CN113592623A - 车贷贷前风险评估体系的构建方法和风险评估方法 - Google Patents
车贷贷前风险评估体系的构建方法和风险评估方法 Download PDFInfo
- Publication number
- CN113592623A CN113592623A CN202110834150.2A CN202110834150A CN113592623A CN 113592623 A CN113592623 A CN 113592623A CN 202110834150 A CN202110834150 A CN 202110834150A CN 113592623 A CN113592623 A CN 113592623A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- credit
- car
- vehicle
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007473 univariate analysis Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种车贷贷前风险评估体系的构建方法、风险评估方法、装置、设备和存储介质,该方法包括:根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度;根据多个车贷业务维度的数据生成客户样本数据;在所述客户样本数据中筛选目标数据项,根据所述目标数据项确定所述车贷风险维度对应的有效风险指标;根据所述有效风险指标构建车贷贷前风险评估体系。本申请的方法能够全面、准确地评估车贷贷前风险。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种车贷贷前风险评估体系的构建方法、风险评估方法、装置、计算机设备和存储介质。
背景技术
在办理车贷业务时,业务人员需要在采集客户的个人信息和财产信息之后,将这些信息提交至银行等信贷机构的客户经理来判断是否可以通过某汽车金融产品的贷款。由于车贷涉及到的业务场景较为复杂,传统的车贷贷前风险评估方式,仅通过客户的个人信息和财产信息进行贷前风险评估,只考虑了部分贷前风险,无法对车贷贷前风险进行全面、准确地评估。
因此,如何对车贷贷前风险进行全面、准确地评估成为目前需要解决的一个技术问题。
发明内容
本申请的主要目的在于提供一种车贷贷前风险评估体系的构建方法、风险评估方法、装置、计算机设备和存储介质,以解决上述问题。
为了实现上述目的,根据本申请的一个方面,提供了一种车贷贷前风险评估体系的构建方法,包括:
根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度;
根据多个车贷业务维度的数据生成客户样本数据;
在所述客户样本数据中筛选目标数据项,根据所述目标数据项确定所述车贷风险维度对应的有效风险指标;
根据所述有效风险指标构建车贷贷前风险评估体系。
在其中一个实施例中,所述根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度,包括:
对多个车贷业务维度的数据进行聚类分析,得到多个聚类类别;
根据所述车贷风险事件库确定各聚类类别对应的风险维度;
根据多个聚类类别对应的风险维度构建车贷风险维度。
在其中一个实施例中,所述根据多个车贷业务维度的数据生成客户样本数据,包括:
对多个车贷业务维度的数据进行梳理,得到多个客户的业务数据;
根据所述业务数据确定各客户对应的客户标签;
将确定客户标签的业务数据确定为客户样本数据。
在其中一个实施例中,所述在所述客户样本数据中筛选目标数据项,包括:
对所述客户样本数据进行单变量分析,确定符合风险识别条件的单变量;
对所述客户样本数据进行决策树分析,确定符合所述风险识别条件的组合变量;
对所述客户样本数据进行专项分析,确定符合所述风险识别条件的数据项;
将所述符合风险识别条件的单变量、所述组合变量以及所述符合所述风险识别条件的数据项确定为目标数据项。
在其中一个实施例中,所述方法还包括:
在所述客户样本数据的数据项中确定待衍生数据项;
根据所述待衍生数据项构造多个衍生维度的衍生数据项;
在构造的衍生数据项以及所述客户样本数据中筛选目标数据项。
为了实现上述目的,根据本申请的第二方面,提供了一种车贷贷前风险评估方法,包括:
获取车贷请求,所述车贷请求携带客户标识;
基于多个车贷业务维度,获取所述客户标识对应的待评估数据;
调用预先构建的车贷贷前风险评估体系,所述车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的;
通过所述车贷贷前风险评估体系对所述待评估数据进行风险评估,确定所述客户标识对应的风险评估结果。
为了实现上述目的,根据本申请的第三方面,提供了一种车贷贷前风险评估体系的构建装置,该装置包括:
维度构建模块,用于根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度;
样本生成模块,用于根据多个车贷业务维度的数据生成客户样本数据;
指标筛选模块,用于在所述客户样本数据中筛选目标数据项,根据所述目标数据项确定所述车贷风险维度对应的有效风险指标;
体系构建模块,用于根据所述有效风险指标构建车贷贷前风险评估体系。
为了实现上述目的,根据本申请的第四方面,提供了一种车贷贷前风险评估装置,该装置包括:
通信模块,用于获取车贷请求,所述车贷请求携带客户标识;
第二数据获取模块,用于基于多个车贷业务维度,获取所述客户标识对应的业务数据;
体系调用模块,用于调用预先构建的车贷贷前风险评估体系,所述车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的;
风险评估模块,用于通过所述车贷贷前风险评估体系对所述业务数据进行风险评估,确定所述客户标识对应的风险评估结果。
为了实现上述目的,根据本申请的第五方面,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
根据本申请的第六方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本发明的上述的技术方案,根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度,根据多个车贷业务维度的数据生成客户样本数据,从而在客户样本数据中筛选目标数据项,根据所述目标数据项确定车贷风险维度对应的有效风险指标,进而根据有效风险指标构建车贷贷前风险评估体系。由于获取的是多个车贷业务维度的数据,实现在个人风险维度的基础上,增加了车辆风险维度和商户风险维度,能够得到“人+车+商户”三位一体的贷前风险评估体系,以全面、准确地评估客户的违约风险,从而拦截风险客户。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是一个实施例中车贷贷前风险评估体系的构建方法的应用环境图;
图2为一个实施例中车贷贷前风险评估体系的构建方法的流程示意图;
图3为一个实施例中根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度步骤的流程示意图;
图4为一个实施例中在客户样本数据中筛选目标数据项步骤的流程示意图;
图5为一个实施例中车贷贷前风险评估方法的流程示意图;
图6为一个实施例中车贷贷前风险评估体系的构建装置的结构框图;
图7为一个实施例中车贷贷前风险评估装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,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。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
银行在审核车贷业务时,需要对客户进行贷前风险评估,从而根据风险评估结果确定是否通过该贷款。传统方式中,针对车贷贷前风险的评估,还没有一种能够全面、准确低评估车贷贷前风险的评估体系。
本申请提供的车贷贷前风险评估体系的构建方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。当需要构建车贷贷前风险评估体系时,终端102可以发送车贷贷前风险评估体系构建请求至服务器104,服务器104根据该请求获取多个车贷业务维度的数据。服务器104在获取到多个车贷业务维度的数据时,根据车贷业务维度的数据以及车贷风险事件库构建车贷风险维度,从而根据多个车贷业务维度的数据生成客户样本数据,在客户样本数据中筛选目标数据项,根据目标数据项生成车贷风险维度的有效风险指标,进而根据有效风险指标构建车贷贷前风险体系。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
基于此,本申请提出了一种车贷贷前风险评估体系的构建方法,如图2所示,以该方法应用于图1中的服务器为例进行说明,包括如下步骤:
步骤202,根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度。
车贷是现代汽车购买的一种主要消费形式,是指贷款方向借款方发放的用于购买汽车(含二手车)的贷款,包括个人车贷、汽车经销商车贷和机构车贷。车贷业务维度可以包括客户维度、车辆维度和商户维度。客户是指车贷的申请方,即借款方。可以是个人、经销商或组织。车辆是指车贷所指向的汽车产品。商户是指车辆的卖方,当客户未个人或组织时,对应的商户为汽车经销商;当客户为汽车经销商时,对应的商户为其他的汽车经销商。
客户维度的数据可以称为客户数据。客户数据是指与客户相关的数据,包括客户的基本数据、消费数据、征信数据、收入数据等。车辆维度的数据可以称为车辆数据,包括车辆品牌。车辆价格等。商户维度的数据可以称为商户数据,包括商户的经营数据、信用数据等。
针对车贷业务,银行会在发放贷款前,进行贷前风险评估。贷前风险还可以称为贷前准入风险。在车贷贷前风险评估环节的业务流程方面,会涉及到银行、客户、车辆、汽车经销商等多方。在风险数据维度方面,涉及到客户数据、车辆数据、商户数据等多个数据维度。在欺诈风险方面,团伙欺诈事件频发。为了全面、准确地评估车贷贷前风险,可以确定与车贷贷前风险评估相关的多个车贷业务维度,从而获取各车贷业务维度的数据,包括客户数据、车辆数据和商户数据,在客户数据的基础上,添加了车辆数据和商户数据,从源头上提高了数据的全面性,有利于提高车贷评估维度的多元性。
车贷风险事件库是指用于记录车贷业务在整个贷款周期中的风险的数据库,包括海量的车贷风险事件。车贷风险事件是指被确定为车贷风险的事件。车贷风险维度是指评估车贷贷前风险的基础维度。
