CN111192133A - 用户贷后风险模型生成方法、装置及电子设备 - Google Patents
用户贷后风险模型生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111192133A CN111192133A CN201911278049.2A CN201911278049A CN111192133A CN 111192133 A CN111192133 A CN 111192133A CN 201911278049 A CN201911278049 A CN 201911278049A CN 111192133 A CN111192133 A CN 111192133A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- characteristic
- variables
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 41
- 230000010354 integration Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及一种用户贷后风险模型生成方法、装置、电子设备及计算机可读介质。包括：对多个用户数据进行预处理生成多个金融数据；根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及根据所述多个用户特征风险模型生成用户贷后风险模型。用户贷后风险模型生成方法，能够建立准确高效的用户贷后风险模型模型，从而更加准确的确定用户贷后表现的风险级别，为用户分配更精细和精准的贷后管控策略。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种用户贷后风险模型生成方法、装置、电子设备及计算机可读介质。
背景技术
对于提供金融类服务的公司，其面临的最大的风险为用户因各种原因未能及时、足额偿还债务或银行贷款而违约。目前在用户由金融类服务公司进行借款后，金融公司会对用户的还款情况进行跟踪，在用户超期还款时，即刻启动贷后管理，督促用户进行还款。
由于用户欠款主要是需要通过人工进行贷后管理的，例如，人工给用户去电的方式对欠款进行催收工作，对于贷后管理人员而言，需要花费大量的时间进行沟通协调工作，一旦沟通协调减少就会影响欠款的回收。对于用户而言，有些用户可能只是由于疏忽而欠款，比如有些逾期客户只是忘记当天还钱，以及其他原因引起的未能按时还款，这些客户的风险级别很低，往往只需要短信通知即可还款。而有些用户不管是否进行贷后管理都会将其欠款逾期到更高账龄。而目前对于欠款用户的贷后管理工作一直会持续至用户欠款时间达到更高的时间(比如1个月之和)，如果该用户仍旧没有还款，再将此用户进行委外处理，通过第三方公司进行贷后管理工作。
对于有些恶意欠款的用户，即使浪费大量的人力去进行贷后管理也是收效甚微，而对于有些疏忽的客户，仅仅通过短信方式提醒即可，如何在不影响欠款回收的前提下，尽量节约人力和其他资源成本进行有效的贷后管理工作是目前亟待解决的问题。
因此，需要一种新的用户贷后风险模型生成方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种用户贷后风险模型生成方法、装置、电子设备及计算机可读介质，能够建立准确高效的用户贷后风险模型模型，从而更加准确的确定用户贷后表现的风险级别，为用户分配更精细和精准的贷后管控策略。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种用户贷后风险模型生成方法，该方法包括：对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及根据所述多个用户特征风险模型生成用户贷后风险模型。
可选地，对多个用户数据进行预处理生成多个金融数据，包括：获取多个用户的用户数据；以及将所述用户数据进行筛选处理和特征处理生成所述金融数据。
可选地，根据所述借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签，包括：由所述借款信息中提取借款时间、借款金额；由所述还款信息中提取还款时间、还款金额；根据所述借款时间、所述还款时间、借款金额、和还款金额确定欠款情况；以及将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签；其中，所述标签包括：正向标签和负向标签。
可选地，将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签，包括：将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定还款意愿标签和还款能力标签。
可选地，根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量，包括：根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量，其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度；以及将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量。
可选地，将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量，包括：将所述多维度风险特征基础变量中的数据进行时间切片处理，生成多个时间片段集；以及基于所述多个时间片段集对进行所述多维度风险特征基础变量中的数据整合处理，生成所述多维度风险特性衍生变量。
可选地，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型，包括：通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型；以及通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。
可选地，根据所述多个用户特征风险模型生成用户贷后风险模型，包括：为所述第一用户特征风险模型确定第一权重；为所述第二用户特征风险模型确定第二权重；以及根据所述第一用户特征风险模型、所述第一权重，以及所述第二用户特征风险模型、所述第二权重生成用户贷后风险模型。
可选地，还包括：将处于预定状态的用户的金融数据输入所述用户贷后风险模型；以及所述用户贷后风险模型对预定状态的用户的金融数据进行计算生成用户还款意愿值和用户还款能力值；以及根据所述用户还款意愿值和用户还款能力值对用户的贷后风险进行评估；其中，所述用户还款意愿值用于表征用户在特定时间内还款的意愿强度；其中，所述用户还款能力值用于表征用户在特定时间内还款的能力强度。
可选地，还包括：将所述还款意愿值、用户还款能力值分别与意愿阈值和能力阈值进行比较，以将所述用户进行分组；以及基于分组结果为所述用户确定贷后管理策略。
根据本公开的一方面，提出一种用户贷后风险模型生成装置，该装置包括：数据模块，用于对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；标签模块，用于根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；变量模块，用于根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；训练模块，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及模型模块，用于根据所述多个用户特征风险模型生成用户贷后风险模型。
可选地，所述数据模块，包括：数据单元，用于获取多个用户的用户数据；以及处理单元，用于将所述用户数据进行筛选处理和特征处理生成所述金融数据。
可选地，所述标签模块，包括：借款单元，用于由所述借款信息中提取借款时间、借款金额；还款单元，用于由所述还款信息中提取还款时间、还款金额；欠款单元，用于根据所述借款时间、所述还款时间、借款金额、和还款金额确定欠款情况；以及标签单元，用于将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签；其中，所述标签包括：正向标签和负向标签。
可选地，标签单元，还用于将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定还款意愿标签和还款能力标签。
可选地，所述变量模块，包括：基础变量单元，用于根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量，其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度；以及衍生变量单元，用于将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量。
可选地，所述衍生变量单元，包括：时间子单元，用于将所述多维度风险特征基础变量中的数据进行时间切片处理，生成多个时间片段集；以及片段子单元，用于基于所述多个时间片段集对进行所述多维度风险特征基础变量中的数据整合处理，生成所述多维度风险特性衍生变量。
可选地，所述训练模块，包括：第一模型单元，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型；以及第二模型单元，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。
可选地，所述模型模块，包括：权重单元，用于为所述第一用户特征风险模型确定第一权重；为所述第二用户特征风险模型确定第二权重；以及计算单元，用于根据所述第一用户特征风险模型、所述第一权重，以及所述第二用户特征风险模型、第二权重生成用户贷后风险模型。
可选地，还包括：数据输入模块，用于将处于预定状态的用户的金融数据输入所述用户贷后风险模型；以及数据计算模块，用于所述用户贷后风险模型对预定状态的用户的金融数据进行计算生成用户还款意愿值和用户还款能力值；风险评估模型，用于根据所述用户还款意愿值和用户还款能力值对用户的贷后风险进行评估；其中，所述用户还款意愿值用于表征用户在特定时间内还款的意愿强度；其中，所述用户还款能力值用于表征用户在特定时间内还款的能力强度。
可选地，还包括：分组模块，用于将所述还款意愿值、用户还款能力值分别与意愿阈值和能力阈值进行比较，以将所述用户进行分组；以及策略模块，用于基于分组结果为所述用户确定贷后管理策略。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的用户贷后风险模型生成方法、装置、电子设备及计算机可读介质，根据用户的借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及根据所述多个用户特征风险模型生成用户贷后风险模型的方式，能够建立准确高效的用户贷后风险模型模型，从而更加准确的确定用户贷后表现的风险级别，为用户分配更精细和精准的贷后管控策略。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。
图2是根据另一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。
图3是根据另一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。
图4是根据另一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。
图5是根据一示例性实施例示出的一种用户贷后风险模型生成装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。用户贷后风险模型生成方法10至少包括步骤S102至S110。
如图1所示，在S102中，对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息。可包括：获取多个用户的用户数据；以及将所述用户数据进行筛选处理和特征处理生成所述金融数据。
在一个实施例中，对多个用户金融数据进行预处理，包括：获取多个用户的用户数据；以及将所述用户数据进行筛选处理和特征处理生成所述用户金融数据。用户数据可例如包括用户的基础信息，用户的职业信息、年龄、工作状态，还可包括用户的常用联络人信息等。
在一个实施例中，可通过关键字对用户数据进行筛选，更具体的可将用户欠款相关的数据作为关键字，基于关键字由用户数据中提取和欠款相关的特征。
