Penilaian Risiko Kredit dengan AI untuk Pelanggan B2B

Oleh Jane Ha · Dikemas kini 11 Oktober 2026

Penilaian risiko kredit dengan AI ialah penggunaan pembelajaran mesin untuk menganggar sejauh mana pelanggan perniagaan berkemungkinan membayar lewat atau tidak membayar langsung, dan menukar anggaran itu kepada skor kredit, had kredit dan pencetus semakan. Model belajar daripada sejarah pembayaran anda sendiri, daripada data biro dan rekod awam, dan daripada isyarat seperti corak pesanan. Pengurus kredit masih memiliki polisi, meluluskan pengecualian dan memutuskan bila hendak menahan pesanan.

Panduan ini ditujukan kepada pengurus kredit, pemimpin AR, pengawal kewangan (controller) dan CFO yang memberi kredit perdagangan dan ingin tahu apa yang AI boleh lakukan untuk mereka, di mana ia gagal dan cara melancarkannya tanpa hilang kawalan ke atas polisi kredit. Untuk bahagian kutipan dalam proses yang sama, baca AI dalam akaun belum terima. Untuk bahagian kecairan, lihat AI dalam treasury. Untuk kesan terhadap tunai, lihat ramalan aliran tunai dengan AI.

Fakta Utama

• Dalam Atradius Payment Practices Barometer untuk Amerika Syarikat (edisi 2025), 43% daripada nilai invois B2B telah tertunggak, 52% dibayar tepat pada masanya dan 5% dihapus kira sebagai hutang lapuk (Atradius).
• Laporan yang sama mendapati hampir 50% jualan B2B di A.S. dibuat secara kredit, dan purata terma bayaran ialah 45 hari dari tarikh invois (Atradius).
• Dalam tinjauan itu, 70% syarikat sedang menambah jumlah kredit yang mereka beri kepada pelanggan, dan separuh daripadanya menggandingkannya dengan tempoh penyelesaian yang lebih panjang (Atradius).
• Kertas kerja Bank for International Settlements mendapati bahawa model pembelajaran mesin yang menggunakan data bukan tradisional meramalkan kerugian dan keingkaran dengan lebih baik daripada model tradisional apabila keadaan kredit mengetat, dan kelebihannya mengecil bagi peminjam yang mempunyai sejarah kredit lebih panjang (BIS Working Paper 834).
• Federal Reserve, OCC dan FDIC mengeluarkan panduan risiko model yang disemak semula, SR 26-2, pada 17 April 2026; ia menggantikan SR 11-7, Panduan Pengurusan Risiko Model 2011 (Federal Reserve).
• Regulation B, yang melaksanakan Equal Credit Opportunity Act, terpakai kepada kredit komersial dan juga kredit peribadi (CFPB).

Apa yang Dilakukan oleh Penilaian Risiko Kredit dengan AI

Kerja kredit B2B tradisional ialah satu gelung: kumpul permohonan kredit, tarik laporan biro, baca penyata kewangan, tetapkan had, dan semak semula setahun sekali atau apabila ada yang tidak kena. Titik lemahnya ialah semakan semula. Pelanggan yang kelihatan baik pada Januari mungkin sudah melambatkan bayaran menjelang Mac, dan tiada siapa melihat sehingga invois lewat 60 hari.

AI mengubah gelung itu dalam tiga cara.

1. Ia menilai secara berterusan. Bukannya satu skor semasa orientasi, model menyegarkan skor apabila bayaran baharu, kemas kini biro dan berita tiba.
2. Ia menggunakan tingkah laku, bukan sekadar gambaran seketika. Lejar AR anda sendiri ialah data paling meramal yang anda ada. Pelanggan yang dahulu membayar dalam 32 hari dan kini membayar dalam 47 hari sedang memberitahu anda sesuatu yang tidak akan ditunjukkan oleh mana-mana kunci kira-kira.
3. Ia mengendalikan ekor panjang. Pasukan kredit boleh membaca fail seratus akaun besar. Ia tidak boleh membaca fail tiga ribu akaun kecil. Model boleh menyaring semuanya dan memaparkan sepuluh akaun yang memerlukan seorang manusia hari ini.

Angka Atradius menerangkan mengapa ini penting sekarang. Apabila 43% nilai invois tertunggak dan kebanyakan pembekal memberi lebih banyak kredit, bukan kurang, kos fail kredit yang lambat dikemas kini meningkat. Pembekal memberi lebih banyak kredit sedangkan sebahagian besar invois masih lewat, dan itulah gabungan yang dibina untuk dikesan oleh model pemantauan.

Di Mana AI Terletak dalam Proses Kredit

Data yang Menyuap Model

Model kredit hanya sebaik inputnya, dan yang terbaik sering sudah ada dalam ERP anda.

• Sejarah pembayaran anda. Hari untuk membayar, trend hari untuk membayar, bayaran separa, pertikaian, janji bayar yang dimungkiri dan nota kredit. Ini isyarat terkuat bagi pelanggan sedia ada.
• Tingkah laku pesanan dan penggunaan. Kekerapan pesanan, perubahan saiz, campuran produk dan penggunaan had sepenuhnya.
• Data biro dan perdagangan. Skor biro komersial, indeks bayaran daripada pembekal lain, lien dan penghakiman.
• Rekod awam dan pemfailan. Notis insolvensi, tindakan undang-undang, akaun yang difailkan lewat, perubahan pemilikan.
• Penyata kewangan. Trend hasil, leverage dan kecairan jika anda boleh mendapatkannya. Ini tiba perlahan dan sering tiada bagi firma swasta.
• Isyarat luaran. Berita, tekanan sektor, pergerakan mata wang dan risiko negara bagi pelanggan eksport.
• Data perhubungan. Pautan syarikat induk dan subsidiari, pengarah yang sama dan pendedahan pihak berkaitan, supaya anda melihat jumlah pendedahan kepada satu kumpulan.

Kertas BIS menawarkan peringatan berguna tentang data bukan tradisional. Model pembelajaran mesinnya memperoleh paling banyak di tempat yang sejarahnya sedikit, dan kelebihan itu menyempit bagi peminjam yang mempunyai sejarah lebih panjang. Itu sejajar dengan pengalaman dalam kredit perdagangan: bagi pelanggan sepuluh tahun dengan data lejar yang bersih, kad skor ringkas sudah berfungsi dengan baik. Model menunjukkan nilainya pada akaun baharu, fail yang nipis dan keadaan yang berubah pantas. (Kajian itu menggunakan data pinjaman fintech gaya pengguna di China, jadi anggaplah ia bukti tentang di mana ML membantu, bukan penanda aras ketepatan B2B.)

Cara Model Berfungsi, dalam Bahasa Mudah

Anda tidak perlu membinanya, tetapi anda patut tahu apa yang anda beli atau luluskan.

Kad skor dan regresi logistik. Pendekatan klasik. Beberapa pemboleh ubah, masing-masing dengan pemberat, menghasilkan skor. Ia telus dan mudah diterangkan kepada juruaudit, dan ia kekal sebagai garis dasar yang munasabah.

Gradient-boosted trees dan model serupa. Ini menangkap corak tidak linear, seperti "bayaran lewat lebih penting apabila saiz pesanan turut meningkat." Ia biasanya mengalahkan kad skor dari segi ketepatan apabila anda mempunyai data yang mencukupi, dan ia lebih sukar diterangkan, itulah sebabnya pasukan menambah kod sebab yang menunjukkan faktor teratas di sebalik setiap skor.

Pengesanan anomali. Daripada meramalkan keingkaran, ia menandakan tingkah laku yang melanggar corak pelanggan itu sendiri: lonjakan mendadak dalam saiz pesanan, alamat penghantaran baharu, bayaran yang mula tiba daripada akaun bank yang berbeza.

Model bahasa. Ini membaca berita, pemfailan dan dokumen permohonan kredit lalu meringkaskannya untuk penganalisis. Ia membantu dari segi pembacaan, bukan skor itu sendiri. Suruh ia memetik angka daripada sumber dan bukannya mengingatinya.

Apa pun tekniknya, output harus terdiri daripada tiga perkara: kebarangkalian atau band risiko, sebab utama di sebaliknya, dan tindakan yang disyorkan yang berada dalam polisi kredit anda.

Contoh Sebenar mengikut Fungsi

Ini ialah ilustrasi umum, bukan kajian kes.

Kredit dan risiko. Sebuah pengedar mempunyai 2,400 akaun perdagangan aktif dan empat penganalisis kredit. Setiap malam model menilai semula setiap akaun dan menyusun akaun yang band risikonya bertambah buruk. Penganalisis memulakan hari dengan senarai 15 akaun untuk disemak, setiap satu dengan sebabnya: hari bayaran meningkat, penghakiman baharu, kenaikan besar dalam baki terbuka. Sebelum model, mereka menyemak mana-mana akaun yang kebetulan tertunggak.

Akaun belum terima. Pasukan AR menggunakan skor yang sama untuk memutuskan siapa mendapat peringatan awal. Pelanggan berisiko rendah yang lewat dua hari menerima peringatan automatik. Pelanggan berisiko tinggi dihubungi sebelum tarikh matang. AI dalam akaun belum terima menerangkan cara penilaian dikaitkan dengan aliran kerja kutipan.

Jualan. Seorang jurujual ingin menutup pesanan pertama yang besar bagi pelanggan baharu dengan fail yang nipis. Model memulangkan band risiko sederhana dan had yang dicadangkan jauh di bawah nilai pesanan. Pengurus kredit mencadangkan pembahagian: sebahagian atas terma terbuka, sebahagian lagi dengan deposit. Perjanjian ditutup, dan pendedahan kekal dalam polisi.

Kewangan dan FP&A. Pihak kewangan menggunakan band risiko untuk membina peruntukan bagi jangkaan kerugian kredit dan untuk menguji tekanan ramalan tunai. Jika pelanggan yang paling berkemungkinan membayar lewat juga memegang baki terbesar, ramalan harus menyatakannya. Kaitan dengan ramalan aliran tunai adalah langsung: ramalan masa pembayaran yang sama menyuap kedua-duanya.

Menetapkan Had Kredit dengan AI

Had ialah pernyataan tentang berapa banyak kerugian yang sanggup anda tanggung bagi satu pelanggan. Model boleh mencadangkannya, tetapi logiknya harus kelihatan. Formula had yang munasabah menggabungkan:

• band risiko (risiko lebih tinggi, gandaan lebih rendah),
• pembelian bulanan lazim pelanggan (saiz semula jadi pendedahan),
• margin kasar pada apa yang mereka beli (margin lebih tinggi bermakna lebih ruang untuk menyerap kerugian),
• jumlah pendedahan merentas entiti berkaitan, dan
• had polisi anda bagi band risiko itu.

Model mencadangkan; polisi menghadkannya. Jika cadangan melebihi had bagi band itu, had yang menang. Jika jurujual mahukan lebih, itu ialah pengecualian dengan pemilik dan sebab, bukan penggantian secara senyap.

Had dinamik ialah langkah seterusnya: had bergerak secara automatik dalam jalur sempit apabila skor berubah, dan apa-apa di luar jalur itu pergi kepada seorang manusia. Mulakan dengan amaran, bukan perubahan automatik.

Cara Melancarkan Penilaian Risiko Kredit dengan AI, Langkah demi Langkah

1. Tulis polisi kredit dahulu. Band risiko, kuasa had mengikut jumlah, peraturan menahan, pengendalian pengecualian. Model tidak boleh menguatkuasakan polisi yang tidak wujud.
2. Bersihkan lejar. Gabungkan rekod pelanggan pendua, kaitkan syarikat induk dan subsidiari, dan pastikan bayaran dikenakan pada invois yang betul. Kesediaan data kewangan membincangkan semakannya.
3. Takrifkan apa maksud "buruk." Keingkaran boleh bermaksud lewat 90 hari, hapus kira, kebankrapan atau penyelesaian di bawah nilai muka. Pilih satu takrifan untuk latihan dan kekalkannya.
4. Tetapkan garis dasar prestasi semasa anda. Rekodkan kadar hapus kira, tempoh kutipan purata (DSO), bahagian nilai invois yang tertunggak dan kekerapan had dilanggar. Anda tidak boleh mendakwa penambahbaikan tanpa keadaan sebelum.
5. Mulakan dengan skor yang berjalan di sebelah proses manusia. Selama dua atau tiga kitaran semakan, biarkan model menilai akaun sementara penganalisis memutuskan seperti biasa. Bandingkan di mana mereka berbeza dan siapa yang betul.
6. Tambah kod sebab. Setiap skor yang ditunjukkan kepada penganalisis kredit harus disertai sebab teratas. Skor tanpa sebab mendapat sama ada kepercayaan buta atau penolakan menyeluruh.
7. Hidupkan amaran sebelum automasi. Biarkan model menandakan akaun yang merosot. Jejaki berapa banyak amaran yang berguna dan berapa banyak yang hanya gangguan.
8. Automasikan laluan berisiko rendah. Pesanan kecil daripada pelanggan berisiko rendah yang sudah lama boleh dilepaskan secara automatik dalam had. Semua yang lain kekal dengan seorang manusia.
9. Ujian balik dan kalibrasi semula mengikut jadual. Bandingkan risiko yang diramalkan dengan apa yang berlaku, mengikut band risiko, sekurang-kurangnya setiap suku tahun.

