CN116934464A - 基于小微企业的贷后风险监控方法、装置、设备及介质 - Google Patents
基于小微企业的贷后风险监控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116934464A CN116934464A CN202310928628.7A CN202310928628A CN116934464A CN 116934464 A CN116934464 A CN 116934464A CN 202310928628 A CN202310928628 A CN 202310928628A CN 116934464 A CN116934464 A CN 116934464A
- Authority
- CN
- China
- Prior art keywords
- risk
- target
- post
- enterprise
- micro
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000012954 risk control Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 208000006011 Stroke Diseases 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及数据处理技术领域,提供一种基于小微企业的贷后风险监控方法、装置、设备及介质,能够每隔预设时间间隔获取目标小微企业的业务数据,并根据业务数据计算每个贷后风险判定项的数值,将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到目标小微企业的风险等级作为目标等级,进而通过周期性获取业务数据及风控模型实现对小微企业风险等级的***,并根据目标等级对目标小微企业进行风险控制,由于在预测后及时采取了风险控制措施,因此有效降低了贷后风险。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于小微企业的贷后风险监控方法、装置、设备及介质。
背景技术
现有技术中,所有信贷业务贷后管理的目的都是保证信贷安全性、流动性以及收益性,小微企业信贷也不例外。只是由于小微企业自身的特性,使得其贷后管理区别于其他信贷业务的管理内容。
具体而言,对小微企业的贷后管理主要有如下目的:复核是否存在信贷欺诈;核查隐性负债程度是否恶劣;监控经营状况是否劣化。
以上三点是引发小微企业信贷风险的三种根源,彼此间并不独立,甚至相互关联,因此,如何对小微企业进行有效的贷后管理成为了亟待解决的问题。
发明内容
鉴于以上内容,有必要提供一种基于小微企业的贷后风险监控方法、装置、设备及介质,能够对小微企业进行有效的贷后风险监控及管理。
一种基于小微企业的贷后风险监控方法,所述基于小微企业的贷后风险监控方法包括:
响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据;
获取预先配置的多个贷后风险判定项;
根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值;
将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级;
根据所述目标等级对所述目标小微企业进行风险控制。
根据本发明优选实施例,所述每隔预设时间间隔获取所述目标小微企业的业务数据包括:
每隔预设时间间隔调用预先约定的安全接口获取所述目标小微企业的业务数据;及/或
每隔预设时间间隔接收所述目标小微企业发送的数据作为所述目标小微企业的业务数据。
根据本发明优选实施例,所述多个贷后风险判定项包括以下一种或者多种的组合:
贷前贷后1月同期开票数据对比、贷前贷后2月同期开票数对比、贷前贷后一季度同期对比、同期月开票企业数比、同期1月前5大买家开票金额对比、同期2月前5大买家开票金额对比、近2两周开票记录不为0、近1月开票记录不为0、1月放款前与放款后环比对比、2月放款前与放款后环比对比。
根据本发明优选实施例,所述将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级包括:
对于每个贷后风险判定项,当所述贷后风险判定项的数值小于或者等于第一阈值时,确定所述贷后风险判定项为低风险判定项;当所述贷后风险判定项的数值大于所述第一阈值且小于第二阈值时,确定所述贷后风险判定项为中风险判定项;当所述贷后风险判定项的数值大于所述第二阈值且小于或者等于第三阈值时,确定所述贷后风险判定项为高风险判定项;
确定与所述低风险判定项对应的第一权重,与所述中风险判定项对应的第二权重,及与所述高风险判定项对应的第三权重;
计算所述低风险判定项的数量作为第一数量,计算所述中风险判定项的数量作为第二数量,及计算所述高风险判定项的数量作为第三数量;
根据所述第一数量、所述第二数量、所述第三数量及所述第一权重、所述第二权重、所述第三权重的加权和,得到目标风险值;
获取预先配置的风险等级映射表;其中,所述风险等级映射表用于存储风险值区间与风险等级的对应关系;
利用所述目标风险值在所述风险等级映射表中进行匹配,得到所述目标风险值所属的风险等级作为所述目标等级。
根据本发明优选实施例,所述将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级还包括:
当在所述多个贷后风险判定项中有任意贷后风险判定项的数值大于所述第三阈值时,确定所述目标等级为高风险等级;
当检测到有贷后风险判定项由于缺乏数据而无法计算时,将检测到的贷后风险判定项确定为无法验证项;计算所述无法验证项的数量作为目标数量;当所述目标数量大于预设数量时,确定所述目标等级为所述高风险等级。
根据本发明优选实施例,所述根据所述目标等级对所述目标小微企业进行风险控制包括:
当所述目标等级为所述高风险等级时,发出贷后预警;
其中,所述贷后预警用于提示所述目标小微企业存在贷后风险。
根据本发明优选实施例,所述根据所述目标等级对所述目标小微企业进行风险控制后,所述方法还包括:
周期性采集对所述风险控制的反馈数据;
根据所述反馈数据调整所述风控模型。
一种基于小微企业的贷后风险监控装置,所述基于小微企业的贷后风险监控装置包括:
获取单元,用于响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据;
所述获取单元,还用于获取预先配置的多个贷后风险判定项;
计算单元,用于根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值;
预测单元,用于将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级;
控制单元,用于根据所述目标等级对所述目标小微企业进行风险控制。
一种计算机设备,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于小微企业的贷后风险监控方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现所述基于小微企业的贷后风险监控方法。
由以上技术方案可以看出,本发明能够每隔预设时间间隔获取目标小微企业的业务数据,并根据业务数据计算每个贷后风险判定项的数值,将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到目标小微企业的风险等级作为目标等级,进而通过周期性获取业务数据及风控模型实现对小微企业风险等级的***,并根据目标等级对目标小微企业进行风险控制,由于在预测后及时采取了风险控制措施,因此有效降低了贷后风险。
附图说明
图1是本发明基于小微企业的贷后风险监控方法的较佳实施例的流程图。
图2是本发明基于小微企业的贷后风险监控装置的较佳实施例的功能模块图。
图3是本发明实现基于小微企业的贷后风险监控方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于小微企业的贷后风险监控方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于小微企业的贷后风险监控方法应用于一个或者多个计算机设备中,所述计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据。
在本实施例中,小微企业是指小型企业、微型企业、家庭作坊式企业的统称。
在本实施例中,所述贷后风险监控指令可以由资金提供方触发,也可以由负责贷款业务的企业触发,如可以由运营后台、产品岗、贷后等触发所述贷后风险监控指令。
其中,所述预设时间间隔可以为每个月、每三个月等。
在本实施例中,所述每隔预设时间间隔获取所述目标小微企业的业务数据包括:
每隔预设时间间隔调用预先约定的安全接口获取所述目标小微企业的业务数据;及/或
每隔预设时间间隔接收所述目标小微企业发送的数据作为所述目标小微企业的业务数据。
其中,所述安全接口可以为预先约定的指定接口,通过所述安全接口只能获取到指定的业务数据,所述目标小微企业的其他数据则无法获取,以避免对所述目标小微企业数据的安全性产生影响。且通过所述安全接口定期自动获取数据,也能够保证数据获取的效率。
其中,通过接收所述目标小微企业发送的数据,也可以有效避免对所述目标小微企业数据的安全性产生影响。
S11,获取预先配置的多个贷后风险判定项。
在本实施例中,所述多个贷后风险判定项可以包括,但不限于以下一种或者多种的组合:
贷前贷后1月同期开票数据对比、贷前贷后2月同期开票数对比、贷前贷后一季度同期对比、同期月开票企业数比、同期1月前5大买家开票金额对比、同期2月前5大买家开票金额对比、近2两周开票记录不为0、近1月开票记录不为0、1月放款前与放款后环比对比、2月放款前与放款后环比对比。
S12,根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值。
具体地,所述根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值的方式为行业内通用方式,在此不赘述。
S13,将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级。
在本实施例中,所述将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级包括:
对于每个贷后风险判定项,当所述贷后风险判定项的数值小于或者等于第一阈值时,确定所述贷后风险判定项为低风险判定项;当所述贷后风险判定项的数值大于所述第一阈值且小于第二阈值时,确定所述贷后风险判定项为中风险判定项;当所述贷后风险判定项的数值大于所述第二阈值且小于或者等于第三阈值时,确定所述贷后风险判定项为高风险判定项;
