供应链金融如何玩转大数据

『壹』 大数据技术在金融行业中的典型应用

大数据技术在金融行业中的典型应用
近年来，我国金融科技快速发展，在多个领域已经走在世界前列。大数据、人工智能、云计算、移动互联网等技术与金融业务深度融合，大大推动了我国金融业转型升级，助力金融更好地服务实体经济，有效促进了金融业整体发展。在这一发展过程中，又以大数据技术发展最为成熟、应用最为广泛。从发展特点和趋势来看，“金融云”快速建设落地奠定了金融大数据的应用基础，金融数据与其他跨领域数据的融合应用不断强化，人工智能正在成为金融大数据应用的新方向，金融行业数据的整合、共享和开放正在成为趋势，给金融行业带来了新的发展机遇和巨大的发展动力。
大数据在金融行业的典型应用场景
大数据涉及的行业过于广泛，除金融外，还包括政治、教育、传媒、医学、商业、工农业、互联网等多个方面，各行业对大数据的定义目前尚未统一。大数据的特点可归纳为“4V”。第一，数据体量大（Volume），海量性也许是与大数据最相关的特征。第二，数据类型繁多（Variety），大数据既包括以事务为代表的传统结构化数据，还包括以网页为代表的半结构化数据和以视频、语音信息为代表的非结构化数据。第三，价值密度低（Value），大数据的体量巨大，但数据中的价值密度却很低。比如几个小时甚至几天的监控视频中，有价值的线索或许只有几秒钟。第四，处理速度快（Velocity），大数据要求快速处理，时效性强，要进行实时或准实时的处理。
金融行业一直较为重视大数据技术的发展。相比常规商业分析手段，大数据可以使业务决策具有前瞻性，让企业战略的制定过程更加理性化，实现生产资源优化分配，依据市场变化迅速调整业务策略，提高用户体验以及资金周转率，降低库存积压的风险，从而获取更高的利润。
当前，大数据在金融行业典型的应用场景有以下几个方面：
在银行业的应用主要表现在两个方面：一是信贷风险评估。以往银行对企业客户的违约风险评估多基于过往的信贷数据和交易数据等静态数据，内外部数据资源整合后的大数据可提供前瞻性预测。二是供应链金融。利用大数据技术，银行可以根据企业之间的投资、控股、借贷、担保及股东和法人之间的关系，形成企业之间的关系图谱，利于企业分析及风险控制。
在证券行业的应用主要表现为：一是股市行情预测。大数据可以有效拓宽证券企业量化投资数据维度，帮助企业更精准地了解市场行情，通过构建更多元的量化因子，投研模型会更加完善。二是股价预测。大数据技术通过收集并分析社交网络如微博、朋友圈、专业论坛等渠道上的结构化和非结构化数据，形成市场主观判断因素和投资者情绪打分，从而量化股价中人为因素的变化预期。三是智能投资顾问。智能投资顾问业务提供线上投资顾问服务，其基于客户的风险偏好、交易行为等个性化数据，依靠大数据量化模型，为客户提供低门槛、低费率的个性化财富管理方案。
在互联网金融行业的应用，一是精准营销。大数据通过用户多维度画像，对客户偏好进行分类筛选，从而达到精准营销的目的。二是消费信贷。基于大数据的自动评分模型、自动审批系统和催收系统可降低消费信贷业务违约风险。
