CN110689311A - 一种用户分群方法、系统、设备及计算机可读存储介质 - Google Patents
一种用户分群方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110689311A CN110689311A CN201810738511.1A CN201810738511A CN110689311A CN 110689311 A CN110689311 A CN 110689311A CN 201810738511 A CN201810738511 A CN 201810738511A CN 110689311 A CN110689311 A CN 110689311A
- Authority
- CN
- China
- Prior art keywords
- classification
- user
- value
- variable
- condition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种用户分群方法、系统、设备及计算机可读存储介质,其中该方法包括:获取用户的用户画像数据及用户逾期还款天数;获取预先设定的分类条件;基于用户的用户画像数据及用户逾期还款天数确定所满足的分类条件,并将用户标记为与所满足的分类条件对应的用户类群。本申请公开的一种用户分群方法借助用户画像数据、用户逾期还款天数及分类条件来对用户进行分类,由于用户画像数据中包含的用户信息的多样性,与现有技术相比,本申请公开的一种用户分群方法对用户分群的分群准确性高。本申请公开的一种用户分群系统、设备及计算机可读存储介质也解决了相应技术问题。
Description
技术领域
本申请涉及金融技术领域,更具体地说,涉及一种用户分群方法、系统、设备及计算机可读存储介质。
背景技术
随着普惠金融的发展,大众对普惠金融的应用越加广泛,但普惠金融面对的用户群体的违约率成为制约金融机构普惠过程中必须跨越的阻碍。如何有效的提高用户违约还款的成功率是一项惠及所有金融机构方法。
现有的一种违约催收方式是:根据用户的逾期还款天数将用户分为四类,并根据分类结果确定催收方式,具体为如果用户的逾期还款天数在30天以内,则采用短信提醒用户还款;如果用户的逾期还款天数在30天至60天之间,则采用电话提醒用户还款;如果用户的逾期还款天数在60天至90天之内,则采用法律文件提醒用户还款;如果用户的逾期还款天数在90天以上,则采用人员外访方式提醒用户还款。
然而,现有的一种违约催收方式只能根据用户的逾期还款天数被动的对用户进行分群,分群准确性较低。
综上所述,如何提高对用户进行分群的分群准确性是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种用户分群方法,其能在一定程度上解决如何提高对用户进行分群的分群准确性的技术问题。本申请还提供了一种用户分群系统、设备及计算机可读存储介质。
为了实现上述目的,本申请提供如下技术方案:
一种用户分群方法,包括:
获取用户的用户画像数据及用户逾期还款天数;
获取预先设定的分类条件;
基于用户的所述用户画像数据及所述用户逾期还款天数确定所满足的分类条件,并将用户标记为与所述所满足的分类条件对应的用户类群。
优选的,所述分类条件包括多个分类条件,其中,所述多个分类条件说明用户违约还款的程度不同;
每一所述预设的分类条件包括逾期还款天数的核准条件和分类变量的核准条件;
其中:
所述基于所述用户画像数据及所述用户逾期还款天数确定所满足的分类条件,包括:
从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类至
将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所述所满足的所述分类条件。
优选的,所述从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值包括:
从所述用户画像数据中提取与每一所述分类条件对应的分类变量的核准条件对应的分类变量值,并基于所述每一所述分类条件对应的所述分类变量值计算所述分类条件对应的所述分类值;
所述将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,包括:
判断所述每一所述分类条件对应的分类值是否满足所述每一个分类条件中的分类变量的核准条件,且判断所述用户逾期还款天数是否满足所述每一个分类条件中的逾期还款天数的核准条件;
若判断出所述分类值和所述用户逾期还款天数分别满足同一个所述分类条件中的分类变量的核准条件和分类变量的逾期还款天数的核准条件,则将用户标记为满足分类变量的核准条件和逾期还款天数的核准条件的分类条件对应的用户类群。
优选的,将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所述所满足的所述分类条件包括:
先基于所述用户逾期还款天数确定所满足的分类变量的逾期还款天数对应的所述分类条件;
根据所述对应的分类条件获取相应分类条件的分类值;
判断每一所述相应分类条件的分类值是否满足所述每一相应分类条件的分类变量的核准条件;
将与分类值匹配的所述分类变量的核准条件对应的所述分类条件确定为所述所满足的分类条件。
优选的,对所述多个分类条件进行先后匹配;
确定出所述所满足的分类条件时匹配结束。
优选的,在所述每一分类条件中所述分类变量的核准条件对应的分类变量值为两个以上时,所述分类变量值之间无相关性。
优选的,所述从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值,包括:
从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量本身的值,确定所述分类变量本身的值经对应的概率计算公式运算后的运算结果为所述分类变量值,确定所述分类变量值的方差为所述分类值;
和/或从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量本身的值,确定所述分类变量本身的值为所述分类变量值,确定值最大的所述分类变量值为所述分类值;
和/或从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量本身的值,确定所述分类变量本身的值为所述分类变量值,确定所述分类变量值为所述分类值。
优选的,所述多个分类条件包括:预警分类条件、特催分类条件、停催分类条件、欺诈分类条件、信用分类条件、蓄意分类条件以及委外分类条件中的三个及三个以上;
其中,所述预警分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数小于0;所述预警分类条件的分类变量的核准条件包括:预警分类值在第一阈值内,所述预警分类值为预警分类变量值的方差,所述预警分类变量值为预警分类变量本身的值或所述预警分类变量本身的值经对应的概率计算公式运算后的运算结果,所述预警分类变量包括用户画像数据中的信用机构公告次数、媒体事件次数、收入变更比率;
所述特催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述特催分类条件的分类变量的核准条件包括:特催分类值大于等于第一预设值,所述特催分类值为特催分类变量值,所述特催分类变量值为特催分类变量本身的值或所述特催分类变量本身的值经对应的概率计算公式运算后的运算结果,所述特催分类变量为用户满足所述预警分类条件的次数;
所述停催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述停催分类条件的分类变量的核准条件包括:停催分类值在第二阈值内,所述停催分类值为停催分类变量值中的最大值,所述停催分类变量值为停催分类变量本身的值或所述停催分类变量本身的值经对应的概率计算公式运算后的运算结果,所述停催分类变量包括所述用户画像数据中的用户否认贷款次数、用户失踪确认次数;
所述欺诈分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述欺诈分类变条件的分类变量的核准条件包括:欺诈分类值在第三阈值内,所述欺诈分类值为欺诈分类变量值的方差,所述欺诈分类变量值为欺诈分类变量本身的值或所述欺诈分类变量本身的值经对应的概率计算公式运算后的运算结果,所述欺诈分类变量包括所述用户满足所述预警分类条件的次数、所述用户画像数据中的用户金融机构贷款金额、用户满足所述特催条件变量的次数;
