TW201503029A - 計算企業拖欠帳款機率之技術 - Google Patents

計算企業拖欠帳款機率之技術 Download PDF

Info

Publication number
TW201503029A
TW201503029A TW103115831A TW103115831A TW201503029A TW 201503029 A TW201503029 A TW 201503029A TW 103115831 A TW103115831 A TW 103115831A TW 103115831 A TW103115831 A TW 103115831A TW 201503029 A TW201503029 A TW 201503029A
Authority
TW
Taiwan
Prior art keywords
obtaining
suppliers
bad
processor
unique identifier
Prior art date
Application number
TW103115831A
Other languages
English (en)
Inventor
Alla Kramskaia
Paul Douglas Ballew
Nipa Basu
Michael Eric Danitz
Brian Scott Crigler
Karolina Anna Kierzkowski
John Mark Nicodemo
Xin Yuan
Don L Folk
Original Assignee
Dun & Bradstreet Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dun & Bradstreet Corp filed Critical Dun & Bradstreet Corp
Publication of TW201503029A publication Critical patent/TW201503029A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本案提供一種包括採用執行以下各操作之電腦的方法，(a)藉助電子通訊自資料來源接收企業之描述符，(b)將該描述符與資料庫中之資料匹配，因此得到匹配，其中該資料包括該企業之唯一識別符，(c)將包括該唯一識別符之信號保存至日誌，(d)對該日誌中包括該唯一識別符之一定量信號進行計數，因此得到針對該唯一識別符之數個該等信號，以及(e)基於該等數個信號計算該企業之信用分數。亦提供一種執行上述方法之系統，以及一種控制處理器以執行上述方法之儲存裝置。

