CN117078390A - 针对货车司机群体的大数据风控方法、***及装置 - Google Patents
针对货车司机群体的大数据风控方法、***及装置 Download PDFInfo
- Publication number
- CN117078390A CN117078390A CN202311048801.0A CN202311048801A CN117078390A CN 117078390 A CN117078390 A CN 117078390A CN 202311048801 A CN202311048801 A CN 202311048801A CN 117078390 A CN117078390 A CN 117078390A
- Authority
- CN
- China
- Prior art keywords
- data
- truck
- truck driver
- wind control
- income
- 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 28
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种针对货车司机群体的大数据风控方法、***及装置,包括:S1、获取货车司机数据;S2、对货车司机数据进行特征工程得到多个风控维度指标;S3、基于多个风控维度指标评估风险。本发明可以实现针对货车司机群体的大数据风控。
Description
技术领域
本发明涉及大数据风控领域,尤其是涉及一种针对货车司机群体的大数据风控方法、***及装置。
背景技术
司机师傅或者是车主普遍缺少经营周转资金,长期承受着垫资的压力,现有技术中货车司机客恰恰又是人行征信覆盖范围比较低的群体,因此常规风控限制手段不适用,货车司机信用难于合理认定,风控模型不成熟,汽车金融风控行业的痛点日渐凸显,存在风险敞口。
发明内容
本发明的目的在于提供一种针对货车司机群体的大数据风控方法、***及装置,旨在解决针对货车司机群体的大数据风控问题。
本发明提供一种针对货车司机群体的大数据风控方法,包括:
S1、获取货车司机数据;
S2、对货车司机数据进行特征工程得到多个风控维度指标;
S3、基于多个风控维度指标评估风险。
本发明还提供一种针对货车司机群体的大数据风控***,包括:
获取模块,用于获取货车司机数据;
特征模块,用于对货车司机数据进行特征工程得到多个风控维度指标;
评估模块,用于基于多个风控维度指标评估风险。
本发明实施例还提供一种针对货车司机群体的大数据风控方法,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现上述方法的步骤。
采用本发明实施例,本发明可以实现针对货车司机群体的大数据风控。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的针对货车司机群体的大数据风控方法的流程图;
图2是本发明实施例的针对货车司机群体的大数据风控方法的多头分析示意图;
图3是本发明实施例的针对货车司机群体的大数据风控***的示意图;
图4是本发明实施例的针对货车司机群体的大数据风控装置的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
方法实施例
根据本发明实施例,提供了一种针对货车司机群体的大数据风控方法,图1是本发明实施例的针对货车司机群体的大数据风控方法的流程图,如图1所示,具体包括:
S1、获取货车司机数据;
S2、对货车司机数据进行特征工程得到多个风控维度指标;
S3、基于多个风控维度指标评估风险。
S2具体包括:对货车司机数据进行特征工程得到多个风控维度指标,所述分控指标包括:货车行驶轨迹、多头借贷信息和信用良好记录。
S3具体包括:分析信用良好记录,若处于非正常状态则拒绝贷款,若正常则判断等级数据;基于货车行驶轨迹,判断货车行驶里程,货车行驶里程越长收益越高,得到收益数据;基于互联网多头借贷模型对货车司机进行评分还款能力数据,基于北斗数据对货车司机的历史违章情况进行评估得到违章数据,基于等级数据、收益数据、还款能力数据和违章数据计算货车司机的贷款风险。
计算货车司机的贷款风险数据具体包括:将等级数据、收益数据、还款能力数据和违章数据乘以各自对应权重后加上影响因子得到货款风险数据。
具体实施方法如下:
本发明利用车辆大数据和司机大数据信息从车和人的两个角度来对货车司机进行风控管理。对于商用车来说风控模式与其他模式不同,就还款来说其他金融借贷的还款来源可能是多样的,对于货车司机来说首要的还款来源是还是货运收入,因此除了个人信用情况进行判断外,还需要对货车司机历史营运情况、车辆自身状况、相应工作经验、车辆驾驶情况以及收入情况进行合理的测算。
因此本申请实施例提出了一种针对货车司机群体的大数据风控方法,包括:模型自动化训练平台、数据采集平台、智能风控管理平台。
自动化训练平台在已有大数据平台基础上基于企业多种机器学***台,具有高效的模型开发能力,可进行数据自动采集、数据预处理、特征工程、算法定义、分布式训练与服务发布等能力,降低模型管理难度,提升开发效率。
