BR112019025671A2

BR112019025671A2 - sistema e método para conceder um empréstimo a um consumidor determinado como sendo um bom pagador

Info

Publication number: BR112019025671A2
Application number: BR112019025671-7A
Authority: BR
Inventors: Paolo Fidanza; Andres ROSSO; Andrii Kurinnyi
Original assignee: Mo Tecnologías, Llc
Priority date: 2017-06-05
Filing date: 2018-05-07
Publication date: 2020-09-01
Also published as: EP3635673A4; US20210097603A1; WO2018226337A1; PE20200312A1; MX2019014614A; ECSP20000116A; JP6913241B2; US20180349986A1; CO2019013854A2; CA3065807C; US10878494B2; CL2019003535A1; JP2020522832A; CA3065807A1; AU2018281831A1; EP3635673A1

Abstract

  A presente invenção refere-se a um sistema e um método de determinação da condição de bom pagador de um consumidor e concessão de um empréstimo e geração de um perfil comportamental para esse consumidor. Um conjunto inicial de dados é adquirido do consumidor, o qual inclui atributos de não identificação sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor. Um número de ID de usuário combina o conjunto inicial de dados a um usuário físico em um banco de dados de transação. Uma pontuação de crédito baseada no crédito médio entre perfis de usuário é combinada para determinar um crédito máximo para o consumidor. Um modelo de aprendizagem de máquina pode ser aplicado aos dados de empréstimo de consumidor armazenados para determinar quando o consumidor requer um aumento no crédito máximo permitido e o risco envolvido com o aumento do crédito máximo permitido.

Description

Relatório Descritivo da Patente de Invenção para "SISTEMA E MÉTODO PARA CONCEDER UM EMPRÉSTIMO A UM

CONSUMIDOR DETERMINADO COMO SENDO UM BOM PAGADOR". Pedido(s) de Prioridade

[001] O presente pedido de patente é baseado no Pedido de Patente do tipo continuação-em-parte número de série 15/964.247 depositado em 27 de abril de 2018, que é baseado no Pedido de Patente U.S. número de série 15/847.991 depositado em 20 de dezembro de 2017, que é baseado no Pedido de Patente Provisório U.S. número de série 62/543.443 depositado em 10 de agosto de 2017, e baseado no Pedido de Patente Provisório U.S. número de série 62/515.053 depositado em 05 de junho de 2017, cujas divulgações são incorporadas no presente documento a título de referência em sua totalidade. Campo da Invenção

[002] A presente invenção refere-se ao campo de operação bancária móvel e, mais particularmente, a presente invenção refere-se a um sistema e um método para determinar a condição de bom pagador de pessoas físicas ou pessoas jurídicas, conceder um empréstimo, e gerar um perfil comportamental enquanto realça o processamento de computador e a operação de sistema e realça a interoperação entre bancos de dados e permite a predição de dívida incobrável. Antecedentes da Invenção

[003] Os usuários móveis podem agora usar dispositivos móveis, tais como dispositivos de comunicações sem fio móveis, isto é, telefones móveis, blocos de anotações, computadores pessoais, e computadores do tipo notebook, para receber fundos, transferir fundos, pagar contas, e comprar produtos diferentes ao usar uma plataforma tal como uma e-wallet ou um outro aplicativo de transação hospedeiro tal como Uber, Facebook, eBay ou um outro serviço. Uma e-wallet também é conhecida como uma carteira eletrônica e, em um aspecto, é uma carteira digital que opera com sistemas diferentes, incluindo Windows®, Apple®, e outras plataformas móveis. A e-wallet pode armazenar senhas, números de cartão de crédito, e outras informações pessoais com segurança ao usar, por exemplo, a criptografia AES de 256 bits. Os dados são sincronizados com um desktop da e-wallet e as versões móveis selecionadas são providas. As carteiras digitais permitem que um indivíduo faça transações eletrônicas e uma conta bancária de um indivíduo possa ser ligada à carteira digital. Outros dados pertinentes à aplicação da e-wallet podem incluir uma carteira de habilitação de trânsito, um cartão de saúde, um cartão de fidelidade, ou outros cartões e documentos de identificação armazenados no dispositivo móvel. Às vezes o número de telefone móvel do usuário serve como um identificador singular, e um serviço de troca de mensagens curtas (SMS) pode ser usado para as transações monetárias móveis.

[004] Um exemplo de tal sistema de processamento de empréstimo é divulgado na Publicação de Patente U.S. Nº. 2012/0239553 que provê um método para processar e financiar empréstimos a curto prazo para consumidores. Este sistema do empréstimo liga uma porção da instalação de armazenamento de crédito móvel a um dispositivo móvel associado com um usuário. Um pedido de um empréstimo a curto prazo do consumidor é recebido através do dispositivo móvel e a entidade concede ou rejeita a aprovação do empréstimo a curto prazo. A informação da identidade pode ser usada como número de identificação do dispositivo móvel associado com um usuário, um nome legal e um número de seguridade social. As informações de identificação podem ser usadas para registrar ou estabelecer um histórico de crédito e processar transações.

[005] Neste tipo de sistema de processamento de empréstimo, um usuário não consegue permanecer anônimo porque as informações de identificação tais como o nome, o número de seguridade social e as informações sobre o cartão de crédito/débito do usuário como um consumidor são requeridas para tomar uma decisão no caso de um empréstimo a curto prazo ou outro ter que ser concedido ou negado. A requisição de tais dados pessoais e o processamento dos mesmos podem ser demorados e o processamento em servidores e bancos de dados diferentes pode aumentar a complexidade e o processamento de despesas gerais indiretas. Maneiras mais eficientes para realçar a velocidade do processamento e a eficiência sem requerer a recuperação e o processamento de dados pessoais extensivos, especialmente para nano e microempréstimos menores, são desejáveis. Sumário da Invenção

[006] Este sumário é fornecido para apresentar uma seleção de conceitos que são descritos mais adiante na descrição detalhada. Este sumário não se presta a identificar as características chaves ou essenciais do objeto reivindicado, nem se presta a ser usado como um auxiliar na limitação do âmbito do objeto reivindicado.

[007] Um método de determinação da condição de bom pagador e de concessão de empréstimo a consumidores compreende a conexão de um dispositivo de comunicações sem fio móvel de um consumidor através de uma rede de comunicações sem fio a um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador, e um banco de dados de transação conectados ao mesmo. O método inclui a aquisição no servidor de concessão de empréstimo de um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor.

O conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor.

O método inclui a geração aleatória no servidor de concessão de empréstimo de um número de ID de usuário que combina o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e o armazenamento do conjunto inicial de dados e o número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário.

O método também inclui a geração no servidor de concessão de empréstimo de uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e a combinação de uma sequência de atributos de dados baseada no número de ID de usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor.

Um empréstimo é aprovado com base no crédito máximo permitido do consumidor, e um código da aprovação de empréstimo é transmitido do servidor de concessão de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor para confirmar ou inserir um valor de um empréstimo a ser feito.

O método inclui a recepção de volta do consumidor da confirmação ou do valor do empréstimo a ser feito e de uma indicação de como deve ser disperso e, em resposta, a creditação da e-wallet do consumidor ou o pagamento de uma conta associada com uma conta do consumidor no valor do empréstimo.

[008] O método também permite a predição da dívida incobrável e pode incluir o estabelecimento de uma data de vencimento para o reembolso do empréstimo e armazenar dentro do banco de dados do consumidor os dados de empréstimo do consumidor sobre as transações repetidas com o consumidor que incluem dados de reembolso de empréstimo para cada empréstimo. Com base nesses dados de empréstimo de consumidor armazenados, o método aplica no servidor de concessão de empréstimo um modelo de aprendizagem de máquina aos dados de empréstimo de consumidor e determina quando o consumidor requer um aumento no crédito máximo permitido e o risco envolveu com o aumento do crédito máximo permitido.

[009] O modelo de aprendizagem de máquina compreende um modelo de regressão que pode compreender uma janela móvel que leva em consideração a média da conta, o desvio padrão, o número médio, a curtose e a assimetria. O método também pode compreender a inserção de dados de entrada/saída do passado ao modelo de aprendizagem de máquina, em que os dados de entrada/saída do passado compreendem um vetor para a entrada relacionado aos dados de empréstimo de consumidor do passado e a uma saída relacionada a uma probabilidade entre 0 e 1 que indica se um consumidor irá ser enquadrado na dívida incobrável.

[0010] Uma probabilidade maior do que 0,6 é indicativa de um alto risco que um consumidor irá ser enquadrado na dívida incobrável. Um resultado variável alvo do modelo de aprendizagem de máquina pode compreender um resultado binário que indique se um consumidor será um risco de dívida incobrável dentro de sete dias. O método também pode compreender a coleta de dados de empréstimo de consumidor por um período de seis meses e classificar consumidores em duas classes como: 1) um mau cliente que tem uma probabilidade de alto risco de ser enquadrado na dívida incobrável, e 2) um bom cliente que tem uma probabilidade de baixo risco de ser enquadrado na dívida incobrável.

[0011] O método também pode compreender a geração de um perfil comportamental para o consumidor baseado na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e também correlacionar padrões de localização periódica a atividades de transação e predição pelo perfil e do consumidor e periodicidade, de padrões de desembolso de empréstimo, de uso dos empréstimos, de reembolsos de empréstimo e de atividades de transação. O método também pode compreender a geração do perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação, e o uso da afinidade e da análise da via da compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

[0012] O método também pode compreender a conexão do dispositivo de comunicações sem fio móvel do consumidor à rede de comunicações sem fio e o servidor de concessão de empréstimo através da e-wallet e o armazenamento das informações no banco de dados de transação sobre os consumidores que assinam uma e-wallet e suas transações, a exibição de uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel, em que o consumidor interage com a e-wallet através da API no dispositivo de comunicações sem fio móvel, e em que os atributos de não identificação compreendem o gênero, a idade, a posição, o tipo de telefone, e o operador do celular.

[0013] O método também pode compreender a transmissão do crédito máximo através da API à e-wallet que é etiquetada com o número de ID de usuário gerado aleatoriamente, a combinação do número de ID de usuário ao consumidor real, e a adição de novos atributos ao consumidor e a creditação de um empréstimo à e-wallet para o consumidor. Em resposta à recepção do código de aprovação de empréstimo, o consumidor acessa pelo menos uma tela da API no dispositivo de comunicações sem fio móvel e insere os dados indicativos do valor do empréstimo a ser feito e transmite esses dados ao servidor de concessão de empréstimo para obter o empréstimo.

[0014] Um sistema de determinação da condição de bom pagador e de concessão de empréstimo aos consumidores compreende um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador, e um banco de dados de transação conectados ao mesmo. Uma rede de comunicações sem fio é conectada ao servidor de concessão de empréstimo. O processador e o módulo de comunicações são operativos um com o outro para se comunicar com um consumidor que opera um dispositivo de comunicações sem fio através da rede de comunicações sem fio e adquirir um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor. O conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor. O controlador também é configurado para gerar aleatoriamente um número de ID de usuário que combine o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e armazenar o conjunto inicial de dados e o número de ID de usuário que correspondem ao consumidor no banco de dados de transação como um perfil de usuário. O processador gera uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e combina uma sequência de atributos de dados baseada no número de ID de usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor. O controlador aprova um empréstimo com base no crédito máximo permitido do consumidor e configura o módulo de comunicações para transmitir um código de aprovação de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor para confirmar ou inserir um valor de um empréstimo a ser feito e para receber de volta do consumidor a confirmação ou valor o empréstimo a ser feito e uma indicação de como deve ser disperso. Em resposta, o processador credita a e-wallet do consumidor ou paga uma conta associada com uma conta do consumidor no valor do empréstimo.

[0015] O processador pode estabelecer uma data de vencimento para o reembolso do empréstimo e armazena dentro do banco de dados de transação os dados de empréstimo de consumidor sobre as transações de empréstimo repetidas com o consumidor que inclui dados de reembolso de empréstimo para cada empréstimo e, com base nesses dados de empréstimo de consumidor armazenados, aplica no servidor de concessão de empréstimo um modelo de aprendizagem de máquina aos dados de empréstimo de consumidor, e determina quando o consumidor requer um aumento no crédito máximo permitido e o risco envolvido com o aumento do crédito máximo permitido.

[0016] O modelo de aprendizagem de máquina pode compreender um modelo de regressão que tem uma janela móvel que leva em consideração a média da conta, desvio padrão, número médio, o curtose e o assimetria, e o processador também é configurado para inserir dados de entrada/saída do passado ao modelo de aprendizagem de máquina, em que os dados de entrada/saída do passado compreendem um vetor para a entrada relacionado aos dados de empréstimo de consumidor do passado e uma saída relacionada a uma probabilidade entre 0 e 1 que indica se um consumidor irá ser enquadrado na dívida incobrável. Uma probabilidade maior do que 0,6 é indicativa de um alto risco que um consumidor irá ser enquadrado na dívida incobrável. Um resultado variável alvo do modelo de aprendizagem de máquina pode compreender um resultado binário que indique se um consumidor será um risco da dívida incobrável dentro de sete dias.

[0017] O processador pode ser configurado para coletar os dados de empréstimo de consumidor por um período de seis meses e para classificar consumidores em duas classes como: 1) um mau cliente que tem uma probabilidade do alto risco de ser enquadrado na dívida incobrável, e 2) um bom cliente que tem uma probabilidade de baixo risco de ser enquadrado na dívida incobrável. O processador pode ser configurado para gerar um perfil comportamental para o consumidor baseado na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e também correlacionar padrões de localização periódica para empréstimo e atividades de transação e predizer pelo perfil do consumidor e periodicidade, os padrões de desembolso de empréstimo, o uso de empréstimo, os reembolsos de empréstimo e as atividades de transação. O processador pode ser configurado para gerar o perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e afinidade de uso e análise da via de compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

[0018] O processador também pode ser configurado para conectar o dispositivo de comunicações sem fio móvel do consumidor à rede de comunicações sem fio e o servidor de concessão de empréstimo através da e-wallet e armazenar as informações no banco de dados de transação sobre os consumidores que assinam uma e-wallet e suas transações, exibir uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel, em que o consumidor interage com a e-wallet através da API no dispositivo de comunicações sem fio móvel, e em que os atributos de não identificação podem compreender o gênero, a idade, a posição, o tipo do telefone e o operador do celular. O processador pode ser configurado para transmitir o crédito máximo através da API à e-wallet que é etiquetada com o número de ID de usuário gerado aleatoriamente, combinar o número de ID de usuário ao consumidor real, e adicionar novos atributos do consumidor e creditação de um empréstimo à e-wallet para o consumidor. Descrição dos Desenhos

[0019] Outros objetos, características e vantagens da presente invenção tornar-se-ão aparentes a partir da descrição detalhada da invenção a seguir, quando considerada à luz dos desenhos anexos, nos quais:

[0020] A Figura 1 é um diagrama de blocos fragmentado que mostra componentes do sistema da concessão de empréstimo de acordo com um exemplo não limitador.

[0021] A Figura 2 é um fluxograma de blocos fragmentado que mostra o fluxo de dados para um processo de pré-classificação.

[0022] A Figura 3 é um fluxograma de blocos fragmentado que mostra o fluxo de dados entre componentes do sistema para uma atualização da decisão de crédito.

[0023] A Figura 4 é um fluxograma de blocos fragmentado que mostra o fluxo de dados entre componentes no depósito de dados.

[0024] A Figura 5 é um diagrama de blocos de aquisição de dados externos ao usar o sistema da Figura 1.

[0025] A Figura 6 é um fluxograma que mostra a seleção de atributos ao usar o sistema da Figura 1.

[0026] A Figura 7 é de um diagrama de blocos que mostra os tipos de empréstimo e desembolsos ao usar o sistema da Figura 1.

[0027] A Figura 8 é uma sequência do fluxo de confirmação de um pedido do empréstimo ao usar o sistema da Figura 1.

[0028] A Figura 9 é uma sequência do fluxo de pagamento de uma conta e de recepção da notificação.

[0029] A Figura 10 é uma sequência do fluxo de crédito garantido.

[0030] A Figura 11 é uma sequência do fluxo de um reembolso completo.

[0031] A Figura 12 é uma sequência do fluxo de reembolso parcial.

[0032] A Figura 13 é uma estrutura digital exemplificadora de um menu de USSD para pedir um empréstimo.

[0033] A Figura 14 é uma estrutura digital exemplificadora de um menu de USSD para pagar um empréstimo.

[0034] A Figura 15 é uma estrutura digital exemplificadora de um menu de USSD para consultar um empréstimo.