在构建车贷贷前风险评估体系之前,需要先构建车贷风险维度,以便根据构建的车贷风险维度对客户进行贷前风险评估。车贷业务维度的数据为分散的数据,为了准确构建车贷风险维度,可以将获取到的多个车贷业务维度的数据按照数据类型划分为多个类别。例如,多个类别可以包括交易数据、渠道数据、操作数据、还款能力数据和还款意图数据。
由于车贷风险事件库中的车贷风险事件是指被确定为车贷风险的事件,可以根据车贷风险事件库中的车贷风险事件的风险项确定每个类别对应的风险维度,从而根据多个类别对应的风险维度构建车贷风险维度。例如,交易数据对应的风险维度可以是交易真实性。渠道数据对应的风险维度可以是渠道风险。构建的车贷风险维度可以包括交易真实性、还款能力、还款意愿、渠道风险和操作风险。
进一步的,车贷风险事件库可以是专项风险事件库,可以包括业务风险事件库、行为风险事件库、信用风险事件库。
步骤204,根据多个车贷业务维度的数据生成样本数据。
样本数据是指包含客户标签的客户样本。客户标签可以包括好客户和坏客户。
多个车贷业务维度的数据包括:客户基本数据、征信数据、订单数据、车辆数据、信用评分、商户数据等。服务器对多个车贷业务维度的数据进行梳理,将属于同一客户的数据整合在一起,从而得到多个客户的业务数据。进而根据业务数据确定各客户对应的客户标签,并为客户添加对应的客户标签。每个客户对应一个客户标签,每个客户的客户标签可以是好客户或者坏客户。每个客户的业务数据可以包括多个数据项。数据项可以包括学历、年龄、负债、商户等。
步骤206,在客户样本数据中筛选目标数据项,根据目标数据项确定车贷风险维度对应的有效风险指标。
服务器可以根据预设筛选方法在客户样本数据中筛选目标数据项。预设筛选方法可以包括单变量分析方法、决策树分析方法和专项分析方法。通过单变量分析方法可以确定客户样本数据中具有高效风险识别率的单个数据项。通过决策树分析方法可以确定客户样本数据中风险识别率较高的组合数据项。通过专项分析方法可以确定客户样本数据中,能够高效且准确识别固定客群贷前风险的数据项。
将多种预设筛选方法筛选出的目标数据项与车贷风险维度进行关联,确定各车贷风险维度对应的有效风险指标。有效风险指标可以包括指标参数以及对应的指标值。例如,筛选的目标数据项为负债为1000元,确定与该目标数据项相关联的车贷风险维度为还款能力维度中的负债情况。
步骤208,根据有效风险指标构建车贷贷前风险评估体系。
有效风险指标为根据预设筛选方法筛选出的目标数据项确定的,因此,有效风险指标也包括单个有效风险指标和组合有效风险指标。有效风险指标之间的关系即为目标数据项之间的关系。服务器可以根据有效风险指标之间的关系生成相应的风险识别策略。例如,单个有效风险指标可以单独生成一个风险识别策略,组合有效风险指标则需要将多个组合有效指标生成一个风险识别策略。
根据生成的风险识别策略以及预先设置的指标阈值进行对应,进而构建得到车贷贷前风险评估体系,以对客户进行车贷贷前风险评估。在通过构建的车贷贷前风险评估体系进行风险评估时,可以根据风险识别策略以及对应的指标阈值评估客户的车贷贷前风险。
在本实施例中,根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度,根据多个车贷业务维度的数据生成客户样本数据,从而在客户样本数据中筛选目标数据项,根据目标数据项确定车贷风险维度对应的有效风险指标,进而根据有效风险指标构建车贷贷前风险评估体系。由于获取的是多个车贷业务维度的数据,实现在个人风险维度的基础上,增加了车辆风险维度和商户风险维度,能够得到“人+车+商户”三位一体的贷前风险评估体系,以全面、准确地评估客户的违约风险,从而拦截风险客户。
在一种实施方式中,如图3所示,步骤202,根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度,包括:
步骤302,对多个车贷业务维度的数据进行聚类分析,得到多个聚类类别。
步骤304,根据车贷风险事件库确定各聚类类别对应的风险维度。
步骤306,根据多个聚类类别对应的风险维度构建车贷风险维度。
车贷业务维度的数据包括客户数据、车辆数据和商户数据。由于车贷业务维度的数据为分散的数据,为了准确构建车贷风险维度,可以将获取到的多个车贷业务维度的数据进行聚类分析,将具有相同相似度的数据聚到一个聚类类别中,从而得到多个聚类类别。例如,多个聚类类别可以包括交易数据、渠道数据、操作数据、还款能力数据和还款意图数据。具体的,服务器可以采用服务器可以利用K均值(K-Means)、谱聚类(SpectralClustering)、层次聚类(Hierarchical Clustering)等多种聚类方法对多个车贷业务维度的数据进行聚类分析。
服务器根据车贷风险事件库确定每个聚类类别对应的维度标签。维度标签可以包括交易真实性、还款能力、还款意愿、渠道风险、操作风险。具体的,可以将每个聚类类别与车贷风险事件库中的车贷风险事件进行比对,将相似度大于阈值的车贷风险事件的风险维度确定为相应聚类类别的维度标签。
为了细化维度标签下的风险指标,可以对车贷风险事件库中的车贷风险事件进行分析,确定车贷风险事件的风险类型,将风险类型与对应的维度标签进行关联,确定各维度标签对应的一级风险指标,从而根据多个维度标签以及各维度标签对应的一级风险指标得到每个聚类类别对应的风险维度,进而根据多个聚类类别对应的风险维度构建车贷风险维度。例如,交易真实性对应的一级风险指标包括代购和套现。还款能力对应的一级风险指标包括收入水平、负债情况、消费偏好、资产实力和资金紧张度。还款意愿对应的一级风险指标包括履约记录、失信记录、黑灰名单和信用年龄。渠道风险对应的一级风险指标包括渠道商户风险和渠道车贷诈骗。操作风险对应的一级风险指标包括申请信息造假、零首付和高贷。