金融大数据的典型案例分析
为实时接收电子渠道交易数据，整合银行内系统业务数据。中国交通银行通过规则欲实现快速建模、实时告警与在线智能监控报表等功能，以达到实时接收官网业务数据，整合客户信息、设备画像、位置信息、官网交易日志、浏览记录等数据的目的。
该系统通过为交通银行卡中心构建反作弊模型、实时计算、实时决策系统，帮助拥有海量历史数据，日均增长超过两千万条日志流水的银行卡中心，形成电子渠道实时反欺诈交易监控能力。利用分布式实时数据采集技术和实时决策引擎，帮助信用卡中心高效整合多系统业务数据，处理海量高并发线上行为数据，识别恶意用户和欺诈行为，并实时预警和处置；通过引入机器学习框架，对少量数据进行分析、挖掘构建并周期性更新反欺诈规则和反欺诈模型。
系统上线后，该银行迅速监控电子渠道产生的虚假账号、伪装账号、异常登录、频繁登录等新型风险和欺诈行为；系统稳定运行，日均处理逾两千万条日志流水、实时识别出近万笔风险行为并进行预警。数据接入、计算报警、案件调查的整体处理时间从数小时降低至秒级，监测时效提升近3000倍，上线3个月已帮助卡中心挽回数百万元的风险损失。
网络的搜索技术正在全面注入网络金融。网络金融使用的梯度增强决策树算法可以分析大数据高维特点，在知识分析、汇总、聚合、提炼等多个方面有其独到之处，其深度学习能力利用数据挖掘算法能够较好地解决大数据价值密度低等问题。网络“磐石”系统基于每日100亿次搜索行为，通过200多个维度为8.6亿账号精确画像，高效划分人群，能够为银行、互联网金融机构提供身份识别、反欺诈、信息检验、信用分级等服务。该系统累计为网络内部信贷业务拦截数十万欺诈用户，拦截数十亿不良资产、减少数百万人力成本，累计合作近500家社会金融机构，帮助其提升了整体风险防控水平。
金融大数据应用面临的挑战及对策
大数据技术为金融行业带来了裂变式的创新活力，其应用潜力有目共睹，但在数据应用管理、业务场景融合、标准统一、顶层设计等方面存在的瓶颈也有待突破。
一是数据资产管理水平仍待提高。主要体现在数据质量不高、获取方式单一、数据系统分散等方面。
二是应用技术和业务探索仍需突破。主要体现在金融机构原有的数据系统架构相对复杂，涉及的系统平台和供应商较多，实现大数据应用的技术改造难度很大。同时，金融行业的大数据分析应用模型仍处于起步阶段，成熟案例和解决方案仍相对较少，需要投入大量的时间和成本进行调研和试错。系统误判率相对较高。
三是行业标准和安全规范仍待完善。金融大数据缺乏统一的存储管理标准和互通共享平台，对个人隐私的保护上还未形成可信的安全机制。
四是顶层设计和扶持政策还需强化。体现在金融机构间的数据壁垒较为明显，各自为战问题突出，缺乏有效的整合协同。同时，行业应用缺乏整体性规划，分散、临时、应激等特点突出，信息价值开发仍有较大潜力。
以上问题，一方面需要国家出台促进金融大数据发展的产业规划和扶持政策，同时，也需要行业分阶段推动金融数据开放、共享和统一平台建设，强化行业标准和安全规范。只有这样，大数据技术才能在金融行业中稳步应用发展，不断推动金融行业的发展提升。

