CN106651575A - 一种数据处理方法及装置 - Google Patents

Abstract

本申请提供了一种数据处理方法及装置，预先建立评分卡模型，数据处理方法包括：接收申请人的业务申报请求，业务申报请求中包含业务申报信息；判断是否接收到指示业务申报信息审核通过审核信息；当接收到指示业务申报信息审核通过审核信息时，通过预先建立的评分卡模型对业务申报信息进行评分，获得业务申报信息的评分值；通过业务申报信息的评分值确定业务申报信息的申报结果，并基于申报结果处理业务申报信息。本申请提供的数据处理方法及装置使得业务申报信息的处理不再由人工执行，与人工处理业务申报信息的过程相比，业务申报信息的处理过程简单，这使得业务申报信息的处理效率大大提高，用户体验较好。

Description

一种数据处理方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种数据处理方法及装置。

背景技术

小微企业的资金需求存在着“短、小、频、急”的特点，尤其是单户授信总额500万元以下的小微企业客户，在商业银行贷款中，存在评价难、流程长等诸多问题，制约了业务的发展。

现有信贷业务流程为：客户申请时，由客户递交纸质的申请材料，由受理人员向评价人员递交申请材料。评价人员进行客户调查，并根据调查的信息进行客户评级。客户评级时，重点参考客户的财务信息。根据评级结果，测算客户的授信限额，确定授信额度并进行额度申报。审批人根据评价人员递交的授信申报材料进行人工审批，审批通过后下达额度审批批复。批复完成后，评价人员再次组织申报材料，确定单笔贷款支用金额，并进行单笔支用审批申报。审批人对单笔支用业务人工进行审批。审批通过后下达批复。审批通过后在线下进行合同签订，并在柜台完成放款操作。

由此可见，现有的信贷业务流程都是人工执行的，整个业务处理过程比较繁琐也比较耗时，即信贷业务处理效率较低，用户体验很不好。

发明内容

有鉴于此，本发明提供了一种数据处理方法及装置，用以解决现有的信贷业务流程都是人工执行的，整个业务处理过程比较繁琐也比较耗时，即信贷业务处理效率较低，用户体验很不好的问题，其技术方案如下：

一种数据处理方法，预先建立评分卡模型，所述数据处理方法包括：

接收申请人的业务申报请求，所述业务申报请求中包含业务申报信息；

判断是否接收到指示所述业务申报信息审核通过的审核信息；

当接收到指示所述业务申报信息审核通过的审核信息时，通过预先建立的所述评分卡模型对所述业务申报信息进行评分，获得所述业务申报信息的评分值；

通过所述述业务申报信息的评分值确定所述业务申报信息的申报结果，并基于所述业务申报信息的申报结果处理所述业务申报信息。

其中，所述申报结果包括：申报通过、人工审批和申报拒绝；

则所述通过所述述业务申报信息的评分值确定所述业务申报信息的申报结果，包括：

当所述业务申报信息的评分值大于第一预设值时，确定所述业务申报信息的申报结果为所述申报通过；

当所述业务申报信息的评分值大于或等于第二预设值，且小于或等于所述第一预设值时，确定所述业务申报信息的申报结果为所述人工审批；

当所述业务申报信息的评分值小于所述第二预设值时，确定所述业务申报信息的申报结果为所述申报拒绝。

其中，所述基于所述业务申报信息的申报结果处理所述业务申报信息，包括：

当所述业务申报信息的申报结果为所述申报通过时，基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见；

当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对所述业务申报信息发起人工审批请求；

当所述再审策略为所述再审拒绝时，将所述业务申报请求挂起，以对所述业务申报信息重评。

其中，所述基于所述业务申报信息的申报结果处理所述业务申报信息，包括：

当所述业务申报信息的申报结果为所述申报通过时，如果第一预设时间段内接收到针对所述业务申报信息的选取指令，则基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见，否则，对所述业务申报信息发起人工审批请求；

当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对业务申报信息发起人工审批请求；

当所述业务申报信息的申报结果为所述申报拒绝时，如果第二预设时间段内接收到针对所述业务申报信息的重评指令，则对所述业务申报信息发起人工审批请求，否则拒绝所述业务申报请求。

其中，所述预先建立评分卡模型，包括：

获取满足预设条件的原始样本数据；

按预设的数据清洗规则对所述原始样本数据进行清洗，获得目标样本数据；

从所述目标样本数据中按预设的数据抽取规则抽取用于构建所述评分卡模型的开发样本集和验证样本集；

从目标样本数据中获取业务变量，通过Logistic回归方法按预设的选取规则从所述业务变量中选取目标变量；

基于所述开发样本集、所述验证样本集和所述目标变量确定所述评分卡模型。

一种数据处理装置，预先建立评分卡模型，所述数据处理装置包括：接收模块、判断模块、评分模块、确定模块和处理模块；

所述接收模块，用于接收申请人的业务申报请求，所述业务申报请求中包含业务申报信息；

所判断模块，用于判断是否接收到指示所述接收模块接收的所述业务申报请求中所述业务申报信息审核通过的审核信息；

所述评分模块，用于当所述判断模块判断出接收到所述业务申报信息审核通过的审核信息时，通过预先建立的所述评分卡模型对所述业务申报信息进行评分，获得所述业务申报信息的评分值；