[0035] A Figura 16 é uma estrutura digital exemplificadora de um menu de aplicativo em um telefone móvel para pedir um empréstimo pré-aprovado.

[0036] A Figura 17 é uma estrutura digital exemplificadora do menu de aplicativo da Figura 16 para pagar um empréstimo.

[0037] A Figura 18 é uma estrutura digital exemplificadora do menu de aplicativo para pagar um empréstimo.

[0038] A Figura 19 é uma estrutura digital exemplificadora do menu de aplicativo para consultar um empréstimo.

[0039] A Figura 20 é estrutura digital exemplificadora do menu de aplicativo para consultar um empréstimo.

[0040] A Figura 21 é uma estrutura digital exemplificadora do menu de aplicativo para obter ajuda.

[0041] A Figura 22 é uma estrutura digital exemplificadora do menu de aplicativo para notificações em um menu de ajuda.

[0042] A Figura 23 é uma estrutura digital exemplificadora do menu de aplicativo para perguntas normalmente feitas.

[0043] A Figura 24 é uma estrutura digital exemplificadora do menu de aplicativo para uma forma de contato.

[0044] A Figura 25 é uma estrutura digital exemplificadora do menu de aplicativo para uma sessão de bate-papo.

[0045] A Figura 26 é uma estrutura digital exemplificadora da Home Page de um portal da Web que usa o sistema de concessão de empréstimo da Figura 1.

[0046] A Figura 27 é uma estrutura digital exemplificadora do portal da Web para confirmar um pedido de empréstimo.

[0047] A Figura 28 é uma outra estrutura digital exemplificadora do portal da Web para confirmar um pedido de empréstimo.

[0048] A Figura 29 é uma estrutura digital exemplificadora do portal da Web para consultar todos os empréstimos.

[0049] A Figura 30 é uma estrutura digital exemplificadora do portal da Web para selecionar um empréstimo.

[0050] A Figura 31 é uma estrutura digital exemplificadora do portal da Web para consultar um empréstimo selecionado.

[0051] A Figura 32 é uma estrutura digital exemplificadora do portal da Web para pagar um empréstimo selecionado.

[0052] A Figura 33 é uma estrutura digital exemplificadora do portal da Web para pagar um empréstimo selecionado.

[0053] A Figura 34 é uma estrutura digital exemplificadora do portal da Web para confirmar o pagamento.

[0054] A Figura 35 é uma estrutura digital exemplificadora do portal da Web para um menu de ajuda.

[0055] A Figura 36 é uma estrutura digital exemplificadora do portal da Web para o menu de ajuda.

[0056] A Figura 37 é uma estrutura digital exemplificadora do portal da Web para mostrar um menu do histórico.

[0057] A Figura 38 é uma estrutura digital exemplificadora do portal da Web para o menu do histórico.

[0058] A Figura 39 é uma estrutura digital exemplificadora do portal da Web para o menu do histórico e pedido de um certificado.

[0059] A Figura 40 é um gráfico temporal fragmentado para a predição comportamental de um consumidor que usa o sistema da concessão de empréstimo da Figura 1.

[0060] A Figura 41 é um gráfico que mostra uma média móvel para uma série temporal para as recargas feitas por um usuário.

[0061] A Figura 42 é um gráfico de pizza que mostra uma distribuição de classes no conjunto de dados.

[0062] As Figuras 43A a 43P são gráficos que mostram exemplos de tendências diferentes nas duas classes.

[0063] A Figura 44A é um gráfico que mostra o gráfico do tipo lag plot de dívida pagável.

[0064] A Figura 44B é um gráfico que mostra o gráfico do tipo lag plot de débito regular.

[0065] A Figura 44C é um gráfico que mostra o gráfico do tipo lag plot de dívida incobrável.

[0066] A Figura 45 é um gráfico de barras que mostra a pontuação das características.

[0067] A Figura 46 é um gráfico que mostra a curva de aprendizagem para uma taxa positiva verdadeira (TPR) que aumenta com a adição de mais exemplos do treinamento.

[0068] A Figura 47 é um gráfico que mostra a métrica do desempenho.

[0069] As Figuras 48A e 48B são gráficos que mostram a probabilidade P(1) para dois clientes que entraram em um estado de dívida incobrável.

[0070] As Figuras 49A e 49B são gráficos que mostram a probabilidade P(1) para dois clientes maus regulares que entraram em um estado de dívida incobrável.

[0071] As Figuras 50A e 50B são gráficos que mostram a probabilidade P(1) para dois clientes da classe 0.

[0072] A Figura 51 é um gráfico que mostra a porcentagem de alarmes versus o limite e mostra a taxa de verdadeiro positivo e a taxa de falso positivo.

[0073] A Figura 52 é um modelo gráfico da arquitetura para a predição de dívida incobrável e proteção de risco de crédito. Descrição Detalhada

[0074] As modalidades diferentes serão descritas agora de maneira mais ampla a seguir com referência aos desenhos anexos, nos quais são mostradas as modalidades preferidas. Muitas formas diferentes podem ser indicadas e as modalidades descritas não devem ser interpretadas como limitadas às modalidades indicadas no presente documento. Ao invés disto, estas modalidades são fornecidas de modo que esta divulgação seja integral e completa, e irão conduzir completamente o âmbito aos elementos versados na técnica.

[0075] O sistema de concessão de empréstimo que é descrito em detalhes a seguir inclui um sistema ou plataforma de aprovação de crédito e concessão de empréstimo que opera através de um servidor de concessão de empréstimo que permite nano e microcréditos e a pré-classificação anônima para uso no dispositivo de comunicações sem fio móvel de um usuário ou em um portal da web ou uma plataforma de software relacionada de um usuário. É um novo sistema de avaliação de crédito que supera as desvantagens dos sistemas existentes que requerem informações pessoais e frequentemente confidenciais tais como nomes, sobrenomes, números de seguridade social, informações sobre cartão de crédito e/ou débito, e até mesmo um histórico do crédito do usuário. Ao usar o presente sistema de concessão de empréstimo, pode ser classificada uma pessoa cujo conceito de crédito seja difícil de compreender, tais como novas pessoas, locadoras e pessoas com rendas menores. A pré- classificação pode ser realizada de forma anônima baseada em dados de transação do usuário em uma plataforma tal como uma e-wallet ou uma outra plataforma de transação, por exemplo, Uber, Facebook, eBay, ou plataformas similares. Os dados podem ser baseados na localização do usuário, no gênero, na faixa de idade, no operador do celular e no modelo do telefone celular, como exemplos não limitadores.

[0076] Um mecanismo de regras de empréstimo como parte do servidor do sistema e qualquer processador associado inclui um algoritmo de mecanismo de decisão do crédito como um mecanismo de regras de empréstimo como parte da arquitetura do sistema e pode usar a análise do comportamento de dados de aprendizagem da máquina e modelos matemáticos preditivos. O algoritmo de pontuação de crédito como parte do mecanismo de regras de empréstimo é dinâmico e ajusta a pontuação continuamente com base na correlação de dados a fim de otimizar o valor da concessão máxima de empréstimo e o número máximo de empréstimos que são concedidos a um usuário, por exemplo, como um fator de um valor mínimo da dívida incobrável. A arquitetura do sistema assegura a segurança e a velocidade, na resposta do sistema e escalabilidade pela hospedagem, por exemplo, de componentes compatíveis com Amazon Web Services (AWS) e PCI, mas também assegura uma operação realçada do computador e do sistema. Os dados podem ser controlados para permitir a pré-classificação a fim de otimizar a experiência de um usuário e retornar as decisões de empréstimo e crédito em poucos segundos, por exemplo, um máximo de 20 segundos. Este período de tempo pode incluir qualquer atraso na transmissão em muitos exemplos. Essa abordagem de análise anônima usada pelo sistema de concessão de empréstimo remove qualquer requisito para que o usuário insira as informações e resulta em uma estrutura mais simples e mais eficiente ao usar, por exemplo, os sistemas baseados em UNIX que têm diferentes padrões de desenho, tais como Model – View - Controller (MVC). É independente da plataforma e suporta agentes de clientes diferentes para uma experiência de cliente realçada.

[0077] O sistema de concessão de empréstimo tal como descrito também é indicado nesta descrição como sistema de MO e algumas vezes é explicado pela designação "MO$" nos desenhos, e é uma arquitetura e plataforma de sistema completa que inclui um servidor de MO e processadores operativos tais como um mecanismo de regras de empréstimo e operativos com bancos de dados que são integrados com o servidor de MO ou bancos de dados separados e operativos como um depósito de dados. Outros componentes do sistema podem incluir uma e-wallet associada com o usuário, um aplicativo de API e um banco de dados de aplicativo. O mecanismo de regras de empréstimo opera como um mecanismo de decisão de crédito. O sistema de MO é inovador e não usa nenhum dos dados tradicionais e dos registros de crédito que podem ser privativos e confidenciais para o usuário. O sistema de MO pré-classifica os usuários de maneira anônima. Tipicamente não é necessário inserir informações pessoais tais como o nome, o sobrenome, o número de seguridade social, ou informações do cartão de crédito/débito de um usuário a fim de tomar uma decisão de crédito ou empréstimo. O sistema de MO analisa os dados de transação de uma e-wallet ou de um outro aplicativo de hospedagem e combina essa informação com os dados das fontes de dados externas para atribuir um crédito máximo. Esta é geralmente uma quantia menor tal como útil com nano e microempréstimos. O sistema de MO como um sistema de crédito e empréstimo é integrado com a e-wallet tal como incorporado com aplicativos de dispositivos móveis ou um aplicativo de hospedagem em um portal da Web. O sistema de MO é amigável e intuitivo para o usuário, ao usar em um exemplo um máximo de três cliques ou entradas em um dispositivo móvel ou um outro dispositivo para obter um empréstimo e desembolso. O usuário não precisa fornecer nenhuma informação detalhada adicional. A decisão de crédito é baseada em dados de transação e nos dados de fontes externas que o sistema de MO coleta automaticamente. Uma vantagem do sistema é que em muitos casos o usuário já é pré-aprovado. Uma vez pedido, o empréstimo é creditado à e-wallet ou ao aplicativo de hospedagem em menos de um minuto.

[0078] Tal como explicado em mais detalhes a seguir, o sistema de MO suporta três tipos de crédito como proativo, reativo e incorporado, e suporta três tipos de desembolso como pagamento de conta não restrito, restrito e direto. O sistema de MO pode incluir um Customer Communication Manager (CCM) como parte do servidor de MO para controlar o envio de mensagens a usuários diferentes. É 24/7 disponível, de modo que um usuário pode pedir um empréstimo a qualquer momento e em qualquer lugar. O sistema de MO não deve armazenar a ID ou informações pessoais de um usuário, uma vez que os dados são processados através de um código de identificação anônimo.

[0079] O sistema é operativo para determinar a condição de bom pagador e a concessão de empréstimo aos consumidores e gerar um perfil comportamental dos consumidores. Um dispositivo de comunicações sem fio móvel de um consumidor é conectado através de uma rede de comunicações sem fio a um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador como um controlador, e um banco de dados de transação conectados ao mesmo. O método inclui a aquisição no servidor de concessão de empréstimo de um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor. O conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor. O método inclui a geração aleatória no servidor de concessão de empréstimo de um número de ID de usuário que combina o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e armazena o conjunto inicial de dados e o número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário.

[0080] O método também inclui a geração no servidor de concessão de empréstimo de uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e a combinação de uma sequência de atributos de dados baseada no número da ID do usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor. Um empréstimo é aprovado com base no crédito máximo permitido do consumidor e um código de aprovação de empréstimo é transmitido do servidor de concessão de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor para confirmar ou inserir um valor de um empréstimo a ser feito. O método inclui a recepção de volta do consumidor da confirmação ou valor do empréstimo a ser feito e uma indicação de como deve ser disperso e, em resposta, a creditação da e-wallet do consumidor ou o pagamento de uma conta associada com uma conta do consumidor no valor do empréstimo. Um perfil comportamental para o consumidor é gerado com base na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e também a correlação de padrões de localização periódica a atividades de empréstimo e transação.

[0081] O método também pode incluir a geração do perfil comportamental ao usar uma modelagem de conversação do cliente ou uma análise de múltiplas linhas ou qualquer combinação destas. O método também pode incluir a geração do perfil comportamental com base na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e usar a afinidade e a análise da via de compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

[0082] Os check-ins e a localização do consumidor para um consumidor podem ser combinados contra um banco de dados de localizações conhecidas que inclui dados a respeito das lojas, localizações privativas, locais públicos e dados de transação e a correlação de padrões de localização periódica a atividades de empréstimo e de transação. O método pode incluir a predição pelo perfil do consumidor e periodicidade, dos padrões de desembolso de empréstimo, do uso de empréstimos, dos reembolsos de empréstimo e das atividades de transação. O método pode incluir a conexão do dispositivo de comunicações sem fio e ao servidor de concessão de empréstimo através da e-wallet e o armazenamento das informações no banco de dados de transação sobre os consumidores que assinam uma e-wallet e suas transações e a exibição de uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel. O consumidor interage com a e-wallet através da API no dispositivo de comunicações sem fio móvel.

[0083] Os atributos de não identificação podem incluir o gênero, a idade, a posição, o tipo do telefone e o operador do celular. O método pode incluir a transmissão do crédito máximo através da API à e-wallet que é etiquetada com o número de ID de usuário gerado aleatoriamente, a combinação do número de ID de usuário ao consumidor real, e a adição de novos atributos ao consumidor e a creditação de um empréstimo à e-wallet para o consumidor. Em resposta à recepção do código de aprovação de empréstimo, o consumidor acessa pelo menos uma tela da API no dispositivo de comunicações sem fio móvel e insere os dados indicativos do valor do empréstimo a ser feito e transmite esses dados ao servidor de concessão de empréstimo para obter o empréstimo.

[0084] Um método de determinação da condição de bom pagador e de concessão de empréstimo aos consumidores inclui a conexão de um dispositivo de comunicações sem fio móvel de um consumidor através de uma rede de comunicações sem fio a um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador como controlador, e um banco de dados de transação conectados ao mesmo. O método inclui a aquisição no servidor de concessão de empréstimo de um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor, em que o conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor. O método também inclui a geração aleatória no servidor de concessão de empréstimo de um número de ID de usuário que combine o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e armazene o conjunto inicial de dados e o número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário. O método inclui a geração no servidor de concessão de empréstimo de uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e ao combinar uma sequência de atributos de dados com base no número de ID do usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor. Um empréstimo é aprovado com base no crédito máximo permitido do consumidor e a transmissão de um código de aprovação de empréstimo do servidor de concessão de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor para confirmar ou inserir um valor de um empréstimo a ser feito e a recepção de volta do consumidor da confirmação ou valor o empréstimo a ser feito, e uma indicação de como deve ser disperso. Em resposta, a e-wallet do consumidor é creditada ou uma conta associada com uma conta do consumidor é paga no valor do empréstimo.

[0085] Um sistema de determinação da condição de bom pagador e de concessão de empréstimo aos consumidores pode incluir um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador ou um controlador, e um banco de dados de transação conectados ao mesmo.

Uma rede de comunicações sem fio é conectada ao servidor de concessão de empréstimo.

O processador como um controlador e o módulo de comunicações são operativos um com o outro para se comunicar com um consumidor que opera um dispositivo de comunicações sem fio através da rede de comunicações sem fio e adquirir um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor.

O processador também é configurado para gerar aleatoriamente um número de ID de usuário que combine com o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e para armazenar o conjunto inicial de dados e o número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário.

O processador gera uma pontuação do crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e combina uma sequência de atributos de dados baseada no número de ID de usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor.

O processador aprova um empréstimo baseado no crédito máximo permitido do consumidor e configura o módulo de comunicações para transmitir um código de aprovação de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor para confirmar ou inserir um valor de um empréstimo a ser feito e para receber de volta do consumidor a confirmação ou valor do empréstimo a ser feito e uma indicação de como deve ser disperso. Em resposta, o processador credita a e-wallet do consumidor ou paga uma conta associada com uma conta do consumidor no valor do empréstimo.

[0086] O processador é configurado para gerar um perfil comportamental para o consumidor com base na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimos e também correlacionar os padrões de localização periódica a atividades de empréstimo e de transação. O processador é configurado para gerar o perfil comportamental ao usar a modelação de uma conversação do cliente ou uma análise de múltiplas linhas ou qualquer combinação destas. O processador é configurado para gerar o perfil comportamental com base na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e ao usar a afinidade e a análise da via de compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo. O controlador é configurado para combinar os check-ins do consumidor a pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e a localização para um consumidor contra um banco de dados de localizações conhecidas que inclui os dados a respeito de lojas, locais privativos, lugares públicos e dados de transação e correlacionar os padrões de localização periódica a atividades empréstimo e de transação. Os atributos de não identificação compreendem o gênero, a idade, a posição, o tipo do telefone, e o operador do celular.