『贰』 如何玩转供应链金融

中小企业融资难问题一直是中小企业发展的一大困难。中小企业由于自身规模小，现金流容易出现紧张甚至断裂的情况，因此，如何盘活资金成为了中小企业最为关注的问题。供应链金融是以供应链真实交易背景为基础产生的。它不同于以往的传统银行借贷，能够较好的解决中小企业因为经营不稳定、信用不足、资产欠缺等因素导致的融资难问题。
传统的银行借贷对企业以往的财务信息进行静态分析，依据对授信主体的孤立评价做出信贷决策，因此，银行并没有把握住中小微企业真实的经营状况。相反，供应链金融评估的是整个供应链的信用状况，加强了债项本身的结构控制。供应链金融在真实交易的前提下，以大企业的信息优势来弥补中小企业的信用缺失，从而全面提升了产业链中的中小企业信用水平和信贷能力。供应链金融的本质是信用融资，在产业链中发现信用。
目前供应链金融属于新兴金融，能不能把供应链金融做好，跟服务企业对于产业的了解，对风险的控制能力，与银行的战略合作关系等等都有直接关系。
可以搜我

『叁』 利用区块链等现代信息科技如何提高供应链金融数字化水平

近年来，供应链金融受到国家层面多项政策鼓励，是我国服务实体经济、扶持中小企业的重要抓手。2019年7月6日，中国银保监会发布了《中国银保监会办公厅关于推动供应链金融服务实体经济的指导意见》，要求银行保险机构应依托供应链核心企业，为供应链上下游链条企业提供融资、结算、现金管理等一揽子综合金融服务。2020年9月，央行、商务部、工信部等八部门发布《关于规范发展供应链金融 支持供应链产业链稳定循环和优化升级的意见》，要求金融机构与实体企业应加强信息共享和协同，提高供应链融资线上化和数字化水平，提高中小微企业应收账款融资效率，成为我国供应链金融发展的纲领性文件。2021年政府工作报告首次单独提及“创新供应链金融服务模式”，意味着发展供应链金融已上升为国家战略。由此可以看出，国家强调在服务模式上，要在依托贸易真实性的基础上发挥核心企业的信用传导作用；在技术应用上，鼓励发挥区块链、大数据、物联网等技术的作用，对产业链条上的物权、债权等信息流进行监控，以解决业务信用风险的管控难题。
据国家统计局数据，2020年我国规模以上工业企业应收账款超16万亿元，比2019年末增长15.1%；产成品存货达4.6万亿元，增长7.5%。全国范围内应收账款余额持续增加，占流动性资产的比重也持续上升，企业营运资金周转放缓、融资压力大、应收账款流动性风险高等问题无法得到有效缓解，很大程度上影响了中小企业的健康发展和经济的良好运行。解决实体企业营运资金压力，尤其是中小微企业的融资问题，迫在眉睫。“曰问易，决疑难”，解决中小微企业融资难题，本质上还是要先解决产业链上的银企互信问题，真正实现金融服务与企业经营的信息有依据、可验证、对得上。回归区块链的本质，其实是通过数据加密、多方验证、块链式存储等技术来解决产业链中买卖双方的资产与贸易信息真实性验证难、信用评估成本高等难题；通过区块链技术来优化普惠金融生态圈的生产关系，加快提升供应链金融创新服务模式和服务能力。
根据工商银行金融科技研究院发布的《区块链金融应用发展白皮书（2020）》，供应链金融是将供应链上的核心企业以及与其相关的上下游企业看作一个整体，以核心企业为依托，以真实贸易为前提，运用自偿性贸易融资的方式，对供应链上下游企业提供的综合性金融产品和服务。通过观察目前供应链金融业务的开展情况，我们发现其大规模实质推进依然面临着诸多困扰。
信用多级传导受阻。受制于企业信誉和传统金融风控要求，大多数金融机构和核心企业自建的供应链金融平台主要还是围绕核心企业的一级上下游，而真正能面向二级、三级直至N级的上下游企业，并能以核心企业的真实贸易链路为信用背书，开展融资业务的少之又少。在现有业务操作下，经常会面临核心企业或者关键企业不主动、不愿意配合确权的情况。究其原因，核心企业和N级企业之间往往不存在直接的贸易关系，处于强势地位的核心企业没有意愿配合；且存在确权频度高、线下操作烦琐、担心商业机密泄露等问题。因而产业链条上的中小微企业无法借助核心企业信用和贸易流信息来解决自身的融资难题，核心企业信用“浇灌”也仅到一级上下游企业。区块链具有的分布式账本、透明可追溯、智能合约自动化执行等特性，成为解决信用拆解、实现信用多级传导的技术应用的探索方向。
贸易真实性难以证实。供应链金融是以真实的贸易往来为依托开展融资的，然而在实践过程中，由于缺乏有效的验证手段和多维度的风控数据来源，导致金融机构难以知晓交易信息的真实性，而人工核验成本居高不下，造成银企之间的信息不对称和信任鸿沟。近年来，企业间串谋、勾兑虚假贸易的骗贷新闻事件也时有发生。因此，解决银企之间的信息不对称成为供应链金融顺利开展的必要条件。区块链的多方维护同一账本、自带时间戳和不可篡改的特性，开始被业内人士尝试用来构筑多维可信数据源，保证交易信息的可验证。