在一个实施例中，还可将用户特征进行特征处理以生成用户金融数据。特征处理可例如包括，将用户的特征进行归一化处理，归一化是一种无量纲处理手段，使物理***数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法，通过归一化处理能够使得用户的金融数据计算更加高效。
在S104中，根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签。
在一个实施例中，根据所述借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签，包括：由所述借款信息中提取借款时间、借款金额；由所述还款信息中提取还款时间、还款金额；根据所述借款时间、所述还款时间、借款金额、和还款金额确定欠款情况；以及将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签；其中，所述标签包括：正向标签和负向标签。
更具体的，将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签，包括：将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定还款意愿标签和还款能力标签。
可例如，对于所有的用户，不论是分期用户还是商城用户，无论是新客户还是老客户，均可根据用户的欠款时间对用户进行区别，以为用户确定正向标签或负向标签，更具体的，可例如确定逾期4天内还款为正向标签用户，逾期30天以上的用户为负向标签用户。
在一个实施例中，可为逾期4天内还款的用户指定还款意愿正向标签、还款能力正向标签；可为逾期4天以上且30天以内还款的用户指定还款意愿负向标签、还款能力正向标签；可为逾期30天以上还款的用户指定还款意愿负向标签、还款能力正向标签；可为逾期30天以上未还款的用户指定还款意愿负向标签、还款能力负向标签。
在S106中，根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量。包括：根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量，其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度；以及将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量。
“根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量”的相关内容将在图2对应的实施例中进行详细描述。
在S108中，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型。
可例如，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型；以及通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。
其中，极端梯度提升模型(eXtreme Gradient Boosting)是一个高级的梯度增强算法,可以给预测模型带来能力的提升。
梯度下降树模型(Gradient Boosting Decision Tree)是一种基于决策树(decision tree)实现的分类回归算法。
在S110中，根据所述多个用户特征风险模型生成用户贷后风险模型。可包括：为所述第一用户特征风险模型确定第一权重；为所述第二用户特征风险模型确定第二权重；以及根据所述第一用户特征风险模型、所述第一权重，以及所述第二用户特征风险模型、所述第二权重生成用户贷后风险模型。
“通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型，并且根据所述多个用户特征风险模型生成用户贷后风险模型”的相关内容将在图3对应的实施例中进行详细描述。
根据本公开的用户贷后风险模型生成方法，根据用户的借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及根据所述多个用户特征风险模型生成用户贷后风险模型的方式，能够建立准确高效的用户贷后风险模型模型，从而更加准确的确定用户贷后表现的风险级别，为用户分配更精细和精准的贷后管控策略。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。图2所示的流程是对图2所示的流程中S106“根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量”的详细描述。
如图2所示，在S202中，根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量。其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度。具体可例如，基础变量可包括，用户借款频率，用户总借款数量，用户欠款占用户借款的数量比例，用户欠款与还款之间的时间差。
在S204中，将所述多维度风险特征基础变量中的数据进行时间切片处理，生成多个时间片段集。可例如，通过用户在历史还款计划中所有在到期当天的还款金额比上所有历史应还款金额构建衍生变量，该衍生变量可以有效表现了客户的守约性。
还可例如在对应还款日在近3个月和6个月和9个月的时间窗口中，通过对基础变量的计算而构造衍生变量。
在S206中，基于所述多个时间片段集对进行所述多维度风险特征基础变量中的数据整合处理，生成所述多维度风险特性衍生变量。
数据整合处理可包括，异常值剔除处理，缺失值差值处理，数值归一化处理等等。
图3是根据另一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。图3所示的流程是对图2所示的流程中“通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成用户贷后风险模型”的详细描述。
如图3所示，在S302中，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型。
其中，XGBoost是提升方法中的一个可扩展的机器学习***。他为处理稀疏数据使用了一个新颖的树学习算法，而且理论上合理的加权分位数草图过程，使得能够在近似树学习中处理实例权重。