Description

計算企業拖欠帳款機率之技術 相關申請案之交互參照
本申請案主張2013年5月2日申請之美國臨時專利申請案第61/818,784號之優先權，該案之內容以引用方式併入本文。
發明領域
本揭示案係關於預測計分之領域，且更特定而言，係關於信用計分。
發明背景
本部分中所描述之方法是可尋求之方法，而未必是先前已設想或尋求之方法。因此，本部分中所描述之方法可能不是相對於本申請案之申請專利範圍的先前技術，且並非藉由包括在本部分中即視為先前技術。
信用分數向企業指派延遲支付的機率，亦即，拖欠帳款機率。存在兩種信用分數，亦即，判斷式以及統計式。判斷式分數由信用經理基於信用經理之判斷以及經驗而生成。統計式分數是企業信用檔案之統計分析結果，用來表示該企業之商譽。
統計時，迴歸分析是用於估計諸變數之間之關係的統計流程。迴歸分析包括當關注依賴變數與一或多個獨立變數之間之關係時，用於建模及分析若干變數之技術。迴歸分析有助於吾人理解當獨立變數中任一者改變，但其他獨立變數保持不變時，依賴變數之典型值如何變化。
迴歸分析之準確性部分地依賴於所使用之模型形成，以及獨立變數之選擇。因此，良好形成之模型以及獨立變數之適當選擇可導致更準確之結果。
將要針對信用計分而分析之資料通常儲存於資料庫中。歸因於當今所產生、儲存以及處理之增大量之資料，建構了運算資料庫，並進行分類及格式化，以便提高運算效率(例如，產出量、處理速度及儲存容量)。此等運算資料庫中找到之原始資料通常作為數字之行及列以及對企業分析者及決定決策者而言令人困惑及難以理解的代碼而存在。此外，儲存於現代資料庫中之原始資料的範圍及廣闊導致較難定位有用資訊。
因此，需要一種分析來自一或多個資料庫之資料，以開發模型並識別及選擇獨立變數以供迴歸分析的技術。
發明概要
本揭示案之一目標為提供一種分析來自一或多個資料庫之資料，以開發模型並識別及選擇獨立變數以供迴歸分析的技術。
本揭示案之另一目標為提供一種利用模型來評估有關標的企業之資料，以便產生標的企業之信用分數的技術。
為完成上述目標，提供一種包括採用執行以下各操作之電腦的方法，(a)藉助電子通訊自資料來源接收企業之描述符，(b)將該描述符與資料庫中之資料匹配，因此得到匹配，其中該資料包括該企業之唯一識別符，(c)將包括該唯一識別符之信號保存至日誌，(d)對該日誌中包括該唯一識別符之一定量信號進行計數，因此得到針對該唯一識別符之數個該等信號，以及(e)基於該等數個信號計算該企業之信用分數。亦提供一種執行上述方法之系統，以及一種控制處理器以執行上述方法之儲存裝置。
100‧‧‧系統
105‧‧‧電腦
110‧‧‧使用者介面
115‧‧‧處理器
120‧‧‧記憶體
125‧‧‧處理模組
130‧‧‧帳戶應收帳款資料
135‧‧‧詳細交易資料
140‧‧‧企業參考資料
145、145-1、145-2、145-N‧‧‧資料來源
150‧‧‧網路
160‧‧‧活動性信號資料/ASD
165‧‧‧分數
199‧‧‧儲存裝置
205‧‧‧活動性信號資料(ASD)產生器/ASD產生器
210‧‧‧帳戶應收帳款(A/R)處理/A/R處理
215‧‧‧模型產生器
220‧‧‧計分流程
301‧‧‧描述符
305‧‧‧匹配流程
306‧‧‧信號
310‧‧‧登入流程
312‧‧‧週期
313‧‧‧臨限
315‧‧‧聚合器
320‧‧‧元資料
330‧‧‧唯一識別符
335‧‧‧信號數目
336‧‧‧可信度碼(CC)匹配/CC匹配
340‧‧‧記錄
341‧‧‧唯一識別符
342‧‧‧企業資訊
343‧‧‧財務報表
344‧‧‧傳統交易資料
405~420、505~515、610~620‧‧‧步驟
418‧‧‧期中計算
425‧‧‧良好權重
430‧‧‧不良權重
450、550、560、700‧‧‧表
510‧‧‧模型開發資料集合
520‧‧‧模型
圖1為用於本文所揭示之技術之系統的方塊圖。
圖2為圖1系統之處理模組的方塊圖。
圖3為活動性信號產生器的方塊圖，該產生器為圖2之處理模組的組件。
圖4為帳戶應收帳款處理模組的方塊圖，該產生器為圖2之處理模組的組件。
圖4A為列出圖4之帳戶應收帳款處理模組所執行之示範性期中計算之表的說明。
圖5為模型產生器的方塊圖，該產生器為圖2之處理模組的組件。
圖5A為展示圖5之模型產生器所生成之第一示 範性模型開發資料集合之表的說明。
圖5B為展示圖5之模型產生器所生成之第二示範性模型開發資料集合之表的說明。
圖6為計分流程的方塊圖，該計分流程為圖2之處理模組的組件。
圖7為展示根據圖6之計分流程計分之單個企業之計分卡的實例的表。
一個以上圖式共用之組件或特徵在各圖中係藉由相同元件符號表示。
較佳實施例之詳細說明
本揭示案提供用於計算標的企業拖欠支付之機率的系統及方法。系統及方法利用統計分數，其中機率指派按經驗導出，並且可按經驗驗證。基於與標的企業之非支付活動相關的資料(本文中稱作活動性信號)而計算機率。自其他企業所進行之記錄維護流程導出活動性信號。自用於找尋延遲支付與涉及標的企業之資料之間之關係的數學技術來導出標的企業拖欠之機率。系統已開發及利用之模型提供嚴重拖欠企業之不良表現的定義。計分流程利用模型來產生標的企業的分數。
圖1為用於本文所揭示之技術之系統100的方塊圖。系統100包括(a)電腦105、(b)資料來源145-1及145-2至145-N，統稱為資料來源145且經由網路150通訊地耦接至電腦105。
網路150為資料通訊網路。網路150可為專用網路或公用網路，且可包括以下各者中任一及所有：(a)個人區域網路，例如，覆蓋房間，(b)區域網路，例如，覆蓋建築物，(c)校園區域網路，例如，覆蓋校園，(d)都市區域網路，例如，覆蓋城市，(e)廣域網路，例如，覆蓋跨都市、地區或國家邊界而鏈接的區域，或(f)網際網路。經由網路150藉助電子信號及光信號進行通訊。
資料來源145中每一者為提供有關企業之資訊(亦即，資料)的實體、組織或流程。資料來源145之實例包括企業登記、電話簿、人員資料、帳戶應收帳款發票級別支付資料以及有關其他企業之企業詢問。
電腦105處理來自資料來源145之資料，且亦處理本文中指定為帳戶應收帳款資料130、詳細交易資料135以及企業參考資料140的資料，並生成指定為活動性信號資料(ASD)160的資料及分數165的資料。
帳戶應收帳款資料130為自已供應貨物或服務至其他企業或貨款的多個企業獲得的帳戶應收帳款資料。自興趣公司之貨物或服務供應商獲得有關興趣公司之帳戶應收帳款資料130。舉例而言，假定B公司為A公司的貨物或服務供應商。B公司之簿上將展示來自A公司的帳戶應收帳款到期金額。實際上，很有可能存在許多供應貨物或服務至A公司的公司，且因此有關A公司之帳戶應收帳款資料將包括來自許多公司的有關A公司之帳戶應收帳款資料。
