SYSTEMS AND METHODS FOR CREATING DYNAMIC CREDIT LIMIT  AND RECOURSE BASE  FOR SUPPLY CHAIN FINANCE    TECHNICAL FIELD   [0001] This technology relates to systems and methods for s upply chain finance.  More  particularly, the technology relates to systems and m ethods for analyzing credit risks and risk of invoic e  payment dilutions for business organizations, determini ng a dynamic credit limit and a recourse base in  real time, and providing early payment services and  solutions against confirmed invoices based on the  dynamic credit limit.     BACKGROUND  [0002] Supply chain finance (SCF) includes technology‐based� �solutions to lower financing costs  and improve business efficiency for buyers and seller s linked in a sales transaction.  Supply chain fina nce  methodologies work by automating transactions and trac king invoice approval and settlement processes  from initiation to completion.  Buyers agree to appr ove their suppliers' invoices for financing by a ban k  or other outside financier.  By providing short‐ter m credit that optimizes working capital and  provides liquidity to both parties, supply chain fina nce offers advantages to all participants.  Suppliers   gain quicker access to money they are owed, and buy ers get more time to pay off their balances.  Both   parties can use the cash on hand for other projects  to keep their respective operations running.  smoothly.  [0003] Supply chain finance includes "supplier finance," “p ayables finance,” and "reverse  factoring," and encourages collaboration between buyers  and sellers.  This philosophically counters the  competitive dynamic that typically arises between a b uyer and seller.  Under usual circumstances,  buyers attempt to delay payment, while sellers look  to be paid as soon as possible.  [0004] Supply chain finance can optimize cash flows and wor king capital by allowing buyers to  lengthen their payment terms to their suppliers while  providing the option for their suppliers to get pa id  early.  Supply chain finance is often used when the  buyer has a better credit rating than the seller  and  can consequently source capital from a bank or other  financial provider at a lower cost.  This advantag e  lets buyers negotiate better terms from the seller,  such as extended payment schedules.  Meanwhile,  the seller can unload its products more quickly, to� �receive immediate payment from the bank or other  intermediary financing body.    [0005] A traditional supply chain finance situation involves� �extending payment terms.  An  extended payables transaction might include a buyer ( company) that purchases goods from a seller  (supplier).  Traditionally, supplier ships the goods,� �then submits an invoice to company, which approves  the payment on standard credit terms of 30 days, fo r example.  But if supplier is in urgent need of  cash,  supplier may request immediate payment, at a discount , from the company’s affiliated financial  institution, such as a bank.  The bank or supply c hain finance company intermediates the accounts  receivable process for the buyer.  When the immediat e payment request is granted, that bank or  financial institution issues payment to supplier, and� �in turn, charges the company a fee and extends the   payment period for company for an additional further� �30 days, for example, for a total credit term of  60  days, rather than the 30 days mandated by supplier.� �   [0006] However, supply chain financing is limited to compani es that can be credit insured or is  made available only to investment grade or near‐inv estment grade suppliers. If the buyer cannot be  credit insured or is sub‐investment grade, the bank  or some supply chain finance companies will not  offer this solution.  [0007] In addition, supply chain finance providers, such as� �banks and other financial  institutions throughout the world, are currently mitig ating buyers’ non‐payment risks and payment  dilution risks of invoices payable to suppliers by r equesting and obtaining buyers’ guarantees of  payment for invoices which have been paid early.  T his current approach of addressing risks related  to providing supply chain finance service creates sev eral problems.  For example, the guarantee of  payment limits buyers’ abilities to apply legitimate  chargebacks, set‐offs, counterclaims, and  withholdings to the invoice payments payable to suppl iers.   [0008] Another problem that buyers are facing by providing  a guarantee is an increasing  requirement for the modification and de‐recognition  of the buyers’ trade payables and  reclassification of trade payables as a debt on the� �buyers’ balance sheets.  Such requirements can  create significant accounting treatment issues for buy ers when classifying both liabilities to a trade  creditor and liabilities to a financial institution a s debt.   [0009] These technological problems create limitations to the  buyers’ ability to initiate and  offer supply chain finance service for their supplier s.  Several attempts to create technical solutions  that allow waivers of the buyers’ guarantee require ments for supply chain finance services have been  unsuccessful and unreliable.      SUMMARY   [00010] The systems and methods of the invention provide tec hnical solutions to the dearth  of current supply chain finance methods and systems.� � The invention is based on a dynamic credit  limit that reliably allows banks and other financial� �institutions to offer supply chain finance service  without requesting a payment guarantee from a buyer,� �which is traditionally used as a hedge against  the risks of non‐payment and payment dilution.   [00011] Systems and methods of the invention determine a dyn amic credit limit and a  recourse base in real time, and provide early paymen t services and solutions against confirmed  invoices based on the dynamic credit limit.  The dy namic credit limit systems and methods described  in this disclosure provide a technological solution t o an issue rooted in technology, including  improved systems and methods for processing and analy zing disparate data in large volumes at scale  from multiple sources.  [00012] The invention provides methods and systems for real  time calculation of a dynamic  credit limit and related recourse base for a Supplie r‐Buyer pair, allowing supply chain finance  providers to make early payments to Suppliers without  asking Buyers for a payment guarantee while  simultaneously reliably mitigating Buyer’s non‐payme nt and payment dilutions risks.  Specifically, the  systems and methods of the invention allows analysis,  in real time, of historical payment dilutions  between a specific Buyer and Supplier and issuance o f the credit/risk score, also in real time, based  on the analysis of a variety of data, instantly pul led from thousands of data points in data‐feed  formats, related to fraud/threat, credit history, lien s/taxes/judgments, compliance, and other  information that can be used to predict payment dilu tion and necessary recourse base for the buyer‐ supplier pair.    [00013] The dynamic credit limit (supply chain finance provid er) server may unconventionally  utilize data from a variety of third party platforms , including e‐invoicing platforms, accounting  systems, buyer ERP systems, fraud/threat data sources,  credit bureaus, compliance data sources,  liens searches sources, social value sources and othe r platforms from which large data sets may be  analyzed computationally to reveal patterns, trends, a nd associations that provide an analytical  information‐based platform for determining a dynamic� �credit limit in real time.  For example, the  dynamic credit limit server may analyze rich data fr om third party platforms, including data on  suppliers and buyers (e.g., a customer of a supplier ), and the dynamic credit limit server can generate� � on‐the‐fly determinations of payments for invoices� �chosen by the supplier, less a discount.      [00014] The dynamic credit limit server analyzes the data an d provides a dynamic credit limit  that allows supply chain finance service without buye r payment guarantee.  By seamlessly integrating  the dynamic credit limit server with buyer ERP syste ms and supplier accounting software (e.g.,  QuickBooks®, Xero, FreshBooks, Sage, NetSuite, etc.),� �supply chain finance providers can accurately  provide a dynamic credit limit.  Similarly, the inve ntion extends its use of fast data from third party   platforms into the dynamic credit limit calculus and� �can forgo a Buyer payment guaranty to mitigate  non‐payment and payment dilution risks.  In this f ashion the invention creates significant  improvements in widening supply chain finance services  worldwide.  For suppliers, the benefits  include a reduction of trade receivables and an incr ease in cash position, faster access to cash at  advantageous rates, and stronger ties and cooperation� �with the buying company, which can create  competitive advantages.  Additionally, suppliers benefi t from a faster cash conversion cycle from  delivery to cash, working capital optimization, and i mproved liquidity.  Benefits for buyers include  maximized use of e‐invoicing, self‐billing, and co operation with suppliers.  [00015] Users (suppliers) choose a payment date for invoices� �that their customer (buyer) has  approved and scheduled for payment in exchange for p aying a small discount to the invoice value to  the supply chain finance provider.  The invention al lows suppliers to view invoices approved and  scheduled for payment by their customer (buyer) and  to choose invoices for early payment.  As users  (suppliers) choose invoices, the systems and methods  of the invention continually calculate and  update the dynamic credit limit.  Suppliers can take  early payment on as many invoices as desired, up  to the limit of the dynamic credit limit.  The sys tems and methods of the invention simultaneously  calculate and update a recourse base as well.  [00016] One example of how the dynamic credit limit determin ation can be used is when  suppliers need a specific amount of money (e.g., for  payroll, inventory, working capital, etc.), a cash  planner feature enables a user to enter an amount o f money needed and automatically identifies  invoices for early payment that total to the amount� �of money entered by the supplier.  This provides  a powerful cash management tool.  [00017] An additional example of how the dynamic credit limi t determination can be used is  when suppliers would like the digital supply chain f inance method to be performed automatically (for  example, without reviewing a list of invoices for ea rly payment), the supplier can select an “always  pay me early” feature.  This feature provides ongo ing early payment of invoices approved and  scheduled for payment by the buyer up to the amount  of the dynamic credit limit.    [00018] This innovation is creating a universally accessible  system by transforming the score‐ related information about the Buyer‐Supplier pair in  real time into a factual machine algorithm which  can be easily used by any supply chain finance serv ice providers.   [00019] Prior supply chain finance systems and methods are n ot designed with a 360‐degree  view of Buyer‐Supplier data in real time, in combi nation with the pair’s historical payment dilution  data analysis, and thus, these prior systems are una ble to offer a reliable risk mitigation solution.  