1.批量授信系统设计思路
小微企业批量授信风险管理的IT解决方案，包括批量客户数据导入与分析系统、小微企业批量手心决策支持系统、限额管理与综合管理模块或系统、小微企业批量授信风险监控系统与预警系统、催收系统、不良资产管理系统等。
第一，开发批量客户数据导入与分析系统。该模块实现小微企业各类渠道信息数据的导入，包括从本行业系统或者数据平台导入信息，从企业ERP系统上进行数据的导入，以及从其他各类可能的来源进行信息导入和抓取，然后进行各类统计分析。在模块中设置各类数据校验和反欺诈的规则，对待处理数据进行清洗。
第二，开发小微企业批量授信决策支持系统。主要包括三方面的内容：一是评分卡模块。根据小微企业的细分情况，自动为其匹配各类评分卡，进行快速评分。评分卡主要按行业+核心第三方维度进行划分，按照金融机构规定的制度，实现对评分卡的灵活调用。二是小微企业批量授信额度计算引擎。根据小微企业的行业特征、与核心第三方的利益联结关系情况，进行额度的计算，供决策人参考。三是小微企业批量授信利率定价引擎。根据小微企业的业态特征以及评分情况，根据风险定价的原理，为小微企业批量授信进行快速的利率定价，供决策人参考。
第三，开发小微企业批量授信流程系统。就是在系统上执行小微企业批量授信流程，从受理、调査、风险评价与审査、授信审批、 出账、授信后管理，实现批俄授信流程的固化以及操作标准的固化。
第四，建立小微企业授信风险监测与风险预警系统。为了适应小微企业批量授信风险管理，金融机构应建立小微企业授信特有的 风险监测系统。根据小微企业授信流程，金融机构可以建立覆盖小微企业授信全流程的风险监测系统，形成一张覆盖中小微企业授信各个环节的风险监测天网。
1 | 监测小微企业开户环节，及时发现小微企业开户当中的异常情况； |
2 | 监测小微企业留存的各类信息，发现小微企业留存信息的不正常情况； |
3 | 监测小微企业贷款资金流向，揭示小微企业是否将贷款资金投入实体； |
4 | 监测小微企业日常经营现金流，揭示小微企业可能存在的非正常的现金流； |
5 | 监测小微企业贷款利息归还情况，揭示小微企业贷款利息来源； |
6 | 监测小微企业贷款资金归还情况，监测小微企业贷款资金归还来源。 |
同时，要实现与小微企业批量授信业务特征相一致的早期预警。根据小微企业的业态特征建立预警模块，通过IT系统实现以下预警：一是对于财务异常进行预警。二是突破预先设定的预警指标阈值进行预警。 三是运行预警模型，突破阈值进行预警。四是实现对预警信号及预警处置情况的动态管理。
第五，小微企业批量授信限额管理与组合管理模块。在IT系统中实现限额的制定、监测、调整、处置等，同时，利用风险量化技术，实现组合管理。
第六，处理好小微企业批量授信各个系统、模块的集成、调用与相互支持，处理好各系统与周边系统的关系。各系统在功能上是相互支持的，在流程系统运行过程中，要调用决策支持系统, 在风险预警过程中又要调用客户分析系统的内容。总体上，要做好各系统的集成与衔接，并实现灵活的调用。对于各系统与周边系统的关系，要根据前瞻性、参数化、可扩展的总体要求，做好衔接关系，比如，小微企业批量授信决策系统首先要与客户管理系统对接, 实现信息的对流。
第七，深入研究大数据情境下的金融机构小微企业批量授信业务IT系统架构。大数据处理技术迥异于传统数据库的处理技术，对IT架构提出了新的要求。目前受认同的数据处理平台架构是：对于ODS层（即业务处理层），仍沿用高性能关系型数据库模式；对于ADS层（即数据消费层采用分布式数据库模式。当前分布式数据库的主流处理技 术为MPP和Hadoop。由于数据基础不同、数据平台不同，基于大数据分析的管理应用系统需进行较大幅度的优化，重新构建应用系统功能模块，重新考虑对各类数据的调用及与各类数据平台的关系，充分考虑目前各行业特别是金融业/信贷行业在大数据及云计算领域的领先实践，重整IT架构。
2.设计逻辑架构
SCF模式下,业务操作控制首先要确保授信支持性资产的有效性和可实现性。
金融机构在设计风管系统的逻辑架构时应当确保如下事项：
（1）确保授信支持资产是否真实有效，借款企业是否拥有对该项资产完整的所有权。在出现信用风险时，确保机构对资产的所有权可受到法律保护，因此机构要事先检查相关法律文本是否符合法律规定，在签署法律文本时，务必保证文本的正确、有效、完整和规范。
（2）确保授信支持资产的价值能充分补偿其可能出现的最大授信损失。
