CN109727116A - 信贷分析方法、装置、设备及计算机可读存储介质 - Google Patents
信贷分析方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109727116A CN109727116A CN201810945149.5A CN201810945149A CN109727116A CN 109727116 A CN109727116 A CN 109727116A CN 201810945149 A CN201810945149 A CN 201810945149A CN 109727116 A CN109727116 A CN 109727116A
- Authority
- CN
- China
- Prior art keywords
- credit
- information
- reference information
- source reference
- source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012552 review Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000013475 authorization Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种信贷分析方法,该方法包括:在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。本发明还提供一种信贷分析装置、设备及计算机可读存储介质。本发明在需要进行信贷分析时获取多家征信机构提供的征信信息,然后根据业务认可度、信息规模量和信息获取时间三个维度对多家征信信息进行综合考量,对多源大数据进行分析,挑出最合适的目标征信信息,再对目标征信信息进行分析,给出相关的决策建议。
Description
技术领域
本发明涉及金融信贷领域,尤其涉及一种信贷分析方法、装置、设备及计算机可读存储介质。
背景技术
征信就是专业化的、独立的第三方机构为个人或企业建立信用档案,依法采集、客观记录其信用信息,并依法对外提供信用信息服务的一种活动。在金融信贷领域,信贷机构常常需要从征信机构中获取贷款申请人的征信信息,并根据这些征信信息进行信贷分析,以确定是否同意贷款申请人的贷款请求。
目前的信贷机构在进行信贷分析时,往往只会引入一家征信机构的征信信息进行分析;而在实际中,可能会出现征信机构收集到关于某个用户的征信信息较少的情况,这就会对信贷机构的信贷分析带来不利影响,降低了分析的准确性。
发明内容
本发明的主要目的在于提供一种信贷分析方法、装置、设备及计算机可读存储介质,旨在提高信贷分析的准确性。
为实现上述目的,本发明提供一种信贷分析方法,所述信贷分析方法包括以下步骤:
在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;
根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;
根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。
可选地,所述根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息的步骤包括:
根据信贷请求对应的业务类型确定所述多源征信信息中各源征信信息分别对应的业务认可分值;
分别统计所述各源征信信息各自的信息规模量,并根据所述数据规模量确定分别所述各源征信信息的信息规模分值;
分别获取所述各源征信信息各自的信息获取耗时,并根据所述数据获取耗时分别确定所述各源征信信息的获取难度分值;
根据所述各源征信信息的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分,并根据所述综合评分在所述各源征信信息中确定目标征信信息。
可选地,所述根据所述各源征信信息的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分的步骤包括:
将所述各源征信信息的业务认可分值、信息规模分值、获取难度分值映射至同一分值区间,再根据映射后的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分。
可选地,所述根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议的步骤包括:
根据预设输入要求从所述目标征信信息中提取出输入变量信息,并将所述输入变量信息量化为对应的输入变量值;
根据所述输入变量值计算所述信贷用户的违约概率,并根据所述违约概率输出对应的信贷决策建议。
可选地,所述根据所述违约概率输出对应的信贷决策建议的步骤包括:
判断所述违约概率与第一预设概率、第二预设概率的大小关系,其中所述第一预设概率小于所述第二预设概率;
若所述违约概率小于或等于所述第一预设概率,则输出同意放款建议;
若所述违约概率大于所述第一预设概率、且小于所述第二预设概率,则输出人工复核建议;
若所述违约概率大于或等于所述第二预设概率,则输出拒绝放款建议。
可选地,所述在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息的步骤包括:
在接收到信贷请求时,根据所述信贷请求向与所述信贷请求对应的信贷用户的用户终端发送对应的征信权限获取请求;
在接收到所述用户终端返回的权限授予信息时,根据所述权限授予信息获取所述信贷用户的多源征信信息。
可选地,所述根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议的步骤之后,还包括:
根据信贷分析过程和所述信贷决策建议生成对应的信贷报告。
此外,为实现上述目的,本发明还提供一种信贷分析装置,所述信贷分析装置包括:
信息获取模块,用于在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;
信息确定模块,用于根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;
信贷分析模块,用于根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。
此外,为实现上述目的,本发明还提供一种信贷分析设备,所述信贷分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷分析程序,其中所述信贷分析程序被所述处理器执行时,实现如上述的信贷分析方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信贷分析程序,其中所述信贷分析程序被处理器执行时,实现如上述的信贷分析方法的步骤。
本发明的信贷服务器与多家征信机构的征信源对接,在需要进行信贷分析时获取多家征信机构提供的征信信息,然后根据业务认可度、信息规模量和信息获取时间三个维度对多家征信信息进行综合考量,对多源大数据进行分析,并挑取出最合适的目标征信信息,再对目标征信信息进行分析,给出相关的决策建议,从而使得分析更贴近信贷风控的实际需求,降低了因征信信息缺陷给信贷分析带来的不利影响,提高了信贷分析方式的可靠性和准确性,有利于避免欺诈和信贷坏账的发生。
附图说明
图1为本发明实施例方案中涉及的信贷分析设备的硬件结构示意图;
图2为本发明信贷分析方法第一实施例的流程示意图;
图3为本发明信贷分析方法第二实施例的流程示意图;
图4为本发明信贷分析方法第三实施例的流程示意图;
图5为本发明信贷分析装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例涉及的信贷分析方法主要应用于信贷分析设备,该信贷分析设备可以是个人计算机(personal computer,PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图1,图1为本发明实施例方案中涉及的信贷分析设备的硬件结构示意图。本发明实施例中,信贷分析设备可以包括处理器1001(例如中央处理器Central ProcessingUnit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random accessmemory,RAM),也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及信贷分析程序。在图1中,网络通信模块可用于连接数据库,与数据库进行数据通信;而处理器1001可以调用存储器1005中存储的信贷分析程序,并执行本发明实施例提供的信贷分析方法。
本发明实施例提供了一种信贷分析方法。
参照图2,图2为本发明信贷分析方法第一实施例的流程示意图。
本实施例中,所述信贷分析方法包括以下步骤:
步骤S10,在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;
征信就是专业化的、独立的第三方机构为个人或企业建立信用档案,依法采集、客观记录其信用信息,并依法对外提供信用信息服务的一种活动。在金融信贷领域,信贷机构常常需要从征信机构中获取贷款申请人的征信信息,并根据这些征信信息进行信贷分析,以确定是否同意贷款申请人的贷款请求。目前的信贷机构在进行信贷分析时,往往只会引入一家征信机构的征信信息进行分析;而在实际中,可能会出现征信机构收集到关于某个用户的征信信息较少的情况,这就会对信贷机构的信贷分析带来不利影响,降低了分析的准确性。对此,本实施例中提出一种信贷分析方法,与多家征信机构的征信源对接,在需要进行信贷分析时获取多家征信机构提供的征信信息,然后从多家征信信息中挑取最合适的目标征信信息,再对目标征信信息进行分析,并根据分析结果给出决策建议。