产业链多方信息相互割裂、无法共享。供应链金融涉及的环节、企业类型、参与主体等较为复杂多元，供应链各参与方的信息数据孤岛没有有效打通，面临资金流、信息流、商流、货流难以匹配等问题，未能形成整体产业链的协同合作效应，阻碍了供应链金融的开展，使中小企业融资难、融资贵的顽疾难以根治。
针对上述供应链金融开展过程中存在的突出问题，我国首次在中央政府层面提出了“创新供应链金融服务模式”。作为一种新兴的金融服务模式，业内人士普遍认为要创新供应链金融模式，需加快供应链金融数字化转型，将业务开展线上化、数字化，借助区块链、大数据等技术解决贸易确权、交易真实性等问题，帮助金融机构控制交易风险，构建数字化信任机制。其关键在于实现供应链金融活动中的信息数据可信、透明、相互核验和可追溯。
区块链技术已被确定为国家核心技术自主创新的重要突破口，国家工信部2019年将其定位为新基础设施，已开始大规模服务于实体经济，为实体经济降本增效。据赛迪区块链研究院统计，2019年区块链在金融领域应用落地项目中的占比达到29%，是同期应用落地项目中占比最高的，涵盖了电子凭证、支付清算、保险理赔、征信、借贷融资等业务场景。根据《中国区块链发展报告（2020）》，预计到2022年，我国区块链核心产品和解决方案，以及相关衍生产业的市场规模将达到百亿元。从技术本身来看，根据《基于区块链技术的供应链金融白皮书（2020）》，区块链是一种按照时间顺序将数据区块以顺序相连，组合成一种链式数据结构，分布、一致地存储于各参与方，并以密码学方式保证数据不可篡改、不可伪造的分布式账本技术。区块链是点对点网络、数据加密、分布式数据存储、共识机制等一系列技术的融合，具备多中心化、不可篡改、可溯源、高安全性的特征。作为新型前沿技术，区块链天然适用于多方参与的供应链金融业务场景，有极大的禀赋推动供应链金融走向产业应用纵深。
面对供应链金融业务开展所面临的困扰，基于区块链的供应链金融平台对业务开展模式的改变表现在以下几个方面。
对基础债权进行确权。由于供应链金融融资服务的逻辑是将基于供应链而形成的债务债权作为一项金融资产进行对外转让进而实现融资，因此需要对基础债权进行确权，即确认这一基础债权已经真实产生和确认可能影响基础债权有效行使的不利因素已被排除。面对核心企业不愿配合确权的现实问题，基于区块链的供应链金融平台，将债权改造为可自由拆分、可转让支付、可融资的区块链数字凭证，可实现应收账款交易在多级企业间的流通。在保证贸易真实性的情况下，该模式相当于进行了前置确权，金融机构根据区块链数字凭证可以在线上一步操作直接放款，改变了传统的线下放款模式。
实现信用的多级传导。供应链金融的核心是信用，只有信用的多级传导才能有效依托核心企业的信用为中小微企业提供融资服务。区别于传统供应链金融方式下核心企业的信用只能传导至一级企业，利用区块链等金融科技，在平台生成可流转数字凭证，将贸易产生的债务债权这一底层资产通过区块链生成唯一的数字凭证。其带有时间戳的块链式结构能保证数字凭证不可篡改，且具有极强的可验证和可追溯性，可流转、可拆分，将企业信用变成了工具。数字凭证经过多次拆分流转，能清晰保留核心企业信用，从而使核心企业信用沿着可信的贸易链路传递，直至产业链末端。例如，一级供应商对核心企业签发的凭证进行签收之后，可根据真实贸易背景，将其作为支付手段流转给上一级供应商，解决了核心企业信用不能向多级供应商传递的问题。
确保贸易的真实性。通过对供应链相关贸易相关的基础材料——合同、发票、单证、资金等信息进行完整记录上链，可及时共享各类数据。利用区块链的实名认证、交叉验证身份准入、鉴证等，可保障数据来源可信；多级加密、签名验证等技术特性，可保证数据安全。结合大数据分析技术，通过交叉验证的手段实现对贸易数据真实性的验证，可以有效降低减少线下真伪的校验和风控成本，构建全新的信任机制和高效协同机制，有效支撑供应链金融服务覆盖供应链上的多级企业，尤其是处于末端的中小微企业。
随着技术的普及，基于区块链的供应链金融创新模式探索方兴未艾。例如：浙商银行于2017年与趣链科技合作推出应收账款链平台，平台采用“区块链+供应链金融”的模式，可办理应收账款的签发、承兑、保兑、支付、转让、质押、兑付等业务，将应收账款转化为电子支付结算和融资工具，盘活了原本流动性较差的应收账款资产；天津自贸试验区推出了基于区块链的可信仓单，集仓单质押、处置、交易、风控锁价于一体的全国首创的供应链金融创新模式。
作为金融数字化转型的重要抓手之一，区块链已进入全面建设阶段。构建区块链的初心是赋能产融发展，通过发挥区块链构建数字信任的作用，构建新型组织关系，打造产业链金融创新服务范式，积极推动供应链金融数字化、智能化、场景化发展，助力打造开放、共享、绿色、高效、可信的供应链金融生态，真正解决供应链金融服务中的多方实际痛点，提升产业链供应链的稳定性和竞争力。
作者系趣链科技CEO

