供應鏈金融如何玩轉大數據

『壹』 大數據技術在金融行業中的典型應用

大數據技術在金融行業中的典型應用
近年來，我國金融科技快速發展，在多個領域已經走在世界前列。大數據、人工智慧、雲計算、移動互聯網等技術與金融業務深度融合，大大推動了我國金融業轉型升級，助力金融更好地服務實體經濟，有效促進了金融業整體發展。在這一發展過程中，又以大數據技術發展最為成熟、應用最為廣泛。從發展特點和趨勢來看，「金融雲」快速建設落地奠定了金融大數據的應用基礎，金融數據與其他跨領域數據的融合應用不斷強化，人工智慧正在成為金融大數據應用的新方向，金融行業數據的整合、共享和開放正在成為趨勢，給金融行業帶來了新的發展機遇和巨大的發展動力。
大數據在金融行業的典型應用場景
大數據涉及的行業過於廣泛，除金融外，還包括政治、教育、傳媒、醫學、商業、工農業、互聯網等多個方面，各行業對大數據的定義目前尚未統一。大數據的特點可歸納為「4V」。第一，數據體量大（Volume），海量性也許是與大數據最相關的特徵。第二，數據類型繁多（Variety），大數據既包括以事務為代表的傳統結構化數據，還包括以網頁為代表的半結構化數據和以視頻、語音信息為代表的非結構化數據。第三，價值密度低（Value），大數據的體量巨大，但數據中的價值密度卻很低。比如幾個小時甚至幾天的監控視頻中，有價值的線索或許只有幾秒鍾。第四，處理速度快（Velocity），大數據要求快速處理，時效性強，要進行實時或准實時的處理。
金融行業一直較為重視大數據技術的發展。相比常規商業分析手段，大數據可以使業務決策具有前瞻性，讓企業戰略的制定過程更加理性化，實現生產資源優化分配，依據市場變化迅速調整業務策略，提高用戶體驗以及資金周轉率，降低庫存積壓的風險，從而獲取更高的利潤。
當前，大數據在金融行業典型的應用場景有以下幾個方面：
在銀行業的應用主要表現在兩個方面：一是信貸風險評估。以往銀行對企業客戶的違約風險評估多基於過往的信貸數據和交易數據等靜態數據，內外部數據資源整合後的大數據可提供前瞻性預測。二是供應鏈金融。利用大數據技術，銀行可以根據企業之間的投資、控股、借貸、擔保及股東和法人之間的關系，形成企業之間的關系圖譜，利於企業分析及風險控制。
在證券行業的應用主要表現為：一是股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準地了解市場行情，通過構建更多元的量化因子，投研模型會更加完善。二是股價預測。大數據技術通過收集並分析社交網路如微博、朋友圈、專業論壇等渠道上的結構化和非結構化數據，形成市場主觀判斷因素和投資者情緒打分，從而量化股價中人為因素的變化預期。三是智能投資顧問。智能投資顧問業務提供線上投資顧問服務，其基於客戶的風險偏好、交易行為等個性化數據，依靠大數據量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。
在互聯網金融行業的應用，一是精準營銷。大數據通過用戶多維度畫像，對客戶偏好進行分類篩選，從而達到精準營銷的目的。二是消費信貸。基於大數據的自動評分模型、自動審批系統和催收系統可降低消費信貸業務違約風險。
金融大數據的典型案例分析
為實時接收電子渠道交易數據，整合銀行內系統業務數據。中國交通銀行通過規則欲實現快速建模、實時告警與在線智能監控報表等功能，以達到實時接收官網業務數據，整合客戶信息、設備畫像、位置信息、官網交易日誌、瀏覽記錄等數據的目的。
該系統通過為交通銀行卡中心構建反作弊模型、實時計算、實時決策系統，幫助擁有海量歷史數據，日均增長超過兩千萬條日誌流水的銀行卡中心，形成電子渠道實時反欺詐交易監控能力。利用分布式實時數據採集技術和實時決策引擎，幫助信用卡中心高效整合多系統業務數據，處理海量高並發線上行為數據，識別惡意用戶和欺詐行為，並實時預警和處置；通過引入機器學習框架，對少量數據進行分析、挖掘構建並周期性更新反欺詐規則和反欺詐模型。
系統上線後，該銀行迅速監控電子渠道產生的虛假賬號、偽裝賬號、異常登錄、頻繁登錄等新型風險和欺詐行為；系統穩定運行，日均處理逾兩千萬條日誌流水、實時識別出近萬筆風險行為並進行預警。數據接入、計算報警、案件調查的整體處理時間從數小時降低至秒級，監測時效提升近3000倍，上線3個月已幫助卡中心挽回數百萬元的風險損失。
網路的搜索技術正在全面注入網路金融。網路金融使用的梯度增強決策樹演算法可以分析大數據高維特點，在知識分析、匯總、聚合、提煉等多個方面有其獨到之處，其深度學習能力利用數據挖掘演算法能夠較好地解決大數據價值密度低等問題。網路「磐石」系統基於每日100億次搜索行為，通過200多個維度為8.6億賬號精確畫像，高效劃分人群，能夠為銀行、互聯網金融機構提供身份識別、反欺詐、信息檢驗、信用分級等服務。該系統累計為網路內部信貸業務攔截數十萬欺詐用戶，攔截數十億不良資產、減少數百萬人力成本，累計合作近500家社會金融機構，幫助其提升了整體風險防控水平。
金融大數據應用面臨的挑戰及對策
大數據技術為金融行業帶來了裂變式的創新活力，其應用潛力有目共睹，但在數據應用管理、業務場景融合、標准統一、頂層設計等方面存在的瓶頸也有待突破。
一是數據資產管理水平仍待提高。主要體現在數據質量不高、獲取方式單一、數據系統分散等方面。
二是應用技術和業務探索仍需突破。主要體現在金融機構原有的數據系統架構相對復雜，涉及的系統平台和供應商較多，實現大數據應用的技術改造難度很大。同時，金融行業的大數據分析應用模型仍處於起步階段，成熟案例和解決方案仍相對較少，需要投入大量的時間和成本進行調研和試錯。系統誤判率相對較高。
三是行業標准和安全規范仍待完善。金融大數據缺乏統一的存儲管理標准和互通共享平台，對個人隱私的保護上還未形成可信的安全機制。
四是頂層設計和扶持政策還需強化。體現在金融機構間的數據壁壘較為明顯，各自為戰問題突出，缺乏有效的整合協同。同時，行業應用缺乏整體性規劃，分散、臨時、應激等特點突出，信息價值開發仍有較大潛力。
以上問題，一方面需要國家出台促進金融大數據發展的產業規劃和扶持政策，同時，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。只有這樣，大數據技術才能在金融行業中穩步應用發展，不斷推動金融行業的發展提升。

