CN115994819A - 风险客户识别方法、装置、设备和介质 - Google Patents
风险客户识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115994819A CN115994819A CN202211307734.5A CN202211307734A CN115994819A CN 115994819 A CN115994819 A CN 115994819A CN 202211307734 A CN202211307734 A CN 202211307734A CN 115994819 A CN115994819 A CN 115994819A
- Authority
- CN
- China
- Prior art keywords
- risk
- model
- identified
- client
- customer
- 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
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种风险客户识别方法,涉及人工智能领域。该方法包括:确定待识别客户的客户类型;根据所述客户类型调用对应的N个识别模型,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级;根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据,获得模型命中结果,所述风险数据包括用于判定风险的所述待识别客户的关联数据;根据所述模型命中结果确定所述待识别客户的风险等级。本公开还提供了一种风险客户识别装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及人工智能技术领域,更具体地,涉及一种风险客户识别方法、装置、设备、介质和程序产品。
背景技术
潜在风险客户是指存在不同程度的风险隐患,或风险特征已经逐步显现或全面显现,劣变概率较高的客户。及时、准确识别潜在风险客户以及风险程度,是在贷款前阶段或贷后阶段等阶段风险管理的前提,对于金融机构有效管控信用风险,夯实资产质量开展风险客户管理具有重要意义。相关技术中,通过人工识别存在潜在风险的客户,或者通过机器学习的方式对客户进行是否存在潜在风险的分类。
在实现本公开发明构思的过程中,发明人发现:人工识别的管理工作量大,而且容易因个人管理落实不到位、主观判断有偏差或信息掌握不全面等问题,造成识别不准确、不及时等结果。通过机器学习的方式存在分类不准确的问题,并且无法输出风险等级。
发明内容
鉴于上述问题,本公开提供了一种能够高效、精准的识别潜在风险客户并进行分级的方法、装置、设备、介质和程序产品。
本公开实施例的一个方面提供了一种风险客户识别方法,包括:确定待识别客户的客户类型,其中,任两个所述待识别客户的客户类型相同或不同;根据所述客户类型调用对应的N个识别模型,N大于或等于1,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级;根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据,获得模型命中结果,所述风险数据包括用于判定风险的所述待识别客户的关联数据;根据所述模型命中结果确定所述待识别客户的风险等级。
根据本公开的实施例,所述根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据包括:获取所述N个识别模型中至少两个识别模型之间共有的风险判定规则;对所述至少两个识别模型之间共有的风险判定规则合并处理;和/或对所述N个识别模型中每个识别模型独有的风险判定规则分别处理。
根据本公开的实施例,所述获取所述N个识别模型中至少两个识别模型之间共有的风险判定规则包括:获取所述N个识别模型中所有风险判定规则;将所述所有风险判定规则中的重复规则过滤处理,得到待计算的指标清单。
根据本公开的实施例,所述获取所述N个识别模型中至少两个识别模型之间共有的风险判定规则包括:确定所述N个识别模型中每条风险判定规则所对应的识别模型数量;在所述识别模型数量大于或等于2的情况下,将该条风险判定规则作为所对应识别模型的共有规则。
根据本公开的实施例,所述模型命中结果包括所述待识别客户命中的至少一个识别模型,所述根据所述模型命中结果确定所述待识别客户的风险等级包括:将所述命中的至少一个识别模型的最高风险等级作为所述待识别客户的风险等级;和/或根据所述待识别客户的至少一个关联客户的风险等级,更新所述待识别客户的风险等级。