本实施例中的信贷分析方法是由信贷分析设备实现的,该信贷分析设备以信贷服务器为例进行说明。本实施例中,信贷服务器在接收到信贷用户提出的信贷请求时,首先需要获取该信贷用户的征信信息。其中,信贷请求可以是信贷用户通过用户终端(如个人电脑、笔记本电脑、手机、平板电脑等)在线上向信贷服务器发送的;当然也可以是信贷用户在线下网点向业务员提出业务需求,由业务员通过业务终端向信贷服务器发送的信贷请求。而对于征信信息,可以包括但不限于信贷用户的基本信息、金融借贷信息、消费信息和社会公共信息等;基本信息又包括姓名、出生地、职业、收入、学历以及住址等;金融借贷信息包括助学贷款、车贷、房贷以及信用卡还款记录等;消费信息包括线下和网络的消费记录,消费频次、消费档次等;社会公共信息则包括法院判决记录、税务记录、公共交通违规记录(如逃票、使用非法证件)等。值得说明的是,本实施例中,信贷服务器在获取信贷用户的征信信息时,是从两个以上(此处“以上”包括本数,下同)的两家征信源(征信机构)中分别获取征信信息,也就是说,信贷服务器是向多个征信源发送征信信息获取请求,以从多个征信源中获取到多源的征信信息;例如,信贷服务器会从A征信源和B征信源中获取到分别获取征信信息,为描述方便,A征信机构的征信信息可记做A源征信信息、B证信息机构的征信信息可记做B源征信信息,A源征信信息和B源征信信息可合称多源征信信息。
进一步的,对于征信信息,一般会涉及到信贷用户的隐私,各征信机构对于这些征信信息是不对外公开的;因此若要获取到这些征信信息,首先需要得到信贷用户的确认和授权。具体的,信贷服务器在接收到信贷请求时,首先会向信贷请求对应的信贷用户的用户端发送征信权限获取请求,以获取信贷用户对自身征信信息的授权;在接收到用户终端返回的权限授予信息时,即可认为信贷用户允许信贷服务器获取信贷用户的征信信息,此时信贷服务器即可根据该权限授予信息从征信源获取信贷用户的征信信息。当然,用户终端返回的权限授予信息中,可以包括信贷用户的身份标识、权限私钥、权限证书等授权证明,以供信贷服务器根据这些授权证明从征信源中获取信贷用户的征信信息。此外,权限授予信息中还可以包括授权期间、授权时限等授权限制信息,其中授权期间是指允许信贷服务器所获取的征信信息的所属时间期间(如获取的是2015年到2018年三年间的征信信息),授权时限是指信贷服务器拥有该权限的时限(如授权时限至2018年4月30日,则从20185月1日起信贷服务器无权获取信贷用户的征信信息);信贷服务器在接收到用户终端返回的权限授予信息时,将根据权限授予信息中的这些授权限制信息限制性地获取信贷用户的征信信息,从而保护信贷用户的隐私。
步骤S20,根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息特征和信息获取难度在所述多源征信信息中确定目标征信信息;
由于不同的征信机构,具有各自的信息获取方式和计量体系,若将其整合使用,可能会出现数据矛盾的情况;因此本实施例中不考虑将多家的征信信息整合使用,而是根据预算算法在多家家征信机构中选取一家,将其提供的征信信息作为目标征信信息用于后续分析。本实施例中,信贷服务器将结合贷款业务类型、信息特征和信息获取难度三个维度从多家征信信息中挑取与本次信贷业务关联度最高的目标征信信息。
具体的,在实际中,不同征信机构可能是在不同的信贷业务类型中具有优势,例如A机构可能是在车贷方面的征信具有优势,在车贷方面更认可A机构;而B机构是在房贷方面的征信具有优势,即在房贷方面更认可B机构。因此,对于不同机构,其在不同的贷款类型可预先设置有一定的业务认可分值,分值越高,则代表该机构的优势越大,业务认可度越高,且该业务认可度分值在一定周期中是稳定不变的;例如,以满分为10分为例(当然业务认可分值范围可以是根据实际情况进行设置),A机构在车贷方面的业务认可分值为90分,在房贷方面的业务认可分值为8分;而B机构在车贷方面的业务认可分值为8分,在房贷方面的业务认可分值为9分。信贷服务器在获取到多源征信信息时,首先将根据信贷请求确定本次信贷分析的业务类型,再根据该业务类型确定各源征信信息分别对应的业务认可分值,例如本次是对信贷用户提出的房贷请求进行分析,则信贷服务器将确定A源征信信息的业务认可分值为8分,B源征信信息的业务认可分值为9分。
在进行信贷分析时,征信信息的信息特征对信贷分析的准确性也起到重要作用,该信息特征包括信息规模量、征信信息的更新时间等;本实施例中以信息规模量作为信息特征的表征,征信信息规模量越大,信息越全面,越有利于对信贷请求作出准确地分析。具体的,信贷服务器在获取到多源征信信息时,将分别统计各源征信信息的信息规模量,然后根据各源征信信息的信息规模量分别确定各源征信信息的信息规模分值;其中信息规模量越大,对应的信息规模分值越高。例如,A源征信信息中包括了80条征信记录,B源征信信息中包括了85条征信记录,以满分为100分为例(当然信息规模分值范围可以是根据实际情况进行设置),信贷服务器将确定A源征信信息的信息规模分值为80分,B源征信信息的信息规模分值为85分。值得说明的是,信息规模量与信息规模分值之间的对应关系(或换算关系)也可以是根据实际情况进行具体设置。
此外,本实施例中还会将征信信息的获取难度作为目标征信信息的一个考量,该获取难度可以是从信息获取耗时、获取手续等方面进行考虑,本实施例中将信息获取耗时作为获取难度的表征进行说明。具体的,信贷服务器在向各征信源发送征信信息获取请求时,会分别进行计时,确定从各征信源获取到各源征信信息所用的信息获取耗时,然后再根据该信息获取耗时分别确定各源征信信息的获取难度分值;其中,信息获取耗时越短,信息获取难度越低,越有利于快速进行信贷分析,对应的获取难度分值越高。例如,A源征信信息的获取耗时为3小时,B源征信信息的获取耗时为12小时,以满分为100分为例(当然获取难度分值范围可以是根据实际情况进行设置),信贷服务器将确定A源征信信息的获取难度分值为90分,B源征信信息的信息规模分值为80分。值得说明的是,信息获取耗时与获取难度分值之间的对应关系(或换算关系)也可以是根据实际情况进行具体设置。
本实施例中,在确定各源征信信息的业务认可分值、信息规模分值和获取难度分值时,即可根据这三个分值从各源征信信息中(即在多源征信信息中)挑选出最合适的某一源征信信息作为目标征信信息。具体的,这三个分值分别是从三个维度(业务认可度、信息规模量和信息获取难度)对征信信息进行了评价,且这三个维度都将会对信贷分析结果产生一定的影响,因此可以是将各源征信信息的各项分值进行比较,判断哪一源的优势项更多,然后将优势项多的某一源作为目标征信信息。例如,对于A源征信信息,业务认可分值为8分(分值范围0至10),信息规模分值为80分(分值范围0至100),获取难度分值为90分(分值范围0至100);对于B源征信信息,业务认可分值为9分(分值范围0至10),信息规模分值为85分(分值范围0至100),获取难度分值为80分(分值范围0至100);则可知在业务认可度、信息规模量和信息获取难度三个维度中,B源征信信息在业务认可度和信息规模两个维度的得分要高于A源征信信息,因此可将B源征信信息作为目标征信信息,并用于下一步的分析。
进一步的,还可以是将三个分值进行相加,得到对征信信息的综合评分,然后再选择综合评分最高的某一源征信信息作为目标征信信息。值得说明的是,在将三个分值进行相加时,若三个分值的分值范围不同,则要考虑先将三个分值进行标准化,使得不同度量之间的特征数值具有可比性和可运算性,即将三个分值进行线性变化,将数值映射至同一分值范围内再进行相加;而在进行标准化时,为了计算的方便,可以是将三个分值映射0到1的范围(区间),对应的映射函数为
其中,x是映射后的分值,x0是映射前的分值,max是原分值范围的上限,min是原分值范围的下限;例如,对于业务认可分值范围为0至10,A源征信信息的业务认可分值为8,则映射后的分值(0到1的范围)为
在各分值的映射均完成后,再将各源征信信息映射后的各项分值进行相加,从而得到综合评分,再根据综合评分确定目标征信信息。例如,对于A源征信信息,业务认可分值为8分(分值范围0至10),信息规模分值为80分(分值范围0至100),获取难度分值为90分(分值范围0至100),将三项分值映射至0到1的范围后的分值分别为0.8、0.8、0.9(映射过程此处不再赘述),综合评分为2.5;对于B源征信信息,业务认可分值为9分(分值范围0至10),信息规模分值为85分(分值范围0至100),获取难度分值为80分(分值范围0至100),将三项分值映射至0到1的范围后的分值分别为0.9、0.85、0.8,综合评分为2.55;则B源征信信息的综合评分要高于A源征信信息的综合评分,因此可将B源征信信息作为目标征信信息,并用于下一步的分析。
再进一步的,业务认可度、信息规模量和信息获取难度都会对信贷分析结果产生一定的影响,而在实际中每个维度的影响力又具有区别,因此在计算各源征信信息的综合评分时,还可根据每个维度的影响程度为不同项的分值设定对应的评分权重,以加权相加的方式计算综合评分,从而使得综合评分能够更贴近实际情况。具体的,用以计算综合评分的加权公式为
D=k1×a+k2×b+k3×c
其中,D为加权综合评分,a为业务认可分值(映射后),b为信息规模分值(映射后),c为获取难度分值(映射后),k1、k2、k3分别为各项分值所对应的评分权重,k1+k2+k3=1,且k1、k2、k3均大于0,该评分权重的具体值可根据实际情况进行设置。例如,k1、k2、k3可分别取0.5、0.3、0.2;对于A源征信信息,业务认可分值为8分(分值范围0至10),信息规模分值为80分(分值范围0至100),获取难度分值为90分(分值范围0至100),将三项分值映射至0到1的范围后的分值分别为0.8、0.8、0.9,其加权综合评分为0.5×0.8+0.3×0.8+0.2×0.9=0.82;对于B源征信信息,业务认可分值9分(分值范围0至10),信息规模分值85分(分值范围0至100),获取难度分值80分(分值范围0至100),将三项分值映射至0到1的范围后的分值分别为0.9、0.85、0.8,其综合评分为0.5×0.9+0.3×0.85+0.2×0.8=0.865;则B源征信信息的加权综合评分要高于A源征信信息的加权综合评分,因此可将B源征信信息作为目标征信信息,并用于下一步的分析。
步骤S30,根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。
本实施例中,在确定目标征信信息时,即可对该目标征信信息进行信贷分析。在进行信贷分析时,可以是根据专家经验设置对应的静态规则引擎(即将人类的经验通过编码的方式转化为计算机的逻辑算法),然后通过该静态规则引擎对目标征信信息进行分析,得到相应的分析结果,并输出对应的信贷决策建议;也可以是使用历史大数据、通过机器学习的方式训练得到AI分析模型,然后通过AI分析模型对目标征信信息进行分析,得到相应的分析结果,并输出对应的信贷决策建议。对于该信贷建议,可以是对信贷请求的二分结论,即同意建议或拒绝建议;而当输出同意建议时,还可以给出对应的建议放款额度、周期、利率等放贷计划属性;当然也可以给出建议分值,分值越高,即欺诈、逾期等负面可能性越低,以使工作人员根据该建议分值进行决策。
进一步的,在具体实施中,信贷服务器还可以在输出信贷建议之后,生成对于的信贷报告,报告的内容包括征信信息获取过程、目标征信信息确定过程(即上述的计算过程说明)以及模型分析过程,以供管理使用。
本实施例中,在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。通过以上方式,本实施例的信贷服务器与多家征信机构的征信源对接,在需要进行信贷分析时获取多家征信机构提供的征信信息,然后根据业务认可度、信息规模量和信息获取时间三个维度对多家征信信息进行综合考量,对多源大数据进行分析,并挑取出最合适的目标征信信息,再对目标征信信息进行分析,给出相关的决策建议,从而使得分析更贴近信贷风控的实际需求,降低了因征信信息缺陷给信贷分析带来的不利影响,提高了信贷分析方式的可靠性和准确性,有利于避免欺诈和信贷坏账的发生。
参照图3,图3为本发明信贷分析方法第二实施例的流程示意图。
基于上述图2所示实施例,本实施例中,所述步骤S30包括:
步骤S31,根据预设输入要求从所述目标征信信息中提取出输入变量信息,并将所述输入变量信息量化为对应的输入变量值;
本实施例中,在确定目标征信信息时,信贷服务器即可对该目标征信信息进行信贷分析。在信贷分析的过程中,信贷服务器主要是根据目标征信信息评估信贷用户违约的可能性,该违约的可能性通过违约概率进行表征,违约概率越大,信贷用户违约的可能性越高。为了得到信贷用户的违约概率,信贷服务器中需要预先设置好违约概率的计算模型,该模型包括输入要求、量化规则和计算规则,该模型可以是根据专家经验设置的静态规则引擎,也可以是通过机器学习的方式训练得到;在计算时,信贷服务器需要根据计算模型的输入要求从目标征信信息中提取输入变量信息,再将根据该计算模型中包括的量化规则将该输入变量信息量化为对应的输入变量值,然后通过该计算规则计算得到相应的违约概率,并根据违约概率给出相关的放款建议。例如,征信信息中包括“籍贯”、“地址”、“手机号码”、“最近12个月征信信息查询次数”、“正在使用贷记卡评价授信额度”、“最近一次贷记卡还款距今时间”、“销户贷记卡平均使用年限”等信息,而对于计算模型要求的输入变量信息为“最近12个月征信信息查询次数”、“正在使用贷记卡评价授信额度”、“最近一次贷记卡还款距今时间”、“销户贷记卡平均使用年限等信息”;信贷服务器将根据该输入要求提取出对应的输入变量信息,然后将输入变量信息量化为对应的输入变量值,例如“最近12个月征信信息查询次数”,当次数为0至5时量化值为1,当次数为6到10时量化值为2,当次数为11以上时量化值为5。当然,不同的输入变量信息可以是对应了不同的量化规则。
步骤S32,根据所述输入变量值计算所述信贷用户的违约概率,并根据所述违约概率输出对应的信贷决策建议。
本实施例中,信贷服务器在得到输入变量值时,即可根据计算模型中的计算规则(可包括加、减、乘、除、积分、开方等运算)对输入变量值进行计算,得到信贷用户的违约概率。在计算得到违约概率时,信贷服务器即可根据违约概率输出对应的信贷决策建议。例如,信贷服务器中预设有标准违约概率,当计算得到的违约概率小于该标准违约概率时,则会输出同意放款的建议;当计算得到的违约概率大于该标准违约概率时,则会输出拒绝放款的建议。
进一步的,考虑到在实际中对信贷请求可能无法一次性得到准确的分析结果,因此信贷服务器的信贷决策建议还可以是三分的形式。具体的,信贷服务器中预先设置有第一预设概率和第二预设概率,其中第一预设概率小于第二预设概率;当计算得到信贷用户的违约概率时,会将该违约概率与第一预设概率、第二预设概率进行比较;若违约概率小于或等于第一预设概率,则认为信贷用户的违约可能性较低,此时将输出同意放款建议;若违约概率大于或等于第二预设概率,则认为信贷用户的违约可能性较高,此时将输出拒绝放款建议;若违约概率大于第一预设概率、且小于第二预设概率,则认为信贷用户的违约可能性一般,信贷服务器对该信贷用户的违约判断比较模糊,此时将输出人工复核建议,以对信贷请求进行进一步的人工复审。通过以上方式,可以在机器以提高分析的准确性。
参照图4,图4为本发明信贷分析方法第三实施例的流程示意图。
基于上述图2或图3所示实施例,本实施例中,步骤S30之后还包括:
步骤S40,根据信贷分析过程和所述信贷决策建议生成对应的信贷报告。
本实施例中,在输出信贷决策建议后,还可生成对应的信贷报告。该信贷评估报告中包括了获取到的多源征信信息、目标征信信息的确定过程、信贷分析过程(违约概率的计算过程)、最终的信贷决策建议等内容。而在信贷评估报告中,由于涉及到大量数据,因此还可自定义数据的显示方式。例如,征信信息中包括了信贷用户前3个月的总支出,每个月的支出又包括水电支出、电话业务支出、刷卡消费等内容;对于每个月的支出,可以用饼状图的方式进行显示,方便决策人员了解借款用户每个月对不同事物的资金投入情况;而对于3个月总支出情况,则可以在用一副柱状图进行显示,方便决策人员了解借款用户每个月的支出趋势。当然不同类型的数据的显示方式可以由决策人员根据实际情况进行配置。通过该信贷报告,决策人员可快速了解到信贷用户的征信情况、以及信贷决策建议的生成过程,还可根据该信贷报告对信贷服务器的信贷分析过程进行进一步的优化处理。
此外,本发明实施例还提供一种信贷分析装置。
参照图5,图5为本发明信贷分析装置第一实施例的功能模块示意图。
本实施例中,所述信贷分析装置包括:
信息获取模块10,用于在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;
信息确定模块20,用于根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;
信贷分析模块30,用于根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。
其中,上述信贷分析装置的各虚拟功能模块存储于图1所示信贷分析设备的存储器1005中,用于实现信贷分析程序的所有功能;各模块被处理器1001执行时,可实现获取多家征信机构提供的征信信息,然后根据业务认可度、信息规模量和信息获取时间三个维度对多家征信信息进行综合考量,并挑取出最合适的目标征信信息进行信贷分析,给出相关的决策建议的功能。
进一步的,所述信息确定模块20包括:
第一确定单元,用于根据信贷请求对应的业务类型确定所述多源征信信息中各源征信信息分别对应的业务认可分值;
第二确定单元,用于分别统计所述各源征信信息各自的信息规模量,并根据所述数据规模量确定分别所述各源征信信息的信息规模分值;
第三确定单元,用于分别获取所述各源征信信息各自的信息获取耗时,并根据所述数据获取耗时分别确定所述各源征信信息的获取难度分值;
信息确定单元,用于根据所述各源征信信息的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分,并根据所述综合评分在所述各源征信信息中确定目标征信信息。
进一步的,所述信息确定单元,还包括:
分值映射子单元,用于将所述各源征信信息的业务认可分值、信息规模分值、获取难度分值映射至同一分值区间,再根据映射后的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分。
进一步的,所述信贷分析模块30包括:
信息量化单元,用于根据预设输入要求从所述目标征信信息中提取出输入变量信息,并将所述输入变量信息量化为对应的输入变量值;
决策输出单元,用于根据所述输入变量值计算所述信贷用户的违约概率,并根据所述违约概率输出对应的信贷决策建议。
进一步的,所述决策输出单元,还包括:
关系判断子单元,用于判断所述违约概率与第一预设概率、第二预设概率的大小关系,其中所述第一预设概率小于所述第二预设概率;
第一输出子单元,用于若所述违约概率小于或等于所述第一预设概率,则输出同意放款建议;
第二输出子单元,用于若所述违约概率大于所述第一预设概率、且小于所述第二预设概率,则输出人工复核建议;
第三输出子单元,用于若所述违约概率大于或等于所述第二预设概率,则输出拒绝放款建议。
进一步的,所述信息获取模块10包括:
请求发送单元,用于在接收到信贷请求时,根据所述信贷请求向与所述信贷请求对应的信贷用户的用户终端发送对应的征信权限获取请求;
信息获取单元,用于在接收到所述用户终端返回的权限授予信息时,根据所述权限授予信息获取所述信贷用户的多源征信信息。
进一步的,所述信贷分析装置还包括:
报告生成模块,用于根据信贷分析过程和所述信贷决策建议生成对应的信贷报告。
其中,上述信贷分析装置中各个模块的功能实现与上述信贷分析方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有信贷分析程序,其中所述信贷分析程序被处理器执行时,实现如上述的信贷分析方法的步骤。
其中,信贷分析程序被执行时所实现的方法可参照本发明信贷分析方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种信贷分析方法,其特征在于,所述信贷分析方法包括以下步骤:
在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;
根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;
根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。
2.如权利要求1所述的信贷分析方法,其特征在于,所述根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息的步骤包括:
根据信贷请求对应的业务类型确定所述多源征信信息中各源征信信息分别对应的业务认可分值;
分别统计所述各源征信信息各自的信息规模量,并根据所述数据规模量确定分别所述各源征信信息的信息规模分值;
分别获取所述各源征信信息各自的信息获取耗时,并根据所述数据获取耗时分别确定所述各源征信信息的获取难度分值;
根据所述各源征信信息的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分,并根据所述综合评分在所述各源征信信息中确定目标征信信息。
3.如权利要求2所述的信贷分析方法,其特征在于,所述根据所述各源征信信息的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分的步骤包括:
将所述各源征信信息的业务认可分值、信息规模分值、获取难度分值映射至同一分值区间,再根据映射后的业务认可分值、信息规模分值、获取难度分值分别计算所述各源征信信息的综合评分。
4.如权利要求1所述的信贷分析方法,其特征在于,所述根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议的步骤包括:
根据预设输入要求从所述目标征信信息中提取出输入变量信息,并将所述输入变量信息量化为对应的输入变量值;
根据所述输入变量值计算所述信贷用户的违约概率,并根据所述违约概率输出对应的信贷决策建议。
5.如权利要求4所述的信贷分析方法,其特征在于,所述根据所述违约概率输出对应的信贷决策建议的步骤包括:
判断所述违约概率与第一预设概率、第二预设概率的大小关系,其中所述第一预设概率小于所述第二预设概率;
若所述违约概率小于或等于所述第一预设概率,则输出同意放款建议;
若所述违约概率大于所述第一预设概率、且小于所述第二预设概率,则输出人工复核建议;
若所述违约概率大于或等于所述第二预设概率,则输出拒绝放款建议。
6.如权利要求1所述的信贷分析方法,其特征在于,所述在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息的步骤包括:
在接收到信贷请求时,根据所述信贷请求向与所述信贷请求对应的信贷用户的用户终端发送对应的征信权限获取请求;
在接收到所述用户终端返回的权限授予信息时,根据所述权限授予信息获取所述信贷用户的多源征信信息。
7.如权利要求1至6中任一项所述的信贷分析方法,其特征在于,所述根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议的步骤之后,还包括:
根据信贷分析过程和所述信贷决策建议生成对应的信贷报告。
8.一种信贷分析装置,其特征在于,所述信贷分析装置包括:
信息获取模块,用于在接收到信贷请求时,获取与所述信贷请求对应的信贷用户的多源征信信息;
信息确定模块,用于根据信贷请求对应的业务类型、所述多源征信信息中各源征信信息的信息规模量和信息获取耗时在所述多源征信信息中确定目标征信信息;
信贷分析模块,用于根据所述目标征信信息进行信贷分析,并根据分析结果输出对应的信贷决策建议。
9.一种信贷分析设备,其特征在于,所述信贷分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷分析程序,其中所述信贷分析程序被所述处理器执行时,实现如权利要求1至7中任一项所述的信贷分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信贷分析程序,其中所述信贷分析程序被处理器执行时,实现如权利要求1至7中任一项所述的信贷分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810945149.5A CN109727116A (zh) | 2018-08-17 | 2018-08-17 | 信贷分析方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810945149.5A CN109727116A (zh) | 2018-08-17 | 2018-08-17 | 信贷分析方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109727116A true CN109727116A (zh) | 2019-05-07 |
Family
ID=66294639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810945149.5A Pending CN109727116A (zh) | 2018-08-17 | 2018-08-17 | 信贷分析方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727116A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143339A (zh) * | 2019-12-20 | 2020-05-12 | 东方微银科技(北京)有限公司 | 一种业务资源的分配方法、装置、设备及存储介质 |
CN111489134A (zh) * | 2020-04-13 | 2020-08-04 | 深圳前海微众银行股份有限公司 | 数据模型的构建方法、装置、设备及计算机可读存储介质 |
CN112364054A (zh) * | 2020-10-22 | 2021-02-12 | 杭州大搜车汽车服务有限公司 | 风控决策方法、装置、电子装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651570A (zh) * | 2016-12-27 | 2017-05-10 | 中国建设银行股份有限公司 | 一种贷款实时审批系统和方法 |
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN107886425A (zh) * | 2017-10-25 | 2018-04-06 | 上海壹账通金融科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN107924518A (zh) * | 2015-08-21 | 2018-04-17 | 三星电子株式会社 | 在保持用户的匿名性时基于来自多个支付网络的聚合信息进行风险管理的方法和装置 |
-
2018
- 2018-08-17 CN CN201810945149.5A patent/CN109727116A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924518A (zh) * | 2015-08-21 | 2018-04-17 | 三星电子株式会社 | 在保持用户的匿名性时基于来自多个支付网络的聚合信息进行风险管理的方法和装置 |
CN106651570A (zh) * | 2016-12-27 | 2017-05-10 | 中国建设银行股份有限公司 | 一种贷款实时审批系统和方法 |
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN107886425A (zh) * | 2017-10-25 | 2018-04-06 | 上海壹账通金融科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
史哲闻等: "《市场调查与预测》", 28 February 2017, 湖南师范大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143339A (zh) * | 2019-12-20 | 2020-05-12 | 东方微银科技(北京)有限公司 | 一种业务资源的分配方法、装置、设备及存储介质 |
CN111489134A (zh) * | 2020-04-13 | 2020-08-04 | 深圳前海微众银行股份有限公司 | 数据模型的构建方法、装置、设备及计算机可读存储介质 |
CN111489134B (zh) * | 2020-04-13 | 2024-05-10 | 深圳前海微众银行股份有限公司 | 数据模型的构建方法、装置、设备及计算机可读存储介质 |
CN112364054A (zh) * | 2020-10-22 | 2021-02-12 | 杭州大搜车汽车服务有限公司 | 风控决策方法、装置、电子装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389486A (zh) | 贷款风控规则调整方法、装置、设备及计算机存储介质 | |
CN109670936A (zh) | 贷款审批处理方法、平台、设备及计算机可读存储介质 | |
WO2019080407A1 (zh) | 信贷评估方法、装置、设备及计算机可读存储介质 | |
CN106503873A (zh) | 一种预测用户守约概率的方法、装置和计算设备 | |
CN109035003A (zh) | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 | |
CN109461070A (zh) | 一种风险审批方法、装置、存储介质和服务器 | |
CN112862298B (zh) | 一种针对用户画像的信用评估方法 | |
CN116342259A (zh) | 一种用户信用自动评级方法、装置、电子设备及介质 | |
CN109727116A (zh) | 信贷分析方法、装置、设备及计算机可读存储介质 | |
CN112116103B (zh) | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
CN109102396A (zh) | 一种用户信用评级方法、计算机设备及可读介质 | |
CN110414980A (zh) | 一种风险防控数据处理方法及装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
CN110941644A (zh) | 保单数据生成方法、装置、设备及存储介质 | |
CN113344437A (zh) | 理赔业务处理方法、装置、计算机设备和存储介质 | |
CN111915425A (zh) | 一种贷款审批方法、装置、设备及存储介质 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN114066478A (zh) | 一种基于知产信息的目标分类评估方法及设备 | |
US11625788B1 (en) | Systems and methods to evaluate application data | |
CN116955608A (zh) | 账户状态信息获取方法、装置、电子设备和可读介质 | |
CN117994016A (zh) | 构建零售信用风险预测模型的方法和消费信贷业务Scorebeta模型 | |
Ismath et al. | TrustCredit-An Individual Credit Scoring Mechanism Using Alternative Mobile Interaction Touchpoints |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190507 |