專利名稱：動態(tài)產生增強信用評估的詳細交易支付經歷的方法和系統的制作方法
技術領域：
本公開涉及與實體的信用可靠性有關的數據的評估，并且，更特別地，涉及產生提供關于實體的詳細交易支付經歷的數據，該數據被分類、存儲以及元數據貼標簽，以及與關聯統計的事件驅動增強結合，并且此后經歷新穎的客戶專用評估處理。
背景技術：
實體是經營生意或意圖經營生意的合法實體(例如，個體、合營或公司)。交易經歷是供方與買方之間的事務的記錄，包括但不限于關于實體的經歷的賬戶信息、支付明細、 期初余額的階段(age)、信用額度以及銷售條款，交易經歷涉及實體對提供給實體的商品或服務的支付。按慣例，針對所有交易經歷計算支付指標(PAYDEX )得分，其是對支付性能進行定級的信用信息服務。該得分是公司對其它公司支付多快或多慢的加權平均。公司盡管對部分合作方按時支付而對其它合作方延期支付，也會具有良好的得分。例如，公司可以以一種方式對具有較大關系的合作方支付，而以另一方式對具有較小關系的合作方支付?？蛻舴答伇砻魉麄兿胍谟嬎阒惺褂玫母鄶祿?；他們想要更新鮮的數據，并且他們特別想要與他們更相關的數據?？蛻艚洑v是一些客戶就像得分那樣表現，而其它客戶則不這樣并且他們不知道為什么這樣?？蛻舯砻?，某些類型的交易經歷和歷史比其它交易具有更高的重要性。存在對通過行業(yè)、生意的規(guī)模、生意的階段以及支付范圍細分的支付性能得分的需要，該得分更好地預測公司將如何支付特定的合作方。在美國專利公布第2005/0M0503號中公開了描繪交易經歷的一個這樣的交易報告，在此將其全部內容合并于此，并且其中，針對特定行業(yè)、支付范圍以及時間敏感時段 (諸如3、6、9以及12月計算)而計算支付性能得分。該得分預測公司將如何支付特定合作方。該得分基于交易經歷并且提供在報告中。圖4和圖5描繪了具有發(fā)票級明細300、供方提供的賬戶級交易明細302以及分項匯總304(例如，經歷的日期、支付記錄、高信用、目前欠債、過期未付、售賣條款以及最近銷售的日期)的常規(guī)明細交易處理。圖5示出了常規(guī)交易支付經歷報告，其匯總了在正常市場條件期間的支付經歷，以便為在正常市場條件下的判決提供快照。該匯總具有其限制， 即，(a)其僅以單個“支付經歷”捕獲了 12個月的歷史，使得難以基于支付日期而進行靈敏度分析，以及(b)其遮蔽了對支付行為趨勢的可見性，花費較長時間使立即支付和拖延支付行為變得明顯?，F有技術明細交易報告的缺點是，其限制客戶在易變市場條件中想要和需要的可見性。然而，當前信用報告均不能提供足夠的當前和相關交易經歷以使得公司能夠獲知信用可靠性決策，尤其是在當今快速變化的經濟環(huán)境中更是如此。本公開提供了生成關于公司的信用可靠性的更當前和準確的信用報告，由此避免使用陳舊的數據來進行這樣的決策。另外，本公開提供了獨特的交易數據聚集、數據的合成和相關處理以及應用客戶特定的評估處理的能力。

發(fā)明內容
存在對提供關于實體的最近行為(例如，在緊接報告之前的月份期間的行為)的詳細交易支付經歷的信用報告的需要。還存在對如下這樣的信用報告的需要該信用報告通過提供屬于按月或按周變化的交易明細來考慮可能影響信用決策的最近經濟趨勢，以便為客戶提供更準確的報告，根據該報告，客戶可以判斷公司的信用可靠性。通過計算機實現的方法來實現上述需要，該方法包括(a)接收關于實體的第一交易經歷的第一數據，(b)處理第一數據來產生關于實體的第一信用評估，利用用于細分的人口統計特征來豐富數據，其中，該處理產生中間數據，(c)將中間數據存儲在數據庫中， (d)接收關于實體的第二交易經歷的第二數據，(e)將第二數據與數據庫中的中間數據進行匹配，(f)從數據庫中檢索中間數據，(g)處理第二數據和中間數據，以產生關于實體的第二信用評估，以及(h)生成包括第二信用評估的信用報告。