所述信用分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于0小于等于90;所述信用分类条件的分类变量的核准条件包括:信用分类值在第四阈值内,所述信用分类值为信用分类变量值的方差,所述信用分类值为信用分类变量本身的值或所述信用分类变量本身的值经对应的概率计算公式运算后的运算结果,所述信用分类变量包括所述用户画像数据中的还款期次、用户满足所述预警分类条件的次数、用户承诺还款次数;
所述蓄意分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述蓄意分类条件的分类变量的核准条件包括:蓄意分类值在第五阈值内,所述蓄意分类值为蓄意分类变量值的方差,所述蓄意分类变量值为蓄意分类变量本身的值或所述蓄意分类变量本身的值经对应的概率计算公式运算后的运算结果,所述蓄意分类变量包括:所述用户画像数据中的还款期次、用户失联次数、用户资产增减率、用户月平均还款日期与当期差值;
所述委外分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于90;所述委外分类条件的分类变量的核准条件包括:委外分类值大于第二预设值,所述委外分类值为委外分类变量值,所述委外分类变量值为委外分类变量本身的值,所述委外分类变量为用户满足所述蓄意分类条件的次数。
优选的,所述并将用户标记为与所述分类条件对应的用户类群之后,还包括:
确定所述用户类群对应的提醒方式。
一种用户分群系统,包括:
第一获取模块,用于获取用户的用户画像数据及用户逾期还款天数;
第二获取模块,用于获取预先设定的分类条件;
分类模块,用于基于用户的所述用户画像数据及所述逾期还款天数确定所满足的分类条件,并将用户标记为与所述所满足的分类条件对应的用户类群。
优选的,所述分类条件包括多个分类条件,其中,所述多个分类条件说明用户违约还款的程度不同;
每一所述预设的分类条件包括逾期还款天数的核准条件和分类变量的核准条件;
其中:
所述分类模块包括:
第一分类单元,用于从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值;将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所述所满足的所述分类条件。
优选的,在所述每一分类条件中所述分类变量的核准条件对应的分类变量值为两个以上时,所述分类变量值之间无相关性。
一种用户分群设备,包括:
存储器,用于存储计算机指令;
处理器,用于执行所述计算机指令时实现如上任一所述的用户分群方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机指令,所述计算机指令被处理器执行时实现如上任一所述的用户分群方法的步骤。
本申请提供的一种用户分群方法,获取用户的用户画像数据及用户逾期还款天数;获取预先设定的分类条件;基于用户的用户画像数据及用户逾期还款天数确定所满足的分类条件,并用户标记为与所满足的分类条件对应的用户类群。本申请提供的一种用户分群方法借助用户画像数据、用户逾期还款天数及分类条件来对用户进行分类,由于用户画像数据中包含的用户信息的多样性,与现有技术相比,本申请提供的一种用户分群方法对用户分群的分群准确性高。本申请提供的一种用户分群系统、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请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申请的实施例,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为本申请实施例提供的一种用户分群方法的第一流程图;
图2为本申请实施例提供的一种用户分群方法的第二流程图;
图3为本申请实施例提供的一种用户分群方法的第三流程图;
图4为本申请实施例提供的一种用户分群系统的结构示意图;
图5为本申请实施例提供的一种用户分群设备的结构示意图;
图6为本申请实施例提供的一种用户分群设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
现有的一种违约催收方式是:如果用户的逾期还款天数在30天以内,则采用短信提醒用户还款;如果用户的逾期还款天数在30天至60天之间,则采用电话提醒用户还款;如果用户的逾期还款天数在60天至90天之内,则采用法律文件提醒用户还款;如果用户的逾期还款天数在90天以上,则采用人员外访方式提醒用户还款。然而,现有的一种违约催收方式只能根据用户的逾期还款天数被动的决定对用户的违约提醒方式,提醒准确率低。而本申请提供的一种用户分群方法借助用户画像数据、逾期还款天数及分类条件来对用户进行分类,由于用户画像数据中包含的用户信息的多样性,与现有技术相比,本申请提供的一种用户分群方法对用户分群的分群准确性高。
请参阅图1,图1为本申请实施例提供的一种用户分群方法的第一流程图。
本申请实施例提供的一种用户分群方法,可以包括如下步骤:
步骤S101:获取用户的用户画像数据及用户逾期还款天数。
实际应用中,可以以天为单位获取用户的用户画像数据及用户逾期还款天数,此时,后续的步骤也是按天为单位执行的,也即以天为单位实施本申请提供的一种用户分群方法,当然,具体应用场景中,可以按照其他时间频率实施本申请提供的一种用户分群方法。本申请实施例所描述的用户逾期还款天数指的是用户超过规定的还款日期的天数,假设用户规定的还款日期为2018年5月4日,而用户并未在2018年5月4日完成还款操作,且当前日期为2018年5月24日,则该用户的逾期还款天数为20天。
本申请实施例所描述的用户画像又称用户角色,是一种勾画目标用户、联系用户诉求与设计方向的有效工具,实际应用中,可以将用户的属性、行为、照片等联结起来构成用户画像。由于用户的用户逾期还款天数是随着时间变化而变化的,且变化频率较快,所以可以将用户逾期还款天数作为独立于用户画像数据之外的一个变量,此时,用户画像数据中不包括用户逾期还款天数,可以避免频繁的对用户画像数据进行更新;当然,也可以将用户逾期还款天数作为用户画像数据中的一个变量,本申请在此不做具体限定。
具体应用场景中,一个用户可能存在多类贷款,比如房贷、车贷等,此时,可以应用本申请提供的一种用户分群方法,根据用户的每类贷款的用户逾期还款天数及用户画像数据,得到每类贷款下用户所属的用户类群,相应的,按照该类贷款下用户所属的用户类群对应的提醒方式提醒用户还贷款,比如,应用本申请提供的一种用户分群方法,根据用户的车贷对应的用户逾期还款天数及用户画像数据,得到车贷情况下用户所属的用户类群;此外,一个用户的各类贷款间存在相关性,仍以用户的贷款为车贷和房贷为例,如果用户选择还车贷,则用户还房贷的能力相应变弱,为了更好的对用户分群,可以综合考虑用户的各类贷款情况来对用户进行分群,比如可以将用户的车贷对应的用户逾期还款天数与用户的房贷对应的用户逾期还款天数中的最大值作为用户的用户逾期还款天数,然后应用本申请提供的用户分群方法得到用户所属的用户类群,之后按照用户所属的用户类群对应的提醒方式来提醒用户还车贷和房贷,当然,也可以有其他实施方式,本申请在此不做具体限定。
本申请实施例所描述的用户画像数据包括:用户的个人信息、信用信息、社会特征信息、消费特征信息、兴趣特征信息、交际信息以及贷款信息。个人信息可以包括:用户的基本信息,如姓名、性别、身份证号、出生日期、政治面貌、民族、婚姻状况、籍贯、户口所在地、手机号、通信地址、邮政编码;用户的教育信息,如毕业时间、学历、学位、毕业院校、学制、专业、专业类别、专业名称、毕业证书编号、学位证书编号;用户的职业信息,如入职日期、单位名称、单位类型、单位地址、担任职务、工作年限。信用信息可以包括:用户的工资收入、其他收入、资产负债、信用评分、履约记录、个人征信、社保记录、公积金记录。社会特征信息可以包括:社交图谱、家庭成员、家庭状况、朋友圈等。消费特征可以包括:是否有车、是否有房、购物类型、购买周期、品牌偏好、商品价位。兴趣特征信息可以包括:旅游、游戏、影音、阅读、购物逛街、运动、摄影、宠物、美食厨艺等。交际信息可以包括:与他人的交互频率、言论程度、关注类型。贷款信息可以包括:合同金额、还款历史、逾期历史、催收历史、逾期天数。用户画像的具体内容可以根据实际需要灵活确定。
