CN110189220A - 一种风险分析决策方法、装置、系统及存储介质 - Google Patents

Abstract

本发明实施例公开了一种风险分析决策方法、装置、系统及存储介质，该方法包括：获取与待测试用户相关的原始数据；对所述原始数据进行处理，获取征信变量；利用预构建的风险分析模型，对所述征信变量进行决策，获取最终的决策结果，并展示给操作人员。通过这种方式，操作人员无需自己再去重新制定、编写风险分析规则，而是通过线上选择风险分析规则即可。使得线上的“风控”更加简易，对于操作人员的技术要求大大降低的同时，避免了线下“风控”模式的弊端，提升审批效率以及准确率。

Description

一种风险分析决策方法、装置、系统及存储介质

技术领域

本发明实施例涉及数据处理技术领域，具体涉及一种风险分析决策方法、装置、系统及存储介质。

背景技术

互联网金融行业对于风控的创新，正在经历“照搬传统金融机构的纯线下风控模式——线上线下混合的风控模式——纯线上风控模式”的转变；小额、高频的信贷业务日益增加，对风控数据需求更加旺盛，风控规则变更频繁，传统审批方式不能满足需求。线上实现风控的分析和决策对于操作人员的技术要求过高，而线下风控模式审批效率较低，人为审批的数据错误率较高。

那么，如何才能尽量降低对于操作人员的技术要求的情况下，还能够实现线上风控的分析和决策审批，提升风控模式审批效率以及准确率。

发明内容

为此，本发明实施例提供一种风险分析决策方法、装置、系统及存储介质，以解决现有技术中用户在线上进行风控时，对于操作人员的技术要求较高的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，提供了一种风险分析决策方法，该方法包括：

获取与待测试用户相关的原始数据；

对原始数据进行处理，获取征信变量；

利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，并展示给操作人员。

进一步地，获取与待测试用户相关的原始数据，具体包括：

通过自有数据源、第三方数据源，和/或通过业务平台获取与待测试用户相关的原始数据。

进一步地，对原始数据进行处理具体包括：

从预构建的数据库中匹配与原始数据对应数据处理流程；

按照数据流程中的执行步骤，对原始数据进行处理，获取征信变量。

进一步地，数据处理流程中包括至少一个数据处理节点，每一个数据处理节点执行操作的步骤包括：对原始数据进行预处理后，按照预设处理方法对经过预处理后的数据进行变量计算处理，获取计算变量；当数据处理节点并非为数据处理流程中最后一个数据处理节点时，执行数据处理节点获取的计算变量将被其他数据处理节点使用；当数据处理节点为数据流程中最后的数据处理节点时，计算变量为征信变量。

进一步地，利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，并展示给操作人员之前，方法还包括：构建风险分析模型，其中，构建风险分析模型时，包括配置自定义数据、非自定义数据、数据调取参数、至少一条风险分析规则、评分卡模型以及包函数，当风险分析规则包括至少两条时，构成风险分析规则集。

进一步地，利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，并展示给操作人员，具体包括：

提取第一决策环节所对应的征信变量；

利用与第一决策环节对应的预构建的风险分析模型，对与第一决策环节对应的征信变量进行决策，获取第一决策结果；

并根据第一决策结果，确定是否执行后续决策环节；

若当根据第一决策结果，确定停止执行后续决策环节时，确定第一决策结果为最终的决策结果；

或者，若当根据第一决策结果，确定执行后续决策环节时，继续执行后续决策环节，并将最后执行的决策环节的决策结果作为最终的决策结果，其中，第一决策环节为风险分析流程中的任一个决策环节。

进一步地，预构建的风险分析模型包括如下中的一种或多种：评分卡模型、决策分析模型或者机器学习模型。

进一步地，当预构建的风险分析模型包括至少两种时，利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，具体包括：

分别按照每一种预构建的风险分析模型对征信变量进行决策，获取至少两种决策结果；

并从至少两种决策结果中，选取最优的决策结果作为最终的决策结果。

根据本发明实施例的第二方面，提供了一种风险分析决策系统，该系统包括：处理器、存储器以及显示器；

存储器用于存储一个或多个程序指令；

处理器，用于运行一个或多个程序指令，用以执行如上一种风险分析决策方法中的任一方法步骤；

显示器，用于将最终的决策结果展示给工作人员。

根据本发明实施例的第四方面，提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种风险分析决策系统执行如上一种风险分析决策方法中的任一方法步骤。

