CN110796379A - 业务渠道的风险评估方法、装置、设备及存储介质 - Google Patents
业务渠道的风险评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110796379A CN110796379A CN201911051966.7A CN201911051966A CN110796379A CN 110796379 A CN110796379 A CN 110796379A CN 201911051966 A CN201911051966 A CN 201911051966A CN 110796379 A CN110796379 A CN 110796379A
- Authority
- CN
- China
- Prior art keywords
- risk information
- customer
- client
- service
- channel
- 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.)
- Granted
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种业务渠道的风险评估方法、装置、设备及存储介质,涉及通信技术领域。该方法包括:获取待评估业务渠道的客户特征;采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,所述多分类模型为多个已有业务渠道的分类模型,所述客户特征的分类结果包括:所述客户特征被分类为多个所述已有业务渠道的结果;根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息。本申请可提高业务接入初期的风险评估的有效性,避免造成业务损失。
Description
技术领域
本发明涉及风险评估技术领域,具体而言,涉及一种业务渠道的风险评估方法、装置、设备及存储介质。
背景技术
为满足发展业务的需求,需要不断从新的业务渠道信息客户引流。然而,为保证新的业务渠道上业务的正常运行,需对业务渠道进行风险评估,以基于风险评估的结果,为该业务渠道配置对应的业务风控方案。
对于新的业务渠道,目前,主要在该新的业务渠道上进行业务运行,在业务运行初期,可基于初期业务运行的业务结果作为小样本,对该新的业务渠道进行风险评估。
然而,现有的方案,需要在新的业务渠道运行初期之后,才可进行风险评估,可使得该业务运行初期的风险无法把握,容易造成业务损失。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种业务渠道的风险评估方法、装置、设备及存储介质,以提高业务运行初期的风险评估的有效性,避免造成业务损失。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种业务渠道的风险评估方法,包括:
获取待评估业务渠道的客户特征;
采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,所述多分类模型为多个已有业务渠道的分类模型,所述客户特征的分类结果包括:所述客户特征被分类为多个所述已有业务渠道的结果;
根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息。
可选的,所述根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息,包括:
根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定客户风险信息;
根据所述客户风险信息,确定所述待评估业务渠道的风险信息。
可选的,若所述客户特征包括:至少一个客户的特征,所述采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,包括:
采用所述多分类模型,分别对至少一个所述客户的特征进行分类,得到至少一个所述客户的特征分类结果;所述客户特征的分类结果包括:至少一个所述客户的特征分类结果;
对应的,所述根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定客户风险信息,包括:
根据每个所述客户的特征分类结果,和多个所述已有业务渠道的风险信息,确定每个所述客户的风险信息;
根据至少一个所述客户的风险信息,确定所述客户风险信息。
可选的,至少一个所述客户的特征包括:至少一个预设时间段内所述待评估业务渠道的客户特征;所述根据至少一个所述客户的风险信息,确定所述客户风险信息,包括:
根据每个所述预设时间内的至少一个所述客户的风险信息,确定每个所述预设时间段的客户风险信息;
对应的,所述根据所述客户风险信息,确定所述待评估业务渠道的风险信息,包括:
根据至少一个所述预设时间段的客户风险信息,确定所述待评估业务渠道的风险信息。
可选的,每个所述客户的特征分类结果包括:所述客户的特征分类为多个所述已有业务渠道的隶属度;
所述根据每个所述客户的特征分类结果,和多个所述已有业务渠道的风险信息,确定每个所述客户的风险信息,包括:
根据每个所述客户的特征分类为多个所述已有业务渠道的隶属度,和多个所述已有业务渠道的风险信息,采用预设的加权算法,计算得到每个所述客户的风险信息。
可选的,所述多分类模型为根据多个所述已有业务渠道的样本客户的特征进行训练得到的;
每个所述已有业务渠道的风险信息为根据所述样本客户的风险信息,计算得到的所述已有业务渠道的风险信息;
其中,所述样本客户为根据业务完成情况从所述已有业务渠道的客户中确定的客户。
第二方面,本申请实施例还提供一种业务渠道的风险评估装置,包括:
获取模块,用于获取待评估业务渠道的客户特征;
分类模块,用于采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,所述多分类模型为多个已有业务渠道的分类模型,所述客户特征的分类结果包括:所述客户特征被分类为多个所述已有业务渠道的结果;
确定模块,用于根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息。
可选的,所述确定模块,具体用于根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定客户风险信息;根据所述客户风险信息,确定所述待评估业务渠道的风险信息。
可选的,若该客户特征包括:至少一个客户的特征。
分类模块,具体用于采用该多分类模型,分别对至少一个客户的特征进行分类,得到至少一个客户的特征分类结果;客户特征的分类结果包括:至少一个客户的特征分类结果;
对应的,确定模块,具体用于根据每个该客户的特征分类结果,和多个已有业务渠道的风险信息,确定每个客户的风险信息;根据至少一个客户的风险信息,确定该客户风险信息。
可选的,至少一个客户的特征包括:至少一个预设时间段内待评估业务渠道的客户特征。
确定模块,具体用于根据每个该预设时间内的至少一个客户的风险信息,确定每个预设时间段的客户风险信息;根据至少一个预设时间段的客户风险信息,确定该待评估业务渠道的风险信息。
可选的,每个客户的特征分类结果包括:客户的特征分类为多个已有业务渠道的隶属度。
确定模块,具体用于根据每个客户的特征分类为多个已有业务渠道的隶属度,和多个已有业务渠道的风险信息,采用预设的加权算法,计算得到每个客户的风险信息。
可选的,如上所示的多分类模型为根据多个已有业务渠道的样本客户的特征进行训练得到的;每个已有业务渠道的风险信息为根据样本客户的风险信息,计算得到的已有业务渠道的风险信息;
其中,样本客户为根据业务完成情况从已有业务渠道的客户中确定的客户。
第三方面,本申请实施例还提供一种业务渠道的风险评估设备,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所提供的任一业务渠道的风险评估方法。
第四方面,本申请实施例还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述第一方面所提供的任一业务渠道的风险评估方法。
本申请的有益效果是:
本申请所提供的业务渠道的风险评估方法、装置、设备及存储介质中,可采用多个已有业务渠道的多分类模型,对待评估业务渠道的客户特征进行分类,得到该客户特征被分类为各已有业务渠道的结果,继而结合该多个已有业务渠道的风险信息,确定该待评估业务渠道的风险信息,实现了该待评估业务渠道的业务接入初期的风险评估。由于该风险评估方法中,对于该待评估业务渠道仅需获取其客户特征,便可结合多个已有业务渠道的风险信息进行风险评估,而无需采用该待评估业务渠道的业务运行结果,因此其评估结果不依赖于该待评估业务渠道的业务运行结果,其可在该待评估业务渠道的初期便进行渠道的风险评估,可提高业务接入初期的风险评估的有效性,避免造成业务损失。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种业务渠道的风险评估方法的流程示意图;
图2为本申请实施例提供的另一种业务渠道的风险评估方法的流程示意图;
图3为本申请实施例提供的多分类模型的训练框图;
图4为本申请实施例提供的应用多分类模型进行风险评估的流程框图;
图5为本申请实施例提供的一种业务渠道的风险评估装置的示意图;
图6为本申请实施例提供的一种业务渠道的风险评估设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
为实现业务渠道上业务运行初期,业务渠道的风险评估,本申请实施例提供一种业务渠道的风险评估方法、装置、设备及存储介质,可采用多分类模型,对待评估业务渠道的客户特征进行分类,确定该客户特征与已有业务渠道的相似度,继而结合已有业务渠道的风险信息,确定该待评估业务渠道的风险信息,无需采用该待评估业务渠道的业务运行结果,因此其评估结果不依赖于该待评估业务渠道的业务运行结果,其可在该待评估业务渠道的初期便进行渠道的风险评估,可提高业务运行初期的风险评估的有效性,避免造成业务损失。