步骤S102:获取预先设定的分类条件。
本申请实施例所描述的分类条件为与用户画像数据及用户逾期还款天数相关的条件,其具体内容及形式可以根据实际需要确定。此外,还可以根据用户画像数据中的相关变量及无相关变量来确定分类条件等,也即在每一分类条件中的分类变量的核准条件对应的分类变量值为两个以上时,设置分类条件中的任意两个分类变量值间均无相关性,这里所描述的相关性指的是相互之间没有因果影响关系,没有依存关系;这里所描述的分类变量指的是分类条件中用于区分用户类群时所应用的变量,分类变量的类型属于用户画像数据中的变量类型。具体应用场景中,分类条件可以为用户逾期还款天数在预设范围内,且分类条件中的分类变量对应的方差在预设阈值内和/或分类变量的最大值在预设范围内。分类变量对应的方差包括各个分类变量经各自对应的概率计算公式运算后的运算结果的方差。
步骤S103:基于用户的用户画像数据及用户逾期还款天数确定所满足的分类条件,并将用户标记为与所满足的分类条件对应的用户类群。
可选的,分类条件可以包括多个分类条件,多个分类条件说明用户违约还款的程度不同;相应的,步骤S103可以具体为:将用户画像数据和用户逾期还款天数,分别与每一个分类条件进行匹配。在匹配时,可以随机将用户画像和逾期还款天数,分别与每一个分类条件进行匹配;也可以是按照违约还款程度由轻到重的顺序将用户画像和逾期还款天数,分别与每一个分类条件进行匹配;还可以是按照违约还款程度由重到轻的顺序将用户画像和逾期还款天数,分别与每一个分类条件进行匹配;此外,在各个分类变量间存在相关性时,以基础分类条件A和延伸分类条件B为例,延伸分类条件B需要借助基础分类条件A来实施,此时,可以先将用户画像和逾期还款天数,分别与基础分类条件A进行匹配,然后再将用户画像和逾期还款天数,分别与延伸分类条件B进行匹配;当然,具体的匹配方式可以根据实际需要灵活确定。
可选的,每一个分类条件均包括:逾期还款天数的核准条件和分类变量的核准条件,且每一个分类条件中的逾期还款天数的核准条件和分类变量的核准条件用于说明用户违约还款的程度,相应的,步骤S103可以具体为:从用户画像数据中提取与分类变量的核准条件对应的分类变量值,并基于分类变量值计算分类值;将分类值和用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所满足的分类条件。可选的,分类值可以为分类变量值的方差或分类变量值本身或分类变量值的期望或分类变量值中的最大值等;分类变量值可以为分类变量本身的值,也可以为分类变量本身的值经对应的概率计算公式运算后的运算结果,概率计算公式可以根据实际需要灵活确定;相应的,从用户画像数据中提取与分类变量的核准条件对应的分类变量值,并基于分类变量值计算分类值,可以具体为:从用户画像数据中提取与分类变量的核准条件对应的分类变量本身的值,确定分类变量本身的值经对应的概率计算公式运算后的运算结果为分类变量值,确定分类变量值的方差为分类值;和/或从用户画像数据中提取与分类变量的核准条件对应的分类变量本身的值,确定分类变量本身的值为分类变量值,确定值最大的分类变量值为分类值;和/或从用户画像数据中提取与分类变量的核准条件对应的分类变量本身的值,确定分类变量本身的值为分类变量值,确定分类变量值为分类值。
可选的,从用户画像数据中提取与分类变量的核准条件对应的分类变量值,并基于分类变量值计算分类值可以具体为:从用户画像数据中提取与每一分类条件对应的分类变量的核准条件对应的分类变量值,并基于每一分类条件对应的分类变量值计算分类条件对应的分类值。相应的,将分类值和用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,可以具体为:判断每一分类条件对应的分类值是否满足每一个分类条件中的分类变量的核准条件,且判断用户逾期还款天数是否满足每一个分类条件中的逾期还款天数的核准条件。
若判断出分类值和用户逾期还款天数分别满足同一个分类条件中的分类变量的核准条件和分类变量的逾期还款天数的核准条件,则将用户标记为满足分类变量的核准条件和逾期还款天数的核准条件的分类条件对应的用户类群。
实际应用中,在分类条件为多个的情况下,在将分类值和用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所满足的分类条件时,可以将分类值和用户逾期还款天数与每一个分类条件进行匹配;也可以是在判断满足逾期还款天数的核准条件后,再对满足逾期还款天数的核准条件对应的分类条件进行匹配;还可以是当顺次与其中一个分类条件匹配时,便不再与后续分类条件进行匹配。具体的匹配过程可以根据实际需要确定。
相应的,将分类值和用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所满足的分类条件,可以具体为:先基于用户逾期还款天数确定所满足的分类变量的逾期还款天数对应的分类条件;根据对应的分类条件获取相应分类条件的分类值;判断每一相应分类条件的分类值是否满足每一相应分类条件的分类变量的核准条件;将与分类值匹配的分类变量的核准条件对应的分类条件确定为所满足的分类条件。还可以具体为:对多个分类条件进行先后匹配,确定出所满足的分类条件时匹配结束。
本申请提供的一种用户分群方法,获取用户的用户画像数据及用户逾期还款天数;获取预先设定的分类条件;基于用户的用户画像数据及用户逾期还款天数确定所满足的分类条件,并将用户标记为与所满足的分类条件对应的用户类群。本申请提供的一种用户分群方法借助用户画像数据、用户逾期还款天数及分类条件来对用户进行分类,由于用户画像数据中包含的用户信息的多样性,与现有技术相比,本申请提供的一种用户分群方法对用户分群的分群准确性高。
请参阅图2,图2为本申请实施例提供的一种用户分群方法的第二流程图。
实际应用中,为了兼顾对用户进行分群的分群效率及分群准确性,本申请实施例提供的一种用户分群方法中,多个分类条件包括:预警分类条件、特催分类条件、停催分类条件、欺诈分类条件、信用分类条件、蓄意分类条件以及委外分类条件中的三个或三个以上。本实施例中,采用的是对多个分类条件进行先后匹配,确定出所满足的分类条件时匹配结束的方式。显而易见,也可以采用实施方式一中提到的其他匹配方式。基于此,用户分群方法包括:
步骤S201:获取用户的用户画像数据及用户逾期还款天数。
步骤S202:获取预先设定的多个分类条件;
其中,预警分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数小于0;预警分类条件的分类变量的核准条件包括:预警分类值在第一阈值内,预警分类值为预警分类变量值的方差,预警分类变量值为预警分类变量本身的值经对应的概率计算公式运算后的运算结果,预警分类变量包括用户画像数据中的信用机构公告次数、媒体事件次数、收入变更比率、通缉、立案天数、病危次数、资产增减率、平均月还款日期与当期差值、本月贷款申请次数、本月信用查询次数、本月消费金额、本月消费最大金额类型等;
特催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;特催分类条件的分类变量的核准条件包括:特催分类值大于等于第一预设值,特催分类值为特催分类变量值,特催分类变量值为特催分类变量本身的值,特催分类变量为用户满足预警分类条件的次数;
停催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;停催分类条件的分类变量的核准条件包括:停催分类值在第二阈值内,停催分类值为停催分类变量值中的最大值,停催分类变量值为停催分类变量本身的值,停催分类变量包括用户画像数据中的用户否认贷款次数、用户失踪确认次数、死亡确认次数、入狱确认次数、投诉确认次数、逃亡离境失联次数、刑事犯罪嫌疑失联次数等;
欺诈分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;欺诈分类变条件的分类变量的核准条件包括:欺诈分类值在第三阈值内,欺诈分类值为欺诈分类变量值的方差,欺诈分类变量值为欺诈分类变量本身的值经对应的概率计算公式运算后的运算结果,欺诈分类变量包括用户满足预警分类条件的次数、用户画像数据中的用户金融机构贷款金额、用户满足特催分类条件的次数、APP使用频率、APP使用时长、催收历史次数、还款期次等;
信用分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于0小于等于90;信用分类条件的分类变量的核准条件包括:信用分类值在第四阈值内,信用分类值为信用分类变量值的方差,信用分类值为信用分类变量本身的值经对应的概率计算公式运算后的运算结果,信用分类变量包括用户画像数据中的还款期次、用户满足预警分类条件的次数、用户承诺还款次数、催收历史次数、APP使用时长、平均还款时间、未履行承诺还款次数、申请延期次数、还款能力保险是否购买等;
蓄意分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;蓄意分类条件的分类变量的核准条件包括:蓄意分类值在第五阈值内,蓄意分类值为蓄意分类变量值的方差,蓄意分类变量值为蓄意分类变量本身的值经对应的概率计算公式运算后的运算结果,蓄意分类变量包括:用户画像数据中的还款期次、用户失联次数、用户资产增减率、用户月平均还款日期与当期差值、催收历史次数、APP使用时长、承诺还款次数、收入变更比率、本月贷款申请次数、本月信用查询次数、本月消费金额、本月消费最大金额类型等;
委外分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于90;委外分类条件的分类变量的核准条件包括:委外分类值大于第二预设值,委外分类值为委外分类变量值,委外分类变量值为委外分类变量本身的值,委外分类变量为用户满足蓄意分类条件的次数。
本申请所描述的预警分类条件、特催分类条件、停催分类条件、欺诈分类条件、信用分类条件、蓄意分类条件及委外分类条件,均是本申请的发明人针对实际应用中用户的违约情况所设定的分类条件,其涵盖了实际应用中用户可能出现的大多数违约情况,借助这7个分类条件可以在一定程度上准确地将用户分类。具体应用场景中,预警分类变量、特催分类变量、停催分类变量、欺诈分类变量、信用分类变量、蓄意分类变量及委外分类变量各自包含的具体变量值可以根据实际需要确定。分类值可以为分量变量值的方差,分类变量值可以为分类变量本身的值或分类变量本身的值经对应的概率计算公式运算后的运算结果,相应的,预警分类值为预警分类变量值的方差,预警分类变量值为预警分类变量本身的值经各自对应的概率计算公式运算后的运算结果,欺诈分类值为欺诈分类变量值的方差,欺诈分类变量值为欺诈分类变量本身的值经各自对应的概率计算公式运算后的运算结果,信用分类值为信用分类变量值的方差,信用分类变量值为信用分类变量本身的值经各自对应的概率计算公式运算后的运算结果,蓄意分类值为蓄意分类变量值的方差,蓄意分类变量值为蓄意分类变量本身的值经各自对应的概率计算公式运算后的运算结果的方差,可选的,各个分类变量对应的概率计算公式可以相同也可以不同,其可以根据实际需要确定。比如预警分类变量、特催分类变量、停催分类变量、欺诈分类变量、信用分类变量、蓄意分类变量及委外分类变量中所涉及的收入变更比率及还款能力保险是否购买对应的概率计算公式可以为:
预警分类变量、特催分类变量、停催分类变量、欺诈分类变量、信用分类变量、蓄意分类变量及委外分类变量中所涉及的除收入变更比率及还款能力保险是否购买之外的其他变量对应的概率计算公式可以为:
步骤S203:判断用户的用户画像数据及用户逾期还款天数是否满足预警分类条件,若满足预警分类条件,则执行步骤S204:将用户标记为预警用户,若不满足预警分类条件,则执行步骤S205:判断用户的用户画像数据及用户逾期还款天数是否满足特催分类条件。
在预警分类条件中的分类变量的核准条件为:预警分类值在第一阈值内,预警分类值为预警分类变量值的方差,预警分类变量值为预警分类变量本身的值经对应的概率计算公式运算后的运算结果时,且预警分类变量包括用户画像数据中的信用机构公告次数、媒体事件次数、收入变更比率、通缉、立案天数、病危次数、资产增减率、平均月还款日期与当期差值、本月贷款申请次数、本月信用查询次数、本月消费金额、本月消费最大金额类型等时,判断用户的用户画像数据是否满足预警分类条件中的预警分类变量的核准条件的过程可以具体为:分别计算用户画像数据中的信用机构公告次数、媒体事件次数、收入变更比率、通缉、立案天数、病危次数、资产增减率、平均月还款日期与当期差值、本月贷款申请次数、本月信用查询次数、本月消费金额及本月消费最大金额类型本身的值经各自的概率计算公式运算后的运算结果,此时,运算结果也即预警分类条件对应的分类变量值,各个预警分类变量对应的概率计算公式请参阅步骤S202及表2中的相关描述,表2中的概率计算公式也即分类变量值的计算公式,之后计算各个预警分类变量的运算结果的方差,也即预警分类值,判断方差值是否在第一阈值内,若是,则判定用户的用户画像数据满足预警分类变量的核准条件,若否,则判定用户的用户画像数据不满足预警分类变量的核准条件。请参阅表1,表1为实际应用中一个用户画像数据中预警分类变量的取值及各个变量经表2中相应的概率计算公式运算后的概率值。
表1
依据表1计算表1所代表的用户画像的期望的计算过程如下:
E(X)=(95%+99%+50%+0+70%+93%+64%+98%+98%+1%+1%)/11=60.81%;
相应的,表1所代表的用户画像的方差运算结果如下:D(X)=[(95%-60.81%)2+(99%-60.81%)2+(50%-60.81%)2+(0-60.81%)2+(70%-60.81%)2+(93%-60.81%)2+(64%-60.81%)2+(98%-60.81%)2+(98%-60.81%)2+(1%-60.81%)2+(1%-60.81%)2]/11=0.15473;也即预警分类值为0.15473。
假设该用户的用户逾期还款天数满足预警分类条件的逾期还款天数的核准条件,若预警用户的阀值为方差小于等于0.16,则该用户被分类为预警用户。
相应的,判断用户的用户画像数据是否满足特催分类条件中的特催分类变量的核准条件的过程可以具体为:累积用户满足预警分类条件的次数,用户满足预警分类条件的次数也即特催分类条件下的特催分类变量值,此时,特催分类变量值也即特催分类值,判断用户满足预警分类条件的次数是否大于等于第一预设值,若是,则判定满足特催分类变量的核准条件,若否,则判定不满足特催分类变量的核准条件。特催分类条件中的特催分类变量的具体类型可以参阅步骤S202及表3中的相应内容,表3中的变量中的预警标签次数也即特催分类变量值。
若满足特催分类条件,则执行步骤S206:将用户标记为特催用户,若不满足特催分类条件,则执行步骤S207:判断用户的用户画像数据及用户逾期还款天数是否满足停催分类条件。
停催分类条件中的停催分类变量的具体类型可以参阅步骤S202及表4中的相应内容,停催分类变量值为停催分类变量中的最大值,停催分类变量值为停催分类值,停催分类变量包括用户画像数据中的用户否认贷款次数、用户失踪确认次数、死亡确认次数、入狱确认次数、投诉确认次数、逃亡离境失联次数、刑事犯罪嫌疑失联次数等。相应的,判断用户的用户画像数据是否满足停催分类条件中的停催分类变量的核准条件的过程可以具体为:获取停催分类变量中的最大值,也即停催分类条件下的停催分类变量值,而停催分类变量值为停催分类值,所以,停催分类值便为停催分类变量中的最大值,判断该最大值是否在第二阈值内,若是,则判定用户的用户画像数据满足停催分类变量的核准条件,若否,则判定用户的用户画像数据不满足停催分类变量的核准条件。
若满足停催分类条件,则执行步骤S208:将用户标记为停催用户,若不满足停催分类条件,则执行步骤S209:判断用户的用户画像数据及用户逾期还款天数是否满足欺诈分类条件。
欺诈分类条件中的欺诈分类变量的具体类型及欺诈分类变量的概率计算公式可以参阅步骤S202及表5中的相应内容,欺诈分类值为欺诈分类变量值的方差,欺诈分类变量值为欺诈分类变量本身的值经概率计算公式运算后的运算结果,步骤S202及表5中的概率计算公式也即欺诈分类变量值的计算公式,欺诈分类变量包括用户满足预警分类条件的次数、用户画像数据中的用户金融机构贷款金额、用户满足特催分类条件的次数、APP使用频率、APP使用时长、催收历史次数、还款期次等。相应的,判断用户的用户画像数据是否满足欺诈分类条件中的欺诈分类变量的核准条件的过程可以具体为:分别计算用户画像数据中的用户金融机构贷款金额、用户满足特催分类条件的次数、APP使用频率、APP使用时长、催收历史次数及还款期次本身的值经各自的概率计算公式运算后的运算结果,也即计算得到欺诈分类变量值,之后计算各个欺诈变量的运算结果的方差,也即欺诈分类条件下的欺诈分类值,判断方差值是否在第三阈值内,若是,则判定用户的用户画像数据满足欺诈分类变量的核准条件,若否,则判定用户的用户画像数据不满足欺诈分类变量的核准条件。