『貳』 如何玩轉供應鏈金融

中小企業融資難問題一直是中小企業發展的一大困難。中小企業由於自身規模小，現金流容易出現緊張甚至斷裂的情況，因此，如何盤活資金成為了中小企業最為關注的問題。供應鏈金融是以供應鏈真實交易背景為基礎產生的。它不同於以往的傳統銀行借貸，能夠較好的解決中小企業因為經營不穩定、信用不足、資產欠缺等因素導致的融資難問題。
傳統的銀行借貸對企業以往的財務信息進行靜態分析，依據對授信主體的孤立評價做出信貸決策，因此，銀行並沒有把握住中小微企業真實的經營狀況。相反，供應鏈金融評估的是整個供應鏈的信用狀況，加強了債項本身的結構控制。供應鏈金融在真實交易的前提下，以大企業的信息優勢來彌補中小企業的信用缺失，從而全面提升了產業鏈中的中小企業信用水平和信貸能力。供應鏈金融的本質是信用融資，在產業鏈中發現信用。
目前供應鏈金融屬於新興金融，能不能把供應鏈金融做好，跟服務企業對於產業的了解，對風險的控制能力，與銀行的戰略合作關系等等都有直接關系。
可以搜我

『叄』 利用區塊鏈等現代信息科技如何提高供應鏈金融數字化水平

近年來，供應鏈金融受到國家層面多項政策鼓勵，是我國服務實體經濟、扶持中小企業的重要抓手。2019年7月6日，中國銀保監會發布了《中國銀保監會辦公廳關於推動供應鏈金融服務實體經濟的指導意見》，要求銀行保險機構應依託供應鏈核心企業，為供應鏈上下游鏈條企業提供融資、結算、現金管理等一攬子綜合金融服務。2020年9月，央行、商務部、工信部等八部門發布《關於規范發展供應鏈金融 支持供應鏈產業鏈穩定循環和優化升級的意見》，要求金融機構與實體企業應加強信息共享和協同，提高供應鏈融資線上化和數字化水平，提高中小微企業應收賬款融資效率，成為我國供應鏈金融發展的綱領性文件。2021年政府工作報告首次單獨提及「創新供應鏈金融服務模式」，意味著發展供應鏈金融已上升為國家戰略。由此可以看出，國家強調在服務模式上，要在依託貿易真實性的基礎上發揮核心企業的信用傳導作用；在技術應用上，鼓勵發揮區塊鏈、大數據、物聯網等技術的作用，對產業鏈條上的物權、債權等信息流進行監控，以解決業務信用風險的管控難題。
據國家統計局數據，2020年我國規模以上工業企業應收賬款超16萬億元，比2019年末增長15.1%；產成品存貨達4.6萬億元，增長7.5%。全國范圍內應收賬款余額持續增加，占流動性資產的比重也持續上升，企業營運資金周轉放緩、融資壓力大、應收賬款流動性風險高等問題無法得到有效緩解，很大程度上影響了中小企業的健康發展和經濟的良好運行。解決實體企業營運資金壓力，尤其是中小微企業的融資問題，迫在眉睫。「曰問易，決疑難」，解決中小微企業融資難題，本質上還是要先解決產業鏈上的銀企互信問題，真正實現金融服務與企業經營的信息有依據、可驗證、對得上。回歸區塊鏈的本質，其實是通過數據加密、多方驗證、塊鏈式存儲等技術來解決產業鏈中買賣雙方的資產與貿易信息真實性驗證難、信用評估成本高等難題；通過區塊鏈技術來優化普惠金融生態圈的生產關系，加快提升供應鏈金融創新服務模式和服務能力。
根據工商銀行金融科技研究院發布的《區塊鏈金融應用發展白皮書（2020）》，供應鏈金融是將供應鏈上的核心企業以及與其相關的上下游企業看作一個整體，以核心企業為依託，以真實貿易為前提，運用自償性貿易融資的方式，對供應鏈上下游企業提供的綜合性金融產品和服務。通過觀察目前供應鏈金融業務的開展情況，我們發現其大規模實質推進依然面臨著諸多困擾。
信用多級傳導受阻。受制於企業信譽和傳統金融風控要求，大多數金融機構和核心企業自建的供應鏈金融平台主要還是圍繞核心企業的一級上下游，而真正能面向二級、三級直至N級的上下游企業，並能以核心企業的真實貿易鏈路為信用背書，開展融資業務的少之又少。在現有業務操作下，經常會面臨核心企業或者關鍵企業不主動、不願意配合確權的情況。究其原因，核心企業和N級企業之間往往不存在直接的貿易關系，處於強勢地位的核心企業沒有意願配合；且存在確權頻度高、線下操作煩瑣、擔心商業機密泄露等問題。因而產業鏈條上的中小微企業無法藉助核心企業信用和貿易流信息來解決自身的融資難題，核心企業信用「澆灌」也僅到一級上下游企業。區塊鏈具有的分布式賬本、透明可追溯、智能合約自動化執行等特性，成為解決信用拆解、實現信用多級傳導的技術應用的探索方向。
貿易真實性難以證實。供應鏈金融是以真實的貿易往來為依託開展融資的，然而在實踐過程中，由於缺乏有效的驗證手段和多維度的風控數據來源，導致金融機構難以知曉交易信息的真實性，而人工核驗成本居高不下，造成銀企之間的信息不對稱和信任鴻溝。近年來，企業間串謀、勾兌虛假貿易的騙貸新聞事件也時有發生。因此，解決銀企之間的信息不對稱成為供應鏈金融順利開展的必要條件。區塊鏈的多方維護同一賬本、自帶時間戳和不可篡改的特性，開始被業內人士嘗試用來構築多維可信數據源，保證交易信息的可驗證。