（3）确保授信支持性资产受到有效监控，监控的实现主要依靠现金流管理和物流管理的相关技术手段。其中，现金流管理是指机构通过设定流程模式、产品运用、约束条款等安排，对授信资金循环及增值进行管控，确保授信资金投放后经过经过交易的增值实现回流并优先偿还借款。对物流的控制包括以第三方协议的方式保证货物在送抵授信企业后处于金融机构控制下。
下面以存货质押/存单质押为例说明系统设计的逻辑架构，如下图14所示：
图14
3.设计目标和避免情形
（1）设计目标
①对于批量授信方案中的风险控制措施要确实具有实际效果，避免在实际中因难以实施而流于形式，或因法律效力存在瑕疵而削弱风险控制效果。
②对于涉及第三方合作的批量授信方案，对于第三方的权责要通过协议进行有效约束，明确其义务以及违约给我司造成损失的赔付责任，确保方案目标在实施中有所保障。
③在单户授信审批、放款、贷后管理中严格落实批量授信条件，确保各项风险控制措施落实到位。
（2）避免情形
①批量授信方案风险防控措施被架空
第一，与第三方合作的批量授信方案对第三方约束不足。个别业务与小额贷款公司等第三方机构形成对授信客户的联合授信方案，未通过协议形成对第三方机构的有效约束。
第二，批量授信方案中的个别风控措施难以落实。如个别授信方案设定的每月与指定下游、供应商通过邮件电子对账的管理要求，由于下游核心厂商对于电子邮件回复难以配合而无法有效落实。
②批量项下单户审批及放款未落实批量方案审批要求
第一，单户授信未按批量授信方案要求提供企业实际控制人连带责任担保；
第二，单户经销商授信未按要求提供区域代理经销资质证明、授信额度超过上年采购总量的比例限制；
第三，授信后未按照合同约定操作流程要求供应商在货物发运后即向金融机构发出发货通知书、未按月收集发票以及持续监控经销商销售回笼款和订单的稳定性等。
1.功能组件
（1）风险计量工具
①指标体系
围绕“供应链所在行业、供应链整体评价、核心企业的经营情况和信用情况、小微企业自身情况、小微企业在供应链中的地位、小微企业业主的情况”等维度，汇整基于SCF的小微企业财务及非财务类的指标如下：
表20
需要说明的是，面向遴选出的专家，针对SCF小微企业批量授信“打分卡设计时考虑哪些自变量、哪些财务/非财务因素”设计开放式问卷，让专家们充分表达意见。这样方可尽量不遗漏指标。
②建模方法
图15-评分模型的开发
以“信用评估模型”的建立为例说明其中重点“步骤5 建立模型”的过程：
1 | 收集客户的大量的原始数据，仅变量就涉及几百上千（甚至成千上万）个 |
2 | 通过对数以千计的变量及其关联性进行整理，形成一定数量的转化数据 |
3 | 将转换数据的信息合并到元变量之中 |
4 | 将元变量的信息合并到模块之中，每个模块代表用户某一维度 |
5 | 利用一定的算法形成评分卡，确定每一个模块在评分卡之中的权重，最终形成关于客户的信用分 |
表21
图16-ZestFinance的信用评估模型
③模型设计策略
基于应用场景，在广泛的数据中提炼核心要素，形成量化模型，结合实践做出自适应判断，持续提高授信决策的有效性。
图17
④模型在全生命周期中的运用
图18
（2）风险管理工具
①SCF风险解构
图19
释义 | 示例（以“保理融资”场景为例） | |
供应链流程 | 指SCF运营的所有相关环节和步骤 | 是操作保理业务的所有活动，包括供需双方签约、供货、需方向资金方申请保理融资，对融资需求方的征信调查、转让应收账款，贴现融资等。 |
供应链主体 | 指执行流程中的某一环节或活动时可能涉及的经济主体 | 指在执行某一环节，如征信调查时会涉及买卖的供方、需方、第三方物流、信息平台服务商等。 |
供应链要素 | 分析在执行某一环节活动、涉及某一主体时，可能出现的管理行为和风控的前提和基础 | 是征信调查中平台服务商需要提供的信息，如买卖合约的真实性信息、物权的情况、融资需求方历史绩效以及其他各类信息。 |
表22
按照三维图的风险解构方式，承上表示例内容，如果平台商无法提供上述全面的信息（买卖合约的真实性信息、物权情况、融资方历史绩效等），甚或提供的信息不真实的时候，能否从其他渠道获得相应信息，或补充、证实平台上提供的信息。若这些都难以实现，则该环节（如征信调查时，对提出融资申请的卖方提供的购销合同的真实性的验证）就成为风控的关键节点。基于上述风险控制点，确立SCF运营的前期、中期和后期的管理体系。几个体系有别于“信贷三查”体系。
前期管理——指SCF业务运作前规范体系的建立和前提条件确立的状态，包括制度体系建设、管理运作的组织机构以及品种准入体系等。
中期管理——是在SCF运营过程中的管理体系，包括标准化现场操作的规范，核查流程与方式。
