1、纺织产业供应链金融纺织产业供应链金融大数据风控体系大数据风控体系|于溦（Eric Y）风控模型负责人01纺织产业供应链纺织产业供应链02大数据风控模型体系大数据风控模型体系03风控模型应用案例风控模型应用案例04机遇与挑战机遇与挑战目录目录 CONTENT|纺织产业供应链01|纺织供应链金融面临的风险与挑战纺织供应链金融面临的风险与挑战04010203政策风险政策风险 重大事件：重大事件：疫情防控、恶劣天气、限电政策等 国际形势：国际形势：中美贸易关税、国际棉花减仓等行业风险行业风险新行业规法、政策：新行业规法、政策：税务政策、环保政策、区域发展政策调整原材料价格趋势：原材料价格趋势：国内期货

2、、海外期货行业周期性风险：行业周期性风险：节假日、淡旺季终端销售不景气：终端销售不景气：经营风险经营风险进销存：进销存：原材料质量、物流及时、销售价格、产品质量、库存过大、周转率过低等生产：生产：停产、起火、成品率低、设备老化、效率低、生产事故财务：民间借贷、多头借贷、其他逾期、司法判决道德风险道德风险企业主：企业主：行业口碑、不良习惯（赌博等）客户经理：客户经理：串通骗贷企业企业大数据风控模型体系02|供应链纺织行业“供应链纺织行业“1+D风控框架”风控框架”“1+D”是纺织供应链风控基本框架。在纺织产业链条中大致可以分为棉、纱、布、衣等业务场景；1是纺织场景的信用主体有企业和自然人；D是信

3、用主体的增信数据，包括企业的内部数据和外部数据；+是供应链信用模式和信用抓手，+和D是纺织供应链金融业务拓展、创新重点，即依托交易、货物、物联网、数据为风控提供强有力的抓手。1、+、D各要素强弱搭配可以组合成风控组合，形成信用评分，可依次配置运营流程，指导基础产品体系建设。场景场景1+D交 易货 物采购数据信用主体信用增信信用鉴证无企业自然人纱线坯布印染一批商服装厂品牌商供应商贸易商工商数据订单数据司法数据仓储数据流水数据IOT数据三方数据IOT设备|汇集内外部数据，构建风控的融数据底座汇集内外部数据，构建风控的融数据底座金融服务风险防控客户洞察精准营销AI客服千人千面场景客户信息交易流水尽职

4、调查环保数据数数据据源源客户主题特征经营主题特征行为主题特征模模型型特特征征库库IOT主题特征坯布厂画像一批商画像服装厂画像法人画像360画像画像标签标签支付指标评级指标资负指标逾期指标工商指标信用指标金融指标体系金融指标体系实体库事件库行业图谱关系库家族图谱企业图谱知识图谱知识图谱模型中心模型中心A申请模型B行为模型C催收模型风险传导金条信用分押品估值模型产能预测多头借贷隐私计算隐私计算联合推理联合查询匿踪查询代理计算联邦学习联邦学习横向联邦纵向联邦联邦迁移联邦图谱基基础础层层应应用用层层数数据据产产品品行业指标大宗数据1采购数据物流信息监控视频订单数据仓储信息RFID经营数据APP日志工商

5、数据ERP、SCM金融数据舆情信息司法诉讼共债数据+交易货物IOTD内部数据外部数据决策仪表盘金融指标监控客户生命周期分析客户运营管理金融管理驾驶舱金融管理驾驶舱贴源数据层 ODS 汇聚数据、夯实数据基础基础汇总层 DWD 建设主题数据模型公共汇总层 DWS 沉淀多维共性汇总数据数据加密层MID 敏感数据脱敏、加密金融数仓贷中预警贷后预警货值水位预警舆情预警智能预警智能预警AI中心中心人脸识别流水识别货物分类反欺诈模型客服问答舆情预警意图识别文本分类客户分层MGM数据治理数据架构数据模型设计统一ID数据标准化元数据管理主数据管理标准数据接口权限管理外部数据合作管理|组装式风控模型和规则体系满足

6、多场景风控需求组装式风控模型和规则体系满足多场景风控需求客户客户级反级反欺诈欺诈模型模型交易交易级反级反欺诈欺诈模型模型行为行为级反级反欺诈欺诈模型模型反欺诈反欺诈模型库规则库1+D交易交易货物货物内部内部外部外部交易真实校验规则1主体信用主体信用供应能力判断规则货值评估模型货物管控规则物流监控规则生产监控规则经营能力规则工商模型司法模型三方数据模型1主体信用主体信用商流管理估值与管控联合联合客户画像客户分层主体定级规则交付能力模型销售能力模型货物监控模型产能预测模型经营能力分析风险传导征信规则集司法规则集规则集横向联邦学习纵向联邦学习联邦图谱联合预测共债规则洗钱规则A卡模型B卡模型C卡模型|