產業鏈多方信息相互割裂、無法共享。供應鏈金融涉及的環節、企業類型、參與主體等較為復雜多元，供應鏈各參與方的信息數據孤島沒有有效打通，面臨資金流、信息流、商流、貨流難以匹配等問題，未能形成整體產業鏈的協同合作效應，阻礙了供應鏈金融的開展，使中小企業融資難、融資貴的頑疾難以根治。
針對上述供應鏈金融開展過程中存在的突出問題，我國首次在中央政府層面提出了「創新供應鏈金融服務模式」。作為一種新興的金融服務模式，業內人士普遍認為要創新供應鏈金融模式，需加快供應鏈金融數字化轉型，將業務開展線上化、數字化，藉助區塊鏈、大數據等技術解決貿易確權、交易真實性等問題，幫助金融機構控制交易風險，構建數字化信任機制。其關鍵在於實現供應鏈金融活動中的信息數據可信、透明、相互核驗和可追溯。
區塊鏈技術已被確定為國家核心技術自主創新的重要突破口，國家工信部2019年將其定位為新基礎設施，已開始大規模服務於實體經濟，為實體經濟降本增效。據賽迪區塊鏈研究院統計，2019年區塊鏈在金融領域應用落地項目中的佔比達到29%，是同期應用落地項目中佔比最高的，涵蓋了電子憑證、支付清算、保險理賠、徵信、借貸融資等業務場景。根據《中國區塊鏈發展報告（2020）》，預計到2022年，我國區塊鏈核心產品和解決方案，以及相關衍生產業的市場規模將達到百億元。從技術本身來看，根據《基於區塊鏈技術的供應鏈金融白皮書（2020）》，區塊鏈是一種按照時間順序將數據區塊以順序相連，組合成一種鏈式數據結構，分布、一致地存儲於各參與方，並以密碼學方式保證數據不可篡改、不可偽造的分布式賬本技術。區塊鏈是點對點網路、數據加密、分布式數據存儲、共識機制等一系列技術的融合，具備多中心化、不可篡改、可溯源、高安全性的特徵。作為新型前沿技術，區塊鏈天然適用於多方參與的供應鏈金融業務場景，有極大的稟賦推動供應鏈金融走向產業應用縱深。
面對供應鏈金融業務開展所面臨的困擾，基於區塊鏈的供應鏈金融平台對業務開展模式的改變表現在以下幾個方面。
對基礎債權進行確權。由於供應鏈金融融資服務的邏輯是將基於供應鏈而形成的債務債權作為一項金融資產進行對外轉讓進而實現融資，因此需要對基礎債權進行確權，即確認這一基礎債權已經真實產生和確認可能影響基礎債權有效行使的不利因素已被排除。面對核心企業不願配合確權的現實問題，基於區塊鏈的供應鏈金融平台，將債權改造為可自由拆分、可轉讓支付、可融資的區塊鏈數字憑證，可實現應收賬款交易在多級企業間的流通。在保證貿易真實性的情況下，該模式相當於進行了前置確權，金融機構根據區塊鏈數字憑證可以在線上一步操作直接放款，改變了傳統的線下放款模式。
實現信用的多級傳導。供應鏈金融的核心是信用，只有信用的多級傳導才能有效依託核心企業的信用為中小微企業提供融資服務。區別於傳統供應鏈金融方式下核心企業的信用只能傳導至一級企業，利用區塊鏈等金融科技，在平台生成可流轉數字憑證，將貿易產生的債務債權這一底層資產通過區塊鏈生成唯一的數字憑證。其帶有時間戳的塊鏈式結構能保證數字憑證不可篡改，且具有極強的可驗證和可追溯性，可流轉、可拆分，將企業信用變成了工具。數字憑證經過多次拆分流轉，能清晰保留核心企業信用，從而使核心企業信用沿著可信的貿易鏈路傳遞，直至產業鏈末端。例如，一級供應商對核心企業簽發的憑證進行簽收之後，可根據真實貿易背景，將其作為支付手段流轉給上一級供應商，解決了核心企業信用不能向多級供應商傳遞的問題。
確保貿易的真實性。通過對供應鏈相關貿易相關的基礎材料——合同、發票、單證、資金等信息進行完整記錄上鏈，可及時共享各類數據。利用區塊鏈的實名認證、交叉驗證身份准入、鑒證等，可保障數據來源可信；多級加密、簽名驗證等技術特性，可保證數據安全。結合大數據分析技術，通過交叉驗證的手段實現對貿易數據真實性的驗證，可以有效降低減少線下真偽的校驗和風控成本，構建全新的信任機制和高效協同機制，有效支撐供應鏈金融服務覆蓋供應鏈上的多級企業，尤其是處於末端的中小微企業。
隨著技術的普及，基於區塊鏈的供應鏈金融創新模式探索方興未艾。例如：浙商銀行於2017年與趣鏈科技合作推出應收賬款鏈平台，平台採用「區塊鏈+供應鏈金融」的模式，可辦理應收賬款的簽發、承兌、保兌、支付、轉讓、質押、兌付等業務，將應收賬款轉化為電子支付結算和融資工具，盤活了原本流動性較差的應收賬款資產；天津自貿試驗區推出了基於區塊鏈的可信倉單，集倉單質押、處置、交易、風控鎖價於一體的全國首創的供應鏈金融創新模式。
作為金融數字化轉型的重要抓手之一，區塊鏈已進入全面建設階段。構建區塊鏈的初心是賦能產融發展，通過發揮區塊鏈構建數字信任的作用，構建新型組織關系，打造產業鏈金融創新服務範式，積極推動供應鏈金融數字化、智能化、場景化發展，助力打造開放、共享、綠色、高效、可信的供應鏈金融生態，真正解決供應鏈金融服務中的多方實際痛點，提升產業鏈供應鏈的穩定性和競爭力。
作者系趣鏈科技CEO

『肆』 大數據風控在供應鏈金融中的應用有什麼作用

主要是做風險控制用的
企業應收賬款的數據往往能直接反映企業的生產銷售規模、企業效益、財務狀況等等信息，與企業的發展和存亡息息相關。而近年來，全國各行業應收賬款居高不下，嚴重影響企業的資金周轉，使處於債務鏈中的企業無法正常經營、舉步維艱，甚至走向破產倒閉。所以，做好應收賬款的管理已經成為企業經營活動中非常重要的問題。究竟該如何監控應收賬款發生以及如何處理企業的不良債權？從法律角度在預防應收賬款風險、合法手段追收賬款、取證等方面都需要注意。企業在經營過程中可能產生很多應收賬款，甚至發生欠款糾紛，企業可能因此遭受損失。雲圖供應鏈金融，深耕供應鏈金融領域多年，幫助眾多中小企業實現供應鏈融資，其根據實踐經驗，詳細分析企業商帳催收可能遇到的法律問題，希望能夠給企業做到防患於未然有所幫助。雲圖@供應鏈金融%算是不錯的。關注「雲圖金融」每天獲取供應鏈金融干貨。

『伍』 大數據在金融行業有哪些典型應用

大數據在金融領域中有哪些應用？應用很廣，定價、授信、風控領域尤其多，我這邊主要用到的分析軟體是單位的帆軟FineBI系統，應用案例隨便說兩個： 車險。其實根據車主的日常行車路線、里程、行車習慣、出險記錄、職業、年齡、性別，可以給出非常不同的定價。比如一個開中級車，每天固定路線往返幾公里通勤的熟練女白領車主，和一個開同樣車型每天在珠三角或者長三角跑生意的中年暴躁小老闆車主，假設後者出險概率是前者的3倍，那麼完全可以定3倍於前者的價格（商業部分）。對於保險公司，前者才是優質客戶，後者做了生意也是賠錢貨，不如趕到競爭對手那裡去。 貸款。現在各種小額貸款、消費貸款、供應鏈金融，都是在吃4大行懶得吃的散客市場，之所以他們懶得吃，就是怕麻煩。最麻煩的就是授信環節，對於一個沒有固定資產等擔保物的客戶，能授信多少額度是個問題。淘寶能做小微是因為商家的流水在他們手裡，白領的消費貸敢做是因為有穩定的現金流收入。但除了淘寶可以做到比較准確的模型，其他的業務都非常的粗放，基本每個領域都是根據幾條死規則來做業務。這意味著這個市場還有很大的潛力可以挖掘，比如一個小老闆，其實風險不大，他需要100w周轉，但你沒把握估算他的風險，只敢貸50w出去，就少賺了那50w的利息。