所述确定模块，用于通过所述评分模块评出的所述述业务申报信息的评分值确定所述业务申报信息的申报结果；

所述处理模块，用于基于所述确定模块确定出的所述业务申报信息的申报结果处理所述业务申报信息。

其中，所述申报结果包括：申报通过、人工审批和申报拒绝；

所述确定模块，包括：所述第一确定子模块、第二确定子模块和第三确定子模块；

所述第一确定子模块，用于当所述业务申报信息的评分值大于第一预设值时，确定所述业务申报信息的申报结果为所述申报通过；

所述第二确定子模块，用于当所述业务申报信息的评分值大于或等于第二预设值，且小于或等于所述第一预设值时，确定所述业务申报信息的申报结果为所述人工审批；

所述第三确定子模块，用于当所述业务申报信息的评分值小于所述第二预设值时，确定所述业务申报信息的申报结果为所述申报拒绝。

其中，所述处理模块包括：第一处理子模块、第二处理子模块和第三处理子模块；

所述第一处理子模块，用于当所述业务申报信息的申报结果为所述申报通过时，基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见；

所述第二处理子模块，用于当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对业务申报书发起人工审批请求；

所述第三处理子模块，用于当所述业务申报信息的申报结果为所述申报拒绝时，将所述业务申报请求挂起，以对所述业务申报信息重评。

其中，所述处理模块包括：第四处理子模块、第五处理子模块和第六处理子模块；

所述第四处理子模块，用于当所述业务申报信息的申报结果为所述申报通过时，如果第一预设时段内接收到针对所述业务申报信息的选取指令，则基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见，否则，对所述业务申报信息发起人工审批请求；

所述第五处理子模块，用于当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对业务申报信息发起人工审批请求；

所述第六处理子模块，用于当所述业务申报信息的申报结果为所述申报拒绝时，如果第二预设时段内接收到针对所述业务申报信息的重评指令，则对所述业务申报信息发起人工审批请求，否则拒绝所述业务申报请求。

其中，所述装置还包括：评分卡模型建立模块；

所述评分卡模型建立模块包括：数据选取子模块、数据清洗子模块、数据抽取子模块、变量获取子模块和模型确定子模块；

所述数据选取子模块，用于获取满足预设条件的原始样本数据；

所述数据清洗子模块，用于按预设的数据清洗规则对所述数据选取子模块选取的所述原始样本数据进行清洗，获得目标样本数据；

所述数据抽取子模块，用于从所述数据清洗子模块清洗得到的所述目标样本数据中按预设的数据抽取原则抽取用于构建所述评分卡模型的开发样本集和验证样本集；

所述变量获取子模块，用于从所述数据清洗子模块清洗得到的所述目标样本数据中获取业务变量，并通过Logistic回归方法按预设的选取规则从所述业务变量中选取目标变量；

所述模型确定子模块，用于基于所述数据抽取子模块抽取的所述开发样本集、验证样本集和所述变量获取子模块获取的所述目标变量确定所述评分卡模型。

上述技术方案具有如下有益效果：

本发明提供的数据处理方法及装置，在接收申请人的业务申报请求时，首先判断是否接收到指示业务申报信息审核通过的审核信息，当接收到指示业务申报信息审核通过的审核信息时，可通过预先建立的评分卡模型自动对业务申报信息进行评分，并可通过业务申报信息的评分值确定业务申报信息的申报结果，从而可基于申报结果自动处理业务申报信息。由此可见，本发明提供的数据处理方法及装置使得业务申报信息的处理不再由人工执行，与人工处理业务申报信息的过程相比，业务申报信息的处理过程简单，这使得业务申报信息的处理效率大大提高，用户体验较好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的数据处理方法的一流程示意图；

图2为本发明实施例提供的数据处理方法的另一流程示意图；

图3为本发明实施例提供的数据处理方法的另一流程示意图；

图4为本发明实施例提供的不同表现期内坏客户占比；

图5为本发明实施例提供的建立评分卡模型的实现方式的流程示意图；

图6为基础数据的表现期和观察期长度示意图；

图7为本发明实施例提供的数据处理装置的一结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种数据处理方法，请参阅图1，示出了该方法的一流程示意图，该方法需预先建立评分卡模型，该数据处理方法可以包括：