本发明实施例具有如下优点：在获取与待测试用户相关的原始数据后，对原始数据进行处理获取征信变量，然后直接通过预构建的风险分析模型，对征信变量进行决策，获取决策结果，并展示给操作人员。以便操作人员可以确定当前待测试用户是否具有贷款权限，贷款额度等等一系列的决策结果。通过这种方式，操作人员无需自己再去重新制定、编写风险分析规则，而是通过线上选择风险分析规则即可。使得线上的“风控”更加简易，对于操作人员的技术要求大大降低的同时，避免了线下“风控”模式的弊端，提升审批效率以及准确率。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例1提供的一种风险分析决策方法流程示意图；

图2为本发明提供的数据处理流程示意图；

图3a和图3b分别为本发明提供的不同数据处理节点之间的关系示意图；

图4为本发明提供的处理流程中，不同处理节点之间的执行顺序示意图；

图5本发明提供的决策分析方法包括多个决策分析环节的示意图；

图6为本发明实施例2提供的一种风险分析决策装置结构示意图；

图7为本发明实施例3提供的一种风险分析决策系统结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例1提供了一种风险分析决策方法，具体如图1所示，该方法步骤如下：

步骤110，获取与待测试用户相关的原始数据。

具体的，获取原始数据的方式可以包括但不限于如下中的一种或者多种：系统中的自有数据源，通过第三方获取的数据源，或者通过业务平台获取的数据源。其中，自有数据源包括：客户自身业务积累下来的数据；第三方数据源可以包括通过合法手段从有关部门(例如公安局，或者房地产中介)等获取的数据，例如用户自身资产信息、职业信息、学历信息或者是否有借贷经历等相关数据；而通过业务平台所获取的数据，主要是用户在注册账号时输入的身份信息等。

步骤120，对原始数据进行处理，获取征信变量。

具体的，对原始数据进行处理，可以包括如下过程：

才能够预构建的数据库中匹配与原始数据对应的数据流程。然后，按照数据流程中的执行步骤，对原始数据进行处理，获取征信变量。

具体的，由于原始数据的类型不同，那么对应于原始数据的处理流程可能大不相同。为了保证对于不同数据的兼容性，所以在系统的后台数据库中构建了对不同数据的处理流程。而每一个数据处理流程实际上都包括至少一个数据处理节点。具体如图2所示，图2示出了数据处理流程示意图。每一个数据处理节点所执行的数据处理过程基本类似，包括预处理、计算变量和存储变量等三个过程。对原始数据进行预处理可以采用多种方式，例如Request预处理、DB预处理或者上下文(context)预处理。具体采用何种预处理方式，可以根据实际情况设定，这里不做过多说明。

对经过预处理后的数据按照预设处理方法进行进一步的变量计算处理，获取计算变量。例如，HTTP模式处理方法、dubbo模式处理方式、直接映射方法或者采用Java代码编程方法等，获取计算变量。具体采用何种方法可以根据实际情况设定，这里不做过多说明。获取计算变量后可以进行存储，存储方式同样可以根据实际情况设定，例如写DB存储方式、写上下文存储方式又或者写输出存储方式。写DB存储方式是指：除将计算变量完整的存储在所选存储端外，还可以配置将计算变量中的部分计算变量集以及映射关系存储在所选存储端。写上下文是指：每一个数据处理节点会被拆分为多个步骤，每个步骤是一个加工逻辑，拆分的逻辑完成固定的变量计算工作，为方便多个加工逻辑串联，满足实时计算之性能，在数据处理过程中可以将加工好的变量直接存储在上下文中，也就是内存中，以备使用时随时提取；写输出是指：配置多步骤多逻辑变量加工，可以选择其中一个或者多个作为该数据处理流程的整体输出，将计算好的变量结果过滤，映射后输出。

而，当数据处理节点并非为数据处理流程中最后一个数据处理节点时，执行数据处理节点获取的计算变量将被其他数据处理节点使用；当数据处理节点为数据流程中最后的数据处理节点时，计算变量为征信变量。

参见图3所示，实际上数据处理节点之间主要包含两种关系，一种是依赖处理关系，另一种就是并行处理关系。例如图3a中所示，处理节点B依赖处理节点A，处理节点A执行完成后，才能够执行处理节点B。也就是说，从处理节点A中获取的计算节点很有可能会被处理节点B用到。

另一种情况，如图3b所示，处理节点A和处理节点B之间无依赖关系，可以并行处理。

在图4中示出了处理流程中，不同处理节点之间可能的执行顺序。图中可以看出，处理节点E和处理节点F需要先执行，处理节点C依赖于处理节点E的处理结果，而处理节点D依赖于处理节点F的处理结果。支路1(处理节点E和处理节点C构成)与支路2(处理节点D和处理节点F构成)之间属于并列关系。这两条支路的选择要根据节点B的输入参数，具体包括三种可能，第一种是结果路由，就是处理节点B输入参数为S1时，执行支路1，输入参数为S2时执行支路2。第二种就是权重路由，就是每一种支路都执行，但是每一条支路执行后获得的结果存在相应的权重分配。第三种则是随机路由，就是随机选择一条支路执行。图中的处节点A的执行需要依赖处理结果B的执行。

而最终，当处理流程中所有的处理节点都完成执行动作后，最后的数据处理节点输出的计算变量也即为征信变量。

步骤130，利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，并展示给操作人员。

具体的，在执行步骤130之前，该方法还包括：构建风险分析模型。其中，风险分析模型可以包括但不限于如下几个子模型，具体包括：准入判断子模型、反欺诈子模型、信用评估子模型、授信评估子模型等。每一个子模型的构建过程比较类似，这里在如下简单介绍构建原理：

包括配置自定义数据、非自定义数据、数据调取参数、至少一条风险分析规则、评分卡模型以及包函数，当风险分析规则包括至少两条时，构成风险分析规则集。具体的配置过程均为人为操作，简单介绍如下：

其中，自定义数据指的是：基于非自定义数据，在方案中心通过点选操作方式自定义的衍生变量；配置自定义数据的步骤如下：

第一步，设置数据属性。

包括设置英文名称、中文名称、数据类型、作用域等必填项，并根据需要填写缺失值赋值，取值范围、数据定义、说明等选填项；

第二步，选择输入变量。

第三步，配置计算规则内容。

支持y＝f(x)和if else语句两种计算方式。

非自定义数据指的是：数据中心配置好的原始数据和衍生数据。

数据调取参数指的是：调取数据库或API接口(也即是第三方)数据时需传输的入参，如身份证号、公司注册码等。

风险分析规则，是通过点选方式配置的条件判断语句，在平台上通过可视化界面配置的，支持y＝f(x)和if else语句，支持中文和英文两种配置语言。操作人员可以根据个人偏好自主设置和切换，支持规则检测、测试、复制等功能。规则的计算逻辑是用一种自定义语言ANTLR实现的，ANTLR是语法分析器，可以按照预定义的语法文件自动生成对应的词法来实现规则的分析。

配置步骤包括：

第一步，设置规则属性。

第二步，设置变量，包括设置输入变量、中间变量和输出变量。

第三步，配置规则内容；

包括编辑if else语句，规则支持多种运算符号；并且编辑完内容后，可自动检测必填项是否填写完整及规则编辑是否存在语法错误；最后还可设置输出变量的统计标签，供统计中心使用。

检测通过后，可直接提交，也可测试后再提交。支持输入变量样例数据测试和数据调取参数样例数据测试。对于已提交的规则可通过一键导出，导出后的规则包可以在本平台导入。最好在使用时，操作人员可以在操作平台进行选择。

评分卡模型配置包括：

第一步，设置模型属性，包括设置模型名称、模型类型、作用域、说明等信息。

第二步，设置变量，包括设置输入变量、中间变量和输出变量。

第三步，配置模型内容，包括可设置模型各级维度的名称、选择指标，填写指标分类，设置权重和分值；可自动检测必填项是否填写完整及模型编辑是否存在语法错误；最后还可设置输出变量的统计标签，供统计中心使用。对于已提交的模型可通过一键导出，导出后的模型包可以在本平台导入。