『陸』 如何用大數據解決供應鏈金融時效性與成本兩大痛點

若能通過大數據建模降低風控成本，提升風控效率，就能實現快速融資，解決融資時效性問題；此外，利用好大數據進行邏輯可靠的分析，告訴投資人足夠真實具體的項目信息，只要項目回報率高於銀行，就能吸引到充足的投資資金，而不用再倚賴高利率，從而告別融資貴難題。
不過大數據的使用也面臨著另外一個天然矛盾，因為所有的數據都源於昨天以前，互金平台是利用以前的數據對企業或個人的未來行為做出分析和判斷，這樣容易陷入一個誤區，即把焦點過度集中在當前的經營層面或數據上，而忽略了其他信息來源，而這些信息來源很有可能就是未來這家企業或個人不能成功還款的重要依據。

『柒』 大數據分析與金融有哪些結合點

在銀行業的應用主要表現在兩個方面：一是信貸風險評估。以往銀行對企業客戶的違約風險評估多基於過往的信貸數據和交易數據等靜態數據，內外部數據資源整合後的大數據可提供前瞻性預測。二是供應鏈金融。

利用大數據技術，銀行可以根據企業之間的投資、控股、借貸、擔保及股東和法人之間的關系，形成企業之間的關系圖譜，利於企業分析及風險控制。

在證券行業的應用主要表現為：一是股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準地了解市場行情，通過構建更多元的量化因子，投研模型會更加完善。

二是股價預測。大數據技術通過收集並分析社交網路如微博、朋友圈、專業論壇等渠道上的結構化和非結構化數據，形成市場主觀判斷因素和投資者情緒打分，從而量化股價中人為因素的變化預期。三是智能投資顧問。

智能投資顧問業務提供線上投資顧問服務，其基於客戶的風險偏好、交易行為等個性化數據，依靠大數據量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。

在互聯網金融行業的應用，一是精準營銷。大數據通過用戶多維度畫像，對客戶偏好進行分類篩選，從而達到精準營銷的目的。二是消費信貸。基於大數據的自動評分模型、自動審批系統和催收系統可降低消費信貸業務違約風險。

