Excel 案例 | 52｜海外客戶信用評分

52｜海外客戶信用評分

Excel 專注於信用資料標準化、權重計算、排名與交易條件門檻；Word 負責信用評分邏輯、Excel 結果解讀與 AI 風險分析。所有公司與數字均為教學假設。

一、案例說明

出口商同時面對多個海外客戶詢價。業務規模大的客戶不一定付款風險最低，而信用報告良好也不代表可忽略訂單曝險。本案例把財務規模、付款紀錄、流動性、負債風險、外部信用、往來經驗與單筆訂單曝險轉成可比較分數，再用權重建立信用排名與付款條件建議。

把不同單位的信用資料轉成 1.00–10.00 分。
理解正向指標與反向風險指標的差異。
用權重建立可調整的海外客戶信用排名。
把信用分數連結到帳期、額度、預付款、L/C 或信用保障。
用 AI 解釋風險結構，但不讓 AI 自行捏造信用資料。

二、海外客戶原始資料

客戶	國家／地區	年營收 USD	逾期付款率	流動比率	負債比率	信用報告	往來年數	平均訂單 USD
Alpha Trading	日本	8,500,000.00	1.00%	1.80	38.00%	8.50	6.00	120,000.00
Beta Imports	德國	6,200,000.00	3.00%	1.55	45.00%	7.80	4.00	95,000.00
Gamma Retail	美國	12,500,000.00	8.00%	1.25	62.00%	6.50	2.00	180,000.00
Delta Distribution	越南	4,800,000.00	5.00%	1.40	52.00%	7.00	3.00	80,000.00
Epsilon Pte.	新加坡	7,200,000.00	0.00%	2.10	30.00%	9.20	8.00	140,000.00

三、Excel 計算邏輯

指標	方向	Excel 處理	教學重點
年營收	高較佳	Min-Max → 1–10	代表規模，不等於付款能力。
逾期付款率	低較佳	反向 Min-Max → 1–10	付款紀錄通常比營收規模更直接。
流動比率	高較佳	Min-Max → 1–10	反映短期償債能力，但產業差異需查證。
負債比率	低較佳	反向 Min-Max → 1–10	槓桿越高，本模型風險分數越低。
外部信用	高較佳	直接採 1–10	實務必須記錄來源與日期。
往來經驗	長較佳	Min-Max → 1–10	既有付款經驗可降低資訊不對稱。
訂單曝險	低較佳	反向 Min-Max → 1–10	單筆金額越大，出口商曝險越高。

四、基準權重下的 Excel 最終信用排名

客戶	規模	付款紀錄	流動性	負債風險	外部信用	往來經驗	訂單曝險	加權總分	排名
Alpha Trading	5.32	8.88	6.82	7.75	8.50	7.00	6.40	7.63	2.00
Beta Imports	2.64	6.63	4.18	5.78	7.80	4.00	8.65	6.04	3.00
Gamma Retail	10.00	1.00	1.00	1.00	6.50	1.00	1.00	3.00	5.00
Delta Distribution	1.00	4.38	2.59	3.81	7.00	2.50	10.00	4.68	4.00
Epsilon Pte.	3.81	10.00	10.00	10.00	9.20	10.00	4.60	8.68	1.00

基準權重為：規模 10.00%、付款紀錄 25.00%、流動性 15.00%、負債風險 15.00%、外部信用 20.00%、往來經驗 5.00%、訂單曝險 10.00%。在此設定下，Epsilon Pte. 排名第一，Alpha Trading 第二。

五、計算結果的管理分析

分析層次	Excel 證據	管理意義	下一步
第一名	Epsilon 多項信用指標高，但訂單曝險分較低。	整體信用強，不代表單筆訂單可無上限放寬。	設定信用額度與單筆曝險上限。
規模陷阱	Gamma 規模分 10.00，但付款、流動性、負債與曝險較弱。	最大客戶不一定是最低信用風險客戶。	要求更強付款保障並查證財務資料。
付款紀錄	付款紀錄權重 25.00%，為目前最大權重。	模型明確把實際付款行為置於規模之前。	可測試權重 35.00% 的保守情境。
門檻管理	總分可連結低／中／高風險交易條件。	分數的目的不是貼標籤，而是決定風險控制強度。	搭配帳期、額度、L/C、保險等措施。