還提供了執(zhí)行該方法的系統。本公開允許用戶定義他們自己的PAYDEX 或優(yōu)先級準則，用于以逐月基礎進行評估和其傳遞。另外，當在交易經歷數據中出現重大改變時，本公開的方法和系統可以傳送格式化或定制化的警報。該新交易經歷數據可以用來向用戶傳遞更準確和當前的行業(yè)和性能報告。一種用于提供信用評估報告的計算機實現的方法，該方法包括搜索實體的參考文件；識別關注的實體；確定用戶指定的規(guī)則或準則；基于用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對關注的實體的交易經歷的數據庫中選擇至少一個相關交易經歷；以及基于相關交易經歷，生成關注的實體的信用評估報告。在生成信用評估報告之前，還估計關注的實體的相關交易經歷的性能。優(yōu)選地，參考文件是至少從包括實體名稱、實體地址、實體電話號碼以及實體聯系構成的組中選擇的數據。優(yōu)選地，交易經歷的數據庫通過以下步驟創(chuàng)建從至少一個交易源收集數據；與實體進行匹配；以及將實體鏈接到有關的實體，由此使得實現企業(yè)家族樹風險分析，由此產生交易經歷。該方法還包括對交易經歷進行分類。通過將元數據標簽應用于每個交易經歷來對交易經歷進行分類。該方法還包括選自如下組的至少一個事件驅動增強該組包括創(chuàng)建細分基準統計、識別與欺詐性公司一致的交易經歷行為、以及檢測表明關注的實體的經營改進或惡化的交易經歷的變化。分類步驟可選地包括創(chuàng)建交易經歷的原型參考數據、執(zhí)行交易經歷的基準、和/ 或執(zhí)行交易經歷的數據關聯和外部相關基準。事件驅動增強步驟包括執(zhí)行交易經歷的基準、和/或執(zhí)行交易經歷的數據關聯和外部相關基準。一種計算機系統，包括處理器；數據庫；以及存儲器，其包含可由處理器執(zhí)行來控制處理器執(zhí)行以下動作的指令搜索實體的參考文件；識別關注的實體；確定用戶指定的規(guī)則或準則；基于用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對關注的實體的交易經歷的數據庫中選擇至少一個相關交易經歷；以及基于相關交易經歷，生成關注的實體的信用評估報告。一種包括在其上切實實施的指令的存儲介質，其中，該指令可由處理器讀取以使得處理器執(zhí)行以下動作搜索實體的參考文件；識別關注的實體；確定用戶指定的規(guī)則或準則；基于用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對關注的實體的交易經歷的數據庫中選擇至少一個相關交易經歷；以及基于相關交易經歷，生成關注的實體的信用評估報告。


圖1是用于實現本公開的計算機系統的框圖。圖2是由圖1的系統采用的方法的流程圖，該方法用于處理交易數據輸入以產生
信用報告。圖3是由圖1的系統產生的信用報告的示例。圖4是傳統明細交易程序的圖示。圖5是根據傳統明細交易程序生成的報告。圖6是根據本公開的明細交易程序的圖示。圖7是根據本公開的明細交易程序生成的報告。圖8是繪出了客戶值增加相對至到達點的路程的圖。圖9是根據本公開的新穎的明細交易處理(S卩，交易數據聚集處理、合成及相關處理以及用戶專用評估處理)的高級概觀。圖IOa是根據本公開的交易聚集處理的框圖。圖IOb是根據本公開的合成及相關處理的框圖。圖11是根據本公開的客戶專用評估處理的流程圖。
