CN113095931A - 贷后风险监控方法、装置及计算机设备 - Google Patents
贷后风险监控方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113095931A CN113095931A CN202110450118.4A CN202110450118A CN113095931A CN 113095931 A CN113095931 A CN 113095931A CN 202110450118 A CN202110450118 A CN 202110450118A CN 113095931 A CN113095931 A CN 113095931A
- Authority
- CN
- China
- Prior art keywords
- risk
- index
- post
- loan
- monitoring client
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 101
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000005611 electricity Effects 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 41
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提出了一种贷后风险监控方法、装置及计算机设备,银行等金融机构,能够直接获取监控客户的多个第一风险指标各自对应的第一指标电力数据,经过向量化处理,将得到相应的第一指标电力特征向量输入预先训练的贷后风险评分模型,即可得到监控客户的贷后风险评分,从而利用贷后风险评分,输出针对监控客户的贷后风险等级提示信息,使得银行能够及时且准确了解监控客户的贷后风险情况,以便及时采取相应的保全措施,实现了各类贷款客户(其覆盖了中小微型企业)生产经营情况的实时监控,且无需贷后业务人员实地走访考察,极大降低了时间和人力成本,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
Description
技术领域
本申请涉及数据处理技术领域,更具体地说是涉及一种贷后风险监控方法、装置及计算机设备。
背景技术
随着全球经济的发展,银行等金融机构面临重大发展机遇和高风险挑战。其中,贷款风险是银行经营过程中的主要风险,为了实现银行经济的可持续发展,需要加强信贷风险管理,即指针对可能发生的各种风险,在贷款发放前所采取的预防措施、贷款中的授信管理以及在贷款发放后、收回前应当采取的风险控制措施,以控制贷款风险的发生、扩大和恶化。
因此,在银行贷款风险的防范措施中,通常分为贷前审查、贷中审批和贷后管理三方面。其中,贷后管理是指做好贷款发放后的持续跟踪管理,监督客户的资金使用是否符合银行信贷要求,对于违规使用的情况,要求客户及时落实整改,且在发现客户违约或其他危及银行信贷资金的情况,银行有权采取保全措施,如根据具体情况可以要求客户提前归还贷款,或者处置担保物,或者直接向法院起诉等,以实现银行经济的可持续发展。
在现有技的贷后管理中,通常是通过实地走访查看贷款客户的如企业开工情况、设备运转情况、员工数量的增减情况、企业库存情况、贷款客户的财务情况、担保情况、上下游企业情况、其他融资情况、所处行业及国家宏观经济政策,及舆情情况等多方面的生产经营情况,来实现资金账户的监管,时间和人力成本都较大,且因访查信息相对滞后影响了贷后管理的及时性,因中小微型企业和银行之间存在严重的信息不对称,导致对这类中小微型企业的贷后管理难度非常大。
发明内容
有鉴于此,为了解决上述技术问题,本申请提供了以下技术方案:
一方面,本申请提出了一种贷后风险监控方法,所述方法包括:
获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
对多个所述第一指标电力数据分别进行向量化处理,得到相应的第一指标电力特征向量;
将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,其中,所述贷后风险评分模型是基于机器学习算法,对样本客户的样本指标电力数据进行训练得到的;所述样本指标电力数据包括所述样本客户的多个第一风险指标各自对应的样本指标电力数据;
依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息。
可选的,每一所述第一风险指标包括多个第二风险指标,所述方法还包括:
获取各所述第二风险指标对应的风险指标运算逻辑;
按照所述风险指标运算逻辑,对相应的所述第一指标电力数据进行处理,得到相应第二风险指标的第二指标电力数据;
对所述第二指标电力数据进行向量化处理,得到相应的第二指标电力特征向量;
所述将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,包括:
将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分。
可选的,所述获取监控客户的多个第一风险指标各自对应的第一指标电力数据,包括:
向电力机构应用平台发送电力数据获取请求,所述电力数据获取请求携带有监控客户的客户标识信息,以及请求获取的电力类别信息,以使所述电力机构应用平台依据所述客户标识信息和所述电力类别信息,查询所述监控客户的历史电力数据,及所述监控客户所属行业的行业电力数据;
接收所述电力机构应用平台反馈的所述历史电力数据和所述行业电力数据;
按照多个第一风险指标,对所述历史电力数据和所述行业电力数据进行分析,得到各所述第一风险指标对应的第一指标电力数据。
可选的,所述多个第一风险指标包括:容量状态、用电等级、电费缴纳等级、违约用电信息、电力故障信息;
所述按照所述风险指标运算逻辑,对相应的所述第一指标电力数据进行处理,得到相应第二风险指标的第二指标电力数据,包括:
依据所述容量状态对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述容量状态对应的第一指标电力数据进行处理,得到所述监控客户的合同容量得分、增减容特征值得分,以及在第一时间段内的平均负载率;
依据所述用电等级对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述用电等级对应的第一指标电力数据进行处理,得到所述监控客户的用电量在所属行业中的用电等级、在第二时间段内的用电量环比增长率和用电量同比增长率、所述用电量环比增长率在所属行业中的增长等级,以及在上一个月内的总用电量;
依据所述电费缴纳等级对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述电费缴纳等级对应的第一指标电力数据进行处理,得到所述监控客户在第三时间段内的电费实收比例、本月内的电费欠费金额、在第四时间段内的电费实收用电金额同比增长率和电费实收用电金额环比增长率,以及在第五时间段内的电费回收率;
依据所述违约用电信息对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述违约用电信息对应的第一指标电力数据进行处理,得到所述监控客户在第六时间段内的违约用电次数、违约用电金额、窃电次数及窃电总金额;
依据所述电力故障信息对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述电力故障信息对应的第一指标电力数据进行处理,得到所述监控客户在第七时间段内发生的用电故障次数和停电次数。
可选的,所述将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,包括:
将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,输出所述监控客户的贷后风险评分;或者,
将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述多个第一风险指标各自的第一指标评分;
利用得到的多个所述第一指标评分,以及所述多个第一风险指标各自对应的第一指标权重,获得所述监控客户的贷后风险评分。