自动化训练模型的算法包括普通算法和自研算法,在面对有些业务时自研算法效果有明显提升,普通的算法有逻辑回归、支持向量机、贝叶斯分类、决策树、神经网络等,自研的算法包括基于模型反馈的特征工程、自动特征选择与工程、自动特种组合、TreeDNN(应对超高纬弱特征数据),MCTF(多类别时间序列预测)等。
司机的信息包括:三要素核验、多头、失信、涉诉、各种黑名单之类的信息、违章信息。
针对货车司机数据经过特征工程后,维度主要有以下几个方面:
首先是一些通用的准入规则,比如货车司机当前五级分类已经处于非正常状态、是否为失信被执行人,是否存在未结案涉法涉诉信息、当前互联网多头借贷是否有连续逾期等等,都预示着如过要放款给货车司机师,大概率会出现逾期欠息等问题。一般遇到上面类似情况,建议直接予以拒绝。
二是结合车的历史行驶轨迹,判断出货车月行驶里程,长跑路线以及货车的长跑地等信息,结合这些信息对货车的运力作出评估。货车是货车司机的生产工具,理论上行驶里程越长货车司机的收益越高,还款的来源越稳定,避免了因还款能力不足导致逾期的可能。我们也会对客群实际数据特征,进行相应的数据分析,对相关规则进行调整。
图2是本发明实施例的针对货车司机群体的大数据风控方法的多头分析示意图。
多头分析模型从多头借贷分析主要从客户的手机使用情况、多头申请(平台数,次数、部分申请额度区间等等)、共债(平台数、次数)、逾期(平台数、次数)、圈团风险、可疑风险、设备风险等等,结合反欺诈分数进行模型测算客户的还款压力以及多头风险分数,0-60分为低风险,分数值越大,风险越高。
三是结合互联网多头借贷的模型对货车司机进行评估。多头借贷模型中使用了评分卡,把概率转化为评分,方便对齐风险。评分就是用统计的方法来识别潜在客户,判断客户是否满足风控要求。基于货车司机发生的借贷产生一系列行为数据,例如一年之内申请了几次,在几个平台、审批通过了几笔贷款、间隔多久、是否有逾期、还款***台拒借,司机就丧失了还款能力,一旦还不起,也可能就不愿意还了。
四是货车司机驾驶分。利用北斗数据,结合货车司机的历史违章情况对货车司机进行风险评估。包括超速、疲劳驾驶等等信息,驾驶分越低司机违约风险越高。
结合以上信息会给司机一个综合的授信,分值越高风险越高。
与传统的金融股风控技术相比,本发明提出的授信模型从车和人两个维度出发,通过对货车司机历史营运情况、车辆自身状况、相应工作经验、车辆驾驶情况等等,对司机的收入情况进行合理的测算,对传统风控模型进行了补充,给金融机构提供了数据支持,解决了货车司机群体授信难的问题。
***实施例一
根据本发明实施例,提供了一种针对货车司机群体的大数据风控***,图3是本发明实施例的针对货车司机群体的大数据风控***的示意图,如图3所示,具体包括:
获取模块,用于获取货车司机数据;
特征模块,用于对货车司机数据进行特征工程得到多个风控维度指标;
评估模块,用于基于多个风控维度指标评估风险。
特征模块具体用于:对货车司机数据进行特征工程得到多个风控维度指标,所述分控指标包括:货车行驶轨迹、多头借贷信息和信用良好记录。
评估模块具体用于:分析信用良好记录,若处于非正常状态则拒绝贷款,若正常则判断等级数据;基于货车行驶轨迹,判断货车行驶里程,货车行驶里程越长收益越高,得到收益数据;基于互联网多头借贷模型对货车司机进行评分还款能力数据,基于北斗数据对货车司机的历史违章情况进行评估得到违章数据,基于等级数据、收益数据、还款能力数据和违章数据计算货车司机的贷款风险。
计算货车司机的贷款风险数据具体包括:将等级数据、收益数据、还款能力数据和违章数据乘以各自对应权重后加上影响因子得到货款风险数据。
本发明实施例是与上述方法实施例对应的***实施例,各个模块的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
装置实施例一
本发明实施例提供一种针对货车司机群体的大数据风控装置的示意图,如图4所示,包括:存储器40、处理器42及存储在存储器40上并可在处理器42上运行的计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
装置实施例二
本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传输的实现程序,程序被处理器42执行时实现上述方法实施例中的步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换本发明各实施例技术方案,并不使相应技术方案的本质脱离本方案的范围。
Claims (10)
1.一种针对货车司机群体的大数据风控方法,其特征在于,包括:
S1、获取货车司机数据;
S2、对货车司机数据进行特征工程得到多个风控维度指标;
S3、基于多个风控维度指标评估风险。
2.根据权利要求1所述的方法,其特征在于,所述S2具体包括:对货车司机数据进行特征工程得到多个风控维度指标,所述分控指标包括:货车行驶轨迹、多头借贷信息和信用良好记录。
3.根据权利要求2所述的方法,其特征在于,所述S3具体包括:分析信用良好记录,若处于非正常状态则拒绝贷款,若正常则判断等级数据;基于货车行驶轨迹,判断货车行驶里程,货车行驶里程越长收益越高,得到收益数据;基于互联网多头借贷模型对货车司机进行评分还款能力数据,基于北斗数据对货车司机的历史违章情况进行评估得到违章数据,基于等级数据、收益数据、还款能力数据和违章数据计算货车司机的贷款风险。
4.根据权利要求3所述的方法,其特征在于,所述计算货车司机的贷款风险数据具体包括:将等级数据、收益数据、还款能力数据和违章数据乘以各自对应权重后加上影响因子得到货款风险数据。
5.一种针对货车司机群体的大数据风控***,其特征在于,包括:
获取模块,用于获取货车司机数据;
特征模块,用于对货车司机数据进行特征工程得到多个风控维度指标;
评估模块,用于基于多个风控维度指标评估风险。
6.根据权利要求5所述的方法,其特征在于,所述特征模块具体用于:对货车司机数据进行特征工程得到多个风控维度指标,所述分控指标包括:货车行驶轨迹、多头借贷信息和信用良好记录。
7.根据权利要求6所述的***,其特征在于,所述评估模块具体用于:分析信用良好记录,若处于非正常状态则拒绝贷款,若正常则判断等级数据;基于货车行驶轨迹,判断货车行驶里程,货车行驶里程越长收益越高,得到收益数据;基于互联网多头借贷模型对货车司机进行评分还款能力数据,基于北斗数据对货车司机的历史违章情况进行评估得到违章数据,基于等级数据、收益数据、还款能力数据和违章数据计算货车司机的贷款风险。
8.根据权利要求7所述的***,其特征在于,所述计算货车司机的贷款风险数据具体包括:将等级数据、收益数据、还款能力数据和违章数据乘以各自对应权重后加上影响因子得到货款风险数据。
9.一种针对货车司机群体的大数据风控装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的针对货车司机群体的大数据风控方法的步骤。
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上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至4中任一项所述的针对货车司机群体的大数据风控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048801.0A CN117078390A (zh) | 2023-08-18 | 2023-08-18 | 针对货车司机群体的大数据风控方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048801.0A CN117078390A (zh) | 2023-08-18 | 2023-08-18 | 针对货车司机群体的大数据风控方法、***及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078390A true CN117078390A (zh) | 2023-11-17 |
Family
ID=88712825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048801.0A Pending CN117078390A (zh) | 2023-08-18 | 2023-08-18 | 针对货车司机群体的大数据风控方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078390A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157133A (zh) * | 2016-06-30 | 2016-11-23 | 佛山市天地行科技有限公司 | 车辆金融风险控制***以及方法 |
CN107945013A (zh) * | 2017-12-22 | 2018-04-20 | 江苏满运软件科技有限公司 | 一种货车司机贷款风险控制的***及控制方法 |
CN109064312A (zh) * | 2018-07-17 | 2018-12-21 | 深圳汇加优运互联数据服务有限公司 | 一种车辆贷款风险控制方法、电子装置及存储介质 |
CN115423597A (zh) * | 2022-06-14 | 2022-12-02 | 上海金润二当家供应链管理有限公司 | 一种货车etc金融数智风控决策大数据***及方法 |
-
2023
- 2023-08-18 CN CN202311048801.0A patent/CN117078390A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157133A (zh) * | 2016-06-30 | 2016-11-23 | 佛山市天地行科技有限公司 | 车辆金融风险控制***以及方法 |
CN107945013A (zh) * | 2017-12-22 | 2018-04-20 | 江苏满运软件科技有限公司 | 一种货车司机贷款风险控制的***及控制方法 |
CN109064312A (zh) * | 2018-07-17 | 2018-12-21 | 深圳汇加优运互联数据服务有限公司 | 一种车辆贷款风险控制方法、电子装置及存储介质 |
CN115423597A (zh) * | 2022-06-14 | 2022-12-02 | 上海金润二当家供应链管理有限公司 | 一种货车etc金融数智风控决策大数据***及方法 |
Non-Patent Citations (1)
Title |
---|
苗丰民: "《海域分等定级及价值评估理论与方法》", 30 November 2007, 海洋出版社, pages: 116 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9851722B2 (en) | Apparatus and method for grouping vehicles for cooperative driving | |
Guillen et al. | Near‐miss telematics in motor insurance | |
CN110246030B (zh) | 多方联动的贷后风险管理方法、终端、装置及存储介质 | |
US20120296806A1 (en) | Computer-Implemented Risk Evaluation Systems And Methods | |
Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
WO2014121125A2 (en) | Methods and systems for processing debt portfolios | |
Laas et al. | Empirical findings on motor insurance pricing in Germany, Austria and Switzerland | |
CN113220447B (zh) | 基于边缘计算的金融风控***及方法 | |
Fu et al. | Estimating insurance attrition using survival analysis | |
CN112365143B (zh) | 应用于金融企业的中台*** | |
Liu | New issues in credit scoring application | |
CN117078390A (zh) | 针对货车司机群体的大数据风控方法、***及装置 | |
Bao et al. | Emerging freight truck technologies: effects on relative freight costs | |
Bai et al. | Trade-off analysis methodology for asset management | |
CN108961037B (zh) | 一种基于对车辆使用情况评估算法的车辆贷款风控方法及装置 | |
Nafukho et al. | A study of truck drivers and their job performance regarding highway safety | |
Lin et al. | Research on Credit Big Data Algorithm Based on Logistic Regression | |
Khasnabis et al. | Procedure to evaluate alternatives to transit bus replacement | |
Kitchens et al. | Genetic adaptive neural networks for prediction of insurance claims | |
Berkowitz et al. | Forecasting vehicle holdings and usage with a disaggregate choice model | |
Khan et al. | Forecasting Automobile Insurance Claims: Examining the Interplay of Policyholder Traits for Enhanced Predictive Insights | |
Mostafaeipour et al. | A new conceptual model for CO2 reduction in hot and dry urban areas: a case study of Mashhad in Iran | |
Miller | Develop a social return on investment framework for Iowa rural bridge transportation asset management | |
Chen | Essays in Industrial Organization and Environmental Economics | |
Dong et al. | Analysis of TuSimple’s Investment Value |
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 |