[0087] O sistema e o método podem determinar quando seu consumidor requer um aumento no crédito máximo permitido e o risco envolvido com o aumento do crédito máximo permitido. Uma data de vencimento para o reembolso do empréstimo é estabelecida e o sistema irá armazenar do banco de dados de transação os dados de empréstimo de consumidor sobre transações de empréstimo repetidas com o consumidor que inclui dados de reembolso de empréstimo para cada empréstimo. Com base nesses dados de empréstimo de consumidor armazenados, o sistema aplica no servidor de concessão de empréstimo um modelo de aprendizagem de máquina aos dados de empréstimo de consumidor e determina quando o consumidor requer um aumento no crédito máximo permitido e o risco envolvido com o aumento do crédito máximo permitido.

[0088] Em um exemplo, o modelo da máquina pode incluir um modelo de regressão que tem uma janela móvel que leva em consideração a média da conta, o desvio padrão, o número médio, a curtose e a assimetria. O sistema e o método também podem compreender a inserção de dados de entrada/saída do passado no modelo de aprendizagem de máquina. Esses dados de entrada/saída do passado compreendem um vetor para a entrada relacionado aos dados de empréstimo de consumidor do passado e uma saída relacionada a uma probabilidade entre 0 e 1 que indica se um consumidor irá ser enquadrado na dívida incobrável. Em ainda um outro exemplo, uma probabilidade maior do que 0,6 é indicativa de um alto risco que um consumidor irá ser enquadrado na dívida incobrável. O resultado variável alvo do modelo de aprendizagem de máquina pode compreender um resultado binário que indica se um consumidor será um risco de dívida incobrável dentro de sete dias.

[0089] O sistema e o método podem incluir a coleta de dados de empréstimo de consumidor por um período de seis meses e a classificação dos consumidores em duas classes como: (1) um mau cliente que tem uma probabilidade do alto risco de ser enquadrado na dívida incobrável, e (2) um bom cliente que tem uma probabilidade de baixo risco de ser enquadrado na dívida incobrável. O sistema e o método também podem gerar um perfil comportamental para o consumidor baseado na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e também correlacionar os padrões de localização periódica a atividades de empréstimo e de transação e predizer pelo perfil do consumidor e a periodicidade os padrões de desembolso de empréstimo, o uso de empréstimos, os reembolsos de empréstimo, e as atividades de transação.

[0090] O método também pode incluir a geração do perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e usar a afinidade e a análise da via de compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

[0091] A Figura 1 é um diagrama de blocos de alto nível de um sistema de decisão de crédito exemplificador e um sistema de concessão de empréstimo que mostra os componentes básicos de todo o sistema em rede indicado geralmente em 100 e inclui o sistema de MO 101 que inclui um servidor de MO 101a que também corresponde ao servidor de concessão de empréstimo e pode ter os componentes associados com uma Nuvem Privativa Virtual (VPC) 102, incluindo uma REST API 104 e confere interoperabilidade entre os sistemas computadorizados na Internet permitindo que os sistemas acessem e manipulem as informações textuais. O servidor de MO 101 inclui um processador tal como um controlador 106 com outros componentes de circuito, incluindo software e/ou firmware operativos como um separa o banco de dados de transação que pode ser um

Mecanismo de Regra Local e um banco de dados de transação integrado ou separado que pode ser um subcomponente ou incluir um Depósito de Dados 108 que pode ser incorporado com ou separado do servidor de MO 101a.

[0092] O servidor de MO 101 inclui o processador como um controlador 106 que também pode incluir um módulo de aprendizagem de máquina que seja operativo para fazer com que o processador aplique um modelo de aprendizagem de máquina a todos os dados de empréstimo de consumidor armazenados e determinar quando o consumidor requer um aumento no crédito máximo permitido e o risco envolvido com o aumento do crédito máximo permitido. As transações diferentes do consumidor como um cliente podem ser armazenadas no depósito de dados e as transações diferentes que refletem as transações diferentes executadas pelo consumidor como um cliente e seu histórico passado. Essas informações podem ser armazenadas e mais tarde o modelo de aprendizagem de máquina ser aplicado a esses dados de empréstimo de consumidor armazenados e determinar quando o consumidor requer um aumento no crédito máximo permitido e o risco envolvidos com o aumento do crédito máximo permitido. Outros aspectos do módulo de aprendizagem de máquina que aplica o modelo de aprendizagem de máquina são explicados a seguir como o uso de um modelo de regressão que tem uma janela móvel que leva em consideração a média da conta, o desvio padrão, o número médio, a curtose e a assimetria.

[0093] Um módulo de comunicações 107 é operativo com o controlador 106 e as comunicações com uma rede de comunicações 107a, tal como uma rede sem fio. No entanto, o módulo 107 pode operar como um telefone fixo baseado, WiFi, ou um outro protocolo de comunicações. O controlador e o Mecanismo de Regra Local 106 formam uma interface com uma API de carteira que corresponde a um aplicativo de e-wallet 110. O Amazon Web Services (AWS) 112 é descrito em um exemplo não limitador como integrado com o sistema de MO 101, mas outros tipos de sistemas de rede podem ser implementados e usado além do AWS. O usuário como um consumidor para o empréstimo pode operar seu dispositivo móvel 114 e seu aplicativo com uma interface para o Amazon web Services Web Application Firewall (AWS WAF) 116 para proteger aplicativos da Web contra explorações da Web comuns e para prover segurança tal como mostrado pelo logo de trava segura 118, que inclui código e/ou componentes de hardware apropriados para proteger contra as quebras de segurança comprometidas e outras ocorrências ou quebras de dados que consomem recursos excessivos. O sistema de MO 101 pode controlar qual tráfego de dados deve permitir, pode bloquear aplicativos da Web, e pode definir regras de segurança da Web customizáveis. As regras de customização para períodos de tempo e aplicativos diferentes podem ser criadas. O operador de sistema do sistema de MO 101 irá usar uma API tal como associada com o servidor de MO para automatizar qualquer criação e distribuição de melhorias, operação do sistema, e regras de segurança e manutenção da Web.

[0094] O AWS WAF 116 é integrado com um Amazon CloudFront 120, que inclui tipicamente um balanceador de carga de aplicativo (ALB). O CloudFront 120 opera como um serviço da Web para permitir a distribuição eficaz de dados com baixa latência e altas velocidades de transferência de dados. Outros tipos de sistemas de serviços da Web podem ser usados. O Amazon CloudFront 120 interopera com a Nuvem Privativa Virtual (VPC) 102 e provê seções isoladas logicamente seções do CloudFront 120 a fim de lançar vários recursos em uma rede virtual que o sistema de MO MO 101 define. Isto permite o controle sobre o ambiente de rede virtual, incluindo as faixas de IP

ADDRESS 122a, as sub-redes 122b e as configurações para as tabelas de rotas 122c e as portas de rede 122d. Uma conexão VPN de hardware 124 pode existir entre um centro de dados incorporado 126 e a Nuvem Privativa Virtual 102 do sistema de MO e nivela o AWS CloudFront como uma extensão de um centro de dados incorporado. O centro de dados incorporado 126 inclui os servidores ou processadores apropriados 126a, os bancos de dados 126b, e os módulos de comunicações 126c que se comunicam com o servidor de MO que corresponde ao sistema de MO 101 que, em um exemplo não limitador, pode incorporar o centro de dados incorporado.

[0095] Como parte da Nuvem Privativa Virtual 102, tem-se a Interface de Programação de Aplicativo (API) de Transferência de Estado Representacional (REST) 104 que provê a interoperabilidade entre os sistemas computadorizados na Internet e permite que diferentes sistemas de pedido de dados acessam e manipulem as representações de recursos da Web ao usar um conjunto uniforme e predefinido de operações sem estado. O Amazon Web Services 112 interopera com o Serviço de Gerenciamento de Chave de AWS (KMS) 128 e controla a criptografia provê o armazenamento, o gerenciamento e a auditoria para cifrar os dados através dos serviços de AWS. O AWS CloudTrail 130 grava as chamadas da API feitas na conta e arquivos de registro, por exemplo, a uma cubeta "S3" ou banco de dados como um armazenamento de nuvem em um exemplo com um ou mais bancos de dados tal como poderia fazer parte do depósito de dados 108 operativo como banco de dados de transação e confere a visibilidade da atividade do usuário, uma vez que grava as chamadas da API feitas na conta do sistema de MO 101. O CloudTrail 130 pode gravar as informações sobre cada chamada da API, incluindo o nome da API, a identidade de quem faz a chamada, o tempo e os parâmetros diferentes que podem ser solicitados ou os elementos de resposta retornados pelo serviço a fim de rastrear as mudanças feitas nos recursos de AWS e determinar uma segurança e identidade maior dos usuários.

[0096] O Gerenciamento da Identidade e Acesso de AWS (IAM) 134 vai permitir que o sistema de MO 101 controle o acesso individual e de grupo de uma maneira segura e crie e controle identidades do usuário e conceda permissões para esses usuários acessarem os recursos diferentes. O serviço AWS Cloud HSM 136 permite a conformidade com requisitos diferentes, incluindo a segurança de dados ao usar um dispositivo de módulo de segurança de hardware dentro da nuvem. Pode ajudar no gerenciamento de chaves criptográficas. O módulo AWS CONFIG 138 permite a auditoria da conformidade, a análise da segurança, o gerenciamento da mudança, e a pesquisa de defeitos operacionais. Os recursos diferentes podem ser inventariados com mudanças nas configurações e relações revisadas. A REST API 104 interopera com o Mecanismo de regra de Empréstimo como parte do controlador 106 e o Depósito de Dados 108 do sistema de MO 101.

[0097] O sistema de MO 101 opera em um exemplo não limitador em uma abordagem bifásica. As Figuras 2 e 3 mostram os componentes usados com um respectivo processo de pré- classificação (FIGURA 2) e a interação de atualização da decisão de crédito (FIGURA 3). Os componentes básicos são descritos com novos numerais de referência e mostrados na Figura 2 como o dispositivo do usuário 150 interoperando com a e-wallet 152 e a API de aplicativo 154 como parte do aplicativo para formar uma interface com o sistema de MO 101 e obtém um empréstimo, e um banco de dados de aplicativo 156, que interopera com o depósito de dados 158. A API de aplicação 154 interopera com um mecanismo de decisão de crédito 160 que pode corresponder ao mecanismo de regra de empréstimo 106 tal como mostrado na Figura 1. Muitos dos módulos/componentes podem ser incorporados dentro do mesmo servidor de MO, ou separados. O depósito de dados 158 pode corresponder ao depósito de dados 108 na Figura 1. O banco de dados de aplicativo 156 pode ser separado ou integrado com o depósito de dados e pode incluir componentes relacionais e não relacionais. Os dados iniciais de um consumidor podem ser armazenados inicialmente no banco de dados de aplicativo 156, e podem ser até mesmo uma memória mais dinâmica e de tempo mais curto do que o depósito de dados. Outras unidades na Figura 1 podem corresponder respectivamente a vários componentes tais como a e- wallet 110 da Figura 1 à e-wallet 152 da Figura 2 e o banco de dados de aplicativo 156 pode corresponder a uma parte do depósito de dados 158 ou ser um banco de dados separado como parte da Nuvem Privativa Virtual 102, mas em alguns casos ainda partes componentes do sistema de MO 101 1 e do servidor de MO.

[0098] Com relação agora à Figura 3, é mostrada uma vista similar da interação de atualização de decisão de crédito, mas também mostra as fontes de dados externas 162. Com relação agora à Figura 4, o depósito de dados recebe 158 dados das fontes de dados 162 que interoperam com tarefas ETL (extrato, transformação, carga) e os componentes de aprendizagem de máquina 164 que por sua vez interoperam com um depósito de dados tal como o serviço de armazenamento em nuvem simples Amazon (S3) 166 e, em um exemplo não limitador, Amazon Redshift como um serviço de depósito de dados da Internet 168. Esses componentes, através da aprendizagem de máquina, interoperam com o módulo de registro de inteligência de negócio 170. Neste processo, é possível analisar os dados ao usar uma linguagem SQL (Structural Query Language) e ferramentas inteligentes de negócio existentes para criar tabelas e colunas com os tipos de dados mais exatos e detectar as mudanças de esquemas e manter as tabelas atualizadas. Muitas dúzias de entradas de dados podem ser conectadas e combinações podem ser criadas para analisar os dados de transação e do usuário. É possível usar bancos de dados relacionais e não relacionais dependendo dos tipos de dados.

[0099] Na primeira fase mostrada geralmente pela sequência de fluxo na Figura 2, quando um usuário 150 assina inicialmente a e- wallet 152 ou uma outra plataforma de transação de aplicativo de transação conectada ao sistema de MO 101, o sistema através de processamento do mecanismo 160 gera um primeiro crédito máximo pré-aprovado baseado tipicamente no conjunto inicial de dados, e sem adquirir quaisquer dados de identificação para os usuários. Esta primeira decisão de crédito anônimo pode ser tomada tipicamente dentro de 20 segundos a partir do momento que os dados do usuário são passados ao sistema.

[00100] Na segunda fase mostrada geralmente pela sequência de fluxo na Figura 3, depois que os dados do usuário são inicialmente armazenados no depósito de dados 158 e um crédito máximo inicial é atribuído aos mesmos, o sistema de MO 101 começa a adquirir dados de transação e externos para atualizar periodicamente o crédito máximo. O usuário final não pode nunca pedir um empréstimo, mas pode apenas pedir uma liberação de fundos de empréstimo até o crédito máximo pré-aprovado e estipulado pelo sistema de MO 101. FASE 1: GERAÇÃO DO PERFIL DE USUÁRIO INICIAL E CRÉDITO

MÁXIMO

[00101] O mecanismo de pontuação de crédito do sistema 160, que pode fazer parte do controlador 106 (FIGURA 1) e o depósito de dados 158 adquire um conjunto inicial de dados do usuário através da

API de aplicativo 154 com a e-wallet da fonte 152 ou o aplicativo de transação.

[00102] Tal como ilustrado na sequência de fluxo da Figura 2, o usuário 150 se comunica com a e-wallet 152 e comunica os dados iniciais do usuário com a API de aplicativo 154, tal como implementado pelo sistema de MO 101 e pode ser o aplicativo trazido no dispositivo móvel ou acessado através de um portal da Web. Esses dados são armazenados no banco de dados de aplicativo 156 e no depósito de dados 158. Com base nos dados iniciais do usuário, o usuário faz um pedido para o crédito e a API de aplicativo 154 pergunta ao mecanismo de crédito 160 (ou empréstimo) pela quantia máxima de empréstimo que pode ser feito ao cliente (usuário) e retorna esses dados na quantia máxima do empréstimo. Com base nesse pedido inicial, a resposta para a quantia máxima de empréstimo é retornada ao dispositivo móvel do usuário 150 ou, como um exemplo, ao portal da Web dependendo de como o usuário entra em contato com o sistema de MO. Esta informação da quantia máxima de empréstimo também é transferida da API de aplicativo 154 ao banco de dados de aplicativo 156 e armazenada no depósito de dados 158.

[00103] Este conjunto inicial de dados pode ser recuperado das comunicações iniciais com os dados do usuário de bancos de dados externas com base nas fontes de dados externas e pode incluir o gênero, a idade, a posição, o tipo do telefone, o operador do celular, e uma ID de usuário gerada aleatoriamente que combine de maneira singular esse conjunto de dados a um usuário físico na e-wallet 152 e no banco de dados de aplicativo de transação 156. O sistema de MO 101 não adquire nenhuma informação que permite a identificação do usuário 150, tais como o nome completo, o endereço, o número de cartão de crédito, o número de passaporte, ou um número de ID emitido pelo governo.

[00104] Um exemplo da estrutura de dados inicial gerada para cada usuário é: ID do usuário; Atributo 1; Atributo 2; Atributo 3; Atributo 4; ... ; Atributo N. O sistema usa essa sequência inicial de atributos para gerar uma pontuação de crédito imediato para esse usuário, combinando essa sequência de atributos do usuário com o banco de dados do usuário e aplicando a pontuação máxima de crédito para o perfil de usuário, calculada como o crédito médio entre todos os perfis de usuário que combinam com o conjunto inicial de atributos.