可选的,所述将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,包括:
将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述多个第二风险指标各自的第二指标评分;
利用属于同一所述第一风险指标的所述多个第二风险指标各自的所述第二指标评分,以及所述多个第二风险指标各自的第二指标权限,确定该第一风险指标的第一指标评分;
利用得到的多个所述第一指标评分,以及所述多个第一风险指标各自对应的第一指标权重,获得所述监控客户的贷后风险评分。
可选的,所述依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息,包括:
依据所述监控客户的客户属性信息,获得不同贷后风险评分与贷后风险等级之间的对应关系,其中,所述客户属性信息包括经营场地的位置信息,及所述监控客户所属行业的行业信息;
按照所述对应关系,确定与所述监控客户的贷后风险评分对应的目标贷后风险等级;
获取满足风险预警条件的第一指标评分和/或第二指标评分所对应的风险预警码;
输出所述监控客户的所述贷后风险评分、所述贷后风险等级及所述风险预警码。
可选的,所述获取满足风险预警条件的第二指标评分所对应的风险预警码,包括:
获取所述多个第二风险指标各自对应的第二指标风险阈值;
检测多个所述第二指标评分是否大于相应的所述第二指标风险阈值;
记录所述第二指标评分大于相应的所述第二指标风险阈值的第二风险指标,并生成相应的风险预警码。
又一方面,本申请还提出了一种贷后风险监控装置,所述装置包括:
第一指标电力数据获取模块,用于获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
第一指标电力特征向量得到模块,用于对多个所述第一指标电力数据分别进行向量化处理,得到相应的第一指标电力特征向量;
贷后风险评分得到模块,用于将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,其中,所述贷后风险评分模型是基于机器学习算法,对样本客户的样本指标电力数据进行训练得到的;所述样本指标电力数据包括所述样本客户的多个第一风险指标各自对应的样本指标电力数据;
贷后风险提示模块,用于依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息。
又一方面,本申请还提出了一种计算机设备,所述计算机设备包括:
通信模块;
存储器,用于存储实现如上述的贷后风险监控方法的程序;
处理器,用于加载并执行所述存储器存储的所述程序,以实现如上述的贷后风险监控方法的各步骤。
由此可见,本申请提供一种贷后风险监控方法、装置及计算机设备,银行等金融机构,能够直接获取监控客户的多个第一风险指标各自对应的第一指标电力数据,经过向量化处理,将得到相应的第一指标电力特征向量输入预先训练的贷后风险评分模型,即可得到监控客户的贷后风险评分,从而利用贷后风险评分,输出针对监控客户的贷后风险等级提示信息,使得银行能够及时且准确了解监控客户的贷后风险情况,以便及时采取相应的保全措施,实现了各类贷款客户(其覆盖了中小微型企业)生产经营情况的实时监控,且无需贷后业务人员实地走访考察,极大降低了时间和人力成本,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1示出了适用于本申请提出的贷后风险监控方法和装置的一可选应用场景的结构示意图;
图2示出了本申请提出的贷后风险监控方法的一可选示例的流程示意图;
图3示出了本申请提出的贷后风险监控方法的又一可选示例的流程示意图;
图4示出了本申请提出的贷后风险监控方法中,电力数据分类方式的可选示意图;
图5示出了本申请提出的贷后风险监控方法的又一可选示例的流程示意图;
图6示出了本申请提出的贷后风险监控装置的一可选示例的流程示意图;
图7示出了本申请提出的贷后风险监控装置的又一可选示例的流程示意图;
图8示出了本申请提出的一种适用于上述贷后风险监控方法和装置的计算机设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
应当理解,本申请中使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
另外,本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
近年来,随着大数据在互联网中快速发展,海量数据处理技术在电子商务、定向广告、智能推荐、社交网络等方面的成功应用,本申请提出对具有可信度高、时效性强、连续性好、完整性好、覆盖面广等特点的电力大数据进行分析,以发现和提取隐含在其中具有价值的信息和知识,如拓展电力大数据在金融体系价值链中的延伸,丰富具有强可溢性的电力大数据在金融领域的应用场景,孵化电力金融产品和服务,实现金融业务线上化、线上金融数字化、数字金融智能化,全面发挥金融科技的支撑作用,赋能电力智能数字金融,降低金融服务成本,提升服务效率。
具体地说,本申请可以利用电力大数据所具有的如上特点,及其包含大量的因果关系数据、高维的时空数据、广域的监测控制、快速的时间响应及实时控制数据,来预测监控贷款客户的贷后风险,以便在确定贷款客户在贷后经营风险较高的情况下,及时进行预警,银行可以依据预警信息采取相应的保全措施,降低该贷款客户违约对银行造成的资金损失,解决目前银行在贷后管理中的贷款客户信息相对滞后、人力和时间成本较高、中小微企业贷后管理难度大等问题,为银行信贷业务发生后的经营管理提供了信贷切入点,有效防范和控制贷后环境的风险,促进信贷业务有效健康的发展。具体实现过程可以参照下文实施例相应部分的描述,本实施例在此不做详述,
参照图1,为适用于本申请提出的贷后风险监控方法的一可选应用环境的结构示意图,该应用环境中可以包括:业务终端11、业务服务器12及电力机构的电力服务设备13,其中:
业务终端11可以是银行等金融机构中,供业务人员办理业务的电子设备,如智能手机、平板电脑、可穿戴设备、个人计算机(personalcomputer,PC)、上网本、个人数字助理(personaldigital assistant,PDA)、台式计算机等,对于负责办理不同业务的业务人员所使用的业务终端类型可以不同,这可以依据具体应用场景的需求确定,本申请在此不做一一详述。
业务服务器12可以是为业务终端提供业务服务的服务设备,具体可以是独立的物理服务器,也可以是由多台物理服务器集成的服务器集群,也可以是具有云计算能力的云服务器等。在实际应用中,可以通过有线或无线网络,实现与本地业务终端11之间的通信连接,满足两者之间的数据交互需求,具体交互过程可视情况而定,本实施例不做详述。
在本申请中,对于本申请实施例提出的贷后风险监控方法和装置,可以适用于上述业务服务器12,和/或具有一定数据处理能力的业务终端13,本申请对此不做限制,可视情况而定。
电力服务设备13可以是电力机构的提供电力相关服务的计算机设备,如独立的物理服务器,也可以是由多台物理服务器集成的服务器集群,也可以是具有云计算能力的云服务器;或者是具有一定数据处理能力的电子设备,本申请对该电力服务设备13的产品类型及其组成结构不做限制,可以依据电力***的服务需求确定。
在实际应用中,上述电力服务设备13可以记录各用电客户(家庭、个体、企业等)的电力相关数据,如容量状态、用电水平、电费缴纳水平、违约用电、停电分析等,因此,对于银行的贷款客户(如各种企业等)在工作过程都会使用电量,所以电力服务设备13中也会记录贷款客户的电力相关数据,具体数据内容本申请在此不做一一列举。
结合上文对本申请技术构思的描述,银行可以向电力机构申请,以获取监控客户(如已经贷款的企业、个人等)的电力相关数据,用来按照本申请提出的贷后风险监控方法,来确定该监控客户的贷后风险值,以便据此采用相应的保全措施,保证银行经济可持续发展。
所以,本申请提出利用人工智能技术,使用计算机的强大计算能力,结合统计分析模型,充分挖掘隐藏信息、总结内在规律、提炼具有价值的“熟数据”,从而为贷后风险监控业务的开展提供基础支撑。具体可以预先基于机器学习/深度学习算法,利用各样本客户的电力相关数据及贷后风险数据等信息,训练得到贷后风险预测模型,来预测贷款客户的贷后风险情况。具体实现过程可以参照下文实施例相应部分的描述,本实施例在此不做详述。
应该理解的是,图1所示的应用环境的***结构并不构成对本申请实施例对该应用环境组成的限定,在实际应用中,该应用环境可以包括比图1所示的更多或更少的设备,或者组合某些设备,本申请在此不做一一列举。
参照图2,为本申请提出的贷后风险监控方法的一可选示例的流程示意图,该方法可以适用于计算机设备,该计算机设备可以是上述业务服务器或具有一定数据处理能力的业务终端等,可视情况而定,本申请对该计算机设备的产品类型不做限制,如图2所示,本实施例提出的贷后风险监控方法可以包括:
步骤S11,获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
在本申请中,结合上述分析,将深入研究电力大数据,拓展其在金融体系价值链中的延伸,具体在贷后管理方面的应用。在一种可能的实现方式中,计算机设备可以向电力机构应用平台发送电力数据获取请求,该电力数据获取请求可以携带有监控客户的客户标识信息(客户名称、客户的统一社会信用代码、客户用电编号等),以及请求获取的电力类别信息(即用以分析获得监控客户的贷后风险情况的信息,如多个第一风险指标等,本申请对该电力类别信息包含的内容不做限制,可视情况而定),以使电力机构应用平台依据客户标识信息和电力类别信息,查询监控客户的历史电力数据,及监控客户所属行业的行业电力数据,即与上述电力类别信息相匹配的电力数据。
之后,计算机设备可以接收电力机构应用平台反馈的上述历史电力数据和行业电力数据,以按照预先确定的多个第一风险指标,对历史电力数据和行业电力数据进行分析,得到各第一风险指标对应的第一指标电力数据,具体实现过程本申请不做详述。
在本申请提出的又一些实施例中,计算机设备确定多个第一风险指标后,可以直接向电力机构应用平台获取每个第一风险指标对应的第一指标电力数据,以减少计算机设备的数据处理工作量,本申请对上述步骤S11的具体实现方法不作限制。
步骤S12,对多个第一指标电力数据分别进行向量化处理,得到相应的第一指标电力特征向量;
结合上文对本申请技术构思的描述,本申请希望通过对监控客户的电力相关数据进行分析,来获得监控客户的贷后风险评分。在该实现过程中,本申请提出利用人工智能技术对电力大数据进行分析,来分析得到任一监控客户贷后的征信情况与其电力数据之间的逻辑关系,并以机器模型的形式表示,即预先训练贷后风险评分模型,这样,在实际应用中,对于任一监控客户,可以由该贷后风险评分模型对其各风险指标的指标电力数据进行分析,得到相应的贷后风险评分。
其中,为了方便模型对输入数据的处理,通常需要对模型输入数据进行特征化处理,以模型能够识别且处理的数据形式,表示相应的指标电力数据,因此,本申请实施例得到多个第一指标电力数据后,可以先对其进行向量化处理,得到相应的第一指标电力特征向量,本申请对数据向量化处理的具体实现方法不做限制,如采用回归算法等机器学习算法,实现各第一指标电力数据的向量化处理,具体实现过程不做详述。
步骤S13,将得到的多个第一指标电力特征向量输入贷后风险评分模型,得到监控客户的贷后风险评分;
本申请实施例中,上述贷后风险评分模型可以是基于机器学习算法(如逻辑回归算法等,可视情况而定,本申请对该机器学习算法的类别不做限制),对样本客户的样本指标电力数据进行训练得到的。其中,样本客户可以包括银行已放贷的客户,而样本指标电力数据包括相应样本客户的多个第一风险指标各自对应的样本指标电力数据,关于样本指标电力数据的获取过程,可以参照上文对监控客户的指标电力数据的获取过程的描述,本实施例不做赘述。
步骤S14,依据该贷后风险评分,输出针对监控客户的贷后风险等级提示信息。
继上文描述,该贷后风险等级提示信息可以用以告知银行相关业务人员,该监控客户的贷后风险情况,以及主要导致其贷后风险评分过高的风险指标,根据需要可以据此给出相应的保全措施,以使业务人员可以直接执行该保全措施,来降低银行经济损失。本申请对上述贷后风险等级提示信息所包含的内容及其输出方式不做限制,可视情况而定。
综上,在本申请实施例中,银行等金融机构,能够直接获取监控客户的多个第一风险指标各自对应的第一指标电力数据,经过向量化处理,将得到相应的第一指标电力特征向量输入预先训练的贷后风险评分模型,即可得到监控客户的贷后风险评分,从而利用贷后风险评分,输出针对监控客户的贷后风险等级提示信息,使得银行能够及时且准确了解监控客户的贷后风险情况,以便及时采取相应的保全措施,实现了各类贷款客户(其覆盖了中小微型企业)生产经营情况的实时监控,且无需贷后业务人员实地走访考察,极大降低了时间和人力成本,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
参照图3,为本申请提出的贷后风险监控方法的又一可选示例的流程示意图,本实施例可以是对上文实施例描述的贷后风险监控方法的一可选细化实现方案,但并不局限于本实施例描述的这种细化实现方案,如图3所示,本实施例提出的贷后风险监控方法可以包括:
步骤S21,获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
步骤S22,获取各第二风险指标对应的风险指标运算逻辑;
步骤S23,按照风险指标运算逻辑,对相应的第一指标电力数据进行处理,得到相应第二风险指标的第二指标电力数据;
结合上文对本申请技术构思的描述,对于监控客户的电力相关数据,为了方便分析可以对其进行指标化处理,通过指标降维的处理方式,筛选出对最终结果影响具有泛统计学意义的指标。因此,本申请可以先从大方向将其划分为多个第一风险指标,再对每一个第一风险指标进行细化分类为多个第二风险指标,并获取相应第二风险指标的第二指标电力数据。
需要说明,本申请对监控客户的电力相关数据的分类标准及方法不做限制,因此,对得到的上述各第一风险指标及其对应的各第二风险指标的内容不做限制,可视情况而定。
在一种可能的实现方式中,计算机设备从监控客户的历史电力数据和行业电力数据中,获得多个第一风险指标各自对应的第一指标电力数据后,可以依据该第一风险指标自身的指标内容,及其对监控客户的贷后风险情况的影响关系等信息,来对其做进一步细化处理,得到每一个第一风险指标所包含的至少一个第二风险指标。
可选的,参照图4所示的电力数据分类示意图,本申请可以将监控客户的电力相关数据划分为容量状态、用电等级、电费缴纳等级、违约用电信息、电力故障信息等五大类,每一大类类别可以作为一个第一风险指标,但并不局限于本实施例列举的这五个第一风险指标,可视情况而定,本申请仅以这些第一风险指标为例,来分析得到监控客户的贷后风险情况。
本申请确定监控客户的如上文列举的五个第一风险指标后,可以按照各第一风险指标的类别,来获取相应的指标内容,记为第一指标电力数据,通过对这些第一指标电力数据进行分析,获得监控客户的生产规模、行业发展水平、发展趋势、资金状况、还款积极性、内部管理风险、信用水平等多方面的信息,以辅助确定监控客户的贷后风险情况,具体实现过程本申请不做详述。
当然,为了更加准确且可靠分析得到监控客户的贷后风险情况,本申请可以依据各第一风险指标的内容,以及对其进行分析所能够得到的监控客户的某一方面或多方面的信息,对各第一风险指标做进一步细化分类,如可以将上文列举的五个第一风险指标细化为多个第二风险指标,具体细化分类过程可以参照但并不局限于下文相应方法实施例的描述,本申请在此不做详述。
在确定监控客户的多个第二风险指标之后,本申请可以依据该第二风险指标的指标内容等因素,确定各第二风险指标所对应的风险指标运算逻辑,以便按照该风险指标运算逻辑,对监控客户的相应第一指标电力数据进行处理,得到相应的第二指标电力数据,具体实现过程本申请不做详述。
可以理解,在获取不同的第二指标电力数据的过程中,因风险指标运算逻辑不同,某些第二指标电力数据可能是对历史电力数据和行业电力数据进行综合分析得到,某些第二指标电力数据可能是直接对历史电力数据进行分析得到的,本申请对此不做限制,可依据相应的风险指标运算逻辑确定,本申请实施例在此不做一一详述。
步骤S24,对第二指标电力数据进行向量化处理,得到相应的第二指标电力特征向量;
关于步骤S24的实现过程,可以参照上文对第一指标电力数据的向量化处理过程的描述,本实施例在此不做赘述。
步骤S25,将得到的多个第二指标电力特征向量输入贷后风险评分模型,多个第二风险指标各自的第二指标评分;
本申请实施例中,相对于上述实施例直接将第一指标电力数据向量化后,所得到的第一指标电力特征向量,本实施例的第二指标电力特征向量是更细粒度的电力特征向量,据此可以更精准地确定监控客户的贷后风险情况,还可能得知不同风险指标对该监控客户的贷后风险的影响大小。
可以理解,对于具有不同模型输出的贷后风险评分模型,其训练的整体实现过程类似,区别在于输出结果包含的内容不同,这可以依据具体应用场景的需求确定。对于直接输出监控客户的贷后风险评分的场景下,可以认为其贷后风险评分模型包含了本实施例对第二指标评分的运算过程,关于不同场景下模型训练过程本申请不做详述。
步骤S26,利用属于同一第一风险指标的多个第二风险指标各自的第二指标评分,以及多个第二风险指标各自的第二指标权限,确定该第一风险指标的第一指标评分;
步骤S27,利用得到的多个所述第一指标评分,以及多个第一风险指标各自对应的第一指标权重,获得监控客户的贷后风险评分;
在本申请实施例中,对监控客户的贷后风险评分的影响越大的风险指标,其对应的指标权重越大;反之,对监控客户的贷后风险评分的影响越小的风险指标,其对应的指标权重越小,本申请对各风险指标所对应的指标权重的具体数值不做限制,可视情况而定。
可见,本申请利用贷后风险评分模型,对监控客户的历史电力数据中的不同第二风险指标对应的第二指标电力数据进行分析,得到各第二风险指标的第二指标评分后,可以对得到的多个第二风险指标各自的第二指标评分进行综合分析,确定相应的第一风险指标所对应的第一指标评分,进而对多个第一指标评分进行综合分析,得到监控客户的贷后风险评分,具体实现过程不做限制。
在本申请提出的又一些实施例中,对于上述监控客户的贷后风险评分的获取过程,本申请也可以将得到的多个第一指标电力特征向量(或多个第二指标电力特征向量)输入贷后风险评分模型,直接输出监控客户的贷后风险评分。或者,将多个第一指标电力特征向量输入贷后风险评分模型后,直接输出多个第一风险指标各自的第一指标评分,再利用得到的多个第一指标评分,以及多个第一风险指标各自对应的第一指标权重,获得监控客户的贷后风险评分等,具体实现过程本实施例不做限制,可以依据实际对监控客户的贷后风险情况的监控要求确定,本申请不做一一详述。
步骤S28,依据监控客户的客户属性信息,获得不同贷后风险评分与贷后风险等级之间的对应关系;
其中,客户属性信息包括经营场地的位置信息,及监控客户所属行业的行业信息等,本申请对该客户属性信息所包含的内容不做限制,通常情况下,对于不同地区和行业的监控客户,确定其贷后风险等级的划分标准不同,如同一贷后风险等级所对应的贷后风险评分的阈值不同,可视情况而定,本申请对上述对应关系的具体获取过程不做详述。
步骤S29,按照该对应关系,确定与监控客户的贷后风险评分对应的目标贷后风险等级;
本实施例中,监控客户的贷后风险评分越高,可以表示该监控客户的当前经营风险越高,其对应的贷后风险等级越高。其中,贷后风险等级可以按照从低到高的顺序,划分为正常、低风险、中风险、高风险等四个等级,但并不局限于此。
在实际应用中,各监控客户的贷后风险评分通常是20~100之间的分数,本申请可以将该分数范围划分为四个子范围,按照分数范围从低到高的顺序,依次对应如上文列举的四个贷后风险等级。但并不局限于本实施例描述的这种实现方式。
步骤S210,获取满足风险预警条件的第一指标评分和/或第二指标评分所对应的风险预警码;
在本申请实施例中,风险预警码可以指对应风险指标的指标评分贡献度较高的一级、二级指标代码,可以反映监控客户在该风险指标的表现较为明显,本申请对该风险预警码的内容及其表示形式不做限制,可视情况而定。
在一种可能的实现方式中,本申请可以获取多个第二风险指标各自对应的第二指标风险阈值,检测多个第二指标评分是否大于相应的第二指标风险阈值;记录第二指标评分大于相应的第二指标风险阈值的第二风险指标,并生成相应的风险预警码。对于不同第二风险指标来说,其对应的第二指标风险阈值可能不同,本申请对各二指标风险阈值的具体数值不做限制,可视情况而定。
基于上述分析,对于上述获取的第一指标评分,也可以按照上述方式进行处理,即将其与相应的第一指标风险阈值进行比较,得到大于相应第一指标风险阈值的第一风险指标,并生成相应的风险预警码,以使银行业务人员依据所看到的风险预警码,能够直观了解相应监控客户的贷后风险情况,并得知哪个风险指标导致其贷后风险较高等,具体实现过程本实施例不做详述。
步骤S211,输出监控客户的贷后风险评分、贷后风险等级及风险预警码。
可选的,计算机设备可以将上述获得的监控客户的贷后风险评分、贷后风险等级及风险预警码,发送至相应业务人员的业务终端上输出,本申请对监控客户的贷后风险评分、贷后风险等级及风险预警码这些信息的具体输出方式不做限制。
在又一些实施例中,银行的业务人员可以登录贷后风险监控平台,输入监控客户的客户标识信息,生成贷后风险查询请求,以使计算机设备按照上述处理方式响应该贷后风险查询请求,得到该监控客户的监控客户的贷后风险评分、贷后风险等级及风险预警码等信息,并反馈至业务终端输出,但并不局限于这种实现方式。
可见,本申请根据电力大数据的可信度高、时效性强、连续性好、完整性好、覆盖面广等特点,及其包括大量的因果关系数据、高维的时空数据,广域的监测控制,快速的时间响应及实时控制数据,解决了银行在贷后管理中的贷款客户信息相对滞后、人力成本和实际成本较高、中小微企业贷后管理难度大等问题,为银行信贷业务发生后的经营管理提供了信贷切入点,有效防范和控制贷后环境的风险,促进信贷业务有效健康的发展。
参照图5,为本申请提出的贷后风险监控方法的又一可选示例的流程示意图,本实施例可以是对上文实施例描述的贷后风险监控方法的一可选细化实现方案,但并不局限于本实施例描述的这种细化实现方案,如图5所示,本实施例提出的贷后风险监控方法可以包括:
步骤S31,获取容量状态、用电等级、电费缴纳等级、违约用电信息、电力故障信息各自对应的第一指标电力数据;
结合上图4所示的电力数据分类示意图,本申请实施例仅以监控客户所具有的容量状态、用电等级、电费缴纳等级、违约用电信息、电力故障信息等这五个第一风险指标为例,来实现监控客户的贷后风险分析,但并不局限于这些第一风险指标。
步骤S32,获取各第二风险指标对应的风险指标运算逻辑;
步骤S33,依据容量状态对应的多个第二风险指标各自的风险指标运算逻辑,对该容量状态对应的第一指标电力数据进行处理,得到监控客户的合同容量得分、增减容特征值得分,以及在第一时间段内的平均负载率;
在实际应用中,监控客户的容量大小等信息,通常是该监控客户在申请电表时,根据其实际使用情况来确定的,并将所确定的合同容量写入用电合同中。通常情况下,监控客户的合同容量越大,其用电量越高;上述增减容情况可以指监控客户(如企业)在某一段时间的用电容量变化,最小单位可以是一个月(如30天),但并不局限于该最小单位。
基于上述分析,本申请获得容量状态对应的第一指标电力数据,并确定其包含的多个第二风险指标,如合同容量得分、增减容特征值得分、一段时间内的平均负载率等这三个第二风险指标,以及各第二风险指标对应的风险指标运算逻辑后,可以执行各风险指标运算逻辑,对该第一指标电力数据进行处理,来得到相应第二风险指标的具体指标内容。
可选的,上述合同容量得分可以是监控客户预先确定的合同容量大小,或依据该合同容量大小,按照一定的对应关系所确定的分数;增减容特征值得分可以是通过对监控客户的增减容行为进行评价所得到的分数,具体可以利用预先训练得到的增减容评分模型,对监控客户的增减容行为信息进行分析得到;或者由相应专家技术人员依据经验,依据监控客户的增减容行为信息确定等,本申请对增减容特征值得分具体获取过程不做限制。
而上述第一时间段内的平均负载率,可以先通过合同中所申请的合同容量和运行合同容量,来计算该监控客户在不同时间的负载率,再对该第一时间段内的多个负载率进行均值运算,得到相应的平均负载率。具体的,该第一时间段可以指近一个月,通过该平均负载率可以反映该监控客户用电量是否经济。
经过上述对容量状态对应的多个第二风险指标内容的分析,可以预测该监控客户未来的生产规模,反映企业发展趋势,具体预测过程不做详述。
步骤S34,依据用电等级对应的多个第二风险指标各自的风险指标运算逻辑,对用电等级对应的第一指标电力数据进行处理,得到监控客户的用电量在所属行业中的用电等级、在第二时间段内的用电量环比增长率和用电量同比增长率、该用电量环比增长率在所属行业中的增长等级,以及在上一个月内的总用电量;
