CN111325248A - 降低贷前业务风险的方法及*** - Google Patents
降低贷前业务风险的方法及*** Download PDFInfo
- Publication number
- CN111325248A CN111325248A CN202010084964.4A CN202010084964A CN111325248A CN 111325248 A CN111325248 A CN 111325248A CN 202010084964 A CN202010084964 A CN 202010084964A CN 111325248 A CN111325248 A CN 111325248A
- Authority
- CN
- China
- Prior art keywords
- client
- business
- loan
- clustering
- risk
- 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 46
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002360 explosive Substances 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
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了降低贷前业务风险的方法及***。涉及信息处理及应用领域，其中，方法通过获取业务类型和根据客户信息提取的客户数据标签，然后利用预先训练好的业务类型对应的无监督分类模型根据客户数据标签对客户进行分类，最后根据分类结果获取客户的业务类型相关性。通过在贷前就根据客户的属性进行客户分类，准确定位客户群体，提高贷款的有效性，降低贷前业务风险的方法，避免人为因素影响，提高评审效率以及有效贷款量。可广泛应用于信贷领域。
Description
技术领域
本发明涉及信息处理及应用领域，尤其是涉及一种降低贷前业务风险的方法及***。
背景技术
近年来随着互联网金融的快速发展以及互联网所沉淀的行为数据呈现***式的增长，依托于海量数据，客户互联网贷款业务量逐年增加。但是目前进行贷前评估时，多是业务人员根据人为经验确定客户的还款能力或者还款意向等决定是否为客户放贷，因此没有有效的方法来降低贷前的业务风险，由于人为因素的影响较大、其评审结果可靠性低，且评审效率低，导致坏账死账变多，有效贷款量下降。因此需要提出一种能够降低贷前业务风险的方法，以避免人为因素影响，提高评审效率以及有效贷款量。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种降低贷前业务风险的方法，能够避免人为因素影响，提高评审效率以及有效贷款量。
第一方面，本发明的一个实施例提供了：一种降低贷前业务风险的方法，包括：
获取业务类型和根据客户信息提取的客户数据标签；
利用预先训练好的所述业务类型对应的无监督分类模型根据所述客户数据标签对客户进行分类；
根据所述分类结果获取客户的业务类型相关性。
进一步地，训练所述业务类型对应的无监督分类模型具体包括：
根据不同的业务类型选取不同的聚类阈值；
根据所述聚类阈值对训练集数据进行训练得到对应所述聚类阈值的无监督分类模型。
进一步地，所述无监督分类模型为聚类模型。
进一步地，所述聚类模型包括：k-means聚类模型、层次聚类模型、基于密度聚类模型。
进一步地，所述客户数据标签至少包括：客户性别、客户年龄、客户地区、客户兴趣爱好、客户日常行为，所述利用预先训练好的所述业务类型对应的无监督分类模型根据所述客户数据标签对客户进行分类具体包括：
将所述客户数据标签作为所述无监督分类模型的高维度输入向量，根据所述无监督分类模型输出对应的客户分类结果。
进一步地，所述根据所述分类结果获取客户的业务类型相关性具体包括：
根据所述分类结果得到客户办理当前业务类型的风险级别；
根据所述风险级别获取对应风险级别的业务相关性。
进一步地，所述业务类型至少包括：现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务。
本发明实施例至少具有如下有益效果：降低贷前业务风险的方法，避免人为因素影响，提高评审效率以及有效贷款量。
第二方面，本发明的一个实施例提供了：一种降低贷前业务风险的***，包括：
获取单元：用于获取业务类型和根据客户信息提取的客户数据标签；
分类单元：用于利用预先训练好的所述业务类型对应的无监督分类模型根据所述客户数据标签对客户进行分类；
相关性分析单元：用于根据所述分类结果获取客户的业务类型相关性。
第三方面，本发明实施例提供一种降低贷前业务风险的设备，包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如第一方面任一项所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明实施例的有益效果是：
本发明实施例通过获取业务类型和根据客户信息提取的客户数据标签，然后利用预先训练好的业务类型对应的无监督分类模型根据客户数据标签对客户进行分类，最后根据分类结果获取客户的业务类型相关性。通过在贷前就根据客户的属性进行客户分类，准确定位客户群体，提高贷款的有效性，降低贷前业务风险的方法，避免人为因素影响，提高评审效率以及有效贷款量。可广泛应用于信贷领域。
附图说明
图1是本发明实施例中降低贷前业务风险方法的一具体实施例流程示意图；
图2是本发明实施例中降低贷前业务风险***的一具体实施例结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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，并获得其他的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一：
本发明实施例一提供一种降低贷前业务风险的方法，图1为本发明实施例提供的一种降低贷前业务风险的方法的流程示意图，如图1所示，该方法包括以下步骤：
S1：获取业务类型和根据客户信息提取的客户数据标签。
例如，业务类型至少包括现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务等，其中，现金贷业务指小额现金贷款业务，是针对申请人发放的消费类贷款业务；线上现金分期业务指申请人对信用额度进行分期使用；线上消费分期业务指申请人线上大额消费时对账单进行分期支付；二次营销业务指在原来营销业务上进一步改进，再次对原客户进行推广营销。可以理解的是，实际中的贷前业务并不仅仅是示例的几种，其他的能够通过本实施的方法降低贷前业务风险的贷前业务都属于本实施例的保护范围。
S2：利用预先训练好的业务类型对应的无监督分类模型根据客户数据标签对客户进行分类。
例如，客户数据标签至少包括：客户性别、客户年龄、客户地区、客户兴趣爱好、客户日常行为等多维数据，该步骤S2具体包括：将客户数据标签作为无监督分类模型的高维度输入向量，根据无监督分类模型输出对应的客户分类结果。
其中，地区因素考虑到各地区消费以及收入水平差异对客户信贷行为的影响，兴趣爱好因素考虑到结合客户的兴趣爱好判断其所属的社交群体对信贷行为的影响，日常行为因素考虑到根据客户的外部行为来评估客户的资信水平或偿付能力，日常行为例如消费、交易、银行卡动账信息、社保公积金纳税数据、运营商数据等。
S3：根据分类结果获取客户的业务类型相关性。
本实施例使用无监督学习的方式结合业务类型对客户进行聚类分析，从而将属性相近的客户划分为同类，这样做可以有效的降低因数据量大、维度多而产生的数据噪音，便于定位目标客户群体。
由于不同的业务类型其面对的客户群体有区别，因此本实施例对每一个业务类型生成一个对应的无监督分类模型，形成该业务类型客户的聚类标识，提高模型准确度。因此步骤S2中训练业务类型对应的无监督分类模型具体包括：
S21：根据不同的业务类型选取不同的聚类阈值；
S22：根据聚类阈值对训练集数据进行训练得到对应聚类阈值的无监督分类模型。
在一种实际方式中，无监督分类模型为聚类模型，聚类模型可选的包括：k-means聚类模型、层次聚类模型、基于密度聚类模型中一种，上述这几种模型都是用于实现聚类的，其实现过程现在已经进行了大量研究，聚类是数据挖掘的一种，指将未标注的样本数据中相似的分为同一类。可以理解的是，凡是可以实现聚类的无监督模型均可以用在本实施例中进行客户分类。
其中，k-means聚类模型是聚类算法中最为简单、高效的，其核心思想是由客户指定k个初始质心(initial centroids)，以作为聚类的类别(cluster)，重复迭代直至算法收敛。
层次聚类模型就是一层一层地进行聚类，既可以由下向上对小的类别进行聚合(例如凝聚法)，也可以由上向下对大的类别进行分割(例如***法)。凝聚法指的是先将每个样本当做一个类簇，然后依据某种规则合并这些初始的类簇，直到达到某种条件或者减少到设定的簇数，在算法迭代中每次均选取类簇距离最小的两个类簇进行合并。
基于密度聚类模型跟k-means聚类模型类似，两者都用集合内点的均值进行中心点移动，不同的是基于密度聚类模型可以通过计算漂移向量自行决定类簇数。
下面以k-means聚类模型为例说明本实施例的聚类模型训练过程。
首先计算两个输入训练样本向量间的距离关系，通过定义向量间距的聚类阈值，对聚类阈值内距离相近的客户划分为同一种类。例如：同时存在甲、乙、丙3个客户，其中甲、乙客户的间距是0.1，丙、丁客户的间距是0.2，乙、丙客户的间距0.3，他们与其余客户之间的间距暂时不考虑，则当聚类阈值定义为0.1时，甲、乙客户被划分为同一个聚类；当聚类阈值定义为0.2时，甲、乙客户被划分为同一个聚类且丙、丁客户被划分为另一个聚类。
训练无监督分类模型时，每个业务类型场景的操作相似，下述以现金贷业务为例进行说明。
首先对现金贷的客户训练集数据进行操作：
1)假如k的取值为2-10；
2)对于每一个k，训练多次(这是因为每次选择的初始聚类中心将会影响最终的聚类结果)，计算平均的轮廓值，并保存该轮廓值；
3)从多个轮廓值中选择满足现金贷聚类阈值的轮廓值对应的k值作为最终的聚类数目，相应的聚类结果作为最终分类结果。
不同场景下，客户数据标签基本一致，但其聚类阈值取值会根据不同业务场景而取不同的值，影响最后的聚类结果。
由此本实施例根据业务类型不同定义不同的聚类阈值，由于聚类阈值的不同可以使客户数据收敛于不同的聚类中，因此形成对应于每种业务类型的无监督分类模型，每种业务类型的无监督分类模型只应用于对应业务场景进行延伸应用。例如：使用现金贷的客户样本训练出的现金贷业务无监督分类模型，只可以使用在现金贷业务这个场景中，将其应用在二次营销业务场景中，则不能准确总结归类客户特征并对其进行聚类，从而无法准确定位客群，不能降低贷前业务风险。
步骤S3中根据分类结果获取客户的业务类型相关性具体包括：
S31：根据分类结果得到客户办理当前业务类型的风险级别，例如对客户分类后，对不同的客户类别设定不同的风险级别，例如高风险、中风险、低风险等，可根据实际情况进行相关设定。
S32：根据风险级别获取对应风险级别的业务相关性，对应上述风险类别，例如现金贷业务中，高风险的客户群体则设置较低的现金贷款额度等，根据风控方案设定不同风险级别对应的业务相关性，降低贷前业务风险。
本实施例通过在贷前就根据客户的属性进行客户分类，准确定位客户群体，提高贷款的有效性，降低贷前业务风险的方法，避免人为因素影响，提高评审效率以及有效贷款量。可广泛应用于信贷领域。
实施例二：
本实施例提供一种降低贷前业务风险的***，用于执行如实施例一所述的降低贷前业务风险方法，如图2所示，为本实施例的降低贷前业务风险的***结构框图，包括：
获取单元100：用于获取业务类型和根据客户信息提取的客户数据标签；
分类单元200：用于利用预先训练好的业务类型对应的无监督分类模型根据客户数据标签对客户进行分类；
相关性分析单元300：用于根据分类结果获取客户的业务类型相关性。
上述中降低贷前业务风险的***各单元模块的具体细节已经在实施例一对应的降低贷前业务风险方法中进行了详细的描述，因此此处不再赘述。
另外，本发明还提供降低贷前业务风险的设备，包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如实施例一所述的方法。计算机程序即程序代码，当程序代码在降低贷前业务风险设备上运行时，程序代码用于使降低贷前业务风险设备执行本说明书上述实施例一部分描述的降低贷前业务风险方法中的步骤。
另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明通过获取业务类型和根据客户信息提取的客户数据标签，然后利用预先训练好的业务类型对应的无监督分类模型根据客户数据标签对客户进行分类，最后根据分类结果获取客户的业务类型相关性。通过在贷前就根据客户的属性进行客户分类，准确定位客户群体，提高贷款的有效性，降低贷前业务风险的方法，避免人为因素影响，提高评审效率以及有效贷款量。可广泛应用于信贷领域。
以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种降低贷前业务风险的方法，其特征在于，包括：
获取业务类型和根据客户信息提取的客户数据标签；
利用预先训练好的所述业务类型对应的无监督分类模型根据所述客户数据标签对客户进行分类；
根据所述分类结果获取客户的业务类型相关性。
2.根据权利要求1所述的一种降低贷前业务风险的方法，其特征在于，训练所述业务类型对应的无监督分类模型具体包括：
根据不同的业务类型选取不同的聚类阈值；
根据所述聚类阈值对训练集数据进行训练得到对应所述聚类阈值的无监督分类模型。
3.根据权利要求1所述的一种降低贷前业务风险的方法，其特征在于，所述无监督分类模型为聚类模型。
4.根据权利要求3所述的一种降低贷前业务风险的方法，其特征在于，所述聚类模型包括：k-means聚类模型、层次聚类模型、基于密度聚类模型。
5.根据权利要求1所述的一种降低贷前业务风险的方法，其特征在于，所述客户数据标签至少包括：客户性别、客户年龄、客户地区、客户兴趣爱好、客户日常行为，所述利用预先训练好的所述业务类型对应的无监督分类模型根据所述客户数据标签对客户进行分类具体包括：
将所述客户数据标签作为所述无监督分类模型的高维度输入向量，根据所述无监督分类模型输出对应的客户分类结果。
6.根据权利要求5所述的一种降低贷前业务风险的方法，其特征在于，所述根据所述分类结果获取客户的业务类型相关性具体包括：
根据所述分类结果得到客户办理当前业务类型的风险级别；
根据所述风险级别获取对应风险级别的业务相关性。
7.根据权利要求1至6任一项所述的一种降低贷前业务风险的方法，其特征在于，所述业务类型至少包括：现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务。
8.一种降低贷前业务风险的***，其特征在于，包括：
获取单元：用于获取业务类型和根据客户信息提取的客户数据标签；
分类单元：用于利用预先训练好的所述业务类型对应的无监督分类模型根据所述客户数据标签对客户进行分类；
相关性分析单元：用于根据所述分类结果获取客户的业务类型相关性。
9.一种降低贷前业务风险的设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010084964.4A CN111325248A (zh) | 2020-02-10 | 2020-02-10 | 降低贷前业务风险的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010084964.4A CN111325248A (zh) | 2020-02-10 | 2020-02-10 | 降低贷前业务风险的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111325248A true CN111325248A (zh) | 2020-06-23 |
Family
ID=71167322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010084964.4A Pending CN111325248A (zh) | 2020-02-10 | 2020-02-10 | 降低贷前业务风险的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325248A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232950A (zh) * | 2020-12-10 | 2021-01-15 | 银联商务股份有限公司 | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 |
| CN112258315A (zh) * | 2020-10-20 | 2021-01-22 | 南京三百云信息科技有限公司 | 基于身份标签的车贷贷前数据检验方法及装置 |
| CN112767124A (zh) * | 2021-01-15 | 2021-05-07 | 上海琢学科技有限公司 | 一种个人代发业务留存率提升的方法及装置 |
| CN113129126A (zh) * | 2021-04-15 | 2021-07-16 | 算话智能科技有限公司 | 一种业务数据处理方法及装置 |
| CN113205338A (zh) * | 2021-06-08 | 2021-08-03 | 中国银行股份有限公司 | 基于人工智能的外汇业务处理方法及装置 |
| CN113379530A (zh) * | 2021-06-09 | 2021-09-10 | 中国工商银行股份有限公司 | 用户风险的确定方法、装置和服务器 |
| CN113592623A (zh) * | 2021-07-20 | 2021-11-02 | 浙江惠瀜网络科技有限公司 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
| CN113837868A (zh) * | 2021-09-30 | 2021-12-24 | 重庆富民银行股份有限公司 | 一种客群分层***及方法 |
| CN114331473A (zh) * | 2021-12-29 | 2022-04-12 | 中国电信股份有限公司 | 电信诈骗事件的识别方法及其装置、计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN109978680A (zh) * | 2019-03-18 | 2019-07-05 | 杭州绿度信息技术有限公司 | 一种细分客群信贷业务风控差异化定价的风控方法和*** |
| WO2019153598A1 (zh) * | 2018-02-07 | 2019-08-15 | 平安科技（深圳）有限公司 | 客户风险等级管理方法、服务器及计算机可读存储介质 |
-
2020
- 2020-02-10 CN CN202010084964.4A patent/CN111325248A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| WO2019153598A1 (zh) * | 2018-02-07 | 2019-08-15 | 平安科技（深圳）有限公司 | 客户风险等级管理方法、服务器及计算机可读存储介质 |
| CN109978680A (zh) * | 2019-03-18 | 2019-07-05 | 杭州绿度信息技术有限公司 | 一种细分客群信贷业务风控差异化定价的风控方法和*** |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258315A (zh) * | 2020-10-20 | 2021-01-22 | 南京三百云信息科技有限公司 | 基于身份标签的车贷贷前数据检验方法及装置 |
| CN112258315B (zh) * | 2020-10-20 | 2024-02-02 | 南京三百云信息科技有限公司 | 基于身份标签的车贷贷前数据检验方法及装置 |
| CN112232950A (zh) * | 2020-12-10 | 2021-01-15 | 银联商务股份有限公司 | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 |
| CN112767124A (zh) * | 2021-01-15 | 2021-05-07 | 上海琢学科技有限公司 | 一种个人代发业务留存率提升的方法及装置 |
| CN113129126A (zh) * | 2021-04-15 | 2021-07-16 | 算话智能科技有限公司 | 一种业务数据处理方法及装置 |
| CN113129126B (zh) * | 2021-04-15 | 2023-04-25 | 算话智能科技有限公司 | 一种业务数据处理方法及装置 |
| CN113205338A (zh) * | 2021-06-08 | 2021-08-03 | 中国银行股份有限公司 | 基于人工智能的外汇业务处理方法及装置 |
| CN113379530A (zh) * | 2021-06-09 | 2021-09-10 | 中国工商银行股份有限公司 | 用户风险的确定方法、装置和服务器 |
| CN113592623A (zh) * | 2021-07-20 | 2021-11-02 | 浙江惠瀜网络科技有限公司 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
| CN113837868A (zh) * | 2021-09-30 | 2021-12-24 | 重庆富民银行股份有限公司 | 一种客群分层***及方法 |
| CN114331473A (zh) * | 2021-12-29 | 2022-04-12 | 中国电信股份有限公司 | 电信诈骗事件的识别方法及其装置、计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325248A (zh) | 降低贷前业务风险的方法及*** | |
| CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
| CN110704730B (zh) | 基于大数据的产品数据推送方法、***及计算机设备 | |
| De et al. | Effective ML techniques to predict customer churn | |
| WO2022105525A1 (zh) | 预测用户概率的方法、装置和计算机设备 | |
| CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
| CN109583966A (zh) | 一种高价值客户识别方法、***、设备及存储介质 | |
| CN113011889B (zh) | 账号异常识别方法、***、装置、设备及介质 | |
| CN114119137A (zh) | 风险控制方法和装置 | |
| Chen et al. | Research on credit card default prediction based on k-means SMOTE and BP neural network | |
| CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
| CN112836750A (zh) | 一种***资源分配方法、装置及设备 | |
| Zhu et al. | Loan default prediction based on convolutional neural network and LightGBM | |
| CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
| US20220207420A1 (en) | Utilizing machine learning models to characterize a relationship between a user and an entity | |
| CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
| Wu et al. | Customer churn prediction for commercial banks using customer-value-weighted machine learning models | |
| CN114722941A (zh) | 信贷违约识别方法、装置、设备和介质 | |
| Lee et al. | Application of machine learning in credit risk scorecard | |
| CN113420789A (zh) | 一种预测风险账号的方法、装置、存储介质和计算机设备 | |
| CN106682985A (zh) | 一种金融诈骗识别方法和*** | |
| Bagde et al. | A comprehensive analysis of traditional clustering algorithms on corporate bond data | |
| KR102414824B1 (ko) | 대출자 금융 데이터를 풀링하는 방법 및 이러한 방법을 수행하는 장치 | |
| US20230214842A1 (en) | Locating suspect transaction patterns in financial networks | |
| CN117994017A (zh) | 构建零***风险预测模型的方法和线上信贷业务Scoredelta模型 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200623 |