确定与所述低风险判定项对应的第一权重,与所述中风险判定项对应的第二权重,及与所述高风险判定项对应的第三权重;
计算所述低风险判定项的数量作为第一数量,计算所述中风险判定项的数量作为第二数量,及计算所述高风险判定项的数量作为第三数量;
根据所述第一数量、所述第二数量、所述第三数量及所述第一权重、所述第二权重、所述第三权重的加权和,得到目标风险值;
获取预先配置的风险等级映射表;其中,所述风险等级映射表用于存储风险值区间与风险等级的对应关系;
利用所述目标风险值在所述风险等级映射表中进行匹配,得到所述目标风险值所属的风险等级作为所述目标等级。
其中,所述第一阈值、所述第二阈值、所述第三阈值可以根据实际的业务需求进行配置,例如:所述第一阈值可以为350,所述第二阈值可以为750,所述第三阈值可以为1250。
其中,所述第一权重、所述第二权重、所述第三权重也可以根据实际的业务需求进行配置,例如:所述第一权重可以配置为20%,所述第二权重可以配置为30%,所述第三权重可以配置为50%。
其中,所述风险等级映射表也可以根据实际的业务需求进行配置,例如:在所述风险等级映射表中,风险值区间(85,100]对应于高风险等级。
通过上述实施例,能够基于预先建立的风控模型实现对所述目标小微企业的风险等级的预测,便于后续根据预测的风险等级采取针对性措施,以降低贷后风险。
在本实施例中,所述将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级还包括:
当在所述多个贷后风险判定项中有任意贷后风险判定项的数值大于所述第三阈值时,确定所述目标等级为高风险等级;
当检测到有贷后风险判定项由于缺乏数据而无法计算时,将检测到的贷后风险判定项确定为无法验证项;计算所述无法验证项的数量作为目标数量;当所述目标数量大于预设数量时,确定所述目标等级为所述高风险等级。
在上述实施例中,当在所述多个贷后风险判定项中有任意贷后风险判定项的数值大于所述第三阈值时,说明该贷后风险判定项的风险值过高,此时,可以直接确定所述目标等级为所述高风险等级;当有多项贷后风险判定项由于缺乏数据而无法计算时,说明存在严重的数据异常现象,此时,也可以直接确定所述目标等级为所述高风险等级。
S14,根据所述目标等级对所述目标小微企业进行风险控制。
在本实施例中,所述根据所述目标等级对所述目标小微企业进行风险控制包括:
当所述目标等级为所述高风险等级时,发出贷后预警;
其中,所述贷后预警用于提示所述目标小微企业存在贷后风险。
在上述实施例中,当所述目标小微企业的风险等级被预测为所述高风险等级时,及时进行贷后预警并采取相关风险控制措施,避免出现贷款风险产生。
在本实施例中,所述根据所述目标等级对所述目标小微企业进行风险控制后,所述方法还包括:
周期性采集对所述风险控制的反馈数据;
根据所述反馈数据调整所述风控模型。
其中,具体的采集周期可以根据实际的业务需求进行配置,如每季度。
通过上述实施例,能够周期性采集反馈数据,并根据反馈数据调整风控模型,以保证所述风控模型的可用性。
由以上技术方案可以看出,本发明能够每隔预设时间间隔获取目标小微企业的业务数据,并根据业务数据计算每个贷后风险判定项的数值,将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到目标小微企业的风险等级作为目标等级,进而通过周期性获取业务数据及风控模型实现对小微企业风险等级的***,并根据目标等级对目标小微企业进行风险控制,由于在预测后及时采取了风险控制措施,因此有效降低了贷后风险。
如图2所示,是本发明基于小微企业的贷后风险监控装置的较佳实施例的功能模块图。所述基于小微企业的贷后风险监控装置11包括获取单元110、计算单元111、预测单元112、控制单元113。本发明所称的模块/单元是指一种能够被处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
所述获取单元110,用于响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据。
在本实施例中,小微企业是指小型企业、微型企业、家庭作坊式企业的统称。
在本实施例中,所述贷后风险监控指令可以由资金提供方触发,也可以由负责贷款业务的企业触发,如可以由运营后台、产品岗、贷后等触发所述贷后风险监控指令。
其中,所述预设时间间隔可以为每个月、每三个月等。
在本实施例中,所述获取单元110每隔预设时间间隔获取所述目标小微企业的业务数据包括:
每隔预设时间间隔调用预先约定的安全接口获取所述目标小微企业的业务数据;及/或
每隔预设时间间隔接收所述目标小微企业发送的数据作为所述目标小微企业的业务数据。
其中,所述安全接口可以为预先约定的指定接口,通过所述安全接口只能获取到指定的业务数据,所述目标小微企业的其他数据则无法获取,以避免对所述目标小微企业数据的安全性产生影响。且通过所述安全接口定期自动获取数据,也能够保证数据获取的效率。
其中,通过接收所述目标小微企业发送的数据,也可以有效避免对所述目标小微企业数据的安全性产生影响。
所述获取单元110,还用于获取预先配置的多个贷后风险判定项。
在本实施例中,所述多个贷后风险判定项可以包括,但不限于以下一种或者多种的组合:
贷前贷后1月同期开票数据对比、贷前贷后2月同期开票数对比、贷前贷后一季度同期对比、同期月开票企业数比、同期1月前5大买家开票金额对比、同期2月前5大买家开票金额对比、近2两周开票记录不为0、近1月开票记录不为0、1月放款前与放款后环比对比、2月放款前与放款后环比对比。
所述计算单元111,用于根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值。
具体地,所述根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值的方式为行业内通用方式,在此不赘述。
所述预测单元112,用于将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级。
在本实施例中,所述预测单元112将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级包括:
对于每个贷后风险判定项,当所述贷后风险判定项的数值小于或者等于第一阈值时,确定所述贷后风险判定项为低风险判定项;当所述贷后风险判定项的数值大于所述第一阈值且小于第二阈值时,确定所述贷后风险判定项为中风险判定项;当所述贷后风险判定项的数值大于所述第二阈值且小于或者等于第三阈值时,确定所述贷后风险判定项为高风险判定项;
确定与所述低风险判定项对应的第一权重,与所述中风险判定项对应的第二权重,及与所述高风险判定项对应的第三权重;
计算所述低风险判定项的数量作为第一数量,计算所述中风险判定项的数量作为第二数量,及计算所述高风险判定项的数量作为第三数量;
根据所述第一数量、所述第二数量、所述第三数量及所述第一权重、所述第二权重、所述第三权重的加权和,得到目标风险值;
获取预先配置的风险等级映射表;其中,所述风险等级映射表用于存储风险值区间与风险等级的对应关系;
利用所述目标风险值在所述风险等级映射表中进行匹配,得到所述目标风险值所属的风险等级作为所述目标等级。
其中,所述第一阈值、所述第二阈值、所述第三阈值可以根据实际的业务需求进行配置,例如:所述第一阈值可以为350,所述第二阈值可以为750,所述第三阈值可以为1250。
其中,所述第一权重、所述第二权重、所述第三权重也可以根据实际的业务需求进行配置,例如:所述第一权重可以配置为20%,所述第二权重可以配置为30%,所述第三权重可以配置为50%。
其中,所述风险等级映射表也可以根据实际的业务需求进行配置,例如:在所述风险等级映射表中,风险值区间(85,100]对应于高风险等级。
通过上述实施例,能够基于预先建立的风控模型实现对所述目标小微企业的风险等级的预测,便于后续根据预测的风险等级采取针对性措施,以降低贷后风险。
在本实施例中,所述预测单元112将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级还包括:
当在所述多个贷后风险判定项中有任意贷后风险判定项的数值大于所述第三阈值时,确定所述目标等级为高风险等级;
当检测到有贷后风险判定项由于缺乏数据而无法计算时,将检测到的贷后风险判定项确定为无法验证项;计算所述无法验证项的数量作为目标数量;当所述目标数量大于预设数量时,确定所述目标等级为所述高风险等级。
在上述实施例中,当在所述多个贷后风险判定项中有任意贷后风险判定项的数值大于所述第三阈值时,说明该贷后风险判定项的风险值过高,此时,可以直接确定所述目标等级为所述高风险等级;当有多项贷后风险判定项由于缺乏数据而无法计算时,说明存在严重的数据异常现象,此时,也可以直接确定所述目标等级为所述高风险等级。
所述控制单元113,用于根据所述目标等级对所述目标小微企业进行风险控制。
在本实施例中,所述控制单元113根据所述目标等级对所述目标小微企业进行风险控制包括:
当所述目标等级为所述高风险等级时,发出贷后预警;
其中,所述贷后预警用于提示所述目标小微企业存在贷后风险。
在上述实施例中,当所述目标小微企业的风险等级被预测为所述高风险等级时,及时进行贷后预警并采取相关风险控制措施,避免出现贷款风险产生。
在本实施例中,所述根据所述目标等级对所述目标小微企业进行风险控制后,周期性采集对所述风险控制的反馈数据;
根据所述反馈数据调整所述风控模型。
其中,具体的采集周期可以根据实际的业务需求进行配置,如每季度。
通过上述实施例,能够周期性采集反馈数据,并根据反馈数据调整风控模型,以保证所述风控模型的可用性。
由以上技术方案可以看出,本发明能够每隔预设时间间隔获取目标小微企业的业务数据,并根据业务数据计算每个贷后风险判定项的数值,将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到目标小微企业的风险等级作为目标等级,进而通过周期性获取业务数据及风控模型实现对小微企业风险等级的***,并根据目标等级对目标小微企业进行风险控制,由于在预测后及时采取了风险控制措施,因此有效降低了贷后风险。
如图3所示,是本发明实现基于小微企业的贷后风险监控方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于小微企业的贷后风险监控程序。
本领域技术人员可以理解,所述示意图仅仅是计算机设备1的示例,并不构成对计算机设备1的限定,所述计算机设备1既可以是总线型结构,也可以是星形结构,所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述计算机设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元,例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备,例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据,例如基于小微企业的贷后风险监控程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于小微企业的贷后风险监控程序等),以及调用存储在所述存储器12内的数据,以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于小微企业的贷后风险监控方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、计算单元111、预测单元112、控制单元113。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于小微企业的贷后风险监控方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根直线表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述计算机设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述计算机设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地,该计算机设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述计算机设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述计算机设备1中的所述存储器12存储多个指令以实现一种基于小微企业的贷后风险监控方法,所述处理器13可执行所述多个指令从而实现:
响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据;
获取预先配置的多个贷后风险判定项;
根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值;
将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级;
根据所述目标等级对所述目标小微企业进行风险控制。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,本案中所涉及到的数据均为合法取得。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本发明可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于小微企业的贷后风险监控方法,其特征在于,所述基于小微企业的贷后风险监控方法包括:
响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据;
获取预先配置的多个贷后风险判定项;
根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值;
将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级;
根据所述目标等级对所述目标小微企业进行风险控制。
2.如权利要求1所述的基于小微企业的贷后风险监控方法,其特征在于,所述每隔预设时间间隔获取所述目标小微企业的业务数据包括:
每隔预设时间间隔调用预先约定的安全接口获取所述目标小微企业的业务数据;及/或
每隔预设时间间隔接收所述目标小微企业发送的数据作为所述目标小微企业的业务数据。
3.如权利要求1所述的基于小微企业的贷后风险监控方法,其特征在于,所述多个贷后风险判定项包括以下一种或者多种的组合:
贷前贷后1月同期开票数据对比、贷前贷后2月同期开票数对比、贷前贷后一季度同期对比、同期月开票企业数比、同期1月前5大买家开票金额对比、同期2月前5大买家开票金额对比、近2两周开票记录不为0、近1月开票记录不为0、1月放款前与放款后环比对比、2月放款前与放款后环比对比。
4.如权利要求1所述的基于小微企业的贷后风险监控方法,其特征在于,所述将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级包括:
对于每个贷后风险判定项,当所述贷后风险判定项的数值小于或者等于第一阈值时,确定所述贷后风险判定项为低风险判定项;当所述贷后风险判定项的数值大于所述第一阈值且小于第二阈值时,确定所述贷后风险判定项为中风险判定项;当所述贷后风险判定项的数值大于所述第二阈值且小于或者等于第三阈值时,确定所述贷后风险判定项为高风险判定项;
确定与所述低风险判定项对应的第一权重,与所述中风险判定项对应的第二权重,及与所述高风险判定项对应的第三权重;
计算所述低风险判定项的数量作为第一数量,计算所述中风险判定项的数量作为第二数量,及计算所述高风险判定项的数量作为第三数量;
根据所述第一数量、所述第二数量、所述第三数量及所述第一权重、所述第二权重、所述第三权重的加权和,得到目标风险值;
获取预先配置的风险等级映射表;其中,所述风险等级映射表用于存储风险值区间与风险等级的对应关系;
利用所述目标风险值在所述风险等级映射表中进行匹配,得到所述目标风险值所属的风险等级作为所述目标等级。
5.如权利要求4所述的基于小微企业的贷后风险监控方法,其特征在于,所述将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级还包括:
当在所述多个贷后风险判定项中有任意贷后风险判定项的数值大于所述第三阈值时,确定所述目标等级为高风险等级;
当检测到有贷后风险判定项由于缺乏数据而无法计算时,将检测到的贷后风险判定项确定为无法验证项;计算所述无法验证项的数量作为目标数量;当所述目标数量大于预设数量时,确定所述目标等级为所述高风险等级。
6.如权利要求5所述的基于小微企业的贷后风险监控方法,其特征在于,所述根据所述目标等级对所述目标小微企业进行风险控制包括:
当所述目标等级为所述高风险等级时,发出贷后预警;
其中,所述贷后预警用于提示所述目标小微企业存在贷后风险。
7.如权利要求1所述的基于小微企业的贷后风险监控方法,其特征在于,所述根据所述目标等级对所述目标小微企业进行风险控制后,所述方法还包括:
周期性采集对所述风险控制的反馈数据;
根据所述反馈数据调整所述风控模型。
8.一种基于小微企业的贷后风险监控装置,其特征在于,所述基于小微企业的贷后风险监控装置包括:
获取单元,用于响应于对目标小微企业的贷后风险监控指令,每隔预设时间间隔获取所述目标小微企业的业务数据;
所述获取单元,还用于获取预先配置的多个贷后风险判定项;
计算单元,用于根据所述业务数据计算所述多个贷后风险判定项中每个贷后风险判定项的数值;
预测单元,用于将每个贷后风险判定项的数值输入至预先建立的风控模型进行预测,得到所述目标小微企业的风险等级作为目标等级;
控制单元,用于根据所述目标等级对所述目标小微企业进行风险控制。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于小微企业的贷后风险监控方法。
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中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于小微企业的贷后风险监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928628.7A CN116934464A (zh) | 2023-07-26 | 2023-07-26 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928628.7A CN116934464A (zh) | 2023-07-26 | 2023-07-26 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934464A true CN116934464A (zh) | 2023-10-24 |
Family
ID=88375230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928628.7A Pending CN116934464A (zh) | 2023-07-26 | 2023-07-26 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934464A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993143A (zh) * | 2017-11-23 | 2018-05-04 | 深圳大管加软件与技术服务有限公司 | 一种信贷风险评估方法及*** |
WO2018214933A1 (zh) * | 2017-05-26 | 2018-11-29 | 阿里巴巴集团控股有限公司 | 确定用户风险等级的方法及装置、计算机设备 |
WO2019061989A1 (zh) * | 2017-09-30 | 2019-04-04 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN110298547A (zh) * | 2019-05-24 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机装置及存储介质 |
CN111369348A (zh) * | 2020-03-25 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
WO2021000678A1 (zh) * | 2019-07-04 | 2021-01-07 | 平安科技(深圳)有限公司 | 企业信贷审核方法、装置、设备及计算机可读存储介质 |
CN113095931A (zh) * | 2021-04-25 | 2021-07-09 | 国家电网有限公司 | 贷后风险监控方法、装置及计算机设备 |
US20210342758A1 (en) * | 2020-05-04 | 2021-11-04 | FinancialForce.com, Inc. | Risk management data channel interleaved with enterprise data to facilitate assessment responsive to a risk event |
CN113744043A (zh) * | 2021-09-03 | 2021-12-03 | 国网江苏省电力有限公司常州供电分公司 | 小微企业的信贷风险评估方法、装置及计算机设备 |
CN115526700A (zh) * | 2022-08-16 | 2022-12-27 | 中国工商银行股份有限公司 | 风险的预测方法、装置及电子设备 |
-
2023
- 2023-07-26 CN CN202310928628.7A patent/CN116934464A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214933A1 (zh) * | 2017-05-26 | 2018-11-29 | 阿里巴巴集团控股有限公司 | 确定用户风险等级的方法及装置、计算机设备 |
WO2019061989A1 (zh) * | 2017-09-30 | 2019-04-04 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN107993143A (zh) * | 2017-11-23 | 2018-05-04 | 深圳大管加软件与技术服务有限公司 | 一种信贷风险评估方法及*** |
CN110298547A (zh) * | 2019-05-24 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机装置及存储介质 |
WO2021000678A1 (zh) * | 2019-07-04 | 2021-01-07 | 平安科技(深圳)有限公司 | 企业信贷审核方法、装置、设备及计算机可读存储介质 |
CN111369348A (zh) * | 2020-03-25 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
US20210342758A1 (en) * | 2020-05-04 | 2021-11-04 | FinancialForce.com, Inc. | Risk management data channel interleaved with enterprise data to facilitate assessment responsive to a risk event |
CN113095931A (zh) * | 2021-04-25 | 2021-07-09 | 国家电网有限公司 | 贷后风险监控方法、装置及计算机设备 |
CN113744043A (zh) * | 2021-09-03 | 2021-12-03 | 国网江苏省电力有限公司常州供电分公司 | 小微企业的信贷风险评估方法、装置及计算机设备 |
CN115526700A (zh) * | 2022-08-16 | 2022-12-27 | 中国工商银行股份有限公司 | 风险的预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN115936886B (zh) | 异构证券交易***的失效检测方法、装置、设备及介质 | |
CN117193975A (zh) | 任务调度方法、装置、设备及存储介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN114185776A (zh) | 应用程序的大数据埋点方法、装置、设备及介质 | |
CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
CN116188189A (zh) | 数据对账方法、装置、设备及介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114372892A (zh) | 支付数据监控方法、装置、设备及介质 | |
CN116934464A (zh) | 基于小微企业的贷后风险监控方法、装置、设备及介质 | |
CN116629596B (zh) | 供应链风险预测方法、装置、设备及介质 | |
CN116957649B (zh) | 客户筛选方法、装置、设备及介质 | |
CN115934576B (zh) | 交易场景下的测试用例生成方法、装置、设备及介质 | |
CN118037198B (zh) | 事件关联物品管理方法、装置、设备及介质 | |
CN116843454B (zh) | 渠道信息管理方法、装置、设备及介质 | |
CN116306591B (zh) | 流程表单生成方法、装置、设备及介质 | |
CN117114845A (zh) | 企业风险预测方法、设备及介质 | |
CN116630048B (zh) | 基于期货行情k线的交易方法、装置、设备及介质 | |
CN116739611B (zh) | 客户信息跟踪管理方法、装置、设备及介质 | |
CN116414366B (zh) | 中间件接口生成方法、装置、设备及介质 | |
CN116630035A (zh) | 基于企业融资的生命周期跟踪方法、装置、设备及介质 | |
CN116976821B (zh) | 企业问题反馈信息处理方法、装置、设备及介质 | |
CN116823141A (zh) | 付款数据处理方法、装置、设备及介质 | |
CN116821876A (zh) | 产品配置数据的处理方法、装置、设备及介质 | |
CN117933853A (zh) | 牛奶预订跟踪管理方法、装置、设备及介质 |
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 |