詳細交易資料135為有關興趣公司之其他資料， 且可自帳戶應收帳款資料130導出。詳細交易資料135之實例包括在最近六個月內逾期之帳戶的數目，及未付總金額。
企業參考資料140為描述企業之資料。舉例而言，對於標的企業而言，企業參考資料140將包括標的企業之唯一識別符、企業資訊、財務報表以及傳統交易資料。唯一識別符為唯一地識別標的企業之識別符。全球資料編碼系統(DUNS，鄧氏)編碼可用作此類唯一識別符。企業資訊為有關企業之資訊，諸如，雇員數目、經營年限及企業被分類為之行業，例如，零售業。財務報表為諸如速動比率(亦即(流動資產-存貨)/流動負債)及總負債金額之財務資訊。傳統交易資料為諸如逾期三十天以上的金額、逾期三十天以上之支付體驗數目及滿意支付體驗之數目的資訊。
ASD 160為含有有關公司之資訊的資料結構，其中資訊係自資料來源145獲得之資料導出。一般而言，ASD 160藉由涉及標的公司之其他公司指出關於標的公司之處理活動的級別。
分數165為信用分數，表示將被指派信用分數之企業的商譽。
帳戶應收帳款資料130、詳細交易資料135、企業參考資料140、ASD 160以及分數165儲存在一或多個資料庫中。一或多個資料庫可組配為單個儲存裝置，或組配為具有多個獨立儲存裝置的分散式儲存系統。儘管在系統100中，一或多個資料庫展示為直接耦接至電腦105，一或多個資料庫可藉助網路150定位於電腦105遠端或耦接至電腦 105。
電腦105包括使用者介面110、處理器115以及耦接至處理器115的記憶體120。儘管本文中電腦105表示為獨立裝置，電腦105並不限於此，而是可耦接至分散式處理系統中之其他裝置(未圖示)。使用者介面110包括輸入裝置，諸如鍵盤或語音識別子系統，以使得使用者能夠通訊資訊及命令選擇至處理器115。
使用者介面110亦包括輸出裝置，諸如，顯示器或印表機，或語音合成器。游標控制件，諸如滑鼠、跟蹤球或搖桿，允許使用者操縱顯示器上之游標，以用於通訊額外資訊及命令選擇至處理器115。
處理器115為電子裝置，該電子裝置由回應指令並執行指令之邏輯電路組配而成。
記憶體120為編碼有電腦程式之有形電腦可讀取儲存裝置。關於此，記憶體120儲存可由處理器115讀取及執行以控制處理器115之操作的資料及指令，亦即，程式碼。記憶體120可實施於隨機存取記憶體(RAM)、硬碟、唯讀記憶體(ROM)或以上各者之組合中。記憶體120之組件中一者為處理模組125。
處理模組125為指令之模組，該等指令由處理器115讀取且控制處理器115以執行企業之計分，亦即，藉由指派拖欠機率而對企業進行評估，其中拖欠機率轉化為拖欠分數，亦即，分數165。處理模組125輸出結果至使用者介面110，且亦經由網路150將輸出導向遠端裝置(未圖示)。
本文件中，吾人描述操作由處理模組125或其附屬流程執行。然而，操作實際上由電腦105，且更特定而言，由處理器115執行。
本文中，使用「模組」一詞來指示可實施為獨立組件或實施為多個附屬組件之整合組配的功能操作。因此，處理模組125可實施為單個模組或彼此協作之多個模組。此外，儘管本文中處理模組125描述為安裝於記憶體120上，因此實施於軟體中，處理模組125可實施於硬體(例如，電子電路)、韌體、軟體或以上各者之組合中任何者。
儘管處理模組125指示為已載入至記憶體120，處理模組125可組配在儲存裝置199上以供後續載入至記憶體120。儲存裝置199為上面儲存有處理模組125之有形電腦可讀取儲存媒體。儲存裝置199之實例包括緊密碟片、磁盤、唯讀記憶體、光學儲存媒體、硬碟或由多個並列硬碟組成之記憶體單元，以及通用串列匯流排(USB)拇指碟。或者，儲存裝置199可為隨機存取記憶體，或其他類型之電子儲存裝置，且定位於遠端儲存系統並經由網路105耦接至電腦105。
實際上，資料來源145、帳戶應收帳款資料130、詳細交易資料135以及企業參考資料140將含有表示許多(例如，數百萬)資料項目之資料。因此，實際上，人類無法處理上述資料，相反，資料需要諸如電腦105之電腦來處理。
圖2為處理模組125之方塊圖。處理模組125包括若干附屬模組，亦即，活動性信號資料(ASD)產生器205、 帳戶應收帳款(A/R)處理210、模型產生器215以及計分流程220。簡而言之：(a)ASD產生器分析來自資料來源145之資料，且生成ASD 160，如上文所提及，ASD 160藉由涉及標的公司之其他公司指出關於標的公司之處理活動的級別；(b)A/R處理210分析來自標的企業之供應商之帳戶應收帳款資料130，且生成用於指示標的企業在債務支付方面保持良好信譽抑或拖欠支付債務的權重；(c)模型產生器215處理各種企業資料、ASD 160以及來自A/R處理210之權重，且基於此等資料而產生模型以供對企業計分；以及(d)計分流程220利用來自模型產生器215之模型生成分數165。
下文進一步詳細描述ASD產生器205、A/R處理210、模型產生器215以及計分流程220中每一者。
圖3為ASD產生器205之方塊圖，如上文所描述，ASD產生器205分析來自資料來源145之資料，且生成ASD 160。ASD產生器205包括匹配流程305、登入流程310以及聚合器315。
如上文所提及，資料來源145為提供有關企業之資訊(亦即，資料)的實體、組織或流程。資料之格式並非與系統100之操作特定相關，出於舉例之目的，吾人將假定資料經組織成記錄。描述符301為此類記錄之實例，且含有用於描述諸如名稱、地址及電話號碼之各種企業態樣的資 料。實際上，描述符301可包括許多此類態樣。
匹配流程305自資料來源145接收或獲得描述符301，且將描述符301與企業參考資料140中之資料匹配。
對於資料來源145中每一企業而言，描述符301之屬性以不一致方式填充。電腦105使用可用描述符301資訊，且基於上述資訊而進行可能之最佳匹配。作為實例，考慮達成最準確匹配之最多必要資訊在於具有有關企業名稱及其電話號碼之資訊。示範性資料來源145-2及描述符301僅僅提供有關企業名稱之資訊。此舉限制了匹配準確性，但電腦105自描述符301提取資訊，且搜尋資料庫140來在記錄中找尋具有最高可達成準確性之企業並進行匹配。
如上文所提及，企業參考資料140為描述企業之資料。企業參考資料140經組織成記錄。一個此類記錄，亦即，記錄340，為代表性實例。記錄340包括唯一識別符341、企業資訊342、財務報表343及傳統交易資料344。
如本文中所使用，匹配意味在資料儲存裝置中搜尋資料，例如，在資料庫中搜尋最佳匹配給定詢問之記錄。因此，匹配流程305在企業參考資料140中搜尋最佳匹配描述符301之資料。
最佳匹配務必為正確匹配，因此，匹配流程305在找尋到匹配之後亦提供可信度碼，該可信度碼指出匹配正確之可信度級別。舉例而言，可信度碼5可指出匹配已經絕對正確，且可信度碼1可指出匹配正確具有相對低之確定性。
匹配流程305在找尋匹配之後生成信號306，該信號306包括：(a)藉以接收資料之來源的識別；(b)作出匹配之時間(包括日期)；以及(c)唯一識別符341；(d)可信度碼。
登入流程310接收信號306，且將其登錄至日誌，本文中指定為元資料320。
實際上，ASD產生器205或其附屬流程中每一者，亦即，匹配流程305、登入流程310及聚合器315，將在處理迴路中操作，以便處理來自資料來源145之多個描述符。因此，匹配流程205將生成多個信號，其中信號306僅為一個此類信號。
表1列出某些示範性元資料320。
舉例而言，表1中第1行表明匹配流程305生成第一信號，亦即，信號1，該信號指出時間t0處之匹配流程305將來自資料來源145-2之描述符301與企業參考資料140中之資料匹配。匹配指出描述符301與唯一識別符00000001所 識別之企業有關，且匹配具有可信度碼2。實際上，元資料320將含有許多(例如，上百萬)行資料。
聚合器315聚合來自元資料320之資料以生成ASD 160。更特定而言，聚合器315考慮落在時間週期(亦即，週期312)內之元資料320，且針對每一唯一識別符維持總信號數目，以及具有大於或等於臨限313之可信度碼的總匹配數目。因此，對於標的企業而言，ASD 160包括唯一識別符330、信號數目335以及可信度碼(CC)匹配336。信號數目335為針對週期312期間所匹配之特定唯一識別符的總信號數目。CC匹配336為具有大於或等於臨限313之可信度碼之總匹配數目。
舉例而言，參閱表1，假定週期312界定自t0至t4之時間週期，且臨限313界定臨限值3。表2列出ASD 160之對應示範性資料。
表2表明，在t0至t4之週期期間，對於唯一識別符00000001而言，一共存在3個信號(參見表1，信號1、3及4)，且在3個信號中，2個為針對具有大於或等於3(參見表1，第3和4行)之可信度碼之匹配。儘管表2中未展示，ASD 160可包括自信號306導出之其他資訊，例如，提供如下資料之 資料來源145之識別，該資料導致具有大於或等於臨限313之可信度碼的最大數目個匹配。實際上，週期312將具有使ASD生成器205聚集大量事件的長度，例如，12個月。因此，ASD 160將包括許多(例如，上百萬)行資料。
圖4為A/R處理210之方塊圖，如上文所提及，A/R處理210分析來自標的企業之供應商之帳戶應收帳款資料130，且生成用於指示標的企業在債務支付方面保持良好信譽抑或拖欠支付債務的權重。
在執行期間，A/R處理210生成期中計算418。圖4A為列出示範性期中計算418之表(亦即，表450)的說明。
A/R處理210自步驟405開始。
在步驟405，A/R處理210獲得唯一識別符330所識別之標的企業的帳戶應收帳款資料130。更具體而言，對於標的企業之每一供應商(亦即，債權人)而言，A/R處理210獲得標的企業之每一供應商到期之餘額，以及逾期餘額之金額，例如，逾期91天以上。此資訊儲存在中期計算418中。
舉例而言，表450表明標的企業(a)賒欠供應商110萬美元($100,000)，其中0美元逾期91天以上，以及(b)賒欠供應商10 100萬美元($1,000,000)，其中15萬美元($150,000)逾期91天以上。
自步驟405，A/R處理210進行至步驟410。
在步驟410，A/R處理210計算標的企業之總賒欠餘額，以及逾期91天以上之總餘額的金額。此資訊儲存在中期計算418中。舉例而言，表450表明，(a)總賒欠餘額為 190萬美元($1,900,000)，以及(b)總餘額中之18萬美元($180,000)逾期91天以上。
自步驟410，A/R處理210進行至步驟415。
在步驟415，A/R處理210計算拖欠比率，且識別有風險之帳戶。
一種用於評估標的企業之信用的技術計算(a)總逾期餘額相對於(b)總賒欠餘額之比率。若比率大於特定值，例如，0.10，該值指出大於某特定百分比(例如，10%)逾期，則標的企業會被分類為不良信用風險。
藉由使用表450中呈現之資料：總逾期餘額/總賒欠餘額=180,000/1,900,000=0.095等式1
因此，等式1指出小於10%逾期，標的企業不會被分類為不良信用風險。
然而，標的企業可能與一個服務供應商關係良好，但延遲支付給另一供應商。為解決此問題，A/R處理210考慮每一個別供應商之支付拖欠情況，因此將不同拖欠程度併入至不良信用風險之定義中。更具體而言，對於每一供應商而言，A/R處理210計算(a)逾期餘額相對於(b)賒欠餘額之拖欠比率，如等式2中所展示。若拖欠比率大於特定值，例如，0.10，則標的企業針對彼供應商之帳戶會被分類為不良信用風險。
拖欠比率=逾期餘額/賒欠餘額 等式2
對於供應商5： 拖欠比率=25,000/100,000=0.25 等式3
對於供應商10：拖欠比率=150,000/1,000,000=0.15 等式4
因此，針對供應商5及供應商10，標的企業被分類為不良信用風險。
自步驟415，A/R處理210進行至步驟420。
在步驟420，A/R處理210針對標的企業計算良好權重425及不良權重430。
為了計算良好權重425，A/R處理210計算賒欠給帳戶被指定為良好之供應商的總金額，亦即，良好總額，隨後計算(a)良好總額相對於(b)總賒欠餘額之比率。在表450所展示之本實例中，良好總額為賒欠供應商1、2、3、4、6、7、8及9之總額。此處，良好總額=800,000，以及：良好權重=良好總額/總賒欠餘額=800,000/1,900,000=0.42 等式5
為了計算不良權重430，A/R處理210計算賒欠帳戶被指定為不良之供應商的總金額，亦即，不良總額，隨後計算(a)不良總額相對於(b)總賒欠餘額之比率。在表450所展示之本實例中，不良總額為賒欠供應商5及10之總額。此處，不良總額=1,100,000，以及不良權重=不良總額/總賒欠餘額=1,100,000/1,900,000=0.58 等式6
應注意，良好權重與不良權重之和等於1，亦即，0.42+0.58=1。此等權重亦可按比例縮放，例如，按比例 放大100倍，且在本實例中，良好權重可取值42，而不良權重可取值58。
查看帳戶級別企業支付行為慮及未清餘額相對於企業賒欠之總金額的權重，此舉捕獲企業針對多個供應商之真實經營表現以及經營趨勢。
圖5為模型產生器215之方塊圖，如上文所提及，模型產生器215處理各種企業資料、ASD 160以及來自A/R處理210之權重，且基於此等資料而產生模型以供對企業計分。模型產生器215自步驟505開始。
在步驟505，模型產生器215接收企業參考資料140、詳細交易資料135、ASD 160、良好權重425及不良權重430，並建立模型開發資料集合510。
圖5A為展示第一示範性模型開發資料集合510之表的說明。
表550具有列出以下各者之表頭：(1)唯一識別符；(2)預測符；(a)企業資訊(BI)342；(b)財務報表(FS)343；(c)傳統交易資料(TTD)344；(d)詳細交易(DT)資料135；(e)信號數目(NS)335；以及(f)可信度碼匹配(CCM)336；(g)良好權重(GW)425；以及 (h)不良權重(BW)430；以及(3)不良風險指示符(BRI)。
在表550中，每一唯一識別符識別標的企業。舉例而言，標的企業對應於唯一識別符00000001。預測符為特徵化標的企業之資料項目。可存在任何數目個唯一識別符以及任何數目個預測符，且實際上，將存在許多(例如，上百萬)唯一識別符及許多(例如，上百個)預測符。另外，實際上，表550中每一預測符表示多個預測符。舉例而言，實際上，替代單列企業資訊，可存在用於雇員數目、經營年限及行業的多列。預測符被視為迴歸分析之獨立變數。舉例而言，應注意，信號數目(NS)335、可信度碼匹配(CCM)336、良好權重(GW)425以及不良權重(BW)430中每一者為獨立變數。
另外，在表550中，指定為不良風險指示符(BRI)之列中的單元格在標的企業被視為具有不良風險時含有值「1」，例如，在標的企業之良好權重小於不良權重時。單元格在標的企業被視為不具有不良風險時含有值「0」。良好風險或不良風險之指定可基於預測符之任何所要組合。出於迴歸風險之目的，不良風險指示符被視為依賴變數。
統計模型中之依賴變數為吾人嘗試使用多個預測符(亦即，獨立變數)預測的量測。因此，模型產生器215基於標的企業與供應商之義務而區分良好支付行為與不良支付行為，以便界定依賴變數，在此種狀況下，界定不良風險指示符。
圖5B為展示第二示範性模型開發資料集合510之表(亦即，表560)的說明。
表560具有列出以下各者之表頭：(1)唯一識別符；以及(2)預測符：(a)信號數目(NS)335；以及(b)不良權重(BW)430。
應注意，舉例而言，信號數目(NS)335及不良權重(BW)430中每一者為獨立變數。針對給定表560，不良風險指示符，亦即，獨立變數可自不良權重(BW)430導出。舉例而言，若不良權重大於或等於0.50，則假定不良風險指示符為1。
自步驟505，模型產生器215進行至步驟515。
在步驟515，模型產生器215基於模型開發資料集合510執行迴歸分析，且產生迴歸模型，亦即，模型520。等式7為模型520之一般形式。
分數=C1(預測符1)+C2(預測符2)+...+Cm(預測符m) 等式7
因此，模型520為由一系列變數及已針對每一變數計算之係數組成的等式。舉例而言，在模型開發資料集合510如表560中所展示的情況下，信號數目(NS)335之值及不良權重(BW)430，亦即，獨立變數，將用作等式7中之預測符。
圖6為計分流程220之方塊圖，如上文所提及，該 流程利用來自模型產生器215之模型生成分數165。計分流程220自步驟610開始。
在步驟610，計分流程220自模型開發資料集合510獲得資料，且填充模型520。自步驟610，計分流程220進行至步驟620。
在步驟620，計分流程220評估來自步驟610之已填充模型，因此產生分數165。在已填充模型520包括特定獨立變數(例如，信號數目(NS)335)的情況下，分數165將基於獨立變數，亦即，將為獨立變數之函數。
圖7為展示根據計分流程220計分之單個企業之計分卡的實例的表700。預測符(亦即，因素)之示範性列表說明每一預測符之分數如何聚合成總分。原始分數經對映至百分位數分數及基於群體分佈而界定之類別值。百分位數具有1至100之範圍，其中「100」意味最小風險性。基於全域之分數分佈而創建百分位數。百分位數創建針對總群體之等級。例如界定於1-5之範圍內之分類係基於總群體之記錄分佈。群體之最低風險性10%屬於分類1；隨後20%屬於分類2。中間40%屬於分類3。群體之隨後較具風險性之20%分類為分類4。群體之最具風險性之10%經指派為分類5。處理器115準備包括表700之報告，且經由使用者介面110將報告遞送至電腦105之使用者或經由網路150將報告遞送至遠端裝置(未圖示)之使用者。
在試驗操作中，一共使用330萬(3,300,000)個企業來開發模型520。針對此等企業報告之交易分類為兩個類 別中之一者：「良好」，界定為逾期91天以下，以及「不良」，界定為嚴重拖欠且本質上針對期限逾期91天以上。良好帳戶按時支付或具有針對義務之最短延遲。在模型開發期間，每一企業係基於「良好」交易及「不良」交易之百分位數而加權。舉例而言，針對特定企業，若總賒欠金額之30%逾期91天以上，且70%逾期91天以下，則此公司經加權70%「良好」與30%「不良」。在330萬群體中，與此等企業相關聯之交易帳戶之近似10.2%為「不良」或嚴重拖欠。
在模型開發流程中，自最少兩個時間週期，指定為觀察視窗及效能視窗，收集資料。觀察視窗界定藉以收集所有識別及特徵資料的時間週期。效能視窗界定藉以追蹤帳戶以檢查支付行為的時間長度。資料快照表示藉以開發模型之時間迅框，且代表任何其他時間迅框。由此快照界定預測變數或獨立變數，該等預測變數或獨立變數可共同界定結果及分段方案，該等方案將記錄分類為具有類似特徵之不同群組。
在示範性實施例中，所使用之觀察快照為2011年2月，且效能快照為自2011年3月至2012年2月之12個月。可藉由觀察視窗資料進行廣泛之資料分析，以便判定就統計而言為預測嚴重拖欠之最重要因素且用以計算各自之適當權重的變數。
系統100藉由使用由元資料界定之內部企業運算資料及粒狀級交易資料來創建預測符。吾人發現在模型中，來自元資料320之有關所創建之運算程序的資料為重要 預測符，尤其是對於具有有限交易活動或並無交易活動之記錄而言。吾人亦使用詳細交易資料來較好分辨良好與不良支付行為。該資料來源提供重要預測符之集合。
本文所描述之技術為示範性的，且不應解釋為隱含對本揭示案之任何特定限制。應理解的是，熟習此項技術者可設計出各種替代、組合及修改。舉例而言，與本文所描述之流程相關聯之步驟可以任何次序執行，除非步驟本身說明或指示。
「包含」一詞應解譯為列舉所述特徵、整數、步驟或組件之存在，但並不排除一或多個其他特徵、整數、步驟或組件或以上各者之群組的存在。數詞「一」為不確定的，因此並不排除具有複數數詞之實施例。
140‧‧‧企業參考資料
145、145-1、145-2、145-N‧‧‧資料來源
160‧‧‧活動性信號資料/ASD
205‧‧‧活動性信號資料(ASD)產生器/ASD產生器
301‧‧‧描述符
305‧‧‧匹配流程
306‧‧‧信號
310‧‧‧登入流程
312‧‧‧週期
313‧‧‧臨限
315‧‧‧聚合器
320‧‧‧元資料
330‧‧‧唯一識別符
335‧‧‧信號數目
336‧‧‧可信度碼(CC)匹配/CC匹配
340‧‧‧記錄
341‧‧‧唯一識別符
342‧‧‧企業資訊
343‧‧‧財務報表
344‧‧‧傳統交易資料

Claims (15)

  1. 一種方法，包含：採用一電腦來執行包括以下各者之操作：藉助一電子通訊自一資料來源接收一企業之一描述符；將該描述符與一資料庫中之資料匹配，因此得到一匹配，其中該資料包括該企業之一唯一識別符；將包括該唯一識別符之一信號保存至一日誌；對該日誌中包括該唯一識別符之一定量信號進行計數，因此得到針對該唯一識別符之數個該等信號；以及基於該等數個信號計算該企業之一信用分數。
  2. 如請求項1之方法，其中該等操作亦包括：將該等數個信號作為一獨立變數包括至一資料集合中；以及對該資料集合執行一迴歸分析，因此得到一模型，以及其中該計算利用該模型來計算該信用分數。
  3. 如請求項2方法，其中該匹配亦得到指示該匹配為正確之可信度之一級別的一碼，其中該等操作亦包括： 將該碼保存至該日誌；以及對(a)該日誌中包括該唯一識別符及(b)指示該可信度級別大於或等於一特定可信度級別臨限之一定量信號進行計數，因此得到針對該唯一識別符之可信匹配的一計數，以及將針對該唯一識別符之可信匹配的該計數作為一獨立變數包括至該資料集合中。
  4. 如請求項2方法，進一步包含：針對該企業之多個供應商中每一者，自一資料庫獲得(a)該企業之該供應商到期的一餘額，因此得到賒欠該供應商之一餘額，以及(b)該賒欠餘額中逾期的一金額，因此得到賒欠該供應商之一逾期餘額；計算該企業賒欠該等多個供應商之一總額，因此得到一總賒欠餘額；針對每一該供應商，計算(a)賒欠該供應商之該逾期餘額相對於(b)賒欠該供應商之該餘額之一比率，因此得到針對該供應商之一對應拖欠比率；針對具有大於一拖欠比率臨限之一對應拖欠比率的每一該等供應商，將該企業指定為一不良信用風險，因此得到帳戶經指定為不良之一供應商集合；計算賒欠帳戶經指定為不良之該供應商集合的一總金額，因此得到一不良總額；計算(a)該不良總額相對於(b)該總賒欠餘額之一比率，因此得到一不良權重；以及 將該不良權重作為一獨立變數包括至該資料集合中。
  5. 如請求項1方法，其中該等操作亦包括將該匹配操作得到該匹配之一對應時間保存至該日誌，以及其中該計數僅包括指出該對應時間落在一特定時間週期之該等信號。
  6. 一種系統，包含：一處理器；以及一記憶體，該記憶體含有可由該處理器讀取以控制該處理器執行以下各者的指令：藉助一電子通訊自一資料來源接收一企業之一描述符；將該描述符與一資料庫中之資料匹配，因此得到一匹配，其中該資料包括該企業之一唯一識別符；將包括該唯一識別符之一信號保存至一日誌；對該日誌中包括該唯一識別符之一定量信號進行計數，因此得到針對該唯一識別符之數個該等信號；以及基於該等數個信號計算該企業之一信用分數。
  7. 如請求項6之系統，其中該等指令亦控制該處理器以：將該等數個信號作為一獨立變數包括至一資料集合中；以及 對該資料集合執行一迴歸分析，因此得到一模型，以及其中用以計算該信用分數之該等指令控制該處理器以利用該模型來計算該信用分數。
  8. 如請求項7之系統，其中用以執行該匹配之該等指令亦控制該處理器以得到指示該匹配為正確之可信度之一級別的一碼，其中該等指令亦控制該處理器以：將該碼保存至該日誌；以及對(a)該日誌中包括該唯一識別符及(b)指示該可信度級別大於或等於一特定可信度級別臨限之一定量信號進行計數，因此得到針對該唯一識別符之可信匹配的一計數，以及將針對該唯一識別符之可信匹配的該計數作為一獨立變數包括至該資料集合中。
  9. 如請求項7之系統，其中該等指令亦控制該處理器以：針對該企業之多個供應商中每一者，自一資料庫獲得(a)該企業之該供應商到期的一餘額，因此得到賒欠該供應商之一餘額，以及(b)該賒欠餘額中逾期的一金額，因此得到賒欠該供應商之一逾期餘額；計算該企業賒欠該等多個供應商之一總額，因此得到一總賒欠餘額；針對每一該供應商，計算(a)賒欠該供應商之該逾期餘額相對於(b)賒欠該供應商之該餘額之一比率，因此得 到針對該供應商之一對應拖欠比率；針對具有大於一拖欠比率臨限之一對應拖欠比率的每一該等供應商，將該企業指定為一不良信用風險，因此得到帳戶經指定為不良之一供應商集合；計算賒欠帳戶經指定為不良之該供應商集合的一總金額，因此得到一不良總額；計算(a)該不良總額相對於(b)該總賒欠餘額之一比率，因此得到一不良權重；以及將該不良權重作為一獨立變數包括至該資料集合中。
  10. 如請求項6之系統，其中該等指令亦控制該處理器以將針對該描述符之該匹配操作得到該匹配之一對應時間保存至該日誌，以及其中為了對該一定量信號進行計數，該處理器僅包括指出該對應時間落在一特定時間週期之該等信號。
  11. 一種儲存裝置，包含：可由一處理器讀取以控制該處理器執行以下各者之指令：藉助一電子通訊自一資料來源接收一企業之一描述符；將該描述符與一資料庫中之資料匹配，因此得到一匹配，其中該資料包括該企業之一唯一識別符；將包括該唯一識別符之一信號保存至一日誌； 對該日誌中包括該唯一識別符之一定量信號進行計數，因此得到針對該唯一識別符之數個該等信號；以及基於該等數個信號計算該企業之一信用分數。
  12. 如請求項11之儲存裝置，其中該等指令亦控制該處理器以：將該等數個信號作為一獨立變數包括至一資料集合中；以及對該資料集合執行一迴歸分析，因此得到一模型，以及其中用以計算該信用分數之該等指令控制該處理器以利用該模型來計算該信用分數。
  13. 如請求項12之儲存裝置，其中用以執行該匹配之該等指令亦控制該處理器以得到指示該匹配為正確之可信度之一級別的一碼，其中該等指令亦控制該處理器以：將該碼保存至該日誌；以及對(a)該日誌中包括該唯一識別符及(b)指示該可信度級別大於或等於一特定可信度級別臨限之一定量信號進行計數，因此得到針對該唯一識別符之可信匹配的一計數，以及將針對該唯一識別符之可信匹配的該計數作為一獨立變數包括至該資料集合中。
  14. 如請求項12之儲存裝置，其中該等指令亦控制該處理器 以：針對該企業之多個供應商中每一者，自一資料庫獲得(a)該企業之該供應商到期的一餘額，因此得到賒欠該供應商之一餘額，以及(b)該賒欠餘額中逾期的一金額，因此得到賒欠該供應商之一逾期餘額；計算該企業賒欠該等多個供應商之一總額，因此得到一總賒欠餘額；針對每一該供應商，計算(a)賒欠該供應商之該逾期餘額相對於(b)賒欠該供應商之該餘額之一比率，因此得到針對該供應商之一對應拖欠比率；針對具有大於一拖欠比率臨限之一對應拖欠比率的每一該等供應商，將該企業指定為一不良信用風險，因此得到帳戶經指定為不良之一供應商集合；計算賒欠帳戶經指定為不良之該供應商集合的一總金額，因此得到一不良總額；計算(a)該不良總額相對於(b)該總賒欠餘額之一比率，因此得到一不良權重；以及將該不良權重作為一獨立變數包括至該資料集合中。
  15. 如請求項11之儲存裝置，其中該等指令亦控制該處理器以將針對該描述符之該匹配操作得到該匹配之一對應時間保存至該日誌，以及其中為了對該一定量信號進行計數，該處理器僅包 括指出該對應時間落在一特定時間週期之該等信號。
TW103115831A 2013-05-02 2014-05-02 計算企業拖欠帳款機率之技術 TW201503029A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361818784P 2013-05-02 2013-05-02
US14/267,505 US20150142638A1 (en) 2013-05-02 2014-05-01 Calculating a probability of a business being delinquent

Publications (1)

Publication Number Publication Date
TW201503029A true TW201503029A (zh) 2015-01-16

Family

ID=51843963

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103115831A TW201503029A (zh) 2013-05-02 2014-05-02 計算企業拖欠帳款機率之技術

Country Status (13)

Country Link
US (1) US20150142638A1 (zh)
EP (1) EP2992494A4 (zh)
JP (1) JP6251383B2 (zh)
KR (1) KR20160003262A (zh)
CN (1) CN105359172A (zh)
AU (1) AU2014259775A1 (zh)
CA (1) CA2910974A1 (zh)
HK (1) HK1220791A1 (zh)
PH (1) PH12015502484A1 (zh)
RU (1) RU2640633C2 (zh)
SG (1) SG11201508908SA (zh)
TW (1) TW201503029A (zh)
WO (1) WO2014179645A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715797B (zh) * 2016-12-14 2021-01-11 開曼群島商創新先進技術有限公司 使用者信用的評估方法和裝置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6098982B2 (ja) * 2015-08-31 2017-03-22 株式会社三菱総合研究所 情報処理装置及び情報処理方法
EP3641275A1 (de) * 2018-10-18 2020-04-22 Siemens Aktiengesellschaft Verfahren, vorrichtung und computerprogramm zur automatischen verarbeitung von datenbezeichnern
US10937073B2 (en) * 2019-01-23 2021-03-02 Intuit Inc. Predicting delay in a process
JP2021140712A (ja) * 2020-02-29 2021-09-16 Ａｓｓｅｓｔ株式会社 融資先信用度判定プログラム
US20220156666A1 (en) * 2020-11-19 2022-05-19 Fidelity Information Services, Llc Systems and methods for confidence interval transaction settlement range predictions