根据本公开的实施例,所述更新所述待识别客户的风险等级包括:获取所述待识别客户与所述至少一个关联客户中每个关联客户之间的关联关系数据;根据所述每个关联客户之间的关联关系数据确定对应的关联风险传导概率;根据所述每个关联客户的风险等级和所述关联风险传导概率,更新所述待识别客户的风险等级。
根据本公开的实施例,所述根据所述模型命中结果确定所述待识别客户的风险等级包括:将所述模型命中结果输入至风险预测模型,其中,所述风险预测模型根据同时命中多个识别模型且发生违约的历史客户数据训练获得;将所述风险预测模型输出的预测风险等级作为所述待识别客户的风险等级。
本公开实施例的另一方面提供了一种风险客户识别装置,包括:客户类型模块,用于确定待识别客户的客户类型,其中,任两个所述待识别客户的客户类型相同或不同;模型调用模块,用于根据所述客户类型调用对应的N个识别模型,N大于或等于1,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级;数据处理模块,用于根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据,获得模型命中结果,所述风险数据包括用于判定风险的所述待识别客户的关联数据,所述模型命中结果包括所述待识别客户命中的至少一个识别模型;风险等级模块,用于根据所述模型命中结果确定所述待识别客户的风险等级。
所述风险客户识别装置包括分别用于执行如上所述任意一项所述的方法的各个步骤的模块。
本公开实施例的另一方面提供了一种电子设备,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,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行如上所述的方法。
本公开实施例的另一方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行如上所述的方法。
本公开实施例的另一方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上所述的方法。
上述一个或多个实施例具有如下有益效果:针对每个客户类型预先部署至少一个识别模型,通过待识别客户的客户类型调用对应的N个识别模型,根据N个识别模型中的风险判定规则对待识别客户的风险数据进行计算处理,通过所命中的识别模型及对应的风险等级不仅能够实现对风险客户的识别,更能实现对不同风险等级的认定,为后续采取差异化风控策略提供基础。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的风险客户识别的应用场景图;
图2示意性示出了根据本公开实施例的风险客户识别方法的流程图;
图3示意性示出了根据本公开实施例的处理风险数据的流程图;
图4示意性示出了根据本公开实施例的获取共有风险判定规则的流程图;
图5示意性示出了根据本公开另一实施例的获取共有风险判定规则的流程图;
图6示意性示出了根据本公开实施例的确定待识别客户的风险等级的流程图;
图7示意性示出了根据本公开实施例的更新待识别客户的风险等级的流程图;
图8示意性示出了根据本公开另一实施例的确定待识别客户的风险等级的流程图;
图9示意性示出了根据本公开另一实施例的风险客户识别方法的流程图;
图10示意性示出了根据本公开实施例的风险客户识别装置的结构框图;以及
图11示意性示出了根据本公开实施例的适于实现风险客户识别方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
图1示意性示出了根据本公开实施例的风险客户识别的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图9对本公开实施例的风险客户识别方法进行详细描述。
图2示意性示出了根据本公开实施例的风险客户识别方法的流程图。
如图2所示,该实施例的风险客户识别方法包括操作S210~操作S240。
在操作S210,确定待识别客户的客户类型,其中,任两个待识别客户的客户类型相同或不同。
示例性地,待识别客户可以是金融机构的任一个客户,该客户可以是向金融机构申请贷款,或者已放款后金融机构对其定期进行贷后管理。客户类型包括个人客户、小微客户和大中型企业等类型。尤其说明,客户类型可以根据需要灵活设置,例如按照某条政策确定符合该政策的客户。
在操作S220,根据客户类型调用对应的N个识别模型,N大于或等于1,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级。
例如个人客户、小微客户和大中型企业分别对应预先部署有一个或多个识别模型。每个模型用于评估客户某个维度的风险情况。风险判定规则是根据每个客户类型的特点结合专家经验制定的,可以包括指标计算条件和判定条件。风险等级用于代表客户的风险程度,例如在0~100进行评分,评分越高代表该客户的风险越大。可以理解,可以随时对各类型客户引入新的识别模型。
