紡織供應鏈中的金融大資料風控體系

　　導讀：我國紡織業有著幾千年的歷史，是國民經濟不可或缺的重要組成部分，中國作為世界紡織大國隨著產業互聯的發展，其背後的紡織行業供應鏈金融如何賦能產業是非常值得大家探討的話題。一方面紡織產業有著很長的供應鏈條，並且鏈條上各種生產要素錯綜複雜；另一方面金融如何服務好產業鏈上的客戶，並做好風險管控是一項富有挑戰性又很有價值的事情。

　　 01 紡織產業供應鏈簡介

　　首先介紹一下紡織產業供應鏈，讓大家有一個全面的瞭解。衣服大家都非常熟悉，但是在一件衣服背後是一個非常龐大的紡織產業，這個產業的鏈條非常長，從上游具有大宗屬性的棉花、紗線、化纖到中游的坯布、印染再到下游的成品布、服裝、銷售，在整個鏈條上的各類生產要素眾多，並且整個產業鏈受到國內外等多種因素的影響，具有非常高的複雜性。　　

　　

　　在如此複雜的紡織產業鏈上如何讓金融產品服務好客戶，並做好風險防控具有非常大的挑戰，需要關注以下四個方面風險：政策風險、行業風險、經營性風險和道德性風險。

　　政策風險：一些重要的事件比如限電政策對行業影響比較大，去年華東地區的限電政策造成華東地區的的織廠、服裝廠的減產；此外國際形勢對紡織產業鏈影響也很大的，譬如廣東的佛山、東莞主要以成品布、成衣的出口為主，由於受中美貿易關稅、棉花減產等重大國際事件的影響，造成企業經營週轉出現問題；

　　行業風險：產業鏈中不同型別的企業受到行業不同政策的影響，譬如印染行業屬於高汙染，受環保政策影響很大，因此需要重點關注環保政策；紗線、化纖等原材料則受國內外期貨影響很大；而終端服裝行業則屬於季節週期性行業；

　　經營風險：針對企業型別的授信主體，企業的經營受到上游原材價格和下游需求的影響很大，此外企業在生產中裝置老化、事故等，都會造成企業經營風險；

　　道德風險：譬如企業主的行業口碑、不良嗜好或者客戶經理的串通騙貸等行為屬於要考慮的道德風險；

　　這四類風險是供應鏈金融在服務不同客戶時所面臨的挑戰。為了應對上述挑戰，根據行業的實踐總結出一套紡織行業大資料風控體系。

　　 02 大資料風控模型體系

　　1. 風控體系

　　根據對供應鏈風控邏輯的梳理和行業的不斷實踐，總結了一套紡織行業的“1+D”大資料風控體系。　　

　　紡織行業分為棉、紗、布、衣等多種場景，並且不同場景下企業的經營模式大致分類供應商和貿易商，供應商一般具有實體工廠，採購原材料進行加工生產，貿易商主要以商品貿易為主。根據企業的經營模式不同，風險防控的邏輯也不相同。

　　“1”為授信主體：授信主體分為企業和個人。需要綜合衡量企業和企業主的相關資信情況，譬如是否有擔保、是否具有相關資質，、信用等級或信用評級等；

　　“D”為內外部資料：這部分未資料賦能，其中包括企業的內部資料如採購資料、銷售資料、倉儲資料、以及基於 IOT 裝置的物聯網資料；外部資料如企業工商資料、司法資料、資金流水等，透過這些資料從多維度評估“1”的信用情況；

　　“+”為風控抓手：供應鏈金融是基於交易提供的金融服務，因此確定交易的真實性非常重要，其中涉及四流合一、貨物的管控、IOT裝置的監控。透過資訊流、資金流、商流、物流等資訊為抓手來確認交易的真實性；透過對倉儲貨物的管控、IOT 裝置執行資料對企業的貨物和開工情況進行評估，以此作為風控的抓手進行風險防控；

　　以上就是是針對紡織行業供應鏈的“1+D風控體系”，為了更好的執行這個框架，在落地中共分為四個模組：資料、模型庫、策略圖譜和系統。在這四個模組中，資料是尤為重要是後續工作的基礎；在資料的基礎上透過不同的演算法構建模型庫和規則庫；基於模組化模型庫和規則庫根據不同的場景和產品去構建准入、定額、定級、支用的風險策略，形成策略圖譜；最後需要一套系統化、流程化、智慧化的系統來承載，提高工作效率。下面就對各個模組做具體介紹。