步骤S101：接收申请人的业务申报请求，该业务申报请求中包含业务申报信息。

步骤S102：判断是否接收到指示业务申报信息审核通过的审核信息。

当接收到申请人的业务申报请求时，对业务申报信息进行初步审核，如果初步审核成功，则进入后续的评分流程，否则不执行任何操作。

步骤S103：当接收到指示业务申报信息审核通过的审核信息时，通过预先建立的评分卡模型对业务申报信息进行评分，获得业务申报信息的评分值。

需要说明的是，当接收到指示业务申报信息审核未通过的审核信息时，结束业务申报信息的处理流程。

步骤S104：通过业务申报信息的评分值确定业务申报信息的申报结果，并基于业务申报信息的申报结果处理业务申报信息。

本发明实施例提供的数据处理方法，在接收申请人的业务申报请求时，首先判断是否接收到指示业务申报信息审核通过的审核信息，当接收到指示业务申报信息审核通过的审核信息时，可通过预先建立的评分卡模型自动对业务申报信息进行评分，并可通过业务申报信息的评分值确定业务申报信息的申报结果，从而可基于申报结果自动处理业务申报信息。由此可见，本发明实施例提供的数据处理方法使得业务申报信息的处理不再由人工执行，与人工处理业务申报信息的过程相比，业务申报信息的处理过程简单，这使得业务申报信息的处理效率大大提高，用户体验较好。另外，本发明实施例简化了业务申报处理所需的申报材料，并通过电子化、无纸化操作，提高了业务信息的传递效率。

请参阅图2，示出了本发明实施例提供的数据处理方法的另一流程示意图，该方法需预先建立评分卡模型，该数据处理方法可以包括：

步骤S201：接收申请人的业务申报请求，该业务申报请求中包含业务申报信息。

步骤S202：判断是否接收到指示业务申报信息审核通过的审核信息。

当接收到申请人的业务申报请求时，对业务申报信息进行初步审核，如果初步审核成功，则进入后续的评分流程，否则不执行任何操作。

步骤S203：当接收到指示业务申报信息审核通过的审核信息时，通过预先建立的评分卡模型对业务申报信息进行评分，获得业务申报信息的评分值。

需要说明的是，当接收到指示业务申报信息审核未通过的审核信息时，结束业务申报信息的处理流程。

步骤S204：通过业务申报信息的评分值确定业务申报信息的申报结果。

其中，申报结果包括：申报通过、人工审批和申报拒绝。

在一种可能的实现方式中，通过业务申报信息的评分值确定业务申报信息的申报结果的实现过程可以包括：当业务申报信息的评分值大于第一预设值时，确定业务申报信息的申报结果为申报通过；当业务申报信息的评分值大于或等于第二预设值，且小于或等于第一预设值时，确定业务申报信息的申报结果为人工审批；当业务申报信息的评分值小于第二预设值时，确定业务申报信息的申报结果为申报拒绝。

步骤S205a：当业务申报信息的申报结果为申报通过时，基于业务申报信息生成业务申报书，并基于审核信息和业务申报信息的申报结果生成业务审批意见。

其中，业务申报书可以为PDF格式。

步骤S205b：当业务申报信息的申报结果为人工审批时，基于业务申报信息生成业务申报书，并对业务申报书发起人工审批请求。

在对业务申报书发起人工审批请求后，相关工作人员可对业务申报信息进行全面分析，出具审批意见，人工审批包含单签、双签、会签和会议审批四种方式。

步骤S205c：当业务申报信息的申报结果为申报拒绝时，将业务申报请求挂起，以对业务申报信息重评。

在一种可能的实现方法中，具有重评权限的工作人员如部门主管可对申报拒绝的业务申报信息进行重新评分。对申报拒绝的客户，如果具有重评权限的工作人员决定进行重新评分，业务进入人工审批环节，并针对业务申报信息附上重评指示信息，示例性在，在针对业务申报信息附上“挽救”字样。

对申报拒绝的业务申报信息，如果工作人员决定进行重评，则由客户经理修改业务信息，业务申报人员修改业务申报信息，系统保留每次评分的评分指标、评分结果以及评分人，业务附有“重评”字样。同一笔业务，只能进行最多二次重评。进行重评的业务，不允许自动通过。

本发明实施例提供的方法还可以包括：判断业务申报请求的挂起时长是否大于预设时长，当业务申报请求的挂起时长大于所述预设时长时，结束业务申报信息的申报流程。

本发明实施例提供的数据处理方法，在接收申请人的业务申报请求时，首先判断是否接收到指示业务申报信息审核通过的审核信息，当接收到指示业务申报信息审核通过的审核信息时，可通过预先建立的评分卡模型自动对业务申报信息进行评分，并可通过业务申报信息的评分值确定业务申报信息的申报结果，从而可基于申报结果自动处理业务申报信息。由此可见，本发明实施例提供的数据处理方法使得业务申报信息的处理不再由人工执行，与人工处理业务申报信息的过程相比，业务申报信息的处理过程简单，这使得业务申报信息的处理效率大大提高，用户体验较好。另外，本发明实施例简化了业务申报处理所需的申报材料，并通过电子化、无纸化操作，提高了业务信息的传递效率。

请参阅图3，示出了为本发明实施例提供的数据处理方法的再一流程示意图，该方法需预先建立评分卡模型，该数据处理方法可以包括：

步骤S301：接收申请人的业务申报请求，该业务申报请求中包含业务申报信息。

步骤S302：判断是否接收到指示业务申报信息审核通过的审核信息。

当接收到申请人的业务申报请求时，审核人员对业务申报信息进行初步审核，如果初步审核成功，则进入后续的评分流程，否则结束业务申报信息的处理流程。

步骤S303：当接收到指示业务申报信息审核通过的审核信息时，通过预先建立的评分卡模型对业务申报信息进行评分，获得业务申报信息的评分值。

步骤S304：通过业务申报信息的评分值确定业务申报信息的申报结果。

其中，申报结果包括：申报通过、人工审批和申报拒绝。

在一种可能的实现方式中，通过业务申报信息的评分值确定业务申报信息的申报结果，可以包括：当业务申报信息的评分值大于第一预设值时，确定业务申报信息的申报结果为申报通过；当业务申报信息的评分值大于或等于第二预设值，且小于或等于第一预设值时，确定业务申报信息的申报结果为人工审批；当业务申报信息的评分值小于第二预设值时，确定业务申报信息的申报结果为申报拒绝。

步骤S305a：当业务申报信息的申报结果为申报通过时，判断第一预设时间段内是否接收到针对业务申报信息的选取指令，如果是，则执行步骤S306aa，否则执行步骤S306ab。

在本实施例中，具有操作权限的人员如部门主管可从申报结果为申报通过的业务信息中挑选部分业务信息，这部分业务信息可直接通过，不用进一步进行人工审批，而未选中的业务信息需进一步进行人工审批。

步骤S306aa：基于业务申报信息生成业务申报书，并基于初步审核信息和业务申报信息的申报结果生成业务审批意见。

步骤S306ab：对业务申报信息发起人工审批请求。

步骤S305b：当业务申报信息的申报结果为人工审批时，基于业务申报信息生成业务申报书，并对业务申报信息发起人工审批请求。

步骤S305c：当业务申报信息的申报结果为申报拒绝时，判断第二预设时间段内是否接收到针对业务申报信息的重评指令，如果是，则执行S306ca，否则执行步骤S306cb。

步骤S306ca：对业务申报信息发起人工重评请求。

步骤S306cb：拒绝业务申报请求。

在一种可能的实现方法中，具有重评权限的工作人员如部门主管可从申报拒绝的业务申报信息中挑选部分业务信息进行重评，进入人工审批环节，优选的，可针对业务申报信息附上重评指示信息，示例性在，在针对业务申报信息附上“挽救”字样，而对于未挑选的业务信息则直接拒绝。

对申报拒绝的业务申报信息，如果具有重评权限的工作人员决定进行重评，则由客户经理修改业务信息，业务申报人员修改业务申报信息，系统保留每次评分的评分指标、评分结果以及评分人，业务附有“重评”字样。同一笔业务，只能进行最多二次重评。进行重评的业务，不允许自动通过。

本发明实施例提供的数据处理方法，在接收申请人的业务申报请求时，首先判断是否接收到指示业务申报信息审核通过的审核信息，当接收到指示业务申报信息审核通过的审核信息时，可通过预先建立的评分卡模型自动对业务申报信息进行评分，并可通过业务申报信息的评分值确定业务申报信息的申报结果，从而可基于申报结果自动处理业务申报信息。由此可见，本发明实施例提供的数据处理方法使得业务申报信息的处理不再由人工执行，与人工处理业务申报信息的过程相比，业务申报信息的处理过程简单，这使得业务申报信息的处理效率大大提高，用户体验较好。另外，本发明实施例简化了业务申报处理所需的申报材料，并通过电子化、无纸化操作，提高了业务信息的传递效率。

需要说明的是，上述评分卡模型采用Logistic回归方法建立。Logistic回归方法是目前业界比较成熟的通用方法，具有科学性、合理性。模型处理两分类因变量的数据有其独特的优势，模型关于数据分布的假定较弱，在数据为非正态分布时，也有较好的表现。

模型的基本假设是客户的反优比对数是其属性的线性回归：

上述公式中，x是客户的属性向量，p(x)表示客户在观察期内变为坏客户的概率，1-p(x)表示客户在观察期内变为好客户的概率，表示该属性向量x对应的反优比，即客户在观察期内变为坏客户的概率与客户变为好客户的概率的比值。

模型输入项为申请人的基本属性信息和申请信息变量，模型基本输出项为申请人的好坏比(可换算为违约概率)，即根据申请人的基本情况，预测在未来一段时间内发生违约的可能性，作为评分的基础。建模利用Stepwise法逐步由少到多，按一定规则选择回归变量，最终综合考虑建模样本和检验样本的KS值，以及变量的合理性，选择合适的模型。实际模型中，采用属性向量的woe作为x的元素，其中woe的定义如下：Woe＝ln(每个分组中好客户的占比/坏客户的占比)。

需要说明的是，本发明将客户分为好客户和坏客户两类。根据微小企业客户逾期滚动率情况，在逾期一个月的客户中，有51.99％的客户可以通过各种手段使其还款，恢复为正常客户，而连续逾期两个月的客户中，有86.15％的客户将继续逾期到三个月以上，构成实质性违约。因此，在发明实施例中，坏客户定义为在表现期内连续逾期两个月及以上的客户，好客户定义为在表现期内未出现逾期的客户。

模型表现期的确定采用了数据分析与业务经验相结合的方式。最终选择的表现期应能够暴露大多数的违约客户，同时保证样本数量足够、具备时效性。在本实施例中，选择观察期满24个月的客户样本，分别统计开户13、12和6个月以内发生违约的客户数，数据显示：约有95.87％的坏客户在开户13月以内变为坏客户，而57.84％的坏客户是在12个月以内变为坏客户。因此，为确保客户的表现期设置符合现在的业务实际情况，并能够尽可能使客户风险充分表现，表现期采用了滚动时间长度的方式，使得观察样本的表现期不低于12个月。

在观察期选择方面，如图4所示，若选择6个月观察期，坏客户的数量较少，不利于模型构建的稳定性要求，而选择24个月观察期，将难以充分体现坏客户特征的时效性，同时，其坏客户比率小于12个月观察期客户。若将观察期设置为12个月，既能保证大多数的违约客户能被识别，同时也能保证样本的时效性，因此，将观察期设为12个月，表现期设定为不低于12个月。

这样，最终样本中的坏客户定义为开户12个月内连续逾期2个月及以上的客户；中间客户定义为开户12个月内逾期1个月的客户；好客户定义为开户12个月内未出现逾期的客户。

请参阅图5，示出了上述实施例中建立评分卡模型的实现过程的流程示意图，可以包括：

步骤S501：获取满足预设条件的原始样本数据。

在本实施中，构建评分卡模型的样本数据可取自对公业务数据和零售业务数据，示例性的，获取对公业务和零售业务数据表46张。原始样本数据的选取应满足以下条件：一是原始样本数据要满足12个月的观察期要求，例如，原始样本数据的最新抽取时间为12年4月底，那么最晚客户开户时间为11年4月；二是原始样本数据的违约客户数要足够，从而充分反映坏客户的风险特征；三是样本数据要具备时效性。

示例性的，在违约客户数据量足够的前提下，按照12个月的观察期和不低于12个月的表现期，选择开户时间在2010年5月至2011年4月之间全行的小企业贷款申请客户作为原始样本，如图6所示。

步骤S502：按预设的数据清洗规则对原始样本数据进行清洗，获得目标样本数据。

数据清洗过程就是根据建模数据范围和数据清洗方案的要求，对数据进行层层清洗，对那些不符合建模要求、缺失值较高、有误差等的数据进行清洗或修正，最终得到比较整齐、干净，可以用作数据处理和模型开发的数据样本。

数据清洗过程包含业务筛选、主要字段筛选，以及，数据合理性检验、修正和清理。其中：

业务筛选：删除低风险业务数据，例如，删除贷款产品为“银行承兑汇票贴现”的微小企业贷款。

主要字段筛选：删除合同开户当月授信余额超过预设金额的数据样本，如果建模范围是监管机构规定的“风险暴露不超过500万”的微小企业客户，那么，基于建模样本要求，删除合同开户当月授信余额超过500万的样本。

数据合理性检验、修正和清理：筛选出含有非正常值的账户，修正那些非正常值数据，此过程主要是对客户累计发放金额进行检验，一是删除“截至2012年4月末合同累计发放金额<＝0”的样本；二是删除“合同开户当月无客户余额”的样本。

步骤S503：从目标样本数据中按预设的数据抽取原则抽取用于构建所述评分卡模型的开发样本集和验证样本集。

根据业务和建模要求，建模数据分为全样本集、开发样本集和验证样本集三个样本。全样本集即为上述通过数据清洗过程之后获得的目标样本数据。

开发样本集和验证样本集从全样本集中抽取获得，具体的，从全样本集中抽取样本的规则为：首先从全样本集抽取全部为“坏”的账户，然后随机抽取“好”账户，如果“好”账户样本数低于“坏”账户样本数的10倍，则抽取全部“好”账户，否则，“好”账户的样本抽取数量定为“坏”账户的10倍；“不确定”账户数的抽取方式和“好”账户类似，如果“不确定”账户样本数低于“坏”账户样本数的10倍，则抽取全部“不确定”账户，否则，“不确定”账户的样本抽取数量定为“坏”账户的10倍。最后，将随机抽取抽样后的“好”、“坏”、“不确定”账户的60％为开发样本，40％为验证样本。

