　　六、专业判断与机器计算

　　采用专业判断与机器计算相结合(又称“人脑+电脑”)的风险管理方法来找到解决零和博弈问题的出路。人脑偏重于对定性的分析，电脑偏重于对定量的分析，但两者没有严格的界限，往往是互相交叉的。比如一定时间端内数据的真实性、连续性、趋势性、波动性等既需要电脑予以呈现，也需要人脑结合行业和企业特点进行分析。零供项目的业务审核流程一般都是通过人脑负责前期大部分的分析审核，再集合到一个数据库中进行积累、整理，再通过共性信息的提取以及对个性化信息的处理，中间辅以异常信息提示、预警，通过各项数据和资料之间的交叉，最终呈现一个人脑+电脑的评级结果。人脑+电脑一定要在系统中得以实现，电脑可以极大提高审核效率，加上人脑的现实判断，最终才能实现规模取胜与业务精炼的共赢局面。

　　总结

　　最后笔者还有一些期冀，供应链金融领域，目前市场上涌出很多大数据风控平台，笔者认为这些所谓的大数据风控大多是噱头，解决不了数据源的真实性和全面性问题，这个模型就不是完善的，比如如何解决现在的老大难问题‘隐形负债’。目前比较有效的风控模型要么是有独特的场景或行业定位，要么就是辅以有抓手的增信措施，比如供应链上的三流闭合，其余都只能作为授信的补充和参考，而非主要参考依据。未来一定会出现一个权威的公共平台，它可能不以盈利为目的，但可以解决供应链金融贷前贷中贷后的数据问题，这个平台一定要以风险、效率、体验为核心，利用自身的系统对接、数据分析、产品设计、行业把控、风控模型、征信反欺、线上线下结合审批等优势，深入精细做下去，服务供应链条上的中小微企业，解决中小企业融资难困境，最终服务实体经济发展。

【供应链金融风控的数据思维】相关文章：

大宗商品电商怎样做供应链金融风控09-03