[00105] ID do usuário inicial: N atributos

[00106] a) Combinação do banco de dados dos usuários:

[00107] Filtro pelos usuários que combinam os mesmos N valores de atributos: Perfil de usuário X com atributos de N + Y a Z atributos;

[00108] b) Cálculo do crédito máximo:

[00109] Valor médio do crédito máximo para perfis de usuário com N + Y a Z atributos;

[00110] A correlação e a probabilidade de reembolsar a predição do empréstimo para perfis de usuário com N + Y a Z atributos; e

[00111] Aplicação de regras de negócio.

[00112] O crédito máximo calculado para esse usuário é então enviado através da API do sistema de MO 154 à e-wallet 152 e então a API de transação ou de aplicativo 154 é etiquetada com o número de ID de usuário gerado aleatoriamente. A e-wallet 152 e a API de aplicativo "de transação" 154 então a ID do usuário ao usuário físico real operando com o sistema de MO 101 e para este usuário o valor máximo do crédito é um Crédito Pré-Aprovado.

[00113] O processo acima, da aquisição inicial de dados do usuário, para a comunicação do crédito máximo para o usuário, pode durar cerca de 20 segundos em casos típicos. FASE 2: EXPANSÃO DOS DADOS DO PERFIL DO USUÁRIO

[00114] O novo usuário é gravado no Depósito de Dados 158, e a pontuação de Crédito Máximo inicial é gerada, o sistema de MO 101 inicia o processo de adição e computação de novos atributos ao perfil de usuário ao usar as atividades de empréstimo e ao adquirir todos os dados de transação da e-wallet 152 e da API de aplicativo de transação 154. Neste exemplo, os dados de transação do usuário podem ser importados da e-wallet 152 e a API de aplicativo de transação 154 uma vez a cada X horas.

[00115] O sistema de MO 101 também combinará os atributos externos relevantes ao perfil de usuário. O sistema de MO 101 pode gerar um banco de dados dos dados externos que são importados de uma variedade de fontes de domínio público como as fontes de dados externas 162 em um exemplo. Estes dados externos são continuamente atualizados e correlacionados aos usuários que se ligam aos seus atributos genéricos iniciais, por exemplo, atributos ligados à localização; atributos ligados ao gênero; atributos ligados à idade; atributos liados ao operador do celular; e atributos ligados ao tipo de telefone celular.

[00116] Os novos atributos de dados são armazenados no depósito de dados 158 e associados à ID do usuário singular como uma ID do usuário e atributos como N (inicial) + X (de transação) + Y (externo) + Z (empréstimo/reembolso).

ATIVIDADES DE EMPRÉSTIMO

[00117] Estas atividades incluem transações de empréstimo (empréstimo tomado, uso do empréstimo, quantia, data e hora) e atividades de reembolso (reembolsos, quantia, data e hora).

DADOS DE TRANSAÇÃO

[00118] Os dados de transação podem incluir todos os dados das atividades de transação na e-wallet 152 e na plataforma de aplicativo tal como ocorre no sistema de MO 101 em seu servidor de MO, por exemplo, que perfilam o comportamento digital dos usuários, tais como:

[00119] Transações de depósito (quantias, tipo de depósito, local do depósito, data e hora);

[00120] Transações de retirada (quantias, tipo de retirada, local da retirada, data e hora);

[00121] Transações de pagamento de conta (tipo de conta, status da conta [expirado, pagamento adiantado, pontual], quantias, data e hora);

[00122] Transações de compra (quantias, tipo de compra, local da compra, data e hora);

[00123] Complementações de telefone celular (quantias, local da complementação, data e hora);

[00124] Atividades de início de uma sessão (data e hora do início de uma sessão, duração da sessão, fluxo da sessão, tempo gasto em cada tela);

[00125] Transações de vendas (valor das vendas, tipo de produto vendido, local da venda, data e hora);

[00126] Transações de comissão (valor da comissão, tipo de comissão, data e hora);

[00127] Transações de transferência de dinheiro (enviado/recebido, enviado por/recebido por, valor, local, data e hora); e

[00128] Qualquer outra transação ou atividade gravada na e- wallet/plataforma.

DADOS EXTERNOS

[00129] Os dados externos podem ser recebidos das fontes de dados externas 162 tal como mostrado nas Figuras 3 e 4 e incluem os dados coletados de fontes de domínio público, pagas para fontes de dados, e arquivos de dados de históricos de operadores móveis, tais como:

[00130] Registros criminais pela geolocalização;

[00131] O valor de quaisquer homes pela geolocalização;

[00132] O valor de quaisquer homes de aluguel pela geolocalização;

[00133] Renda média pela geolocalização, gênero e grupos de idade;

[00134] Dados de educação pela geolocalização e gênero;

[00135] Opções de transporte público pela geolocalização;

[00136] Atividades de mídias sociais pela geolocalização, gênero e grupos de idade;

[00137] Infraestrutura e serviços disponíveis pela geolocalização (hospitais, dentistas, clínicas, supermercados, lojas de ferragens, lojas de móveis, pátios de shoppings, etc.); e

[00138] Dados de uso móveis (a idade da conta, o número de chamadas feitas, o número de atendimentos feitos, o número dos números móveis chamados, a despesa mensal média, o número de complementações mensais, etc.).

[00139] Com relação agora à Figura 5, são mostrados mais detalhes do processo para a coleta das variáveis externas usadas para determinar a condição de bom pagador e o risco de um usuário como um cliente potencial. As variáveis externas são consideradas como todas as informações públicas e podem ser coletadas através de informações da geolocalização, tais como a infraestrutura pública e privada, o tempo, as classificações, e as avaliações públicas de estabelecimentos circunvizinhos. As fontes de dados comuns incluem os serviços de mapeamento da Web tais como Google Maps e Open Street Maps, serviços da Web, páginas da Web, e repositórios de dados públicos. As várias fontes de dados como exemplos não limitadores são ilustradas como Open Street Map 200, Google 202, Trip Advisor 204, e outras fontes 206.

[00140] Por exemplo, o aplicativo Open Street Map pode estar disponível através do armazenamento de nuvem dos serviços da Web

Amazon (S3) e os Google Places API and Web Services 210 podem interoperar com Google, incluindo Google Maps e uma Geocoding API

212. O Web Scraping 214 pode ser usado em conjunto com outros métodos de aquisição 216. Há muitos outros métodos possíveis de aquisição de dados dos quais se pode tirar vantagem. Os dados são coletados e copiados da Web em um repositório local 220 e os dados brutos 222 são então depurados 224, transformados 226, as características agregadas são construídas 228, e as características finais selecionaram 230. Deve ser compreendido que o processo de coleta é determinado pelos tipos das fontes de dados e algumas fontes podem estar disponíveis para o download direto como tabelas. Outras fontes podem requerer métodos adicionais para acessar dados. Por exemplo, os dados e as informações do Google Maps podem ser obtidos mediante a indagação e a solicitação de dados disponíveis em várias interfaces de programação de aplicativos Google. As técnicas de raspagem da Web são uma ferramenta útil para acessar as informações contidas em documentos tais como páginas da Web. Um programa de analisador de dados pode ser usado para analisar gramaticalmente e capturar as informações relevantes. Uma vez que os dados brutos são coletados e copiados de uma fonte no repositório local, o sistema executa um estágio de pré-processamento no qual os dados são depurados e transformados a fim de construir e selecionar novas características que podem ser usadas para modelos preditivos.

[00141] Ao usar a seleção de características 230, o processador de MO como parte de um servidor de MO, isto é, o sistema de MO 101, e o mecanismo de regra 106 podem inferir quais as variáveis que mais contribuem para explicar algumas características do cliente tais como o status sócio econômico, o poder de compra, a dinâmica econômica, e o uso do território. Métodos diferentes podem estabelecer a relação entre as variáveis externas e as características alvo.

[00142] Podem ser usados métodos de processamento e algoritmos diferentes como métodos de aprendizagem não limitadores. Por exemplo, o coeficiente de correlação pode ser usado para inferir a associação entre cada variável externa e o alvo. As variáveis na correlação mais elevada são consideradas como melhores descritores alvo. Por exemplo, uma correlação de classificação pode estudar as relações entre as classificações de variáveis diferentes ou classificações diferentes da mesma variável, ao passo que a medida da intensidade e direção de uma relação linear entre duas variáveis pode ser definida como uma covariância (amostra) das variáveis dividida pelo produto de seus desvios padrão (amostra).

[00143] Um método de ganho da informação pode ser usado onde o método calcula a relevância dos atributos com base no ganho da informação e atribui pesos aos mesmos de modo correspondente. Quanto mais elevado o peso de um atributo, mais relevante ele é considerado. Embora o ganho de informação seja geralmente uma boa medida para decidir a relevância de um atributo, pode ter alguns inconvenientes, e ocorre um problema marcante quando o ganho de informação é aplicado aos atributos que podem assumir um grande número de valores distintos. Este problema pode ser solucionado com uma razão de ganho. Em qualquer aprendizado em árvore de decisão, a razão de ganho de informação é uma razão entre o ganho de informação e a informação intrínseca e pode reduzir um desvio para atributos de múltiplos valores ao levar o número e o tamanho das ramificações em consideração quando é selecionado um atributo. Uma intensidade aleatória com metodologia de razão de ganho treina a intensidade aleatória com a razão de ganho como um seletor de atributo. A informação pode ser considerada como uma razão de ganho para gerar pesos dos atributos. Esta metodologia de decisão também é conhecida como intensidade de decisão aleatória e opera em um exemplo mediante a construção de uma multiplicidade de árvores de decisão no tempo de treinamento e ao emitir a classe que é o modo das classes como classificação predição média como uma regressão das árvores individuais.

[00144] Também é possível usar um peso pelo índice de Gini que calcula a relevância dos atributos das variáveis externas em questão estipuladas com base no índice de impureza de Gini. O peso pelo operador do índice de Gini calcula o peso dos atributos com respeito ao atributo alvo ao computar o índice de Gini da distribuição das classes. Quanto mais elevado o peso de um atributo, mais relevante ele é considerado. Isto opera como uma medida da dispersão estatística no índice de Gini que propicia a igualdade entre os valores de uma distribuição de frequência.

[00145] É possível usar um peso pela Support Vector Machine (SVM) que computa a relevância das variáveis externas mediante a computação para cada variável da entrada que ajustou o peso com respeito ao alvo. Este peso representa os coeficientes de um hiperplano calculado pela SVM. Eles operam como um modelo de aprendizagem supervisionado que analisa os dados usados para a análise da classificação e da regressão.

[00146] Com relação agora à Figura 6, é ilustrada uma estratégia de montagem não limitadora para selecionar as características com votação usada para a seleção entre os atributos superiores empregados por cada método para computar a predição que foi realizada previamente separada. Os dados de entrada têm as variáveis externas 232 e um alvo 234 com os métodos de aprendizagem 236 que selecionam o topo por peso na predição 238 com a votação 240 para estabelecer as variáveis externas selecionadas.

[00147] Com relação agora à Figura 7, são mostrados exemplos de tipos de empréstimo e de desembolso para maximizar as ofertas de produtos suportadas pelo sistema de MO. Os empréstimos proativo 250, reativo 252 e incorporado 254 são suportados e não restritos 260a, restritos 260b, e os desembolsos de pagamento de conta 262a são suportados. Tal como ilustrado, um gerente de comunicação de cliente 258 com o usuário através de seu aplicativo móvel tipicamente e todo o envio de mensagens aos usuários são controlados através do sistema de MO 101 através do módulo do gerente de comunicações do cliente 258. Esse módulo 258 controla todo o envio de mensagens. O módulo do gerente de comunicação do cliente 258 irá controlar as contas do usuário do receptor, incluindo senhas e modificações de acesso. Tal como mostrado com o sistema proativo 250, o usuário acessa o aplicativo com o crédito máximo indicado com a pré- classificação e o cliente escolhe a quantia e o empréstimo é pago (bloco 260) e não restrito onde o empréstimo é creditado ao usuário para qualquer retirada (bloco 260a) ou então restrito com o empréstimo creditado à e-wallet do usuário e a retirada é restringida a usos específicos (bloco 260b). Em um sistema do tipo reativo 252, o usuário tem contas ao lado de uma data de vencimento e o sistema de MO 101 informa o usuário sobre o crédito disponível para pagar a conta. O empréstimo pode ser desembolsado para pagar diretamente a conta (bloco 262) sem passar pela e-wallet (bloco 26à). O terceiro tipo de desembolso como um pagamento de conta ocorre e o empréstimo é usado para pagar a conta diretamente sem passar através (ou para) a carteira do usuário (bloco 262). Em um empréstimo incorporado 254, o módulo de empréstimo incorporado pode permitir que as empresas ofereçam empréstimos aos empregados para finalidades específicas.

[00148] Com relação agora às Figuras 8 a 12, são ilustradas sequências de fluxo para os vários processos mostrados na Figura 7 tais como os créditos proativo, reativo e incorporado que são garantidos, e é mostrada em Figura 11 uma cobrança como um reembolso completo ou reembolso parcial (FIGURA 12). Cada uma das figuras mostra o dispositivo do usuário 150 e a operação com o aplicativo mostrado pela nuvem 300 e a interoperação do usuário com o sistema que inclui o mecanismo de regra do empréstimo 106 e o depósito de dados 108 com os erros que correspondem a A como o usuário e o aplicativo da e-wallet como B, e o mecanismo de regras de sistema como C.

[00149] Com relação agora à Figura 8, é ilustrada uma sequência de fluxo para um crédito proativo com as várias etapas de um pedido de empréstimo e confirmação da conta na notificação de crédito seguida pela confirmação de onde a conta é creditada e noticiada, e a e-wallet creditada. O pedido de transação é feito com a atualização dos dados do usuário que é periódica e o pagamento da conta com o processamento de transação. Isto é realizado com a interação do usuário com o mecanismo de regra de empréstimo 106 e o depósito de dados 108 do sistema de MO 100. Neste processo, o servidor 101 pode gerar e transmitir ao dispositivo de comunicações sem fio móvel um código de aprovação de empréstimo como parte da aprovação, o que inicia a API no dispositivo do consumidor para permitir que o consumidor confirme ou insira uma quantia total a ser emprestada e até mesmo como pode ser dispersa. Outras variações podem ocorrer.

[00150] Com relação agora à Figura 9, a sequência de fluxo é mostrada para o crédito reativo com as várias etapas e notificações, e na Figura 10 a sequência de fluxo é mostrada para o crédito incorporado como uma quantia garantida.

[00151] Com relação agora à Figura 11, é ilustrada uma cobrança tal como em um reembolso completo, e na Figura 12 a cobrança é mostrada como um reembolso parcial com a sequência de fluxo.

[00152] Com relação novamente à Figura 8, há detalhes mostrados do crédito proativo onde o usuário em seu dispositivo 150 inicia uma transação para um pedido do empréstimo e o usuário é pre-aprovado e um crédito máximo é mostrado na API de aplicativo tal como no dispositivo móvel o usuário está usando. O sistema de MO 101 confirma a quantia com uma notificação e o usuário confirma, e a quantia é creditada e a carteira é creditada. Também com o pedido de transação, os dados do usuário são atualizados periodicamente e os dados são armazenados no depósito de dados com os dados do usuário atualizados. O processamento de transação pode ocorrer através de um processador de cartão de crédito tal como, por exemplo, MasterCard ou VISA, ou um pagamento da conta feito tal como a uma empresa de cabo ou Direct TV tal como no exemplo não limitador ilustrado. O código de aprovação de empréstimo pode ser tão simples quanto a notificação para confirmar o pedido de empréstimo de modo que o usuário da API possa confirmar para permitir que a e- wallet seja creditada.

[00153] Com relação agora à Figura 9, o processo de crédito reativo é mostrado onde o sistema de MO 101 inicia uma transação com uma notificação para que o crédito pré-aprovado pague uma conta com uma notificação ao telefone móvel do usuário neste exemplo. O crédito é confirmado e a notificação da conta paga é feita com o processamento de transação na atualização de dados do usuário que ocorre periodicamente.

[00154] Em um crédito garantido incorporado mostrado na Figura 10, a notificação é feita para o crédito pré-aprovado que é confirmado e a notificação do cliente de crédito é feita com a e-wallet creditada e seguida com o pedido da transação na atualização de dados do usuário que é periódica.

[00155] Um reembolso completo para a cobrança é mostrado na

Figura 11 onde uma notificação é feita para elevar a quantia do empréstimo e que inclui juros, e os fundos são tirados da conta do usuário e creditados ao sistema de MO 101. É feita a notificação que o crédito é aumentado e a notificação é então feita ao dispositivo e o aplicativo que o crédito é pago e o crédito aumentado. Os dados do usuário são atualizados periodicamente.