示例性地,通过编程的方式形成各个客户类型的模型池,其中具有每个客户类型对应的一个或多个识别模型。各个模型的风险判定规则存储在数据库中。例如在风险判定***中,可以设每个模型对应的客户类型(个人客户、小微客户、大中型企业等)、命中该模型后对应的风险等级等参数。
在操作S230,根据N个识别模型中的风险判定规则处理待识别客户的风险数据,获得模型命中结果,风险数据包括用于判定风险的待识别客户的关联数据,模型命中结果包括待识别客户命中的至少一个识别模型。
例如针对个人客户,根据类型参数为个人客户的模型,去数据库读取该模型的风险判定规则,并根据其中的指标计算规则计算该客户的风险数据得到最终指标,并利用判定条件判断该最终指标是否出现风险。若出现风险,则表示命中该模型。
下面以模型A和模型B举例说明:
模型A:本金融机构账户资金流入大幅下降
适用对象:小微企业
模型风险等级:4级
模型规则:满足下述任意一个条件即为命中该模型对应的风险等级(4级):(1)企业近6个月在本金融机构账户资金流入逐月下降。(2)今年以来在本金融机构账户资金流入较去年同期下降X1%以上(X1为参数值),且最近月份在本金融机构账户资金流入较近6个月平均值下降X2%以上(X2为参数值)。
上述模型A的适用对象即为小微企业客户类型,模型规则即为风险判定规则。规则(1)中的指标计算过程可以是直接读取近6个月每个月的资金流入,而逐月下降则为判定条件。规则(2)中的指标计算包括计算今年以来在本金融机构账户资金流入较去年同期下降百分比,和最近月份在本金融机构账户资金流入较近6个月平均值下降百分比,而X1%以上和X2%以上则为判定条件。关联数据即包括该客户每个月的资金流入数据。
模型B:偿债能力和盈利能力指标较低
适用对象:大中型企业
模型风险等级:4级
模型规则:偿债能力指标(资产负债率、流动比率、速动比率、总债务偿付倍数、已获利息倍数)和盈利能力指标(净资产收益率、主营业务利润率、总资产报酬率)均劣于行业标准值中较低值,仅办理项目贷款或仅办理低风险业务客户除外。
上述模型B的适用对象即为大中型企业客户类型,指标计算条件可以是计算获得偿债能力指标和盈利能力指标的条件,判定条件为上述两个指标均劣于行业标准值中较低值。关联数据即包括计算资产负债率、流动比率、速动比率、总债务偿付倍数、已获利息倍数、净资产收益率、主营业务利润率和总资产报酬率所用到的数据。
在操作S240,根据模型命中结果确定待识别客户的风险等级。
在根据待识别客户的风险数据计算得到的指标符合一个模型中的一条或多条规则的判定条件时,则认为命中该模型,计入到模型命中结果。根据命中的每个模型对应的风险等级可以确定待识别客户的风险等级。
相关技术中,传统人工管理模式下存在较大的工作量或执行不到位等情况。而机器学习预测是否是风险客户的分类方式,由于训练数据分布不均匀、样本有限或过拟合等原因,预测效果不好且不能输出风险等级,另外随着时间的推进会出现新型的风险,机器学习受限于训练数据,不能及时发现。因此,相关技术中风险客户识别的方式给存量信贷业务埋下风险隐患。
根据本公开的实施例,针对每个客户类型预先部署对应的至少一个识别模型,通过待识别客户的客户类型调用对应的N个识别模型,根据N个识别模型中的风险判定规则对待识别客户的风险数据进行计算处理,通过所命中的识别模型及对应的风险等级不仅能够实现对风险客户的识别,更能实现对不同风险等级的认定,为后续采取差异化风控策略提供基础。
在一些实施例中,可以对N个识别模型遍历执行,判断每个识别模型是否被命中。
在另一些实施例中,可以对各个识别模型之间的共有部分合并处理,其余部分分别处理。以下进一步介绍。
图3示意性示出了根据本公开实施例的处理风险数据的流程图。
如图3所示,在操作S230处理待识别客户的风险数据包括操作S310~操作S320。
在操作S310,获取N个识别模型中至少两个识别模型之间共有的风险判定规则。
在操作S320,对至少两个识别模型之间共有的风险判定规则合并处理。和/或对N个识别模型中每个识别模型独有的风险判定规则分别处理。
示例性地,合并处理即为对共有的每条规则中的指标计算条件执行一次,计算得到对应的指标。针对同条风险识别规则各个模型之间具有相同的指标计算条件,而判定条件可以相同或不同。
如果命中其中一条规则就认为命中该模型,则处理完共有规则后则可以不执行被命中模型独有的部分。如果要明确待识别客户命中了哪些规则,则可以按照合并处理和分别处理的方式依次执行所有规则。
根据本公开的实施例,金融机构的客户量较为庞大,可能部署的模型数量和风险判定规则数量也非常多,对共有规则合并处理的方式能够节省计算资源,提高计算效率。
图4示意性示出了根据本公开实施例的获取共有风险判定规则的流程图。
如图4所示,在操作S310获取N个识别模型中至少两个识别模型之间共有的风险判定规则包括操作S410~操作S420。