若满足欺诈分类条件,则执行步骤S210:将用户标记为欺诈用户,若不满足欺诈分类条件,则执行步骤S211:判断用户的用户画像数据及用户逾期还款天数是否满足信用分类条件。
信用分类条件中的信用分类变量的具体类型及信用分类变量的概率计算公式可以参阅步骤S202及表6中的相应内容,信用分类值为信用分类变量值的方差,信用分类变量值为信用分类变量本身的值经对应的概率计算公式运算后的运算结果,步骤S202及表6中的概率计算公式也即信用分类变量值的计算公式,信用分类变量包括用户画像数据中的还款期次、用户满足预警分类条件的次数、用户承诺还款次数、催收历史次数、APP使用时长、平均还款时间、未履行承诺还款次数、申请延期次数、还款能力保险是否购买等。相应的,判断用户的用户画像数据是否满足信用分类条件中的信用分类变量的核准条件的过程可以具体为:分别计算用户画像数据中的还款期次、用户满足预警分类条件的次数、用户承诺还款次数、催收历史次数、APP使用时长、平均还款时间、未履行承诺还款次数、申请延期次数及还款能力保险是否购买本身的值经各自的概率计算公式运算后的运算结果,也即计算得到信用分类变量值,之后计算各个信用分类变量的运算结果的方差,也即信用分类条件下的信用分类值,判断方差值是否在第四阈值内,若是,则判定用户的用户画像数据满足信用分类变量的核准条件,若否,则判定用户的用户画像数据不满足信用分类变量的核准条件。
若满足信用分类条件,则执行步骤S212:将用户标记为信用用户,若不满足信用分类条件,则执行步骤S213:判断用户的用户画像数据及用户逾期还款天数是否满足蓄意分类条件。
蓄意分类条件中的蓄意分类变量的具体类型及蓄意分类变量的概率计算公式可以参阅步骤S202及表7中的相应内容,蓄意分类值为蓄意分类变量值的方差,蓄意分类变量值为蓄意分类变量本身的值经对应的概率计算公式运算后的运算结果,步骤S202及表7中的概率计算公式也即蓄意分类变量值的计算公式,蓄意分类变量包括:用户画像数据中的还款期次、用户失联次数、用户资产增减率、用户月平均还款日期与当期差值、催收历史次数、APP使用时长、承诺还款次数、收入变更比率、本月贷款申请次数、本月信用查询次数、本月消费金额、本月消费最大金额类型等。相应的,判断用户的用户画像数据是否满足蓄意分类条件中的蓄意分类变量的核准条件的过程可以具体为:分别计算用户画像数据中的还款期次、用户失联次数、用户资产增减率、用户月平均还款日期与当期差值、催收历史次数、APP使用时长、承诺还款次数、收入变更比率、本月贷款申请次数、本月信用查询次数、本月消费金额、本月消费最大金额类型等本身的值经各自的概率计算公式运算后的运算结果,也即计算得到蓄意分类变量值,之后计算各个蓄意分类变量的运算结果的方差,也即蓄意分类条件下的蓄意分类值,判断方差值是否在第五阈值内,若是,则判定用户的用户画像数据满足蓄意分类变量的核准条件,若否,则判定用户的用户画像数据不满足蓄意分类变量的核准条件。
若满足蓄意分类条件,则执行步骤S214:将用户标记为蓄意用户,若不满足蓄意分类条件,则执行步骤S215:判断用户的用户画像数据及用户逾期还款天数是否满足委外分类条件。
委外分类条件中的委外分类变量的具体类型可以参阅步骤S202及表8中的相应内容,委外分类值大于等于第二预设值,委外分类值为委外分类变量值,委外分类变量值为委外分类变量本身的值,表8中的变量中的蓄意标签次数也即委外分类变量,相应的,判断用户的用户画像数据是否满足委外分类条件中的委外分类变量的核准条件的过程可以具体为:累积用户满足蓄意分类条件的次数,也即委外分类变量值,而委外分类变量值即为委外变量值,也即得到了委外分类条件下的分类值,判断用户满足蓄意分类条件的次数是否大于等于第二预设值,若是,则判定满足委外分类变量的核准条件,若否,则判定不满足委外分类变量的核准条件。
若满足委外分类条件,则执行步骤S216:将用户标记为委外用户,若不满足委外分类条件,则执行步骤S217:将用户标记为正常用户。
第二流程图所示的用户分群方法中各个分类条件的先后顺序可以根据实际需要灵活确定,本申请在此不做具体限定。
各个分类条件中变量的具体类型、取值范围及其对应的概率计算公式可以参阅表2至表8,表2为预警变量的相关信息,表3为特催变量的相关信息,表4为停催变量的相关信息,表5为欺诈变量的相关信息,表6为信用变量的相关信息,表7为蓄意变量的相关信息,表8为委外变量的相关信息。其中,概率计算公式中的θ表示服从指数分布变量x的参数,其为一固定值。
表2
表3
表4
表5
表6
表7
表8
具体应用场景中,各个变量的概率计算公式可以相同也可以不同,其可以根据实际需要确定。
请参阅图3,图3为本申请实施例提供的一种用户分群方法的第三流程图。
实际应用中,为了提高用户的还款成功率,本申请实施例提供的一种用户分群方法,具体可以包括:
步骤S301:获取用户的用户画像数据及用户逾期还款天数。
步骤S302:获取预先设定的分类条件。
步骤S303:基于用户的用户画像数据及逾期还款天数确定所满足的分类条件,并将用户标记为与所满足的分类条件对应的用户类群。
步骤S304:确定用户类群对应的提醒方式。
其中,根据确定的提醒方式进行提醒用户还贷款。具体应用场景中,对于预警用户,可以确定不采用任何提醒方式,也可以确定采用提示短信等提示预警用户注意还款;对于特催用户,可以确定采用预先设定的特催方式进行提醒,比如以一天三个电话的提醒方式提醒特催用户等;对于停催用户,则确定不采取任何提醒方式提醒;对于欺诈用户,可以确定采取法律文件提醒方式进行提醒;对于信用用户,可以确定采取电话提醒、短信提醒等提醒方式进行提醒;对于蓄意用户,可以确定采用工作人员上门提醒方式进行提醒;对于委外用户,可以确定采用委托其他机构进行提醒等。其中,所述确定用户类群对应的提醒方式具体可以为对应所分用户类群标注提醒方式,以备后续以电子方式、电话方式或人工方式进行提醒用户还贷。各个用户类群对应的提醒方式可以根据实际需要灵活确定,本申请在此不作具体限定。
本申请还提供了一种用户分群系统,其具有本申请实施例提供的一种用户分群方法具有的对应效果。请参阅图4,图4为本申请实施例提供的一种用户分群系统的结构示意图。
本申请实施例提供的一种用户分群系统,可以包括:
第一获取模块101,用于获取用户的用户画像数据及用户逾期还款天数;
第二获取模块102,用于获取预先设定的分类条件;
分类模块103,用于基于用户的用户画像数据及用户逾期还款天数确定满足的分类条件,并将用户标记为与所满足的分类条件对应的用户类群。
本申请实施例提供的一种用户分群系统中,分类条件包括多个分类条件,其中,多个分类条件说明用户违约还款的程度不同;
每一预设的分类条件包括逾期还款天数的核准条件和分类变量的核准条件;
其中:
分类模块包括:
第一分类单元,用于从用户画像数据中提取与分类变量的核准条件对应的分类变量值,并基于分类变量值计算分类值;将分类值和用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所满足的分类条件。
本申请实施例提供的一种用户分群系统中,第一分类单元可以包括:
第一分类子单元,用于从用户画像数据中提取与每一分类条件对应的分类变量的核准条件对应的分类变量值,并基于每一分类条件对应的分类变量值计算分类条件对应的分类值;
第二分类子单元,用于判断每一分类条件对应的分类值是否满足每一个分类条件中的分类变量的核准条件,且判断用户逾期还款天数是否满足每一个分类条件中的逾期还款天数的核准条件;
若判断出分类值和用户逾期还款天数分别满足同一个分类条件中的分类变量的核准条件和分类变量的逾期还款天数的核准条件,则将用户标记为满足分类变量的核准条件和逾期还款天数的核准条件的分类条件对应的用户类群。
本申请实施例提供的一种用户分群系统中,第一分类单元可以包括:
第三分类子单元,用于先基于用户逾期还款天数确定所满足的分类变量的逾期还款天数对应的分类条件;根据对应的分类条件获取相应分类条件的分类值;判断每一相应分类条件的分类值是否满足每一相应分类条件的分类变量的核准条件;将与分类值匹配的分类变量的核准条件对应的分类条件确定为所满足的分类条件。
本申请实施例提供的一种用户分群系统中,第一分类单元可以包括:
第四分类子单元,用于对多个分类条件进行先后匹配;确定出所满足的分类条件时匹配结束。
本申请实施例提供的一种用户分群系统中,在每一分类条件中分类变量的核准条件对应的分类变量值为两个以上时,分类变量值之间无相关性。
本申请实施例提供的一种用户分群系统中,多个分类条件包括:预警分类条件、特催分类条件、停催分类条件、欺诈分类条件、信用分类条件、蓄意分类条件以及委外分类条件中的三个及三个以上;
其中,预警分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数小于0;预警分类条件的分类变量的核准条件包括:预警分类值在第一阈值内,预警分类值为预警分类变量值的方差,预警分类变量值为预警分类变量本身的值或预警分类变量本身的值经对应的概率计算公式运算后的运算结果,预警分类变量包括用户画像数据中的信用机构公告次数、媒体事件次数、收入变更比率;
特催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;特催分类条件的分类变量的核准条件包括:特催分类值大于等于第一预设值,特催分类值为特催分类变量值,特催分类变量值为特催分类变量本身的值或特催分类变量本身的值经对应的概率计算公式运算后的运算结果,特催分类变量为用户满足预警分类条件的次数;
停催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;停催分类条件的分类变量的核准条件包括:停催分类值在第二阈值内,停催分类值为停催分类变量值中的最大值,停催分类变量值为停催分类变量本身的值或停催分类变量本身的值经对应的概率计算公式运算后的运算结果,停催分类变量包括用户画像数据中的用户否认贷款次数、用户失踪确认次数;
欺诈分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;欺诈分类变条件的分类变量的核准条件包括:欺诈分类值在第三阈值内,欺诈分类值为欺诈分类变量值的方差,欺诈分类变量值为欺诈分类变量本身的值或欺诈分类变量本身的值经对应的概率计算公式运算后的运算结果,欺诈分类变量包括用户满足预警分类条件的次数、用户画像数据中的用户金融机构贷款金额、用户满足特催条件变量的次数;
信用分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于0小于等于90;信用分类条件的分类变量的核准条件包括:信用分类值在第四阈值内,信用分类值为信用分类变量值的方差,信用分类值为信用分类变量本身的值或信用分类变量本身的值经对应的概率计算公式运算后的运算结果,信用分类变量包括用户画像数据中的还款期次、用户满足预警分类条件的次数、用户承诺还款次数;
蓄意分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;蓄意分类条件的分类变量的核准条件包括:蓄意分类值在第五阈值内,蓄意分类值为蓄意分类变量值的方差,蓄意分类变量值为蓄意分类变量本身的值或蓄意分类变量本身的值经对应的概率计算公式运算后的运算结果,蓄意分类变量包括:用户画像数据中的还款期次、用户失联次数、用户资产增减率、用户月平均还款日期与当期差值;
委外分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于90;委外分类条件的分类变量的核准条件包括:委外分类值大于第二预设值,委外分类值为委外分类变量值,委外分类变量值为委外分类变量本身的值,委外分类变量为用户满足蓄意分类条件的次数。
本申请实施例提供的一种用户分群系统中,第一分类单元可以包括:
第五分类子单元,用于从用户画像数据中提取与分类变量的核准条件对应的分类变量本身的值,确定分类变量本身的值经对应的概率计算公式运算后的运算结果为分类变量值,确定分类变量值的方差为分类值;和/或从用户画像数据中提取与分类变量的核准条件对应的分类变量本身的值,确定分类变量本身的值为分类变量值,确定值最大的分类变量值为分类值;和/或从用户画像数据中提取与分类变量的核准条件对应的分类变量本身的值,确定分类变量本身的值为分类变量值,确定分类变量值为分类值。
本申请实施例提供的一种用户分群系统中,还包括:
提醒模块,用于分类模块将用户标记为与分类条件对应的用户类群之后,确定用户类群对应的提醒方式。其中,根据确定的提醒方式进行提醒用户还贷款。
本申请还提供了一种用户分群设备及计算机可读存储介质,其均具有本申请实施例提供的一种用户分群方法具有的对应效果。请参阅图5,图5为本申请实施例提供的一种用户分群设备的结构示意图。
本申请实施例提供的一种用户分群设备,可以包括存储器201及处理器202,存储器201中存储有计算机指令,处理器202执行存储器201中存储的计算机指令时实现本发明上述所述的任一用户分群方法的步骤。
请参阅图6,本申请实施例提供的另一种用户分群设备中还可以包括:与处理器202连接的输入端口203,用于传输外界输入的命令至处理器202;与处理器202连接的显示单元204,用于显示处理器202的处理结果至外界;与处理器202连接的通信模块205,用于实现用户分群设备与外界的通信。显示单元202可以为显示面板、激光扫描使显示器等;通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接:无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机指令,计算机指令被处理器执行时实现本发明上述所述的任一用户分群方法的步骤。
本申请实施例所描述的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的一种用户分群系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的一种用户分群方法中对应部分的详细说明,在此不再赘述。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (14)
1.一种用户分群方法,其特征在于,包括:
获取用户的用户画像数据及用户逾期还款天数;
获取预先设定的分类条件;
基于用户的所述用户画像数据及所述用户逾期还款天数确定所满足的所述分类条件,并将用户标记为与所述所满足的分类条件对应的用户类群。
2.根据权利要求1所述的方法,其特征在于,所述分类条件包括多个分类条件,其中,所述多个分类条件说明用户违约还款的程度不同;
每一所述预设的分类条件包括逾期还款天数的核准条件和分类变量的核准条件;
其中:
所述基于所述用户画像数据及所述用户逾期还款天数确定所满足的所述分类条件,包括:
从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值;
将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所述所满足的所述分类条件。
3.根据权利要求2所述的方法,其特征在于,所述从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值包括:
从所述用户画像数据中提取与每一所述分类条件对应的分类变量的核准条件对应的分类变量值,并基于所述每一所述分类条件对应的所述分类变量值计算所述分类条件对应的所述分类值;
所述将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,包括:
判断所述每一所述分类条件对应的分类值是否满足所述每一个分类条件中的分类变量的核准条件,且判断所述用户逾期还款天数是否满足所述每一个分类条件中的逾期还款天数的核准条件;
若判断出所述分类值和所述用户逾期还款天数分别满足同一个所述分类条件中的分类变量的核准条件和分类变量的逾期还款天数的核准条件,则将用户标记为满足分类变量的核准条件和逾期还款天数的核准条件的分类条件对应的用户类群。
4.根据权利要求2所述的方法,其特征在于,将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所述所满足的所述分类条件包括:
先基于所述用户逾期还款天数确定所满足的分类变量的逾期还款天数对应的所述分类条件;
根据所述对应的分类条件获取相应分类条件的分类值;
判断每一所述相应分类条件的分类值是否满足所述每一相应分类条件的分类变量的核准条件;
将与分类值匹配的所述分类变量的核准条件对应的所述分类条件确定为所述所满足的分类条件。
5.根据权利要求2所述的方法,其特征在于,对所述多个分类条件进行先后匹配;
确定出所述所满足的分类条件时匹配结束。
6.根据权利要求2所述的方法,其特征在于,在所述每一分类条件中所述分类变量的核准条件对应的分类变量值为两个以上时,所述分类变量值之间无相关性。
7.根据权利要求2所述的方法,其特征在于,所述从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值,包括:
从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量本身的值,确定所述分类变量本身的值经对应的概率计算公式运算后的运算结果为所述分类变量值,确定所述分类变量值的方差为所述分类值;
和/或从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量本身的值,确定所述分类变量本身的值为所述分类变量值,确定值最大的所述分类变量值为所述分类值;
和/或从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量本身的值,确定所述分类变量本身的值为所述分类变量值,确定所述分类变量值为所述分类值。
8.根据权利要求2或6或7所述的方法,其特征在于,所述多个分类条件包括:预警分类条件、特催分类条件、停催分类条件、欺诈分类条件、信用分类条件、蓄意分类条件以及委外分类条件中的三个及三个以上;
其中,所述预警分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数小于0;所述预警分类条件的分类变量的核准条件包括:预警分类值在第一阈值内,所述预警分类值为预警分类变量值的方差,所述预警分类变量值为预警分类变量本身的值或所述预警分类变量本身的值经对应的概率计算公式运算后的运算结果,所述预警分类变量包括用户画像数据中的信用机构公告次数、媒体事件次数、收入变更比率;
所述特催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述特催分类条件的分类变量的核准条件包括:特催分类值大于等于第一预设值,所述特催分类值为特催分类变量值,所述特催分类变量值为特催分类变量本身的值或所述特催分类变量本身的值经对应的概率计算公式运算后的运算结果,所述特催分类变量为用户满足所述预警分类条件的次数;
所述停催分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述停催分类条件的分类变量的核准条件包括:停催分类值在第二阈值内,所述停催分类值为停催分类变量值中的最大值,所述停催分类变量值为停催分类变量本身的值或所述停催分类变量本身的值经对应的概率计算公式运算后的运算结果,所述停催分类变量包括所述用户画像数据中的用户否认贷款次数、用户失踪确认次数;
所述欺诈分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述欺诈分类变条件的分类变量的核准条件包括:欺诈分类值在第三阈值内,所述欺诈分类值为欺诈分类变量值的方差,所述欺诈分类变量值为欺诈分类变量本身的值或所述欺诈分类变量本身的值经对应的概率计算公式运算后的运算结果,所述欺诈分类变量包括所述用户满足所述预警分类条件的次数、所述用户画像数据中的用户金融机构贷款金额、用户满足所述特催条件变量的次数;
所述信用分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于0小于等于90;所述信用分类条件的分类变量的核准条件包括:信用分类值在第四阈值内,所述信用分类值为信用分类变量值的方差,所述信用分类值为信用分类变量本身的值或所述信用分类变量本身的值经对应的概率计算公式运算后的运算结果,所述信用分类变量包括所述用户画像数据中的还款期次、用户满足所述预警分类条件的次数、用户承诺还款次数;
所述蓄意分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于30;所述蓄意分类条件的分类变量的核准条件包括:蓄意分类值在第五阈值内,所述蓄意分类值为蓄意分类变量值的方差,所述蓄意分类变量值为蓄意分类变量本身的值或所述蓄意分类变量本身的值经对应的概率计算公式运算后的运算结果,所述蓄意分类变量包括:所述用户画像数据中的还款期次、用户失联次数、用户资产增减率、用户月平均还款日期与当期差值;
所述委外分类条件的逾期还款天数的核准条件包括:用户的逾期还款天数大于90;所述委外分类条件的分类变量的核准条件包括:委外分类值大于第二预设值,所述委外分类值为委外分类变量值,所述委外分类变量值为委外分类变量本身的值,所述委外分类变量为用户满足所述蓄意分类条件的次数。
9.根据权利要求1所述的方法,其特征在于,所述并将用户标记为与所满足的所述分类条件对应的用户类群之后,还包括:
确定所述用户类群对应的提醒方式。
10.一种用户分群系统,其特征在于,包括:
第一获取模块,用于获取用户的用户画像数据及用户逾期还款天数;
第二获取模块,用于获取预先设定的分类条件;
分类模块,用于基于用户的所述用户画像数据及所述用户逾期还款天数确定所满足的分类条件,并将用户标记为与所述所满足的分类条件对应的用户类群。
11.根据权利要求10所述的系统,其特征在于,所述分类条件包括多个分类条件,其中,所述多个分类条件说明用户违约还款的程度不同;
每一所述预设的分类条件包括逾期还款天数的核准条件和分类变量的核准条件;
其中:
所述分类模块包括:
第一分类单元,用于从所述用户画像数据中提取与所述分类变量的核准条件对应的分类变量值,并基于所述分类变量值计算分类值;将所述分类值和所述用户逾期还款天数,分别与分类变量的核准条件及分类变量的逾期还款天数进行匹配,确定出所述所满足的所述分类条件。
12.根据权利要求11所述的方法,其特征在于,在所述每一分类条件中所述分类变量的核准条件对应的分类变量值为两个以上时,所述分类变量值之间无相关性。
13.一种用户分群设备,其特征在于,包括:
存储器,用于存储计算机指令;
处理器,用于执行所述计算机指令时实现如权利要求1至9任一项所述的用户分群方法的步骤。
14.一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中存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1至9任一项所述的用户分群方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810738511.1A CN110689311A (zh) | 2018-07-06 | 2018-07-06 | 一种用户分群方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810738511.1A CN110689311A (zh) | 2018-07-06 | 2018-07-06 | 一种用户分群方法、系统、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689311A true CN110689311A (zh) | 2020-01-14 |
Family
ID=69107507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810738511.1A Pending CN110689311A (zh) | 2018-07-06 | 2018-07-06 | 一种用户分群方法、系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689311A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150271A (zh) * | 2020-09-23 | 2020-12-29 | 上海维信荟智金融科技有限公司 | 一种客户分群方法及系统 |
CN111861174B (zh) * | 2020-07-09 | 2021-04-13 | 北京睿知图远科技有限公司 | 一种针对用户画像的信用评估方法 |
CN113724061A (zh) * | 2021-08-18 | 2021-11-30 | 杭州信雅达泛泰科技有限公司 | 基于客户分群的消费金融产品信用评分方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240014A (zh) * | 2017-04-28 | 2017-10-10 | 天合泽泰(厦门)征信服务有限公司 | 一种基于企业征信业务的信用评级方法 |
CN107248036A (zh) * | 2017-06-07 | 2017-10-13 | 北京汇通金财信息科技有限公司 | 一种智能化信用评级方法和装置 |
KR20180005876A (ko) * | 2016-07-07 | 2018-01-17 | 주식회사 모모스뱅크 | 음성데이터 기반 인성평가를 통한 인공지능형 개인신용평가 및 분석 시스템 및 방법 |
KR20180013102A (ko) * | 2016-07-28 | 2018-02-07 | 코리아크레딧뷰로 (주) | 신용도를 평가하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 |
-
2018
- 2018-07-06 CN CN201810738511.1A patent/CN110689311A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180005876A (ko) * | 2016-07-07 | 2018-01-17 | 주식회사 모모스뱅크 | 음성데이터 기반 인성평가를 통한 인공지능형 개인신용평가 및 분석 시스템 및 방법 |
KR20180013102A (ko) * | 2016-07-28 | 2018-02-07 | 코리아크레딧뷰로 (주) | 신용도를 평가하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 |
CN107240014A (zh) * | 2017-04-28 | 2017-10-10 | 天合泽泰(厦门)征信服务有限公司 | 一种基于企业征信业务的信用评级方法 |
CN107248036A (zh) * | 2017-06-07 | 2017-10-13 | 北京汇通金财信息科技有限公司 | 一种智能化信用评级方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861174B (zh) * | 2020-07-09 | 2021-04-13 | 北京睿知图远科技有限公司 | 一种针对用户画像的信用评估方法 |
CN112150271A (zh) * | 2020-09-23 | 2020-12-29 | 上海维信荟智金融科技有限公司 | 一种客户分群方法及系统 |
CN113724061A (zh) * | 2021-08-18 | 2021-11-30 | 杭州信雅达泛泰科技有限公司 | 基于客户分群的消费金融产品信用评分方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Netzer et al. | When words sweat: Identifying signals for loan default in the text of loan applications | |
Cumming et al. | Disentangling crowdfunding from fraudfunding | |
US11922435B2 (en) | Detecting and reducing bias (including discrimination) in an automated decision making process | |
Dixon et al. | The scoring of America | |
CN107133865B (zh) | 一种信用分的获取、特征向量值的输出方法及其装置 | |
Chan et al. | Pathways after default: What happens to distressed mortgage borrowers and their homes? | |
EP2863357A1 (en) | Method of automating a business loan life cycle | |
Brailovskaya et al. | Is digital credit filling a hole or digging a hole? evidence from malawi | |
CN105590217A (zh) | 一种基于社交网络多方担保的支付方法 | |
CN110689311A (zh) | 一种用户分群方法、系统、设备及计算机可读存储介质 | |
De Almeida Filho et al. | Optimizing the collections process in consumer credit | |
Han | Exploring threshold effects in the impact of housing abandonment on nearby property values | |
CN111080340A (zh) | 推送金融产品营销管理消息的系统、方法及相关装置 | |
US20160210701A1 (en) | Integrated automated bill and budget reconciliation, cash flow allocation and payment software system | |
Fletcher | Disclosure as a tool for enhancing consumer engagement and competition | |
CN115082203A (zh) | 生息方案推送方法、装置、电子设备及存储介质 | |
Gaganis et al. | Social traits and credit card default: a two-stage prediction framework | |
Burand | Contracting for Impact: Embedding Social and Environmental Impact Goals into Loan Agreements | |
Korobkin | The problems with heuristics for law | |
US20120173330A1 (en) | Personalized Financial Planning Based on Transactional History | |
Ali et al. | Behavioural law and economics: regulatory reform of consumer credit and consumer financial services | |
US11379929B2 (en) | Advice engine | |
Medappa | Rethinking mutual aid through the lens of social reproduction: How platform drivers ride out work and life in Bengaluru, India | |
Goral | The law of interest versus the interest of law, or on lending to law firms | |
Bogusz | Digital traces, ethics, and insight: Data-driven services in FinTech |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |