1. 课程导入

欢迎进入《供应链关系数据与风险因子实战》。在开始建模、写查询、跑评分之前，我们需要先建立一张“认知地图”：供应链风险并不是孤立事件，它沿着企业之间的交易、物流、资金与信息关系传播；而风险因子，就是把这些关系与外部环境中的异常信号，转化为可计算、可排序、可行动的特征。本章不急于写代码，而是先回答四个问题：学什么、是什么、怎么组织、值不值得学。

一、学习目标：从“看新闻”到“看数据”

本课程结束时，你应当具备三项可验证的能力。第一，能够识别供应链中的核心关系对象：供应商、客户、承运商、仓库、工厂、港口、金融机构与监管主体，并理解它们之间的交易流、物流、资金流与信息流。第二，能够把模糊的风险描述（如“这家供应商可能断供”）拆解为可采集的风险因子，例如交付延迟率、财务杠杆、区域集中度、舆情负面指数、天气灾害暴露度。第三，能够用关系数据与因子数据构建一个可解释的风险评分或预警规则，并知道如何复盘误报与漏报。

二、核心概念：关系数据与风险因子

供应链关系数据描述的是“谁和谁、通过什么、以多大强度、在什么时间发生联系”。它通常包括：企业节点属性（行业、规模、地域）、边属性（交易金额、订单频次、账期、承运比例）、路径属性（多级供应关系、替代路径）、时间属性（关系建立、中断、恢复）。关系数据的价值在于，它让风险传播有迹可循：一家二级供应商的火灾，可能通过一级供应商的交付延迟，传导到核心企业的产线停摆。

风险因子是关系的“体检指标”。它可以分为四类：

• 财务因子：资产负债率、现金流缺口、应付账款周转天数、信用评级变化。
• 运营因子：准时交付率、质量退货率、产能利用率、库存周转天数。
• 外部因子：自然灾害、政策变化、汇率波动、舆情热度、地缘冲突。
• 关系因子：单一来源依赖度、替代供应商数量、关系持续时间、交易集中度。

关系数据与风险因子不是两套独立的东西。关系数据提供“结构”，风险因子提供“状态”；结构决定风险能传多远，状态决定风险有多强。只有把两者结合，才能回答“哪个节点最危险、哪条路径最脆弱、哪个因子最先变化”。

三、整体框架：四层递进

本课程按“数据—因子—模型—行动”四层展开，每一层都对应可落地的工具与产出。

这四层不是线性瀑布，而是循环。行动复盘产生的新标签，会反过来优化因子筛选与模型权重。课程后续章节会逐步把每一层拆开，用真实数据结构与代码示例演示。

四、实战价值：三个真实场景

场景一：供应商断供预警。某制造企业通过关系数据发现，某关键物料的一级供应商高度依赖单一二级供应商，而该二级供应商所在区域近期出现极端天气。系统将“区域灾害暴露度”与“单一来源依赖度”两个因子相乘，触发高风险预警，采购团队提前启用替代供应商，避免了两周停线。

场景二：应收账款风险传导。某核心企业的应付账款周期延长，关系数据沿供应链向上游传播，结合上游供应商的现金流因子，识别出三家可能因资金链断裂而停供的中小企业。财务与采购联合调整账期，稳定了供应网络。

场景三：舆情与合规风险。某客户被曝出环保违规，关系数据显示其占某工厂营收的40%。系统将“舆情负面指数”与“客户集中度”结合，生成客户流失风险评分，销售团队提前介入沟通，降低了订单波动。

五、常见误区与复盘

初学者容易陷入四个误区。第一，只建图不建因子：图谱很漂亮，但无法回答“风险有多大”。第二，只堆因子不看关系：因子很多，但不知道风险会传给谁。第三，追求复杂模型：在数据质量不足时，复杂模型反而不可解释，业务不敢用。第四，忽略时间维度：关系会变化，因子会过期，静态快照容易产生“看起来对、用起来错”的结论。

本章建立了整体认知：关系数据回答“结构”，风险因子回答“状态”，两者结合才能形成可解释、可行动的风险洞察。接下来的章节，我们将从关系数据的采集与建模开始，逐步进入因子工程、评分模型与实战复盘。