『捌』 如何正確解讀解讀「互聯網+供應鏈金融」趨勢

融資難問題，一直是國內中小企業發展的桎梏，互聯網成為不少中小企業融資的途徑，同時隨著利率市場化的推進，存貸利差規模逐漸縮小，商業銀行開始將供應鏈金融作為業務拓展的重要選擇方向。
前不久，寶象金融研究院聯合零壹財經發布了《互聯網+供應鏈金融創新報告》。根據這份報告，未來供應鏈金融的發展趨勢將是「線上化、垂直化、細分化、平台化、生態化」。未來「互聯網+供應鏈金融」的新模式將由電商平台、P2P網貸平台主導。
近年來，以供應鏈真實交易背景為基礎產生的供應鏈金融得到了高速發展，根據國外研究機構Demica統計的數據，從2011年到2013年，國際銀行的供應鏈金融業務的年增長率約為30%至40%，在2020年之前，供應鏈金融業務的年增長速度都將不會低於10%。在我國，供應鏈金融發展也非常迅速，據前瞻產業研究院供應鏈金融行業報告數據顯示，到2020年，我國供應鏈金融的市場規模可達14.98萬億元左右。由此可見，供應鏈金融業已成為目前企業變革發展的又一重要趨勢。
供應鏈金融集中在計算機通信、電力設備、汽車、化工、煤炭、鋼鐵、醫葯業
供應鏈金融模式實質是把供應鏈上的核心企業及其相關的上下游配套企業作為一個整體，以產業鏈為依託，將金融服務在整條供應鏈全面鋪開。
目前，中國經濟增速由高速增長轉為中高速增長，國內市場需求不足，各行業產能過剩問題比較突出，大多數的行業都明顯由賣方市場轉為買方市場。企業應收賬款規模持續上升，回收周期不斷延長，應收賬款拖欠和壞賬風險明顯加大，供應鏈上的企業周轉資金緊張狀況加劇。
記者觀察到，目前市場上，涉足供應鏈金融的機構和類金融機構，主要有：商業銀行依然掌握了大量點核心客戶;供應鏈上的核心企業，比如寶鋼這類大企業，擁有豐富的上下游資源;另外還有P2P平台，資金來源比較靈活，往往和核心企業合作，P2P平台提供資金，核心企業幫助做風控。
目前一些電商平台也正在進入供應鏈金融領域，比如，最近E輪融資11億人民幣的找鋼網，2015年銷售額超過180億元，找鋼網針對供應鏈上下游企業推出金融服務，給客戶提供中短期、更為靈活的貸款，如今找鋼網的金融服務這一業務已經實現了盈利。
根據這份報告統計，國內供應鏈金融集中在計算機通信、電力設備、汽車、化工、煤炭、鋼鐵、醫葯、有色金屬、農副產品及傢具製造業等行業。國內供應鏈金融經歷了三個發展階段：
供應鏈金融1.0階段是「1+N」模式：以銀行為主導的線下模式，銀行基於供應鏈中的核心企業「1」的信用支持，為其上下游企業「N」提供融資服務;
隨著互聯網技術的推進，供應鏈金融2.0階段應運而生，2.0階段即是「1+N」模式的線上版本，通過技術手段對接供應鏈的上下游及各參與方，其中包括核心企業、上下游中小企業、銀行等資金提供方、物流服務商等，將供應鏈中的商流、物流、資金流、信息流在線化，實時掌握供應鏈中企業經營情況從而控制融資貸款的風險;
供應鏈金融3.0階段則是通過互聯網技術的深度介入，打造一個綜合性的大服務平台代替核心企業「1」來給平台上的中小企業「N」提供信用支撐。
競爭維度：行業空間、上下游企業群體、資金成本、風控體系
目前供應鏈金融行業競爭，包含了商業銀行、核心企業、物流企業、電商平台等各個參與方，寶象金融研究院認為，成功切入並有望主導相關產業鏈融資業務，需要具備以下4個條件：
1、背靠足夠大的行業空間。支撐供應鏈金融業務的產業鏈需具備大體量的特點，否則金融業務容易觸碰到天花板，影響甚至限制供應鏈金融業務的成長性;
2、擁有數量眾多的弱勢上下游企業群體。融資痛點的存在是供應鏈金融業務的前提，上下游企業越弱勢且群體越龐大，其融資需求越無法得到充分滿足。痛點越深、弱勢上下游企業群體規模越大，供應鏈金融施展相對優勢的空間越大;
3、較強控制力和足夠低的資金成本。資金提供方在產業鏈中具有重要的地位，對上下游物流、信息流有較強的控制力;自身融資渠道有優勢且成本較低，這樣可以帶來更豐厚的利潤;
4、具備完備的風控體系和手段。對線上資金流信息以及真實貿易信息的觀察、收集和追蹤能力較強，可以獲得真實有效的信息對產業鏈中發生的真實交易進行風險評估，當然最好同時具有線下的物流倉儲配套。
線上供應鏈金融服務平台掌握融資過程中的各項信息
隨著互聯網的介入，供應鏈金融在升級換代的同時取得了快速的發展，有望迎來發展黃金時期。這份報告顯示，中國的供應鏈金融將越發呈現線上化趨勢。
電商平台的興起和供應鏈信息化程度的提升，使得供應鏈金融業務的發展速度和受重視程度與日俱增，從而誕生了在線供應鏈金融這一新的表現形式。目前許多商業銀行正嘗試自建或者與電商平台合作開展線上供應鏈金融。?
各參與主體通過建立線上供應鏈金融服務平台實現資源整合，優化物流鏈、資金鏈和信息鏈，為大型企業和上下游中小企業提供專業化和定製化的金融服務。在這一過程中，線上供應鏈金融服務平台掌握到了供應鏈融資過程中的物流、商流、信息流、資金流，從而具備了衡量借款企業實際的還款能力，進而進行風險定價。
供應鏈金融向更垂直細分、更精準、更專業的方向發展
??其次，供應鏈金融發展越發垂直化、細分化，供應鏈金融在不同行業的應用，必然衍生出不同的行業特性，這將促使供應鏈金融向更垂直細分、更精準、更專業的方向發展，產業在線金融的綜合服務將逐漸走向成熟。
鈦媒體記者觀察到，每個行業都有自身的行業屬性和特點，比如服裝行業的廠商門店特別多，特點迥異，鋼貿企業又有鋼貿企業的特點，因此不同產業鏈上的企業具有迥異且多樣化的金融服務需求特徵。因此，各供應鏈金融參與主體需要根據不同行業、不同企業的具體需求來為其量身定做金融服務，提供更加靈活和個性化的供應鏈融資產品。
可以預見，各供應鏈金融參與主體只有不斷深耕各自所經營的一條或幾條產業鏈，在充分了解行業屬性和特徵的基礎上，結合自身的專業分析與研判能力，才能為各垂直細分供應鏈上的企業提供個性化的供應鏈金融產品服務。寶象金融研究院相信未來將會有更多的細分行業供應鏈金融模式或平台提供者出現。
大數據應用得到充分體現
供應鏈金融最終是要實現「物流」、「商流」、「資金流」、「信息流」的「四流合一」。與傳統金融相比，供應鏈金融不再單純看中貸款企業的財務報表等靜態數據，轉而對企業的動態經營數據進行實時監控，將貸款風險降到最低。?
供應鏈金融參與主體在掌握了大量的動態客戶交易信息之後，如果不能夠及時、准確地對客戶信息進行分類整理並分析也是無法有效地開展供應鏈金融產品服務的。大數據的應用、大數據平台的建設，是在「互聯網+「浪潮下的供應鏈金融未來發展的另外一大發展趨勢。
大數據離不開雲處理，雲處理為大數據提供了彈性可拓展的基礎設備，是產生大數據的平台之一，除此之外，物聯網、移動互聯網等新興計算形態，也將一齊助力大數據革命，這些都將讓大數據在供應鏈金融領域發揮出更大的影響力。
平台化和生態化大趨勢
寶象金融研究院認為，中國供應鏈金融未來的一個發展大趨勢是做成產融結合的生態系統大平台。中國供應鏈金融向平台化發展和整合將是必然趨勢，由平台模式搭建成一個產融結合的生態系統，不再是單向流動的價值鏈，而是能促使多方共贏的商業生態系統。?
供應鏈金融平台生態系統是以生態為基礎的新型商業模式，具有長遠的戰略價值。平台企業是價值的整合者，是多邊群體的連接者，更是生態圈的主導者。其終極目標，在於打造出擁有成長活力和贏利潛能的生態圈，而供應鏈上各環節企業與機構要加入平台生態圈來實現未來的發展。?
中國供應鏈金融未來需要解決的問題是如何將工業4.0、商業4.0、農業4.0有機結合起來，實現產業之間的跨界與融合。
供應鏈金融4.0是在這一生態系統平台建設上搭建了跨產業、跨區域的、跨部門、與政府、行業協會、產業資本等各方廣結聯盟、物聯網和互聯網相融合的金融生態平台。具體的運營方式是通過平台鏈接的商業生態、基於雲計算和大數據創建金融生態系，使得金融能真正服務於整個供應鏈的各類主體並推動商業生態的發展。