具體實施例方式本文描述的系統對關于實體的支付明細起到杠桿作用(leverage)，以通過將詳細交易信息、轉換的詳細交易信息以及基于增值屬性的非現場消費賬齡(off trade aging) 信息進行組合，來增加數據、預測模型、得分及風險管理解決方案的準確性和相關性。該系統提供了改進的且及時的詳細交易支付信息。該系統將通過提供對選擇交易活動的集合(即，具體行業(yè)中的最近行為)的洞察而有意義地適應于如今的市場條件，以增強對風險的理解。例如，該系統提供更粒狀(granular)的方案而非僅僅描述12-36個月的交易經歷，該方案基于一月月的行為來檢測變化并提供富于洞察力的趨勢洞察。即，本公開提供了大于10億的商業(yè)交易經歷的粒度交易明細，包括最復雜的支付經歷和市場上可用的余額(open balance)數據。企業(yè)實體和個人使用該數據，以相對于創(chuàng)始(origination)、 資產投資(portfolilo)管理和收集迅速識別信用風險并依照該信用風險進行行動。另外， 由本公開的系統和方法根據超過2億6千萬的供方/買方關系而生成的詳細交易支付數據使得信用專業(yè)人員能夠迅速識別易變的經濟環(huán)境中的風險并確信地依照該風險進行行動。該數據通過充分利用提供了對每月交易經歷的前所未有的可見性的可用的最及時、精確且粒度的數據，使得能夠實現確信的信用決策，并且使得能夠根據經歷明細的離散數據來實現對公司支付趨勢中的污點(spot)變化的增加的時間敏感度。
圖1是用于實施本發(fā)明的計算機系統100的框圖。系統100包括用戶界面105、處理器110、存儲器115以及數據庫125。系統100可以實現在通用計算機上。盡管這里將系統100表示為獨立的系統，然而系統100并不限于此而是可經由網絡(未示出)耦合至其它計算機系統(未示出)。存儲器115存儲數據和用于控制處理器110的操作的指令。存儲器115的實現可能包括隨機存取存儲器(RAM)、硬盤驅動器以及只讀存儲器(ROM)。存儲器115的組件之一是程序120。程序120包括用于控制處理器110執(zhí)行本文描述的方法的指令。例如，程序120 是可被處理器Iio執(zhí)行以控制處理器110進行如下動作的指令集合(a)接收關于實體的第一交易經歷的第一數據；(b)處理第一數據，以產生關于該實體的第一信用評估，其中該處理產生中間數據；(c)將中間數據存儲在數據庫中；(d)接收關于該實體的第二交易經歷的第二數據；(e)將第二數據與數據庫中的中間數據進行匹配；(f)從數據庫中檢索中間數據；(g)處理第二數據和中間數據，以產生關于該實體的第二信用評估；以及(h)生成包括該第二信用評估的信用報告。優(yōu)選地，信用報告經由用戶界面105而被輸出到顯示器或打印機106。程序120可以被實現為單個模塊或彼此協作的多個模塊。在本文中，術語“模塊” 用于代表功能操作，其可以被實施為單獨組件或多個從屬組件的集成配置。用戶界面105包括諸如鍵盤或語音識別子系統的輸入裝置，用于使用戶能夠將信息和命令選擇傳遞至處理器110。用戶界面105也包括諸如顯示器或打印機106的輸出裝置。諸如鼠標、軌跡球、或操縱桿等的光標控制允許用戶操縱顯示器上的光標，用于將附加信息和命令選擇傳遞至處理器110。盡管程序120被表示為已加載到存儲器115，但是程序120可以被配置在存儲介質 125上，以用于隨后加載到存儲器115。存儲介質125可以是以切實形式存儲程序120的任意傳統存儲介質。存儲介質125的示例包括磁帶、光存儲介質、光盤或軟盤。可替選地，存儲介質125可以是隨機存取存儲器或位于遠程存儲系統上的其它類型的電子存儲。部分地通過程序120處理并存儲數據庫125中的數據的方式，實現了生成提供逐月行為的報告的能力。