可见,步骤S34中的用电等级、用电量环比增长率及其增长等级、用电量同比增长率、总用电量等均是用电等级这一种第一风险指标所细化后的第二风险指标,但并不局限于本实施例列举的这几种第二风险指标。本申请可以通过对这些第二风险指标的指标内容进行分析,能够从该监控客户自身角度及时识别其生产经营的异动情况,同时甄别出在呈上升发展态势的行业中仍发展缓慢的监控客户,以便进一步确定该监控客户的贷后风险情况。
其中,上述用电等级可以表示该监控客户在所属行业中的用电水平,其可以由该监控客户上个月用电量与本地所属行业平均用电量之间的比值,来得到该监控客户的用电等级。该本地所属行业平均用电量可以通过对监控客户所在地,该监控客户所属行业的所有企业的上月用电量进行均值运算得到。
对于监控客户在第二时间段(如近3个月,但并不局限于此)内的用电量环比增长率,可以依据环比增长率的运算原理确定,如环比增长率=(本期的某个指标的值-上一期这个指标的值)/上一期这个指标的值*100%,在本实施例中,可以由第二时间段内,每月的用电量与相邻上一个月用电量的差值,除以该上一个月用电量,得到监控客户在第二时间段内的用电量环比增长率,具体获取过程不做限制。同理,对于监控客户在第二时间段内的用电量同比增长率,通常是指和去年同期相比较的增长率,具体实现过程本申请在此不做详述。
基于此,上述用电量环比增长率在所属行业中的增长等级,可以表示该监控客户在第二时间段内的用电量使用波动情况在行业中的水平,反应该监控客户的生产状况是否符合行业正常规律,具体实现过程不做限制。
步骤S35,依据电费缴纳等级对应的多个第二风险指标各自的风险指标运算逻辑,对电费缴纳等级对应的第一指标电力数据进行处理,得到监控客户在第三时间段内的电费实收比例、本月内的电费欠费金额、在第四时间段内的电费实收用电金额同比增长率和电费实收用电金额环比增长率,以及在第五时间段内的电费回收率;
其中,第三时间段可以指近一个月,但并不局限于此。本申请实施例可以通过对监控客户近一个月的电费缴纳情况进行统计,得到该近一个月电费实收比例。
可选的,上述第四时间段可以指近3个月、第五时间段可以指近12个月,但并不局限于本申请实施例对各时间段所表示的内容,可视情况而定,本申请仅以此为例进行说明。因此,结合上文对同比增长率和环比增长率的相关描述,依据相应的运算原理,可以计算得到监控客户在近3个月内实收用电金额同比增长率和环比增长率,具体计算过程不做详述。
可以理解,对于电费缴纳等级这一种第一风险指标所包含的多个第二风险指标,可以包括但并不局限于上文给出的在第三时间段内的电费实收比例、本月内的电费欠费金额、在第四时间段内的电费实收用电金额同比增长率和电费实收用电金额环比增长率,以及在第五时间段内的电费回收率等风险指标,本申请仅以此为例进行说明,根据实际场景需求,可以包括更多或更少的第二风险指标,具体实现过程本申请不做一一详述。
可见,如上述分析得到的监控客户的电费缴纳水平分析中,可以通过分析监控客户当月电费回收情况、如近3个月的实交电费金额同比和环比,在剔除周期性用电变化的情况下,反映监控客户用于生产经营的资金状况,同时反映了监控客户的还款积极性。
步骤S36,依据违约用电信息对应的多个第二风险指标各自的风险指标运算逻辑,对违约用电信息对应的第一指标电力数据进行处理,得到监控客户在第六时间段内的违约用电次数、违约用电金额、窃电次数及窃电总金额;
可选的,第六时间段可以指近3个月,但并不局限于此。可见,第六时间段监控客户的违约用电次数可以说明其违约行为,根据该违约用电次数的多少,可以衡量该监控客户的违约用电的频率,通过这些失信行为的次数和程度,及时提示监控客户信用水平变化情况,以更新其贷后风险评分。
类似地,上述第六时间段监控客户的违约用电金额的大小,可以衡量该监控客户违约用电的严重性,进而衡量这对其贷后风险评分的影响;对于上述窃电次数及窃电总金额的数值越大,说明相应监控客户的窃电违法行为越恶劣,对其贷后风险评分的不利影响越大。
需要说明,关于如上文列举的违约用电信息这一种第一风险指标所包含得到,在第六时间段内的违约用电次数、违约用电金额、窃电次数及窃电总金额这几种第二风险指标,对监控客户的贷后风险评分的具体影响关系本申请不做限制。通常情况下,对于不同的第二风险指标,其指标评分标准往往不同,可以结合相关业务专家建议以及贷后风险评分模型得到,具体实现过程本申请实施例在此不做详述。
步骤S37,依据电力故障信息对应的多个第二风险指标各自的风险指标运算逻辑,对电力故障信息对应的第一指标电力数据进行处理,得到监控客户在第七时间段内发生的用电故障次数和停电次数;
可见,本实施例电力故障信息这一种第一风险指标,可以进一步细化分为用电故障次数和停电次数这两种第二风险指标,但并不局限于此。
本实施例中,用电故障次数和停电次数可以反应监控客户内部管理,尤其是安全生产方面的缺陷,因此,其可以用来衡量监控客户在第七时间段(如近三个月等)用电的稳定性和安全性,以对该监控客户经营操作风险起到预警作用。通常用电故障次数和停电次数的数值越大,说明监控客户在该第七时间段内的用电安全性和稳定性越高,具体关系不做限制。
步骤S38,对上文得到的监控客户的各第二指标电力数据进行向量化处理,得到相应的第二指标电力特征向量;
继上文描述,监控客户的各第二指标电力数据可以包括对上述五个第一风险指标细化后,所得到的19个第二风险指标对应的电力数据,但并不局限于上文列举的19种第二风险指标各自对应的第二指标电力数据,可视情况而定。
步骤S39,将得到的多个第二指标电力特征向量输入贷后风险评分模型,输出监控客户的贷后风险等级提示信息。
关于步骤S38和步骤S39的具体实现过程,可以参照但并不局限于上文实施例相应部分的描述。结合上述分析,贷后风险等级提示信息可以包括如上文列举的各风险指标对应的指标评分,及其是否大于相应的指标风险阈值的检测结果,基于该检测结果确定的风险预警码,以及监控客户的贷后风险评分及其对应的贷后风险等级等内容,可以依据具体应用场景的需求,来确定所输出的贷后风险等级提示信息所包含的内容及其输出方式,本申请在此不做一一详述。
综上所述,本申请实施例在对银行已放贷的各监控客户进行贷后风险监管应用中,可以利用电力大数据所具有可信度高、时效性强、连续性好、完整性好、覆盖面广等特点,可实时验证监控客户的开工、设备运转等生产经营情况,达到实时监控目的;而且,对于上述各电力数据,银行机构的计算机设备可以通过相应的API接口快速查询得到,并能够在线快速查询监控客户的开工状况及机器设备运行情况,减少了贷后管理人员实地走访企业的时间,大大缩减了银行的时间成本和人力成本;同时,由于中小微企业在实际生产经营过程中同样会产生电力数据,本申请根据其产生的电力数据,也能够实时监控中小微企业的生产经营情况,实现了监控客户的全面覆盖。
参照图6,为本申请提出的贷后风险监控装置的一可选示例的结构示意图,该装置可以适用于上述计算机设备,如图6所示,该装置可以包括:
第一指标电力数据获取模块21,用于获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
可选的,该第一指标电力数据获取模块21可以包括:
电力数据获取请求发送单元,用于向电力机构应用平台发送电力数据获取请求,所述电力数据获取请求携带有监控客户的客户标识信息,以及请求获取的电力类别信息,以使所述电力机构应用平台依据所述客户标识信息和所述电力类别信息,查询所述监控客户的历史电力数据,及所述监控客户所属行业的行业电力数据;
电力数据接收单元,用于接收所述电力机构应用平台反馈的所述历史电力数据和所述行业电力数据;
第一指标电力数据得到单元,用于按照多个第一风险指标,对所述历史电力数据和所述行业电力数据进行分析,得到各所述第一风险指标对应的第一指标电力数据。
第一指标电力特征向量得到模块22,用于对多个所述第一指标电力数据分别进行向量化处理,得到相应的第一指标电力特征向量;
贷后风险评分得到模块23,用于将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分;
其中,所述贷后风险评分模型是基于机器学习算法,对样本客户的样本指标电力数据进行训练得到的;所述样本指标电力数据包括所述样本客户的多个第一风险指标各自对应的样本指标电力数据。
在一些实施例中,上述贷后风险评分得到模块23可以包括:
贷后风险评分第一得到单元,用于将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,输出所述监控客户的贷后风险评分;或者,
第一指标评分得到单元,用于将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述多个第一风险指标各自的第一指标评分;
贷后风险评分第二得到单元,用于利用得到的多个所述第一指标评分,以及所述多个第一风险指标各自对应的第一指标权重,获得所述监控客户的贷后风险评分。
贷后风险提示模块24,用于依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息。
在一些实施例中,每一第一风险指标包括多个第二风险指标,基于此,如图7所示,上述装置还可以包括:
风险指标运算逻辑获取模块25,用于获取各所述第二风险指标对应的风险指标运算逻辑;
第二指标电力数据得到模块26,用于按照所述风险指标运算逻辑,对相应的所述第一指标电力数据进行处理,得到相应第二风险指标的第二指标电力数据;
在一些实施例中,若多个第一风险指标包括:容量状态、用电等级、电费缴纳等级、违约用电信息、电力故障信息,上述第二指标电力数据得到模块26可以包括:
第二指标电力数据第一得到单元,用于依据所述容量状态对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述容量状态对应的第一指标电力数据进行处理,得到所述监控客户的合同容量得分、增减容特征值得分,以及在第一时间段内的平均负载率;
第二指标电力数据第二得到单元,用于依据所述用电等级对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述用电等级对应的第一指标电力数据进行处理,得到所述监控客户的用电量在所属行业中的用电等级、在第二时间段内的用电量环比增长率和用电量同比增长率、所述用电量环比增长率在所属行业中的增长等级,以及在上一个月内的总用电量;
第二指标电力数据第三得到单元,用于依据所述电费缴纳等级对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述电费缴纳等级对应的第一指标电力数据进行处理,得到所述监控客户在第三时间段内的电费实收比例、本月内的电费欠费金额、在第四时间段内的电费实收用电金额同比增长率和电费实收用电金额环比增长率,以及在第五时间段内的电费回收率;
第二指标电力数据第四得到单元,用于依据所述违约用电信息对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述违约用电信息对应的第一指标电力数据进行处理,得到所述监控客户在第六时间段内的违约用电次数、违约用电金额、窃电次数及窃电总金额;
第二指标电力数据第五得到单元,用于依据所述电力故障信息对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述电力故障信息对应的第一指标电力数据进行处理,得到所述监控客户在第七时间段内发生的用电故障次数和停电次数。
第二指标电力特征向量得到模块27,用于对所述第二指标电力数据进行向量化处理,得到相应的第二指标电力特征向量;
相应地,上述贷后风险评分得到模块23可以包括:
贷后风险评分第一得到单元,用于将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分。
具体的,在一种可能的实现方式中,上述贷后风险评分第一得到单元可以包括:
第二指标评分得到单元,用于将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述多个第二风险指标各自的第二指标评分;
第一指标评分确定单元,用于利用属于同一所述第一风险指标的所述多个第二风险指标各自的所述第二指标评分,以及所述多个第二风险指标各自的第二指标权限,确定该第一风险指标的第一指标评分;
贷后风险评分第三得到单元,用于利用得到的多个所述第一指标评分,以及所述多个第一风险指标各自对应的第一指标权重,获得所述监控客户的贷后风险评分。
基于上述各实施例的描述,上述贷后风险提示模块24可以包括:
对应关系获得单元门,用于依据所述监控客户的客户属性信息,获得不同贷后风险评分与贷后风险等级之间的对应关系;
其中,所述客户属性信息包括经营场地的位置信息,及所述监控客户所属行业的行业信息;
目标贷后风险等级确定单元,用于按照所述对应关系,确定与所述监控客户的贷后风险评分对应的目标贷后风险等级;
风险预警码获取单元,用于获取满足风险预警条件的第一指标评分和/或第二指标评分所对应的风险预警码;
贷后风险数据输出单元,用于输出所述监控客户的贷后风险评分、贷后风险等级及风险预警码。
可选的,上述风险预警码获取单元可以包括:
第二指标风险阈值获取单元,用于获取所述多个第二风险指标各自对应的第二指标风险阈值;
检测单元,用于检测多个所述第二指标评分是否大于相应的所述第二指标风险阈值;
风险预警码生成单元,用于记录所述第二指标评分大于相应的所述第二指标风险阈值的第二风险指标,并生成相应的风险预警码。
需要说明的是,关于上述各装置实施例中的各种模块、单元等,均可以作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块,以实现相应的功能,关于各程序模块及其组合所实现的功能,以及达到的技术效果,可以参照上述方法实施例相应部分的描述,本实施例不再赘述。
本申请还提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述产品推荐方法的各步骤,具体实现过程可以参照上述贷后风险监控方法实施例相应部分的描述。
参照图8,为本申请提出的一种适用于上述贷后风险监控方法和装置的计算机设备的硬件结构示意图,该计算机设备可以包括通信模块31、存储器32和处理器33,其中:
通信模块31、存储器32和处理器33均可以连接通信总线,以实现相互之间的数据交互,本申请对计算机设备内部的线路连接关系不做一一详述。
通信模块31可以包括实现有线网络和/或无线网络通信的模块,如GPRS模块、WIFI模块或其他网络通信模块等,本申请对该通信模块31包含的通信类型不作限制,可视情况而定。可以理解的是,为了实现计算机设备内部数据交互,该通信模块31还可以包括如USB接口、串口/并口等其他通信接口,本申请在此不做一一详述。
存储器32可以用于存储实现本申请提出的贷后风险监控方法的程序。
本实施例中,该存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件或其他易失性固态存储器件等,本申请对该存储器21的类型及存储结构不做限定。
处理器33,可以用于加载并执行存储器32中存储的程序,以实现本申请任一可选实施例提出的贷后风险监控方法的各个步骤,具体实现过程可以参照下文相应实施例相应部分的描述。
在一些实施例中,上述处理器33可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。
应该理解的是,图8所示的计算机设备的结构并不构成对本申请实施例中计算机设备的限定,在实际应用中,计算机设备可以包括比图8所示的更多或更少的部件,或者组合某些部件,可以依据该计算机设备的产品类型确定,如该计算机设备为业务终端,其还可以包括各种输入设备、输出设备、传感器等,本申请在此不做一一列举。
最后,需要说明的是,本说明书中各个实施例采用递进或并列的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备而言,由于其与实施例公开的方法对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种贷后风险监控方法,其特征在于,所述方法包括:
获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
对多个所述第一指标电力数据分别进行向量化处理,得到相应的第一指标电力特征向量;
将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,其中,所述贷后风险评分模型是基于机器学习算法,对样本客户的样本指标电力数据进行训练得到的;所述样本指标电力数据包括所述样本客户的多个第一风险指标各自对应的样本指标电力数据;
依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息。
2.根据权利要求1所述的方法,其特征在于,每一所述第一风险指标包括多个第二风险指标,所述方法还包括:
获取各所述第二风险指标对应的风险指标运算逻辑;
按照所述风险指标运算逻辑,对相应的所述第一指标电力数据进行处理,得到相应第二风险指标的第二指标电力数据;
对所述第二指标电力数据进行向量化处理,得到相应的第二指标电力特征向量;
所述将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,包括:
将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分。
3.根据权利要求1或2所述的方法,其特征在于,所述获取监控客户的多个第一风险指标各自对应的第一指标电力数据,包括:
向电力机构应用平台发送电力数据获取请求,所述电力数据获取请求携带有监控客户的客户标识信息,以及请求获取的电力类别信息,以使所述电力机构应用平台依据所述客户标识信息和所述电力类别信息,查询所述监控客户的历史电力数据,及所述监控客户所属行业的行业电力数据;
接收所述电力机构应用平台反馈的所述历史电力数据和所述行业电力数据;
按照多个第一风险指标,对所述历史电力数据和所述行业电力数据进行分析,得到各所述第一风险指标对应的第一指标电力数据。
4.根据权利要求2所述的方法,其特征在于,所述多个第一风险指标包括:容量状态、用电等级、电费缴纳等级、违约用电信息、电力故障信息;
所述按照所述风险指标运算逻辑,对相应的所述第一指标电力数据进行处理,得到相应第二风险指标的第二指标电力数据,包括:
依据所述容量状态对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述容量状态对应的第一指标电力数据进行处理,得到所述监控客户的合同容量得分、增减容特征值得分,以及在第一时间段内的平均负载率;
依据所述用电等级对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述用电等级对应的第一指标电力数据进行处理,得到所述监控客户的用电量在所属行业中的用电等级、在第二时间段内的用电量环比增长率和用电量同比增长率、所述用电量环比增长率在所属行业中的增长等级,以及在上一个月内的总用电量;
依据所述电费缴纳等级对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述电费缴纳等级对应的第一指标电力数据进行处理,得到所述监控客户在第三时间段内的电费实收比例、本月内的电费欠费金额、在第四时间段内的电费实收用电金额同比增长率和电费实收用电金额环比增长率,以及在第五时间段内的电费回收率;
依据所述违约用电信息对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述违约用电信息对应的第一指标电力数据进行处理,得到所述监控客户在第六时间段内的违约用电次数、违约用电金额、窃电次数及窃电总金额;
依据所述电力故障信息对应的多个第二风险指标各自的风险指标运算逻辑,对所述监控客户的所述电力故障信息对应的第一指标电力数据进行处理,得到所述监控客户在第七时间段内发生的用电故障次数和停电次数。
5.根据权利要求1所述的方法,其特征在于,所述将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,包括:
将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,输出所述监控客户的贷后风险评分;或者,
将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述多个第一风险指标各自的第一指标评分;
利用得到的多个所述第一指标评分,以及所述多个第一风险指标各自对应的第一指标权重,获得所述监控客户的贷后风险评分。
6.根据权利要求2所述的方法,其特征在于,所述将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,包括:
将得到的多个所述第二指标电力特征向量输入贷后风险评分模型,得到所述多个第二风险指标各自的第二指标评分;
利用属于同一所述第一风险指标的所述多个第二风险指标各自的所述第二指标评分,以及所述多个第二风险指标各自的第二指标权限,确定该第一风险指标的第一指标评分;
利用得到的多个所述第一指标评分,以及所述多个第一风险指标各自对应的第一指标权重,获得所述监控客户的贷后风险评分。
7.根据权利要求6所述的方法,其特征在于,所述依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息,包括:
依据所述监控客户的客户属性信息,获得不同贷后风险评分与贷后风险等级之间的对应关系,其中,所述客户属性信息包括经营场地的位置信息,及所述监控客户所属行业的行业信息;
按照所述对应关系,确定与所述监控客户的贷后风险评分对应的目标贷后风险等级;
获取满足风险预警条件的第一指标评分和/或第二指标评分所对应的风险预警码;
输出所述监控客户的所述贷后风险评分、所述贷后风险等级及所述风险预警码。
8.根据权利要求7所述的方法,其特征在于,所述获取满足风险预警条件的第二指标评分所对应的风险预警码,包括:
获取所述多个第二风险指标各自对应的第二指标风险阈值;
检测多个所述第二指标评分是否大于相应的所述第二指标风险阈值;
记录所述第二指标评分大于相应的所述第二指标风险阈值的第二风险指标,并生成相应的风险预警码。
9.一种贷后风险监控装置,其特征在于,所述装置包括:
第一指标电力数据获取模块,用于获取监控客户的多个第一风险指标各自对应的第一指标电力数据;
第一指标电力特征向量得到模块,用于对多个所述第一指标电力数据分别进行向量化处理,得到相应的第一指标电力特征向量;
贷后风险评分得到模块,用于将得到的多个所述第一指标电力特征向量输入贷后风险评分模型,得到所述监控客户的贷后风险评分,其中,所述贷后风险评分模型是基于机器学习算法,对样本客户的样本指标电力数据进行训练得到的;所述样本指标电力数据包括所述样本客户的多个第一风险指标各自对应的样本指标电力数据;
贷后风险提示模块,用于依据所述贷后风险评分,输出针对所述监控客户的贷后风险等级提示信息。
10.一种计算机设备,其特征在于,所述计算机设备包括:
通信模块;
存储器,用于存储实现如权利要求1~8任一项所述的贷后风险监控方法的程序;
处理器,用于加载并执行所述存储器存储的所述程序,以实现如权利要求1~8任一项所述的贷后风险监控方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450118.4A CN113095931A (zh) | 2021-04-25 | 2021-04-25 | 贷后风险监控方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450118.4A CN113095931A (zh) | 2021-04-25 | 2021-04-25 | 贷后风险监控方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095931A true CN113095931A (zh) | 2021-07-09 |
Family
ID=76679823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450118.4A Pending CN113095931A (zh) | 2021-04-25 | 2021-04-25 | 贷后风险监控方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095931A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919937A (zh) * | 2021-09-22 | 2022-01-11 | 北京睿知图远科技有限公司 | 一种基于贷款评估风控的ks监控*** |
CN114186855A (zh) * | 2021-12-11 | 2022-03-15 | 中国工商银行股份有限公司 | 监控预警方法、装置、计算机设备、存储介质和程序产品 |
CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080191008A1 (en) * | 2007-02-12 | 2008-08-14 | Mirko Manfredi | Method and system for providing remote financial services |
US20110173116A1 (en) * | 2010-01-13 | 2011-07-14 | First American Corelogic, Inc. | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN107169860A (zh) * | 2016-12-30 | 2017-09-15 | 中国建设银行股份有限公司 | 一种风险预警方法及装置 |
CN108596443A (zh) * | 2018-04-02 | 2018-09-28 | 广东电网有限责任公司 | 一种基于多维度数据的用电客户信用等级评价方法 |
CN109146676A (zh) * | 2018-11-07 | 2019-01-04 | 深圳行知聚能科技发展有限公司 | 一种中小微贷款风险实时监控***及方法 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN112149977A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 贷后风险监控预警方法及其***、计算机设备、存储介质 |
CN112419040A (zh) * | 2020-10-31 | 2021-02-26 | 国家电网有限公司 | 一种信贷反欺诈识别方法、装置和存储介质 |
CN112508679A (zh) * | 2020-11-16 | 2021-03-16 | 国网山东省电力公司潍坊供电公司 | 一种小微企业贷款风险评估方法、装置及存储介质 |
-
2021
- 2021-04-25 CN CN202110450118.4A patent/CN113095931A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080191008A1 (en) * | 2007-02-12 | 2008-08-14 | Mirko Manfredi | Method and system for providing remote financial services |
US20110173116A1 (en) * | 2010-01-13 | 2011-07-14 | First American Corelogic, Inc. | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN107169860A (zh) * | 2016-12-30 | 2017-09-15 | 中国建设银行股份有限公司 | 一种风险预警方法及装置 |
CN108596443A (zh) * | 2018-04-02 | 2018-09-28 | 广东电网有限责任公司 | 一种基于多维度数据的用电客户信用等级评价方法 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN109146676A (zh) * | 2018-11-07 | 2019-01-04 | 深圳行知聚能科技发展有限公司 | 一种中小微贷款风险实时监控***及方法 |
CN112149977A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 贷后风险监控预警方法及其***、计算机设备、存储介质 |
CN112419040A (zh) * | 2020-10-31 | 2021-02-26 | 国家电网有限公司 | 一种信贷反欺诈识别方法、装置和存储介质 |
CN112508679A (zh) * | 2020-11-16 | 2021-03-16 | 国网山东省电力公司潍坊供电公司 | 一种小微企业贷款风险评估方法、装置及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919937A (zh) * | 2021-09-22 | 2022-01-11 | 北京睿知图远科技有限公司 | 一种基于贷款评估风控的ks监控*** |
CN113919937B (zh) * | 2021-09-22 | 2023-06-23 | 北京睿知图远科技有限公司 | 一种基于贷款评估风控的ks监控*** |
CN114186855A (zh) * | 2021-12-11 | 2022-03-15 | 中国工商银行股份有限公司 | 监控预警方法、装置、计算机设备、存储介质和程序产品 |
CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angelos et al. | Detection and identification of abnormalities in customer consumptions in power distribution systems | |
Morales et al. | A financial stability index for Colombia | |
CN113095931A (zh) | 贷后风险监控方法、装置及计算机设备 | |
CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
CN111754116B (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
CN108053087A (zh) | 反洗钱监测方法、设备及计算机可读存储介质 | |
CN113095712A (zh) | 企业授信评分获取方法、装置及计算机设备 | |
JP2015064877A (ja) | 契約のサービス合意に関連するリスクを評価するためのシステムおよび方法 | |
CN110633891A (zh) | 服务商履约绩效评价***及方法 | |
CN113449964A (zh) | 一种企业金融风险监测预警***及监测预警方法 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
Long et al. | A data-driven combined algorithm for abnormal power loss detection in the distribution network | |
CN115953021A (zh) | 一种基于机器学习的供应商风险分析方法及装置 | |
Westerski et al. | Prediction of enterprise purchases using Markov models in procurement analytics applications | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
CN107480703B (zh) | 交易故障检测方法及装置 | |
CN112581291B (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
Saeed et al. | Electricity theft detection in power utilities using bagged CHAID-based classification trees | |
Xie et al. | A big data technique for internet financial risk control | |
CN116402528A (zh) | 电力数据处理*** | |
CN116934131A (zh) | 一种企业经营状况评估方法、装置及设备 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
CN117455681A (zh) | 业务风险预测方法和装置 | |
CN111429257B (zh) | 一种交易监控方法和装置 |
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 |