Those methods are also more prone to error because  they are unable to automatically take into  account the vast majority of risk factors that are  critical in helping to determine a proper risk  mitigation structure.   [00020] This invention provides systems and methods of automa tically creating a dynamic  credit limit at the point‐of‐funding decision base d on an analysis of critical risk factors data obta ined  in real time.  The systems and methods of the inve ntion, in turn, automatically structure a recourse  base, allowing supply chain finance providers to miti gate non‐payment and dilution risks. These  systems and methods allow supply chain finance funder s to provide supply chain finance service  reliably and safely without requiring a buyer’s pay ment guarantee.  [00021] Systems and methods in accordance with the invention� �include a digital supply chain  finance system for creating a dynamic credit limit.   In one example embodiment, the system includes  a dynamic credit limit server application, including  instructions stored on a non‐transitory computer‐ readable medium executed on the dynamic credit limit� �server.  The dynamic credit limit server and  server application are configured to receive a reques t for service from a supplier via a supplier portal .   The server and application are further configured to� �automatically receive confirmed invoices from a  buyer enterprise resource planning server, and to aut omatically receive fast data from a data source.   Additionally, the servers and applications are configu red to determine the dynamic credit limit based  on a gross amount of confirmed invoices issued to t he buyer from the seller, a base ceiling, a histori c  dilutions multiplier, and a risk score multiplier.  [00022] Some embodiments of the invention are instantiated in  a cloud server environment,  where the dynamic credit limit server is a virtual  server running in a cloud computing environment  accessed by the supply chain finance system via a d ata exchange network.   [00023] The fast data received can be real‐time data recei ved from an event‐driven server  application of the data source and can be received  from the event driven server application via an  application program interface (API).  In some instanc es, the fast data includes actionable data  received from sensors, actuators, and/or machine‐to� �machine data exchange sources.    [00024] Some examples of the invention include a digital sup ply chain finance system where  the base ceiling includes an initial maximum percenta ge of the gross amount of confirmed invoices  issued to the buyer that are available for funding  by the supply chain finance provider.  The base  ceiling can be established per buyer by underwriters� �of the supply chain finance provider.  [00025] Systems and methods in accordance with the invention� �can establish scoring  multipliers in a number of ways.  For example, the� �historic dilutions multiplier can be based on  historical dilution events from an enterprise resource  planning server of the buyer and a dilution  prediction for the buyer‐supplier pair.  Historical� �dilution events from the enterprise resource  planning system of the buyer can include automatic a nalysis of the data of historic payment amounts  for confirmed invoices and corresponding gross amounts  for the same confirmed invoices issued by  the supplier over a predetermined time period.   [00026] Additionally, in some systems and methods of the inv ention, the dilution prediction  for the buyer‐supplier pair is based on the use o f a machine learning (ML) model trained by billings� � and correspondent payments from 1st tier buyers to t heir suppliers in different industries, different  jurisdictions, and different economic cycles.  Often,� �the billings and payment amounts used for the  machine learning (ML) model are significant (on the  order of $ trillions).  The machine learning  models can then be used to further process the fast  data, including billings of suppliers and payments  of buyers, to determine the dilution prediction.  Th e dynamic credit limit server can include machine  learning (ML) modules for receiving the dilution pred iction generated by the models and to  incorporate the information in determining the dynamic  credit limit.  [00027] Systems and methods in accordance with the invention� �include dynamic credit limit  servers and applications that determine the risk scor e multiplier in a number of ways.  For example,  the risk score multiplier can be based on one or m ore of a financial analysis score, a fraud‐threat  score, a compliance score, a business credit score,  a filed liens score, a success‐social value score,� �and  a track record score.  [00028] In some example embodiments of the invention, a fina ncial analysis score is based on  one or more of a profit and loss statement, a bala nce sheet, an accounts receivable aging report, and  an accounts payable aging report received from the s upplier’s accounting software.  Financial  analysis scores can also be based on a number of o ther factors, including an extrapolated income  determination, an equity‐income ratio, an assets‐li ability ratio, a monthly revenue ratio, a total  accounts payable‐accounts receivable comparison, a ti me‐based accounts payable‐accounts  receivable comparison, a highest accounts receivable c oncentration, and/or a reporting period.    [00029] Example implementations of the invention can base a  fraud‐threat score on one or  more of an email risk based on an email address ag e, an IP address confidence based on a historical  IP address fraudulent use, and an IP address risk b ased on a location of an IP address and a supplier   location.  Other bases for a fraud‐threat score ca n include a Proxy‐VPN‐TOR determination based on  a direct or non‐direct connection, an email free‐ corporate determination based on whether a user is  using corporate email or free email, and a city con fidence score based on a location of a city and  proximity to the supplier’s address.  Similarly, a� �fraud‐threat score can include considerations of a� � geolocation score based on a supplier’s address and  IP address, a location accuracy radius score  based on a supplier business location and user IP a ddress distance, and a location average income  score based on a weighted average of income per per son for a postal code associated with the IP  address.  Likewise, additional considerations for a f raud‐threat score can include a postal confidence  score based on a business account address or a cred it card address and a user address, and an  address‐phone residential‐business score based on a  user connection location.  [00030] Systems and methods in accordance with the invention� �can determine a compliance  score based on a number of factors, including one o r more of an international watchlist score based  on an Office of Foreign Assets Control sanctions lis t, an enhanced credit score based on a  combination of data from one or more registered cred it agencies (and augmented with utility  records, electoral rolls, and drivers’ license recor ds), and a passport‐driver license‐ID validation s core  (digital identity intelligence).  Further, a complianc e score can also be based on an address validation� � score, and a utility score based on correlation of  utility bills with a user address.  [00031]  Some implementations of the invention include dynami c credit limit servers and  application that determine a business credit score ba sed one or more of an active registration‐time in� � business score, a derogatoriness score, an insolvency� �history score, a collection‐revenue ratio score, a� � tax liens‐CCJ (county court judgment) history score,  and a trade names score, where these scores are  based on credit reports in data‐feed format receive d from a credit bureau.  [00032] Example systems and methods in accordance with the i nvention determine a filed  liens score based on at least one of a number of  not‐terminated filings (UCC/PPSR/Charges) score  (i.e., Uniform Commercial Code, Personal Property Secu rities Register, etc.), a number of not‐ terminated filings (AR/Debtors) score, a not‐terminat ed filings (Inventory) score, a not‐terminated  filings (PMSI) score, a not‐terminated filings (All� �Assets) score, any or all of which can be based o n  collateral descriptions.  An alternate payee score ba sed on existence of an active payment  assignment to a third party can also be used in de termining a filed liens score.    [00033] In some embodiments of the invention, the dynamic cr edit limit servers and  applications can determine a success‐social value sc ore based on one or more of a level of education  score, a career score, a loyalty score (based on fr equency and duration of job changes), a Social  Activity score (based on user social involvement in  charities, community activities, and/or military  background), and a reputation score (based on collect ed data related to user‐signer reputation).  [00034] In some implementations of the invention a loyalty s core can include a level of  continued effort to achieve a goal and a measure of  jumping back and forth from project to project.   [00035] Systems and methods in accordance with the invention� �can determine a track record  score, where the track record score is with the sup ply chain finance provider and is based on at least   one of a longevity of account score, a defaults num ber to transactions number ratio, a ratio of post‐ confirmation dilution to gross amount of all confirme d invoices, a ratio of post‐confirmation dilution  to a total of an amount of automatic recourse avail able in the current payment period, an amount of  automatic recourse available in the next payment peri od, and a total confirmed invoices score.  In  some implementations of the invention, a post‐confir mation dilution can include at least one of the  set of an amount of unrelated credit‐memos applied� �on the same date as an invoice scheduled  payment date, an amount of chargebacks, withholdings,� �counterclaims and an amount of set‐offs.   [00036] Any or all of the scores making up the risk score� �multiplier can be statically or  dynamically weighted, for example, based on received  fast data and other information received by  the dynamic credit limit server.  The scores making� �up the risk score multiplier can be dynamically  weighted using different multipliers applied to each  score to differentiate contributions of each score  to the overall risk score multiplier.  [00037] In addition, in some example systems and methods of� �the invention, risk score  multipliers are also based on a number of other fac tors including one or more of an Authentication  Result score, an ID Passed/Failed/Unknown score, a To tal ID Verification score, an ID Barcode  Verification score, and an ID Data Extraction Reliabi lity Level score.  These factors contributing to  digital identity intelligence can be based on analysi s of driver licenses or passports for a  predetermined jurisdiction.      BRIEF DESCRIPTION OF DRAWINGS  [00038] The patent or application file contains at least one  drawing executed in color.  