步骤S504：从目标样本数据中获取业务变量，通过Logistic回归方法按预设的选取规则从业务变量中选取目标变量。

需要说明的是，评分卡模型的变量主要来自于对公业务基础数据表的原始字段，同时综合考虑建模经验，变量的经济学含义、可获得性和准确性，将其中部分字段选择作为建模可选的基本变量。

业务变量主要包括三种，分别为无需分组的变量、需要分组的离散型变量和连续类变量。本实施例将上述变量离散化，通过变量替换值WOE取代其离散取值建立模型。

无需分组的变量通常为2分类或3分类变量，可直接分析并计算其WOE值，这类变量包括是否老客户等。需要分组的离散型变量通常有多个分组，不同方式的分组会影响到最终的变量表现，这类变量包括注册省份、行业门类、学历、担保方式等。

离散类变量分组的具体原则为，一是要确保各组之间要有风险区分度，即违约率要有显著区别；二是坏账率高低与分组取值要有经济学或业务常识上的联系；三是各组客户样本数量要满足一定的要求以保证模型稳定性，每个变量的各个分组的好/坏帐户数量大于预设数量，如30；最后，分组不能太多，避免过拟合导致模型稳定性差。

连续类变量，即变量值为数值的变量，主要包括贷款金额、贷款期限等。连续类变量的分组方法为：

(1)对变量进行分段，示例性的，分为15-20段，再将相邻分段且违约率小于预设值的分段合并，得到初分段；

(2)对初分段的边界点进行上下微调，寻找区分度更高的分段边界点；

(3)对于样本数过多或过少的分段，进行合并或重新细分；

(4)每个变量的各个分段中好/坏帐户数量大于预设数量，如30；

(5)每个变量的各个分段的账户个数百分比至少大于预设值，如2％(通常情况尽量保证5％)。

此外，分段后的离散类变量也要确保坏账率高低与分组取值要有经济学或业务常识上的联系。

基于上述分组方法，本次建模对备选变量进行了单变量分组和WOE分析，将其中表现显著的变量(与客户是否发生违约有显著相关性的变量)纳入模型训练的候选变量。未作为训练候选的变量可分为两类，其中一类变量具有区分能力，但不显著，或存在明显的缺陷；另一类则是通过分析发现明显不适用的变量，如多数财务指标与坏账率的关系与业务实际情况明显不符。

用logistic方法进行模型训练，得到模型的训练参数，即上式中的α和β。现有技术中，通常将“P<0.05”作为筛选变量的标准，而本发明以“P<0.25”为筛选变量的标准。之所以将“P<0.25”作为筛选变量的标准，是考虑到在构建评分卡模型的过程中，选择一个足够大的水平，以保证将有可能成为重要预测变量的候选变量均纳入到多元分析中。本实施例将用logistic方法进行模型训练，以“P<0.25”作为筛选变量的标准筛选得到的变量作为目标变量。

步骤S505：基于开发样本集和验证样本集和目标变量确定评分卡模型。

为了提高评分卡模型的准确定，本发明还提供了评分卡模型的校准过程，设定评分卡模型校准参数为：标准评分为200分，标准odds为10:1，PDO等于20，odds和PDO为统计学中的指标，用于对模型指标的有效性进行判断。基于上述参数，逻辑回归结果(运用logistic方法回归出的结果)与最终模型评分的转换关系为：

模型评分常数项＝200-(20/ln(2))*ln(10)+(20/ln(2))*逻辑回归结果的常数项；

变量的模型评分＝(20/ln(2))*变量的评分权重；

变量分组的模型评分＝变量的模型评分*分组的WOE。

与上述方法相对应，本发明实施例还提供了一种数据处理装置，预先建立评分卡模型，请参阅图7，示出了该数据处理装置的结构示意图，可以包括：接收模块701、判断模块702、评分模块703、确定模块704和处理模块705。其中：

接收模块701，用于接收申请人的业务申报请求，其中，业务申报请求中包含业务申报信息。

判断模块702，用于判断是否接收到指示接收模块701接收的业务申报请求中业务申报信息审核通过的审核信息。

评分模块703，用于判断模块702判断出接收到指示业务申报信息审核通过的审核信息时，通过预先建立的评分卡模型对业务申报信息进行评分，获得业务申报信息的评分值。

确定模块704，用于通过评分模块703评出的业务申报信息的评分值确定业务申报信息的申报结果。

处理模块705，用于基于确定模块704确定出的业务申报信息的申报结果处理业务申报信息。

本发明实施例提供的数据处理装置，在接收申请人的业务申报请求时，首先判断是否接收到指示业务申报信息审核通过的审核信息，当接收到指示业务申报信息审核通过的审核信息时，可通过预先建立的评分卡模型自动对业务申报信息进行评分，并可通过业务申报信息的评分值确定业务申报信息的申报结果，从而可基于申报结果自动处理业务申报信息。由此可见，本发明实施例提供的数据处理方法使得业务申报信息的处理不再由人工执行，与人工处理业务申报信息的过程相比，业务申报信息的处理过程简单，这使得业务申报信息的处理效率大大提高，用户体验较好。另外，本发明实施例简化了业务申报处理所需的申报材料，并通过电子化、无纸化操作，提高了业务信息的传递效率。

在上述实施例中，业务申报信息的申报结果包括：申报通过、人工审批和申报拒绝。

确定模块704可以包括：第一确定子模块、第二确定子模块和第三确定子模块。其中：

第一确定子模块，用于当业务申报信息的评分值大于第一预设值时，确定业务申报信息的申报结果为所述申报通过。

第二确定子模块，用于当业务申报信息的评分值大于或等于第二预设值，且小于或等于第一预设值时，确定业务申报信息的申报结果为人工审批。

第三确定子模块，用于当业务申报信息的评分值小于第二预设值时，确定业务申报信息的申报结果为申报拒绝。

在一种可能的实现方式中，上述实施例中的处理模块705可以包括：第一处理子模块、第二处理子模块和第三处理子模块。其中：

第一处理子模块，用于当业务申报信息的申报结果为申报通过时，基于业务申报信息生成业务申报书，并基于初步审核信息和所述业务申报信息的申报结果生成业务审批意见。

第二处理子模块，用于当业务申报信息的申报结果为人工审批时，基于业务申报信息生成业务申报书，并对业务申报书发起人工审批请求。

第三处理子模块，用于当业务申报信息的申报结果为申报拒绝时，将业务申报请求挂起，以对业务申报信息重新审核。

在另一种可能的实现方式中，上述实施例中的处理模块705包括：第四处理子模块、第五处理子模块和第六处理子模块。

所述第四处理子模块，用于当业务申报信息的申报结果为申报通过时，如果第一预设时段内接收到针对业务申报信息的选取指令，则基于业务申报信息生成业务申报书，并基于初步审核信息和所述业务申报信息的申报结果生成业务审批意见，否则，对业务申报信息发起人工审批请求。

所述第五处理子模块，用于当业务申报信息的申报结果为人工审批时，基于业务申报信息生成业务申报书，并对业务申报信息发起人工审批请求。

所述第六处理子模块，用于当业务申报信息的申报结果为申报拒绝时，如果第二预设时段内接收到针对业务申报信息的重评指令，则对业务申报信息发起人工审批请求，否则拒绝业务申报请求。

上述实施例提供的数据处理装置还可以包括：评分卡模型建立模块。

评分卡模型建立模块可以包括：数据选取子模块、数据清洗子模块、数据抽取子模块、变量获取子模块和模型确定子模块。其中：

数据选取模块，用于获取满足预设条件的原始样本数据。

数据清洗模块，用于按预设的数据清洗规则对原始样本数据进行清洗，获得目标样本数据。

数据抽取模块，用于从目标样本数据中按预设的数据抽取原则抽取用于构建所述评分卡模型的开发样本集和验证样本集。

变量获取模块，从目标样本数据中获取业务变量，并通过Logistic回归方法按预设的选取规则从业务变量中选取目标变量。

模型确定模块，用于基于开发样本集、验证样本集和目标变量确定评分卡模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和设备，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种数据处理方法，其特征在于，预先建立评分卡模型，所述数据处理方法包括：

接收申请人的业务申报请求，所述业务申报请求中包含业务申报信息；

判断是否接收到指示所述业务申报信息审核通过的审核信息；

当接收到指示所述业务申报信息审核通过的审核信息时，通过预先建立的所述评分卡模型对所述业务申报信息进行评分，获得所述业务申报信息的评分值；

通过所述述业务申报信息的评分值确定所述业务申报信息的申报结果，并基于所述业务申报信息的申报结果处理所述业务申报信息。

2.根据权利要求1所述的方法，其特征在于，所述申报结果包括：申报通过、人工审批和申报拒绝；

则所述通过所述述业务申报信息的评分值确定所述业务申报信息的申报结果，包括：

当所述业务申报信息的评分值大于第一预设值时，确定所述业务申报信息的申报结果为所述申报通过；

当所述业务申报信息的评分值大于或等于第二预设值，且小于或等于所述第一预设值时，确定所述业务申报信息的申报结果为所述人工审批；

当所述业务申报信息的评分值小于所述第二预设值时，确定所述业务申报信息的申报结果为所述申报拒绝。

3.根据权利要求2所述的方法，其特征在于，所述基于所述业务申报信息的申报结果处理所述业务申报信息，包括：

当所述业务申报信息的申报结果为所述申报通过时，基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见；

当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对所述业务申报信息发起人工审批请求；

当所述再审策略为所述再审拒绝时，将所述业务申报请求挂起，以对所述业务申报信息重评。

4.根据权利要求2所述的方法，其特征在于，所述基于所述业务申报信息的申报结果处理所述业务申报信息，包括：

当所述业务申报信息的申报结果为所述申报通过时，如果第一预设时间段内接收到针对所述业务申报信息的选取指令，则基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见，否则，对所述业务申报信息发起人工审批请求；

当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对业务申报信息发起人工审批请求；

当所述业务申报信息的申报结果为所述申报拒绝时，如果第二预设时间段内接收到针对所述业务申报信息的重评指令，则对所述业务申报信息发起人工审批请求，否则拒绝所述业务申报请求。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述预先建立评分卡模型，包括：

获取满足预设条件的原始样本数据；

按预设的数据清洗规则对所述原始样本数据进行清洗，获得目标样本数据；

从所述目标样本数据中按预设的数据抽取规则抽取用于构建所述评分卡模型的开发样本集和验证样本集；

从目标样本数据中获取业务变量，通过Logistic回归方法按预设的选取规则从所述业务变量中选取目标变量；

基于所述开发样本集、所述验证样本集和所述目标变量确定所述评分卡模型。

6.一种数据处理装置，其特征在于，预先建立评分卡模型，所述数据处理装置包括：接收模块、判断模块、评分模块、确定模块和处理模块；

所述接收模块，用于接收申请人的业务申报请求，所述业务申报请求中包含业务申报信息；

所判断模块，用于判断是否接收到指示所述接收模块接收的所述业务申报请求中所述业务申报信息审核通过的审核信息；

所述评分模块，用于当所述判断模块判断出接收到所述业务申报信息审核通过的审核信息时，通过预先建立的所述评分卡模型对所述业务申报信息进行评分，获得所述业务申报信息的评分值；

所述确定模块，用于通过所述评分模块评出的所述述业务申报信息的评分值确定所述业务申报信息的申报结果；

所述处理模块，用于基于所述确定模块确定出的所述业务申报信息的申报结果处理所述业务申报信息。

7.根据权利要求6所述的装置，其特征在于，所述申报结果包括：申报通过、人工审批和申报拒绝；

所述确定模块，包括：所述第一确定子模块、第二确定子模块和第三确定子模块；

所述第一确定子模块，用于当所述业务申报信息的评分值大于第一预设值时，确定所述业务申报信息的申报结果为所述申报通过；

所述第二确定子模块，用于当所述业务申报信息的评分值大于或等于第二预设值，且小于或等于所述第一预设值时，确定所述业务申报信息的申报结果为所述人工审批；

所述第三确定子模块，用于当所述业务申报信息的评分值小于所述第二预设值时，确定所述业务申报信息的申报结果为所述申报拒绝。

8.根据权利要求7所述的装置，其特征在于，所述处理模块包括：第一处理子模块、第二处理子模块和第三处理子模块；

所述第一处理子模块，用于当所述业务申报信息的申报结果为所述申报通过时，基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见；

所述第二处理子模块，用于当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对业务申报书发起人工审批请求；

所述第三处理子模块，用于当所述业务申报信息的申报结果为所述申报拒绝时，将所述业务申报请求挂起，以对所述业务申报信息重评。

9.根据权利要求7所述的装置，其特征在于，所述处理模块包括：第四处理子模块、第五处理子模块和第六处理子模块；

所述第四处理子模块，用于当所述业务申报信息的申报结果为所述申报通过时，如果第一预设时段内接收到针对所述业务申报信息的选取指令，则基于所述业务申报信息生成业务申报书，并基于所述初步审核信息和所述业务申报信息的申报结果生成业务审批意见，否则，对所述业务申报信息发起人工审批请求；

所述第五处理子模块，用于当所述业务申报信息的申报结果为所述人工审批时，基于所述业务申报信息生成业务申报书，并对业务申报信息发起人工审批请求；

所述第六处理子模块，用于当所述业务申报信息的申报结果为所述申报拒绝时，如果第二预设时段内接收到针对所述业务申报信息的重评指令，则对所述业务申报信息发起人工审批请求，否则拒绝所述业务申报请求。

10.根据权利要求6至9中任意一项所述的装置，其特征在于，所述装置还包括：评分卡模型建立模块；

所述评分卡模型建立模块包括：数据选取子模块、数据清洗子模块、数据抽取子模块、变量获取子模块和模型确定子模块；

所述数据选取子模块，用于获取满足预设条件的原始样本数据；

所述数据清洗子模块，用于按预设的数据清洗规则对所述数据选取子模块选取的所述原始样本数据进行清洗，获得目标样本数据；

所述数据抽取子模块，用于从所述数据清洗子模块清洗得到的所述目标样本数据中按预设的数据抽取原则抽取用于构建所述评分卡模型的开发样本集和验证样本集；

所述变量获取子模块，用于从所述数据清洗子模块清洗得到的所述目标样本数据中获取业务变量，并通过Logistic回归方法按预设的选取规则从所述业务变量中选取目标变量；

所述模型确定子模块，用于基于所述数据抽取子模块抽取的所述开发样本集、验证样本集和所述变量获取子模块获取的所述目标变量确定所述评分卡模型。