當處理數據時，對中間結果進行保持和存儲，使得在后續(xù)處理中可利用這些中間結果。數據庫125因而是多維數據庫。除非另行指定或者由步驟本身所指定，否則可以按照其它順序來執(zhí)行與這些處理關聯的步驟。此外，盡管這里將程序120描述為安裝于存儲器115中且因此以軟件實現，然而可以以硬件、固件、軟件或以上各項的組合中的任意一個實現程序120。圖2是由系統100采用的方法的流程圖，該方法用于處理數據以產生信用報告， 其中各種格式、尺寸和行業(yè)復雜度的明細交易帶(tape) 200被下載到數據庫202。此后，通過數據處理器204處理詳細交易信息，然后從其獲得明細，并應用帶規(guī)則206。一旦應用帶規(guī)則，就通過一系列變化檢測步驟208處理明細數據，其與各種信息源210(例如Acxiom、 Dun&Bradstreet等)集成。此后，本公開的系統識別所檢索的明細交易數據212中的各級變化和趨勢，然后存儲并活動(action)更新的信息，以提供對應用和客戶的洞察214。然后，可以將來自步驟214的所存儲的明細交易數據用于定制I^ydex報告216，或者產生新的經濟指標218、新的行業(yè)趨勢報告220、新的經營成績指標222、新的經營惡化警報和警告 224以及新的高成績企業(yè)識別警報226。圖3是由系統100產生的信用報告的示例。圖6是根據本公開的明細交易程序的圖示，其中將支票級明細400與比傳統系統更粒度的數據(例如，高達84個月的賬齡明細、更粒度的最新銷售日期數據、歷史性的高信用量以及包括而不限于最佳和最差支付的全部明細)進行組合。此后，系統100包括新的導出的分項，例如在應用供方規(guī)則前總結出的數據、平均每月購買、首次出現元數據(即首次大于90天拖延)和/或對于關鍵分項(例如經歷的日期、支付記錄、高信用、目前欠債、 過期未付、售賣條款以及最近銷售的日期)的真正3個月的觀察。另外，關鍵分項已擴展為包括連接以實現行業(yè)專用分析的供方明細以及賬戶的擴展數目、參考的擴展數目。圖7是使用上述圖6的新穎的明細交易程序來創(chuàng)建的詳細交易支付經歷記錄。該信息基于詳細交易結果而提取決策記分卡中使用的屬性，以使接收/拒絕和投資組合性能最大化。另外，它通過使用行為模型內的30、60或90個詳解交易，允許賣方更早地識別并提取客戶或群集(例如SIC、geo)等級的投資組合內的風險轉移運動。此外，賣方可基于詳細交易風險轉移(曾經被傳統明細交易程序所遮蔽)而檢查增加/降低的信用線。賣方也可以基于投資組合中的風險變化/轉移而以更及時且有效的方式提取壞賬準備金。最后， 本公開的新的明細交易系統可協助從詳細交易詳情/標志中驅動分化型收集策略和賬戶優(yōu)先化(例如也對攜帶外部風險的賬戶采取更快的、更具進取性的動作)。作為傳統的明細交易程序與當前投資組合管理明細交易程序之間的極端區(qū)別的示例，考慮公司A和公司B，公司A和公司B均具有帶有一些先前拖欠債款的20年的客戶以及帶有一些過去的拖欠債款的其它賬戶。在傳統的明細交易處理下，這兩個公司看起來相同，似乎具有相同的信用風險并通常可能被同樣對待。然而，在對每個公司的信用可靠性應用了粒度得多的觀察的、本公開的明細交易處理下，示出了以下內容。在本公開的處理和系統下，確定了公司A具有帶有大量美元的60天過期未付的多個賬戶(其中從30至60天滾動的賬戶的數目和值在這個月顯著增加)以及先前維持良好的賬戶的空前的拖欠債款等級。這樣，可以確定，盡管在傳統的明細交易處理下公司A似乎是良好的信用風險，然而本公開的明細交易處理下所提供的更粒度的分析清楚展示了公司 A具有增加的不及時支付其發(fā)票的風險，并展示了為限制收支差和潛在損失，檢查用于該公司的信用策略可能是合理的。