7、风控模型常用的两类模型为有监督模型、无监督模型风控模型常用的两类模型为有监督模型、无监督模型机器学习机器学习 逻辑回归（评分卡）决策树 集成学习（XGBoost)深度学习深度学习(时间序列时间序列)Lstm Deep AR Transformers 有监督学习无监督学习异常值算法异常值算法isolation forest OneClassSVM 聚类算法聚类算法 k-means DBSCAN|依据金融服务产品建设配置化的信贷管理全流程依据金融服务产品建设配置化的信贷管理全流程依据金融服务产品模型体系建设相应的审批管理流程。结合IPC传统信贷模式、自动化模式、资产押品管理体系实现灵活组装式的配置

8、化风控系统。系统集成数据源规则引擎预审模型评级模型额度模型准入模型受托支付交易反欺诈风险监测风险预警/管控服务调度内部数据源外部数据源实时业务数据统一额度管理系押品系统资金方系统物流系统返回数据调用数据申请服务流程引擎客户进件(同步信息)放款风险监测风险预警/管控工作台进件核查预审准入评级额度测算准入审查授信审批系统调用返回数据按场景天鉴（配置化风控系统）天鉴（配置化风控系统）业务系统客户进件进件电核与确认授信确认签约准备客户维护电子合同放款受托支付维护额度审批核定APP、CRM等BPS、MES等风控模型应用案例03|项目背景项目背景IOT5G云服务器ERP服务器生产服务器移动客户端坯布厂梭织

9、机设备组IOTIOT坯布厂实景梭织IOT设备 梭织厂物联网设备，通过在梭织机生产单元设备上设置的各类型传感器，每天采集海量生产数据、设备数据、环境数据等通过5G模组上传至边缘云平台或者云服务器。通过数据的分析和仿真建模，实现坯布厂的产能预测，并将实际生产结果与仿真生产单元的预期结果进行比对，根据比对差异对物理生产单元进行优化，实现授信定额、贷中管理、生产要素、生产活动的实时精准管控，确保生产稳定高效运行。管理客户端产能预测授信定额贷中管理生产要素配置生产活动监控数据沉淀数据分析仿真建模物联网物联网IOT数据价值闭环数据价值闭环76%96%42%|业务理解业务理解 针对坯布厂的业务场景，需要匹配

10、合适的信用额度，以避免额度过高造成的信用风险或者额度太低无法满足客户使用的需要。经过业务调研，梭织坯布厂生产较为较为单一，主要是采购纱线进行坯布的加工，其主要的资金需求是采购纱线用于坯布的生产，因此可以根据坯布的产能合理估算出原材料的采购量，确定资金需求。产能预测模型产能预测模型资金需求资金需求该模型选取“梭织”坯布厂的内外部近一年的数据维度，时间颗粒度为天，数据颗粒度为每台织布机。产能预测属于时间序列、回归问题；根据历史的IOT开工率、运行效率等数据训练模型，可使用时间序列相关的算法。预测未来一个月梭织厂各机台的运行效率，通过运行效率可计算出工厂的开工率。根据各机台的效率、生产布匹的品类，计

11、算出需要的原材料数量。根据推算出的原材料需求数据量和原材料价格的市价，计算出坯布厂对原材料采购的资金需求。设备iot运行数据工厂、机台、员工等经营数据产业链、自然环境、政策等外部数据设备效率工厂开工率原材料采购需求|模型算法的选择模型算法的选择 产能预测模型是预测机台的效率是一个具体的数值，这类问题统称为回归，并且与时间序列相关性很高；回归模型的算法有很多，线性模型、树模型、集成学习、深度学习都是常用回归问题的算法集成学习（集成学习（Ensemble Learning)随机森林(Random Forest)eXtreme Gradient Boosting深度学习（深度学习（Deep Lear

12、ning）Lstm：Long Short-Term Memory|产能预测模型在风控上的应用产能预测模型在风控上的应用产能预测模型产能预测模型授信定额：可以根据机台效率推算出未来一个月的原材料采购需求，确定订单授信金额。效率产量：产量=机台效率*24H*车速/纬密/100产量原材料：原料耗量=坯布单台产量*坯布经纬克重*1.1（如果使用工艺单上的经纬克重，则不需要*1.1）原材料资金需求：资金需求=原材料耗量*原材料市场价授信定额授信定额贷中监控：可以根据预测的机台效率与实际的机台效率差异判断工厂的经营异常。贷中监控贷中监控序号场景策略建议1贷中监控效率差异2开工率差异3融资差异产能匹配：根据

13、预测效率计算出工厂产能与工厂理论产能的之间的差异，可以根据空余的产能进行订单的匹配。产能匹配产能匹配00.20.40.60.811.21357911 13 15 17 19 21 23 25 27 29产能差异最高产能预测产能机遇与挑战04|产业金融的机遇与挑战产业金融的机遇与挑战产业数据化程度产业数据化程度有待提高有待提高产业金融风控需要产业金融风控需要更多先验经验更多先验经验需要更多人才投身产业需要更多人才投身产业国家政策鼓励国家政策鼓励工业互联网加速工业互联网加速工业变革进程工业变革进程产业金融的新模式产业金融的新模式非常感谢您的观看非常感谢您的观看|科技纺织美好未来科技纺织美好未来欢迎有志青年加入产业互联欢迎有志青年加入产业互联