编辑导语：“B2B电商平台中支付和金融模块是十分复杂的，但这两个模块又是电商平台建设过程中不可绕过的，在B2B电商平台发展这么多年中，能够在体验和功能复杂度之间取得平衡的支付金融产品不多，笔者希望通过对自己产品设计经验的总结，能够寻找到一个比较好的支付和金融产品的设计方案。该系列我们详细聊下如何设计好支付以及金融模块。”
全篇分为上中下三部分，上篇主要从业务场景和业务架构出发，从全局的角度梳理B2B电商平台中支付和金融的业务场景；中、下两篇篇则从四种支付方式的角度一一讲解其功能设计的细节。
本篇将介绍供应链金融产品相关功能的设计。
四、供应链金融
B2B电商平台若要从信息平台向正真的交易平台出发，那么供应链金融是其不可绕过的关键业务，大部分的供应链金融业务在线下也是可以开展的；例如前文所描述的大部分企业均能够提供的赊销服务。
但线下的供应链金融效率较低，且可服务的规模也有瓶颈，而通过互联网的方式提供供应链金融无疑是能够解决以上问题。
从业务的角度看供应链金融主要分为三大类型：预付款融资（又可细分为：保兑仓融资、代理采购）、仓单或货权质押融资、应收账融资，具体内容可见公众号内另一篇文章《B2B电商平台中供应链金融业务分析》。
三种类型各有其特点，当前在B2B电商平台中最为常见的是应收帐融资模式，以下功能模块设计也主要基于该模式进行。
供应链金融的本质是对风险进行定价，其核心是对有需求的客户通过信用评分模型评估其风险决定其可获得的信用额度、账期、利率。
1. 细分场景说明
在B2B电商平台中应收帐融资的主要业务流程如下：
整个流程中主要包括客户、商家、平台、资金方四类角色，具体步骤如下：
1）客户相关业务
- 客户申请使用白条，需要满足一定的资质，并签署相关协议，例如：已完成认证、交易满三个月、交易额满XX元等；
- 通过信用评分模型进行客户评分，下面会重点介绍信用评估模型；
- 根据评分进行授信，包括可用额度、账期天数和利率；
- 特别说明：第2、3步可由平台统一完成也可由各个商家独立完成，由平台统一完成则风险可控较强、业务简单清晰商家无需进行负责业务处理，但该模式不够灵活；由商家完成则会出现同一个客户多重授信，风险较大，且业务较为复杂，需要商家自主进行资质审核及相关配置，该模式灵活；
- 在下单时使用白条进行支付，在订单的履约过程中逐步增强应收账款的效用，能够更好的进行融资；
- 到期进行还款，若资金周转暂时困难还可申请分期还款，分期还款需要重新进行信用评估，分期还款不是所有客户都能开通，客户使用分期还款时由资金方点资，应收账款转移至资金方（一般为保理公司）；
- 分期还款到期后还款。
2）商家相关业务
- 申请店铺开通白条支付，需符合一定条件，并签收相关协议；
- 在客户使用白条支付时，生成应收账款；
- 对于已经开通白条支付的商家可申请开通白条贴现（在应收账款未到期之前提前结付）；
- 由平台对商家进行信用评估（结合线上、线下评估）；
- 评估通过后授予一定的额度、利率；
- 对应收账款发起白条贴现；
- 资金方收取贴现利息后放款给商家；
- 应收账款到期时客户还款给资金方。
2. 功能设计说明
对不同种类的供应链金融业务进行分析后可抽象如下的功能结构：
整个系统可分为：申请管理、信用评分模型、授信管理、应收管理几大模块。
1）申请管理
主要处理买家发起的白条申请、分期申请，卖家发起的贴现申请等。
包括用户发起申请的相关功能和业务审核人员对申请单进行审核的相关功能，这个环节需要确认客户的真实意向、完成资质的初步审核，保障申请的正式性为下一步进行信用评分提供基础的资料和业务保障。
2）信用评分模型
在不同类型的供应链金融模式中总体来说其业务模式相近，整个供应链金融系统中最为之核心的模块就是信用评分模型。
信用评分模型一般可用三张卡来表示：A卡（申请者评级模型）、B卡（信用评级模型）、C卡（催收评级模型），有些模型中可能还有一张F卡（欺诈评级模型），三个模型的具体介绍如下：
- A卡（申请者评级模型），主要是对有金融需求的新客户进行评级，通过客户提交的资料、从第三获取的客户资料以及通过征信机构获取的客户资料进行综合评分，该卡确定了客户的初始额度、账期、利率。
- B卡（信用评级模型），主要对融资业务中存量客户在续存期内可能发生的逾期、延期等行为进行预测，能提前发现风险。
- C卡（催收评级模型）们主要是在客户已经逾期的情况下，预测未来该笔贷款变为坏账的概率
不同的评分卡，对数据的要求和应用的建模方法会不一样，我们在做评分模型的建设时需要考虑模型与业务的匹配程度，下面我们详细了解下信用评分模型的建设流程。
信用评分模型的主要开发流程如下：
- 数据获取：包括获取存量客户及潜在客户的数据。存量客户是指已经在证券公司开展相关融资类业务的客户，包括个人客户和机构客户；潜在客户是指未来拟在证券公司开展相关融资类业务的客户，主要包括机构客户；这也是解决证券业样本较少的常用方法，这些潜在机构客户包括上市公司、公开发行债券的发债主体、新三板上市公司、区域股权交易中心挂牌公司、非标融资机构等。
- EDA（探索性数据分析）与数据描述：该步骤主要是获取样本总体的大概情况，以便制定样本总体的数据预处理方法；描述样本总体情况的指标主要有缺失值情况、异常值情况、平均值、中位数、最大值、最小值、分布情况等。
- 数据预处理：主要工作包括数据清洗、缺失值处理、异常值处理，主要是为了将获取的原始数据转化为可用作模型开发的格式化数据。
- 变量选择：该步骤主要是通过统计学的方法，筛选出对违约状态影响最显著的指标。
- 模型开发：现在我们已经拥有了一些非常“优秀”的变量，那我们怎么利用这些变量得到我们所需要的答案呢？这是一个已知X求Y的问题，我们需要选择一个合适的模型方法去解决和预测；常见的模型方法有线性回归、非线性回归分析、决策树等等；其中，逻辑回归是在信用评分卡开发中非常有代表性的模型方法；在这个模型中，经过上述筛选的每一个变量会进行证据权重转换（WOE 即 Weight of Evidence），逻辑回归可以将我们所熟知的借款