在本实施例中,由于车贷业务维度的数据包括客户数据、车辆数据、商户数据等多个维度,且通过车贷风险事件库能够准确地确定车贷业务维度的数据对应的风险维度,从而使得车贷风险维度更为全面和准确,车贷贷前风险把控也更为精准。
在一种实施方式中,根据多个车贷业务维度的数据生成客户样本数据,包括:对多个车贷业务维度的数据进行梳理,得到多个客户的业务数据;根据业务数据确定各客户对应的客户标签;将确定客户标签的业务数据确定为客户样本数据。
为了确定车贷风险维度对应的有效风险指标,需要构建客户样本数据,以在客户样本数据中筛选有效风险指标。具体的,对多个车贷业务维度的数据进行梳理,将每个客户的数据整合在一起,从而得到多个客户的业务数据。每个客户的业务数据可以包括1)客户基本数据,如性别、年龄、户籍所在地等;2)客户征信数据,如人行征信报文;3)车辆数据,如车辆品牌、车价等;4)信用评分,如FICO评分、中诚信评分等;5)商户信息,如经营数据、信用数据等。
根据业务数据将客户进行二分类,确定各客户是好客户还是坏客户,从而得到各客户的客户标签。具体的,在业务数据中确定各客户的违约时长和违约窗口期,将违约时长和违约窗口期分别与预设分类条件进行匹配,根据匹配结果确定各客户对应的客户标签。进一步的,可以使用逾期转移矩阵在业务数据中确定客户的违约时长,如15天。通过对业务数据进行账龄分析确定违约窗口期,如前6期。预设分类条件可以是:好客户为前6期从未逾期的客户,坏客户为前6期最大逾期15+或前6期最大逾期小于15天但累计逾期次数大于等于3次的客户。其余的客户可以定义为灰客户,用于对已构建的车贷贷前风险评估体系进行测试。将确定客户标签的业务数据确定为客户样本数据。客户样本数据中包含好客户的业务数据和坏客户的业务数据。可以将坏客户的业务数据中的数据项确定为风险较高的特征。
在本实施例中,通过对多个车贷业务维度的数据进行梳理,根据梳理后得到的客户的业务数据确定对应的客户标签,从而得到包含有客户标签的客户样本数据,有利于后续根据客户样本数据快速确定车贷风险维度对应的有效风险指标。
在一种实施方式中,如图4所示,步骤206,在客户样本数据中筛选目标数据项,包括:
步骤402,对客户样本数据进行单变量分析,确定符合风险识别条件的单变量。
步骤404,对客户样本数据进行决策树分析,确定符合风险识别条件的组合变量。
步骤406,对客户样本数据进行专项分析,确定符合风险识别条件的数据项。
步骤408,将符合风险识别条件的单变量、组合变量以及符合风险识别条件的数据项确定为目标数据项。
客户样本数据中包括多个数据项,数据项可以包括客户基本数据,如性别、年龄、户籍所在地等;客户征信数据,如人行征信报文;车辆数据,如车辆品牌、车价等;信用评分,如FICO评分、中诚信评分等;商户信息,如经营数据、信用数据等。
由于客户样本数据中包括海量的数据项,为了高效、准确地识别车贷贷前风险,可以通过对客户样本数据分别进行单变量分析、决策树分析和专项分析,筛选出目标数据项,从而根据目标数据项确定车贷风险维度对应的有效风险指标。单变量分析、决策树分析和专项分析的顺序在此处不做限定。
具体的,客户样本数据中的每个数据项可以称为单变量,单变量分析是指通过比对客户样本数据的单变量下不同划档的逾期率情况,确定提升度高的单变量,将提升度高的单变量确定为符合风险识别条件的单变量。
决策树分析方式可以分为评分+变量决策树分析和变量+变量决策树分析。其中,评分+变量决策树分析是指通过比对客户样本数据中各信用评分的IV(InformationValue,信息量)值,将IV值最高的评分交叉其他变量,作为符合风险识别条件的组合变量。变量+变量决策树分析是指将变量与变量之间进行交叉,确定能够识别欺诈客户的数据项,如近期轻微逾期+负债、资金紧缺+逾期。
专项分析是指根据不同的业务模式,将客户样本数据中的客群进行分类,针对每个客群的分析方式。专项分析可以包括二手车专项分析、高风险品***、关系网分析、商户分析和白户分析。其中,二手车专项分析是指通过对客户样本数据中二手车客户的客户基本信息、交易真实性、还款能力三个方面与逾期率及信用评分,运用单变量、决策树交叉分析方法,挖掘二手车客户风险较高的特征。高风险品***是指将车辆品牌进行卡方分箱,如划分为7箱,确定逾期率最高的分箱,根据该分箱分析购买高风险车型的客户特征,如学历、年龄、模型、负债、信用记录、商户等。关系网分析是指分析各客户的相同共还人、相同联系人、相同共借人,申请人为他人共还人、共借人、联系人申请与主借人申请的时间差的贷后表现,确定风险识别率较高的特征。商户分析是指挑选逾期率高的客户特征,如大龄、外地、白户等,分析这些特征客户在同商户进件时,是否有集中进件的情况。对同商户下,逾期率高的客户特征进行单变量、双变量交叉分析,确定风险识别率较高的特征。由于白户无法判断客户的信用履约能力,白户分析可以选取其他逾期率高的特征,与白户进行交叉分析,确定风险识别率较高的特征。
通过上述数据项筛选方式可以筛选到符合风险识别条件的单变量、组合变量和数据项,从而将筛选的所有数据项确定为目标数据项。目标数据项是指能够准确或高效识别车贷贷前风险的数据项。
在本实施例中,通过对客户样本数据进行单变量分析、决策树分析和专项分析,将多种分析方法相结合筛选目标数据项,能够得到更为全面的风险特征,以丰富车贷风险维度,生成有效的风险指标,提高了车贷贷前风险评估体系的可靠性和有效性。
在一种实施方式中,步骤208,根据有效风险指标构建车贷贷前风险评估体系,包括:根据有效风险指标生成相应的风险识别策略;获取有效风险指标对应的指标阈值;根据风险识别策略以及指标阈值构建车贷贷前风险评估体系。
车贷风险维度可以包括多个维度标签以及每个维度标签对应的一级风险标签。有效风险指标可以称为车贷风险维度中各维度标签的二级风险指标。有效风险指标包括指标参数以及对应的指标值。有效风险指标最初是根据单变量分析、决策树分析和专项分析等多种分析方法筛选得到的,可以将每种分析方法筛选的有效风险指标生成相应的风险识别策略。例如,根据单变量生成具有高效识别率的强策略,根据组合变量生成能够更精准识别风险的组合策略,根据专项分析筛选的数据项生成专项策略。
针对每个有效风险指标设置对应的指标阈值,从而根据风险识别策略以及指标阈值构建车贷贷前风险评估体系。指标阈值可以包括高风险阈值、中风险阈值和低风险阈值。当达到相应的指标阈值时,根据指标阈值确定客户的风险评估结果。
在本实施例中,由于有效风险指标是通过多种分析方法筛选得到的,能够确定指标之间的识别关系,使得生成的风险识别策略能够根据指标之间的识别关系,进行多方面的风险识别,风险识别的可靠性和有效性较高。同时通过设置指标阈值,能够快速确定客户存在的风险。
在其中一种实施方式中,上述方法还包括:获取所述风险识别策略之间的关联关系以及识别顺序;获取所述风险识别策略对应的结果反馈方式;将所述关联关系、所述识别顺序以及所述结果反馈方式添加至所述车贷贷前风险评估体系中。
风险识别策略有多种,为了避免存在重复的策略,可以识别风险识别策略之间的关联关系,关联关系为可替代关系,表示风险识别策略之间可以替换使用,其效果是相同的。还可以设置风险识别策略的识别顺序,识别顺序可以根据实际需要进行设置。例如,可以先通过强策略的风险识别,再通过专项策略的风险识别,之后通过组合策略的风险识别。进一步的,可以根据风险识别的重要程度确定策略之间的识别顺序。
车贷贷前风险评估体系中可以设置结果反馈方式,结果反馈方式可以包括拒绝贷款申请和转人工处理。例如,当识别到客户存在一条风险时,可以直接生成拒绝贷款申请的消息,并将该消息反馈至对应客户,实现自动反馈。当识别到客户存在多条风险时,可以将风险评估结果转人工处理,即将风险评估结果发送至审核人员,通过审核人员审核该风险评估结果,并判断是否对该客户进行放贷。
在本实施例中,通过将关联关系、识别顺序以及结果反馈方式添加至车贷贷前风险评估体系中,能够提高风险识别策略的识别效率,通过设置结果反馈方式,可以根据风险评估结果对客户的车贷请求进行快速反馈。
在一种实施方式中,上述方法还包括:在客户样本数据的数据项中确定待衍生数据项;根据待衍生数据项构造多个衍生维度的衍生数据项;在构造的衍生数据项以及客户样本数据中筛选目标数据项。
客户样本数据的多个数据项中存在能够进行衍生的数据项,作为待衍生数据项。待衍生数据项可以包括记录有时间的数据项和分类别记录的数据项。衍生维度可以包括时间维度、空间维度以及时间维度和空间维度的交叉。记录有时间的数据项可以包括历史表现信息、查询记录明细等,每条记录都有对应的时间,可以在时间维度上构造衍生数据项。分类别记录的数据项可以包括账户类型、业务种类、查询原因等,可以根据所需要的类别构造不同空间维度上的衍生数据项。还可以将记录有时间的数据项和分类别记录的数据项进行组合,构建时间维度与空间维度进行交叉的衍生数据项。服务器可以在构造的衍生数据项以及客户样本数据中筛选目标数据项。
在本实施例中,通过根据待衍生数据项构造多个衍生维度的衍生数据项,在原有客户样本数据的基础上,增加了样本的数据量,有利于筛选更为全面的目标数据项,从而有利于得到全面且可靠的车贷贷前风险评估体系。
本申请的第二方面,本发明还提供了一种车贷贷前风险评估方法,如图5所示,以该方法应用于图1中的服务器为例进行说明,包括如下步骤:
步骤502,获取车贷请求,车贷请求携带客户标识。
步骤504,基于多个车贷业务维度,获取客户标识对应的待评估数据。
步骤506,调用预先构建的车贷贷前风险评估体系,车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的。
步骤508,通过车贷贷前风险评估体系对待评估数据进行风险评估,确定客户标识对应的风险评估结果。
车贷请求是指客户提出的申请车贷的请求,用于指示服务器对客户进行车贷贷前风险的评估。
当需要进行车贷时,服务器可以获取终端发送的车贷请求,对车贷请求进行解析,得到客户标识。客户标识是指用于区分不同客户的唯一标识,如客户名称、客户代码等。
多个车贷业务维度包括客户维度、车辆维度和商户维度。获取客户标识对应的客户维度、车辆维度和商户维度的数据,将获取的数据确定为待评估数据。待评估数据可以包括:客户基本数据、征信数据、订单数据、车辆数据、信用评分、商户数据等。
服务器中预先存储有构建的车贷贷前风险评估体系,在获取到客户标识对应的待评估数据后,可以调用该车贷贷前风险评估体系,车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的。可以根据车贷贷前风险评估体系中的风险识别策略对待评估数据进行风险评估,确定待评估数据对应的车贷风险维度,以及将待评估数据与车贷风险维度中有效风险指标对应的指标阈值进行比对,根据待评估指标数据匹配的指标阈值确定客户存在的风险,并生成风险评估结果。例如,当待评估数据中客户的年龄为50时,确定年龄指标对应的指标阈值,其中,50岁对应风险级别为高,则表示该客户的风险级别为高。可以理解的是,车贷贷前风险评估体系中风险识别策略之前的关联关系、识别顺序等在车贷贷前风险评估过程中是同样适用的,此处不再赘述。
进一步的,当识别到客户存在一条风险时,可以直接生成拒绝贷款申请的消息,并将该消息反馈至对应客户,实现自动反馈。当识别到客户存在多条风险时,可以将风险评估结果转人工处理,即将风险评估结果发送至审核人员,通过审核人员审核该风险评估结果,并判断是否对该客户进行放贷。
在本实施例中,由于车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的,实现在个人风险维度的基础上,增加了车辆风险维度和商户风险维度,能够得到“人+车+商户”三位一体的贷前风险评估体系,通过该体系能够全面、准确地评估客户的违约风险,从而拦截风险客户,提高优质客户的通过率,以提高车贷业务成交率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的第三方面,如图6所示,本发明还提供了一种车贷贷前风险评估体系的构建装置,包括:维度构建模块602、样本生成模块604、指标筛选模块606和体系构建模块608,其中:
维度构建模块602,用于根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度。
样本生成模块604,用于根据多个车贷业务维度的数据生成客户样本数据。
指标筛选模块606,用于在客户样本数据中筛选目标数据项,根据目标数据项确定车贷风险维度对应的有效风险指标。
体系构建模块608,用于根据有效风险指标构建车贷贷前风险评估体系。
在一种实施方式中,维度构建模块602还用于对多个车贷业务维度的数据进行聚类分析,得到多个聚类类别;根据车贷风险事件库确定各聚类类别对应的风险维度;根据多个聚类类别对应的风险维度构建车贷风险维度。
在一种实施方式中,样本生成模块604还用于对多个车贷业务维度的数据进行梳理,得到多个客户的业务数据;根据业务数据确定各客户对应的客户标签;将确定客户标签的业务数据确定为客户样本数据。
在一种实施方式中,指标筛选模块606还用于对客户样本数据进行单变量分析,确定符合风险识别条件的单变量;对客户样本数据进行决策树分析,确定符合风险识别条件的组合变量;对客户样本数据进行专项分析,确定符合风险识别条件的数据项;将符合风险识别条件的单变量、组合变量以及符合风险识别条件的数据项确定为目标数据项。
在一种实施方式中,体系构建模块608还用于根据有效风险指标生成相应的风险识别策略;获取有效风险指标对应的指标阈值;根据风险识别策略以及指标阈值构建车贷贷前风险评估体系。
在一种实施方式中,上述装置还包括:
策略处理模块,用于获取风险识别策略之间的关联关系以及识别顺序;获取风险识别策略对应的结果反馈方式;将关联关系、识别顺序以及结果反馈方式添加至车贷贷前风险评估体系中。
在一种实施方式中,上述装置还包括:
数据项衍生模块,用于在客户样本数据的数据项中确定待衍生数据项;根据待衍生数据项构造多个衍生维度的衍生数据项;在构造的衍生数据项以及客户样本数据中筛选目标数据项。
关于车贷贷前风险评估体系的构建装置的具体限定可以参见上文中对于车贷贷前风险评估体系的构建方法的限定,在此不再赘述。上述车贷贷前风险评估体系的构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请的第四方面,如图7所示,本发明还提供了一种车贷贷前风险评估装置,包括:通信模块702、数据获取模块704、体系调用模块706和风险评估模块708,其中:
通信模块702,用于获取车贷请求,车贷请求携带客户标识。
数据获取模块704,用于基于多个车贷业务维度,获取客户标识对应的业务数据。
体系调用模块706,用于调用预先构建的车贷贷前风险评估体系,车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的。
风险评估模块708,用于通过车贷贷前风险评估体系对业务数据进行风险评估,确定客户标识对应的风险评估结果。
关于车贷贷前风险评估装置的具体限定可以参见上文中对于车贷贷前风险评估方法的限定,在此不再赘述。上述车贷贷前风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请的第五方面,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储一种车贷贷前风险评估体系的构建方法的数据或一种车贷贷前风险评估方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车贷贷前风险评估体系方法或一种车贷贷前风险评估方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请的第六方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车贷贷前风险评估体系的构建方法,其特征在于,包括:
根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度;
根据多个车贷业务维度的数据生成客户样本数据;
在所述客户样本数据中筛选目标数据项,根据所述目标数据项确定所述车贷风险维度对应的有效风险指标;
根据所述有效风险指标构建车贷贷前风险评估体系。
2.根据权利要求1所述的方法,其特征在于,所述根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度,包括:
对多个车贷业务维度的数据进行聚类分析,得到多个聚类类别;
根据所述车贷风险事件库确定各聚类类别对应的风险维度;
根据多个聚类类别对应的风险维度构建车贷风险维度。
3.根据权利要求1所述的方法,其特征在于,所述根据多个车贷业务维度的数据生成客户样本数据,包括:
对多个车贷业务维度的数据进行梳理,得到多个客户的业务数据;
根据所述业务数据确定各客户对应的客户标签;
将确定客户标签的业务数据确定为客户样本数据。
4.根据权利要求1所述的方法,其特征在于,所述在所述客户样本数据中筛选目标数据项,包括:
对所述客户样本数据进行单变量分析,确定符合风险识别条件的单变量;
对所述客户样本数据进行决策树分析,确定符合风险识别条件的组合变量;
对所述客户样本数据进行专项分析,确定符合风险识别条件的数据项;
将所述符合风险识别条件的单变量、所述组合变量以及所述符合风险识别条件的数据项确定为目标数据项。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述方法还包括:
在所述客户样本数据的数据项中确定待衍生数据项;
根据所述待衍生数据项构造多个衍生维度的衍生数据项;
在构造的衍生数据项以及所述客户样本数据中筛选目标数据项。
6.一种车贷贷前风险评估方法,其特征在于,包括:
获取车贷请求,所述车贷请求携带客户标识;
基于多个车贷业务维度,获取所述客户标识对应的待评估数据;
调用预先构建的车贷贷前风险评估体系,所述车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的;
通过所述车贷贷前风险评估体系对所述待评估数据进行风险评估,确定所述客户标识对应的风险评估结果。
7.一种车贷贷前风险评估体系的构建装置,其特征在于,所述装置包括:
维度构建模块,用于根据多个车贷业务维度的数据以及车贷风险事件库构建车贷风险维度;
样本生成模块,用于根据多个车贷业务维度的数据生成客户样本数据;
指标筛选模块,用于在所述客户样本数据中筛选目标数据项,根据所述目标数据项确定所述车贷风险维度对应的有效风险指标;
体系构建模块,用于根据所述有效风险指标构建车贷贷前风险评估体系。
8.一种车贷贷前风险评估装置,其特征在于,所述装置包括:
通信模块,用于获取车贷请求,所述车贷请求携带客户标识;
数据获取模块,用于基于多个车贷业务维度,获取所述客户标识对应的业务数据;
体系调用模块,用于调用预先构建的车贷贷前风险评估体系,所述车贷贷前风险评估体系是根据多个车贷业务维度的数据,以及车贷风险事件库构建的;
风险评估模块,用于通过所述车贷贷前风险评估体系对所述业务数据进行风险评估,确定所述客户标识对应的风险评估结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834150.2A CN113592623A (zh) | 2021-07-20 | 2021-07-20 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834150.2A CN113592623A (zh) | 2021-07-20 | 2021-07-20 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592623A true CN113592623A (zh) | 2021-11-02 |
Family
ID=78249438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834150.2A Pending CN113592623A (zh) | 2021-07-20 | 2021-07-20 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592623A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944772A (zh) * | 2017-12-27 | 2018-04-20 | 深圳市轱辘车联数据技术有限公司 | 基于区块链的车贷风险信息处理方法及装置 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN110276552A (zh) * | 2019-06-21 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 贷前风险分析方法、装置、设备及可读存储介质 |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN111325248A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 降低贷前业务风险的方法及*** |
CN111932367A (zh) * | 2020-08-13 | 2020-11-13 | 中国银行股份有限公司 | 贷前信用评估方法及装置 |
CN112215702A (zh) * | 2020-10-14 | 2021-01-12 | 深圳市欢太科技有限公司 | 信用风险的评估方法、移动终端及计算机存储介质 |
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 |
-
2021
- 2021-07-20 CN CN202110834150.2A patent/CN113592623A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN107944772A (zh) * | 2017-12-27 | 2018-04-20 | 深圳市轱辘车联数据技术有限公司 | 基于区块链的车贷风险信息处理方法及装置 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN110276552A (zh) * | 2019-06-21 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 贷前风险分析方法、装置、设备及可读存储介质 |
CN111325248A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 降低贷前业务风险的方法及*** |
CN111932367A (zh) * | 2020-08-13 | 2020-11-13 | 中国银行股份有限公司 | 贷前信用评估方法及装置 |
CN112215702A (zh) * | 2020-10-14 | 2021-01-12 | 深圳市欢太科技有限公司 | 信用风险的评估方法、移动终端及计算机存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
杜一谦;: "消费信贷智能决策模型***设计与实现", 中国新技术新产品, no. 13, pages 18 - 20 * |
许文: "关于商业银行信用风险评估方法的研究", 辽宁师范大学学报(自然科学版), no. 01, pages 36 - 38 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109767322B (zh) | 基于大数据的可疑交易分析方法、装置和计算机设备 | |
KR102134792B1 (ko) | 안전거래 블록체인 기반 사기조회 및 감정평가를 이용한 중고거래 서비스 제공 방법 | |
CN111861174B (zh) | 一种针对用户画像的信用评估方法 | |
US20120150786A1 (en) | Multidimensional risk-based detection | |
US20010037289A1 (en) | Methods and systems of identifying, processing and credit evaluating low-moderate income populations and reject inferencing of credit applicants | |
US20070174214A1 (en) | Integrated fraud management systems and methods | |
Butler et al. | Racial discrimination in the auto loan market | |
KR20180060044A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
CN110246030A (zh) | 多方联动的贷后风险管理方法、终端、装置及存储介质 | |
CN110619065A (zh) | 资源调度业务处理方法、装置、计算机设备和存储介质 | |
CN109903045B (zh) | 行为轨迹监控方法、装置、计算机设备和介质 | |
US20230206323A1 (en) | Intelligent data matching and validation system | |
CN111899100A (zh) | 业务控制方法、装置和设备及计算机存储介质 | |
CN115082225A (zh) | 一种企业融资风险的评估方法和装置 | |
CN112163944A (zh) | 客户的贷款资质评分方法、装置、计算机设备和存储介质 | |
Dimitras et al. | Evaluation of empirical attributes for credit risk forecasting from numerical data | |
CN116911882B (zh) | 一种基于机器学习的保险防欺诈预测方法及*** | |
KR20170037299A (ko) | 통합계좌정보 기반의 실시간 신용리스크 분석 방법 및 시스템 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN113592623A (zh) | 车贷贷前风险评估体系的构建方法和风险评估方法 | |
US20140279395A1 (en) | System and methods for providing least cost data acquisition for financial decisions | |
CN114331728A (zh) | 一种证券分析管理*** | |
CN114626938A (zh) | 一种智能决策引擎、决策***及决策方法 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、***、设备及存储介质 |
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 |