『肆』 大数据风控在供应链金融中的应用有什么作用

主要是做风险控制用的
企业应收账款的数据往往能直接反映企业的生产销售规模、企业效益、财务状况等等信息，与企业的发展和存亡息息相关。而近年来，全国各行业应收账款居高不下，严重影响企业的资金周转，使处于债务链中的企业无法正常经营、举步维艰，甚至走向破产倒闭。所以，做好应收账款的管理已经成为企业经营活动中非常重要的问题。究竟该如何监控应收账款发生以及如何处理企业的不良债权？从法律角度在预防应收账款风险、合法手段追收账款、取证等方面都需要注意。企业在经营过程中可能产生很多应收账款，甚至发生欠款纠纷，企业可能因此遭受损失。云图供应链金融，深耕供应链金融领域多年，帮助众多中小企业实现供应链融资，其根据实践经验，详细分析企业商帐催收可能遇到的法律问题，希望能够给企业做到防患于未然有所帮助。云图@供应链金融%算是不错的。关注“云图金融”每天获取供应链金融干货。

『伍』 大数据在金融行业有哪些典型应用

大数据在金融领域中有哪些应用？应用很广，定价、授信、风控领域尤其多，我这边主要用到的分析软件是单位的帆软FineBI系统，应用案例随便说两个： 车险。其实根据车主的日常行车路线、里程、行车习惯、出险记录、职业、年龄、性别，可以给出非常不同的定价。比如一个开中级车，每天固定路线往返几公里通勤的熟练女白领车主，和一个开同样车型每天在珠三角或者长三角跑生意的中年暴躁小老板车主，假设后者出险概率是前者的3倍，那么完全可以定3倍于前者的价格（商业部分）。对于保险公司，前者才是优质客户，后者做了生意也是赔钱货，不如赶到竞争对手那里去。 贷款。现在各种小额贷款、消费贷款、供应链金融，都是在吃4大行懒得吃的散客市场，之所以他们懒得吃，就是怕麻烦。最麻烦的就是授信环节，对于一个没有固定资产等担保物的客户，能授信多少额度是个问题。淘宝能做小微是因为商家的流水在他们手里，白领的消费贷敢做是因为有稳定的现金流收入。但除了淘宝可以做到比较准确的模型，其他的业务都非常的粗放，基本每个领域都是根据几条死规则来做业务。这意味着这个市场还有很大的潜力可以挖掘，比如一个小老板，其实风险不大，他需要100w周转，但你没把握估算他的风险，只敢贷50w出去，就少赚了那50w的利息。

『陆』 如何用大数据解决供应链金融时效性与成本两大痛点

若能通过大数据建模降低风控成本，提升风控效率，就能实现快速融资，解决融资时效性问题；此外，利用好大数据进行逻辑可靠的分析，告诉投资人足够真实具体的项目信息，只要项目回报率高于银行，就能吸引到充足的投资资金，而不用再倚赖高利率，从而告别融资贵难题。
不过大数据的使用也面临着另外一个天然矛盾，因为所有的数据都源于昨天以前，互金平台是利用以前的数据对企业或个人的未来行为做出分析和判断，这样容易陷入一个误区，即把焦点过度集中在当前的经营层面或数据上，而忽略了其他信息来源，而这些信息来源很有可能就是未来这家企业或个人不能成功还款的重要依据。

『柒』 大数据分析与金融有哪些结合点

在银行业的应用主要表现在两个方面：一是信贷风险评估。以往银行对企业客户的违约风险评估多基于过往的信贷数据和交易数据等静态数据，内外部数据资源整合后的大数据可提供前瞻性预测。二是供应链金融。

利用大数据技术，银行可以根据企业之间的投资、控股、借贷、担保及股东和法人之间的关系，形成企业之间的关系图谱，利于企业分析及风险控制。

在证券行业的应用主要表现为：一是股市行情预测。大数据可以有效拓宽证券企业量化投资数据维度，帮助企业更精准地了解市场行情，通过构建更多元的量化因子，投研模型会更加完善。

二是股价预测。大数据技术通过收集并分析社交网络如微博、朋友圈、专业论坛等渠道上的结构化和非结构化数据，形成市场主观判断因素和投资者情绪打分，从而量化股价中人为因素的变化预期。三是智能投资顾问。

智能投资顾问业务提供线上投资顾问服务，其基于客户的风险偏好、交易行为等个性化数据，依靠大数据量化模型，为客户提供低门槛、低费率的个性化财富管理方案。

在互联网金融行业的应用，一是精准营销。大数据通过用户多维度画像，对客户偏好进行分类筛选，从而达到精准营销的目的。二是消费信贷。基于大数据的自动评分模型、自动审批系统和催收系统可降低消费信贷业务违约风险。

