预测分析的第一步:量化发票付款的风险

在通常的批准程序之前，是否有可能量化发票付款的风险?Remitia该公司是贸易融资和应付款市场的暴发户。在一个博客该研究最初发表在PaymentEye上，Remitia建议，可以使用大数据来准确定价与发票付款相关的风险。

邮件指出，关键在于“深入分析应付账款数据”，以了解现有或新供应商提交的发票带来的审批风险类型。此外，“这是一个很少被内部或第三方挖掘的数据源”，类似的和额外的数据集可以提供“对支付模式和a /P操作模式及其对营运资本的影响的见解”。

对未批准发票的支付风险进行定价其实并不新鲜。这是自贷款模式出现以来的一些因素造成的，但基于对供应商系统和数据的访问，信息不完整。但是，从买方系统的角度来看，采用历史付款和发票文件来量化和分组不同的风险，以确定提交的发票最终会在没有任何修改的情况下获得批准和支付的可能性，这一概念将这个概念带入了大数据时代。

Remitia的定价算法是否成功，对贸易融资的未来实际上是次要的，至少在我看来是这样。更重要的是，有人终于将支付分析与应付账款和采购数据集结合起来，提出了预测模型——我怀疑在不久的将来，我们会看到更多这样的模型。

例如，想象一下，即使在发出订单之前，也能够准确地估计采购订单被履行的可能性，或者系统建议对采购订单进行的微小更改可以产生更好的结果。或者思考能够动态子不同的付款机制用户不知不觉,如屏蔽p-card-type支付模型与一个专有捕获一个更大的折扣,但经过一个发票集运商规避信用卡公司或主要伙伴。

围绕采购、应付账款和付款的预测分析的未来确实是光明的。也许它将从简单的二进制量化开始——支付或不支付——根据历史数据从供应商收到发票后支付发票。当然，即使在这成为一种普遍的实践之前，数据集也需要证明这样的结果是有可能实现的

披露:Jason Busch是Remitia的创始人和投资者之一。