XGBoost是一个树集成模型，它使用的是K个树的每棵树对样本的预测值的和作为该样本在XGBoost***中的预测。
在XGBoost训练的时候需要定义损失函数项，即训练误差，是一个可微的凸函数(比如用于回归的均方误差和用于分类的Logistic误差函数等)，在XGBoost训练的时候还需要定义正则化项，即每棵树的复杂度之和，目的是控制模型的复杂度，防止过拟合。训练的目标是在损失函数取得最小化时得出对应的模型。
在S304中，为所述第一用户特征风险模型确定第一权重。可根据经验为所述第一用户特征风险模型确定第一权重。第一权重可为0.6。
在S306中，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。
其中，GBDT全称梯度下降树，在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一，GBDT计算效果很好，而且即可以用于分类也可以用于回归，还能够筛选特征。
GBDT是通过采用加法模型(即基函数的线性组合)，以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法。GBDT通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单，并且是低方差和高偏差的。因为训练的过程是通过降低偏差来不断提高最终分类器的精度。弱分类器一般会选择为CART TREE(分类回归树)。由于上述高偏差和简单的要求每个分类回归树的深度不会很深。最终的总分类器是将每轮训练得到的弱分类器加权求和得到的。
在S308中，为所述第二用户特征风险模型确定第二权重。可根据经验为所述第一用户特征风险模型确定第一权重。第一权重可为0.4。
在S310中，根据所述第一用户特征风险模型、所述第一权重，以及所述第二用户特征风险模型、所述第二权重生成用户贷后风险模型。对第一用户特征风险模型和第二用户特征风险模型计算出的结果分别分配第一权重和第二权重，最终获取用户贷后风险评估值。
图4是根据另一示例性实施例示出的一种用户贷后风险模型生成方法的流程图。图4所示的流程是对用户贷后风险模型应用过程的描述。
如图4所示，在S402中，将处于预定状态的用户的金融数据输入所述用户贷后风险模型。
在S404中，所述用户贷后风险模型对预定状态的用户的金融数据进行计算生成用户还款意愿值和用户还款能力值。
在S406中，根据所述用户还款意愿值和用户还款能力值对用户的贷后风险进行评估。
在S408中，基于评估结果为所述用户确定贷后管理策略。
在一个实施例中，可将多个用户贷后风险评估值中的还款意愿值、用户还款能力值分别与意愿阈值和能力阈值进行比较，以将多个用户进行分组；以及基于分组结果为所述用户确定贷后管理策略。
更具体的，将所述多个用户贷后风险评估值中的还款意愿值、用户还款能力值分别与意愿阈值和能力阈值进行比较，以将所述多个用户进行分组；或将多个用户按照所述意愿阈值和所述能力阈值进行排序，基于排序将所述多个用户进行分组。
现有技术中，对同一天欠款超期的案件风险的预判方案相对比较简单，几乎定于入催4天后开始人为介入，对同样逾期天数的客户催收的区分度也不大。
根据本公开中的用户贷后风险模型，可以更加准确区分案件风险级别，使得案件策略更精细和精准，例如：同一天入催的案件，风险级别预判高的可提前两天人工介入，风险级别预判低的可晚两天人工介入。或者是风险级别高的提前介入人工催收，风险级别低的可以再缓催，多让机器人催收几天，实现回收率的提高，和人工成本的减少。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种用户贷后风险模型生成装置的框图。如图5所示，用户贷后风险模型生成装置50包括：数据模块502，标签模块504，变量模块506，训练模块508，以及模型模块510。
数据模块502用于对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；所述数据模块502包括：数据单元，用于获取多个用户的用户数据；以及处理单元，用于将所述用户数据进行筛选处理和特征处理生成所述金融数据。
标签模块504用于根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；所述标签模块504包括：借款单元，用于由所述借款信息中提取借款时间、借款金额；还款单元，用于由所述还款信息中提取还款时间、还款金额；欠款单元，用于根据所述借款时间、所述还款时间、借款金额、和还款金额确定欠款情况；以及标签单元，用于将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签；标签单元，还用于将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定还款意愿标签和还款能力标签。其中，所述标签包括：正向标签和负向标签。
变量模块506用于根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；所述变量模块506包括：基础变量单元，用于根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量，其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度；以及衍生变量单元，用于将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量。所述衍生变量单元，包括：时间子单元，用于将所述多维度风险特征基础变量中的数据进行时间切片处理，生成多个时间片段集；以及片段子单元，用于基于所述多个时间片段集对进行所述多维度风险特征基础变量中的数据整合处理，生成所述多维度风险特性衍生变量。
训练模块508用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；所述训练模块508包括：第一模型单元，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型；以及第二模型单元，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。