『玖』 如何利用大數據做金融風控

大數據能夠進行數據變現的商業模式目前就是兩個，一個是精準營銷，典型的場景是商品推薦和精準廣告投放，另外一個是大數據風控，典型的場景是互聯網金融的大數據風控。

金融的本質是風險管理，風控是所有金融業務的核心。典型的金融借貸業務例如抵押貸款、消費貸款、P2P、供應鏈金融、以及票據融資都需要數據風控識別欺詐用戶及評估用戶信用等級。

傳統金融的風控主要利用了信用屬性強大的金融數據，一般採用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意願。信用相關程度強的數據 緯度為十個左右，包含年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等，金融企業參考用戶提交的數據進行打分，最後得到申請人 的信用評分，依據評分來決定是否貸款以及貸款額度。其他同信用相關的數據還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。普惠在線

互聯網金融的大數據風控並不是完全改變傳統風控，實際是豐富傳統風控的數據緯度。互聯網風控中，首先還是利用信用屬性強的金融數據，判斷借款人的還 款能力和還款意願，然後在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，藉助數據模型來揭示某些行為特徵和信用 風險之間的關系。

互聯網金融公司利用大數據進行風控時，都是利用多維度數據來識別借款人風險。同信用相關的數據越多地被用於借款人風險評估，借款人的信用風險就被揭示的更充分，信用評分就會更加客觀，接近借款人實際風險。

常用的互聯網金融大數據風控方式有以下幾種：

驗證借款人身份
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以藉助國政通的數據來驗證姓名、身份證號，藉助銀聯數據來驗證銀行卡號和姓名，利用運營商數據來驗證手機號、姓名、身份證號、家庭住址。

如果借款人是欺詐用戶，這五個信息都可以買到。這個時候就需要進行人臉識別了，人臉識別等原理是調用國政通／公安局 API介面，將申請人實時拍攝的照片／視頻同客戶預留在公安的身份證進行識別，通過人臉識別技術驗證申請人是否是借款人本人。

其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。
分析提交的信息來識別欺詐

大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸和學生貸都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往 往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相 同、單位名稱相同、甚至居住的樓層和號碼都相同。還有一些填寫假的小區、地址和單位名稱以及電話等。

如果企業發現一些重復的信息和電話號碼，申請人欺詐的可能性就會很高。

分析客戶線上申請行為來識別欺詐

欺詐用戶往往事先准備好用戶基本信息，在申請過程中，快速進行填寫，批量作業，在多家網站進行申請，通過提高申請量來獲得更多的貸款。

企業可以藉助於SDK或JS來採集申請人在各個環節的行為，計算客戶閱讀條款的時間，填寫信息的時間，申請貸款的時間等，如果這些申請時間大大小於 正常客戶申請時間，例如填寫地址信息小於2秒，閱讀條款少於3秒鍾，申請貸款低於20秒等。用戶申請的時間也很關鍵，一般晚上11點以後申請貸款的申請 人，欺詐比例和違約比例較高。

這些異常申請行為可能揭示申請人具有欺詐傾向，企業可以結合其他的信息來判斷客戶是否為欺詐用戶。
利用黑名單和灰名單識別風險

互聯網金融公司面臨的主要風險為惡意欺詐，70%左右的信貸損失來源於申請人的惡意欺詐。客戶逾期或者違約貸款中至少有30%左右可以收回，另外的一些可以通過催收公司進行催收，M2逾期的回收率在20％左右。

市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。

黑名單來源於民間借貸、線上P2P、信用卡公司、小額借貸等公司的歷史違約用戶，其中很大一部分不再有借貸行為，參考價值有限。另外一個主要來源是催收公司，催收的成功率一般小於於30%（M3以上的），會產生很多黑名單。