Copies  of this patent or patent application publication with  color drawing(s) will be provided by the Office    upon request and payment of the necessary fee.  [00039] FIG. 1 is a diagram of a system for creating a dy namic credit limit and related  automatic recourse base for providing supply chain fi nance services in accordance with the invention.   [00040] FIGS. 2A‐2B are flow diagrams of a method for cre ating an initial dynamic credit limit  and recourse base for providing supply chain finance� �services in accordance with the invention as  well as for subsequent supply chain finance funding.� �  [00041] FIG. 3 is a flow diagram of an example dynamic cre dit limit determination in  accordance with the invention and showing relationship s between system components and scores.  [00042] FIG. 4 is an example user interface screen in accor dance with the invention showing  supplier interactions with a system for creating a d ynamic credit limit and related automatic recourse  base.   [00043] FIG. 5 is an example user interface screen showing  supplier interactions with a  system for creating a dynamic credit limit and relat ed automatic recourse base using a Cash Planner  feature.   [00044] FIG. 6 is an example user interface screen showing  supplier interactions with a  system for creating a dynamic credit limit and relat ed automatic recourse base using an Always‐Pay‐ Me‐Early feature.       DETAILED DESCRIPTION   [00045] The systems and methods of the invention provide tec hnical solutions for processing  and analyzing disparate data in large volumes at sca le from multiple sources.  In analyzing the  multitude of financial data quickly, accurately, and  efficiently, dynamic credit limits and recourse  bases are established in real time for suppliers.   Dynamic credit limits determined in accordance with  the invention are responsive to changes in informatio n, including financial information from the  buyer and the seller along with many other types of  fast data received and evaluated by the dynamic  credit limit systems and methods.  The determinations  of the dynamic credit limits reliably allow  banks and other financial institutions to offer suppl y chain finance (SCF) service without requesting a  payment guaranty from a buyer, which is traditionally  used as a hedge against the risks of non‐ payment and payment dilution.  By forgoing a payment  guaranty from a buyer, supply chain finance  services are more widely available and provide improv ed liquidity and working capital without  effecting changes to accounting treatment.    [00046] The dynamic credit limit enables early payment servic es and solutions against  confirmed invoices.  As the fast data to the supply  chain finance provider change, the dynamic credit  limit for the supplier may also change.  Similarly,� �as the number and volume/amount of confirmed  invoices changes, the dynamic credit limit available  to that supplier may also change.  The invention  described in this disclosure provides a technological� �solution in improved systems and methods for  receiving, managing, and evaluating extensive and dist inct data sets from a wide array of sources.   This invention includes systems and methods that auto matically create a dynamic credit limit at the  point‐of‐funding decision based on analysis of cri tical risk factors identified in the fast data obtai ned  in real time.  The systems and methods of the inve ntion also automatically structure a recourse base,  allowing supply chain finance providers to mitigate n on‐payment and dilution risks. These systems  and methods allow supply chain finance funders to re liably and safely provide supply chain finance  services without requiring a buyer payment guaranty.    System Overview  [00047] Example embodiments of the invention feature systems  and methods for creating a  dynamic credit limit.  FIG. 1 shows a block diagram  of a multimodality supply chain finance provider  system 100 for receiving requests for supply chain f inance services, automatically receiving  confirmed invoices, automatically receiving fast data,� �and determining the dynamic credit limit.   System 100 includes data exchange network 199.  Data  exchange network 199 is the medium used to  provide communications links between various devices a nd computers connected together within  the system 100.  Data exchange network 199 can incl ude connections, such as wire, wireless  communication links, or fiber optic cables, from indi vidual clients, servers, sources of fast data, and  processing components.  The clients, servers, data so urces, and processing components can access  the data exchange network 199 using different softwar e architectural frameworks, different web  services, different file transfer protocols, and diffe rent Internet exchange points.  Data exchange  network 199 can represent a collection of networks a nd gateways that use the Transmission Control  Protocol/Internet Protocol (TCP/IP) and other communica tion protocols, as well as application  programming interfaces (APIs), to communicate with one  another and with devices connected to the  Data exchange network 199.  One example data exchang e network 199 includes the Internet, which  can include data communication links between major no des and/or host computers, including  thousands of commercial, governmental, educational, and  other computer systems that route data  and messages.  FIG. 1 is one example of an environ ment of the invention and is not an architectural    limitation for different illustrative embodiments of t he invention.  [00048] Clients and servers are only example roles of certai n data processing systems and  computer systems connected to data exchange network 1 99 which do not exclude other  configurations or roles for these data processing sys tems.  Dynamic credit limit server 130 and buyer  server 150 connect to data exchange network 199 alon g with sources of fast data 160, 162, 164, 166,  168, 170 (which can include servers, databases, proce ssors, and the necessary software and  hardware to execute applications and methods for acqu iring and sending fast data).  Software  applications can execute on any computer in the syst em 100.  User computers (clients), including  supplier computing device 110, are also connected to� �data exchange network 199.  A data processing  (computer) system, such as servers 130, 150 and clie nts 110, and data sources 160, 162, 164, 166,  168, 170 (and other connected devices) can include d ata and can have software applications and/or  software tools executing on them.  [00049] FIG. 1 shows an example system architecture and show s certain components that are  usable in an exemplary implementation of the inventio n.  For example, servers 130, 150, 160, 162,  164, 166, 168, 170 and client 110 are depicted as  servers and clients only as example and not to  imply a limitation to a client‐server architecture.� � In another example embodiment of the invention,  the system 100 can be distributed across several dat a processing (computer) systems and a data  network as shown.  Similarly, in another example emb odiment of the invention, the system 100 can  be implemented on a single data processing system wi thin the scope of the illustrative embodiments.   Data processing (computer) systems 110, 130, 150, 160 , 162, 164, 166, 168, 170 also represent  example nodes in a cluster, partitions, and other co nfigurations suitable for implementing an  embodiment of the invention.  [00050] The supplier computers (e.g., 110) can take the form  of a smartphone, a tablet  computer, a laptop computer, a desktop computer, a w earable computing device, or any other  suitable computing device and computers 130, 150, 160 , 162, 164, 166, 168, 170 are typically servers,  personal computers, and/or network computers.  Softwar e application programs described as  executing in the system 100 in FIG. 1 can be confi gured to execute in user computers in a similar  manner.  Data and information stored or produced in� �another data processing system can be  configured to be stored or produced in a similar ma nner.  [00051] Applications 111, 131, 151 implement an embodiment or  function of the invention as  described in this document.  For example, dynamic cr edit limit application 131 receives a request  from an application 111 on supplier computing device� �110, including payment information such as    currency, payment dates, selected invoices, and other� �supplier information.  Applications 111, 112 of  the supplier implements an embodiment or a function  as described to operate in conjunction with  applications 131, 132 on the dynamic credit limit se rver 130.  For example, application 111 provides  the supplier payment information used by dynamic cred it limit application 131 to process, classify,  and provide actionable dynamic credit limit funds.   Similarly, buyer application 151 operates in  conjunction with application 131 on the dynamic credi t limit server 130 and provides invoices and  ERP system records used by dynamic credit limit appl ication 131 to process, classify, and provide  actionable dynamic credit limit funds.   [00052] Computers 110, 130, 150, 160, 162, 164, 166, 168, 1 70, and additional computers  (e.g., clients and servers), may couple to data exch ange network 199 using wired connections,  wireless communication protocols, or other suitable da ta connectivity.  [00053] In the depicted example, dynamic credit limit server� �130 may provide data, such as  boot files, operating system images, and applications� �to user computers (clients and servers) 110,  150.  Client 110 may be clients to server 130 in  this example. Client 110 and servers 150, 160, 162,� � 164, 166, 168, 170, or some combination, may include  their own data, boot files, operating system  images, and applications.  System 100 may include ad ditional servers, clients, and other devices that  are not shown.  For example, while countless point  of sources of fast data can be used to provide  inputs to the dynamic credit limit server using  sy stems and methods constructed according to the  principles and exemplary embodiments of the invention,  for clarity and brevity, six distinct sources of  fast data are shown with a single supplier computing  device, a single buyer server, and a single  dynamic credit limit server  as shown in FIG. 1. � �  [00054] Among other uses, system 100 may be used for implem enting a client‐server  environment in accordance with exemplary embodiments o f the invention.  A client‐server  environment enables software applications and data to� �be distributed across a network such that an  application functions by using the interactivity betwe en a user computer and a server.  System  100 may also employ a service‐oriented architecture,  where interoperable software components  distributed across a network can be packaged together  as coherent applications.  [00055] Together, the system 100 provides inputs for the dyn amic credit limit application 131  to process, classify, and provide actionable dynamic  credit limit recommendations.  More specifically,  the supplier computer device 110 can use a supplier� �portal to provide to provide payment requests  for chosen invoices.  The system 100 uses inputs fr om buyer server 150, including ERP system 153,  for example, as further inputs for the dynamic credi t limit application 131.  Additionally, sources 160,� �   162, 164, 166, 168, 170 provide fast data in real� �time for use in determining the dynamic credit limi t.   As inputs and results from supplier computing device� �110, buyer server 150, and sources of fast data  160, 162, 164, 166, 168, 170 change in real‐time,� �dynamic credit limit server 130 and application 131� � constantly and continually reassess and redetermine th e actionable dynamic credit limit.    Glossary  [00056] The example systems and methods in accordance with t he invention may be better  understood by providing contextual meanings of some o f the terms used in the examples of this  disclosure as shown below.     [00057] L _d  – Dynamic Credit Limit (“DCL”) – is t he maximum amount, at a specific moment in  time (current moment), of confirmed and scheduled for  payment invoices issued to an individual  Buyer that can be discounted/paid early by the suppl y chain finance provider;  [00058] I _i  –Issued invoice – amount of invoice issued  by a Supplier to a Buyer (Account  Debtor);  [00059] I _v  – Verified invoice – amount of invoice issu ed by a Supplier and the invoices’  deliverables have been verified by the Buyer. Invoice s with this level of approval are usually accepted  for invoice finance funding such as factoring, invoic e discounting, asset‐based lending (ABL), etc.;  [00060] I _c  – Confirmed Invoice – amount of invoice a pproved and scheduled for payment.  Invoices with this level of approval are usually acc epted for supply chain finance  I _c  = I _v  – Δ _v     where  Δ _v  is pre‐confirmation dilution (e.g., an amount  of chargebacks, set‐offs, counterclaims,  withholdings, etc.);  [00061]  I _e  – early paid by supply chain finance confirme d invoice I _c   [00062] G _c  – Gross amount of all confirmed invoices; � � [00063] G _e  – gross amount of all early paid by supply  chain finance invoices;  [00064] P _c  – Amount of payment received by supply chai n finance provider for confirmed  invoice  P _c  = I _c  – Δ _c    where  Δ _c  is the post‐confirmation dilution (e.g., amou nt of unrelated credit‐memos applied on the  same date as invoice scheduled payment date, chargeba cks, set‐offs, etc.);   [00065] P _g  – Amount of payment received by supply chai n finance provider for all confirmed  invoices G _c ;    [00066] D _d  – Invoice due date;   [00067] D _p  ‐ invoice scheduled payment date;   [00068] D _e  – supply chain finance early payment date;  [00069] T _c  – Current payment period;   [00070] T _n  – next payment period;   [00071] t _d  – decision moment (milliseconds);  [00072] R _c  – Amount of automatic recourse available in� �the current payment period T _c   R _c  = P _g  ‐ G _e ;  [00073] R _n  – Amount of automatic recourse available in� �the next payment period T _n .   Projected available automatic recourse is an amount o f payments to be received from the same  Buyer for non‐funded invoices (P _g  above DCL L _d );  [00074] C _b  – Base ceiling – initial maximum % of th e total amount of G _c  available for funding  by SCF and established for a specific Buyer by the� �SCF underwriters;  [00075] d _a  – Discount – amount of discount taken and  defined by supply chain finance  provider and usually calculated as:  d _a  = d _% *I _e *(D _p  – D _e )  where d _%  is daily % discount;  [00076] P _e  – Early payment amount of invoice paid by  supply chain finance provider on early  payment date D _e  – discounted amount of I _e   P _e  = I _e  ‐ d _a      Example System Operation and Methods:  [00077] The systems and methods of the invention establish a  Dynamic Credit Limit L _d  for a  Supplier by performing real time (instant) and period ic analysis of major non‐payment risks, including  dilution risk, and create a dynamic risk mitigation  structure in the form of an automatic recourse  capability, including R _c  the amount of automatic recourse available in� �the current payment period  and R _n  the amount of automatic recourse available in t he next payment period.  [00078] One example embodiment of the invention is shown in� �the system diagram of FIG. 1  and the process flow diagram of FIG. 2.  The dynam ic credit limit determination begins after block  202 when a supplier signs up for supply chain finan ce (SCF) service (A in FIG. 1).  For clarity and  brevity, “supplier” and “supplier computing devic e” may be thought of as a party selling goods or     services to a buyer, and an example computer system� �used by a supplier is the supplier computing  device 110 shown in FIG. 1.  The process continues� �in block 204 when supplier 110 requests supply  chain finance (SCF) service from the dynamic credit  limit server 130 of supply chain finance provider  (B in FIG. 1)  [00079] In block 206, the dynamic credit limit server 130 o f supply chain finance provider  contacts the specific buyer (server) 150 involved in� �the transactions with the supplier 110 (C1 in FIG.� � 1).  The dynamic credit limit server 130 of supply� �chain finance provider receives/pulls confirmed  invoices from the specific buyer (server) 150 (e.g.,� �from the buyer ERP system 153) and receives the  total (gross) amount of all outstanding confirmed inv oices G _c  (C2 in FIG. 1).  [00080] The example process continues in block 208 as the d ynamic credit limit server 130 of  supply chain finance provider receives/pulls fast data  from a variety of sources of fast data 160, 162,� � 164, 166, 168, 170 (D1‐D6 in FIG. 1).  As outlin ed further below, in block 210, the dynamic credit  limit  server 130 of supply chain finance provider determine s the supplier’s Dynamic Credit Limit for the  particular buyer 150 (E in FIG. 1) based on inputs� �from the buyer server ERP system 153, accounting  software 113 of the supplier, and fast data from so urces 160, 162, 164, 166, 168, 170.  In many  example implementations of the invention, the accounti ng software 113 of the supplier resides apart  from the physical location of the supplier, as shown  in FIG. 1 and behaves similarly to the fast data� � from sources 160, 162, 164, 166, 168, 170.  FIG. 4  shows an example user interface screen 400 with  the determined dynamic credit limit 411    [00081] Several contributing elements based on fast data anal yzed by the dynamic credit  limit application 131 can deliver binary conclusions  like “yes” or “no.”  For example, if during� �supply  chain finance digital compliance processes (KYC, AML,� �CTF—know your customer, Anti‐Money  Laundering, and Counter Terrorism Financing, respective ly) someone from a Supplier’s management  or ownership team is listed on an Office of Foreign  Assets Control (OFAC) list, it will result in the� � Supplier’s funding request being declined. On the o ther hand, for example, the level of confidence in  a logged‐in Supplier user’s IP address or a user ’s geo‐location or analysis of UCC/PPSR/Charges (i .e.,  Uniform Commercial Code, Personal Property Securities  Register, etc.) and collateral descriptions for  a Supplier will contribute to the relevant segment’ s element (risk score) scoring, resulting in a  decrease of the final current Dynamic Credit Limit L _d  level, instead of rejection of the funding re quest.  [00082] In block 212, Supplier 110 requests payment for chos en invoices G _e  (i.e., the gross  amount of all early paid by supply chain finance in voices) minus a discount.  As an example, the  invoices chosen are shown as reference numerals 413,� �415, 417, 419 on the user interface screen 400    of FIG. 4, and the discount is shown as reference  numeral 441.  The payment amount must be less  than or equal to the dynamic Credit Limit 411 deter mined by the dynamic credit limit server 130 of  supply chain finance provider.  The user interface s creen 400 in FIG. 4 shows the invoice amounts  selected 431 as the supplier identifies invoices for� �early payment.  Along with the payment amount,  the supplier 110 choses an early payment date (F in  FIG. 1) and shown as reference numeral 451 in  FIG. 4.    [00083] The process continues in block 214 as the dynamic c redit limit server 130 of supply  chain finance provider provides (early) payment for t he chosen invoices to the supplier 110 (G in FIG.  1).  At the same time, in block 216, the dynamic  credit limit server 130 of supply chain finance  provider determines an automatic recourse base R _c , which is the amount of automatic recourse  available in the current payment period, for the sup plier as a difference between the gross amount of  all outstanding confirmed invoices (G _c ) and the gross amount of all early paid by  supply chain finance  invoices G _e  (H in FIG. 1).    [00084] In block 218, the dynamic credit limit server 130 o f supply chain finance provider  receives payment P _g  (i.e., the amount of payment received by the� �supply chain finance provider for  all confirmed invoices) from the buyer 150 for total  confirmed invoices G _c  and payment dilution Δ _c   calculated for all funded (confirmed outstanding) invo ices G _c  (J in FIG. 1).  [00085] In one example implementation of the invention, for  dilution risk calculations, the  process performed by the dynamic credit limit server� �130 of supply chain finance provider constantly  and continually receives and analyzes historical dilut ion data of the Supplier with the individual Buyer  and can use ML (machine learning) for dilution predi ction providing systems the ability to  automatically learn and improve from experience withou t being explicitly programmed.  Machine  learning determinations of predicting dilution focuses� �on the development of computer programs  that can access data and use it learn to refine di lution calculations and predictions themselves.  [00086] For example, the dynamic credit limit server 130 may  receive fast data dilution  predictions based on machine learning modules, applica tions, and systems for identifying  relationships and invoice/payment histories for use in  calculations by the dynamic credit limit server  130 for decisions relating to setting a dynamic cred it limit. The dynamic credit limit server can includ e  machine learning (ML) modules for receiving the dilut ion prediction generated by the models and to  incorporate the information in determining the dynamic  credit limit.  [00087] Beside the dilution risk, the systems and methods of  the invention manage a number  of other types of Supplier risks, including but not� �limited to, fraud/threat, credit risk, liens (includi ng    registered secured interests and collateral description s), CCJs and pending litigations, tax liens,  compliance, etc.  [00088] These non‐dilution risks are important because they� �can significantly impact current  and future payments from the Buyer to the Supplier  and the ability to structure a sustainable  recourse base to mitigate risks and prevent real los ses. For example, understanding how stable the  Supplier’s business is at the decision point t _d  and the ability to predict if the Supplier w ill be able to  deliver its goods and/or services to the Buyer next� �month and beyond figures prominently in  determining the dynamic credit limit.  Examples of t he consideration and effects of these risks are  outlined further below.  [00089] The overall process continues in FIG. 2B as addition al comparisons, calculations, and  determinations are made by the dynamic credit limit  server 130 of supply chain finance provider  when supplier 110 is in need of additional funds. � �For example, continuing with block 222 in FIG. 2B,� � the dynamic credit limit server 130 of supply chain� �finance provider compares the amount of  automatic recourse available in the current payment p eriod R _c  to Δ _c  the post‐confirmation dilution.  If  the post‐confirmation dilution is less than the aut omatic recourse available in the current payment  period, the process continues to block 224 as descri bed below.  However, if the post‐confirmation  dilution is greater than the automatic recourse avail able in the current payment period, the process  continues to block 254, and the dynamic credit limit  is set to zero.  The process continues to block  258 where the buyer’s payments for the next group� �of confirmed invoices R _n  is used to cover the  gross amount of all early paid by SCF invoices G _e  until dilution and fees are fully covered.  Th e process  then continues to block 224.  [00090] The process in block 224 determines if the supplier� �requests additional supply chain  finance service.  If no, the supply chain finance s ervice is suspended in block 262, and the process  ends.  However, when the supplier does need addition al supply chain finance service in block 224,  the process continues to block 228, where the supply  chain finance provider pulls all confirmed  invoices from the buyer and total amounts of all ou tstanding confirmed invoices G _c .  All data are  pulled from all sources of fast data, and the suppl ier’s dynamic credit limit is (re)calculated in blo ck  232.  [00091] In block 236, the supplier selects an early payment� �date and requests (and receives)  payment for (newly) chosen invoices G _e  less the discount, and the total is less tha n the recalculated  dynamic credit limit.  In block 240, a new automati c recourse Rc is created as a difference between    the total amounts of all outstanding confirmed invoic es G _c  and the gross amount of all early paid by  SCF invoices G _e .    [00092] In block 244, the supply chain finance provider rece ives payment P _g  for the total of all  confirmed invoices G _c  and payment dilution Δ _c  that was calculated for all funded confirmed  invoices  G _c .  The process then returns to block 222 and� �cycles through until the supplier no longer needs  additional supply chain finance service, and service  is suspended.  [00093] An additional example with simplified amounts provides  additional insights into the  systems and methods of the invention.  One example  includes a Supplier’s request for early payment.  At the specific moment t _d , this Supplier has $1M of confirmed invoices  G _c  issued to a specific Buyer.  As a result of the automatic analysis based on curr ent fast data, including financial data pulled from  the Supplier’s accounting software, historical diluti on data pulled from the Buyer’s ERP server, and  data pulled from the different fast data sources, in cluding Credit Bureaus, different government  agencies, compliance/fraud/threat data aggregators, PPSR /PPSA systems and UCC filing data pulled  from Secretary of State databases, etc.  The automat ic analysis includes predicted dilution Δ _c , where  predicted dilution is calculated based on machine lea rning (ML) modules trained by significant data  of billing and correspondent payments ($ trillions) f rom 1st tier Buyers to their Suppliers in different� � industries, jurisdictions, economic cycles, etc.  The� �machine learning (ML) models can then be used to  further process the fast data, including billings of� �suppliers and payments of buyers, to determine the  dilution prediction.  Example machine learning engines  (ML) include Google TensorFlow or BERT, and  other engines.  In this example, the dynamic credit� �limit (DCL) L _d  is set at a level of $912K.  [00094] This means that the Supplier can discount any invoic es up to $912K and the supply  chain finance provider will provide early payment P _e  to the Supplier on the early payment date D _e   and will take a discount payment of d _a .  For example, d _a  is calculated as 1% for 30 days daily prorat ed  discount.  All payments from the Buyer for all invo ices, P _g  are assigned and paid to a dedicated  account controlled by the supply chain finance provid er (via assignment of debts).  So, in an event  where payments for the funded $912K invoices are dil uted, the dilution Δ _c  will be covered  automatically from payments received for $88K in non� ��funded invoices R _c .  If the amount of current  recourse R _c  is not enough to cover the dilution Δ _c,  then the dynamic credit limit (DCL) will be se t to $0  and deficit will be covered from the next payment p eriod for non‐funded invoices R _n  as shown in FIG.  2B.  Immediately after this, the Supplier will again  be able to request early payments under the new  dynamic credit limit DCL L _d .    [00095] The systems and methods of the invention provide dig ital supply chain finance  service on a recourse basis, and in cases where the  supply chain finance provider is unable to cover  dilution Δ _c  by automated current recourse R _c  and next payment period recourse R _n , they can exercise  full recourse rights and demand payments from any ot her receivables that the Supplier has or will  have in future.  The supply chain finance provider  registers its security interest and is a secure  creditor to the Supplier.      Dynamic Credit Limit Determination Example:  [00096] FIG. 3 shows an example of a scoring scheme to qua ntify aspects of fast data  received by the dynamic credit limit and recourse ba se systems in accordance with the invention.  In  the example shown in FIG. 3, the dynamic credit lim it 311 is determined based on a total amount of  all outstanding confirmed invoices 328, a historic di lution multiplier 322, a buyer base ceiling 324,  and a risk score multiplier 326.  FIG. 3 can be u nderstood as showing a loose hierarchy of scores/sub� �� scores and sources of fast data that contribute to  the dynamic credit limit determinations.   Successive lower “layers” in FIG. 3 show elements  contributing to the components above them.  As  outlined above, a dynamic credit limit L _d  for a specific Supplier is calculated at ever y decision moment  t _d  and is based on real time fast data pulled  from thousands of data points, for example financial� � information from Supplier accounting software, data fr om Credit Bureaus, and other sources of fast  data as shown in FIGS. 1 and 3.  In one example  implementation of the invention, a dynamic credit  limit L _d  311 is determined using a gross amount of al l confirmed invoices G _c  328 as well as a historic  dilutions multiplier M _h  322 (see below), a risk score multiplier M _s   326 (also described further below),  and a base ceiling  C _b  324.  Both the historic dilutions multiplier M _h  322 and the risk score multiplier  M _s  326 are applied to the base ceiling C _b  324.  The base ceiling C _b  324 is an initial maximum % of the  total gross amount of all confirmed invoices availabl e for funding by the supply chain finance system. � � The base ceiling C _b  324 is established for a specific Buyer by t he supply chain finance underwriters  334.  In an example embodiment of the invention, th e dynamic credit limit 311 is determined based  on the following relationship.  L _d  = G _c *(C _b *M _h *M _s )  where   M _h  – historical dilutions multiplier (in %) whi ch is applied to base ceiling C _b .      [00097] Continuing with FIG. 3, M _h  322 is calculated as the result of statistica l analysis of  historical dilution events 332 for a period, based o n data constantly pulled from the Buyer ERP  system 392, and contributions from ML dilution predic tion for specific Buyer‐Supplier pairs as  reference numeral 393 shown in FIG. 3. The dilution� �prediction 333 is determined based on machine  learning (ML) trained by significant data of billing� �and correspondent payments (in $ trillions) from  1st tier Buyers to their Suppliers in different indu stries, jurisdictions, economic cycles, etc., The  machine learning models can then be used to further� �process the fast data, including billings of  suppliers and payments of buyers, to determine the d ilution prediction 333.  Example machine  learning models engines (ML) include Google TensorFlow , Google BERT, and other engines.    M _s  – risk score multiplier (in %) which is ap plied to base ceiling C _b .    [00098] Continuing with the example dynamic credit limit dete rmination outlined in the  FIGS., risk score multiplier M _s  326 is equal to a percent from 0% to 100%  depending on what the total  risk score 336 is.  For example, if the total risk  score S _t  336 is higher than 450, then the risk score� � multiplier M _s  326 is equal to 100%.  Similarly, if the to tal risk score S _t  score 336 is lower than 25, then  the risk score multiplier M _s  326 is equal to 0%.  The supply chain finan ce provider can establish the  strata of risk score multipliers M _s  326 equating them to the total risk scores S _t  336.  [00099] As outlined above, total risk score S _t  336 is used to determine the risk score  multiplier 326.  In turn, the total risk score S _t  336 is made up of many different scores dete rmined  from the constant and continuing analysis of fast da ta.  In one example implementation of the  invention, the total risk score 336 is determined ba sed on a financial analysis score 342, a  fraud/threat (trust) score 343, a compliance score 34 4, a business credit score 345, a filed liens score   346, a success value score 347, an internal track r ecord score 348, and other scores based on  received fast data.    [000100] While the financial analysis score 342 and the succe ss value score 347 are shown in  FIG. 3 as optional, the total risk score S _t  336 can include more or less fast data from� �many sources.     [000101] In an example embodiment of the invention, the total  risk score 336 is determined  based on the following relationship.      S _t  – is the total risk score (maximum value i s 500)  S _t  = (S _f *W ₁  + S _t *W ₂  + S _g *W ₃  + S _c *W ₄  + S _l *W ₅  + S _s *W ₆  + S _i *W ₇  + … S _x *W _x )/Σ(W _i )    where   S _f  is Financial Analysis score,   S _t  is Fraud/Threat (trust) score,   S _g  is Compliance score,   S _c  is Business Credit score,   S _l  is Filed Liens score,   S _s  is Success/Social Value score,   S _i  is SCF Internal Historical Track Record score,    S _x  is any additional customized score(s) which co uld be added, if necessary, by the  supply chain finance provider and the weighting facto rs (W ₁ , W ₂ , etc.) are applied to each of the  respective scores.    W _i  is a weight factor, which has a value from  0 to 5 and could be dynamic, depending  on the value of the applicable score.     [000102] Each of the scores can be weighted by the supply c hain finance provider and assigned  a weight factor.  For example, weighting the individ ual scores (e.g., financial analysis score,  fraud/threat (trust) score, compliance score, business� �credit score, filed liens score, success value  score, internal track record score, and customized sc ores) that make up the total risk score provides a� � method of prioritizing scores and determining a relat ive value of that score’s contribution to the tota l  risk score.  In one example implementation of the i nvention, criteria for weighting is selected by  analyzing statistics and identifying characteristics of  each score’s correlation to the total risk score.     The weight for each score is assigned in the range� �from 0 to 5.  The most important score (i.e., tha t  score or scores that have the strongest correlation  to the total risk score and make the largest  contribution to the total (aggregate) risk score) is� �weighted 5, and less important scores (i.e., that  score or scores that have the weakest correlation to  the total risk score and makes the smallest  contribution to the total aggregate score) is weighte d 1. The weights can be statically applied to each� � of the scores, sub‐scores, sub‐sub‐scores, etc.  or can be dynamically determined and applied based  on received fast data.    [000103] The individual scores 342, 343, 344, 345, 346, 347,� �348 are based on the received fast  data that is continually processed by the system.   In some instances, the system determines a  number of sub‐scores for the scores based on the  fast data.  In FIG. 3, an example is shown where  Financial Analysis Score 342 is determined based on  sub‐scores (and similarly, on sub‐sub‐scores).     While determining a Financial Analysis score S _f  is optional, it can be calculated based on a nalysis of  the Supplier’s financial data, if available, includi ng Profit and Loss Statements, Balance Sheets, AR  Aging and AP Aging reports, and other financial info rmation instantly pulled from the Supplier’s  accounting software (e.g., 113 in FIG. 1) or automat ically extracted from Suppliers reports uploaded  to the supply chain finance provider’s platform in� �any format, including from sources of fast data.   In  FIG. 3, a Profit and Loss Statement (shown as refer ence numeral 362 in FIG. 3) may result in a sub‐ sub‐score 352.  Similarly, fast data (shown as ref erence numeral 363) may be used to determine  another sub‐sub‐score 353, such as an A/R concent ration, or other measures of the supplier’s  financial position.  [000104] In practice, the financial analysis score S _f  342 may be more important for invoice  finance services than for supply chain finance servic es, since there is no verifiable historical dilution� � data which exists for invoice finance. That is why  for supply chain finance services, financial analysis� � score S _f  342 may not be as important as buyer histori cal dilution analysis 332 (and the resulting  historical dilution multiplier 322), which is a more� �determinative component for the dynamic credit  limit determination. In any case, when a financial a nalysis score S _f  342 is available for supply chain  finance services then it is calculated as:    S _f  = (S _f1 *W ₁  + S _f2 *W ₂  + S _f3 *W ₃  + S _f4 *W ₄  + S _f5 *W ₅  + S _f6 *W ₆  + S _f7 *W ₇  + S _f8 *W ₈  + S _f9 *W ₉  + S _f10 *W ₁₀  + S _f11 *W ₁₁ )/ Σ(W _i )    where   S _f1  is extrapolated income score, that can be bas ed on past earnings statements,  income from previous time frames, and other measures.     S _f2  is Equity/Income ratio score,   S _f3  is Assets/Liability ratio score,   S _f4  is AR/Monthly Revenue ratio score,   S _f5  is Total AP/AR ratio score,   S _f6  is AP/AR 0 to 30 days ratio score,   S _f7  is AP/AR 30 to 60 days ratio score,   S _f8  is AP/AR 60 to 90 days ratio score,   S _f9  is AP/AR over 90 days ratio score,   S _f10  is Highest AR Concentration score,   S _f11  is Reporting Period score and   W _i  is a weight factor.      [000105] Each of the sub‐scores can be weighted by the sup ply chain finance provider, and the  weighting factors (W ₁ , W ₂ , etc.) are applied to each of the respective� �sub‐scores.  As before,  weighting the individual sub‐scores that make up th e total financial analysis score provides a method  of prioritizing sub‐scores and determining a relativ e value of that sub‐score’s contribution to the  total  financial analysis score.  In one example implementat ion of the invention, criteria for weighting is  selected by analyzing statistics and identifying chara cteristics of each sub‐score’s correlation to the� � total financial analysis score.   The weight for ea ch sub‐score is assigned in the range from 1 to  5.  The  most important sub‐score (i.e., that sub‐score or� �sub‐scores that have the strongest correlation to  the total financial analysis score and make the larg est contribution to the financial analysis score) is� � weighted 5, and less important scores (i.e., that su b‐score or sub‐scores that have the weakest  correlation to the total financial analysis score and  makes the smallest contribution to the financial  analysis aggregate score) is weighted 1. The weights� �can be statically applied to each of the sub‐ scores, or can be dynamically determined and applied� �based on received fast data.      [000106] The fraud/threat score S _t  343 is used in the dynamic credit limit dete rmination to  assess, identify, understand, and ultimately account f or risks of fraud to the supply chain finance  service provider.  These risks can include fraudulent  disbursements, undisclosed relationships, theft  by cyber‐fraud, false qualifications or certification s, compliance with government regulations,  improper reporting and disclosures, identity theft, an d other fraud risks.  The fraud threat score S _t   343 is based on received fast data that is continua lly processed by the system.  In some instances, th e  system determines of sub‐scores that, in aggregate,� �make up the fraud/threat score.  In FIG. 3, an  example is shown where fraud threat score S _t  343 is determined based on sub‐scores (e.g.,  the sub‐ scores s _t1 ‐s _t11  described below).  In FIG. 3, the arrows ext ending downward from fraud/threat score  343 indicate further sub‐sub‐scores and respective� �sources of fast data used to determine the sub‐ sub‐scores).  In one example of the invention, det ermining a Fraud/Threat Score S _t  is calculated  based on the following relationship:    S _t  = (S _t1 *W ₁  + S _t2 *W ₂  + S _t3 *W ₃  + S _t4 *W ₄  + S _t5 *W ₅  + S _t6 *W ₆  + S _t7 *W ₇  + S _t8 *W ₈  + S _t9 *W ₉  + S _t10 *W ₁₀  + S _t11 *W ₁₁ )/ Σ(W _i )  where   S _t1  is Email Risk score, calculated based on the� �email address age,    S _t2  is IP Address Confidence score, calculated bas ed on the data for historical IP address  fraudulent use,  S _t3  is IP Address Risk score, calculated based on  location IP address and Supplier location,  S _t4  is Proxy/VPN/TOR score, calculated based on an alysis of direct or non‐direct connection,  S _t5  is Email Free/Corporate score, calculated based  on a fact that user is using corporate email  address or free email address like g‐mail, yahoo,  etc.,  S _t6  is City Confidence Score, calculated based on� �location of city and proximity to Supplier’s  address,  S _t7  is Geolocation score, calculated based on phys ical user’s address and IP address,   S _t8  is Location Accuracy Radius score, calculated  based on Supplier’s business location and user  IP address distance (radius),  S _t9  is Location Average Income score, calculated b ased on the weighted average income in US  dollars per person for the zip/post code(s) associate d with the IP address,  S _t10  is Postal Confidence score, calculated based o n business accounts (credit cards) address  and user address,  S _t11  is Address/Phone Residential/Business score, cal culated based on user connection location  (office or home), and   W _i  is a weight factor.    [000107] Each of the sub‐scores can be weighted by the sup ply chain finance provider, and the  weighting factors (W ₁ , W ₂ , etc.) are applied to each of the respective� �sub‐scores.  As before,  weighting the individual sub‐scores that make up th e total fraud/threat score provides a method of  prioritizing sub‐scores and determining a relative v alue of that sub‐score’s contribution to the tota l  fraud/threat score.  In one example implementation of  the invention, criteria for weighting is  selected by analyzing statistics and identifying chara cteristics of each sub‐score’s correlation to the� � total fraud/threat score.   The weight for each sub ‐score is assigned in the range from 1 to 5.  T he  most important sub‐score (i.e., that sub‐score or� �sub‐scores that have the strongest correlation to  the total fraud/threat score and make the largest co ntribution to the fraud/threat score) is weighted  5, and less important scores (i.e., that sub‐score� �or sub‐scores that have the weakest correlation to   the total fraud/threat score and makes the smallest  contribution to the fraud/threat aggregate score)  is weighted 1. The weights can be statically applied  to each of the sub‐scores, or can be dynamically   determined and applied based on received fast data.       [000108] The compliance score S _g  344 is used in the dynamic credit limit dete rmination to  assess, identify, understand, and ultimately account f or risks of non‐compliance.  These risks can  include know your customer (“KYC”) non‐compliance , anti‐money laundering (“AML”) non‐ compliance, counter‐terrorism financing (“CTF”) no n‐compliance and other compliance risks.  The  compliance score S _g  344 is based on received fast data that is  continually processed by the system.  In  some instances, the system determines of sub‐scores� �that, in aggregate, make up the compliance  score S _g  344.  In FIG. 3, an example is shown where� �compliance score S _g  344 is determined based on  sub‐scores (e.g., the sub‐scores s _g1 ‐s _g5  described below).  In FIG. 3, the arrows ext ending downward  from compliance score 344 represent further sub‐sub� ��scores and respective sources of fast data used  to determine the sub‐sub‐scores).  In one example  of the invention, determining a Compliance Score  S _g  is determined by the following relationship:    S _g  = (S _g1 *W ₁  + S _g2 *W ₂  + S _g3 *W ₃  + S _g4 *W ₄  + S _g5 *W ₅ )/ Σ(W _i )  where   S _g1  is International Watchlist score, calculated ba sed on OFAC sanctions list and/or  international sanctions lists,  S _g2  is Enhanced Credit score, calculated based on� �combination of the data from one or  more registered credit agencies and is augmented with  one or more of the following; utility,  electoral roll, and driver’s license or passport’s  data,  S _g3  is Passport/Driver License/ID Validation score,� �calculated based on validation of personal  IDs,  S _g4  is Address Validation score, calculated based  on user home address validation,  S _g5  is Utility score and calculated based on corr elation of Utility bills with user address,  W _i  is a weight factor.    [000109] Similar to the above determinations, each of the sub ‐scores can be weighted by the  supply chain finance provider, and the weighting fact ors (W ₁ , W ₂ , etc.) are applied to each of the  respective sub‐scores.  As before, weighting the in dividual sub‐scores that make up the total  compliance score provides a method of prioritizing su b‐scores and determining a relative value of  that sub‐score’s contribution to the total complia nce score.  