在操作S410,获取N个识别模型中所有风险判定规则。
在操作S420,将所有风险判定规则中的重复规则过滤处理,得到待计算的指标清单。
示例性地,先抽取模型1至模型N中的全量规则,按照去并集方式(过滤掉重复规则)对不同模型间的相同规则指标进行合并处理,形成待计算的指标清单。然后调用风险数据逐个计算出指标清单中每个指标的具体数值。最后根据计算出的指标相关数值和判定条件进行逻辑比对,如果符合判定条件,则视为命中该模型。***在该客户命中的清单中记录下命中的模型名称、核心指标计算结果及该模型对应的风险等级。
以小微客户为例,每日批量获取有融资余额的小微客户清单,加载适用于小微客户的模型,假设适用于小微客户的模型为模型1、模型3和模型5。从模型1、模型3、模型5中抽取待计算的模型指标,其中模型1有指标a,b,c,模型3有指标a,d,e,f,模型5有指标e,g。对各个模型的指标进行合并后形成待运算的指标清单:a,b,c,d,e,f,g。依次计算出上述指标值后,逐个模型进行判断。
继续以前述模型1为例,模型1包含a,b,c三个指标,其中指标a分别代表企业近6个月在本金融机构账户资金流入,假设近n月的流入金额为Mn。指标b代表企业今年以来在本金融机构账户资金流入量,假设今年在本金融机构的资金流入量为MT。指标c代表最近月份在本金融机构账户资金流入量ML。从指标清单中取出a,b,c三个指标的运算结果,按照模型1设定的每个规则的判定条件进行判断,首先判定规则1“客户在近6个月在本金融机构账户资金流入逐月下降”时,计算M1<M2<M3<M4<M5<M6是否为真,如果为真,则满足规则1,根据模型规则(“或”的关系)命中一条规则则视为命中该模型。如果为否,接着判定规则2“今年以来在本金融机构账户资金流入较去年同期下降X1%以上且最近月份在本金融机构账户资金流入较近6个月平均值下降X2%以上”,分别计算出今年在本金融机构的资金流入MT和去年同期在本金融机构的资金流入MT-1,判断(MT-1-MT)/MT-1>30%是否为真,如果为否,结束运算,运行结果为未命中模型1。如果为真则继续判定“最近月份在本金融机构账户资金流入较近6个月平均值下降X2%以上”,计算(M近6月均值-MI)/M近6月均值>30%是否为真,如果为真,则命中模型1,如果为否,则为命中模型。模型运算结束后,如果命中该模型,***在该客户命中模型清单中记录下模型名称“本金融机构账户资金流入大幅下降”和对应风险等级(4级)。
图5示意性示出了根据本公开另一实施例的获取共有风险判定规则的流程图。
如图5所示,在操作S310获取N个识别模型中至少两个识别模型之间共有的风险判定规则包括操作S510~操作S520。
在操作S510,确定N个识别模型中每条风险判定规则所对应的识别模型数量。
在操作S520,在识别模型数量大于或等于2的情况下,将该条风险判定规则作为所对应识别模型的共有规则。
与图4描述的流程不同,该实施例以每条风险判定规则为单位,逐条抽取每条风险判定规则,确定其所属的模型名称和数量。具体而言,例如在数据库中按照序号依次存储了N个识别模型中的风险判定规则,则可以逐条搜索,确定每条规则所属的模型名称和数量。
以模型1有指标a,b,c,模型3有指标a,d,e,f,模型5有指标e,g举例,执行操作S510~操作S530得到该实施例的待计算的指标清单,该清单中包括(a,2)、(b,1)、(c,1)、(d,1)、(e,2),(f,1)和(g,1),括号中前者为指标,后者为数量。清单中还可以包括每条规则所属的模型名称。
在一些实施例中,可以按照所属模型数量从大到小依次执行各条规则,这样在命中某些模型即可判定为高风险客户的情况下,能够在开始阶段就覆盖较大的模型范围,有利于减小计算量。
图6示意性示出了根据本公开实施例的确定待识别客户的风险等级的流程图。
如图6所示,在操作S240根据模型命中结果确定待识别客户的风险等级包括操作S610和操作S620中至少一项。
在操作S610,将命中的至少一个识别模型的最高风险等级作为待识别客户的风险等级。
与待识别客户的客户类型相匹配的全部模型运行完成后,获取该客户命中的模型清单及对应的风险等级,取风险等级最高的数值作为该客户的风险等级。
在操作S620,根据待识别客户的至少一个关联客户的风险等级,更新待识别客户的风险等级。
示例性地,关联客户包括与待识别客户产生交易和/或具有民事关联的用户,如夫妻关系、共同投资一家公司、为他人担保或产生交易往来等关联关系。
一些客户的财产好坏具有传导性,可能因合作伙伴、企业经营情况或担保等事件造成风险等级增大的情况。因此,根据关联客户的风险等级来更新当前待识别客户的风险等级,具有更高的准确性。
图7示意性示出了根据本公开实施例的更新待识别客户的风险等级的流程图。
如图7所示,在操作S620更新待识别客户的风险等级包括操作S710~操作S730。
在操作S710,获取待识别客户与至少一个关联客户中每个关联客户之间的关联关系数据。
在操作S720,根据每个关联客户之间的关联关系数据确定对应的关联风险传导概率。
在操作S730,根据每个关联客户的风险等级和关联风险传导概率,更新待识别客户的风险等级。
示例性地,关联客户与待识别客户可以是同一批待识别清单中的客户,针对该批待识别清单完成全部融资客户分级后,获取客户关联关系数据,根据关联风险传导概率,对概率高于P%(阈值)的关联客户,将其风险等级置与关联体中风险等级最高的客户置为相同。对于概率低于P%的关联客户,不调整风险等级,但是需要在预警信息中增加关联风险预警。
例如关联关系为股权投资关联关系,则关联风险传导概率根据股权的大小赋值不同的概率,或者根据高管职位关系赋值对应的概率。若关联关系为担保关系,若待识别用户为担保人,则赋值对应的概率,若待识别用户为被担保人,则赋值不同的概率。若关联关系为交易对手,则根据资金正负流向的不同赋值不同的概率。
图8示意性示出了根据本公开另一实施例的确定待识别客户的风险等级的流程图。
如图8所示,该实施例的确定待识别客户的风险等级包括操作S810~操作S820。
在操作S810,将模型命中结果输入至风险预测模型,其中,风险预测模型根据同时命中多个识别模型且发生违约的历史客户数据训练获得。
示例性地,可以从发生违约的客户中,选择其历史上命中多个识别模型组合的数据,或者根据其某个时间的历史数据判断其命中哪些模型。以甲客户举例,对其进行风险识别时可能命中了多个较低风险等级的模型,但是仍然发生了违约。因此,获得多个训练样本,每个训练样本中包括单个客户所命中的一个或多个低风险等级模型,以及违约标签。将训练样本输入到根据深度学习算法构建的风险预测模型,利用反向传播算法迭代更新该模型的参数,直至其满足预测要求。
因此,可以将模型命中结果中的多个识别模型作为该待识别客户的特征输入到风险预测模型,获得风险预测模型的预测结果。
在操作S820,将风险预测模型输出的预测风险等级作为待识别客户的风险等级。
示例性地,该实施例通过深度学习算法实现了自适应学习,根据同时命中多个模型组合的客户最终发生违约的历史数据,通过机器学习的方式识别出命中风险组合的客户,动态调高其风险等级。
根据本公开的实施例,能够基于命中的一个模型或多个模型形成的组合进一步挖掘待识别客户的深层风险等级,即使命中模型对应的风险等级较低,也可以发现存在的隐藏风险。
在一些实施例中,步骤1,将模型命中结果中最高风险等级赋给待识别客户。步骤2,执行操作S710~操作S730,获取关联客户的风险等。步骤3,将命中的一个或多个模型输入至风险检测模型,获得预测风险等级。将上述步骤1~步骤3中最高的风险等级赋给待识别客户。
图9示意性示出了根据本公开另一实施例的风险客户识别方法的流程图。
如图9所示,该实施例的风险客户识别方法包括操作S910~操作S940。
在操作S910,模型部署。***初始化阶段,按照客户类型,如个人客户、小微客户、大中型企业等,分别部署其适用的风险识别与分级模型,一类客户可以部署1个或多个模型,后期也可以随时对各类型客户引入新的模型。
同时,针对不同的风险级别设置其智能管控规则,具体包括:控制程度(不控制、柔性提示、刚性控制)、控制环节(调查、调查复核、审查、审查复核等)、控制产品种类(流动资金贷款、项目贷款、国内贸易融资等)、控制业务类型(贷款新增、余额增加、展期、合同变更等),控制方式(下调评级、压降授信、控制业务新增、触发风险预警等)。
下面举例说明:
模型A:本行账户资金流入大幅下降,相关管控规则设置如下:
控制程度:柔性提示
控制环节:调查、调查复核、审查、审查复核、贷后检查
控制产品种类:全部
控制业务类型:全部
管控方式:触发风险预警、下发贷后检查任务
在操作S920,数据接入。
主要负责接入和存储运行风险判定规则所需要的数据,可以提供初步处理后的结构化数据。主要包括以下几类:
一是融资客户清单,每日从业务***中获取有融资余额的客户信息,并更新至融资客户清单中。为提高***运行效率,可以将融资客户清单按照个人、小企业和一般法人进行分类储存。
二是各类风险数据,根据各模型指定的风险数据,从各模型指定的数据源获取风险数据信息。
在操作S930,风险识别。
例如每日自动运行图2~图8任一项实施例提供的风险客户识别方法批量进行识别。先获取融资客户清单,按照客户类型调用适配的模型进行风险识别,如客户为小企业,则调用适用对象为“小微企业”的全部模型执行以获取模型命中结果,并确定待识别客户的风险等级。
在操作S940,风险管控。
在一些实施例中,可以将该客户所命中的所有风险模型写入客户潜在风险提示信息。同时,将T日模型运行的分级结果与T-1日进行对比,分别对比客户风险等级和命中模型的变化情况,满足下述任意一个条件,则将相关信息提供以进行风险管控。
条件1:客户风险等级较T-1日提高。
条件2:客户风险等级不变或者降低,但是较T-1日有新命中的风险模型。
对满足条件1或条件2的客户,自动生成一条预警信息,向该客户的贷后管理相关人员发送,提醒风险变化情况。
对满足条件1的客户,即风险等级进一步提高的客户,根据预先设置的风险管控规则,对不同风险等级的客户实施差异化的业务管控措施。对于客户风险等级下降的,在T日(参数控制)先维持管控措施不变,待风险等级发生下降超过T日后,按照新的等级执行风险管控措施。
任务下发:根据每日的风险分级结果,对不同风险等级的客户按照不同的频次自动生成贷后管理的任务推送给业务主管人员。
(1)按日批量扫描被认定为潜在风险客户的清单,获取该客户上一次贷后检查日期及该客户风险等级对应的贷后检查周期。
(2)并计算出该客户下一次贷后检查的日期,T应检查日期=T上次检查日期+贷后检查周期。
(3)判断下一次贷后检查日期是否临近当前日期或者超过当前日期。如果临近当前日期,即0<T应检查日期-T当前日期<T,T为阈值,则生成一条贷后检查任务并下发给贷后管理相关人员。如果超过当前日期,即T应检查日期<T当前日期,则触发一条风险预警。
自动提醒或预警:***自动生成一条待办工作任务或预警信息,推送给该客户的贷后管理相关人员。相关人员收到任务或预警后,及时开展贷后检查,并通过***反馈检查情况,反馈完成后即可关闭待办或预警信息。
根据本公开实施例的风险客户自动识别和分级的方法,可以根据分级情况自动触发风险预警、下调评级授信、管控新增融资和下发贷后检查工作任务等,使潜在风险客户管理从业务手工运行升级为***自动、智能运行,帮助金融机构提高对风险客户的管理水平。
可以实现针对潜在风险的完整闭环管理,既包含对潜在风险客户的识别和分级,又包含对风险名单中客户的智能管控。此外,还可以具有良好的可拓展性,可随着风险数据的可得情况灵活部署风险识别模型,根据多个模型的运行结果综合判断客户风险情况。
基于上述风险客户识别方法,本公开还提供了一种风险客户识别装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本公开实施例的风险客户识别装置的结构框图。
如图10所示,该实施例的风险客户识别装置1000包括客户类型模块1010、模型调用模块1020、数据处理模块1030、风险等级模块1040。
客户类型模块1010可以执行操作S210,用于确定待识别客户的客户类型,其中,任两个待识别客户的客户类型相同或不同。
模型调用模块1020可以执行操作S220,用于根据客户类型调用对应的N个识别模型,N大于或等于1,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级。
数据处理模块1030可以执行操作S230,用于根据N个识别模型中的风险判定规则处理待识别客户的风险数据,获得模型命中结果,风险数据包括用于判定风险的待识别客户的关联数据,模型命中结果包括待识别客户命中的至少一个识别模型。
根据本公开的实施例,数据处理模块1030可以执行操作S310~操作S320,操作S410~操作S420,操作S510~操作S520,在此不做赘述。
风险等级模块1040可以执行操作S240,用于根据模型命中结果确定待识别客户的风险等级。
根据本公开的实施例,风险等级模块1040可以执行操作S610~操作S620,操作S710~操作S730,操作S810~操作S820,在此不做赘述。
根据本公开的实施例,风险客户识别装置1000还可以包括模型部署模块,用于按照客户类型分别部署其适用的风险识别与分级模型。
根据本公开的实施例,风险客户识别装置1000还可以包括数据接入模块,用于接入和存储运行风险判定规则所需要的数据。
根据本公开的实施例,风险客户识别装置1000还可以包括风险管控模块,用于根据风险级别执行对应的风险管控规则。
需要说明的是,风险客户识别装置1000包括分别用于执行如上图2~图9描述的任意一个实施例的各个步骤的模块。装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
根据本公开的实施例,客户类型模块1010、模型调用模块1020、数据处理模块1030、风险等级模块1040中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。
根据本公开的实施例,客户类型模块1010、模型调用模块1020、数据处理模块1030、风险等级模块1040中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,客户类型模块1010、模型调用模块1020、数据处理模块1030、风险等级模块1040中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本公开实施例的适于实现风险客户识别方法的电子设备的方框图。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106。包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107。包括硬盘等的存储部分1108。以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的。也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机***中运行时,该程序代码用于使计算机***实现本公开实施例所提供的方法。
在该计算机程序被处理器1101执行时执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,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实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。电应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种风险客户识别方法,包括:
确定待识别客户的客户类型,其中,任两个所述待识别客户的客户类型相同或不同;
根据所述客户类型调用对应的N个识别模型,N大于或等于1,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级;
根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据,获得模型命中结果,所述风险数据包括用于判定风险的所述待识别客户的关联数据;
根据所述模型命中结果确定所述待识别客户的风险等级。
2.根据权利要求1所述的方法,其中,所述根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据包括:
获取所述N个识别模型中至少两个识别模型之间共有的风险判定规则;
对所述至少两个识别模型之间共有的风险判定规则合并处理;和/或对所述N个识别模型中每个识别模型独有的风险判定规则分别处理。
3.根据权利要求2所述的方法,其中,所述获取所述N个识别模型中至少两个识别模型之间共有的风险判定规则包括:
获取所述N个识别模型中所有风险判定规则;
将所述所有风险判定规则中的重复规则过滤处理,得到待计算的指标清单。
4.根据权利要求2所述的方法,其中,所述获取所述N个识别模型中至少两个识别模型之间共有的风险判定规则包括:
确定所述N个识别模型中每条风险判定规则所对应的识别模型数量;
在所述识别模型数量大于或等于2的情况下,将该条风险判定规则作为所对应识别模型的共有规则。
5.根据权利要求1所述的方法,其中,所述模型命中结果包括所述待识别客户命中的至少一个识别模型,所述根据所述模型命中结果确定所述待识别客户的风险等级包括:
将所述命中的至少一个识别模型的最高风险等级作为所述待识别客户的风险等级;和/或
根据所述待识别客户的至少一个关联客户的风险等级,更新所述待识别客户的风险等级。
6.根据权利要求5所述的方法,其中,所述更新所述待识别客户的风险等级包括:
获取所述待识别客户与所述至少一个关联客户中每个关联客户之间的关联关系数据;
根据所述每个关联客户之间的关联关系数据确定对应的关联风险传导概率;
根据所述每个关联客户的风险等级和所述关联风险传导概率,更新所述待识别客户的风险等级。
7.根据权利要求1~6任一项所述的方法,其中,所述根据所述模型命中结果确定所述待识别客户的风险等级包括:
将所述模型命中结果输入至风险预测模型,其中,所述风险预测模型根据同时命中多个识别模型且发生违约的历史客户数据训练获得;
将所述风险预测模型输出的预测风险等级作为所述待识别客户的风险等级。
8.一种风险客户识别装置,包括:
客户类型模块,用于确定待识别客户的客户类型,其中,任两个所述待识别客户的客户类型相同或不同;
模型调用模块,用于根据所述客户类型调用对应的N个识别模型,N大于或等于1,其中,针对每个客户类型预先部署对应的至少一个识别模型,每个识别模型包括至少一条风险判定规则,且具有对应的风险等级;
数据处理模块,用于根据所述N个识别模型中的风险判定规则处理所述待识别客户的风险数据,获得模型命中结果,所述风险数据包括用于判定风险的所述待识别客户的关联数据,所述模型命中结果包括所述待识别客户命中的至少一个识别模型;
风险等级模块,用于根据所述模型命中结果确定所述待识别客户的风险等级。