如下结合多个示例对本申请所提供的各业务渠道的风险评估方法进行解释说明,参见下述。本申请下述各实施例提供的业务渠道的风险评估方法可由风险评估设备执行,该风险评估设备可以为计算机设备,该计算机设备可以为安装有风险评估应用的终端设备或服务器,本申请不对此进行限制。图1为本申请实施例提供的一种业务渠道的风险评估方法的流程示意图。如图1所示,该业务渠道的风险评估方法可包括如下:
S101、获取待评估业务渠道的客户特征。
该待评估业务渠道可以为实现某个业务的新的渠道,即新的业务渠道。该业务例如可以为通信业务、金融业务、交易业务等。该待评估业务渠道可以为线上业务渠道,也可以为线下业务渠道。以线上业务渠道为例,该待评估业务渠道,例如可以为业务应用的来源,该业务应用的来源例如可以包括:提供该业务应用的应用商城(app store)。以线下业务渠道为例,该待评估业务渠道例如可以为包括:通信业务的运营商,或者,金融业务的金融主体如银行等。
该方法中,例如可通过该待评估业务渠道的预设访问接口,获取该待评估业务渠道的客户特征,或者,对该待评估业务渠道进行数据爬取,获取该待评估业务渠道的客户特征,又或者,也可接收用户输入的该待评估业务渠道的客户特征。用户输入的该待评估业务渠道的客户特征,可以采用任一方式获得,在此不再赘述。
该待评估业务渠道的客户特征可包括:该待评估业务渠道上,注册业务的客户特征、申请业务的客户特征,或者运行业务的客户特征。该运行业务的客户特征例如可以为:正在运行业务,但未完成业务的客户特征。以金融业务中的贷款业务为例,该待评估业务渠道的客户特征,例如可包括:该待评估业务渠道上业务上线初期,在首个还款日到来之前的客户特征。
S102、采用多分类模型,对该客户特征进行分类,得到该客户特征的分类结果,该多分类模型为多个已有业务渠道的分类模型,该客户特征的分类结果包括:该客户特征被分类为多个该已有业务渠道的结果。
该已有业务渠道和待评估业务渠道为针对同一业务的不同渠道。该已有业务渠道,可以为具有已完成业务的渠道。
该多分类模型还可称为多分类算法训练模型,该多分类模型为采用多个已有业务渠道的客户特征进行训练得到的模型。采用该多分类模型,对该客户特征进行分类,可得到该客户特征被分类为各已有业务渠道的结果。
该客户特征的分类结果可用于表示该客户特征,与该各已有业务渠道的客户特征的相似度。
S103、根据该客户特征的分类结果,和多个该已有业务渠道的风险信息,确定该待评估业务渠道的风险信息。
该客户特征的分类结果可用于表示该客户特征与各已有业务渠道的客户特征的相似度,那么,该方法中,实际是根据该客户特征与各已有业务渠道的客户特征的相似度,以及多个已有业务渠道的风险信息,采用预设的计算方式,得到该待评估业务渠道的风险信息,实现了对该待评估业务渠道的风险评估。
各已有业务渠道的风险信息,可以为基于该已有业务渠道上的业务完成情况计算得到的风险信息。该各已有业务渠道的风险信息,可用于表示该各已有业务渠道上业务完成情况的风险,例如可包括:业务是否完成的信息,和/或,业务完成但逾期的风险。
基于上述方法所得到的该待评估业务渠道的风险信息实际为基于已有业务渠道的实际风险信息,以及该待评估业务渠道的客户特征,预估得到的该待评估业务渠道的客户特征。
因此,对于已有业务渠道,其风险信息为基于业务完成情况确定的实际风险信息,而对于待评估业务渠道,即新的业务渠道,采用本申请的方法所得到待评估业务渠道的风险信息,为该待评估业务渠道的预估风险信息。
需要指出的是,在得到该待评估业务渠道的风险信息的情况下,可基于该风险信息,为业务渠道配置对应的业务风控方案,或者,调节该业务渠道的业务风控方案等,本申请不对此限制。
本申请实施例提供的业务渠道的风险评估方法,可采用多个已有业务渠道的多分类模型,对待评估业务渠道的客户特征进行分类,得到该客户特征被分类为各已有业务渠道的结果,继而结合该多个已有业务渠道的风险信息,确定该待评估业务渠道的风险信息,实现了该待评估业务渠道的业务接入初期的风险评估。由于该风险评估方法中,对于该待评估业务渠道仅需获取其客户特征,便可结合多个已有业务渠道的风险信息进行风险评估,而无需采用该待评估业务渠道的业务运行结果,因此其评估结果不依赖于该待评估业务渠道的业务运行结果,其可在该待评估业务渠道的初期便进行渠道的风险评估,可提高业务接入初期的风险评估的有效性,避免造成业务损失。
同时,由于该方法中,可在业务接入初期便进行业务渠道的风险评估,因此,还降低了风险评估的时间成本,有效保证业务运行,避免业务损失。
在上述风险评估方法的基础上,本申请实施例还提供一种实现示例。图2为本申请实施例提供的另一种业务渠道的风险评估方法的流程示意图。如图2所示,如上所示的S103中根据该客户特征的分类结果,和多个该已有业务渠道的风险信息,确定该待评估业务渠道的风险信息可包括:
S201、根据该客户特征的分类结果,和多个该已有业务渠道的风险信息,确定客户风险信息。
该客户风险信息即为该待评估业务渠道的客户风险信息。可选的,若该客户特征包括:至少一个客户的特征,如上所示的该客户特征的分类结果则可包括:每个客户的特征分类结果。
在得到单个客户的特征分类结果的情况下,便可基于单个客户的特征分类结果,以及多个已有业务渠道的风险信息,确定该单个客户的风险信息,基于至少一个单个客户的信息,便可得到该客户风险信息。
可选的,如上所述的S102中采用多分类模型,对该客户特征进行分类,得到该客户特征的分类结果,可包括:
采用该多分类模型,分别对至少一个该客户的特征进行分类,得到至少一个该客户的特征分类结果。
该方法中,可采用该多分类模型分类为各客户的特征进行分类,以得到各单个客户的特征分类结果。
对应的,如上所示S201中根据该客户特征的分类结果,和多个该已有业务渠道的风险信息,确定客户风险信息,可包括:
根据每个该客户的特征分类结果,和多个该已有业务渠道的风险信息,确定每个该客户的风险信息;
根据至少一个该客户的风险信息,确定该客户风险信息。
每个客户的风险信息即为单个客户的风险信息,该方法中,可基于该至少一个客户的风险信息的平均值,确定该客户风险信息;或者,将该至少一个客户的风险信息中的最大值,确定为该客户风险信息;又或者,还可将该至少一个客户的风险信息中的最下值,确定为该客户风险信息;又或者,还可将至少一个客户的风险信息中的中位数,确定为该客户风险信息。当然,也可采用其它的方式,基于该至少客户的风险信息,确定该客户风险信息。
在得到客户风险信息的情况下,该方法还可包括:
S202、根据该客户风险信息,确定该待评估业务渠道的风险信息。
该方法中,可直接基于该客户风险信息,确定得该待评估业务渠道的风险信息,也可对采用预设的计算公式,对该客户特征信息进行处理,确定该待评估业务渠道的风险信息。需要指出的是,在基于该客户风险信息,确定该待评估业务渠道的风险信息的情况下,还可结合其它参数,在此不再赘述。
本申请实施例提供的方法中,可根据该客户特征的分类结果,和多个该已有业务渠道的风险信息,确定客户风险信息,继而根据该客户风险信息,确定该待评估业务渠道的风险信息,可使得风险信息的评估更准确。并且,该方法中,基于单个客户的特征进行分类,继而基于单个客户的特征分类结果,预估得到该单个客户的风险信息,还基于至少一个单个客户的信息,进行该待评估业务渠道的风险评估的精度。
可选的,如上所示的,至少一个客户的特征包括:至少一个预设时间段内该待评估业务渠道的客户特征;如上所示的根据至少一个该客户的风险信息,确定该客户风险信息则可包括:
根据每个预设时间段内的至少一个客户的风险信息,确定每个该预设时间段的客户风险信息。
该预设时间段例如可以为一天、一周或者一个月。以金融业务中的贷款业务为例,至少一个客户的特征可以为该待评估渠道的流量上线之后,每隔预设时间段,便可提取当前之间预设时间段内申请该贷款业务的客户的特征,例如,每天提取前一天申请贷款业务的客户特征。
该方法可在该待评估渠道的流量上线,即业务接入之后,便每隔预设时间段提取该待评估业务渠道的客户特征,得到该待评估业务渠道在至少一个预设时间段的客户特征,分别针对各预设时间段的客户特征,可得到各预设时间段的客户风险信息,如此,便可得到该至少一个预设时间段的客户风险信息。
对应的,在得到至少一个预设时间段的客户风险信息的情况下,如上所示的S202中根据该客户风险信息,确定该待评估业务渠道的风险信息,便可包括:
根据至少一个预设时间段的客户风险信息,确定该待评估业务渠道的风险信息。
若为一个预设时间段的客户风险信息,则可直接将该预设时间段的客户风险信息,确定为该待评估业务渠道的风险信息。
若为多个预设时间段的客户风险信息,在一种可能的实施方式中,便可根据该多个预设时间段的客户风险信息,采用预设的算法,确定该待评估业务渠道的风险信息。
示例的,该预设的算法例如可以为平均算法,即将该多个预设时间段的客户风险信息的平均值,确定为该待评估业务渠道的风险信息。
该预设的算法还可为最大值算法,即可将该多个预设时间段的客户风险信息中的最大值,确定为该待评估业务渠道的风险信息。
该预设的算法还可为最小值算法,即可将该多个预设时间段的客户风险信息中的最小值,确定为该待评估业务渠道的风险信息。
该预设的算法还可为中位值算法,即可将该多个预设时间段的客户风险信息中的中位值,确定为该待评估业务渠道的风险信息。当然,该预设算法还可为其它算法,在此不再赘述。
在另一种实施方式中,该多个预设时间段例如可以为连续的多个时间段。该方法中,可根据多个预设时间段的客户风险信息,确定该多个预设时间段所在的时间范围内客户风险信息是否在预设风险范围内,若是,则可确定多个时间段的客户风险信息,较稳定,因此,可将该客户风险信息,确定为该待评估业务渠道的风险信息。反之,若否,则可确定该多个时间段的客户风险信息不稳定,可继续对该待评估业务渠道进行跟踪预测,继续执行上述风险评估方法,直至客户风险信息稳定;或者,若确定该多个时间段的客户风险信息不稳定,便可采用上述实施方式,根据多个预设时间段的客户风险信息,采用预设的算法,确定待评估业务渠道的风险信息。
本申请实施例提供的该风险评估方法中,可根据至少一个预设时间段的客户风险信息,确定该待评估业务渠道的风险信息,可使得预估得到的该待评估业务渠道的风险信息随时间更稳定,其风险评估更准确。
可选的,如上方法中每个客户的特征分类结果包括:该客户的特征分类为多个该已有业务渠道的隶属度。该隶属度例如可以为小于1的正数。如上所示的风险评估方法中,根据每个该客户的特征分类结果,和多个该已有业务渠道的风险信息,确定每个该客户的风险信息,可包括:
根据每个客户的特征分类为多个已有业务渠道的隶属度,和多个已有业务渠道的风险信息,采用预设的加权算法,计算得到每个客户的风险信息。
假设有n个已有业务渠道,则通过多分类模型得到的每个客户的特征分类为n个已有业务渠道的隶属度,可分别表示为p1,p2,…pn,其中,p1 为每个客户的特征分类为已有业务渠道1的隶属度,p2为每个客户的特征分类为已有业务渠道2的隶属度,pn为每个客户的特征分类为已有业务渠道n的隶属度。若n个已有业务渠道的风险信息可分别表示为r1,r2,…,rn,则可采用下述公式(1)所示的均值算法,计算得到该待评估业务渠道的风险信息。
r1*p1+r2*p2+…+rn*pn公式(1);其中,r1为已有业务渠道1的风险信息,r2为已有业务渠道2的风险信息,rn为已有业务渠道2的风险信息。
如上实施例所示的多分类模型可以为预先根据该多个已有业务模型的样本客户的特征进行训练得到的。需要指出的是,该多分类模型可以为由执行风险评估方法的设备进行训练得到,也可由其他模型训练设备进行训练得到,并存储在风险评估设备中,以进行风险评估。如下对该多分类模型的训练进行说明。图3为本申请实施例提供的多分类模型的训练框图。如图3所示,该多分类模型可以为根据多个已有业务渠道的样本客户的特征进行训练得到的。如图3所示,可将获取到的多个已有业务渠道的客户特征作为输入,进行多分类模型训练,得到多分类模型。在本申请的方案中,例如可选用xgboost或者lightbgm算法进行多分类模型训练。还可采用其他适用于多分类的机器学习算法,包括Deep NeuralNetwork(深度神经网络)、LR(逻辑回归)、KNN(K近邻)等等。
基于图3可知,在进行多分类模型训练之前,可提取每个已有业务渠道的客户,并将基于业务完成情况,从该每个已有业务渠道的客户中选择预设数量的客户作为每个已有业务渠道的样本客户,并将每个已有业务渠道的样本客户在申请业务时存储的特征作为样本客户的特征。在得到该每个已有业务渠道的样本客户的特征的情况下,可将样本客户的特征,以及已有业务渠道的标签作为模型训练的输入信息。不同的已有业务渠道,可具有不同的渠道标签。例如,已有业务渠道1的标签可以为0,已有业务渠道的标签的标签可以为1,以此类推。图3中每个已有业务渠道的客户特征可以为:采用上述方式得到的,每个已有业务渠道中样本客户的特征,以及该已有业务渠道的标签。
以金融业务中的贷款业务为例,该每个已有业务渠道的样本客户可以为该每个已有业务渠道中具有还款表现的首贷客户。
每个已有业务渠道的风险信息为根据该样本客户的风险信息,计算得到的该已有业务渠道的风险信息。该样本客户的风险信息可以为业务完成逾期的比例,或者,业务完成的比例等。以金融业务中的贷款业务为例,样本客户的风险信息例如可以为还款逾期7天的比例。
在采用上述得到多分类模型的情况下,可对多分类模型进行保存,与此同时,还将每个已有业务渠道的风险信息进行保存,用以进行业务渠道的风险评估。
本申请实施例提供的方法中,可根据业务完成情况,从已有业务渠道的客户中确定样本客户,并根据该样本客户的风险信息,确定该已有业务渠道的风险信息,继而根据多个已有业务渠道的样本客户的特征进行多分类模型的训练,可使得训练得到的多分类模型的分类结果更准确,从而保证业务渠道的风险评估的准确度。
如下以该多分类模型的应用,对业务渠道的风险评估方法举例说明。图4为本申请实施例提供的应用多分类模型进行风险评估的流程框图。如图4所示,本申请实施例提供的风险评估方法中,可从新的业务渠道中,获取该新的业务渠道的客户特征,作为多分类模型的输入,采用多分类模型进行训练,得到该客户特征的分类结果。为实现业务渠道的风险评估,针对多个已有渠道,还需预先从该多个已有业务渠道中分别获取各已有业务渠道的风险水平。例如,图4中所示的已有业务渠道1的风险水平1、已有业务渠道2的风险水平2以及已有业务渠道的风险水平3。
在基于该多分类模型,得到分类结果的情况下,可采用上述任一实施例所示的风险评估方法,根据分类结果,以及多个已有业务渠道的风险水平,进行比对分析,预估得到该新的业务渠道的预估风险水平,如此可在该新的业务渠道的业务接入初期,实现风险评估。
下述对用以执行的本申请所提供的业务渠道的风险评估方法的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图5为本申请实施例提供的一种业务渠道的风险评估装置的示意图,如图5所示,业务渠道的风险评估装置500可包括:
获取模块501,用于获取待评估业务渠道的客户特征.
分类模块502,用于采用多分类模型,对该客户特征进行分类,得到该客户特征的分类结果,该多分类模型为多个已有业务渠道的分类模型,该客户特征的分类结果包括:该客户特征被分类为多个已有业务渠道的结果。
确定模块503,用于根据该客户特征的分类结果,和多个已有业务渠道的风险信息,确定该待评估业务渠道的风险信息。
可选的,如上所示的确定模块503,具体用于根据该客户特征的分类结果,和多个该已有业务渠道的风险信息,确定客户风险信息;根据该客户风险信息,确定该待评估业务渠道的风险信息。
可选的,若该客户特征可包括:至少一个客户的特征,分类模块502,具体用于采用该多分类模型,分别对至少一个客户的特征进行分类,得到至少一个客户的特征分类结果;客户特征的分类结果包括:至少一个客户的特征分类结果;
对应的,确定模块503,具体用于根据每个该客户的特征分类结果,和多个已有业务渠道的风险信息,确定每个客户的风险信息;根据至少一个客户的风险信息,确定该客户风险信息。
可选的,至少一个客户的特征可包括:至少一个预设时间段内待评估业务渠道的客户特征。
确定模块503,具体用于根据每个该预设时间内的至少一个客户的风险信息,确定每个预设时间段的客户风险信息;根据至少一个预设时间段的客户风险信息,确定该待评估业务渠道的风险信息。
可选的,每个客户的特征分类结果包括:客户的特征分类为多个已有业务渠道的隶属度。
确定模块503,具体用于根据每个客户的特征分类为多个已有业务渠道的隶属度,和多个已有业务渠道的风险信息,采用预设的加权算法,计算得到每个客户的风险信息。
可选的,如上所示的多分类模型为根据多个已有业务渠道的样本客户的特征进行训练得到的;每个已有业务渠道的风险信息为根据样本客户的风险信息,计算得到的已有业务渠道的风险信息;
其中,样本客户为根据业务完成情况从已有业务渠道的客户中确定的客户。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称 FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图6为本申请实施例提供的一种业务渠道的风险评估设备的示意图。如图6所示,业务渠道的风险评估设备600包括:存储器601、处理器602。存储器601和处理器602通过总线连接。
存储器601用于存储程序,处理器602调用存储器601存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文: Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种业务渠道的风险评估方法,其特征在于,包括:
获取待评估业务渠道的客户特征;
采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,所述多分类模型为多个已有业务渠道的分类模型,所述客户特征的分类结果包括:所述客户特征被分类为多个所述已有业务渠道的结果;
根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息,包括:
根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定客户风险信息;
根据所述客户风险信息,确定所述待评估业务渠道的风险信息。
3.根据权利要求2所述的方法,其特征在于,若所述客户特征包括:至少一个客户的特征,所述采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,包括:
采用所述多分类模型,分别对至少一个所述客户的特征进行分类,得到至少一个所述客户的特征分类结果;所述客户特征的分类结果包括:至少一个所述客户的特征分类结果;
对应的,所述根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定客户风险信息,包括:
根据每个所述客户的特征分类结果,和多个所述已有业务渠道的风险信息,确定每个所述客户的风险信息;
根据至少一个所述客户的风险信息,确定所述客户风险信息。
4.根据权利要求3所述的方法,其特征在于,至少一个所述客户的特征包括:至少一个预设时间段内所述待评估业务渠道的客户特征;所述根据至少一个所述客户的风险信息,确定所述客户风险信息,包括:
根据每个所述预设时间内的至少一个所述客户的风险信息,确定每个所述预设时间段的客户风险信息;
对应的,所述根据所述客户风险信息,确定所述待评估业务渠道的风险信息,包括:
根据至少一个所述预设时间段的客户风险信息,确定所述待评估业务渠道的风险信息。
5.根据权利要求3所述的方法,其特征在于,每个所述客户的特征分类结果包括:所述客户的特征分类为多个所述已有业务渠道的隶属度;
所述根据每个所述客户的特征分类结果,和多个所述已有业务渠道的风险信息,确定每个所述客户的风险信息,包括:
根据每个所述客户的特征分类为多个所述已有业务渠道的隶属度,和多个所述已有业务渠道的风险信息,采用预设的加权算法,计算得到每个所述客户的风险信息。
6.根据权利要求1-5中任一所述的方法,其特征在于,所述多分类模型为根据多个所述已有业务渠道的样本客户的特征进行训练得到的;
每个所述已有业务渠道的风险信息为根据所述样本客户的风险信息,计算得到的所述已有业务渠道的风险信息;
其中,所述样本客户为根据业务完成情况从所述已有业务渠道的客户中确定的客户。
7.一种业务渠道的风险评估装置,其特征在于,包括:
获取模块,用于获取待评估业务渠道的客户特征;
分类模块,用于采用多分类模型,对所述客户特征进行分类,得到所述客户特征的分类结果,所述多分类模型为多个已有业务渠道的分类模型,所述客户特征的分类结果包括:所述客户特征被分类为多个所述已有业务渠道的结果;
确定模块,用于根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定所述待评估业务渠道的风险信息。
8.根据权利要求7所述的装置,其特征在于,
所述确定模块,具体用于根据所述客户特征的分类结果,和多个所述已有业务渠道的风险信息,确定客户风险信息;根据所述客户风险信息,确定所述待评估业务渠道的风险信息。
9.一种业务渠道的风险评估设备,其特征在于,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-6任一项所述的业务渠道的风险评估方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述权利要求1-6任一项所述的业务渠道的风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051966.7A CN110796379B (zh) | 2019-10-30 | 2019-10-30 | 业务渠道的风险评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051966.7A CN110796379B (zh) | 2019-10-30 | 2019-10-30 | 业务渠道的风险评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796379A true CN110796379A (zh) | 2020-02-14 |
CN110796379B CN110796379B (zh) | 2022-11-11 |
Family
ID=69440601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911051966.7A Active CN110796379B (zh) | 2019-10-30 | 2019-10-30 | 业务渠道的风险评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796379B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668917A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 汽车渠道风险控制方法、装置、设备及计算机存储介质 |
CN113837868A (zh) * | 2021-09-30 | 2021-12-24 | 重庆富民银行股份有限公司 | 一种客群分层系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060293981A1 (en) * | 2005-06-22 | 2006-12-28 | First Data Corporation | Identification and risk evaluation |
CN101714273A (zh) * | 2009-05-26 | 2010-05-26 | 北京银丰新融科技开发有限公司 | 一种基于规则引擎的银行异常业务监控方法和系统 |
CN103714479A (zh) * | 2012-10-09 | 2014-04-09 | 四川欧润特软件科技有限公司 | 银行个人业务欺诈行为实时智能化集中监控的方法和系统 |
US20160189068A1 (en) * | 2014-12-26 | 2016-06-30 | Panasonic Intellectual Property Corporation Of America | Risk information processing method and server device |
CN107067324A (zh) * | 2017-04-18 | 2017-08-18 | 上海翼翎数据信息技术有限公司 | 一种利用网络抓包数据实现交易风险控制的方法和系统 |
CN107437179A (zh) * | 2017-08-09 | 2017-12-05 | 中国银行股份有限公司 | 一种提供风险监控与特色服务的银行渠道系统 |
-
2019
- 2019-10-30 CN CN201911051966.7A patent/CN110796379B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060293981A1 (en) * | 2005-06-22 | 2006-12-28 | First Data Corporation | Identification and risk evaluation |
CN101714273A (zh) * | 2009-05-26 | 2010-05-26 | 北京银丰新融科技开发有限公司 | 一种基于规则引擎的银行异常业务监控方法和系统 |
CN103714479A (zh) * | 2012-10-09 | 2014-04-09 | 四川欧润特软件科技有限公司 | 银行个人业务欺诈行为实时智能化集中监控的方法和系统 |
US20160189068A1 (en) * | 2014-12-26 | 2016-06-30 | Panasonic Intellectual Property Corporation Of America | Risk information processing method and server device |
CN107067324A (zh) * | 2017-04-18 | 2017-08-18 | 上海翼翎数据信息技术有限公司 | 一种利用网络抓包数据实现交易风险控制的方法和系统 |
CN107437179A (zh) * | 2017-08-09 | 2017-12-05 | 中国银行股份有限公司 | 一种提供风险监控与特色服务的银行渠道系统 |
Non-Patent Citations (1)
Title |
---|
王利明 等: ""中小企业营销渠道风险分析及对策"", 《商场现代化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668917A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 汽车渠道风险控制方法、装置、设备及计算机存储介质 |
CN112668917B (zh) * | 2020-12-31 | 2024-05-28 | 深圳前海微众银行股份有限公司 | 汽车渠道风险控制方法、装置、设备及计算机存储介质 |
CN113837868A (zh) * | 2021-09-30 | 2021-12-24 | 重庆富民银行股份有限公司 | 一种客群分层系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110796379B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033314B (zh) | 广告数据处理方法及装置 | |
CN108133013B (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN104823188A (zh) | 针对在线系统中的用户动作的定制化预测器 | |
CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
AU2014201264A1 (en) | Scenario based customer lifetime value determination | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
CN112990386A (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN111242356A (zh) | 一种财富走势预测方法、装置、设备及存储介质 | |
Li et al. | Graph mining assisted semi-supervised learning for fraudulent cash-out detection | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN112581291A (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
US20200193486A1 (en) | System and method for determining bid vector transformed predictive click-through rate | |
CN108961037B (zh) | 一种基于对车辆使用情况评估算法的车辆贷款风控方法及装置 | |
CN110210885B (zh) | 挖掘潜在客户的方法、装置、设备及可读存储介质 | |
KR20190088395A (ko) | 전력 사용량 기반의 매출 예측 시스템 및 그 방법 | |
CN114298825A (zh) | 还款积极度评估方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |