一种基于纺织行业大数据的金融风险分析方法及系统与流程

1.本发明涉及纺织行业管理技术领域，具体为一种基于纺织行业大数据的金融风险分析方法及系统。


背景技术：

2.纺织行业全产业链从上游的原材料，到下游的成衣交付，目标客户分布在产业链的各个业务环节，将产业全链路的交易、生产数据，形成客户维度的数据资产，数字化赋能产业客户。
3.基于标准产业客户数据资产目录，结合采集、加工、使用、评估、优化等数据资产全生命周期管理，在传统的供应链金融服务中，由于中小企业的信息化程度较低，历史数据沉淀不足，导致企业画像、风险评估困难，增加了中小企业的融资门槛，直接阻碍了金融服务的普及。


技术实现要素：

4.本发明针对上述现有技术存在的不足，提供一种基于纺织行业大数据的金融风险分析方法及系统。
5.为了解决上述技术问题，本发明提供了如下的技术方案：
6.一种基于纺织行业大数据的金融风险分析方法，具体包括以下步骤：
7.获取织布机设备数据、运营数据和公开数据库信息；
8.对织布机设备数据、运营数据和公开数据库信息进行汇总、分群及分析；
9.根据数据分析单元获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，建立纺织行业算法模型；
10.通过数据建模单元的纺织行业算法模型对数据采集单元采集的数据进行权重组合和分配，形成纺织行业金融风险评分体系。
11.进一步的，所述织布机设备数据包括纺织厂的设备效率、设备产量、设备停机次数；所述运营数据包括原材料品类、主营sku的商品种类和数据量数据，以及商品销售量及销售价格数据；所述公开数据包括客户工商数据、司法数据、税务数据和行政数据。
12.进一步的，所述对织布机设备数据、运营数据和公开数据库信息进行汇总、分群及分析；具体包括：
13.对织布机设备数据、运营数据和公开数据库信息进行汇总；
14.根据纺织厂的生产、工艺和加权效率对纺织厂进行分群；
15.根据商品销售量和销售价格数据库，对客户主营sku进行分析，对客户采购、销售趋势进行分析，并根据分析结果进行预警和分类。
16.进一步的，所述根据数据分析单元获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，建立纺织行业算法模型；具体包括：
17.通过kmeans、随机森林回归、svm过抽样算法对设备数据、运营数据和公开数据库
进行分析处理，获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，确认符合纺织行业特征的算法模型。
18.进一步的，所述通过数据建模单元的纺织行业算法模型对数据采集单元采集的数据进行权重组合和分配，形成纺织行业金融风险评分体系，具体包括：
19.将平台搜集的设备数据、运营数据、公开数据库数据根据场景、客户类别配以不同的权重进行组合，导入纺织行业特征的算法模型中得出的逾期风险概率；
20.将各项目分配不同的分值，形成纺织行业贸易商、纺织行业生产商的金融风险评分体系；
21.将评分卡生成内置到风险控制系统流程中，定时生成评分结果和风险控制报告。
22.本发明还提供一种基于纺织行业大数据的金融风险分析系统，具体包括：
23.数据采集单元，获取织布机设备数据、运营数据和公开数据库信息；
24.数据分析单元，对织布机设备数据、运营数据和公开数据库信息进行汇总、分群及分析；
25.数据建模单元，根据数据分析单元获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，建立纺织行业算法模型；
26.风险评分单元，通过数据建模单元的纺织行业算法模型对数据采集单元采集的数据进行权重组合和分配，形成纺织行业金融风险评分体系。
27.本发明的有益效果是：
28.1、本发明通过获得更为全面纺织行业经营数据，并通过对金融数据的导入和验证，从而进一步对算法-评分系统进行迭代，从而构建更为准确的风险控制和客户分级方案。
29.2、本发明利用社会公开数据库、运营数据和设备数据，从0到1的构建了独特的纺织行业风险评分体系，降低了金融机构和小微企业之间的信息不对称，协助金融机构建立了针对纺织行业的金融风险管控方案，并通过对后续金融服务的导入验证了方案的有效性。
附图说明
30.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
31.图1为本发明提供的一种基于纺织行业大数据的金融风险分析方法流程图；
32.图2为本发明提供的一种基于纺织行业大数据的金融风险分析方法实施例流程图；
33.图3为本发明提供的一种基于纺织行业大数据的金融风险分析方法实施例流程图；
34.图4为本发明提供的一种基于纺织行业大数据的金融风险分析系统结构图。
具体实施方式
35.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
36.本发明通过风控管理部门与供应链上下游进行调研，与行业专家团队共同确认产业链各环节中小企业核心经营数据字段；风控部门对平台历史订单数据进行解析，分析行业总体及各sku的变化规律；生产型企业的设备运行规律；贸易商客户的运营规律分析；针对搜集的数据构建针对纺织行业定制的数据模型和评分模型。
37.参见图1至图3，本发明提供一种基于纺织行业大数据的金融风险分析方法，具体包括以下步骤：
38.步骤101，获取织布机设备数据、运营数据和公开数据库信息；
39.步骤102，对织布机设备数据、运营数据和公开数据库信息进行汇总、分群及分析；
40.步骤103，根据数据分析单元获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，建立纺织行业算法模型；
41.步骤104，通过数据建模单元的纺织行业算法模型对数据采集单元采集的数据进行权重组合和分配，形成纺织行业金融风险评分体系。
42.本发明结合纺织行业的特性在行业中率先构建了基于“设备+运营+公开数据”的复合型的数据体系，并在此基础上构建了独有的算法模型和评分系统。
43.根据设置在纺织厂的纺织设备上的lot设备进行设备数据的采集，从交易平台获取纺织行业的运营数据、以及从纺织行业公开的企业信息，汇总至风控系统，建立模型并进行验证，根据模型对设备数据、运营数据和企业信息进行风险评分分析，输出金融风险评分报告作为企业和客户的风险预警。
44.在步骤101中，所述织布机设备数据包括纺织厂的设备效率、设备产量、设备停机次数；所述运营数据包括原材料品类、主营sku的商品种类和数据量数据，以及商品销售量及销售价格数据；所述公开数据包括客户工商数据、司法数据、税务数据和行政数据。
45.在步骤102中，所述对织布机设备数据、运营数据和公开数据库信息进行汇总、分群及分析；具体包括：
46.对织布机设备数据、运营数据和公开数据库信息进行汇总；
47.根据纺织厂的生产、工艺和加权效率对纺织厂进行分群；
48.根据商品销售量和销售价格数据库，对客户主营sku进行分析，对客户采购、销售趋势进行分析，并根据分析结果进行预警和分类。
49.在步骤103中，所述根据数据分析单元获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，建立纺织行业算法模型；具体包括：
50.通过kmeans、随机森林回归、svm过抽样算法对设备数据、运营数据和公开数据库进行分析处理，获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，确认符合纺织行业特征的算法模型。
51.在步骤104中，通过数据建模单元的纺织行业算法模型对数据采集单元采集的数据进行权重组合和分配，形成纺织行业金融风险评分体系，具体包括：
52.将平台搜集的设备数据、运营数据、公开数据库数据根据场景、客户类别配以不同的权重进行组合，导入纺织行业特征的算法模型中得出的逾期风险概率；
53.将各项目分配不同的分值，形成纺织行业贸易商、纺织行业生产商的金融风险评分体系；
54.将评分卡生成内置到风险控制系统流程中，定时生成评分结果和风险控制报告。
55.本发明实施例中，通过在织布厂的织布机上安装功能硬件部生产的iot设备获取设备数据，安装可配置定时(约3秒/次)上传一次数据。
56.通过对全行业几十万台机器效率、产量、停机次数等数据汇总分析，致景构建出基于纺织行业特有的生成设备数据评分表，根据生产、工艺、加权效率等参数对不同的工厂进行分群。
57.在全产业链的交易平台上，通过为工厂、贸易商提供交易平台服务，获得客户的原材料品类、主营sku等商品种类及数量数据作为运营数据；根据交易平台上的运行的全行业商品销售量及销售价格数据库，对客户主营sku进行分析，对客户采购、销售趋势进行分析，并根据分析结果进行预警和分类。
58.通过与外部持牌征信机构进行系统级对接，全面采集客户工商、司法、税务、行政等公开数据库数据，从而掌握客户更多维度的信息。
59.根据设备数据、运营数据和公开数据库数据进行数据建模，并形成纺织行业信用评分卡输出，其中，数据建模通过kmeans、随机森林回归、svm过抽样等多种算法，对搜集的三大类数据进行分析处理，得出客户总体金融逾期风险，并将分析结果与历史数据进回归比对，逐步确认符合纺织行业特征的算法模型。
60.评分卡构建：结合金融风险控制的实际要求，将不同的金融机构的需求，将平台搜集的设备数据、运营数据、公开数据库数据根据场景、客户类别配以不同的权重进行组合，导入各类数据风险建模的得出的逾期风险概率，并将各项目分配不同的分值，最终形成了纺织行业贸易商、纺织行业生产商的金融风险评分体系，最后将评分卡生成内置到风险控制系统的固定流程中，定时生成评分结果和风险控制报告。
61.参见图4，本发明还提供一种基于纺织行业大数据的金融风险分析系统，具体包括：
62.数据采集单元201，获取织布机设备数据、运营数据和公开数据库信息；
63.数据分析单元202，对织布机设备数据、运营数据和公开数据库信息进行汇总、分群及分析；
64.数据建模单元203，根据数据分析单元获取客户总体金融逾期风险，并将分析结果与历史数据进行回归比对，建立纺织行业算法模型；
65.风险评分单元204，通过数据建模单元的纺织行业算法模型对数据采集单元采集的数据进行权重组合和分配，形成纺织行业金融风险评分体系。
66.本方案利用了社会公开数据库和致景独有的生产数据库以及订单数据库，从0到1的构建了独特的纺织行业风险评分体系，降低了金融机构和小微企业之间的信息不对称，协助金融机构建立了针对纺织行业的金融风险管控方案，并通过对后续金融服务的导入验证了方案的有效性。
67.随着供应链管理业务的进一步开展，金融服务覆盖面的进一步扩大，可以获得更为全面纺织行业经营数据，并通过对金融数据的导入和验证，从而进一步对算法-评分系统进行迭代，从而构建更为准确的风险控制和客户分级方案。
68.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。