六、權重與信用政策敏感度練習

把付款紀錄權重由 25.00% 提高到 35.00%，重新分配其他權重並維持 100.00%。
把訂單曝險權重提高到 20.00%，觀察大型訂單客戶排名。
把外部信用權重降低，討論企業為何不能完全依賴第三方信用分數。
把低風險門檻由 8.00 改成 7.50 或 8.50，觀察交易條件建議如何變化。
延伸：加入國家風險、付款方式、信用保險可承保額度等新欄位，再重新設計模型。

七、AI 分析：六層架構

層次	AI 任務	核心問題
1 Excel事實	忠實讀取原始資料、分數與排名。	誰排名高？差距多少？短板在哪？
2 風險結構	解釋總分背後的驅動因素。	高分來自付款、財務還是外部信用？
3 反例檢查	找出規模大但信用弱等矛盾。	是否有單一亮點掩蓋重大風險？
4 敏感度	提出應回 Excel 實測的權重。	若企業更保守，排名是否改變？
5 交易條件	把風險轉成商務控制。	應用預付款、L/C、帳期、額度或保險？
6 查證層	列出決策前要更新的資料。	信用報告日期、財報、訴訟、制裁、國家風險是否已查？

八、進階 AI Prompt

你是國際貿易信用風險分析師。以下資料全部來自 Excel 海外客戶信用評分模型。請不要重新計算、不要自行補造客戶財務資料，也不要把相對分數當成正式信用評級。請依序輸出：①【Excel事實】各客戶總分、排名與主要高低分指標；②【風險結構】說明排名由哪些因素驅動；③【反例檢查】找出「規模大但付款／財務較弱」或「整體高分但單筆曝險較高」的客戶；④【敏感度分析】提出至少四個應回 Excel 測試的權重或門檻情境；⑤【交易條件建議】依低／中／高風險提出付款方式、信用額度、帳期、L/C、信用保險等控制選項；⑥【待外部查證】列出至少 10 項正式授信前要查的資料；⑦每一點標示【Excel事實】【AI推論】【待外部查證】。

九、AI 分析示範

分類	分析
【Excel事實】	基準權重下 Epsilon Pte. 排名第一，Alpha Trading 第二；Gamma Retail 雖然規模分最高，但綜合信用排名最低。
【AI推論】	Epsilon 的優勢來自付款紀錄、流動性、負債風險、外部信用與往來經驗都較強；但其單筆訂單曝險並非最佳，因此仍需設定額度。
【AI推論】	Gamma 顯示典型的『大客戶迷思』：營收規模大並不能抵銷較高逾期率、較弱流動性與較高負債。
【待外部查證】	最新財報與審計意見、信用報告日期、銀行／供應商付款紀錄、訴訟與破產資訊、制裁名單、實益擁有人、國家風險、產業景氣、信用保險承保額度、付款條件與訂單集中度。
【條件式建議】	高分客戶可評估較寬鬆帳期，但仍應設額度；中風險客戶可縮短帳期或搭配部分預付款；高風險客戶宜提高預付款比例、使用 L/C 或信用保險，並降低單筆曝險。

十、人工驗證與教學重點

所有信用分數都必須能回溯到 Excel 原始資料與公式。
相對 Min-Max 分數只適用於本案例五個客戶之間的比較，不能直接當作外部信用等級。
AI 不得自行宣稱某公司『安全』或『一定會違約』。
信用評分應與交易金額、付款方式、國家風險與保障工具一起使用。
正式授信前必須更新外部信用資料並保留資料日期與來源。