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7310618B2 (en) * 2000-02-22 2007-12-18 Lehman Brothers Inc. Automated loan evaluation system
JP2002123665A (ja) * 2000-10-18 2002-04-26 Jnl:Kk 営業生産性向上支援システムおよび方法、記録媒体
JP2002236844A (ja) * 2001-02-09 2002-08-23 T & I Solution Co Ltd 事業所情報提供システム
AU2004244266B2 (en) * 2003-05-22 2008-01-17 Pershing Investments, Llc Rating system and method for identifying desirable customers
US8700515B2 (en) * 2003-06-13 2014-04-15 Dun & Bradstreet, Inc. Security-to-entity crosswalk
US7840484B2 (en) * 2004-10-29 2010-11-23 American Express Travel Related Services Company, Inc. Credit score and scorecard development
US20070016501A1 (en) * 2004-10-29 2007-01-18 American Express Travel Related Services Co., Inc., A New York Corporation Using commercial share of wallet to rate business prospects
US7747520B2 (en) * 2005-08-05 2010-06-29 First American Corelogic, Inc. Method and system for monitoring for and reporting of lien distress events
JP4937672B2 (ja) * 2006-08-15 2012-05-23 株式会社野村総合研究所 企業の信用力算出システム及び算出プログラム
US20080294547A1 (en) * 2007-05-24 2008-11-27 Jeremy Zigman Systems and methods for establishing business credit and improving personal credit
US8626618B2 (en) * 2007-11-14 2014-01-07 Panjiva, Inc. Using non-public shipper records to facilitate rating an entity based on public records of supply transactions
JP5149671B2 (ja) * 2008-03-31 2013-02-20 株式会社野村総合研究所 個別案件リスク管理装置
CN102782642B (zh) * 2010-01-29 2016-02-24 邓白氏公司 用于将职业关系数据与商用数据内容聚合和关联的系统和方法
RU2469401C2 (ru) * 2010-03-11 2012-12-10 Общество с ограниченной ответственностью "Бизнес системы консалт" Система и способ управления кредитными портфелями
WO2012018968A1 (en) * 2010-08-06 2012-02-09 The Dun And Bradstreet Corporation Method and system for quantifying and rating default risk of business enterprises
US8666851B2 (en) * 2011-06-06 2014-03-04 Bizequity Llc Engine, system and method of providing cloud-based business valuation and associated services
US8712907B1 (en) * 2013-03-14 2014-04-29 Credibility Corp. Multi-dimensional credibility scoring

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715797B (zh) * 2016-12-14 2021-01-11 開曼群島商創新先進技術有限公司 使用者信用的評估方法和裝置

Also Published As

Publication number Publication date
EP2992494A1 (en) 2016-03-09
JP2016522933A (ja) 2016-08-04
KR20160003262A (ko) 2016-01-08
WO2014179645A1 (en) 2014-11-06
SG11201508908SA (en) 2015-12-30
JP6251383B2 (ja) 2017-12-20
HK1220791A1 (zh) 2017-05-12
RU2640633C2 (ru) 2018-01-10
PH12015502484A1 (en) 2016-02-22
RU2015151628A (ru) 2017-06-07
CN105359172A (zh) 2016-02-24
CA2910974A1 (en) 2014-11-06
US20150142638A1 (en) 2015-05-21
EP2992494A4 (en) 2016-10-26
AU2014259775A1 (en) 2015-12-17

Similar Documents

Publication Publication Date Title
AU2014202660C1 (en) A system and method using multi-dimensional rating to determine an entity's future commercial viability
TW201503029A (zh) 計算企業拖欠帳款機率之技術
US20070255646A1 (en) Methods and Systems for Multi-Credit Reporting Agency Data Modeling
US8775291B1 (en) Systems and methods for enrichment of data relating to consumer credit collateralized debt and real property and utilization of same to maximize risk prediction
US8984022B1 (en) Automating growth and evaluation of segmentation trees
CN112541817A (zh) 一种个人消费贷款潜在客户的营销响应处理方法及系统
Düllmann et al. Determinants of the asset correlations of German corporations and implications for regulatory capital
US20140278774A1 (en) In the market model systems and methods
JP2016099915A (ja) 与信審査用サーバと与信審査用システム及び与信審査用プログラム
CN110197426B (zh) 一种信用评分模型的建立方法、装置及可读存储介质
WO2019196502A1 (zh) 营销活动质量评估方法、服务器及计算机可读存储介质
TWI792101B (zh) 基於確定值及預測值的數據定量化方法
US20220156666A1 (en) Systems and methods for confidence interval transaction settlement range predictions
TWI634508B (zh) 使用多維度評級制判定實體未來商業存活力之系統和方法
US20150356574A1 (en) System and method for generating descriptive measures that assesses the financial health of a business
CN114240100A (zh) 贷款评估方法、装置、计算机设备和存储介质
TWI657393B (zh) 行銷客群預測系統及其方法
US20230394069A1 (en) Method and apparatus for measuring material risk in a data set
Karan et al. Estimation of credit risk of retail stores by using their payment history: A combined logistic regression and multi-dea
TWM612354U (zh) 金融服務處理系統
CN116523628A (zh) 一种基于公共信用大数据的信用模型定义方法
CN116308615A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114219608A (zh) 贷后反欺诈处理方法、装置及计算机设备
CN117994017A (zh) 构建零售信用风险预测模型的方法和线上信贷业务Scoredelta模型
Medina et al. Internal models (IRB) in Basle II: an approach to determining the probability of default