后期管理——指出现风险时实现高效稳定的应对和处理，将损失降至最小，包括风险预警机制的建立、危机事件应急预案以及替代或者互补的操作方式等。
②SCF绩效模型
图20-供应链金融绩效模型
三个坐标是SCF的三个重要评价指标这三者之间的优化直接影响到融资主体的财务价值以及SCF的质量和稳定。三个指标之间相互影响，相互作用，融资周期越长、融资量越大，融资费率就越高。同时，三个指标的运行状态又与供应链运营紧密相关，供应链越是稳定、持续，参与各方关系良好，往往融资费率就越低，从而融资周期缩短，频率加快，单笔融资量变小而总量变大。
③SCF风险分析
三种风险：外生、内生和主体风险。分析流程如下图21：
图21-供应链金融外生风险流程
外生风险虽然不是供应链运营管理者所能完全决定和管理的，但是在SCF业务的实操过程中，SCF的综合管理者要实时关注这些因素的变化，以及这些变化可能对SCF运行产生的正面或负面影响，进而根据这些因素调整或者决策SCF业务绩效的三个维度（融资量、费率、周期）。如果外生风险越大，融资的周期和总量就会越小，费率相应的就会偏大。在进行供应链外生风险的判断前，首先要对供应链业务所处的领域进行识别，明确融资对象所在的行业，基于行业领域进行各种外生风险要素分析，形成供应链外生风险程度分析报告，并考虑供应链融资三维决策（见图21）。
图22-供应链金融内生风险分析流程
供应链内生风险主要是供应链内在的结构、流程或者要素出现问题而导致的潜在金融风险，这是供应链组建和运行不当而产生的风险。内生风险的产生主要有三个原因：一是由于供应链中企业的供需界限变得模糊；二是供应链中复杂的力量有时会导致“混乱效应”；三是供应链的结构和系统的惯性难以应对环境和市场的变化。从流程上讲，首先需要对产业链进行分析；其次，要在产业链分析的基础上进行价值链分析。在此基础上，进一步深入分析为了实现价值过程而转变为组织化的供应链网络状况。要了解供应链体系和状态，需从供应链的客体体系和主体体系两个方面进行研究，客体体系是供应链客观构建和运行的体系，具体包括网络结构、业务流程和管理成分三个方面。主体体系是供应链参与者之间关系的紧密程度和发展程度，是组织和企业通过相互之间的信任、依存和承诺实现关系绩效的过程。上述两个方面供应链分析，直接对融资总量、周期和费率产生作用。详见图22。
图23-供应链金融主题风险分析流程
SCF中的主体分析，既包括供应链运营中的客户企业，也包括SCF的组织者，对这些主体的分析，既要看其自身的运营情况和资源、经营实力，是否具备履行供应链合作义务的能力，更重要的是要对供应链背景下客户企业或者合作者真实的业务运作状况进行分析，了解企业的盈利能力与营运效率的优劣，掌握企业的资产结构组成和各项资产的流动性强弱，并针对流动性弱的资产进行融通可行性分析。此外，还要了解企业经营者或合作对象的素质和信用，是否符合SCF长期合作的要求。详见图23。
④风险与绩效的决策
图24-供应链金融中的风险与绩效决策
外生、内生、主体三大类风险对SCF绩效的三大维度产生影响，并且这些因素往往是结合在一起共同决定风险的程度和大小，而这种状况会直接影响管控SCF风险的方法。
⑤决策最优化
是指从一系列的决策可能中，选择某一种决策或者决策组合，来达到决策目标的最大化或者最小化，而且可能是在一定的限制条件下的最优化。决策最优化又分为局部最优化和整体最优化。局部最优化是指对单一个体做出最佳的决策，限制条件只适用于每一个个体，当前做出的最佳决策不考虑过去和未来的决策；整体最优化是指对个体集合的整体做出最佳的决策，限制条件不仅适用于个体，也适用于整体，对某一个体做出的决策可以影响到另外的个体。决策最优化一般包括六个组分：目标函数、决策、信息集合、模型、最优化算法和限制条件。决策最优化的特点是把各种信息、预测模型、决策模型、决策后果等综合到统一的决策框架里系统地考量，在充分、客观地对比各种决策后果的交换关系的基础上选择最优的决策。
大数据风控是量化风控的一种新形式。大数据风控是指以全域多维的数据为基础、利用机器学习、知识图谱等大数据技术手段进行风险量化和管控。大数据风控是量化风控的一种新形式。大数据风控是传统风控的重要补充。区别于传统风控技术，大数据风控是在方法论上做了相应的革新。大数据风控将贷款主体各个方面的属性维度做全面风险的量化。它的主流技术渗透到量化风险的整个流程中去，包括贷前、贷中、贷后以及营销获客等全生命周期的管理。机器学习作为大数据风控的显著特征出现，充当着重要的技术更新角色。通过它去解决传统方法无法解决的问题，它是大数据价值变现的重要工具。
图25