灰名單是逾期但是還沒有達到違約的客戶（逾期少於3個月的客戶），灰名單也還意味著多頭借貸，申請人在多個貸款平台進行借貸。總借款數目遠遠超過其還款能力。

黑名單和灰名單是很好的風控方式，但是各個徵信公司所擁有的名單僅僅是市場總量的一部分，很多互聯網金融公司不得不接入多個風控公司，來獲得更多的 黑名單來提高查得率。央行和上海經信委正在聯合多家互聯網金融公司建立統一的黑名單平台，但是很多互聯網金融公司都不太願意貢獻自家的黑名單，這些黑名單 是用真金白銀換來的教訓。另外如果讓外界知道了自家平台黑名單的數量，會影響其公司聲譽，降低公司估值，並令投資者質疑其平台的風控水平。

利用移動設備數據識別欺詐
行為數據中一個比較特殊的就是移動設備數據反欺詐，公司可以利用移動設備的位置信息來驗證客戶提交的工作地和生活地是否真實，另外來可以根據設備安裝的應用活躍來識別多頭借貸風險。

欺詐用戶一般會使用模擬器進行貸款申請，移動大數據可以識別出貸款人是否使用模擬器。欺詐用戶也有一些典型特徵，例如很多設備聚集在一個區域，一起 申請貸款。欺詐設備不安裝生活和工具用App，僅僅安裝和貸款有關的App，可能還安裝了一些密碼破譯軟體或者其他的惡意軟體。

欺詐用戶還有可能不停更換SIM卡和手機，利用SIM卡和手機綁定時間和頻次可以識別出部分欺詐用戶。另外欺詐用戶也會購買一些已經淘汰的手機，其機器上面的操作系統已經過時很久，所安裝的App版本都很舊。這些特徵可以識別出一些欺詐用戶。

利用消費記錄來進行評分

大會數據風控除了可以識別出壞人，還可以評估貸款人的還款能力。過去傳統金融依據借款人的收入來判斷其還款能力，但是有些客戶擁有工資以外的收入，例如投資收入、顧問咨詢收入等。另外一些客戶可能從父母、伴侶、朋友那裡獲得其他的財政支持，擁有較高的支付能力。

按照傳統金融的做法，在家不工作照顧家庭的主婦可能還款能力較弱。無法給其提供貸款，但是其丈夫收入很高，家庭日常支出由其太太做主。這種情況，就需要消費數據來證明其還款能力了。

常用的消費記錄由銀行卡消費、電商購物、公共事業費記錄、大宗商品消費等。還可以參考航空記錄、手機話費、特殊會員消費等方式。例如頭等艙乘坐次數，物業費高低、高爾夫球俱樂部消費，遊艇俱樂部會員費用，奢侈品會員，豪車4S店消費記錄等消費數據可以作為其信用評分重要參考。

互聯網金融的主要客戶是屌絲，其電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。

參考社會關系來評估信用情況

物以類聚，人與群分。一般情況下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，

參考借款人常聯系的朋友信用評分可以評價借款人的信用情況，一般會採用經常打電話的朋友作為樣本，評估經常聯系的幾個人（不超過6六個人）的信用評分，去掉一個最高分，去掉一個最低分，取其中的平均值來判斷借款人的信用。這種方式挑戰很大，只是依靠手機號碼來判斷個人信用可信度不高。一般僅僅用於反欺詐識別，利用其經常通話的手機號在黑名單庫裡面進行匹配，如果命中，則此申請人的風險較高，需要進一步進行調查。

參考借款人社會屬性和行為來評估信用

參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高，其中50歲左右的貸款人違 約率最高，30歲左右的人違約率最低。貸款用於家庭消費和教育的貸款人，其貸款違約率低；聲明月收入超過3萬的人比聲明月收入低於1萬5千的人貸款違約率 高；貸款次數多的人，其貸款違約率低於第一次貸款的人。

經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。

午夜經常上網，很晚發微博，生活不規律，經常在各個城市跑的申請人，其帶貸款違約率比其他人高30%。刻意隱瞞自己過去經歷和聯系方式，填寫簡單信 息的人，比信息填寫豐富的人違約概率高20%。借款時間長的人比借款時間短短人，逾期和違約概率高20%左右。擁有汽車的貸款人比沒有汽車的貸款人，貸款 違約率低10%左右。

利用司法信息評估風險

涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。

尋找這些涉毒涉賭的嫌疑人，可以利用當地的公安數據，但是難度較大。也可以採用移動設備的位置信息來進行一定程度的識別。如果設備經常在半夜出現在 賭博場所或賭博區域例如澳門，其申請人涉賭的風險就較高。另外中國有些特定的地區，當地的有一部分人群從事涉賭或涉賭行業，一旦申請人填寫的居住地址或者 移動設備位置信息涉及這些區域，也要引起重視。涉賭和涉毒的人員工作一般也不太穩定或者沒有固定工作收入，如果申請人經常換工作或者經常在某一個階段沒有 收入，這種情況需要引起重視。涉賭和涉毒的人活動規律比較特殊，經常半夜在外面活動，另外也經常住本地賓館，這些信息都可以參考移動大數據進行識別。

總之，互聯網金融的大數據風控採用了用戶社會行為和社會屬性數據，在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，評價客戶的風險水平。互聯網金融企業通過分析申請人的社會行為數據來控制信用風險，將資金借給合格貸款人，保證資金的安全。