模型模块510用于根据所述多个用户特征风险模型生成用户贷后风险模型。所述模型模块510包括：权重单元，用于为所述第一用户特征风险模型确定第一权重；为所述第二用户特征风险模型确定第二权重；以及计算单元，用于根据所述第一用户特征风险模型、所述第一权重，以及所述第二用户特征风险模型、第二权重生成用户贷后风险模型。
用户贷后风险模型生成装置50还可包括：数据输入模块，用于将处于预定状态的用户的金融数据输入所述用户贷后风险模型；以及数据计算模块，用于所述用户贷后风险模型对预定状态的用户的金融数据进行计算生成用户还款意愿值和用户还款能力值；风险评估模型，用于根据所述用户还款意愿值和用户还款能力值对用户的贷后风险进行评估；其中，所述用户还款意愿值用于表征用户在特定时间内还款的意愿强度；其中，所述用户还款能力值用于表征用户在特定时间内还款的能力强度。分组模块，用于将所述还款意愿值、用户还款能力值分别与意愿阈值和能力阈值进行比较，以将所述用户进行分组；以及策略模块，用于基于分组结果为所述用户确定贷后管理策略。
根据本公开的用户贷后风险模型生成装置，根据用户的借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及根据所述多个用户特征风险模型生成用户贷后风险模型的方式，能够建立准确高效的用户贷后风险模型模型，从而更加准确的确定用户贷后表现的风险级别，为用户分配更精细和精准的贷后管控策略。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1，图2，图3，图4中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：对多个用户数据进行预处理生成多个金融数据；根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及根据所述多个用户特征风险模型生成用户贷后风险模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种用户贷后风险模型生成方法，其特征在于，包括：
对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；
根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；
根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；
通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及
根据所述多个用户特征风险模型生成用户贷后风险模型。
2.如权利要求1所述的方法，其特征在于，对多个用户数据进行预处理生成多个金融数据，包括：
获取多个用户的用户数据；以及
将所述用户数据进行筛选处理和特征处理生成所述金融数据。
3.如权利要求1-2所述的方法，其特征在于，根据所述借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签，包括：
由所述借款信息中提取借款时间、借款金额；
由所述还款信息中提取还款时间、还款金额；
根据所述借款时间、所述还款时间、借款金额、和还款金额确定欠款情况；以及
将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签；
其中，所述标签包括：正向标签和负向标签。
4.如权利要求1-3所述的方法，其特征在于，将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签，包括：
将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定还款意愿标签和还款能力标签。
5.如权利要求1-4所述的方法，其特征在于，根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量，包括：
根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量，其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度；以及
将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量。
6.如权利要求1-5所述的方法，其特征在于，将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量，包括：
将所述多维度风险特征基础变量中的数据进行时间切片处理，生成多个时间片段集；以及
基于所述多个时间片段集对进行所述多维度风险特征基础变量中的数据整合处理，生成所述多维度风险特性衍生变量。
7.如权利要求1-6所述的方法，其特征在于，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型，包括：
通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型；以及
通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。
8.一种用户贷后风险模型生成装置，其特征在于，包括：
数据模块，用于对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；
标签模块，用于根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；
变量模块，用于根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；
训练模块，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及
模型模块，用于根据所述多个用户特征风险模型生成用户贷后风险模型。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911278049.2A CN111192133A (zh) | 2019-12-12 | 2019-12-12 | 用户贷后风险模型生成方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911278049.2A CN111192133A (zh) | 2019-12-12 | 2019-12-12 | 用户贷后风险模型生成方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111192133A true CN111192133A (zh) | 2020-05-22 |