在本公開的明細交易處理下對公司B的信用可靠性的分析展示了公司B具有較少的60天過期未付的賬戶(可能以少量美元或代表性的爭議)并且在上個月無實質惡化，并且拖欠債款等級與歷史成績一致。這樣，可以以高得多的確定度來確定公司B正以與先前建立的模式一致的方式對其供方進行支付，并且其支付行為幾乎沒有證據暗示其它情況。 相應地，公司B代表比公司C有限得多的風險承擔，并且證明不需要任何額外的用策略檢查。圖8是展示了附加步驟的圖，這些附加步驟改進根據本公開的處理而生成的明細交易信息。明細交易信息的初始步驟涉及(1)為并入資產組合管理和收集行為模型，對詳細交易計算域進行批量傳遞；以及( 利用詳細交易數據附錄(即，可獲得的每周的、每月的或每季度的刷新)來匹配和清理客戶文件。增加額外的分析和監(jiān)控步驟，諸如(1)針對創(chuàng)始/認購決策的詳細交易記錄的交易型傳遞，( 對關鍵分項的賬戶等級的詳細交易監(jiān)控，以及C3)根據附加I^ydex得分、升級的CCS得分以及動態(tài)上更魯棒的客戶模型的交易信息的增強的相關性。這將允許對詳細交易進行魯棒訪問，例如并入到自動化決策和資產組合管理平臺及工具，并允許通過第三方平臺對詳細交易數據和導出的分析/得分的進行訪問ο圖9大體描述用于針對改進的信用評估而動態(tài)產生詳細交易支付經歷的新的系統和方法并且合并了數個新穎處理。交易數據聚集處理500對來自超過8000個全球交易源的數據進行杠桿作用，利用DUNSRight 專屬數據豐富處理(參見美國專利公布第 2004/0162742號，該專利全部內容通過引用合并于此)針對用戶創(chuàng)建新的增值洞察。通過一系列新的處理而經由合成及相關處理502合成該交易數據并利用元數據標簽將交易數據分類，以實現動態(tài)相關性指派，以確保針對每個用戶的信用評估來使用最具預測性和相關的交易洞察。數據聚集處理500也將建立數據集合，以確保在每個環(huán)境下使用最相關的交易經歷。將跨越數個段(例如行業(yè)、地形、企業(yè)實體階段、企業(yè)規(guī)模等)組織這些數據集合，并且針對基準統計、對等組分析、成績及行為分析等對這些數據進行杠桿處理。適當時， 將合并外部數據源(例如失業(yè)、新企業(yè)結構等)以擴大交易經歷，從而增加有價值的洞察。當用戶或客戶選擇使用這種新功能時，其可以建立其優(yōu)先化的準則以用于評估 504，所以，履行處理將被定制為只合并最相關的交易洞察。將針對沒有定制其準則的用戶建立標準簡檔。標準簡檔將基于通過這個新處理收集的進行中的交易經歷而持續(xù)更新。圖IOa展示圖9的交易聚集處理500，其始于圖2所示的處理，以支持來自全球交易源的交易輸入506的收集。將通過匹配企業(yè)實體、將所報告的企業(yè)實體鏈接至其全球的最終企業(yè)實體來經由DUNSRight處理(即專屬數據豐富處理508)改進這些交易經歷，從而實現完全全球家族樹風險分析并附上用于細分目的的數據。系統將通過各種元數據標簽對所報告的交易經歷進行分類，以實現相關群組進行的快速比較分析，從而針對信用評估估計企業(yè)實體的交易成績510。在處理的這部分中，系統也將對企業(yè)實體的先前交易經歷的現存歷史(高達84個月)進行杠桿作用以開發(fā)趨勢分析，從而檢測交易行為中的具體變化。 這些新的交易成績屬性將被存儲在數據庫512中，數據庫512被設計為針對分析的動態(tài)檢索而支持多個視角。同一交易經歷數據將被用于創(chuàng)建細分基準統計，識別與欺騙性公司一致的交易經歷行為，并檢測可能表明經營改進/惡化的變化514。如圖IOb所示，合成及相關處理始于交易相關的分類處理516。