『捌』 如何正确解读解读“互联网+供应链金融”趋势

融资难问题，一直是国内中小企业发展的桎梏，互联网成为不少中小企业融资的途径，同时随着利率市场化的推进，存贷利差规模逐渐缩小，商业银行开始将供应链金融作为业务拓展的重要选择方向。
前不久，宝象金融研究院联合零壹财经发布了《互联网+供应链金融创新报告》。根据这份报告，未来供应链金融的发展趋势将是“线上化、垂直化、细分化、平台化、生态化”。未来“互联网+供应链金融”的新模式将由电商平台、P2P网贷平台主导。
近年来，以供应链真实交易背景为基础产生的供应链金融得到了高速发展，根据国外研究机构Demica统计的数据，从2011年到2013年，国际银行的供应链金融业务的年增长率约为30%至40%，在2020年之前，供应链金融业务的年增长速度都将不会低于10%。在我国，供应链金融发展也非常迅速，据前瞻产业研究院供应链金融行业报告数据显示，到2020年，我国供应链金融的市场规模可达14.98万亿元左右。由此可见，供应链金融业已成为目前企业变革发展的又一重要趋势。
供应链金融集中在计算机通信、电力设备、汽车、化工、煤炭、钢铁、医药业
供应链金融模式实质是把供应链上的核心企业及其相关的上下游配套企业作为一个整体，以产业链为依托，将金融服务在整条供应链全面铺开。
目前，中国经济增速由高速增长转为中高速增长，国内市场需求不足，各行业产能过剩问题比较突出，大多数的行业都明显由卖方市场转为买方市场。企业应收账款规模持续上升，回收周期不断延长，应收账款拖欠和坏账风险明显加大，供应链上的企业周转资金紧张状况加剧。
记者观察到，目前市场上，涉足供应链金融的机构和类金融机构，主要有：商业银行依然掌握了大量点核心客户;供应链上的核心企业，比如宝钢这类大企业，拥有丰富的上下游资源;另外还有P2P平台，资金来源比较灵活，往往和核心企业合作，P2P平台提供资金，核心企业帮助做风控。
目前一些电商平台也正在进入供应链金融领域，比如，最近E轮融资11亿人民币的找钢网，2015年销售额超过180亿元，找钢网针对供应链上下游企业推出金融服务，给客户提供中短期、更为灵活的贷款，如今找钢网的金融服务这一业务已经实现了盈利。
根据这份报告统计，国内供应链金融集中在计算机通信、电力设备、汽车、化工、煤炭、钢铁、医药、有色金属、农副产品及家具制造业等行业。国内供应链金融经历了三个发展阶段：
供应链金融1.0阶段是“1+N”模式：以银行为主导的线下模式，银行基于供应链中的核心企业“1”的信用支持，为其上下游企业“N”提供融资服务;
随着互联网技术的推进，供应链金融2.0阶段应运而生，2.0阶段即是“1+N”模式的线上版本，通过技术手段对接供应链的上下游及各参与方，其中包括核心企业、上下游中小企业、银行等资金提供方、物流服务商等，将供应链中的商流、物流、资金流、信息流在线化，实时掌握供应链中企业经营情况从而控制融资贷款的风险;
供应链金融3.0阶段则是通过互联网技术的深度介入，打造一个综合性的大服务平台代替核心企业“1”来给平台上的中小企业“N”提供信用支撑。
竞争维度：行业空间、上下游企业群体、资金成本、风控体系
目前供应链金融行业竞争，包含了商业银行、核心企业、物流企业、电商平台等各个参与方，宝象金融研究院认为，成功切入并有望主导相关产业链融资业务，需要具备以下4个条件：
1、背靠足够大的行业空间。支撑供应链金融业务的产业链需具备大体量的特点，否则金融业务容易触碰到天花板，影响甚至限制供应链金融业务的成长性;
2、拥有数量众多的弱势上下游企业群体。融资痛点的存在是供应链金融业务的前提，上下游企业越弱势且群体越庞大，其融资需求越无法得到充分满足。痛点越深、弱势上下游企业群体规模越大，供应链金融施展相对优势的空间越大;
3、较强控制力和足够低的资金成本。资金提供方在产业链中具有重要的地位，对上下游物流、信息流有较强的控制力;自身融资渠道有优势且成本较低，这样可以带来更丰厚的利润;