Family
ID=70707376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911278049.2A Pending CN111192133A (zh) | 2019-12-12 | 2019-12-12 | 用户贷后风险模型生成方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111192133A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899091A (zh) * | 2020-08-06 | 2020-11-06 | 华院数据技术(上海)有限公司 | 基于鲁棒算法的逾期风险识别方法 |
| CN112348658A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 资源分配方法、装置及电子设备 |
| CN112734560A (zh) * | 2020-12-31 | 2021-04-30 | 深圳前海微众银行股份有限公司 | 变量构造方法、装置、设备及计算机可读存储介质 |
| CN112950095A (zh) * | 2021-04-23 | 2021-06-11 | 平安消费金融有限公司 | 贷款案件分案管理方法、***、设备及存储介质 |
| CN113592161A (zh) * | 2021-07-14 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于催收标签的接入设备鉴别方法、装置和计算机设备 |
-
2019
- 2019-12-12 CN CN201911278049.2A patent/CN111192133A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899091A (zh) * | 2020-08-06 | 2020-11-06 | 华院数据技术(上海)有限公司 | 基于鲁棒算法的逾期风险识别方法 |
| CN112348658A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 资源分配方法、装置及电子设备 |
| CN112734560A (zh) * | 2020-12-31 | 2021-04-30 | 深圳前海微众银行股份有限公司 | 变量构造方法、装置、设备及计算机可读存储介质 |
| CN112734560B (zh) * | 2020-12-31 | 2024-05-14 | 深圳前海微众银行股份有限公司 | 变量构造方法、装置、设备及计算机可读存储介质 |
| CN112950095A (zh) * | 2021-04-23 | 2021-06-11 | 平安消费金融有限公司 | 贷款案件分案管理方法、***、设备及存储介质 |
| CN113592161A (zh) * | 2021-07-14 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于催收标签的接入设备鉴别方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
| CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
| CN111861174B (zh) | 一种针对用户画像的信用评估方法 | |
| CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
| CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
| US11804302B2 (en) | Supervised machine learning-based modeling of sensitivities to potential disruptions | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
| CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
| CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
| CN114078050A (zh) | 贷款逾期预测方法、装置、电子设备及计算机可读介质 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
| Dai et al. | Audit analytics: A field study of credit card after-sale service problem detection at a major bank | |
| CN113420909A (zh) | 一种用户响应信息预测模型建立方法及信息预测方法 | |
| CN117437020A (zh) | 商户风险判定方法、装置、电子设备和介质 | |
| CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
| CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
| Lee et al. | Application of machine learning in credit risk scorecard | |
| JP7298286B2 (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
| CN113850609A (zh) | 一种客户管理***、方法、计算机设备和存储介质 | |
| CN113298637A (zh) | 业务平台的用户导流方法、装置和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |