模型介紹
物流供應鏈中主體如物流公司總包方一般會在交通發達城市，所以模型主要用戶是城市商業銀行。針對第三方物流公司發放貸款，模型可篩選申請貸款企業進行風險準入，量化評估企業的信用評分并根據評分計算出信貸額度。
企業基本信息：如實際運行所在地，分支機構數量，注冊資本，工商注冊年限，公司人數等。
企業經營能力：如運營車輛數，自有車輛占比，近一年訂單數及金額，近一年訂單離散度等。
企業的成長性信息：如車輛年華增長率，訂單數及金額年華增長率，新客戶增長率等。
供應鏈穩定性：如近一年上游的企業數量，近一年上游戶均訂單數及訂單額，平局回單周期等。
企業信用歷史：納稅信用等級，工商處罰記錄，涉訴金額等。
企業法人的信用歷史：是否存在違約記錄，是否存在擔保等。
企業司法體系：如涉訴信息金額是否達到注冊資本的10%，企業的涉案數量，金額，原因等。
企業黑名單：企業是否命中網貸黑名單，企業是否命中嚴重違法失信企業名單。
個人黑名單：個人是否命中網貸黑名單，是否命中失信公告等。
個人司法體系：身份證是否命中法院失信被執行人名單，身份證命中犯罪通緝名單等。
個人信用記錄：個人近兩年申請同類平臺數量，近半年信用卡逾期次數等。
?
模型首先對客戶進行風險準入篩選，過濾掉風險極高的客戶，有效減少債務違約風險，然后使用第三方物流公司內部和外部上百維數據，原始數據經過一系列數據清洗、WOE編碼，IV值篩選特征等特征工程處理，以邏輯回歸算法建立評分卡模型，輸出該客戶信用評分，評分越高客戶信譽度越好。然后，評分授信模型根據評分及客戶的訂單總額等信息給出最終的授信額度。
?
風險準入模型和信用評分授信模型一起用于個第三方物流公司貸前風控環節，幫助銀行過濾掉風險極高的客戶，將風險敞口控制在合理范圍內，經驗證模型取得了較好效果，且根據后續行方數據對模型進行了更新升級以適應外部變化。
?
模型的難點在于設計除企業司法體系，行業體系，及企業法人是否命中各種黑名單外，還設計了通過大數據度量企業的“小微”信用。比如最早開發票月份至今時間來判斷企業的實際運營時間，較長運營時間代表了更高的企業信譽；再如最晚發票距今時間是否大于某個值，從中判斷企業此次貸款是否有真實的業務需求等等。由于物流供應鏈是一個涉及大小企業不一、很多個體承包小企業和很多信息不足的卡車司機等組成的體系，很難通過某些固有指標來評價其風險。此外，沒有統一完善的系統來記錄下物流各個環節的票據，很難查看出企業真實運營情況。天云根據第三方物流信息綜合服務平臺所記錄的大數據研究物流供應鏈金融的各個環節，找到影響不同類型實體守信的制約條件，并且通過企業在近兩年平時的表現來考察其真實的經營狀態。
?