　　2. 資料底座　　

　　大資料的風控體系裡最核心的是資料，整個資料底座共分為四個層：

　　資料來源：根據“1+D的風控體系”需求針對多場景、多產品的需求匯聚企業內外部的資料，不斷豐富資料的種類和維度，滿足風險防控的需要。

　　基礎層：在基礎主要是對原始的資料做加工彙總，形成基礎的資料服務。基於資料來源的資料構建金融數倉，並對資料進行治理，保證資料的可用性、豐富性、一致性；在金融數倉的基礎上提供如 360 畫像標籤、指標體系、特徵庫、知識圖譜等資料服務。

　　資料產品層：在資料基礎服務之上，根據業務的需要建設包括管理駕駛倉、智慧預警、模型中心（評分卡模型、催收模型、風險傳導、多頭借貸、產能預測）、AI 中心等資料產品，提供資料應用的價值。此外我們也在探索隱私計算、聯邦學習在金融風控場景的應用，並取得了一定的成果。

　　應用層：是具體的業務場景包括金融服務、風險防控、客戶洞察等。

　　3. 模型庫和規則庫　　

　　第二部分是風控模型庫和規則庫。

　　由於產業鏈上場景不同，客戶的經營模式和能獲得的資料各不同，我們一直在思考風控模型如何能夠快速適用在新的場景中，透過對場景的歸類整理，從而對模型、風控規則進行了元件化處理，這樣在新的場景下，應用不同模型、規則元件進行組裝，可以實現快速適配。模型庫、規則庫也是按“1+D風控體系“進行建設：

　　“1”主體信用：包括主體信用 A、B、C 卡模型和基於客戶畫像、客戶分層、主體定級的規則；

　　“+”交易抓手：一方面基於真實交易構建交付能力、銷售能力等模型；另一方面透過物流等資訊實現貨物估值和貨物監控規則；

　　“D”內外資料：基於底座的資料構建不同資料來源的原子模型，如產能預測、風險傳導、工商模型等；

　　透過這樣一套模型庫和規則庫就可以支援後續的風控策略圖譜建設。　　

　　在構建模型庫的過程會涉及到相關的演算法，包括有監督學習和無監督學習，具體應用的演算法可以參考 PPT 材料。

　　4. 風控系統　　

　　基於風控的需要，我們研發了一套可配置的風控系統來承載資料、模型和策略。系統的兩個核心功能是流程引擎和規則引擎。

　　流程引擎：在不同場景中的授信主體種類較多，每個場景的准入流程各不相同，因此需要一個可配置化的流程引擎來應對紡織業的複雜場景。

　　規則引擎：系統的另一個核心是規則引擎， 該引擎可實現規則的部署、灰度測試、回測等功能保障營銷、准入、貸中、貸後風控規則的快速部署和決策。

　　 03 應用案例

　　下面透過一個行業案例介紹下紡織行業風控的實踐。　　

　　在整個產業鏈裡織廠是處在產業鏈的中游，在我國有幾萬家坯布的生產廠商，這些工廠年產值在幾千萬不等，上圖是一家織廠的實景圖，我們透過在織機上安裝 IOT 裝置，採集機器的轉速、圈數、開功率等引數傳回雲伺服器，根據這些資料進行生產模擬建模，並透過模型的結果來指導企業的經營生產和進行風險防控形成資料價值的閉環。　　

　　在紡織產業布的場景中，紡織廠的授信的主體是生產製造型企業，其授信服務是基於工廠原材料採購的真實交易，為客戶提金融服務之前，首先是要為客戶確定相應的授信策略，而授信的額度是其中關鍵的一步，授信額度如果過高，可能造成企業過度採購或虛假採購等風險的發生，額度過低則不能滿足企業正常經營的需要，因此授信額度是授信生命週期中風險控制的關鍵。經過對織廠的調研，一家織廠原材料採購佔總支出的大約 60-70%，其它支出用於水、電、員工工資等。因此對原材料支出的預測對合理確定授信額度非常有幫助。

　　傳統授信定額：通常是根據企業過往一年的交易流水計算資金需求，而在中小微企業中，財務管理通常很不規範，賬目不夠清晰，所以透過這種方式確定額度不夠準確，經常造成授信額度不夠或太多被挪作他用；

　　動態授信定額：為了更精準合理確定授信定額，我們使用工廠裝置的 IOT 資料，透過演算法預測企業未來一段時間內的機器開工效率和工廠的開工率，繼而推算出原材料的採購需求量。結合原材料價格得到企業未來一個段時間原材料採購資金需求，達到動態調整企業的授信額度；

　　在產能預測模型中，主要使用三方面的資料：

　　（1）IOT 裝置相關資料：如裝置開機時長、裝置執行效率、工廠開工率、工廠機臺平均無故障執行時間 MTBF 等資料；

　　（2）企業經營相關資料：如工廠、機臺、員工的基本屬性，工廠的排班資訊，工廠進銷存等資料；

　　（3）產業鏈、自然環境等資料：如原材料價格、大宗商品的期貨和現貨價格，產業集中度、區域工廠開工率等資料。此外還有天氣和溫度資料，這個在紡織行業裡非常重要，比如天氣寒冷，對冬裝的需求就會較大，因此冬裝布料的需求就會增加，織廠的開工率就會提高。　　

　　在進行產能預測模型的研發中，我們借鑑了產業界比較成熟的實踐，採用了整合學習演算法和深度學習演算法。預測織機未來一個月每天的效率值是一個迴歸問題，採用了時間序列模型並進行多步預測。

　　根據工廠裝置前 30 天的開工效率情況，預測企業未來 30 天的的裝置開工效率情況。為了實現預測機臺未來 30 天每天的機臺效率，模型架構採用多步預測，即訓練時使用機臺觀察點前 m-1 月的每天的變數特徵 x1_m-1，……，xn_m-1 和的觀察點當天的機臺的執行效率值 Y 進行模型的訓練；在模型預測時，採用 t 天的資料去預測第 t+30 天的機臺效率，預測 30 步，即預測未來 30 天的機臺效率。　　

　　產能預測模型主要有以下三個應用場景：

　　授信定額：透過模型預測出每個機臺未來 30 天每天的開機效率，根據“產量=機臺效率*24H*車速/緯密/100”計算出每天機器布匹的產量，在根據“原料耗量=坯布單臺產量*坯布經緯克重*1.1”計算出對原材料的需求量，在根據原材料價格，計算出工廠對原材料的需求金額，根據這個需求金額和授信可用額度取最小值，對客戶的額度支用進行動態的管理。

　　貸中監控：透過預測的機臺效率和實際機臺效率的差異判斷工廠的經營是否異常，從而設定貸款的預警規則，提示工廠的經營風險。

　　產能匹配：根據預測效率計算出工廠產能與工廠最高產能之間的差異，可以計算出工廠未來一段時間空餘的產能，從而進行需求的訂單匹配，提高工廠的產能效率。

　　 04 機遇和挑戰　　

　　在產業互聯的大潮中產業金融也面臨著機遇和挑戰。

　　1. 產業金融的機遇

　　國家政策鼓勵：國家最近有密集出臺相關政策，其中包括產業網際網路發展指導政策以及金融賦能實體經濟的扶持政策，因此在國家的鼓勵扶持下，整個產業網際網路發展態勢會更好；

　　工業網際網路加速工業變革：現在企業數字化的程式在加速，IOT 裝置被大量的應用到產業中，這樣會留存大量的工業資料，透過對這些資料的挖掘可以提供高供應鏈的效率，從而加速整個產業的向上升級；

　　產業金融新模式：傳統企業授信是基於財務報表相關資料，而對於小微企業的財務制度不夠完善的現狀，透過 IOT 物聯網資料和產業網際網路平臺的交易資料去評估一個企業的信用，可以更好的瞭解企業真實的生產情況和經營情況，這個就可以加大金融支援小微企業的力度，透過資料賦能創新產業金融的新模式。

　　2. 產業金融的挑戰

　　產業資料化程度還有待提升：現在紡織行業的數字化程度還不高，很多小微的紡織廠還在使用傳統的手工或者 Excel 記賬，因此產業數字化還有很大提升空間;

　　需要更多先驗經驗：由於其 B 端小微的性質，在資料量和可用的建模樣本上不如 C 端那麼豐富，因此在建模過程中還需要更多先驗經驗輔助模型的構建；

　　需要更多人才投入：在國家政策鼓勵的東風下，也需要更多的相關人才投身到產業中，提升紡織行業相關能力，助力中國從紡織大國成為紡織強國。