In one example implementation of the  invention, criteria for weighting is selected by anal yzing statistics and identifying characteristics of    each sub‐score’s correlation to the total complian ce score.   The weight for each sub‐score is ass igned  in the range from 1 to 5.  The most important sub ‐score (i.e., that sub‐score or sub‐scores that� �have  the strongest correlation to the total compliance sco re and make the largest contribution to the  compliance score) is weighted 5, and less important  scores (i.e., that sub‐score or sub‐scores that  have the weakest correlation to the total compliance� �score and makes the smallest contribution to  the compliance aggregate score) is weighted 1. The w eights can be statically applied to each of the  sub‐scores, or can be dynamically determined and ap plied based on received fast data.    [000110] While outlined above, each sub‐component of the con tributing component score has  its own contributing sub‐sub‐components, and the s ub‐sub‐scores corresponding to that sub‐sub‐ component combine to determine the aggregate sub‐sco re.  As alluded above, for example,  Passport/Driver License/ID Validation score S _g3  can be determined according to the relationshi p:    S _g3  = (S _g31 *W ₁  + S _g32 *W ₂  + S _g33 *W ₃  + S _g34 *W ₄  + S _g35 *W ₅ )/ Σ(W _i )  where  S _g31  is Authentication Result score,   S _g32  is ID Passed/Failed/Unknown score,   S _g33  is Total ID Verification score,   S _g34  is ID Barcode Verification score,   S _g35  is ID Data Extraction Reliability Level score� �and   W _i  is a weight factor.    [000111] As with the determinations of the sub‐scores and t heir corresponding weights, each  of the sub‐sub‐scores can be weighted by the sup ply chain finance provider, and the weighting  factors (W ₁ , W ₂ , etc.) are applied to each of the respective� �sub‐sub‐scores.  As before, weighting the  individual sub‐sub‐scores that make up the total  Passport/Driver License/ID Validation sub‐score S _g3   provides a method of prioritizing sub‐sub‐scores a nd determining a relative value of that sub‐sub‐ score’s contribution to the total Passport/Driver Li cense/ID Validation sub‐score S _g3 .  In one example  implementation of the invention, criteria for weightin g is selected by analyzing statistics and  identifying characteristics of each sub‐sub‐score’ s correlation to the total Passport/Driver License/ID� � Validation sub‐score S _g3 .   The weight for each sub‐sub‐score is  assigned in the range from 1 to 5.  The  most important sub‐sub‐score (i.e., that sub‐sub� ��score or sub‐sub‐scores that have the strongest� � correlation to the total Passport/Driver License/ID Va lidation sub‐score S _g3  and make the largest    contribution to the Passport/Driver License/ID Validati on sub‐score S _g3 ) is weighted 5, and less  important scores (i.e., that sub‐sub‐score or sub� ��sub‐scores that have the weakest correlation to t he  total Passport/Driver License/ID Validation sub‐score� �S _g3  and makes the smallest contribution to the  Passport/Driver License/ID Validation aggregate sub‐sc ore S _g3 ) is weighted 1. The weights can be  statically applied to each of the sub‐scores, or c an be dynamically determined and applied based on  received fast data.    [000112] The (business) credit risk score S _c  345 is used in the dynamic credit limit  determination to quantify and account for risks of a  supplier’s overall ability to repay in case of  recourse.  To assess credit risk, the systems and m ethods of the invention evaluate fast data related  to credit history, ability to continue to provide se rvice to Buyer, capacity to repay.  The credit risk   score S _c  345 is based on received fast data that is  continually processed by the system.  In some  instances, the system determines of sub‐scores that,  in aggregate, make up the credit risk score S _c   345.  In FIG. 3, an example is shown where credit� �risk score S _c  345 is determined based on sub‐scores  (e.g., the sub‐scores s _c1 ‐s _c6  described below).  In FIG. 3, the arrows ext ending downward from credit  risk score S _c  345 represent further sub‐sub‐scores and re spective sources of fast data used to  determine the sub‐sub‐scores).  In one example of  the invention, determining a Credit Risk Score S _c   345 is determined by the following relationship:    S _c  = (S _c1 *W ₁  + S _c2 *W ₂  + S _c3 *W ₃  + S _c4 *W ₄  + S _c5 *W ₅  + S _c6 *W ₆ )/ Σ(W _i )  where   S _c1  Active Registration/Time in Business score, cal culated based on time in business,  S _c2  is Derogatoriness score, calculated based on a nalysis of derogatoriness data,  S _c3  is Insolvency History score, calculated based  on historical insolvency events,  S _c4  is Collection/Revenue Ratio score, calculated b ased on the current amount in collection to  Revenue,  S _c5  is Tax Liens/CCJ History score, calculated bas ed on analysis of the liens placed against the  supplier and historical judgments against the supplier ,  S _c6  is Trade Names Score, calculated based on the  history and numbers of the trade names  used by supplier, and   W _i  is a weight factor.      [000113] Similar to the above determinations, each of the sub ‐scores can be weighted by the  supply chain finance provider, and the weighting fact ors (W ₁ , W ₂ , etc.) are applied to each of the  respective sub‐scores.  As before, weighting the in dividual sub‐scores that make up the total credit  risk score provides a method of prioritizing sub‐sc ores and determining a relative value of that sub‐ score’s contribution to the total credit risk score .  In one example implementation of the invention,  criteria for weighting is selected by analyzing stati stics and identifying characteristics of each sub‐ score’s correlation to the total credit risk score.    The weight for each sub‐score is assigned in� �the  range from 1 to 5.  The most important sub‐score� �(i.e., that sub‐score or sub‐scores that have th e  strongest correlation to the total credit risk score� �and make the largest contribution to the credit ris k  score) is weighted 5, and less important scores (i.e ., that sub‐score or sub‐scores that have the  weakest correlation to the total credit risk score a nd makes the smallest contribution to the credit  risk aggregate score) is weighted 1. The weights can  be statically applied to each of the sub‐scores,� �or  can be dynamically determined and applied based on r eceived fast data.    [000114] The filed liens score S _l  346 is used in the dynamic credit limit dete rmination to  quantify and account for risks of a supplier’s ass ets being subject to another party’s security inter est  and their priorities.  Filed liens imply a claim or  legal right against assets that are typically used� �as  collateral to satisfy a debt.  If the underlying ob ligation is not satisfied, the creditor may be able� �to  seize the assets that are the subject of the lien.� � To assess filed liens and pledged collaterals, the   systems and methods of the invention evaluate fast d ata related to lien filings, and the various types  of collateral identified in the lien.  The filed li ens score S _l  346 is based on received fast data that is  continually processed by the system.  In some instan ces, the system determines of sub‐scores that, in  aggregate, make up the filed liens score S _l  346.  In FIG. 3, an example is shown where� �filed liens score  S _l  346 is determined based on sub‐scores (e.g.,  the sub‐scores s _l1 ‐s _l6  described below).  In FIG. 3, the  arrows extending downward from filed liens score S _l  346 represent further sub‐sub‐scores and  respective sources of fast data used to determine th e sub‐sub‐scores).  In one example of the  invention, determining a Filed Liens Score S _l  is calculated as according to the following r elationship:    S _l  = (S _l1 *W ₁  + S _l2 *W ₂  + S _l3 *W ₃  + S _l4 *W ₄  + S _l5 *W ₅  + S _l6 *W ₆ )/ Σ(W _i )  where   S _l1  Total Number of Not‐Terminated Filings (UCC/P PSR/Charges) score, calculated based on  filed number of security interest liens,    S _l2  is Number of Not‐Terminated Filings (AR/Debto rs) score, calculated based on filed number  of security liens with collateral description which i ncludes Accounts or Accounts Receivable or Debtors,  S _l3  is Not‐Terminated Filings (Inventory) score,  calculated based on filed number of security  liens with collateral description which includes inven tory,  S _l4  is Not‐Terminated Filings (PMSI) score, calcu lated based on filed number of security liens  with collateral description which includes purchase mo ney security interest (“PMSI”),  S _l5  is Not‐Terminated Filings (All Assets) score,  calculated based on filed number of security  liens with collateral description  which includes all  assets,  S _l6  is the Alternate Payee Score calculated based� �on existence of an active assignment of  payment to third party, and   W _i  is a weight factor.    [000115] Similar to the above determinations, each of the sub ‐scores can be weighted by the  supply chain finance provider, and the weighting fact ors (W ₁ , W ₂ , etc.) are applied to each of the  respective sub‐scores to determine the overall filed  liens score S _l  346.  As before, weighting the  individual sub‐scores that make up the total filed� �liens score S _l  346 provides a method of prioritizing  sub‐scores and determining a relative value of that  sub‐score’s contribution to the total filed lien s  score S _l  346.  In one example implementation of the i nvention, criteria for weighting is selected by  analyzing statistics and identifying characteristics of  each sub‐score’s correlation to the total filed� � liens score S _l  346.   The weight for each sub‐score is a ssigned in the range from 1 to 5.  The most  important sub‐score (i.e., that sub‐score or sub� �scores that have the strongest correlation to the t otal  filed liens score S _l  346 and make the largest contribution to the� �filed liens score S _l  346) is weighted 5,  and less important scores (i.e., that sub‐score or� �sub‐scores that have the weakest correlation to th e  total filed liens score S _l  346 and makes the smallest contribution to th e filed liens aggregate score S _l   346) is weighted 1. The weights can be statically a pplied to each of the sub‐scores, or can be  dynamically determined and applied based on received  fast data.    [000116] The success/social value score S _s  347 is also used in the dynamic credit limit   determination to quantify and account for positive an d negative effects which major shareholders  and/or executive officers make on the supplier.  The  goal of this metrics is to use positive social  impact to increase inclusivity and access to capital� �for suppliers.  The success/social value score S _s  347  is a proxy to an often qualitative value of the su pplier, one that has been often measured with non‐ financial indicators.    The success/social value sc ore S _s  347 is based on received fast data that is    continually processed by the system.  In some instan ces, the system determines of sub‐scores that, in  aggregate, make up the success/social value score S _s  347.  In FIG. 3, an example is shown where� � success/social value score S _s  347 is determined based on sub‐scores (e.g.,  the sub‐scores s _s1 ‐s _s56   described below).  