CN109325847A - 网络信用评分的数据计算系统与方法 - Google Patents

Abstract

本申请公开一种网络信用评分的数据计算系统与方法，提供手机用户的信用评比并提给营运端决定调整手机用户的可用馀额。数据计算系统的营运端接收用户的第一维度数据与授信数据；数据计算系统的信用评比端网络连接营运端并传输第一维度数据与授信数据，信用评比端对第一维度数据进行数据标准处理并生成标准数据，信用评比端根据标准数据与信用评比模型产生用户画像信息并记录，信用评比端乱数选择多个用户的用户画像信息并生成随机对照组，信用评比端将当前的用户画像信息与随机对照组进行特征比对处理生成授信数据；营运端接收授信数据，营运端将授信数据应用在消费模型中，借以监控用户所发出的信用要求时所产生的第二维度数据。

Description

网络信用评分的数据计算系统与方法

技术领域

本申请涉及信用额度的计算系统与方法，具体涉及一种网络信用评分的数据计算系统与方法。

背景技术

随著因特网的兴起，也带动线上交易的快速發展。特别是交易过程中还需要保证用户的信用评比。如果用户的信用评比高，负责交易的营运端可以对用户给予高额的信用额度，以利用户进行高额的消费。反之，营运端将会限制用户的信用额度。若受限制的用户可使用的信用馀额为零时，则营运端会强制停止该名用户的交易程序。

目前的银行或其他金融单位虽有提供用户可预支额度的服务。但金融单位无法从用户以往的信用评价中推估该名用户可以承受的额度上限。因此预支额度的放款这对于营运端而言要实时的给于用户多少的透支额度是有实现上的困难。

发明内容

本申请所要解决的技术问题在于提供一种网络信用评分的数据计算系统。

为了解决上述问题，本申请揭示了一种网络信用评分的数据计算系统包括营运端与信用评比端。营运端接收用户的第一维度数据与授信数据，营运端具有消费模型，营运端将授信数据输入至消费模型并产生第二维度数据；信用评比端具有数据传输模块、数据处理模块、数据存储模块与计算模块，数据处理模块连接于数据传输模块、数据存储模块与计算模块，信用评比端网络连接于营运端，数据传输模块传输第一维度数据与授信数据，数据处理模块对第一维度数据进行数据标准处理，用于生成标准数据，数据存储模块储存标准数据与信用评比模型，计算模块根据标准数据与信用评比模型产生用户画像信息并记录用户画像信息至数据存储模块，计算模块从数据存储模块中乱数选择多个用户的用户画像信息并生成随机对照组，计算模块将当前的用户画像信息与随机对照组进行特征比对处理，用于生成授信数据；营运端接收授信数据，营运端将授信数据应用在消费模型中，借以监控用户所发出的信用要求时所产生的第二维度数据。

为了解决上述问题，本申请更揭示一种网络信用评分的数据计算方法，其系包括以下步骤：由运端接收用户的第一维度数据；将第一维度数据发送至信用评比端，信用评比端对第一维度数据进行标准化处理，用于生成标准数据；信用评比端根据标准数据与信用评比模型用于生成用户画像信息；信用评比端选择随机对照组，用于对用户画像信息进行特征比对处理并生成授信数据；将授信数据发送至营运端；授信数据输入至消费模型中，藉以监控用户所发出的信用要求时所产生的第二维度数据。

与现有技术相比，本申请可以获得包括以下技术效果：

1)本申请相比现有技术的充值处理，本申请可以针对用户的不同週期與充值过程产生相应的授信额度，以使用户可以得到更加弹性的可用金额。

2)本申请的信用评比端另提供用户的交易历程的相关资讯，并可供汇出为各类型图表，以利营运端或用户观看交易的相关记录。

当然，实施本申请的任一产品必不一定需要同时达到以上的所有技术效果。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1A为本发明一实施例的系统架构图。