此后，可選地執(zhí)行各步驟，即，原型參考數據518的創(chuàng)建和合成518、針對動態(tài)評估處理(內部)的基準統計 520和/或外部相關基準處理及校正數據522。另外，外部經濟和經營成績統計5M被提供至步驟522。然后通過分析基準統計數據實例化5 對已經處理的數據進行處理。圖11展示了客戶專用評估處理504，其中，客戶或用戶通過能夠定義其用于分析的相關對等組、其用于風險估計的定制準則而使客戶或用戶能夠對這些改進進行杠桿作用，或使客戶或用戶能夠對基于所報告的交易經歷中的監(jiān)控變化而建立的簡檔進行杠桿作用。用戶在本公開的明細交易分析系統600上簽名(sign on)，并在此后請求系統對匹配技術進行杠桿作用(參見美國專利第7392240號，該專利全部內容通過引用合并于此)，以識別關注的企業(yè)實體602，其包括而不限于通過搜索參考文件604的語義消除。對于已經經由客戶專用規(guī)則606建立其定制準則的用戶，系統將把其請求合并到相關交易經歷608的選擇中。作為示例，一些具有高美元風險承擔的用戶將更喜歡從公用行業(yè)或電信行業(yè)中排除任何的所報告的交易經歷。在這種新處理中，系統可能只選擇與這個特定用戶的請求相關的交易經歷，并可能針對關注的企業(yè)而經由相關經歷數據的動態(tài)選擇610從公用和電信中排除交易。為了針對信用評估而開發(fā)附加洞察，系統也將通過對合格的且相關的原型參考數據的動態(tài)選擇612而將這些準則應用到用于比較的記錄的選擇，或者經由對合格的且相關的基準統計(內部的和外部的)的動態(tài)選擇614而開發(fā)用于分析的對等組。通過在這些細分的數據集合上動態(tài)估計成績來提供改進的信用評估，從而以用戶請求的格式(例如得分、屬性、報告等)提供綜合分析(616、618)。 本文描述的技術是示例性的，而不應被解讀為暗示了對本發(fā)明的任意限制。應理解，本領域技術人員可以獲得各種變更、組合及修改。本發(fā)明旨在包括所有這些落入所附權利要求書的范圍之內的變更、組合及修改。
權利要求
1.一種用于提供信用評估報告的計算機實現的方法，所述方法包括 搜索實體的參考文件；識別關注的實體； 確定用戶指定的規(guī)則或準則；基于所述用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對所述關注的實體的交易經歷的數據庫中選擇至少一個所述相關交易經歷；以及基于所述相關交易經歷，生成所述關注的實體的所述信用評估報告。
2.根據權利要求1所述的方法，其中，在生成所述信用評估報告之前，還估計所述關注的實體的所述相關交易經歷的成績。
3.根據權利要求1所述的方法，其中，所述選擇步驟是動態(tài)選擇。
4.根據權利要求1所述的方法，其中，所述參考文件是至少從包括實體名稱、實體地址、實體電話號碼以及實體聯系構成的組中選擇的數據。
5.根據權利要求1所述的方法，其中，所述交易經歷的數據庫通過以下步驟創(chuàng)建 從至少一個交易源收集數據；與所述實體進行匹配；以及將所述實體鏈接到有關的實體，由此使得實現企業(yè)家族樹風險分析，由此產生所述交易經歷。
6.根據權利要求5所述的方法，還包括對所述交易經歷進行分類。
7.根據權利要求6所述的方法，其中，通過將元數據標簽應用于每個所述交易經歷來對所述交易經歷進行分類。
8.根據權利要求5所述的方法，還包括選自如下組的至少一個事件驅動增強所述組包括創(chuàng)建細分基準統計、識別與欺詐性公司一致的交易經歷行為、以及檢測表明所述關注的實體的經營改進或惡化的交易經歷的變化。