In FIG. 3, the arrows extending  downward from success/social value score S _s  347  represent further sub‐sub‐scores and respective sou rces of fast data used to determine the sub‐sub‐ scores).  In one example of the invention, determini ng a Success/Social Value score S _s  is calculated as  according to the following relationship:    S _s  = (S _s1 *W ₁  + S _s2 *W ₂  + S _s3 *W ₃  + S _s4 *W ₄  + S _s5 *W ₅ )/ Σ(W _i )  where   S _s1  is Level of Education score, calculated based� �on user historical education data,  S _s2  is Career score, calculated based on historica l career data,  S _s3  is Loyalty score, calculated based on analysis  of professional commitment (level of  continues effort to achieve the goal vs constantly j umping from project to project),   S _s4  is Social Activity score, calculated based on� �analysis of data connected to community,  charities, and other social activities,   S _s5  is Reputation score calculated based on analys is of user reputational data, and   W _i  is a weight factor.     [000117] As above, each of the sub‐scores can be weighted  by the supply chain finance  provider, and the weighting factors (W ₁ , W ₂ , etc.) are applied to each of the respective� �sub‐scores to  determine the overall success/social value score S _s  347.  As before, weighting the individual sub ‐ scores that make up the total success/social value s core S _s  347 provides a method of prioritizing sub‐ scores and determining a relative value of that sub� ��score’s contribution to the total success/social  value score S _s  347.  In one example implementation of the i nvention, criteria for weighting is selected  by analyzing statistics and identifying characteristics  of each sub‐score’s correlation to the total  success/social value score S _s  347.   The weight for each sub‐score is a ssigned in the range from 1 to 5.   The most important sub‐score (i.e., that sub‐score  or sub‐scores that have the strongest correlation� � to the total success/social value score S _s  347 and make the largest contribution to the� �success/social  value score S _s  347) is weighted 5, and less important scores  (i.e., that sub‐score or sub‐scores that  have the weakest correlation to the total success/soc ial value score S _s  347 and makes the smallest  contribution to the success/social value score S _s  347) is weighted 1. The weights can be stati cally    applied to each of the sub‐scores, or can be dyna mically determined and applied based on received  fast data.    [000118] In this example, weight factor W _i  is a dynamic factor determined as fast data  is  received.  Weight factor W _i  is much lower when the overall success/social� �value score S _s  347 is lower  than 350 and much higher when the overall success/so cial value score S _s  347 is from 351 to 500.  [000119] SCF Internal Historical Track Record score S _i  348 is also used in the dynamic credit  limit determination to quantify and account for past� �supplier‐ supply chain finance provider  interactions.  The interactions can include longevity� �of the business relationship, historical payment  defaults by the supplier (i.e., payments from the su pplier  to the supply chain finance service provider   in case of recourse), characteristics of the selected  invoices requested for early payment (e.g.,  amounts, timeframes, etc.), and other supply chain fi nance internal historical track record items.  The  SCF Internal Historical Track Record score S _i  348 is based on internal supply chain finance  provider’s  data that is continually analyzed by the system.  I n some instances, the system determines of sub‐ scores that, in aggregate, make up the SCF Internal� �Historical Track Record score S _i  348.  In FIG. 3, an  example is shown where SCF Internal Historical Track� �Record score S _i  348 is determined based on  sub‐sub‐scores 357, 358 (e.g., the sub‐scores s _i1 ‐s _i5  described below).  In FIG. 3, the arrows ext ending  downward from SCF Internal Historical Track Record sc ore S _i  348 represent further sub‐sub‐scores  and respective sources 367, 368 of data used to det ermine the sub‐sub‐scores).  In one example of  the invention, determining a SCF Internal Historical  Track Record score S _i  348 is calculated according  to the following relationship:    S _i  = (S _i1 *W ₁  + S _i2 *W ₂  + S _i3 *W ₃  + S _i4 *W ₄  + S _i5 *W ₅ )/ Σ(W _i )  where  S _i1  is Longevity of the Account score, calculated� �based on longevity history with supply chain  finance provider  S _i2  is Defaults Number/Transactions Number Ratio sc ore, calculated based on supplier Defaults  Number/Transactions Number Ratio historically occurred  with supply chain finance provider funding,  S _i3  is Total  Δ _c  /Total G _e  Ratio score, calculated based on supplier Tota l Δ _c  /Total G _e  Ratio  historically occurred with supply chain finance provid er funding,  S _i4  is Total  Δ _c  /Total (R _c  + R _n ) Ratio score, calculated based on supplier Tot al Δ _c  /Total (R _c  + R _n )  Ratio historically occurred with supply chain finance� �provider funding,    S _s5  is Total G _c  score calculated based on supplier Total G _c  score historically occurred with supply  chain finance provider funding, and   W _i  is a weight factor.     [000120] As above, each of the sub‐scores can be weighted  by the supply chain finance  provider, and the weighting factors (W ₁ , W ₂ , etc.) are applied to each of the respective� �sub‐scores to  determine the overall SCF Internal Historical Track R ecord score S _i  348.  As before, weighting the  individual sub‐scores that make up the total SCF I nternal Historical Track Record score S _i  348 provides  a method of prioritizing sub‐scores and determining� �a relative value of that sub‐score’s contribution   to the total SCF Internal Historical Track Record sc ore S _i  348.  In one example implementation of the  invention, criteria for weighting is selected by anal yzing statistics and identifying characteristics of  each sub‐score’s correlation to the total SCF Int ernal Historical Track Record score S _i  348.   The weight  for each sub‐score is assigned in the range from  1 to 5.  The most important sub‐score (i.e., that  sub‐ score or sub‐scores that have the strongest correla tion to the total SCF Internal Historical Track  Record score S _i  348 and make the largest contribution to the S CF Internal Historical Track Record  score S _i  348) is weighted 5, and less important scores  (i.e., that sub‐score or sub‐scores that have the   weakest correlation to the total SCF Internal Histori cal Track Record score S _i  348 and makes the  smallest contribution to the SCF Internal Historical  Track Record score S _i  348) is weighted 1. The  weights can be statically applied to each of the su b‐scores, or can be dynamically determined and  applied based on received fast data.    [000121] As mentioned briefly above, for the dynamic credit l imit determination, the Financial  Analysis Score 342 and Dilution Prediction component  based on machine learning 333 are optional  and can be used when the supply chain finance provi der has access via integration to the respective  data sources. The same is true for the Success/Socia l Value Score 347.  [000122] Other elements (scores, sub‐scores, and sub‐sub‐s cores) can be reliably used in the  systems and methods in accordance with the invention� �to produce reliable results.  Components  (sub‐scores) can be calculated based on fast data  from the different data sources. The better and  richer the data sources, the better the results that  are produced by the methods and systems of the  invention.       Examples of How Methods and Systems of the Invention  Can Be Used  Cash planner   [000123] One example of how the dynamic credit limit determin ation can be used is when  suppliers need a specific amount of money (e.g., for  payroll, inventory, working capital, etc.), a cash  planner feature enables a user to enter an amount o f money needed and automatically identifies  invoices for early payment that total closest amount� �to the amount of money entered by the supplier  (up to the amount of the dynamic credit limit).  T his provides a powerful cash management tool.  [000124] As shown in FIG. 5, from the invoice page of the  supply chain finance supplier portal,  the supplier selects the cash planner button and sel ects the currency of invoices 505 that the user  wishes to review and enters an early payment date 5 10.  The supplier enters an amount of money  needed in the “How much do you need?” box 515.� � The amount needed cannot be greater than the  dynamic credit limit 511 (the amount of early paymen t funding for which the supplier is approved).   The user submits the cash planner using the process� �button 520, and the invoices 532, 533, 534, 535,  536, 537 are automatically identified for early payme nt to get to the closest amount of money  needed.  That is, invoices are identified that total  561 (or are close to) the amount of money needed� � 515.  The supplier can then review the invoices 532 , 533, 534, 535, 536, 537 identified and can de‐ select any of the identified invoices and manually s elect others, if desired.  Once the list of invoice s is  finalized, the supplier submits the list of invoices� �571, and the request is processed.  In this fashio n,  an automated solution for cash flow planning is prov ided.     Always Pay Me Early  [000125] An additional example of how the dynamic credit limi t determination can be used is  when suppliers would like the digital supply chain f inance method performed automatically (for  example, without reviewing a list of invoices for ea rly payment), the supplier can select an “always  pay me early” feature shown in FIG. 6.  This fea ture provides early payment of invoices approved and� � scheduled for payment by the buyer up to the amount  of the dynamic credit limit 611.  [000126] As shown in FIG. 6, from the invoice page of the  supply chain finance supplier portal,  the supplier selects the always pay me early button� �603 and selects the currency of issued invoices  605 which the user intends to select for funding. � �An “Always Pay Me Early” icon is displayed (e.g .,  reference numerals 632, 633) indicating the feature i s selected.  The supplier then enters a frequency  of payment 607 (e.g., weekly, bi‐weekly, monthly, q uarterly).  The supplier uses a calendar to choose  a payment date 609 (e.g., monthly on the fifteenth  of each month).  The user submits 681 the always    pay me early selections, and on the payment date, a  notification and details (via email, for example)  of the early payment transactions is provided.  The� �“always pay me early” feature can be turned on� � and off at any time simply by using the button 603  on the interface screen (of FIG. 6).      [000127] The systems and methods of the invention allow the  supply chain finance providers  to customize and add additional components (scores, s ub‐scores, sub‐sub‐scores) with identified  weighting contributions and additional data sources th at the supply chain finance provider finds  valuable in determining the Dynamic Credit Limit calc ulations.  [000128] By using the systems and methods of the invention,  supply chain finance providers  can offer supply chain finance funding to Suppliers  without requiring a Buyer’s guaranty.