由于缺乏科学的管理方法与有效的信用分析技术，使得国内大多数企业的信用销售效果不理想，“三角债”成为企业发展的重要障碍。鉴于此，目前各国学者纷纷将各种建模与分析方法引入信用销售领域对其进行研究。 但是，对于信用评价，传统的统计分析方法(包括多元判别分析模型MDA和对数回归模型等)虽然具有明显的解释性等优点，但其运用却存在过于严格的前提条件等局限。比如MDA要求数据服从多元正态分布、同协方差等；对数回归模型对财务指标的多重共线性干扰敏感。现实中，大量数据往往不符合前面的假设前提，这就在很大程度上限制了统计模型在信用销售客户分析中的应用。 近年来，神经网络被广泛地应用于经济、金融和管理等领域。已有研究表明：神经网络具有对数据分布要求不严格、非线性的数据处理方法、强鲁棒性和动态性等优点。这使之成为财务危机预测研究中的一个热点，亦有机构利用神经网络进行财务预警得到良好的效果。因此，本文尝试将神经网络模型引入信用销售领域，以期对客户信用情况进行更好的评价，从而达到科学的信用销售管理和有效的信用销售策略。 第一部分介绍了企业目前信用销售管理的研究现状。 目前对企业信用销售管理的研究主要集中在信用风险评价方法方面，该评价方法主要有定性分析和定量分析两种。其中：定性分析主要依赖专家的专业职能、主观判断对某些关键因素进行权衡从而对信用风险做出评价；而定量分析则多依赖于一些传统的统计模型对信用销售数据进行分析作出评价。但实践中的大量数据往往不符合这些模型的前提假设，从而限制了传统统计模型在企业信用销售中的应用。如何用更好的方法来进行信用风险评价正是本论文要研究的主要问题之一。 此外，根据企业的信用销售流程制定相应的客户信用评价的研究也相对空白，已有的这方面的研究也存在评价因素简单、标准不规范、数据来源不全面等多方面问题。如何根据企业的业务流程特点，结合较为先进的信用风险评价方法制定相应的客户信用评价体系也是本论文要研究的主要问题之一。 第二部分介绍信用销售的基本概念及其业务流程特点，并详细介绍了目前比较前沿的全程信用管理模式和客户关系管理及其软件。要根据企业业务流程特点，结合较为先进的信用风险评价方法制定相应的客户信用评价体系必须要了解比较前沿的全程信用管理模式和客户关系管理及其软件。 企业全程信用管理是目前理论界比较前沿的一种管理模式，在信用销售中有着广泛的应用。全程信用管理指全面控制企业交易过程中各个关键业务环节，从而控制客户风险，迅速提高应收账款回收率的方法。客户关系管理以及客户关系管理软件，可以很好的为信用销售服务。因为利用客户关系管理可以清晰的了解客户的需求，从而及时的跟踪和管理客户信息。但目前已有的客户关系管理软件对客户信用评价的决策支持很少。象开思/CRM-Star客户关系管理软件7个功能模块能够对信用销售提供强大的支持，却缺乏在信用销售中占据重要地位的客户信用分析功能模块。国内其他的客户关系管理软件，比如东柏公司的Michelle，也存在这样的问题。由此可见，信用销售管理的关键在于如何利用现有资料揭示出已知的、隐藏的、未知的商业规律，从而引入新的模型、方法对客户进行信用评价。 近年来广泛应用于金融、经济等领域的神经网络模型能够很好的模拟人的形象思维，具有大规模并行协同处理能力、较强的容错能力、联想能力和学习能力等优点，使之成为财务研究中的一个热点。但是一直以来，神经网络模型在信用销售领域应用很少，因此，本论文主要进行了基于神经网络模型的信用评价仿真研究。 第三部分提出了信用销售客户评价的神经网络实现方案。 首先，论文对比两类研究方法，设计基于神经网络的信用销售客户评价的仿真研究路线。其次，在提出假设的基础上，深入分析如何构建模型指标体系，同时整理了用来进行客户信用评价的信息，对指标体系进行了构建。再次，分别用B-P神经网络和LVQ(学习矢量化)神经网络构建了信用销售客户评价模型，并利用真实数据对其进行仿真研究。最后，对两种模型进行比较并作出了评价。研究结果表明，LVQ神经网络较之B-P神经网络和其他传统方法，具有更好的性能。具体仿真结论如下： 1.B-P神经网络是目前应用最广泛的人工神经网络，有着很强的联想能力，能够很好的解决在信用销售客户评价中可能存在参数取值不精确的问题，从而对赊销客户的信用做出准确的评价。 2.由于B-P神经网络采用基于梯度下降的非线性策略，收敛速度比较慢。在构建赊销客户信用评价模型时，如果训练样本太少就可能会陷入局部最小的境遇，这样不能保证求出全局最小。但通过不断的增加训练样本可以使神经网络的准确度得到极大的提高。 3.LVQ神经网络能够准确的将赊销客户分成“关注”、“正常”两类甚至更多的类别，而且计算速度比B-P网络快得多，同时可以弥补B-P神经网络存在的局部最小问题和学习效率问题。 4.LVQ神经网络无法像B-P神经网络那样得到连续性的数值评价，所以可以先利用LVQ神经网络对客户信用进行分析，如果结果为“关注”类，在此基础上利用B-P神经网络得出具体信用值。