[00156] Um reembolso parcial é mostrado para cobranças na Figura 12 e uma notificação similar indica que a quantia do empréstimo é aumentada, mas é feita uma notificação do aplicativo que o usuário não tem nenhum fundo na conta e é feita a notificação que o novo balanço é devido com o aumento diário para os juros. Isto dispara quando os usuários fazem um depósito e os fundos são pagos imediatamente ao sistema de MO até que o empréstimo total e os juros sejam reembolsados. O usuário faz então um depósito através do aplicativo e os fundos são tirados da conta do usuário e creditados ao cliente do de MO. O aplicativo faz uma notificação que o crédito é pago parcialmente e nesse momento o processo é repetido até que o empréstimo completo seja reembolsado. O usuário pode fazer um depósito e os fundos são tirados da conta do usuário e creditados ao cliente do sistema de MO e então notificações são feitas de que o crédito é pago no total. Ocorre esse armazenamento e atualização dos dados do usuário ocorrem. Em todos estes exemplos, um código de aprovação de empréstimo pode ser gerado para iniciar uma API ou uma outra função e para permitir mais entrada de dados tal como um valor de um empréstimo ou confirmação.

[00157] Com relação agora às Figuras 13 a 15, são mostradas estruturas digitais como flagrantes de tela potenciais para o menu de USSD que pode ser usado em um dispositivo móvel, incluindo um telefone de GSM. As mensagens enviadas por USSD não são definidas por um corpo de padronização e desse modo o sistema de

MO 101 e seu operador de rede podem implementar o menu que é o mais apropriado tal como ilustrado.

[00158] Tal como mostrado na Figura 13, as estruturas digitais indicam o usuário pedindo um empréstimo e mostrando o menu principal e o empréstimo selecionado (bloco 400). O empréstimo pré- aprovado é pedido (bloco 402) seguido pelo empréstimo pré-aprovado com a quantia que pode ser inserida para o pedido (bloco 404). O usuário pode aceitar (bloco 406) e o empréstimo concedido (bloco 408) com uma indicação para o menu principal. As estruturas digitais para o pagamento de um empréstimo são mostradas na Figura 14 com a quantia do empréstimo mostrada no menu principal (bloco 410) e o empréstimo pré-aprovado para o pagamento (bloco 412) seguido pela mostra do empréstimo selecionado para pagar e a sua data (bloco 414), a quantia atual do empréstimo (bloco 416), e onde a informação pode ser inserida e confirmada, seguido pelo pagamento bem- sucedido (bloco 418).

[00159] As estruturas digitais para consultar um empréstimo ao usar o menu de USSD como um exemplo são mostradas na Figura 15. O menu principal é mostrado com o empréstimo selecionado (bloco 420) e a consulta para o empréstimo pré-aprovado (bloco 422). O menu é usado para selecionar o empréstimo que o usuário quer consultar com um empréstimo aberto (bloco 424). O usuário seleciona o empréstimo para consultar com a data específica (bloco 426), seguido pela quantia atual para o empréstimo para essa data e os detalhes tais como a data do pagamento final (bloco 428), e mostra a seleção para pagamentos do passado com os pagamentos do passado mostrados (bloco 430).

[00160] Com relação agora às Figuras 16 a 25, são ilustradas as estruturas digitais como flagrantes de tela potenciais para um menu de aplicativo que pode ser usado em muitos dispositivos móveis convencionais. Deve ser compreendido que o que parece ser grandes quantias de dólares pode corresponder a denominações monetárias de apenas alguns dólares, uma vez que os exemplos podem ser em uma moeda corrente estrangeira onde os números muito grandes correspondem na conversão somente a alguns dólares norte- americanos, e desse modo indicando nano e microempréstimos. Por exemplo, a Figura 16 mostra um pedido para um empréstimo pré- aprovado com a quantia pré-aprovada mostrada de $25.000 (bloco 450) seguido por um pedido para o empréstimo (bloco 452) e as quantias que podem ser inseridas, tal como $1.000, e uma quantia reembolsada em 30 dias, com uma aceitação dos termos e das condições (bloco 452). É feita uma notificação que o empréstimo foi concedido (bloco 454). Se os empréstimos forem pagos de volta no tempo, a quantia pré-aprovada será mantida aumentando. Nesse momento, um contrato pode ser enviado e mais detalhes sobre o empréstimo no e-mail endereçados do usuário. No bloco 452, devem ser aceitos os termos e as condições que explicam o contrato e outros termos e condições.

[00161] Com relação agora às Figuras 17 e 18, as estruturas digitais como flagrantes de tela potenciais são mostradas como pagando o empréstimo com a entrada do pagamento (bloco 456) seguida pelos empréstimos diferentes mostrados como "meus empréstimos" com três empréstimos ilustrados diferentes mostrados (bloco 458). O empréstimo 1 é mostrado (bloco 460) na Figura 18 com a quantia, a data e os juros e o total a pagar. Os valores podem ser inseridos para que a quantia seja paga com o pagamento bem- sucedido (bloco 462) mostrado e que tem um número de transação, data, hora, e número da autorização e refletindo a quantia do empréstimo que foi paga.

[00162] Com relação agora às Figuras 19 e 20, são mostradas estruturas digitais exemplificadoras para a consulta de um empréstimo com o bloco de consulta escolhido para a quantia pré-aprovada (bloco final) seguido pelo empréstimo a ser consultado e mostrando os empréstimos diferentes como "meus empréstimos" (bloco 466) e refletindo a quantia inicial e mostrando a quantia de capital, os juros hoje, uma quantia total hoje, e a data final de pagamento com a quantia da data final 464 e uma seleção de pagamento (bloco 468). Isto pode ser seguido pelo empréstimo e se a quantia total é paga ou uma outra quantia na seleção deve ser feita para o pagamento (bloco 470).

[00163] Com relação agora às Figuras 21 a 25, estruturas digitais diferentes para um menu de ajuda são ilustradas com um menu inicial (bloco 472) seguidas pela ajuda do empréstimo depois que a tecla de ajuda é selecionada (bloco 472) e mostrando notificações diferentes, as perguntas normalmente feitas, uma forma de contato e seleções de bate-papo que um usuário pode tocar ou selecionar (bloco 474). As notificações diferentes são mostradas na Figura 22 com um bloco de notificação inicial selecionado (bloco 476) e mostrando as notificações diferentes para os pagamentos e empréstimos diferentes (bloco 478) e detalhes sobre o primeiro pagamento e as suas informações e dados (bloco 480). As perguntas normalmente feitas são mostradas na Figura 23 com o bloco selecionado (bloco 482) e uma seleção das perguntas que podem ser selecionadas (bloco 484). A forma de contato é mostrada (bloco 486) na Figura 24 com o menu para o contato do sistema de MO e seu administrador da rede (bloco 488). É possível bater papo com o administrador da rede ao selecionar a tecla apropriada de bate-papo no menu de ajuda (bloco 490) seguida com a informação para bate-papo que pode ser inserida pelo usuário (bloco 492).

[00164] Com relação agora às Figuras 26 a 39, são ilustradas estruturas digitais para os flagrantes de tela potenciais para um aplicativo de portal da Web tal como para o uso em um computador pessoal através de uma conexão convencional da Internet ao servidor de MO operativo como o sistema de MO 101. Com relação agora à Figura 26, é mostrada uma Home Page exemplificadora com a informação a respeito de pedido um empréstimo, quanto é requerido, e a duração do empréstimo, o custo e o total a pagar de volta e o pedido feito. A confirmação do pedido de empréstimo e a informação sobre o pagamento de volta, a informação sobre pagamentos atrasados, e um requisito para aceitar os termos e as condições do aumento potencial de uma quantia pré-aprovada com base no reembolso oportuno são mostrados na Figura 27.

[00165] A confirmação é mostrada na Figura 28 com a informação sobre a entrega do empréstimo tal como a uma e-wallet com informações sobre o contrato e detalhes do empréstimo. Uma estrutura digital para consultar todos os empréstimos é mostrada na Figura 29 com uma estrutura digital para selecionar um empréstimo a consultar mostrada na Figura 30 e um status dos empréstimos abertos mostrado na Figura 31 com as informações a respeito da data, do pagamento, da nova quantia pendente, da data de pagamento final, e outros dados. A seleção do empréstimo é mostrada com pagamentos parciais possíveis que são indicados na Figura 32 e o empréstimo selecionado a pagar em uma quantia na Figura 33 e com uma confirmação do pagamento na Figura 34. O menu de ajuda é mostrado na Figura 35 com perguntas normalmente feitas e respostas sobre o que é o sistema de MO ao indicar nano e microempréstimos. O menu de ajuda é mostrado na Figura 36 e os empréstimos fechados mostrados na Figura 37. O empréstimo a consultar é mostrado na Figura 38 e mostra o pedido para um certificado de empréstimo fechado como parte do histórico para o empréstimo fechado que será enviado ao e-mail endereçado no arquivo e armazenado no sistema mostrado na Figura 39.

[00166] Com relação agora à Figura 40, é ilustrado um gráfico temporal da predição comportamental de acordo com um exemplo não limitador em que o sistema pode gerar um perfil comportamental para o usuário com base nos check-ins do usuário para a e-wallet ou o programa de transação que se comunica com o sistema de MO 101, o servidor ou o processador que tem o mecanismo de regra. Baseado na localização do usuário, o sistema de MO 101 correlaciona os padrões de localização periódica para as atividades de empréstimo e de transação. O sistema de MO 101 irá combinará os check-ins da localização do usuário contra, como um exemplo, um banco de dados de localizações conhecidas que inclui os dados a respeito das lojas, locais privativos, lugares públicos e outros dados, incluindo dados de transação, e correlacionar os padrões de localização periódica para as atividades de empréstimo e de transação. Desse modo, o perfil de usuário e a periodicidade podem ser preditos para os padrões de desembolso de empréstimo, o uso de empréstimos, os reembolsos de empréstimo, e as atividades de transação.

[00167] Neste gráfico temporal tridimensional, atributos diferentes, incluindo as localizações para um usuário específico, são mostrados ao longo do eixo X e o registro dos tipos de transação e o valor e o tempo são mostrados ao longo do eixo Y. Cada dia indica as atividades do usuário ao longo do eixo Z de modo que os atributos conhecidos, as localizações, os tipos de transação, o valor e o tempo são mostrados para cada dia até o dia X. Desse modo, cada dia deve ter determinados tipos de transações e o valor dessa transação particular baseado em uma localização de loja com o usuário dotado de atributos básicos. Estes são correlacionados em conjunto.

[00168] Desse modo, é possível saber a probabilidade de uma determinada porcentagem que o usuário XYZ12345 irá realizar a transação Z para uma faixa de valor monetário [$ a $$] no dia X+N tal como mostrado na Figura 40. Cada dia pode incluir o usuário XYZ12345 visitando uma ou mais lojas específicas, cada uma delas em uma localização específica, e realizando uma transação específica que é acompanhada pelo sistema de MO. Com baseado nessas informações, é possível estabelecer uma predição comportamental para o consumidor a respeito de um determinado dia e que tipo de transação pode ocorrer em uma possível loja em uma faixa de dólar específica. Embora isto seja somente uma probabilidade de uma determinada porcentagem, o sistema permite que este tipo de dados e predição comportamental seja usado para cada consumidor e desse modo os padrões de predição podem ser feitos para um consumidor individual, uma subunidade, ou um grande número de consumidores. Estes dados podem ser fornecidos a comerciantes e/ou outros grandes vendedores de dados. Naturalmente, a identidade do consumidor deve ser mantida confidencial, bem com os identificadores de dispositivos de comunicação móveis.

[00169] Por exemplo, a geração do perfil de usuário inicial e a determinação do crédito máximo como Fase I explicada acima permite que o sistema combine a sequência de atributos do usuário ao banco de dados do usuário e aplique o crédito máximo para o usuário. O usuário novo é gravado no depósito de dados 108 do sistema de MO e os atributos diferentes são perfilados para um usuário, tais como diferentes atividades de empréstimo. Um registro é mantido da carteira de transação de dados ou do aplicativo de transação através da API, que é importada uma vez a cada poucas horas. Os dados externos que são importados por uma variedade de fontes de domínio público também podem ser atualizados e correlacionados a usuários diferentes.

[00170] Os dados de transação diferentes podem ser gravados a cada dia, tal como cada vez que o usuário usa a e-wallet ou o aplicativo de transação, tal como transações de depósito com o tipo de depósito, o local do depósito em relação a uma loja particular, e a data e a hora. As transações de depósito também podem ser mantidas, bem como as transações de pagamento de conta, e mais particularmente as transações de compra com as quantias, tipo de compra, local da compra, e a data e a hora. Isto é correlacionado com as atividades do início de uma sessão e as transações de vendas, incluindo todas as transações de transferência de dinheiro.

[00171] É possível usar tipos diferentes de modelos e algoritmos de predição comportamental como métodos de aprendizagem que ajudam a gerar os perfis comportamentais para predizer o perfil de usuário e a periodicidade dos padrões de desembolso de empréstimo, o uso de empréstimos, os reembolsos de empréstimo, e as atividades de transação. Por exemplo, é possível usar a Modelagem de Conversação de Cliente (CCM) que tira vantagem dos dados de comportamento do consumidor tais como as tendências da compra, o histórico de compra, e incluindo até mesmo a atividade dos meios sociais que pode estar disponível publicamente. É possível usar uma análise de múltiplas linhas dos padrões comportamentais do consumidor tais como a agitação do cliente, a predição de risco ou de aquisição, e as ferramentas tradicionais que podem incluir o cálculo grupal de modelos de regressão ou classificação linear. A modelagem da conversação do cliente pode permitir que o sistema prediga o comportamento do cliente antes que aconteça e pode focar no comportamento de múltiplas linhas de moldo que a detecção da tendência para ajustar mudanças no comportamento seja mais importante do que os padrões de comportamento sustentados, o reconhecimento dos padrões cíclicos que levam em consideração o tempo e o local, e a profundidade/aura da interação histórica com o consumidor em um padrão de múltiplas linhas com algoritmos de alinhamento que acompanham eventos através de canais e alinham os mesmos no tempo e encontram a correlação entre o comportamento de múltiplos canais.

[00172] É possível usar o aglomerado desordenado, a análise de componente principal e discriminar a análise. Algumas técnicas podem incluir a prospecção do padrão sequencial e a prospecção da regra de associação. Também é possível usar um fator de peso e utilidade para a prospecção eficaz de regras significativas de associação e até mesmo fazer uso de um algoritmo Apriori tradicional para gerar um conjunto de regras de associação a partir de um banco de dados e explorar a propriedade antimonotônica do algoritmo Apriori. Para um item K estipulado para ser frequente, todos (K – 1) os subconjuntos do item estipulado podem ter que ser frequentes e um conjunto de regras de associação pode ser garimpado e sujeitado a limitações da idade do peso (ganho de W) e utilidade (ganho de U). Para cada regra de associação que é garimpada, uma pontuação de peso de utilidade combinada pode ser computada.

[00173] É possível usar árvores de decisão e outras técnicas de prospecção de dados. As árvores de decisão podem dividir um grande conjunto de dados em classes menores e analisar onde cada nível da árvore corresponde a uma decisão. Os nós e as folhas podem consistir em uma classe de dados que são similares a algumas variáveis alvo. Pode haver valores nominais (categóricos e não ordenados), ordinais (categóricos e ordenados), e de intervalo (valores ordenados que podem ser calculados em média). A árvore de decisão pode ter cada folha como um conjunto puro e uma árvore pode ser dividida ainda mais até que somente os conjuntos puros sejam deixados contanto que os subconjuntos não se tornem demasiadamente pequenos e deem resultados imprecisos por causa das idiossincrasias. Um algoritmo possível pode ser o ID3 ou o Iterative Dichotomiser 3 como um algoritmo de construção de árvore de decisão que usa a entropia como uma medida de quão certo se pode ser que um elemento de um conjunto é um certo tipo.

[00174] Também é possível usar técnicas analíticas diferentes tais como testes A/B/multivariados, engajamento de visitante e foco de comportamento. Uma analítica avançada diferente pode ser aplicada como segmentação de cliente que agrupa os clientes estatisticamente juntos com base em características similares para ajudar a identificar grupos menores e, no entanto, similares para oportunidades de marketing visadas. A segmentação de cesto deve permitir que a informação do cliente seja fornecida através do conteúdo de cada transação, ao passo que a afinidade e a análise da via da compra devem identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional ou sazonal e das ligações entre as compras com o passar do tempo. Uma modelagem de mistura de marketing deve prover alguns modelos de resposta de campanhas de promoção do cliente e modelos de propensão de produto e modelos do atrito que predizem o comportamento do cliente.

[00175] Outras regressões logísticas e redes neurais que incluem a intensidade aleatória podem usar os modelos baseados em vetores que operam em vetores de característica de comprimento fixo como uma entrada. Os históricos do consumidor são convertidos em um conjunto fixo de características que podem ser lapidadas por peritos de domínio e refletir indicadores com um conjunto confiável de características para a exatidão da predição. As iterações diferentes de experimentos empíricos podem ser usadas.

[00176] Uma técnica possível consiste em usar redes neurais recorrentes (RNNs) para superar os métodos baseados em vetor que podem ser aplicados a uma série de ações do consumidor que são capturadas e a dados que mantêm um estado latente que é atualizado com cada ação. Um inconveniente da aprendizagem de máquina baseada em vetor, similar à regressão logística, é o requisito para o conhecimento do domínio e a intuição de dados-sinal e pode incluir um pré-processamento necessário que cria vetores de entrada binários dos dados de entrada originais.

[00177] Os sinais que são codificados no vetor de características são coletados pelo modelo de predição.

[00178] Ao contrário dos métodos baseados em vetor, as redes neurais recorrentes (RNNs) tomam as sequências de X = (x1…, xT) de comprimento variante T diretamente como entradas. As RNNs podem ser construídas como sequências conectadas de células computacionais. A célula na etapa t toma a entrada xT e mantém um estado ht € Rd. Este estado oculto é computado da entrada xT e do estado da célula no tempo-etapa anterior ht-1 como ht = σ (Wxxt + Whht-1 + b), onde Wx e Wh são matrizes de peso aprendidas, b é um vetor de viés aprendido e σ é a função sigmoide. É possível usar um estado oculto ht que captura os dados da sequência de entrada (x1…, xT) até um tempo-etapa atual t. É possível preparar ao longo do tempo os dados das entradas iniciais. A dimensionabilidade d do estado oculto pode ser um hiperparâmetro que é escolhido de acordo com a complexidade da dinâmica temporal do cenário.

[00179] É possível usar as células de memória de longo-curto prazo (LSTMs) que ajudam a preservar as dependências de longo prazo e ajudam a manter um estado de célula adicional C para a memória de longo prazo. Deve ser possível calcular quaisquer estados ocultos e de célula ht e Ct ao usar uma cascata de operações de porta: ft = σ (Wf [ht-1, xt] + bf) it = σ (Wi [ht-1, xt] + bi)

Cˆt = tanh(Wc [ht-1, xt] + bC) Ct = ft Ct-1 + it Cˆt ot = σ (Wo [ht-1, xt] + bo) ht = ot tanh(Ct)

[00180] Nesta cascata, W e b podem ser matrizes de peso aprendidas e vetores de viés. O estado oculto final hT pode classificar uma sequência porque hT pode ser a entrada em uma rede de predição, que pode ser uma camada linear simples ou uma sequência de camadas não lineares.

[00181] Há um período de treinamento e os parâmetros W e b das células computacionais podem ser usados para detectar sinais nas sequências de entrada a fim de ajudar a aumentar a precisão da predição. As sequências de entrada X são comprimidas por este processo em vetores de características apropriados hT. Frequentemente, o processo de compressão é visto como um aprendizado de características das entradas primárias e é a razão pela qual uma engenharia de característica de intenso trabalho humano pode não ser necessária antes da aplicação da rede. Estes modelos são complexos e requerem um longo tempo de processamento para os estágios de aprendizagem e de predição em comparação com os sistemas baseados em vetor. Tendo em vista que há mais escolhas de arquitetura e hiperparâmetros a ajustar, ela pode ser mais complexa.

[00182] Estes são somente exemplos não limitadores de um tipo de análise de predição comportamental que pode ser realizada ao usar o sistema de acordo com um exemplo não limitador.

[00183] O sistema e o método, tal como descritos, também podem realizar a análise de uma dívida incobrável ao usar o módulo de aprendizagem de máquina como parte do servidor MO 101 mostrado na Figura 1. A dívida incobrável pode aumentar de maneira significativa a perda de rendimento a cada ano. Ao usar os métodos analíticos de predição, as utilidades do sistema podem ser melhoradas antecipando e evitando as perdas de uma dívida incobrável. Pode haver considerações-chave das quais o sistema 100 tira vantagem e o sistema inclui uma metodologia para predizer e prevenir uma dívida incobrável. O sistema 100 usa uma combinação de modelagem analítica juntamente com técnicas de aprendizagem de máquina. O modelo de predição explora os padrões encontrados nos dados históricos e transacionais dos clientes como consumidores para identificar o risco de um cliente, isto é, de um consumidor que se enquadra em uma dívida incobrável. O modelo captura as relações entre os fatores para permitir a avaliação do risco de dívida incobrável ou o potencial desse consumidor associado com um conjunto particular de condições. Isto ajuda a guiar uma tomada de decisão automática no sistema 100 de modo que o sistema determina quando o consumidor requer um aumento no crédito permitido máximo e o risco envolvido com o aumento do crédito permitido máximo. Os limites podem ser ajustados com o resultado do modelo.

[00184] O modelo de aprendizagem de máquina pode construir e implementar uma previsão de dívida incobrável. O problema pode ser formulado como um problema de aprendizagem supervisionado em que o sistema 100 apresenta variáveis de entrada, como o comportamento de transação do cliente, e uma etiqueta para cada cliente é o enquadramento em uma dívida incobrável. O sistema 100 processará os dados de entrada e encontrará relações, e terá os dados de saída como etiquetas. Os dados de entrada podem ser representados como um vetor numérico, tal como em relação aos dados de empréstimo de pós consumo, e a saída pode ser uma probabilidade entre 0 e 1. Esta probabilidade representa a probabilidade de que um cliente seja enquadrado em uma dívida incobrável, por exemplo, um valor como um limite maior de 0,6, o qual pode ser ajustado. Há várias etapas de modelagem que incluem: (1) a definição do problema; (2) a análise de dados exploratórios; (3) o ranking da característica; (4) a seleção do modelo; e (5) a avaliação do modelo.

[00185] No que diz respeito à definição do problema, nem sempre é fácil calcular uma previsão de dívidas incobráveis porque é difícil antecipar o número de variáveis que impactam a capacidade de um cliente, como um cliente ou consumidor, de pagar um débito. Normalmente, a abordagem consiste em treinar um modelo para cada cliente e então identificar uma anomalia nas variáveis de crédito relacionadas com o padrão. Esta abordagem é muito centrada no cliente, o que torna esta metodologia difícil de aplicar aos clientes desconhecidos ou aos clientes que não têm um histórico de muitas transações. O sistema pode usar uma abordagem generalizada para determinar a possibilidade de um consumidor se enquadrar em uma dívida incobrável independente do cliente, e o sistema pode explorar variáveis de transação e generalizar os padrões que antecipam um comportamento de dívida incobrável. O sistema 100 pode retornar uma probabilidade de dívida incobrável que se espera que continue a fim de ser sensível à gravidade do risco. Isto permite um acompanhamento do risco do cliente e pode levar ao uso de limites de cliente definidos, tais como uma variação de 0,6 como um limite de saída para tornar o sistema e método mais flexíveis no tempo.

[00186] Há vetores de características que são analisados. O sistema tem como objetivo identificar as relações estatisticamente confiáveis entre as características dos dados de entrada e uma variável alvo ao usar a modelagem de aprendizagem de máquina. Diferentes características podem ser usadas e essas características podem incluir os dados de transações dos clientes em janelas de tempo de seis meses como um exemplo não limitador e uma variável alvo como um resultado binário que indica se um cliente está se movendo para uma região de dívida incobrável nos sete dias seguintes. As características podem ser extraídas de uma série temporal (variáveis da medição do comportamento do cliente com o passar do tempo) e esses valores podem ajudar a avaliar as tendências, a sazonalidade ou as mudanças que podem alertar quando um cliente está prestes a se enquadrar em uma dívida incobrável. As variáveis de transação podem ser medidas em uma janela de tempo de seis meses para suavizar o sinal de entrada, uma vez que uma técnica de janela móvel que pode ser usada tem sete dias de amostragem. Com base na série temporal suavizada obtida, o sistema pode extrair as estatísticas a seguir: média, desvio padrão, mediana, curtose e assimetria. Outras variáveis podem ser adicionadas, incluindo as razões entre as séries de tempo e a combinação de variáveis de transação diferentes.

[00187] A Figura 41 é o exemplo de uma série temporal e mostra a sua média móvel e o desvio padrão móvel. Com base na hipótese de que os últimos pontos da série temporal suavizada contêm um componente histórico que retoma toda a série temporal, é possível usar os 10 (dez) últimos pontos para criar o vetor de entrada. Há duas classes que um cliente pode ter com base no risco de dívida incobrável: clientes com alta probabilidade de dívida incobrável (MAUS) como um um lógico (1) e bons clientes com baixa probabilidade de risco (BONS) como um zero (0).

[00188] Também há objetivos de modelagem. Um dos objetivos é a precisão, de modo que o método de predição de dívida incobrável tenha um bom desempenho em ambas as saídas possíveis e identifique os clientes com dívida incobrável e identifique os clientes bons. Também há um objetivo de saída contínuo que tem uma saída contínua e esta característica é importante a fim de acompanhar o trajeto de gravidade de risco do cliente.

[00189] A análise de dados exploratórios pode ser um estágio seguinte. Este estágio pode direcionar a análise do conjunto de dados de transação para resumir suas características principais ao usar métodos visuais e interpretação. Desse modo, o sistema 100 pode tornar evidente o que os dados podem dizer ao sistema além da modelagem formal. Com base nesta análise, é possível formular hipóteses que podem levar a uma abordagem experimental precisa e exata. O conjunto de dados usado como exemplo pode incluir 318 clientes, com 203 "bons clientes" e 115 clientes com uma dívida incobrável. Uma distribuição de classes no conjunto de dados é mostrada na Figura 42, com números que correspondem a 63,8% e 36,2% e a etiqueta mostrando a dívida incobrável e a dívida pagável. O sistema 100 pode analisar as variáveis pareadas uma a uma e discriminadas pela etiqueta atribuída. Com esta abordagem inicial, é possível determinar que algumas variáveis estão mais correlacionadas com o comportamento de risco padrão. Neste estágio, o sistema faz suposições e produz uma hipótese e seleciona as variáveis do candidato para ser usadas no estágio seguinte a respeito do ranking futuro.

[00190] No estágio de ranking de característica, o sistema pode selecionar o subconjunto final de características relevantes (variáveis, preditores) que o sistema usa. Ele é relevante por quatro razões: (1) simplificação do modelo; (2) pouco tempo de treinamento; (3) elevado poder de generalização; e (4) prevenção do curso da dimensionabilidade.

[00191] O sistema automatiza o ranking de características para empregar uma metodologia padrão a fim de carregar o modelo com as melhores variáveis preditoras para o modelo a fim de prever a dívida incobrável. De acordo com uma eliminação de característica recursiva, as melhores características para uma discriminação de uma dívida incobrável, da mais correlacionada à menos correlacionada, são: (1)

janela móvel máxima na série de tipo; (2) janela móvel mediana na série temporal; (3) janela móvel de assimetria na série temporal; (4) janela móvel mínima na série temporal; e (5) razão entre receitas/despesas.

[00192] As Figuras 43A a 43P mostram gráficos diferentes como exemplos representativos, com os gráficos de barra e os gráficos de dispersão para as dívidas incobráveis e as dívidas pagáveis, enquanto as Figuras 44A a 44C mostram um gráfico do tipo lag plot para três classes de clientes. O gráfico do tipo lag plot mostra a tendência dos bons e maus clientes. Este tipo de comportamento pode ser o objetivo da relação do método de ranking das características. A saída do método pode ser uma pontuação da informação obtida ou o poder de predição da característica.

[00193] As pontuações finais podem ser baseadas em uma média das pontuações do método a seguir: ANOVA: análise de variância; Informação mútua: pontuação da informação entre duas variáveis aleatórias como um valor não negativo, que mede a dependência entre as variáveis; Floresta aleatória: a força da decisão aleatória está no método de aprendizagem de conjunto para a classificação; Qui-quadrado: é um teste estatístico aplicado aos grupos de características categóricas para avaliar a probabilidade de correlação ou associação entre elas ao usar a sua distribuição de frequência.

[00194] O ranking para as características de entrada pode ser apresentado como um gráfico, tal como mostrado na Figura 45, como um exemplo não limitador. São mostrados a curtose (kurt), o máximo (máximo), a média, a mediana, a comissão de assimetria, e outros identificadores ao longo do eixo horizontal.

[00195] Agora será apresentado um exemplo de seleção de modelo. O sistema pode selecionar o modelo com base nas características estatísticas extraídas da série temporal e classificadas com os algoritmos anteriores. É possível testar o modelo de classificação para predizer uma dívida incobrável nos próximos sete dias. As variáveis de entrada têm uma faixa diferente baseada na natureza da variável para reduzir a variabilidade da faixa do espaço interno que é dimensionada com as variáveis depois da remoção do valor atípico. O sistema tem o objetivo, neste estágio, de testar uma faixa de métodos e de selecionar o método com o melhor desempenho com base na métrica definida (pontuação F1).

[00196] Os métodos a seguir foram testados: intensidade aleatória, regressão logística, árvores extras, máquinas de vetor de suporte e KNN.

[00197] O exemplo experimental ajustado leva em consideração a métrica de desempenho na qual o sistema usou a pontuação F1, que é uma medida que considera a precisão "p" e a revocação "r" do teste para computar a pontuação. A precisão "p" é o número de resultados positivos corretos divididos pelo número de todos os resultados positivos retornados pelo classificador, e "r" é o número dos resultados positivos corretos divididos pelo número de todas as amostras relevantes. Em um exemplo, o teste de particionamento pode ser treinado e 70% dos clientes são usados para encaixar o algoritmo com a validação cruzada. Aproximadamente 30% dos clientes são reservados para testar o algoritmo com a validação cruzada. Como um limite de saída, se a probabilidade de dívida incobrável para um cliente for maior do que 0,6, ela é considerada de alto risco neste exemplo para o limite.

[00198] A taxa de positivos verdadeiros (dívida incobrável) que o modelo detecta melhorará com mais dados, tal como mostrado no gráfico da Figura 46, que indica a curva de aprendizagem e mostra que a taxa positiva verdadeira (TPR) aumenta e adiciona mais exemplos de treinamento como uma regressão logística para a TPR e também mostra a pontuação de treinamento e a pontuação da validação cruzada. Nos exemplos de teste (não visualizados), as métricas de desempenho são mostradas no exemplo da Figura 47.

[00199] Também há uma avaliação de modelo que o sistema realiza. A fim de alcançar os dois objetivos de modelagem, o sistema olha para uma pontuação F1 alta e uma saída contínua e com os métodos propostos encaixa os objetivos como um modelo de regressão logística. A seguir é apresentada uma descrição mais detalhada a respeito da saída contínua do modelo ao usar uma predição de probabilidade contínua.

[00200] A pontuação de um cliente pode demonstrar a probabilidade de ele se enquadrar em uma dívida incobrável. O sistema pode "levantar uma hipótese" de que um mau cliente que se enquadre no padrão ou em uma dívida incobrável tenha um crescimento contínuo na probabilidade (“frecated”) ou de previsão quando esse cliente ou consumidor está se movendo para perto de uma região de alto risco. Este comportamento é muito conveniente para definir um limite quando a probabilidade de alto risco passa dos limites permitidos. Em um exemplo, depois que o modelo foi treinado, o sistema, como um exemplo, toma seis clientes de classes diferentes para provar como o cliente foi classificado em períodos diferentes. Para cada cliente (consumidor), a pontuação de dívida incobrável foi computada durante cinco semanas. Para um cliente com potencial de dívida incobrável, a probabilidade raramente estava abaixo de 60%, enquanto os bons clientes tiveram uma probabilidade de dívida incobrável abaixo de 20%, tal como mostrado nas Figuras 48A e 48B, mostrando a probabilidade P(1) para dois clientes que entraram em um estado de dívida incobrável e a probabilidade P(1) para dois clientes regulares (maus) que entraram em um estado de dívida incobrável tal como nas Figuras 49A e 49B.

[00201] As Figuras 50A e 50B mostram os gráficos de probabilidade P(1) para dois clientes da classe 0. Estes exemplos nas Figuras 48A, 48B, 49A, 49B, 50A e 50B mostram que o sistema pode ser usado para o acompanhamento da evolução do risco de qualquer cliente. Não importa se o cliente ou o consumidor estiverem indo de uma região de alto risco para uma região de baixo risco ou estiverem saindo de uma região de alto risco para serem bons clientes. Os limites de alarme podem ser providos.

[00202] O cliente, como um consumidor, pode calibrar o modelo a fim de tornar o mesmo mais ou menos sensível à predição de risco ruim. Uma regra possível consiste em colocar alarmes somente em 50% dos clientes de alto risco, de modo que o risco de mover o limite pode ser mais do que 0,76. Se o cliente precisar ser mais proativo com os alarmes, o sistema pode mover o limite para mais do que 0,6 como um outro exemplo.

[00203] A Figura 51 é um gráfico que mostra a porcentagem dos alarmes versus o limite e mostra a TPR (taxa positiva verdadeira) e a FPR (taxa positiva falsa).

[00204] Um sumário é mostrado na Figura 52 como uma arquitetura de modelo para a predição de risco de crédito. O pré-processamento pode ser uma primeira etapa, seguida pela remoção do valor atípico e o dimensionamento dos dados. Isto pode ser seguido pelo ranking de características com a lista de diferentes características e pode incluir ANOVA, informação mútua, floresta aleatória ou qui-quadrado. A seleção de modelo vem a seguir e pode incluir a floresta aleatória, a regressão logística, as árvores extras e as máquinas de vetor de suporte como exemplos. Isso pode ser seguido pela avaliação de modelo com uma predição de probabilidade contínua e uma pontuação F1. A etapa final nesta arquitetura de modelo inclui o limite de alarme para definir o limite mais baixo de alarme.

[00205] De acordo com um exemplo não limitador, tal como observado anteriormente, é possível rastrear as transações por 6 meses e determinar quando um cliente requer mais crédito ao usar um algoritmo de rastreamento de débito, tal como descrito abaixo, mas também reduzir o risco de emprestar ao cliente mais dinheiro e o risco de padrão. O sistema pode usar uma combinação de duas variáveis, com a primeira relacionada a um bom comportamento do cliente e a segunda relacionada a um mau comportamento do cliente, fazer uma combinação linear dessas duas variáveis e identificar quando o cliente precisa de mais dinheiro sem nenhum risco para o credor ou negócio.

[00206] Tal como observado anteriormente, as características são extraídas de uma série temporal (variável do comportamento do cliente com o passar do tempo) e esses valores ajudam a avaliar tendências, sazonalidades ou mudanças que podem alertar quando um cliente está a ponto de se mover para uma situação de dívida incobrável. Em um exemplo, uma janela móvel de sete pontos como dias é usada para suavizar os sinais de entrada. Nessa janela móvel, as estatísticas usadas incluem: média, desvio padrão, mediana, curtose e assimetria. Outras variáveis podem ser adicionadas e podem incluir as razões entre consignações e comissões e recargas e comissões. A série temporal, tal como mostrada no gráfico da Figura 41, pode ser para as recargas, que são mostradas por usuário com uma linha pontilhada, os dias da média móvel pela linha contínua e o desvio padrão móvel pela linha tracejada.

[00207] Tal como observado anteriormente, deve ser compreendido que os pontos da janela móvel incluem as medidas tais como a média, o desvio padrão e a mediana em que há uma medida da tendência central de um valor de um conjunto de dados com a média (média) como a soma de todas as entradas de dados divididas pelo número de entradas, e a mediana como o valor que se encontra no meio dos dados quando o conjunto de dados é requisitado. Quando o conjunto de dados tem um número ímpar de entradas, a mediana pode ser a entrada de dados do meio, e se os dados tiverem um número par de entradas, então a mediana pode ser obtida pela adição de dois números no meio e pela divisão do resultado por dois (2). Há alguns valores atípicos que são não os maiores nem os menores valores, mas diferentes do padrão estabelecido pelo restante dos dados e não afetam a média, e, desse modo, a mediana pode se acomodar como uma medida da tendência central. Há medidas da variação que o desvio padrão leva em conta para medir a variabilidade e a consistência da amostra ou população. A variância e o desvio padrão dão uma ideia de como os dados estão espalhados. Quando os dados se encontram perto da média, então o desvio padrão é pequeno, mas quando os dados estão espalhados em uma grande faixa de valores, o desvio padrão "S" é grande e os valores atípicos aumentam o desvio padrão.

[00208] Ao medir a assimetria e a curtose e usar essas variáveis, é possível caracterizar a localização e a variabilidade do conjunto de dados com a assimetria como uma medida de simetria ou da falta de simetria, de tal modo que o conjunto de dados assimétricos é o mesmo à esquerda e à direita do ponto central. A curtose mede se os dados são de cauda pesada ou de cauda leve em relação a uma distribuição normal. Desse modo, esses conjuntos de dados de com curtose alta tendem a apresentar caudas pesadas ou valores atípicos e as séries de dados de com curtose baixa tendem a apresentar caudas leves ou a falta de valores atípicos. Uma fórmula que pode ser usada para a assimetria pode ser o coeficiente de assimetria de Fisher-Pearson.

Deve ser compreendido que a assimetria para uma distribuição normal pode ser zero (0) e quaisquer dados simétricos devem ter uma assimetria próxima de zero (0). Os valores negativos para a assimetria indicam que os dados que são valores que tendem para a esquerda e que são positivos para a assimetria indicam os dados que tendem para a direita. Desse modo, a cauda esquerda tendendo para a esquerda é longa em relação à cauda direita.

[00209] Tal como observado anteriormente, a probabilidade de um usuário que está em um estado de "dívida incobrável", ou não, é computada através de um modelo de regressão logística que pode usar uma análise de regressão para realizar quando uma variável dependente é dicótoma (binária). Em um exemplo, ela é uma análise de predição e descreve os dados e explica a relação entre uma variável binária dependente e uma ou mais variáveis nominais, ordinais, de intervalo ou independentes da razão-nível. Além disso, os modelos de regressão podem ser definidos de tal modo que a variável dependente é categórica e o algoritmo pode usar a variável dependente binária onde a saída pode tomar dois valores "0" e "1" que representam os resultados. Desse modo, é possível indicar que a presença de um fator de risco aumenta as probabilidades de um dado resultado por um fator específico como um modelo de probabilidade direta.

[00210] Com uma aprendizagem supervisionada, o sistema opera com a aprendizagem de máquina uma função que mapeia uma entrada para uma saída com base nos pares de entrada-saída de exemplo e infere uma função dos dados de treinamento etiquetados como um conjunto de exemplos do treinamento. Cada exemplo pode ser um par como um objeto de entrada, tal como um vetor e um valor de saída desejado como um sinal supervisório. Os dados de treinamento podem ser analisados e uma função inferida ser produzida, que pode ser usada para mapear exemplos novos. Geralmente, os exemplos de treinamento podem ser determinados e o tipo de dado a ser usado como um conjunto de treinamento pode ser determinado e o conjunto de treinamento ser recolhido. A representação da característica de entrada de uma função de aprendizagem pode ser determinada e a estrutura da função de aprendizagem no algoritmo de aprendizagem correspondente.

[00211] Deve ser compreendido que a eliminação da característica recursiva (RFE) pode construir repetidamente um modelo, por exemplo, um modelo de regressão ou um SVM e escolher a melhor ou a pior característica de desempenho, tal como baseado nos coeficientes, e ajustar a característica à parte e repetir o processo com o restante das características. Isto pode ser aplicado até que todas as características no conjunto de dados estejam esgotadas e as características possam ser classificadas de acordo com o momento em que são eliminadas. Com uma correlação linear, cada característica pode ser avaliada de modo independente.

[00212] A respeito da janela móvel, também conhecida como uma janela de rolagem em uma série temporal, é possível avaliar a estabilidade do modelo com o passar do tempo. Desse modo, é possível computar as estimativas do parâmetro em relação a uma janela de rolagem de tamanho fixo em uma amostra. As estimativas de rolagem podem capturar a instabilidade. É possível usar um teste reverso onde os dados históricos inicialmente são divididos em uma amostra de estimativa e uma amostra de predição e o ajuste do modelo utiliza a amostra de estimativa e as predições além da etapa H feitas para a amostra de predição. Desse modo, o sistema como uma regressão de rolagem com a janela de tempo de rolagem pode ter regressões de conduta do sistema repetidamente com subexemplos da amostra completa original. É possível então receber uma série temporal dos coeficientes de regressão que podem ser analisados.

[00213] Novamente, em relação às Figuras 44A a 44C, para os clientes com uma dívida incobrável, pode haver uma relação linear. O gráfico do tipo lag plot pode ser um gráfico de dispersão com duas variáveis (x, y) "atrasadas", onde "atrasada" é uma quantidade fixa de tempo que passa onde um conjunto de observações em uma série temporal é traçado "atrasado" em relação a um segundo, posterior, conjunto de dados. O retardo Kº pode ser um período de tempo que aconteceu "k" pontos de tempo antes do tempo i e o retardo mais comumente usado é o 1 como um lag plot de primeira ordem. Desse modo, os lag plots podem permitir que o sistema verifique a adequação do modelo, os valores atípicos como aqueles pontos de dados com valores extremamente altos ou baixos, qualquer aleatoriedade que mostre os dados sem um padrão, uma correlação de série onde os termos de erro em série temporal se transferem de um período a outro e a sazonalidade em que as flutuações periódicas nos dados da série temporal que aconteceram em períodos regulares podem ser mostradas. Com base no exemplo mostrado nas Figuras 44A a 44C, é evidente que o sistema pode agrupar em dois grupos como bons e maus.

[00214] Novamente em referência à Figura 46, é mostrada a curva de aprendizagem onde a taxa positiva verdadeira aumenta com a adição de mais exemplos de treinamento. Os exemplos de treinamento são mostrados com a pontuação e a regressão logística (TPR) como uma taxa positiva verdadeira. Isto permite a sensibilidade e especificidade como medidas estatísticas de desempenho de um teste de classificação binário com a sensibilidade como a taxa positiva verdadeira, a revocação ou a probabilidade de detecção também tal como denominado para medir a proporção de positivos que são identificados corretamente enquanto a especificidade como taxa negativa verdadeira mede a proporção de negativos que são assim corretamente identificados.

[00215] Em um exemplo de predição de dívida incobrável aplicado a um problema financeiro, o sistema pode começar com uma análise de dados exploratórios em que o sistema identifica as variáveis que têm uma potência de discriminação com base no problema definido. É importante transformar as variáveis mais importantes identificadas na descrição anterior em um espaço de baixa dimensão e contínuo e medir a representatividade das "variáveis mais importantes" identificadas no espaço de característica obtido. Uma primeira etapa pode analisar a correlação entre as variáveis e dois métodos podem conseguir o objetivo.

[00216] É possível usar uma correlação de característica de análise de correspondência múltipla. Nesta técnica de análise de dados para dados categóricos nominais, as estruturas subjacentes em um conjunto de dados podem ser detectadas e representadas onde os dados são representados como pontos no espaço Euclidiano de baixa dimensão. Este é um desafio analítico em uma modelagem de análise de dados multivariada e preditiva para incluir a identificação de variáveis redundantes e irrelevantes e para solucionar a redundância de grupos de variáveis que podem ser identificadas que são correlacionadas o quanto possível a elas mesmas tal como não correlacionadas o quanto possível a outros grupos de variáveis no mesmo conjunto de dados. A análise de correspondência múltipla usa a análise de dados multivariados e a prospecção de dados para encontrar e construir uma representação visual dimensional de baixa dimensão de associações de variáveis entre os grupos de variáveis categóricas. A correlação de característica de MCA e os dados podem ser extrapolados para conhecimento e para determinar a proximidade das variáveis de entrada em relação às variáveis alvo e a elas mesmas.

[00217] O sistema pode validar as correlações variáveis de espaço variável usando, por exemplo, uma correlação de Pearson ou uma correlação de Spearman. A correlação pode permitir que o sistema determine uma ampla classe de relações estatísticas que envolvem dependentes e determine o quão próximo as variáveis estão de ter uma relação linear entre si. As correlações podem indicar uma relação de predição. A medida mais familiar de dependentes entre duas quantidades é o coeficiente de correlação produto-momento de Pearson, onde a covariância das duas variáveis pode ser dividida pelo produto de seus desvios padrão. O coeficiente de correlação de classificação de Spearman pode ser um coeficiente de correlação de classificação e pode medir a extensão até a qual, à medida que uma variável aumenta, a outra variável tende a aumentar, sem precisar que esse aumento seja representado por uma relação linear. Desse modo, o coeficiente de correlação medirá a extensão até a qual as duas variáveis tendem a mudar juntas e descrever a intensidade e a direção dessa relação.

[00218] A correlação de produto-momento de Pearson avaliará a relação linear entre as duas variáveis contínuas e ela é linear quando uma mudança em uma variável é associada à mudança proporcional na outra variável. A correlação de classificação-ordem de Spearman pode avaliar a relação monotônica entre duas variáveis contínuas ou ordinais. Na relação monotônica, as variáveis tendem a mudar juntas, mas não necessariamente a uma taxa constante. A relação entre as variáveis geralmente é examinada com o gráfico de dispersão, em que os coeficientes de correlação medem somente as relações lineares (Pearson) ou monotônicas (Spearman). Os coeficientes de correlação de Pearson e de Spearman podem variar em valor de -1 a +1 e o coeficiente de correlação de Pearson pode ser +1 quando uma variável aumenta e a outra variável aumenta em uma quantidade consistente para formar uma linha. O coeficiente de correlação de Spearman também é +1 nesse caso.

[00219] Quando ocorre uma relação em que uma variável aumenta quando a outra aumenta, mas a quantidade não é consistente, o coeficiente de correlação de Pearson é positivo, mas menor do que +1, e o coeficiente de Spearman permanece igual a +1. Quando uma relação é aleatória ou inexistente, então ambos os coeficientes de correlação são quase 0. Se a relação for uma linha perfeita para diminuição da relação, os coeficientes de correlação são -1. Se a relação é aquela em que uma variável diminui e a outra aumenta, mas a quantidade não é consistente, então o coeficiente de correlação de Pearson é negativo, mas maior do que -1, e os coeficientes de Spearman permanecem iguais a -1. Tal como observado anteriormente, os valores de correlação de -1 ou 1 implicam uma relação linear exata, tal como entre o raio de um círculo e a circunferência. Quando duas variáveis são correlacionadas, elas normalmente formam uma análise de regressão para descrever o tipo de relação.

[00220] Assim que uma análise é terminada, o sistema pode formular hipóteses e conclusões. Em um exemplo, as variáveis relevantes podem ser: (1) o número dos blocos;(2) o número de transferências; e (3) a média I e D. As variáveis correlacionadas podem incluir: (1) consignações, I&D, transferência e comissão; e (2) linha de crédito, consignações, I&D e comissões. O tipo de relação entre as variáveis geralmente não é linear.

[00221] É possível identificar as características que são usadas no modelo e que são definidas como a transformação, as combinações e as razões entre as variáveis que fornecem mais informação do que elas podem ter sozinhas para uma classificação futura. A fim de tornar mais informativas as características, é possível agrupar as variáveis com base na frequência que os clientes geram. Após a redefinição da característica, pode ser possível classificar as mesmas a fim de inserir o algoritmo somente com as características mais informativas. A fim de alcançar este objetivo, é possível implementar uma combinação de métodos de classificação importantes de características tais como árvores de decisão, qui-quadrado e alívio.

[00222] Uma árvore de decisão pode ser usada com vários grupos, tais como os recargas médias, o bloco de número e as consignações médias e transferências diferentes com o coeficiente de gini, tal como expresso às vezes como uma razão de gini ou gini normalizado que é a medida da dispersão estatística que mostra a desigualdade entre os valores da distribuição de frequência.

[00223] Também deve ser compreendido que o sistema pode usar um teste de qui-quadrado como um teste de hipótese estatística onde a distribuição da amostragem da estatística de teste é uma distribuição qui-quadrada quando a hipótese nula é verdadeira. A intensidade da decisão aleatória pode ser usada como um método de aprendizagem em conjunto ou classificação, regressão e constrói árvores de decisão no tempo de treinamento que resulta na classe que é o modo das classes. A informação mútua de duas variáveis aleatórias pode ser usada como uma medida da dependência mútua entre duas variáveis. A análise de variação (ANOVA) pode ser usada como uma coleção de modelos e procedimentos estatísticos como uma variação dentre ou entre os grupos. A variação observada em uma variável particular pode ser particionada em componentes atribuíveis a fontes diferentes de variação. Pode haver algumas vantagens de uma ou outras da regressão logística em relação às árvores de decisão. Ambas são metodologias rápidas, mas a regressão logística pode funcionar melhor se houver um único limite da decisão não necessariamente paralelo ao eixo, e árvores de decisão podem ser aplicadas às situações onde não há apenas um limite de decisão subjacente, mas muitos.

[00224] Muitas modificações e outras modalidades da invenção virão à mente do elemento versado na técnica que tem o benefício dos ensinamentos apresentados acima nas descrições e nos desenhos associados. Portanto, deve ser compreendido que a invenção não deve ser limitada às modalidades específicas divulgadas, e que as modificações e as modalidades devem ser incluídas dentro do âmbito das reivindicações anexas.

Claims

REIVINDICAÇÕES

1. Sistema de determinação da condição de bom pagador e de concessão de empréstimo a consumidores, caracterizado pelo fato de que compreende: um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador, e um banco de dados de transação conectados ao mesmo; uma rede de comunicações sem fio conectada ao dito servidor de concessão de empréstimo, em que os ditos processador e módulo de comunicações são operativos para se comunicar com um consumidor anônimo que opera um dispositivo de comunicações sem fio através da rede de comunicações sem fio e adquirir um conjunto inicial de dados de pelo menos um de uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor, em que o conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor que permanece anônimo; em que o dito processador também é configurado para gerar aleatoriamente um número de ID de usuário que combina com o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e armazenar o conjunto inicial de dados e o número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário anônimo; gerar uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e combinar com uma sequência de atributos de dados no número de ID de usuário e o conjunto inicial de dados para determinar um crédito permitido máximo para o consumidor; aprovar um empréstimo baseado no crédito permitido máximo do consumidor e configurar o módulo de comunicações para transmitir um código de aprovação de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor que permanece anônimo para confirmar ou inserir um valor de um empréstimo a ser feito e para receber de volta do consumidor a confirmação ou valor do empréstimo a ser feito e uma indicação de como deve ser disperso; e em resposta, creditar a e-wallet do consumidor ou pagar uma conta associada com uma conta do consumidor no valor do empréstimo.

2. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que o dito processador é configurado para gerar um perfil comportamental para o consumidor baseado na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e também correlacionar os padrões de localização periódica para atividades de empréstimo e de transação.

3. Sistema de acordo com a reivindicação 2, caracterizado pelo fato de que o dito processador é configurado para gerar o perfil comportamental ao usar uma modelação da conversação do cliente ou uma análise de múltiplas linhas ou qualquer combinação destes.

4. Sistema de acordo com a reivindicação 2, caracterizado pelo fato de que o dito processador é configurado para gerar o perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e ao usar a análise da afinidade e via de compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

5. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que o dito processador é configurado para combinar os check-ins do consumidor a pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e a localização para um consumidor contra um banco de dados de localizações conhecidas que compreende os dados a respeito das lojas, de locais confidenciais, de lugares públicos e dados de transação e correlacionando os padrões de localização periódica às atividades de empréstimo e de transação.

6. Sistema de acordo com a reivindicação 1, caracterizado pelo fato de que os atributos de não identificação compreendem o gênero, a idade, a localização, o tipo de telefone, e o operador do celular.

7. Sistema de determinação da condição de bom pagador e de concessão de empréstimo a consumidores e de previsão de dívida incobrável, caracterizado pelo fato de que compreende: um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador e um banco de dados de transação conectados ao mesmo; uma rede de comunicações sem fio conectada ao dito servidor de concessão de empréstimo; em que os ditos processador e módulo de comunicações são operativos para se comunicar com um consumidor anônimo que opera um dispositivo de comunicações sem fio através da rede de comunicações sem fio e adquirir um conjunto inicial de dados de pelo menos um de uma carteira eletrônica (e-wallet) de fontes de dados do consumidor e públicos que contêm dados sobre o consumidor, em que o conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor que permanece anônimo; em que o dito o processador também é configurado para: gerar aleatoriamente um número de ID de usuário que combine o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e armazenar o conjunto inicial dos dados e o número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário anônimo; gerar uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis de usuário armazenados dentro do banco de dados de transação e combinar uma sequência de atributos de dados baseada no número de ID do usuário e o conjunto inicial de dados para determinar um crédito permitido máximo para o consumidor; aprovar um empréstimo baseado no crédito permitido máximo do consumidor e configurar o módulo de comunicações para transmitir um código da aprovação de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor que permanece anônimo para confirmar ou inserir um valor de um empréstimo a ser feito e para receber de volta do consumidor a confirmação ou valor do empréstimo a ser feito e uma indicação de como deve ser disperso; em resposta, creditar a e-wallet do consumidor ou pagar uma conta associada com uma conta do consumidor no valor do empréstimo; estabelecer uma data de vencimento para o reembolso do empréstimo; e armazenar dentro do banco de dados da transação os dados de empréstimo de consumidor sobre transações de empréstimo repetidas com o consumidor que inclui dados de reembolso de empréstimo para cada empréstimo e, com base nesses dados de empréstimo de consumidor armazenados, aplicar no servidor de concessão de empréstimo um modelo de aprendizagem de máquina aos dados de empréstimo de consumidor e determinar quando o consumidor requer um aumento no crédito permitido máximo e o risco envolvido com o aumento do crédito permitido máximo.

8. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o modelo de aprendizagem de máquina compreende um modelo de regressão que tem uma janela móvel que leva em consideração a média da conta, o desvio padrão, o número médio, a curtose e a assimetria.

9. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o dito processador também é configurado para inserir dados de entrada/saída do passado ao modelo de aprendizagem de máquina, em que os dados de entrada/saída do passado compreendem um vetor para a entrada relacionada aos dados de empréstimo do consumidor do passado e uma saída relacionada a uma probabilidade entre 0 e 1 que indica que um consumidor irá ser enquadrado em dívida incobrável.

10. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que uma probabilidade maior do que 0,6 é indicativa de um alto risco que um consumidor irá ser enquadrado na dívida incobrável.

11. Sistema de acordo com a reivindicação 10, caracterizado pelo fato de que um resultado variável alvo do modelo de aprendizagem de máquina compreende um resultado binário que indica se um consumidor será um risco de dívida incobrável dentro de sete dias.

12. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o dito processador é configurado para coletar os dados de empréstimo de consumidor por um período de seis meses e para classificar os consumidores em duas classes como 1) um mau cliente que tem uma probabilidade de alto risco de ser enquadrado na dívida incobrável, e 2) um bom cliente que tem uma probabilidade de baixo risco de ser enquadrado na dívida incobrável.

13. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o dito processador é configurado para gerar um perfil comportamental para o consumidor baseado na localização do consumido e check-ins para pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e também correlacionar os padrões de localização periódica para as atividades de empréstimo e de transação e predizer o perfil do consumidor e a periodicidade; padrões de desembolso de empréstimo; uso de empréstimo; reembolsos de empréstimo; e atividades de transação.

14. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o dito processador é configurado para gerar o perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e usar a análise da afinidade e via da compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e a ligação entre as compras com o passar do tempo.

15. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o dito processador também é configurado para:

conectar o dispositivo de comunicações sem fio móvel do consumidor à rede de comunicações sem fio e o servidor de concessão de empréstimo através da e-wallet e armazenar as informações no banco de dados de transação sobre os consumidores que são assinantes de uma carteira e as suas transações; exibir uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel, em que o consumidor interage com a e-wallet através da API no dispositivo de comunicações sem fio móvel; e em que os atributos de não identificação compreendem o gênero, a idade, a localização, o tipo de telefone, e o operador do celular.

16. Sistema de acordo com a reivindicação 7, caracterizado pelo fato de que o dito processador é configurado para: transmitir o crédito máximo através da API à e-wallet que é etiquetada com o número de ID do usuário gerado aleatoriamente; combinar o número de ID de usuário ao consumidor real; e adicionar atributos novos ao consumidor e creditar um empréstimo à e-wallet para o consumidor.

17. Método de determinação da condição de bom pagador e de concessão de empréstimo a consumidores, caracterizado pelo fato de que compreende: a conexão de um dispositivo de comunicações sem fio móvel de um consumidor anônimo através de uma rede de comunicações sem fio a um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador e um banco de dados de transação conectados ao mesmo; a aquisição no servidor de concessão de empréstimo de um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor, em que o conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor que permanece anônimo; a geração aleatória do servidor de concessão de empréstimo de um número de ID de usuário que combina com o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e armazena o conjunto inicial de dados e número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário anônimo; a geração no servidor de concessão de empréstimo de uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis do usuário armazenados dentro do banco de dados de transação e ao combinar uma sequência de atributos de dados baseada no número de ID do usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor; a aprovação de um empréstimo baseado no crédito permitido máximo do consumidor e a transmissão de um código de aprovação de empréstimo do servidor de concessão de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor que permanece anônimo para confirmar ou inserir um valor de um empréstimo a ser feito; a recepção de volta do consumidor da confirmação ou valor do empréstimo a ser feito e uma indicação de como deve ser disperso; e em resposta, a creditação da e-wallet do consumidor ou pagamento de uma conta associada com uma conta do consumidor no valor do empréstimo.

18. Método de acordo com a reivindicação 17, caracterizado pelo fato de que compreende ainda a combinação dos check-ins do consumidor a pelo menos um dentre a e-wallet e o servidor de concessão de empréstimo e a localização para um consumidor contra um banco de dados de localizações conhecidas que compreende os dados a respeito das lojas, de locais privativos, de lugares públicos e de dados de transação e a correlação de padrões de localização periódica a atividades de empréstimo e de transação.

19. Método de acordo com a reivindicação 17, caracterizado pelo fato de que compreende ainda a predição pelo perfil do consumidor e periodicidade, padrões de desembolso de empréstimo; uso de empréstimo; reembolsos de empréstimo; e atividades de transação.

20. Método de acordo com a reivindicação 17, caracterizado pelo fato de que compreende ainda: a conexão do dispositivo de comunicações sem fio móvel do consumidor à rede de comunicações sem fio e o servidor de concessão de empréstimo através da e-wallet e o armazenamento das informações no banco de dados de transação sobre os consumidores que assinam uma e-wallet e as suas transações; e a exibição de uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel, em que o consumidor interage com a e-wallet através da API no dispositivo de comunicações sem fio móvel.

21. Método de acordo com a reivindicação 17, caracterizado pelo fato de que compreende ainda a geração de um perfil de comportamento para o consumidor baseado na localização do consumidor e check-ins para pelo menos uma dentre a e-wallet e o servidor de concessão de empréstimo e também a correlação de padrões de localização periódica a atividades de empréstimo e de transação.

22. Método de acordo com a reivindicação 21, caracterizado pelo fato de que compreende ainda a geração do perfil comportamental ao usar uma modelação de conversação de cliente ou uma análise de múltiplas linhas ou qualquer combinação destes.

23. Método de acordo com a reivindicação 21, caracterizado pelo fato de que compreende ainda a geração do perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação e ao usar a afinidade e a análise da via da compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

24. Método de acordo com a reivindicação 21, caracterizado pelo fato de que compreende ainda a combinação dos check-ins do consumidor e da localização para um consumidor contra um banco de dados de localizações conhecidas que compreendem os dados a respeito das lojas, de locais privativos, de lugares públicos e de dados de transação, e a correlação de padrões de localização periódica e atividades de empréstimo e de transação.

25. Método de determinação da condição de bom pagador e de concessão de empréstimo aos consumidores e de prevenção de dívida incobrável, caracterizado pelo fato de que compreende: a conexão de um dispositivo de comunicações sem fio móvel de um consumidor anônimo através de uma rede de comunicações sem fio a um servidor de concessão de empréstimo que tem um módulo de comunicações, um processador e um banco de dados de transação conectados ao mesmo;

a aquisição no servidor de concessão de empréstimo de um conjunto inicial de dados de pelo menos um dentre uma carteira eletrônica (e-wallet) das fontes de dados do consumidor e públicos que contêm dados sobre o consumidor, em que o conjunto inicial de dados inclui atributos de não identificação do consumidor sem a obtenção de um nome completo, um número de cartão de crédito, um número de passaporte, ou um número de ID emitido pelo governo que permite a identificação do consumidor que permanece anônimo; a geração aleatória no servidor de concessão de empréstimo de um número de ID de usuário que combina o conjunto inicial de dados que tinham sido adquiridos sobre o consumidor e o armazenamento do conjunto inicial de dados e do número de ID de usuário que corresponde ao consumidor no banco de dados de transação como um perfil de usuário anônimo; a geração no servidor de concessão de empréstimo de uma pontuação de crédito baseada no crédito médio entre uma pluralidade de perfis do usuário armazenados dentro do banco de dados de transação e ao combinar uma sequência de atributos de dados baseada no número de ID do usuário e no conjunto inicial de dados para determinar um crédito máximo permitido para o consumidor; a aprovação de um empréstimo baseado no crédito permitido máximo do consumidor e a transmissão de um código de aprovação de empréstimo do servidor de concessão de empréstimo ao dispositivo de comunicações sem fio do consumidor para iniciar uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel do consumidor que permanece anônimo para confirmar ou inserir um valor de um empréstimo a ser feito; a recepção de volta do consumidor da confirmação ou valor do empréstimo a ser feito e uma indicação de como deve ser disperso; em resposta, a creditação da e-wallet do consumidor ou o pagamento de uma conta associada com uma conta do consumidor no valor do empréstimo; o estabelecimento de uma data de vencimento para o reembolso do empréstimo; e o armazenamento dentro do banco de dados de transação dos dados de empréstimo de consumidor sobre as transações de empréstimo repetidas com o consumidor que incluem os dados de reembolso de empréstimo para cada empréstimo e, com base nesses dados de empréstimo de consumidor armazenados, a aplicação no servidor de concessão de empréstimo de um modelo de aprendizagem de máquina aos dados de empréstimo de consumidor e a determinação de quando o consumidor requer um aumento no crédito permitido máximo e o risco envolvido com o aumento do crédito permitido máximo.

26. Método de acordo com a reivindicação 25, caracterizado pelo fato de que o modelo de aprendizagem de máquina compreende um modelo de regressão que tem uma janela móvel que leva em consideração a média da conta, o desvio padrão, o número médio, a curtose e a assimetria.

27. Método de acordo com a reivindicação 25, caracterizado pelo fato de que compreende ainda a inserção de dados de entrada/saída do passado ao modelo de aprendizagem de máquina, em que os dados de entrada/saída do passado compreendem um vetor para a entrada relacionado aos dados de empréstimo de consumidor passados e uma saída relacionada a uma probabilidade entre 0 e 1 que indica que um consumidor irá ser enquadrado na dívida incobrável.

28. Método de acordo com a reivindicação 25, caracterizado pelo fato de que compreende ainda a geração de um perfil comportamental para o consumidor baseado na localização do consumidor e check-ins para pelo menos um dentre a e-wallet e o servidor de empréstimo de consumidor e também a correlação de padrões de localização periódica a atividades de empréstimo e de transação e a predição pelo perfil do consumidor e periodicidade; padrões de desembolso de empréstimo; uso de empréstimo; reembolsos de empréstimo; e atividades de transação.

29. Método de acordo com a reivindicação 25, caracterizado pelo fato de que compreende ainda a geração do perfil comportamental baseado na segmentação do consumidor com a informação do consumidor fornecida através do conteúdo de cada transação, e o uso da afinidade e análise da via da compra para identificar os produtos que vendem em conjunto uns com os outros dependendo da base promocional e sazonal e da ligação entre as compras com o passar do tempo.

30. Método de acordo com a reivindicação 25, caracterizado pelo fato de que compreende ainda: a conexão do dispositivo de comunicações sem fio móvel do consumidor à rede de comunicações sem fio e do servidor de concessão de empréstimo através da e-wallet e o armazenamento das informações no banco de dados de transação sobre os consumidores que assinam uma carteira e as suas transações; a exibição de uma interface de programação de aplicativo (API) no dispositivo de comunicações sem fio móvel, em que o consumidor interage com a e-wallet através da API no dispositivo de comunicações sem fio móvel; e em que os atributos de não identificação compreendem o gênero, a idade, a posição, o tipo de telefone, e o operador do celular.

31. Método de acordo com a reivindicação 25,

caracterizado pelo fato de que compreende ainda: a transmissão do crédito máximo através da API à e-wallet que é etiquetada com o número de ID do usuário gerado aleatoriamente; a combinação do número de ID de usuário ao consumidor real; e a adição de atributos novos ao consumidor e a creditação de um empréstimo à e-wallet para o consumidor.

32. Método de acordo com a reivindicação 25, caracterizado pelo fato de que, em resposta à recepção do código de aprovação de empréstimo, o consumidor acessa pelo menos uma tela da API no dispositivo de comunicações sem fio móvel e insere os dados indicativos do valor do empréstimo a ser feito e transmite esses dados ao servidor de concessão de empréstimo para obter o empréstimo.