9.根據權利要求6所述的方法，其中，所述分類步驟包括創(chuàng)建所述交易經歷的原型參考數據、執(zhí)行所述交易經歷的基準、和/或執(zhí)行所述交易經歷的數據關聯和外部相關基準。
10.根據權利要求8所述的方法，其中，所述事件驅動增強步驟包括執(zhí)行所述交易經歷的基準、和/或執(zhí)行所述交易經歷的數據關聯和外部相關基準。
11.一種計算機系統，包括 處理器；數據庫；以及存儲器，其包含由所述處理器執(zhí)行來控制所述處理器執(zhí)行以下動作的指令 搜索實體的參考文件； 識別關注的實體； 確定用戶指定的規(guī)則或準則；基于所述用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對所述關注的實體的交易經歷的數據庫中選擇至少一個所述相關交易經歷；以及基于所述相關交易經歷，生成所述關注的實體的信用評估報告。
12.根據權利要求11所述的方法，其中，在生成所述信用評估報告之前，還估計所述關注的實體的所述相關交易經歷的成績。
13.根據權利要求11所述的方法，其中，所述選擇步驟是動態(tài)選擇。
14.根據權利要求11所述的方法，其中，所述參考文件是至少從包括實體名稱、實體地址、實體電話號碼以及實體聯系構成的組中選擇的數據。
15.根據權利要求11所述的方法，其中，所述交易經歷的數據庫通過以下步驟創(chuàng)建從至少一個交易源收集數據；與所述實體進行匹配；以及將所述實體鏈接到有關的實體，由此使得實現企業(yè)家族樹風險分析，由此產生所述交易經歷。
16.根據權利要求15所述的方法，還包括對所述交易經歷進行分類。
17.根據權利要求16所述的方法，其中，通過將元數據標簽應用于每個所述交易經歷來對所述交易經歷進行分類。
18.根據權利要求15所述的方法，還包括選自如下組的至少一個事件驅動增強所述組包括創(chuàng)建細分基準統計、識別與欺詐性公司一致的交易經歷行為、以及檢測表明所述關注的實體的經營改進或惡化的交易經歷的變化。
19.根據權利要求16所述的方法，其中，所述分類步驟包括創(chuàng)建所述交易經歷的原型參考數據、執(zhí)行所述交易經歷的基準、和/或執(zhí)行所述交易經歷的數據關聯和外部相關基準。
20.根據權利要求18所述的方法，其中，所述事件驅動增強步驟包括執(zhí)行所述交易經歷的基準、和/或執(zhí)行所述交易經歷的數據關聯和外部相關基準。
21.一種包括在其上切實實施的指令的存儲介質，其中，所述指令能夠由處理器讀取以使得所述處理器執(zhí)行以下動作搜索實體的參考文件；識別關注的實體；確定用戶指定的規(guī)則或準則；基于用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對所述關注的實體的交易經歷的數據庫中選擇至少一個所述相關交易經歷；以及基于所述相關交易經歷，生成所述關注的實體的信用評估報告。
全文摘要
一種用于提供信用評估報告的計算機實現的方法和系統，該方法包括搜索實體的參考文件；識別關注的實體；確定用戶指定的規(guī)則或準則；基于用戶指定的規(guī)則或準則、用于與相關交易經歷比較的記錄、和/或對等組，從針對關注的實體的交易經歷的數據庫中選擇至少一個相關交易經歷；以及基于相關交易經歷，生成關注的實體的信用評估報告。
文檔編號G06Q40/04GK102439623SQ201080014154
公開日2012年5月2日 申請日期2010年3月26日 優(yōu)先權日2009年3月27日
發(fā)明者安德魯·布盧梅蒂, 小諾曼·巴恩克, 布賴恩·克里格勒, 林達·羅斯, 桑德拉·斯托克, 莫尼卡·拉魯埃 申請人:鄧白氏公司