4、具备完备的风控体系和手段。对线上资金流信息以及真实贸易信息的观察、收集和追踪能力较强，可以获得真实有效的信息对产业链中发生的真实交易进行风险评估，当然最好同时具有线下的物流仓储配套。
线上供应链金融服务平台掌握融资过程中的各项信息
随着互联网的介入，供应链金融在升级换代的同时取得了快速的发展，有望迎来发展黄金时期。这份报告显示，中国的供应链金融将越发呈现线上化趋势。
电商平台的兴起和供应链信息化程度的提升，使得供应链金融业务的发展速度和受重视程度与日俱增，从而诞生了在线供应链金融这一新的表现形式。目前许多商业银行正尝试自建或者与电商平台合作开展线上供应链金融。?
各参与主体通过建立线上供应链金融服务平台实现资源整合，优化物流链、资金链和信息链，为大型企业和上下游中小企业提供专业化和定制化的金融服务。在这一过程中，线上供应链金融服务平台掌握到了供应链融资过程中的物流、商流、信息流、资金流，从而具备了衡量借款企业实际的还款能力，进而进行风险定价。
供应链金融向更垂直细分、更精准、更专业的方向发展
??其次，供应链金融发展越发垂直化、细分化，供应链金融在不同行业的应用，必然衍生出不同的行业特性，这将促使供应链金融向更垂直细分、更精准、更专业的方向发展，产业在线金融的综合服务将逐渐走向成熟。
钛媒体记者观察到，每个行业都有自身的行业属性和特点，比如服装行业的厂商门店特别多，特点迥异，钢贸企业又有钢贸企业的特点，因此不同产业链上的企业具有迥异且多样化的金融服务需求特征。因此，各供应链金融参与主体需要根据不同行业、不同企业的具体需求来为其量身定做金融服务，提供更加灵活和个性化的供应链融资产品。
可以预见，各供应链金融参与主体只有不断深耕各自所经营的一条或几条产业链，在充分了解行业属性和特征的基础上，结合自身的专业分析与研判能力，才能为各垂直细分供应链上的企业提供个性化的供应链金融产品服务。宝象金融研究院相信未来将会有更多的细分行业供应链金融模式或平台提供者出现。
大数据应用得到充分体现
供应链金融最终是要实现“物流”、“商流”、“资金流”、“信息流”的“四流合一”。与传统金融相比，供应链金融不再单纯看中贷款企业的财务报表等静态数据，转而对企业的动态经营数据进行实时监控，将贷款风险降到最低。?
供应链金融参与主体在掌握了大量的动态客户交易信息之后，如果不能够及时、准确地对客户信息进行分类整理并分析也是无法有效地开展供应链金融产品服务的。大数据的应用、大数据平台的建设，是在“互联网+“浪潮下的供应链金融未来发展的另外一大发展趋势。
大数据离不开云处理，云处理为大数据提供了弹性可拓展的基础设备，是产生大数据的平台之一，除此之外，物联网、移动互联网等新兴计算形态，也将一齐助力大数据革命，这些都将让大数据在供应链金融领域发挥出更大的影响力。
平台化和生态化大趋势
宝象金融研究院认为，中国供应链金融未来的一个发展大趋势是做成产融结合的生态系统大平台。中国供应链金融向平台化发展和整合将是必然趋势，由平台模式搭建成一个产融结合的生态系统，不再是单向流动的价值链，而是能促使多方共赢的商业生态系统。?
供应链金融平台生态系统是以生态为基础的新型商业模式，具有长远的战略价值。平台企业是价值的整合者，是多边群体的连接者，更是生态圈的主导者。其终极目标，在于打造出拥有成长活力和赢利潜能的生态圈，而供应链上各环节企业与机构要加入平台生态圈来实现未来的发展。?
中国供应链金融未来需要解决的问题是如何将工业4.0、商业4.0、农业4.0有机结合起来，实现产业之间的跨界与融合。
供应链金融4.0是在这一生态系统平台建设上搭建了跨产业、跨区域的、跨部门、与政府、行业协会、产业资本等各方广结联盟、物联网和互联网相融合的金融生态平台。具体的运营方式是通过平台链接的商业生态、基于云计算和大数据创建金融生态系，使得金融能真正服务于整个供应链的各类主体并推动商业生态的发展。