包函数是将规则或模型逻辑用R包写好后上传安装到平台上使用。具体构建包函数的步骤包括：

第一步，上传R包。成功上传文件后，系统将自动读取包类型、版本号和文件名称。上传的R包必须符合规范，具体规范可在包函数新建时查看并进行下载。

第二步，安装R包。填写包名称、作用域和说明，系统将自动安装R包，如安装不成功，系统自动报错并提示失败原因。

第三步，查看包函数列表。安装成功后，将显示包内函数的编号、名称、默认名称和说明等属性。

第四步，设置包函数属性。

包括可设置输入变量中的数据匹配关系，设置输出变量的相关属性及统计标签；用户可更改包函数相关属性；如果包内有多个函数，则可通过其它的包函数页面进行设置；最后还可设置输出变量的统计标签。包函数测试分为输入变量样例数据测试和数据调取参数样例数据测试。选择测试方式后，可通过手动单条赋值的方式进行测试，也可以通过上传样例数据的方式进行批量测试。

规则集，如上文，由至少两条规则构成，其中，规则集按照排列顺序，从前往后执行，根据是否因命中结果而中途结束流程，分为“串行规则集”和“并行规则集”。

此外，构建风险分析模型之后，还可以包括对风险缝隙模型进行测试、审核、发布以及版本管理等。

构建风险分析模型时的整体框架步骤可以包括：

第一步，设置方案属性。设置方案名称、版本号、产品线和说明。

第二步，绘制方案流程图，可拖拽图标至流程区域。

第三步，添加节点内容。

可添加节点内容，节点内容可以为已提交的规则、模型、包函数或规则集。

第四步，设置条件分支属性。

包括可设置分支条件属性。

第五步，设置方案输出变量。

包括设置方案输出变量的名称等基本属性，编辑输出变量的计算规则和统计标签。

第六步，调整方案传出变量。

包括可选择平台的传出变量类型，并在此基础上根据业务系统的需要灵活增减。

在方案管理页面，通过点击“统计”按钮，可设置方案所有输出变量的统计标签并控制是否开启统计。

具体的，在利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，并展示给操作人员，具体包括：

提取第一决策环节所对应的征信变量；

利用与第一决策环节对应的预构建的风险分析模型，对与第一决策环节对应的征信变量进行决策，获取第一决策结果；

并根据第一决策结果，确定是否执行后续决策环节；

若当根据第一决策结果，确定停止执行后续决策环节时，确定第一决策结果为最终的决策结果；

或者，若当根据第一决策结果，确定执行后续决策环节时，继续执行后续决策环节，并将最后执行的决策环节的决策结果作为最终的决策结果，其中，第一决策环节为风险分析流程中的任一个决策环节。

在一个具体的例子中，如图5所示，决策分析环节一般不止包括一个，可能包括多个环节。例如，可以包括：准入判断、反欺诈、信用评估、授信评估等等多个环节。而每一个环节的执行结果，都将对后一个环节的执行有一定的影响。例如，上一个执行环节没有通过时，自然不会再执行下一个环节，只有上一个环节通过的情况下，才会继续执行下一个环节。而每一个环节的决策结果可以包括具体的决策数值，然后根据决策数值判断是否通过。如果通过，则执行下一个决策环节。当执行到最后一个决策环节时，可以根据最终的决策数值，确定用户是否可以贷款，贷款期限、贷款金额等等。

进一步可选的，针对每一个决策环节时，都可以利用与该决策环节对应的预构建的风险分析模型进行决策，输入到风险分析模型中的征信变量也一定是与该决策环节相对应的决策变量。

进一步可选的，预构建的风险分析模型包括如下中的一种或多种：评分卡模型、决策分析模型或者机器学习模型。构建风险分析模型时可以采用R包函数，Python语言或者Java语言等等，具体采用何种语言不做任何限定。

在评分卡模型、决策分析模型中还可以包括策略或者策略集，每一条策略中又包括规则或者规则集。系统主要是根据这些规则或者规则集对征信变量进行评分。

可选的，当预构建的风险分析模型包括至少两种时，利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，具体包括：

分别按照每一种预构建的风险分析模型对征信变量进行决策，获取至少两种决策结果；

并从至少两种决策结果中，选取最优的决策结果作为最终的决策结果。

当决策分析平台构建初期，如果不能确定每一种决策模型为最优的情况下，就可以采用上述方法，每一种决策分析模型分别对征信变量进行决策，获取与之对应的决策结果。然后再从中选择最优的决策结果作为最终的决策结果。当然这个选择的过程也可以人为执行。通过对不同的决策分析模型进行不断的训练，最终还可以获取一个最优决策分析模型，后续也可以仅采用最优分析模型进行决策。例如使用机器学习模型。当然，也可以一直是所有的风险分析模型同时使用，最优为主，其他为辅。人为参考所有风险分析模型的分析结果，进行综合分析和判断，获取最终决策结果。具体根据实际情况设定，这里不做过多说明。

在构建风险分析模型时，还需要遵循如下原则：

(1)规范性

整个系统的各种软硬件和实施过程均应符合相关国际、国内标准。

(2)实用性

实用性就是能够最大限度地满足用户业务处理的需求。用户界面要求直观、简洁；菜单要求功能清晰、具有层次感，应避免复杂的菜单选择和窗口重叠,简化数据输入，系统界面应采用统一风格，统一操作方式，各个功能键的定义要合理、规范。为用户提供操作或系统的出错提示，且提示简洁明了。

(3)先进性

使用当今市场上主流并领先的产品和技术，保证系统高效运行。

(4)可靠性

系统具备容错能力，关键节点设备和核心设备有适当的冗余。系统采用灵活的机制实现负载均衡，防止“瓶颈”产生，避免单点故障导致系统整体或重要功能的丧失，最大限度减少停机时间。

(5)扩展性

系统具有良好的可扩充性和扩展能力，能够方便地进行系统升级和更新，以适应业务的不断发展和变化。

(6)安全性

采取多种安全技术和防护手段，保证系统自身的安全性，保证服务不会中断，数据不被非法入侵者破坏和盗用。系统具备灵活可靠的安全策略和机制，可以根据不同的业务类型和应用环境设置不同的安全措施。

(7)成熟性

采用的产品和技术都经过市场的考验，有在大型系统中应用的成功案例。主要产品或组件均为自有知识产权的成熟产品。

(8)设备功能简单化

减少了单机多应用的情况,便于故障排查、恢复和日常的运行维护。

(9)标准性和开放性

所选用的产品或技术全部遵循通用的国际或行业标准，各系统模块之间有良好的兼容性。

(10)可管理性

系统应满足提供良好的应用操作维护界面，维护操作简单。

2.性能设计原则

(1)稳定性

通过良好的系统架构设计，通过集群、负载均衡等软硬件设备的运用保证系统运行的稳定性。

(2)响应速度

系统保证在高并发访问时能够在可接受的时间范围内正确响应。

(3)不间断性

为保证二十四小时不间断访问，系统在关键路径上实现冗余，关键点上实现热备或群集，并保证运行中的数据同步和故障发生时的系统自动接管。

(4)可监控性

网络设备采用智能化、可管理的设备，同时采用网络管理软件实现分布式管理，使运维人员能够监控整个系统的运行状况，合理分配系统资源、动态配置网络负载，迅速确定系统故障等。

(5)时效性

系统要求很高的时效性，系统设计应考虑满足各种服务指标的要求。

构建时，采用Paoding-Rose框架，较市面流行的Spring、Struts等开源框架开发更为快捷。采用Rose的优势主要体现在以下几个方面：

(1)约定优于配置。

包路径，类名，类方法名都不需要配置文件声明，只要名称包含特定的关键字和Annotation就行，只要满足这个条件，其他的命名部分可以随便修改，不需要修改任何配置。

(2)自动绑定。

Rose没有任何标签限制，可以自由绑定属性，并且直接通过Annotation传参，不需要set数据。数据持久层的Jade框架也提供属性自动绑定，不需要任何的set，get方法，非常提升开发效率。

(3)REST风格。

Rose对Spring MVC中的URL映射和页面传值操作都进行了优化，使其效率更高，并且完全支持REST。

(4)Jade极简主义。

Jade框架极大的提升了开发效率，DAO接口方法加一句SQL实现数据库操作和赋值。

(5)Portal技术。

该技术实现的基本原理就是对于需要许多数据渲染的页面(例如公共主页)做页面模块切分，比如关注列表一个模块，留言一个模块，最新动态一个模块等等。然后每个模块作为一个window并发从数据库取数据，然后再重新整合数据，最终呈现给用户。可以设置一个时限，比如几百ms，如果在限定时间内，数据没有拿出来，就不显示这个模块了，保证用户端的响应速度。

(6)兼容性。

Rose使用过滤器而非Servlet拦截请求，可以方便与其他框架的兼容。

本平台作为一个互联网服务平台，其技术架构应具备一定的开放性、灵活性和扩展性，同时兼具通讯的高度安全性、可靠性和稳定性。技术架构应充分借鉴大型互联网网站的成功应用经验，体现互联网架构的高度灵活、高可用性、高可靠性、高可配置性的思想。

1.开放的系统平台

·采用Browser/Application Server/DB Server三层软件体系结构。

·完全开放型的平台，易于扩展，配置灵活，支持虚拟机环境运行。

·开放式的设计架构，可实现和第三方软件的接口与集成。

·充分借用大型互联网网站的成功应用经验。

·操作系统，数据库，开发工具尽量采用成熟可靠的软件产品。

2.无缝升级和横向扩展能力

·完全的模块化设计，模块拆分灵活，可平滑升级。

·系统采用PC服务器群，应用服务器和数据库支持无限级横向扩展。

3.采用负载均衡技术和高效的缓存系统

通过Nginx实行应用层的软负载，提高系统的响应能力。

通过高效的Redis集群提供缓存服务，保证数据获取的高效性。

4.采用多种安全技术确保安全性和保密性

·支持SSL加密访问。

·数据库存储采用MySQL 5.7以上版本，成熟可靠。

·数据库敏感内容存储采用AES256加密，保证信息安全。

·数据库服务器独立部署，保证数据的安全稳定。

本实施例提供的风险分析决策方法所采用的技术架构存在如下特点：采用成熟的互联网技术体系，支持大访问量和高并发的技术架构。采用目前安全性高、扩展性好、框架技术最为完善的JAVA语言作为系统开发语言。应用层采用Nginx作负载均衡和反向代理，高性能的Resin作Web容器，静态页面部署在静态服务器，多点部署；服务层采用Zookeeper+Dubbo分布式框架，进行分布式部署和负载均衡，性能好，访问速度快，并发用户数高。采用Redis集群高效提供web服务，采用MySQL存储持久化数据。在请求处理方式上，采用了同步处理和异步处理相结合的方式，既能满足需要快速反应的业务需求，又能够满足大数据量、复杂的、异步的业务需求。

本发明实施例提供的一种风险分析决策方法，在获取与待测试用户相关的原始数据后，对原始数据进行处理获取征信变量，然后直接通过预构建的风险分析模型，对征信变量进行决策，获取决策结果，并展示给操作人员。以便操作人员可以确定当前待测试用户是否具有贷款权限，贷款额度等等一系列的决策结果。通过这种方式，操作人员无需自己再去重新制定、编写风险分析规则，而是通过线上选择风险分析规则即可。使得线上的“风控”更加简易，对于操作人员的技术要求大大降低的同时，避免了线下“风控”模式的弊端，提升审批效率以及准确率。

此外，还包括如下优点：系统解耦，减轻系统业务压力；由风控人员操作，提升规则变更需求的响应效率；通过可视化界面统一管理多产品线风控策略，便于积累风控资产；可预置专家模型，解决业务冷启动问题。

秉承“以风控人员为中心”的设计理念，一站式实现“变量准备—风险决策—风险洞察”的智能决策分析，专注为金融风控领域提供高效、灵活、便捷的风险决策引擎和分析工具，致力于让风控决策更智能。

与上述实施例1对应的，本发明实施例2还提供了一种风险分析决策装置，具体如图6所示，该装置包括：获取单元201、处理单元202和决策单元203。

获取单元201，用于获取与待测试用户相关的原始数据；

处理单元202，用于对原始数据进行处理，获取征信变量；

决策单元203，用于利用预构建的风险分析模型，对征信变量进行决策，获取最终的决策结果，并展示给操作人员。

可选的，获取单元201具体用于，通过自有数据源、第三方数据源，和/或通过业务平台获取与待测试用户相关的原始数据。

可选的，处理单元202具体用于，

从预构建的数据库中匹配与原始数据对应数据处理流程；

按照数据流程中的执行步骤，对原始数据进行处理，获取征信变量。

可选的，数据处理流程中包括至少一个数据处理节点，每一个数据处理节点执行操作的步骤包括：对原始数据进行预处理后，按照预设处理方法对经过预处理后的数据进行变量计算处理，获取计算变量；当数据处理节点并非为数据处理流程中最后一个数据处理节点时，执行数据处理节点获取的计算变量将被其他数据处理节点使用；当数据处理节点为数据流程中最后的数据处理节点时，计算变量为征信变量。

可选的，处理单元202还用于构建风险分析模型，包括：

构建风险分析模型具体包括：配置自定义数据、非自定义数据、数据调取参数、至少一条风险分析规则、评分卡模型以及包函数，当风险分析规则包括至少两条时，构成风险分析规则集。

可选的，处理单元202具体用于，提取第一决策环节所对应的征信变量；

利用与第一决策环节对应的预构建的风险分析模型，对与第一决策环节对应的征信变量进行决策，获取第一决策结果；

并根据第一决策结果，确定是否执行后续决策环节；

若当根据第一决策结果，确定停止执行后续决策环节时，确定第一决策结果为最终的决策结果；

或者，若当根据第一决策结果，确定执行后续决策环节时，继续执行后续决策环节，并将最后执行的决策环节的决策结果作为最终的决策结果，其中，第一决策环节为风险分析流程中的任一个决策环节。

可选的，预构建的风险分析模型包括如下中的一种或多种：评分卡模型、决策分析模型或者机器学习模型。

可选的，预构建的风险分析模型包括至少两种时，利用预构建的风险分析模型，处理单元202具体用于，分别按照每一种预构建的风险分析模型对征信变量进行决策，获取至少两种决策结果；

并从至少两种决策结果中，选取最优的决策结果作为最终的决策结果。

本发明实施例提供的一种风险分析决策装置中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。

本发明实施例提供的一种风险分析决策装置，在获取与待测试用户相关的原始数据后，对原始数据进行处理获取征信变量，然后直接通过预构建的风险分析模型，对征信变量进行决策，获取决策结果，并展示给操作人员。以便操作人员可以确定当前待测试用户是否具有贷款权限，贷款额度等等一系列的决策结果。通过这种方式，操作人员无需自己再去重新制定、编写风险分析规则，而是通过线上选择风险分析规则即可。使得线上的“风控”更加简易，对于操作人员的技术要求大大降低的同时，避免了线下“风控”模式的弊端，提升审批效率以及准确率。

此外，还包括如下优点：系统解耦，减轻系统业务压力；由风控人员操作，提升规则变更需求的响应效率；通过可视化界面统一管理多产品线风控策略，便于积累风控资产；可预置专家模型，解决业务冷启动问题。

秉承“以风控人员为中心”的设计理念，一站式实现“变量准备—风险决策—风险洞察”的智能决策分析，专注为金融风控领域提供高效、灵活、便捷的风险决策引擎和分析工具，致力于让风控决策更智能。

与上述实施例相对应的，本发明实施例3还提供了一种风险分析决策系统，具体如图7所示，该系统包括：处理器301、存储器302和显示器303；

存储器302用于存储一个或多个程序指令；

处理器301，用于运行一个或多个程序指令，用以执行如上实施例所介绍的一种风险分析决策方法中的任一方法步骤；

显示器303，用于将最终的决策结果展示给工作人员。

本发明实施例提供的一种风险分析决策系统，在获取与待测试用户相关的原始数据后，对原始数据进行处理获取征信变量，然后直接通过预构建的风险分析模型，对征信变量进行决策，获取决策结果，并展示给操作人员。以便操作人员可以确定当前待测试用户是否具有贷款权限，贷款额度等等一系列的决策结果。通过这种方式，操作人员无需自己再去重新制定、编写风险分析规则，而是通过线上选择风险分析规则即可。使得线上的“风控”更加简易，对于操作人员的技术要求大大降低的同时，避免了线下“风控”模式的弊端，提升审批效率以及准确率。

此外，还包括如下优点：系统解耦，减轻系统业务压力；由风控人员操作，提升规则变更需求的响应效率；通过可视化界面统一管理多产品线风控策略，便于积累风控资产；可预置专家模型，解决业务冷启动问题。

秉承“以风控人员为中心”的设计理念，一站式实现“变量准备—风险决策—风险洞察”的智能决策分析，专注为金融风控领域提供高效、灵活、便捷的风险决策引擎和分析工具，致力于让风控决策更智能。

与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种风险分析决策系统执行如上所介绍的一种风险分析决策方法。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种风险分析决策方法，其特征在于，所述方法包括：

获取与待测试用户相关的原始数据；

对所述原始数据进行处理，获取征信变量；

利用预构建的风险分析模型，对所述征信变量进行决策，获取最终的决策结果，并展示给操作人员。

2.根据权利要求1所述的方法，其特征在于，所述获取与待测试用户相关的原始数据，具体包括：

通过自有数据源、第三方数据源，和/或通过业务平台获取与待测试用户相关的原始数据。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述原始数据进行处理具体包括：

从预构建的数据库中匹配与所述原始数据对应数据处理流程；

按照所述数据流程中的执行步骤，对所述原始数据进行处理，获取征信变量。

4.根据权利要求3所述的方法，其特征在于，所述数据处理流程中包括至少一个数据处理节点，每一个数据处理节点执行操作的步骤包括：对所述原始数据进行预处理后，按照预设处理方法对经过预处理后的数据进行变量计算处理，获取计算变量；当所述数据处理节点并非为数据处理流程中最后一个数据处理节点时，执行所述数据处理节点获取的计算变量将被其他数据处理节点使用；当所述数据处理节点为所述数据流程中最后的数据处理节点时，所述计算变量为征信变量。

5.根据权利要求1、2或4任一项所述的方法，其特征在于，所述利用预构建的风险分析模型，对所述征信变量进行决策，获取最终的决策结果，并展示给所述操作人员之前，所述方法还包括：

构建风险分析模型，其中，构建风险分析模型时，包括配置自定义数据、非自定义数据、数据调取参数、至少一条风险分析规则、评分卡模型以及包函数，当所述风险分析规则包括至少两条时，构成风险分析规则集。

6.根据权利要求1、2或4任一项所述的方法，其特征在于，所述利用预构建的风险分析模型，对所述征信变量进行决策，获取最终的决策结果，具体包括：

提取第一决策环节所对应的征信变量；

利用与第一决策环节对应的预构建的风险分析模型，对与所述第一决策环节对应的征信变量进行决策，获取第一决策结果；

并根据第一决策结果，确定是否执行后续决策环节；

若当根据第一决策结果，确定停止执行后续决策环节时，确定所述第一决策结果为最终的决策结果；

或者，若当根据第一决策结果，确定执行后续决策环节时，继续执行后续决策环节，并将最后执行的决策环节的决策结果作为最终的决策结果，其中，所述第一决策环节为风险分析流程中的任一个决策环节。

7.根据权利要求1、2或4任一项所述的方法，其特征在于，所述预构建的风险分析模型包括如下中的一种或多种：评分卡模型、决策分析模型或者机器学习模型。

8.根据权利要求7所述的方法，其特征在于，当所述预构建的风险分析模型包括至少两种时，所述利用预构建的风险分析模型，对所述征信变量进行决策，获取最终的决策结果，具体包括：

分别按照每一种预构建的风险分析模型对所述征信变量进行决策，获取至少两种决策结果；

并从所述至少两种决策结果中，选取最优的决策结果作为最终的决策结果。

9.一种风险分析决策系统，其特征在于，所述系统包括：处理器、存储器和显示器；

所述存储器用于存储一个或多个程序指令；

所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-4任一项所述的方法；

所述显示器，用于将最终的决策结果展示给工作人员。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种风险分析决策系统执行如权利要求1-8任一项所述的方法。