企业应收账款是企业流动资产的重要组成部分,是影响企业资金周转和企业利润的重要指标之一,对任何一笔销售收入在货款未足额收回之前都存在客户付款违约的潜在风险,这种风险就称作“信用风险”,对“信用风险”的管理即为“信用管理”。本文的研究对象H企业的主要客户集中在建筑、能源、汽车、轨道交通这些超长期逾期付款的行业,因此H企业在应收账款控制方面的压力非常大。目前对应收账款控制方面的研究集中在金融机构或者债务管理公司等金融服务机构中,形成一套较为成熟的授信评估和信用管理的体系,在信用评估和预测方面较为常见的有传统的5C评价模型、特征分析模型、Z-SCORE模型,以及近几年得益于互联网技术发展而产生的基于大数据分析及深度挖掘技术所建立的大数据风控模型。聚焦到企业信用管理,受限于客户群体的特性和行业特性,企业信用管理和金融行业信用管理有很大的区别,最主要的原因是市场地位和数据环境的不同。银行类金融机构做信用管理有很强的市场地位,可以要求被授信对象提供财务报表、审计报告、财产证明、征信记录等等数据信息来进行授信评估。而企业在供应链上发生授信行为的根本原因是市场地位弱,市场地位真正强的企业如行业领头企业、航空行业,不会给下游授信。市场地位弱必须要授信行为来助力业务发展,自然不能要求交易对象提供非常详细的数据,企业必须在非常有限的、杂乱的数据里面找到真正有关客户本身信用情况的一些信息,这是企业信用管理的环境特点。本文从商贸型企业的客户类型和业务特征出发,基于对H企业应收账款控制体系现状以及客户群特征进行分析,通过运用扎根理论的研究方法,筛选出影响H企业应收账款风险评价的关键风险因子,并以这些风险因子为主要标签,结合H企业已有的客户评级授信模型,将企业运营的大数据信息融入H企业应收风险控制流程,构建应收账款风险控制大数据模型的逻辑模型图。本文提供了一种企业信用风险评估流程,对企业进行信用风险评估时,可以通过获取目标企业偿债能力和偿债意愿的关键标签模块(风险变量),并对这些标签数据进行预处理后,再通过预设的模型,计算应收账款违约风险,最后输出信用分析结论,以支持授信决策。本文图11幅,表13个,参考文献49篇。