『玖』 如何利用大数据做金融风控

大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。

金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。

传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。信用相关程度强的数据 纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人 的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。普惠在线

互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还 款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用 风险之间的关系。

互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。

常用的互联网金融大数据风控方式有以下几种：

验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通／公安局 API接口，将申请人实时拍摄的照片／视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。

其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。
分析提交的信息来识别欺诈

大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷和学生贷都是以线上申请为主的。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往 往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相 同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。

如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。

分析客户线上申请行为来识别欺诈

欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。

企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于 正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请 人，欺诈比例和违约比例较高。

这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。
利用黑名单和灰名单识别风险

互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20％左右。

市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。

黑名单来源于民间借贷、线上P2P、信用卡公司、小额借贷等公司的历史违约用户，其中很大一部分不再有借贷行为，参考价值有限。另外一个主要来源是催收公司，催收的成功率一般小于于30%（M3以上的），会产生很多黑名单。

灰名单是逾期但是还没有达到违约的客户（逾期少于3个月的客户），灰名单也还意味着多头借贷，申请人在多个贷款平台进行借贷。总借款数目远远超过其还款能力。

黑名单和灰名单是很好的风控方式，但是各个征信公司所拥有的名单仅仅是市场总量的一部分，很多互联网金融公司不得不接入多个风控公司，来获得更多的 黑名单来提高查得率。央行和上海经信委正在联合多家互联网金融公司建立统一的黑名单平台，但是很多互联网金融公司都不太愿意贡献自家的黑名单，这些黑名单 是用真金白银换来的教训。另外如果让外界知道了自家平台黑名单的数量，会影响其公司声誉，降低公司估值，并令投资者质疑其平台的风控水平。

利用移动设备数据识别欺诈
行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。

欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起 申请贷款。欺诈设备不安装生活和工具用App，仅仅安装和贷款有关的App，可能还安装了一些密码破译软件或者其他的恶意软件。

欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。另外欺诈用户也会购买一些已经淘汰的手机，其机器上面的操作系统已经过时很久，所安装的App版本都很旧。这些特征可以识别出一些欺诈用户。

利用消费记录来进行评分

大会数据风控除了可以识别出坏人，还可以评估贷款人的还款能力。过去传统金融依据借款人的收入来判断其还款能力，但是有些客户拥有工资以外的收入，例如投资收入、顾问咨询收入等。另外一些客户可能从父母、伴侣、朋友那里获得其他的财政支持，拥有较高的支付能力。

按照传统金融的做法，在家不工作照顾家庭的主妇可能还款能力较弱。无法给其提供贷款，但是其丈夫收入很高，家庭日常支出由其太太做主。这种情况，就需要消费数据来证明其还款能力了。

常用的消费记录由银行卡消费、电商购物、公共事业费记录、大宗商品消费等。还可以参考航空记录、手机话费、特殊会员消费等方式。例如头等舱乘坐次数，物业费高低、高尔夫球俱乐部消费，游艇俱乐部会员费用，奢侈品会员，豪车4S店消费记录等消费数据可以作为其信用评分重要参考。

互联网金融的主要客户是屌丝，其电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。

参考社会关系来评估信用情况

物以类聚，人与群分。一般情况下，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，

参考借款人常联系的朋友信用评分可以评价借款人的信用情况，一般会采用经常打电话的朋友作为样本，评估经常联系的几个人（不超过6六个人）的信用评分，去掉一个最高分，去掉一个最低分，取其中的平均值来判断借款人的信用。这种方式挑战很大，只是依靠手机号码来判断个人信用可信度不高。一般仅仅用于反欺诈识别，利用其经常通话的手机号在黑名单库里面进行匹配，如果命中，则此申请人的风险较高，需要进一步进行调查。

参考借款人社会属性和行为来评估信用

参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高，其中50岁左右的贷款人违 约率最高，30岁左右的人违约率最低。贷款用于家庭消费和教育的贷款人，其贷款违约率低；声明月收入超过3万的人比声明月收入低于1万5千的人贷款违约率 高；贷款次数多的人，其贷款违约率低于第一次贷款的人。

经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

午夜经常上网，很晚发微博，生活不规律，经常在各个城市跑的申请人，其带贷款违约率比其他人高30%。刻意隐瞒自己过去经历和联系方式，填写简单信 息的人，比信息填写丰富的人违约概率高20%。借款时间长的人比借款时间短短人，逾期和违约概率高20%左右。拥有汽车的贷款人比没有汽车的贷款人，贷款 违约率低10%左右。

利用司法信息评估风险

涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在 赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。另外中国有些特定的地区，当地的有一部分人群从事涉赌或涉赌行业，一旦申请人填写的居住地址或者 移动设备位置信息涉及这些区域，也要引起重视。涉赌和涉毒的人员工作一般也不太稳定或者没有固定工作收入，如果申请人经常换工作或者经常在某一个阶段没有 收入，这种情况需要引起重视。涉赌和涉毒的人活动规律比较特殊，经常半夜在外面活动，另外也经常住本地宾馆，这些信息都可以参考移动大数据进行识别。

总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。