Accounts Receivable Intelligence — 账期智能管理：跨境应收账款预测与催收优化
Skill-Accounts-Receivable-Intelligence · 23-运营财务
causalexperimentforecastingoptimizationfraud_detection风控与合规WF-K 全域风险防御
年化 ROI15-40 万
实现难度⭐⭐⭐☆☆
业务视角
适用角色CFO / 财务负责人 · CEO · 运营负责人
适用平台Amazon Seller Central · Amazon SP API · FBA 报告 · 多货币财务系统
什么情况下用月度 FBA 账单 15 万但不知道哪些 SKU 在亏损；大促备货资金不够但不知道缺口多少；整体利润率 18% 但不知道是哪条产品线在拖累
成功是什么样的SKU 级 P&L 实时可见，FBA 费用长库龄提前预警，大促现金流缺口提前识别，融资窗口精准规划
业务痛点
1. 解决的问题
当跨境 B2B 账期交易导致应收账款逾期率高达 15% 时，ML 账期智能管理预测每笔回款概率和时间、提前锁定高风险账款主动催收，将逾期率降至 8%，显著改善现金流周期并减少坏账损失。
2. 核心算法逻辑
手动账期管理 vs AI 智能管理：
3. 业务应用场景
业务痛点：有 15 个 B2B 批发买家，约定 NET-30 账期，但实际平均回款 42 天，逾期率 15%。某些买家季节性地拖延（年末关账）。AI 系统提前识别高风险账款，给财务团队明确的行动清单。
业务价值： - 逾期率从 15% 降到 8%（每年少损失 7% 的应收账款） - 现金流改善（提前催收 → 加快回款） - 财务人员效率提升（只跟进高风险账款） - 年化 ROI：¥15-40 万（加快现金流 + 减少坏账）
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：逾期率 15%→8%；现金流提前回笼；年化 ¥15-40 万
- 实施难度：⭐⭐⭐☆☆（需要历史账款数据；XGBoost 训练约 2-3 周；催收自动化约 4 周）
- 优先级评分：⭐⭐⭐⭐⭐（完全空白的 B2B 财务管理场景；填补 运营财务↔因果推断↔风控 弱连接）
- 评估依据：B2B 电商账期逾期率行业均值 10-20%；AI 预测催收将逾期率降低 30-50% 已有金融行业验证
7. 代码模板
代码块数量：3 · 路径：paper2skills-code/23-运营财务/accounts_receivable_intelligence
"""
Accounts Receivable Intelligence
账期智能管理：逾期预测 + 差异化催收策略
"""
import numpy as np
from dataclasses import dataclass
from datetime import datetime, timedelta
@dataclass
class Invoice:
invoice_id: str
buyer_id: str
amount_usd: float
issue_date: str
due_date: str
payment_terms_days: int = 30
@dataclass
class BuyerProfile:
buyer_id: str
name: str
historical_invoices: list # [{'due_days': 30, 'actual_days': 35, 'amount': 5000}]
region: str = 'US'
relationship_years: float = 1.0
def compute_buyer_risk_features(buyer: BuyerProfile) -> dict:
"""从历史记录计算买家风险特征"""
if not buyer.historical_invoices:
return {'avg_delay': 0, 'delay_std': 0, 'on_time_rate': 1.0,
'avg_amount': 0, 'trend': 0}
delays = [inv['actual_days'] - inv['due_days'] for inv in buyer.historical_invoices]
on_time = sum(1 for d in delays if d <= 2) / len(delays) # ≤2天算准时
# 趋势：近3笔 vs 历史均值
recent = np.mean(delays[-3:]) if len(delays) >= 3 else np.mean(delays)
overall = np.mean(delays)
trend = recent - overall # 正=最近变差，负=最近改善
return {
'avg_delay': round(float(np.mean(delays)), 1),
'delay_std': round(float(np.std(delays)), 1),
'on_time_rate': round(on_time, 3),
'avg_amount': round(np.mean([inv['amount'] for inv in buyer.historical_invoices]), 0),
'trend': round(trend, 1),
}
def predict_overdue_probability(invoice: Invoice, buyer: BuyerProfile) -> dict:
"""预测账款逾期概率"""
features = compute_buyer_risk_features(buyer)
# 逾期风险因子（规则加权，生产用 XGBoost）
risk = 0.0
# 历史逾期率
if features['on_time_rate'] < 0.7:8. 论文来源
- 2407.08234