Tadbir Urus dan Perkara Undang-undang

Risiko model. Gandingkannya dengan program AI dan kawalan dalaman yang lebih luas. Layan model kredit sebagai model dalam erti kata formal: tujuan, data, andaian yang didokumenkan, pengesahan oleh seseorang yang bebas daripada pembinanya, dan log perubahan. SR 26-2 Federal Reserve, yang menggantikan SR 11-7 pada 2026, ialah panduan penyeliaan tentang pengurusan risiko model untuk bank, dan pasukan kredit korporat boleh meminjam tabiatnya iaitu pengesahan bebas dan pemantauan berterusan.

Perakaunan jangkaan kerugian kredit. Jika anda melapor di bawah U.S. GAAP (ASC 326) atau IFRS 9, peruntukan anda bagi akaun belum terima perdagangan ialah anggaran yang akan diuji oleh juruaudit anda. Model band risiko boleh menyokong anggaran itu, tetapi pasukan kewangan memiliki metodologinya dan mesti dapat menerangkannya. Berbincanglah dengan juruaudit anda sebelum menukar kaedah peruntukan.

Skop pinjaman adil. Regulation B, yang melaksanakan Equal Credit Opportunity Act, meliputi kredit komersial dan juga kredit peribadi, jadi ia boleh terpakai kepada keputusan kredit perniagaan, dengan peraturan khusus tersendiri bagi pemohon perniagaan. Itu menjadikannya wajar untuk mengelakkan input yang mewakili ciri terlindung seorang pemilik individu, dan menyimpan sebab bagi keputusan yang tidak memihak. Semak dengan peguam bagaimana peraturan itu terpakai kepada kredit perdagangan anda, kerana ia berbeza mengikut jenis pemberi kredit dan transaksi.

Kesilapan Lazim

• Melatih pada tempoh yang menyenangkan. Model yang dibina atas bertahun-tahun keingkaran rendah memandang rendah risiko apabila keadaan berubah. Sertakan tempoh tekanan atau uji model terhadapnya.
• Membiarkan jualan menggantikan secara senyap. Jika setiap pesanan besar mendapat pengecualian, skor hanyalah hiasan. Rekod dan semak penggantian.
• Mengabaikan pendedahan kumpulan. Menilai setiap entiti sah secara berasingan boleh menyembunyikan bahawa sepuluh akaun kecil sebenarnya satu peminjam.
• Mengelirukan lewat dengan hilang. Pelanggan yang sentiasa membayar pada hari ke-60 ialah masalah modal kerja, bukan risiko keingkaran. Modelkan kedua-duanya secara berasingan.
• Keletihan amaran. Senarai pantau 300 akaun akan diabaikan. Tala ambang bersama penganalisis yang menggunakannya.
• Tiada pelan sandaran. Putuskan lebih awal apa yang berlaku apabila model tidak berfungsi atau jelas salah: senarai semak manual dan seorang yang dinamakan dengan kuasa untuk menghentikan automasi.

Apa yang Perlu Diukur

• Kualiti ramalan: sejauh mana band risiko memisahkan akaun baik daripada buruk, dan sama ada kadar kerugian sebenar setiap band sepadan dengan kadar yang diramalkan.
• Hasil kredit: hapus kira sebagai bahagian daripada jualan kredit, bahagian nilai invois yang tertunggak dan tempoh kutipan purata (DSO).
• Proses: masa dari permohonan hingga keputusan had, bahagian akaun yang disemak dalam polisi dan bahagian pesanan yang dilepaskan tanpa sentuhan manual.
• Kawalan: kadar penggantian, pelanggaran had, dan amaran yang membawa kepada tindakan.

Langkah Seterusnya

Jika anda hanya melakukan satu perkara suku tahun ini, tuliskan band risiko dan kuasa had anda, kemudian jalankan skor di sebelah penganalisis anda selama beberapa kitaran. Bandingkan keputusan mereka dengan model dan teliti perbezaannya. Selepas itu, sambungkan skor kepada kutipan dengan AI dalam akaun belum terima, suapkan ke dalam ramalan melalui ramalan aliran tunai dengan AI, dan semak data anda dengan kesediaan data kewangan untuk AI. Untuk penipuan pembayaran dan butiran bank yang berubah, yang merupakan risiko berbeza daripada kredit, lihat pengesanan penipuan dalam kewangan dengan AI.