9.一种电子设备,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211307734.5A CN115994819A (zh) | 2022-10-25 | 2022-10-25 | 风险客户识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211307734.5A CN115994819A (zh) | 2022-10-25 | 2022-10-25 | 风险客户识别方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115994819A true CN115994819A (zh) | 2023-04-21 |
Family
ID=85993203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211307734.5A Pending CN115994819A (zh) | 2022-10-25 | 2022-10-25 | 风险客户识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994819A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035433A (zh) * | 2023-10-10 | 2023-11-10 | 中国建设银行股份有限公司 | 非法资金转移客户识别方法及装置 |
-
2022
- 2022-10-25 CN CN202211307734.5A patent/CN115994819A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035433A (zh) * | 2023-10-10 | 2023-11-10 | 中国建设银行股份有限公司 | 非法资金转移客户识别方法及装置 |
CN117035433B (zh) * | 2023-10-10 | 2023-12-22 | 中国建设银行股份有限公司 | 非法资金转移客户识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8660864B2 (en) | Systems and methods for intelligent underwriting based on community or social network data | |
US11928211B2 (en) | Systems and methods for implementing a machine learning approach to modeling entity behavior | |
CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
CN112613978B (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
US20140278774A1 (en) | In the market model systems and methods | |
CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN117911159A (zh) | 实时数据处理方法、装置、设备、存储介质及程序产品 | |
CN113554504A (zh) | 一种车贷风控模型生成方法、装置及评分卡生成方法 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
KR20190091743A (ko) | 주식투자 정보제공 시스템 및 이를 이용한 추천종목 서비스 방법 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN111461871A (zh) | 额度控制方法、装置、设备与计算机可读存储介质 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115482094A (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN114357523A (zh) | 风险对象的识别方法、装置、设备、存储介质和程序产品 | |
CN111429257B (zh) | 一种交易监控方法和装置 | |
CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 | |
CN113159924A (zh) | 授信客户对象的确定方法及装置 | |
CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和*** | |
CN111681101A (zh) | 一种客体的准入检测方法、装置、设备和存储介质 |
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 |