图1B为本发明一实施例的权重值与中间权生成第二维度数的示意图。

图2A为本发明一实施例的第一周期的传输示意图。

图2B为本发明一实施例的第二周期的传输示意图。

图3为本发明一实施例的运作流程示意图。

图4为本发明一实施例的信评群组的分组示意图。

具体实施方式

以下请配合附图及实施例来详细说明本申请的实施方式，藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

本申请的网络信用评分的数据计算系统包括营运端110、网络文件交换设备120与信用评比端130，并请参考第1A图。网络文件交换设备120分别网络连接营运端110与信用评比端130。营运端110可以是但不限定为金融单位也可以是交易商。

营运端110包括第一处理模块111、第一输入模块112、第一输出模块113、第一存储模块114与第一网络模块115。第一处理模块111电性连接于第一输入模块112、第一输出模块113、第一存储模块114与第一网络模块115。第一输入模块112用于接收用户的第一维度数据141。第一输入模块112可以由键盘、摄像模块或其他人机介面(human machineinteraction)实现。第一输出模块113用于播放授信数据144。第一网络模块115连接于网络文件交换设备120，第一网络模块115用于传输第一维度数据141与授信数据144。

第一存储模块114储存第一维度数据141、消费模型142与信用等级列表143。信用等级列表143用于记录每一用户的信用等级信息。一般而言，信用等级列表143可以可以选用其他来源对于用户的信用等级信息。

所述的第一维度数据141系为用户所提出充值要求与充值的申请要求，例如：用户出帐信息、充值信息、停复机信息、基础信息、状态变更信息、当前信息或信用等级信息等。为方便解说因此在本申请中将充值前的可用金额定义为第一金额、充值后的金额为第二金额、本次的充值金额、用户可预支的金额为授信额度。当营运端110收到用户的充值要求后，营运商就会发出第一维度数据141。

所述消费模型142可以根据营运端110是否能提供信用相关数据而决定。若是营运端110可供给用户的相关数据时，营运端110可以采用分类与回归树决策算法(Classification and regression tree,简称CART)。透过CART算法得到中间权重。若是营运端110无法供给用户的相关数据时，营运端110可以采用C4.5算法进行运算并得到用户的中间权重。所述的中间权重为所述算法的输出数据，用于输入至次一算法。

C4.5算法的目标就是将具有p维特征的n个样本分到c个类别中。在C4.5算法的树、叶生成时会选择信息增益率最大的属性，例如ARPU。在C4.5算法树的构造过程中进行剪枝，避免拟合过度。接着，对连续属性进行离散化处理。

其中各种参数的调整量可以根据不同营运端110提出相应的变化。在得到所述的中间权重后，营运端110调用随机森林优化算法(random decision forests)并衍生出若干组叶节点，且每一叶节点对应各自的授信额度。

除了前述的计算处理外，营运端110对于前述用户相关数据也会另调用聚类分析算法(Cluster analysis)，并计算用户的分类。如同前文所述，营运端110也分为可提供用户相关数据与不提供相关数据。若是营运端110可以提供用户相关数据，则营运端110可以采用密度聚类算法，例如：DENCLUE算法或OPTICS算法。若是营运端110无法提供用户相关数据，则营运端110会调用图论聚算法。透过图论聚算法克服各用户数据的连接特征。在经过聚类分析后，营运端110可以评估对应用户的权重值。营运端110根据所得到的权重值与中间权重得到第二维度数据145，如第1B图。

网络文件交换设备120透过乙太网络连接于至少一营运端110。网络文件交换设备120可以由文件传输协议服务器(File Transfer Protocol，简称FTP)或云端服务器等机制所实现。网络文件交换设备120可以是独立设置外，也可以内建于信用评比端130中。在本申请中为清楚描述整体架构，因此将网络文件交换设备120独立说明。

网络文件交换设备120接获第一维度数据141后，网络文件交换设备120会暂存第一维度数据141。网络文件交换设备120在每经过第一周期后，网络文件交换设备120就会发送所有在第一周期中所接获的第一维度数据141，如第2A圖所示。换言之，网络文件交换设备120在第一周期截止前所收到的第一维度数据141都会被暂存。当时间到达第一周期时，网络文件交换设备120将所收集的第一维度数据141发送至信用评比端130。例如：营运端A与营运端B分别于第一周期中发送不同的第一维度数据141a、b、c、d、e。网络文件交换设备120在发送完第一维度数据141后，网络文件交换设备120将会清空缓存空间的第一维度数据141，以待次回第一周期间的第一维度数据141。

此外，网络文件交换设备120也会接收来自于信用评比端130的多笔授信数据144。每经过第二周期时，网络文件交换设备120就会将所收集到的授信额度转发至营运端110，如第2B圖所示。网络文件交换设备120发送授信额度后，网络文件交换设备120也会清空缓存空间，以待次回第二周期所接收的授信额度。

信用评比端130可以是计算机、服务器或云端服务器实现。信用评比端130包括数据传输模块131、数据处理模块132、数据存储模块133与计算模块134。数据传输模块131网路连接于网络文件交换设备120。

数据处理模块132电性连结于数据传输模块131、数据存储模块133与计算模块134。数据处理模块132将第一维度数据141进行格式标准化并输出标准数据148。标准数据148的规格可以通过可延伸標記式語言(Extensible Markup Language，XML)实现。信用评比端130可以连接多个不同的营运端110，每一营运端110所采用的数据格式均有所不同。因此数据处理模块132将第一维度数据141标准化处理，以使各营运端110的第一维度数据141可以呈现同一格式的标准数据148。

数据存储模块133用于存储各用户的历程数据146与信用评比模型147，所述历程数据146为每一用户在不同时间的标准数据148。所述历程数据146中至少记录：来源的营运端110、用户资讯、时间戳记与充值前/后的金额等。

计算模块134用于计算用户的授信数据144。计算模块134从第一维度数据141中任选至少两种以上的特征信息。计算模块134以所选的特征信息进行聚类分析、决策树、逻辑回归算法或FICO算法，用于生成用户的一基础数据。计算模块134将基础数据导入信用评比模型147，用于生成用户的该用户画像信息。

在本申请中用户画像的相关参数可以参照下表1，表1中所列举之参数并非代表所有参数。

表1.用户画像的相关行为参数

此外，计算模块134另外可以针对用户的历程数据146进行报表的输出。营运端110发出对用户的查阅要求后，信用评比端130可以根据查阅要求的时间区段、充值金额的变化与授信数据144的历程产生相应的输出报表。信用评比端130将输出报表发送至营运端110，以供使用者查询。

为清楚说明本发明的运作过程，请同时配合第3图所示，本申请的网络信用评分的数据计算方法包括以下步骤：

步骤S310：由运端接收用户的第一维度数据；

步骤S320：将第一维度数据发送至信用评比端，信用评比端对第一维度数据进行标准化处理，用于生成标准数据；

步骤S330：信用评比端根据用户的标准数据与信用评比模型用于生成用户画像信息；

步骤S340：信用评比端选择随机对照组，用于对用户画像信息进行特征比对处理并生成授信数据；

步骤S350：将授信数据发送至营运端；

步骤S360：授信数据输入至消费模型中，藉以监控用户所发出的信用要求时所产生的第二维度数据。

首先，由用户向营运端110发出申请要求。所述的申请要求包括本次交易的第一维度数据141，例如：本次的充值金额、消费金额、用户状态变更、交易行为等数据。如果第一维度数据141有错误时，则信用评比端130除了会要求营运端110重新发送外，信用评比端130也会判断是否所存储的数据有毁损。当信用评比端130的存储数据发生毁损，则信用评比端130可以回滚数据、忽略该数据或终止本次要求。

营运端110也可以从信用等级列表143中选择用户的信用等级信息，或者营运端110从其他营运端110取得新的信用等级列表143与信用等级信息。例如：营运端110对于用户的信用系统或星等评分系统均可以视为信用等级信息。

信用评比端130接获第一维度数据141后，数据处理模块132对第一维度数据141进行数据标准处理并生成标准数据148。接著，计算模块134从标准数据148中乱数取得至少一组的特征信息。以前文的第一维度数据141为例，计算模块134可以从消费金额、用户出帐信息、充值信息、停复机信息、基础信息、状态变更信息、当前信息或信用等级信息中任选至少两种。

计算模块134将选出的特征信息导入聚类分析、决策树、逻辑回归算法或FICO算法之任一，并生成相应用户的基础数据。计算模块134将基础数据导入信用评比模型147并生成用户的用户画像信息。

用户画像的获取是基于用户的网络行为、服务内行为、内容偏好与交易数据等不同方面的数据组合。网络行为可以基于充值金额、次数、馀额时长、激活率、外部触点等特征所构成。用户的充值历程与行为将会构成新的用户画像，并由计算模块134转换为相应的基础数据。此外，计算模块134也会根据增收目标、坏帐控制率等其他外部指标对基础数据进行相关的加权调整。

而计算模块134在完成用户画像后，计算模块134选择随机对照组。随机对照组的选择方式是从数据存储模块133中乱数选出至少两组以上的其他用户与基础数据。计算模块134将所选出的用户与基础数据生成验证模型。计算模块134从验证模型中随机选择不同的特征信息并与用户的相应特征信息进行多维度的比对。比对的方式请参考第4图，其系包括以下步骤：

步骤S410：从验证模型中乱数选择至少一标准数据，所选的标准数据定义为验证数据；

步骤S420：将验证数据与标准数据比对特征离散度；

步骤S430：若特征离散度小于判断阀值，则根据标准数据输出授信额度；以及

步骤S440：若特征离散度大于判断阀值，则调整标准数据并重新判断特征离散度。

计算模块134从验证模型中乱数选择至少一组以上的标准数据148，用于多维度的特征比对。而所选取的标准数据148则另定义为验证数据，藉以与用户的标准数据148作为区分。接著，计算模块134将验证数据与标准数据148比对特征离散度。计算模块134判断特征离散度是否大于判断阀值。当特征离散度大于判断阀值时，则表示验证模型与用户的标准数据148有高度的一致性。反之，则表示用户的标准数据148需要重新调整。

在用户的标准数据148通过前述的判断阀值后，计算模块134根据标准数据148生成授信数据144并透过数据传输模块131发送至营运端110。营运端110根据授信数决定用户的可用额度。

此外，营运端110也会将授信数据144输入至消费模型142中，用于产生第二维度数据145。第二维度数据145的生成方式請參考前文與第1B圖。消费模型142可以透过逻辑回归或人工神经网络等方式实现。在营运端110中可以每经过预设周期后，营运端110就会将用户的信用使用、消费金额或坏帐资料导入至消费模型142中，并得到第二维度数据145。第二维度数据145可以被视为新的第一维度数据141输入至信用评比端130，可以将新的维度数据反馈整体系统进而调整用户的授信额度。

为能清楚说明前文所述的透过决策树与聚类分析对标准数据与第一维度数据141如何决定用户的授信额度，将以下表为示例作为说明。所举的示例与数值并非仅局限于此。表1系为决策树算法的相关参数，在表1中具有「i」個ID，分别代表「i」位用户。表2为聚类算法的相关参数，在表2中具有「i」個ID，分别代表「i」位用户。

ID	授信额度	中间权重
			u1	CL[u1]	pw[u1]
u2	CL[u2]	pw[u2]
			u3	CL[u3]	pw[u3]
U4	CL[u4]	pw[u4]
			u5	CL[u5]	pw[u5]
u6	CL[u6]	pw[u6]
			u7	CL[u7]	pw[u7]
u8	CL[u8]	pw[u8]
			u9	CL[u9]	pw[u9]
…	…	…
			u[i]	CL[u[i]]	pw[u[i]]

表1.决策树的相关参数设定

表2.聚类算法的相关参数设定

计算模块134在取得决策树与聚类算法的权重值后，计算模块134根据两种不同算法的权重进行方差分析(Analysis of variance，简称ANOVA)，请配合下表3，其系为本申请的两种权重与方差分析的结果列表。对于本领域者可以根据现行的方差分析算法的固定效应模式(Fixed-effects models)、随机效应模式(Random-effects models)或混合效应模式(Mixed-effects models)任选一种进行计算。

ID	决策树算法之权重	聚类算法之权重	方差分析
				u1	pw[u1]	pu[u1]	dt[u1]
u2	pw[u2]	pu[u2]	dt[u2]
				u3	pw[u3]	pu[u3]	dt[u3]
u4	pw[u4]	pu[u4]	dt[u4]
				u5	pw[u5]	pu[u5]	dt[u5]
u6	pw[u6]	pu[u6]	dt[u6]
				u7	pw[u7]	pu[u7]	dt[u7]
u8	pw[u8]	pu[u8]	dt[u8]
				u9	pw[u9]	pu[u9]	dt[u9]
…	…	…	…
				u[i]	pw[u[i]]	pu[u[i]]	dt[u[i]]

表3.方差分析的推导

在表3的最右侧行中表示各用户的决策树与聚类算法的权重值运算所得到的方差分析输出值。在该行中系以dt[i]作为方差分析值。接著，计算模块134根据方差分析输出值决定用户的授信条件。举例来说，计算模块134可以根据下述规则对各用户的信评给出相应的授信额度：

规则1：当CL[u1]和AL[u1]相同时，且pw1,pu1均介于最小权重值(记为Pmin)和最大权重(记为Pmax)之间，则授信CL[u1]；

规则2：当CL[u1]和AL[u1]不同时，且pw1,pu1均介于最小权重值(记为Pmin)和最大权重(记为Pmax)之间，则授信min(CL[u1],AL[u1])；

规则3：当pw1,pu1两者的任意一个值，小于最小权重值(记为Pmin)，或者大于最大权重(记为Pmax)，则授信额度为0；

规则4：当方差分析值dt1小于阈值(记为dt^min)，授信额度同样为0。

ID	最终授信额度
		u1	L[u1]
u2	L[u2]
		u3	L[u3]
U4	L[u4]
		u5	L[u5]
u6	L[u6]
		u7	L[u7]
u8	L[u8]
		u9	L[u9]
…	…
		u[i]	L[u[i]]

表4.授信结果列表

根据上述四项规则的判别后，计算模块134可以生成表4的授信结果。计算模块134即完成本回合的授信额度。计算模块134除了得到本回合的授信额度外，还需要对用户过往的历程进行校正。在表5中的历史授信额度一行中代表用户过去的历史授信额度值HL[i]。因此，计算模块134会根据表5的历史授信额度进行表5右行的修正输出值。

ID	历史授信额度	修正后的授信额度
			u1	HL[u1]	max(HL[u1],L[u1])
u2	HL[u2]	max(HL[u2],L[u2])
			u3	HL[u3]	max(HL[u3],L[u3])
u4	HL[u4]	max(HL[u4],L[u4])
			u5	HL[u5]	max(HL[u5],L[u5])
u6	HL[u6]	max(HL[u6],L[u6])
			u7	HL[u7]	max(HL[u7],L[u7])
u8	HL[u8]	max(HL[u8],L[u8])
			u9	HL[u9]	max(HL[u9],L[u9])
…	…	…
			u[i]	HL[u[i]]	max(HL[u[i]],L[u[i]])

表5.修正后的授信额度

计算模块134根据历史授信额度HL[u[i]]与最终授信额度L[u[i]]进行比对，并从两者中取最大值作为本回合的授信额度。因此用户再累积高信评后，可以增加次回合的授信额度。反之，用户若有降低信评的行为产生，则会直接影响次回合的授信额度。

本申请的网络信用评分的数据计算系统与方法可以提供营运端110实时的对用户与可透支的额度的相应处理，特别是用户在充值前/后即可计算相应授信额度并反馈至营运端110。

本申请的系统与运作的方法流程描述对应，不足之处参考上述方法流程的叙述，不再一一赘述。上述说明示出并描述了本申请的若干优选实施例，但如前，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (10)

1.一种网络信用评分的数据计算系统，提供手机用户的信用评比并提给营运端决定调整手机用户的可用馀额，其特征在于，所述网络信用评分的数据计算系统包括：

一营运端，接收用户的一第一维度数据与一授信数据，所述营运端具有一消费模型，所述营运端将所述授信数据输入至所述消费模型并产生一第二维度数据；以及

一信用评比端，所述信用评比端具有一数据传输模块、一数据处理模块、一数据存储模块与一计算模块，所述数据处理模块连接于所述数据传输模块、所述数据存储模块与所述计算模块，所述信用评比端网络连接于所述营运端，所述数据传输模块传输所述第一维度数据与所述授信数据，所述数据处理模块对所述第一维度数据进行一数据标准处理，用于生成一标准数据，所述数据存储模块储存所述标准数据与一信用评比模型，所述计算模块根据所述标准数据与所述信用评比模型产生一用户画像信息并记录所述用户画像信息至所述数据存储模块，所述计算模块从所述数据存储模块中乱数选择多个用户的所述用户画像信息并生成一随机对照组，所述计算模块将当前的所述用户画像信息与所述随机对照组进行一特征比对处理，用于生成一授信数据；

其中，所述营运端接收所述授信数据，所述营运端将所述授信数据应用在所述消费模型中，藉以监控用户所发出的一信用要求时所产生的所述第二维度数据。

2.如权利要求1之网络信用评分的数据计算系统，其特征在于，所述第一维度数据包括用户出帐信息、充值信息、停复机信息、基础信息、状态变更信息、当前信息或信用等级信息。

3.如权利要求2之网络信用评分的数据计算系统，其特征在于，所述营运端包括一信用等级列表，所述信用等级列表用于记录每一用户的信用等级信息。

4.如权利要求2之网络信用评分的数据计算系统，其特征在于，所述计算模块从所述第一维度数据中任选至少两种以上的信息，并以所选的所述信息进行聚类分析、决策树、逻辑回归算法或FICO算法，用于生成用户的一基础数据，所述计算模块将所述基础数据导入所述信用评比模型，用于生成用户的所述用户画像信息。

5.如权利要求1之网络信用评分的数据计算系统，其特征在于，还包括一网络文件交换设备，所述网络文件交换设备网路连接于所述营运端与所述信用评比端，所述网络文件交换设备用于暂存所述第一维度数据与所述授信数据。

6.一种网络信用评分的数据计算方法，提供手机用户的信用评比并提给营运端决定调整手机用户的可用馀额，其特征在于，所述网络信用评分的数据计算方法包括以下步骤：

由一运端接收用户的一第一维度数据；

将所述第一维度数据发送至一信用评比端，所述信用评比端对所述第一维度数据进行标准化处理，用于生成一标准数据；

所述信用评比端根据所述标准数据与一信用评比模型用于生成一用户画像信息；

所述信用评比端选择一随机对照组，用于对所述用户画像信息进行一特征比对处理并生成一授信数据；

将所述授信数据发送至所述营运端；以及

授信数据输入至一消费模型中，藉以监控用户所发出的一信用要求时所产生的一第二维度数据。

7.如权利要求6之网络信用评分的数据计算方法，其特征在于，发送所述第一维度数据还包括以下步骤：

调用所述营运端的一信用等级列表；

从所述信用等级列表中取得用户的一信用等级信息；以及

将所述信用等级信息加入所述第一维度数据。

8.如权利要求6之网络信用评分的数据计算方法，其特征在于，生成用户的所述用户画像还包括以下步骤：

从所述第一维度数据中任选至少两种以上的一特征信息；

根据所述这些特征信息生成生成用户的一基础数据；以及

将所述基础数据导入所述信用评比模型，用于生成用户的所述用户画像信息。

9.如权利要求6之网络信用评分的数据计算方法，其特征在于，选择所述随机对照组中还包括以下步骤：在所述信用评比端以乱数方式选择至少一用户，并根据所选的所述这些用户的所述标准数据生成一验证模型。

10.如权利要求9之网络信用评分的数据计算方法，其特征在于，在生成所述授信数据还包括以下步骤：

从所述验证模型中乱数选择至少一所述标准数据，所选的所述这些标准数据定义为一验证数据；

将所述验证数据与所述标准数据比对一特征离散度；

若所述特征离散度小于一判断阀值，则根据所述标准数据输出所述授信额度；以及

若所述特征离散度大于所述判断阀值，则调整所述标准数据并重新判断所述特征离散度。