CN110807527B - 一种基于客群筛选的额度调整方法、装置和电子设备 - Google Patents
一种基于客群筛选的额度调整方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110807527B CN110807527B CN201910942007.8A CN201910942007A CN110807527B CN 110807527 B CN110807527 B CN 110807527B CN 201910942007 A CN201910942007 A CN 201910942007A CN 110807527 B CN110807527 B CN 110807527B
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- users
- adjustment
- group
- 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.)
- Active
Links
- 238000012216 screening Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008901 benefit Effects 0.000 claims abstract description 33
- 230000003542 behavioural effect Effects 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 99
- 238000010276 construction Methods 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 19
- 210000001061 forehead Anatomy 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000004069 differentiation Effects 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于客群筛选的额度调整方法、装置、电子装置及计算机可读介质。该方法包括根据用户信息数据构建所述用户画像，并利用所述用户画像将所述用户分为不同的客群；基于所述不同客群用户的行为评分、收益及风险数据构建用户收益模型并将所述不同客群用户进一步分为不同的客群分组；构建额度调整规则；使用所述额度调整规则筛选所述客群分组并对所述客群分组的用户进行额度调整。使用本发明的方法，可以更为精准的划分客户分类，提高整体组合的覆盖率，平衡规模、风险以及收益，从而制定出基于不同业务目标的多套风控筛选策略，最终优化整体风险水平以及扩大促动动支后转化的业务收益。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于客群筛选的额度调整方法、装置、电子设备及计算机可读介质。
背景技术
随着经济的发展和贷款业务的普及，金融机构对选择客户及对客户额度的管理也提出了更高的要求。在现有技术中，客户调额筛选策略中往往注重筛选通过客户的风险水平，并且使用统一的策略门槛进行校验，虽然最终选取的头部客户风险品质的确较好，但是对比整体组合的覆盖率较低，对动支金额的促动作用较为有限，最终不利于长期优化整体风险水平以及扩大促动动支后转化的业务收益。
发明内容
本发明的目的在于，提供一种基于客群筛选的额度调整方法、装置和电子设备，旨在更为精准的划分客户分类，提高整体组合的覆盖率，平衡规模、风险以及收益，从而制定出基于不同业务目标的多套风控筛选策略，最终优化整体风险水平以及扩大促动动支后转化的业务收益。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
为实现上述目的，本发明一方面提供一种基于客群筛选的额度调整方法，包括：
根据用户信息数据构建所述用户画像，并利用所述用户画像将所述用户分为不同的客群；
基于所述不同客群用户的行为评分、收益及风险数据构建用户收益模型并将所述不同客群用户进一步分为不同的客群分组；
构建额度调整规则；
使用所述额度调整规则筛选所述客群分组并对所述客群分组的用户进行额度调整。
根据本发明的一种优选实施方式，根据用户信息数据构建所述用户画像，并利用所述用户画像将所述用户分为不同的客群的步骤进一步包括：获取所述用户信息数据，所述用户信息数据包括用户基本属性数据、行为数据、金融数据；利用所述用户信息数据，采用机器学习的方法提取所述用户的多维度特征标签，并构建所述用户的风险画像，其中，所述多维度特征标签包括属性维度、行为维度、风险维度、模型评分维度中的至少一个；基于所述多维度特征标签将所述用户分为不同的客群。
根据本发明的一种优选实施方式，进一步包括构建风险筛查规则，对所述不同客群的用户进行风险筛查。
根据本发明的一种优选实施方式，所述风险筛查规则包括：强风险筛查规则，用于剔除所述客群中的用户，和/或弱风险筛查规则，用于对所述客群中的用户进行差异化处理；对所述不同客群的用户至少使用风险筛查规则中的强风险筛查规则进行风险筛查。
根据本发明的一种优选实施方式，所述基于所述不同客群用户的行为评分、收益及风险数据构建用户收益模型并将所述不同客群用户进一步分为不同的客群分组步骤，进一步还包括：利用行为评分卡模型对进行所述风险筛查后的不同客群的用户进行行为评分，获取所述不同客群用户的行为评分，依据所述行为评分将所述不同客群的用户划分为不同的客群分组；获取所述不同客群分组用户的实际风险表现及收益表现；基于所述实际风险表现及收益表现调节所述行为评分卡模型以使得所述用户行为评分、实际风险表现及收益表现同时分别满足单调趋势。
根据本发明的一种优选实施方式，进一步包括获取不同客群分组用户的调额基础信息数据，所述调额基础信息数据包括根据调整后的行为评分卡模型获取所述不同客群分组的用户的行为评分、实际风险表现数据及收益数据；利用所述调额基础信息数据采用机器学习的方法构建调额模型。
根据本发明的一种优选实施方式，所述构建调额规则步骤，进一步还包括：获取调额前后客群分组的用户收益；比较调额前后所述用户收益，获取其中的较大值。
根据本发明的一种优选实施方式，所述使用所述额度调整规则筛选所述客群分组并对所述客群分组的用户进行额度调整的步骤，进一步还包括：获取调额后风险约束条件；基于所述风险约束条件利用所述调额模型预测获取额度调整后所述客群分组的用户收益；利用所述调额规则选择收益值为最大值的额度值作为调整之后所述用户的额度。
根据本发明的一种优选实施方式，所述使用所述额度调整规则筛选所述客群分组并对所述客群分组的用户进行额度调整的步骤，进一步还包括：基于所述风险约束条件，对额度调整后不同的所述客群分组或同一所属客群分组中的用户进行调整。
本发明的第二方面提供了一种基于客群筛选的额度调整装置，包括：
用户画像构建模块，用于根据用户信息数据构建用户画像；
客群划分模块，用于利用所述用户画像将所述用户分为不同的客群；
模型构建模块，用于基于所述不同客群用户的行为评分、收益及风险数据构建用户收益模型；
客群分组模块，用于根据所述不同客群用户的行为评分将所述不同客群用户进一步划分为不用的客群分组。
规则构建模块，用于构建额度调整规则；
额度调整模块，用于使用所述规则构建模块构建的所述额度调整规则筛选所述客群分组，并对所述客群分组的用户进行额度调整。
根据本发明的一种优选实施方式，所述用户画像构建模块进一步包括：用户信息获取单元，用于获取用户信息数据，所述用户信息数据包括用户基本属性数据、行为数据及金融数据；标签提取单元，用于利用所述用户信息数据，采用机器学习的方法提取所述用户的多维度特征标签，所述维度特征标签包括属性维度、行为维度、风险维度、模型评分维度中的至少一个；分析单元，用于根据所述用户的多维度特征标签构建所述用户的风险画像。
根据本发明的一种优选实施方式，进一步还包括风险筛查模块，用于对不同客群的用户进行风险筛查。
根据本发明的一种优选实施方式，所述风险筛查模块进一步还包括：强风险筛查单元，用于依据强风险规则剔除所述客群中的用户；和/或弱风险筛查单元，用于对所述客群中的用户进行差异化处理。
根据本发明的一种优选实施方式，所述客群分组模块进一步还包括：行为评分卡模型构建单元，用于构建行为评分卡模型对所述风险筛查后的不同客群的用户进行行为评分；客群分组单元，用于获取不同客群用户的行为评分，并依据所述行为评分将客群中用户进一步划分为不同的客群分组；修正单元，用于获取所述客群分组中用户的实际风险表现及收益表现，并基于所述实际风险表现及收益表现通知所述行为评分卡模型构建单元修正调整所述行为评分卡模型，以符合各客群分组的所述用户行为评分、实际风险表现及收益表现同时分别满足相同的单调趋势。
根据本发明的一种优选实施方式，所述额度调整模块进一步还包括：信息获取单元，用于获取不同客群分组用户的调额基础信息数据，所述调额基础信息数据包括根据调整后的行为评分卡模型获取的所述不同客群分组的用户的行为评分、实际风险表数据及收益数据；调额模型构建单元，用于利用所述调额基础信息数据采用机器学习的方法构建调额模型。
根据本发明的一种优选实施方式，所述规则构建模块进一步包括：收益获取模块，获取利用所述额度调整模块调额前后客群分组用户的收益；比较选择模块，用于比较调额前后的用户收益，选择其中的较大值。
根据本发明的一种优选实施方式，所述额度调整模块及规则构建模块进一步还用于：获取调额后的风险约束条件；基于所述风险约束条件利用所述调额模型获取额度调整后所述客群分组的用户收益；利用所述规则构建模块选择收益值为最大值的额度值作为调整之后的所述用户额度。
根据本发明的一种优选实施方式，进一步还包括用户调整模块，用于基于风险约束条件，对额度调整后不同的所述客群分组或同一所述客群分组中的用户进行调整。
本发明的第三方面提供一种电子设备，其中，该电子设备包括：
处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述的基于客群筛选的额度调整方法。
本发明的第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的基于客群筛选的额度调整方法。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是根据一示例性实施例示出的一种基于客群筛选的额度调整方法的主要流程示意图。
图2是根据一示例性实施例示出的一种客群筛选方法的流程示意图。
图3是根据一示例性实施例示出的客群分组构建方法的流程示意图。
图4是根据一示例性实施例示出的一种基于客群筛选的额度调整方法中额度调整的流程示意图。
图5是根据一示例性实施例示出的一种基于客群筛选的额度调整装置的框图。
图6是根据一示范性实施例示出的一种基于客群筛选的额度调整装置中用户画像构建模块的框图。
图7是根据一示范性实施例示出的一种基于客群筛选的额度调整装置中客群分组模块的框图。
图8是根据一示范性实施例示出的一种基于客群筛选的额度调整装置中额度调整模块的框图。
图9是根据本发明的一种电子设备的示例性实施例的结构框图。
图10是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
图1是根据一示例性实施例示出的一种基于客群筛选的额度调整方法的主要流程示意图。基于客群筛选的额度调整方法至少包括两个大的步骤。
在步骤S101中，主要通过模型评分、规则筛查等手段，将用户分为不同的客群分组。每个客群分组中的用户具有相同的特征，各个客群分组之间用户具有不同的特征。
通过步骤S101，可以将用户分为多个不同客群分组，可以对同一类型的用户采用相同的风控手段及营销策略，提高了整体效率；对不同类型的客户采取差异化授信处理及营销策略，极大地提高了针对性和覆盖度。
在步骤S102中，对经过筛选的客群分组中的用户进行额度调整，在确保风险控制的基础上，实现收益的最大化。
下面分别对步骤S101和步骤S102进行详细描述。
S101客群分组步骤
图2是根据一示例性实施例示出的一种客群筛选方法的流程示意图。图3是根据一示例性实施例示出的客群分组构建方法的流程示意图。其中客群筛选方法至少包括S201-S204四个步骤，客群分组构建方法至少包括S301-S305五个步骤。
如图2所示，在步骤S201中，构建用户画像。
获取用户数据；将所述用户数据划分为多个维度的数据；针对不同维度的数据建立不同的用户标签；基于所述不同的用户标签，创建用户风险画像。
其中，所述多个维度，进一步包括：属性维度、行为维度、风险维度、模型评分维度中的至少一个。
作为示例，从各数据源获取用户数据。其中，通过求职平台获取用户的年龄、性别、学历、所在地区、职业、收入等数据；通过网购平台网购软件登录时间、网购软件登录频次、网购商品类型、网购商品价格、月网购消费金额等数据；通过金融平台获取逾期次数、逾期天数、选择的分期期数、平台贷款频率、AI模型评分等数据。
将获取到的上述数据划分为属性数据、行为数据、风险数据、模型评分数据等维度。
其中，模型评分数据至少包括：AI模型评分。
针对属性数据、行为数据、风险数据建立不同的机器学习模型，用于输出针对不同维度数据的评分，根据评分得到用户的标签。
作为示例，属性类评分模型可通过回归分析、决策树、人工神经网络、支持向量机、K-Means、关联规则、和/或时序模式算法实现，使得输入用户属性数据，可以得到属性与非的概率，作为属性类评分，属性与的用户记为为1，该用户则获取相应标签；属性非的用户记为为0，则不获取相应的标签。
行为类评分模型、风险类评分模型的构建过程与属性类评分模型的构建过程相似，本发明在此不再赘述。
获取到用户的标签包括属性、行为、风险、AI模型评分等，则根据获取到的上述标签创建用户风险画像。
在步骤S202中，利用用户画像划分客群
其中，所述根据所述用户画像，将用户划分为多个客群，进一步包括：选取用户标签；基于所述选取的用户标签，建立分群规则；按照所述分群规则分析所述的用户风险画像，并将用户划分为多个客群。
作为示例，选取具有属性A、属性B、风险值A、风险值B四个标签，建立分群规则。按照所述建立的分群规则，用户图像中具有属性A、属性B、风险值A、风险值B四个标签的用户可划分为一个客群。
按照类似方法，将用户可分为互相不重复的若干个用户客群。
在步骤203中，进行构建风险筛查规则，对所述不同客群的用户进行风险筛查。
在一个实施例中，所述风险筛查规则包括：强风险筛查规则，用于剔除所述客群中的用户，和/或弱风险筛查规则，用于对所述客群中的用户进行差异化处理。
对所述不同客群的用户至少使用风险筛查规则中的强风险筛查规则进行风险筛查。
作为示例，统一对各个客群剔除符合强风险规则的用户。强风险规则，即完全不予通过的规则，即该用户的硬性条件，表明该用户的风险极大。可例如客群A中存在多头借贷的情况，用户的风险极大，利用强风险规则剔除客群A中的该用户。
对各客群采用强风险规则后，可对客群采用弱风险类规则筛查，由于各个客群的属性不尽相同，弱风险类规则并不会对每类客群都呈现有效的区分度，仅对个别客群使用弱风险规则，显现客户分群的差异化策略。
弱风险规则不剔除客户，仅做客群差异化调幅策略使用。例如：有无学历规则，风险对应值为0.3％和0.5％，则有学历客户调幅高，无学历客户调幅低。
在步骤S204中，进行过风险筛查的用户进一步划分客群分组
如图3所示，在步骤S301中，构建行为评分卡模型
行为评分卡模型又叫B卡模型，是根据贷款任放贷后的表现行为，预测未来逾期/违约的风险概率模型，主要用于贷款发放之后、到期之前的时间段，即“贷中”环节。
行为评分卡模型为金融机构常用的风控手段之一，本发明中行为评分卡模型的构建可使用本领域常用的任意方式，并不依赖于其他新的技术手段，因此本发明不再赘述。
在步骤S302中，初步评分及划分客群分组。
基于行为评分卡模型对客群中的用户进行评分，按照评分的梯度次序将所有客群中的用户进一步划分为若干个客群分组。
作为示例，使用行为评分卡模型获取用户的行为评分，根据所述用户行为评分的高低，对过滤后的客群中的用户进行由高到低的排序，按照排序结果切分过滤后的客群中的用户形成客群分组。
在步骤S303中，获取用户实际表现
获取被划分为不同的客群分组的用户的实际风险表现及和收益表现。
在一个实施例中，所述风险表现包括用户的逾期率、违约率等，收益表现可包括用户的利润率等。
在步骤S304中，判断所述客群分组是否满足分组规则。
行为评分卡能准确描述出用户贷中风险表现，按照理想模式，用户行为评分卡模型得分越高，则风险表现值越低，用户购买的信贷产品所创造的收益越高，即同时满足行为评分卡模型评分单调递减、风险表现值单调递增，收益单调递减的趋势。
对经过步骤S302切分的用户客群分组进行分组规则判断。
在一个实施例中，所述分组规则即判断根据用户行为评分卡模型评分所划分的客群分组之间是不是依照评分的单调递减，同时呈现出划分的客群分组风险单调递增、收益单调递减趋势。
如满足相应的分组规则，则形成最终的客群分组；如不满足相应的分组规则，则返回至步骤S301对行为评分卡模型进行修正，重新划分客群分组以满足相应的分组规则。
由于用户行为评分较强风、弱风险规则等其他策略的颗粒度最为细腻，因此作为最后的兜底规则，有利于将客群切分为小方块。
S102额度调整步骤
图4是根据一示例性实施例示出的一种基于客群筛选的额度调整方法中额度调整的流程示意图。其中额度调整至少包括S401-S404四个步骤。
如图4所示，在步骤S401中，获取调额基础信息数据
获取不同客群分组用户的用于调额的基础信息数据，所述调额基础信息数据包括用户基础信息数据、基于步骤S101中调整后的行为评分卡模型获取所述不同客群分组的用户的行为评分、实际风险表现数据及收益数据。
在一个实施例中，所述实际风险数据具体可包括用户的逾期率、违约率等，所述收益数据具体可包括用户贷款行为所创造的利润及利润率。
在步骤S402中，构建调额模型及调额规则
将步骤S401中获取的不同客群分组用户的调额基础信息数据作为训练样本，采用机器学习的方法构建调额模型。
所述调额模型的输入层数据为用户的基础信息数据、行为评分、用户授信额度，输出层数据为所述用户的风险数据及收益。
所述机器学习的方法进一步可包括寻找最优解的一系列机器学习方法，具体可包括梯度下降法、牛顿法、拟牛顿法、共轭梯度法等。上述寻找最优解的方法均为机器学习常用方法，具体做法本发明就不赘述。
构建调额规则，所述调额规则具体可包括获取调额前后客群分组的用户收益；比较调额前后所述用户收益，获取其中的较大值。
在一个实施例中，调额规则函数可用max(Y,y)表示，
其中Y：当前收益，y：预测收益，y＝f(n％,risk,used_amt)
其中n％调幅，risk风险，used_amt余额
上述关于y的获取方式具体可通过调额模型获取。
在步骤S403获取风险约束条件步骤中，根据业务需要确定风险约束条件。
在一个实施例中，所述风险约束条件具体可以包括整体风险率的上限阈值。
在步骤S404中，基于选定的风险约束条件，将客群分组内用户的调额基础信息数据作为模型输入项，风险阈值作为约束收敛项，在风险约束条件下，通过调额模型具体得出收益率最高的额度调整幅度。
对所有客群分组均采用类似方式，可获得风险约束条件下的最优调额方案。
进一步的，还可根据调额后的用户状况，对用户客群分组进行调整。其中，调整的模式可以是不同客群分组之间的调整，也可以是同一客群分组中用户的调整。
使用本发明所述的基于客群筛选的调额方法，可以更为精准的划分客户分类，提高整体组合的覆盖率，平衡规模、风险以及收益，从而制定出基于不同业务目标的多套风控筛选策略，最终优化整体风险水平以及扩大促动动支后转化的业务收益。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图5是根据一示例性实施例示出的一种基于客群筛选的额度调整装置的框图。
如图5所示，所述基于客群筛选的额度调整装置500具体可包括用户画像构建模块501、客群划分模块502、风险筛查模块503、客群分组模块504、规则构建模块505、额度调整模块506。
用户画像构建模块501用于根据用户的信息数据构建用户画像。
图6是根据一示范性实施例示出的一种基于客群筛选的额度调整装置中用户画像构建模块的框图。
如图6所示，用户画像构建模块包括用户信息获取单元601、标签提取单元602、分析单元603。
用户信息获取单元601用于获取用户信息数据，所述用户信息数据包括用户基本属性数据、行为数据及金融数据。
标签提取单元602用于利用所述用户信息数据，采用机器学习的方法提取所述用户的多维度特征标签，所述维度特征标签包括属性维度、行为维度、风险维度、模型评分维度中的至少一个。
分析单元603用于根据所述用户的多维度特征标签构建所述用户的风险画像。
作为示例，用户信息获取单元601从各数据源获取用户数据。其中，通过求职平台获取用户的年龄、性别、学历、所在地区、职业、收入等数据；通过网购平台网购软件登录时间、网购软件登录频次、网购商品类型、网购商品价格、月网购消费金额等数据；通过金融平台获取逾期次数、逾期天数、选择的分期期数、平台贷款频率、AI模型评分等数据。
标签提取单元602将获取到的上述数据划分为属性数据、行为数据、风险数据、模型评分数据等维度。
其中，模型评分数据至少包括：AI模型评分。
针对属性数据、行为数据、风险数据建立不同的机器学习模型，用于输出针对不同维度数据的评分，根据评分得到用户的标签。
作为示例，属性类评分模型可通过回归分析、决策树、人工神经网络、支持向量机、K-Means、关联规则、和/或时序模式算法实现，使得输入用户属性数据，可以得到属性与非的概率，作为属性类评分，属性与的用户记为为1，该用户则获取相应标签；属性非的用户记为为0，则不获取相应的标签。
行为类评分模型、风险类评分模型的构建过程与属性类评分模型的构建过程相似，本发明在此不再赘述。
分析单元603获取到标签提取单元602提取的用户标签，包括属性、行为、风险、AI模型评分等，根据获取到的上述标签创建用户风险画像。
客群划分模块502用于利用所述用户画像将所述用户分为不同的客群。客群划分模块502选取用户标签；基于所述选取的用户标签，建立分群规则；按照所述分群规则分析所述的用户风险画像，并将用户划分为多个客群。
作为示例，选取具有属性A、属性B、风险值A、风险值B四个标签，建立分群规则。按照所述建立的分群规则，客群划分模块502将用户图像中具有属性A、属性B、风险值A、风险值B四个标签的用户划分为一个客群。
按照类似方法，客群划分模块502将用户可分为互相不重复的若干个用户客群。
风险筛查模块503用于对不同客群的用户进行风险筛查。风险筛查单元503进一步包括强风险筛查单元，用于依据强风险规则剔除所述客群中的用户；和/或弱风险筛查单元，用于对所述客群中的用户进行差异化处理。对所述不同客群的用户，风险筛查模块503至少使用风险筛查规则中的强风险筛查规则进行风险筛查。
作为示例，风险筛查模块503统一对各个客群剔除符合强风险规则的用户。强风险规则，即完全不予通过的规则，即该用户的硬性条件，表明该用户的风险极大。可例如客群A中存在多头借贷的情况，用户的风险极大，利用强风险规则剔除客群A中的该用户。
风险筛查模块503对各客群采用强风险规则后，可对客群采用弱风险类规则筛查，由于各个客群的属性不尽相同，弱风险类规则并不会对每类客群都呈现有效的区分度，仅对个别客群使用弱风险规则，显现客户分群的差异化策略。弱风险规则不剔除客户，仅做客群差异化调幅策略使用。例如：有无学历规则，风险对应值为0.3％和0.5％，则有学历客户调幅高，无学历客户调幅低。
客群分组模块504用于根据所述不同客群用户的行为评分将所述不同客群用户进一步划分为不用的客群分组。
图7是根据一示范性实施例示出的一种基于客群筛选的额度调整装置中客群分组模块的框图。
如图7所示，客群分组模块504进一步包括行为评分卡模型构建单元701、客群分组单元702和修正单元703。
行为评分卡模型构建单元701，用于构建行为评分卡模型对所述风险筛查后的不同客群的用户进行行为评分。
行为评分卡模型又叫B卡模型，是根据贷款任放贷后的表现行为，预测未来逾期/违约的风险概率模型，主要用于贷款发放之后、到期之前的时间段，即“贷中”环节。
构建行为评分卡模型为金融机构常用的风控手段之一，本发明中行为评分卡模型构建单元可使用本领域常用的任意方式，并不依赖于其他新的技术手段，因此本发明不再赘述。
客群分组单元702，用于获取不同客群用户的行为评分，并依据所述行为评分将客群中用户进一步划分为不同的客群分组。
作为示例，客群分组单元702使用行为评分卡模型获取用户的行为评分，根据所述用户行为评分的高低，对过滤后的客群中的用户进行由高到低的排序，按照排序结果切分过滤后的客群中的用户形成客群分组。
修正单元703，用于获取客群分组单元702划分的所述客群分组中用户的实际风险表现及收益表现，并基于所述实际风险表现及收益表现通知所述行为评分卡模型构建单元修正调整所述行为评分卡模型，以符合各客群分组的所述用户行为评分、实际风险表现及收益表现同时分别满足单调趋势。
规则构建模块505用于构建额度调整规则。规则构建模块505进一步包括收益获取单元，获取利用所述额度调整模块调额前后客群分组用户的收益；比较选择单元，用于比较调额前后的用户收益，选择其中的较大值。
额度调整模块506用于使用所述规则构建模块构建的所述额度调整规则筛选所述客群分组，并对所述客群分组的用户进行额度调整。
图8是根据一示范性实施例示出的一种基于客群筛选的额度调整装置中额度调整模块的框图。
如图8所示，额度调整模块506具体可包括信息获取单元801和额度模型构建单元802。
信息获取单元801，用于获取不同客群分组用户的调额基础信息数据，所述调额基础信息数据包括根据调整后的行为评分卡模型获取的所述不同客群分组的用户的行为评分、实际风险表数据及收益数据。
调额模型构建单元802，用于利用所述调额基础信息数据采用机器学习的方法构建调额模型。
所述机器学习的方法进一步可包括寻找最优解的一系列机器学习方法，具体可包括梯度下降法、牛顿法、拟牛顿法、共轭梯度法等。上述寻找最优解的方法均为机器学习常用方法，具体做法本发明就不赘述。
在一个实施例中，规则构建模块505制定调额规则函数，可用max(Y,y)表示。
其中Y：当前收益，y：预测收益，y＝f(n％,risk,used_amt)
其中n％调幅，risk风险，used_amt余额
上述关于预期收益y的获取方式具体可通过额度模型构建单元802构建调额模型获取。
额度调整模块506进一步可用于获取风险约束条件。基于选定的风险约束条件，将客群分组内用户的调额基础信息数据作为模型输入项，风险阈值作为约束收敛项，在风险约束条件下，通过调额模型具体得出收益率最高的额度调整幅度。
额度调整模块506对所有客群分组均采用类似方式，可获得风险约束条件下的最优调额方案。
使用本发明所述的基于客群筛选的调额装置，可以更为精准的划分客户分类，提高整体组合的覆盖率，平衡规模、风险以及收益，从而制定出基于不同业务目标的多套风控筛选策略，最终优化整体风险水平以及扩大促动动支后转化的业务收益。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图9是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图9来描述根据本发明该实施例的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：至少一个处理单元910、至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1所示的步骤。
所述存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
所述存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1A00(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器960可以通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于客群筛选的额度调整方法，其特征在于：
根据用户信息数据构建用户画像，并利用所述用户画像将用户分为不同的客群；
构建风险筛查规则，对所述不同客群的用户至少使用风险筛查规则中的强风险筛查规则进行风险筛查；
基于所述不同客群用户的行为评分、收益及风险数据构建用户收益模型并将所述不同客群用户进一步分为不同的客群分组，包括：
利用构建的行为评分卡模型初步对所述风险筛查后的不同客群的用户进行行为评分，获取所述不同客群的用户的行为评分，并依据所述行为评分的梯度次序将所述不同客群的用户划分为不同的客群分组；
获取划分的所述不同客群分组的用户的实际风险表现及收益表现；
判断所述不同客群分组是否满足分组规则，包括：
基于所述实际风险表现及收益表现调节所述行为评分卡模型以使得满足分组规则：根据所述用户行为评分划分的所述不同客群分组之间是否依照所述用户行为评分的单调递减、同时呈现出划分的所述不同客群分组的实际风险表现的值的单调递增趋势、以及收益表现的值的单调递减趋势；当满足分组规则时形成最终的不同客群分组；当不满足分组规则时返回继续调节所述行为评分卡模型并重新划分不同客群分组直到满足分组规则为止；
构建额度调整规则，包括：获取调额前后不同客群分组的用户收益，比较调额前后所述用户收益，以及获取其中的较大值；
使用所述额度调整规则筛选所述客群分组并对所述客群分组的用户进行额度调整，包括：获取所述不同客群分组用户的用于调额的基础信息数据，所述调额的基础信息数据包括：调节后的行为评分卡模型获取的所述不同客群分组用户的行为评分、实际风险表现和收益表现；获取调额后风险约束条件；基于所述风险约束条件，利用构建的调额模型输入所述不同客群分组的用户的用于调额的基础信息数据，并利用风险阈值作为约束收敛项，预测额度调整后所述客群分组的用户收益；按照所述调额规则比较后，选择收益值为最大值的额度值作为调整之后所述用户的额度。
2.根据权利要求1所述的方法，其特征在于，所述根据用户信息数据构建所述用户画像，并利用所述用户画像将所述用户分为不同的客群的步骤进一步包括：
获取所述用户信息数据，所述用户信息数据包括用户基本属性数据、行为数据、金融数据；
利用所述用户信息数据，采用机器学习的方法提取所述用户的多维度特征标签，并构建所述用户的风险画像，其中，所述多维度特征标签包括属性维度、行为维度、风险维度、模型评分维度中的至少一个；
基于所述多维度特征标签将所述用户分为不同的客群。
3.根据权利要求1或2所述的方法，其特征在于：
所述风险筛查规则包括：强风险筛查规则，用于剔除所述客群中的用户，和/或弱风险筛查规则，用于对所述客群中的用户进行差异化处理。
4.根据权利要求1所述的方法，其特征在于：
获取不同客群分组用户的调额基础信息数据，所述调额基础信息数据包括根据调整后的行为评分卡模型获取所述不同客群分组的用户的行为评分、实际风险表现数据及收益数据；
利用所述调额基础信息数据采用机器学习的方法构建调额模型。
5.根据权利要求1所述的方法，其特征在于，所述使用所述额度调整规则筛选所述客群分组并对所述客群分组的用户进行额度调整的步骤，还包括：
基于所述风险约束条件，根据调额后的用户状况，对额度调整后不同的所述客群分组或同一所述客群分组中的用户进行调整。
6.一种基于客群筛选的额度调整装置，其特征在于，包括：
用户画像构建模块，用于根据用户信息数据构建用户画像；
客群划分模块，用于利用所述用户画像将所述用户分为不同的客群；
风险筛查模块，用于构建风险筛查规则，对所述不同客群的用户至少使用风险筛查规则中的强风险筛查规则进行风险筛查；
客群分组模块，用于基于所述不同客群的用户的行为评分、收益及风险数据构建用户收益模型，并根据所述不同客群用户的行为评分将所述不同客群用户进一步划分为不同的客群分组，包括：
客群分组单元，用于获取所述不同客群的用户的行为评分，并依据所述行为评分的梯度次序将所述不同客群的用户进一步划分为不同的客群分组；
行为评分卡模型构建单元，用于构建行为评分卡模型，通过所述行为评分卡模型初步对所述风险筛查后的不同客群的用户进行行为评分；
修正单元，用于获取所述不同客群分组中用户的实际风险表现及收益表现，判断所述不同客群分组是否满足分组规则，包括：基于所述实际风险表现及收益表现调节所述行为评分卡模型以使得满足分组规则：根据所述用户行为评分划分的所述不同客群分组之间是否依照所述用户行为评分的单调递减、同时呈现出划分的所述不同客群分组的实际风险表现的值的单调递增趋势、以及收益表现的值的单调递减趋势；当满足分组规则时形成最终的不同客群分组；当不满足分组规则时返回继续调节所述行为评分卡模型并重新划分不同客群分组直到满足分组规则为止；
规则构建模块，用于构建额度调整规则，包括：收益获取单元，获取利用所述额度调整模块调额前后客群分组用户的收益；比较选择单元，用于比较调额前后的用户收益，选择其中的较大值；
额度调整模块，用于使用所述规则构建模块构建的所述额度调整规则筛选所述客群分组，并对所述客群分组的用户进行额度调整，包括：获取所述不同客群分组用户的用于调额的基础信息数据，所述调额基础信息数据包括：调节后的行为评分卡模型获取的所述不同客群分组用户的行为评分、实际风险表现和收益表现；获取调额后风险约束条件；基于所述风险约束条件，利用构建的调额模型输入所述不同客群分组的用户的用于调额的基础信息数据，并利用风险阈值作为约束收敛项，预测额度调整后所述客群分组的用户收益；按照所述调额规则比较后选择收益值为最大值的额度值作为调整之后所述用户的额度。
7.根据权利要求6所述的装置，其特征在于，所述用户画像构建模块包括：
用户信息获取单元，用于获取用户信息数据，所述用户信息数据包括用户基本属性数据、行为数据及金融数据；
标签提取单元，用于利用所述用户信息数据，采用机器学习的方法提取所述用户的多维度特征标签，所述维度特征标签包括属性维度、行为维度、风险维度、模型评分维度中的至少一个；
分析单元，用于根据所述用户的多维度特征标签构建所述用户的风险画像。
8.根据权利要求6或7所述的装置，其特征在于，所述风险筛查模块还包括：
强风险筛查单元，用于依据强风险规则剔除所述客群中的用户；
和/或弱风险筛查单元，用于对所述客群中的用户进行差异化处理。
9.根据权利要求6所述的装置，其特征在于，所述额度调整模块还包括：
信息获取单元，用于获取不同客群分组用户的调额基础信息数据，所述调额基础信息数据包括根据调整后的行为评分卡模型获取的所述不同客群分组的用户的行为评分、实际风险表数据及收益数据；
调额模型构建单元，用于利用所述调额基础信息数据采用机器学习的方法构建调额模型。
10.根据权利要求6所述的装置，其特征在于：
用户调整模块，用于基于风险约束条件，对额度调整后不同的所述客群分组或同一所述客群分组中的用户进行调整。
11.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942007.8A CN110807527B (zh) | 2019-09-30 | 2019-09-30 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942007.8A CN110807527B (zh) | 2019-09-30 | 2019-09-30 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807527A CN110807527A (zh) | 2020-02-18 |
| CN110807527B true CN110807527B (zh) | 2023-11-14 |
Family
ID=69488055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910942007.8A Active CN110807527B (zh) | 2019-09-30 | 2019-09-30 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807527B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837512B (zh) * | 2020-06-23 | 2024-08-13 | 中国移动通信集团辽宁有限公司 | 异常用户的识别方法及装置 |
| CN112016795A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 一种并行资源配额调整方法、装置及系统 |
| CN112017062B (zh) * | 2020-07-15 | 2024-06-07 | 北京淇瑀信息科技有限公司 | 基于客群细分的资源额度分配方法、装置及电子设备 |
| CN111598360B (zh) * | 2020-07-24 | 2024-08-20 | 北京淇瑀信息科技有限公司 | 服务策略确定方法、装置及电子设备 |
| CN112001787B (zh) * | 2020-08-19 | 2024-04-09 | 深圳鼎盛电脑科技有限公司 | 用户分流方法、装置、服务器及存储介质 |
| CN112200656A (zh) * | 2020-09-17 | 2021-01-08 | 中国建设银行股份有限公司 | 一种房贷的线上预审批方法、装置、介质及电子设备 |
| CN112288436A (zh) * | 2020-10-27 | 2021-01-29 | 上海淇馥信息技术有限公司 | 一种触发式资源配额调整方法、装置和系统 |
| CN112598244B (zh) * | 2020-12-15 | 2024-04-16 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
| CN112927068B (zh) * | 2021-03-30 | 2024-08-20 | 善诊(上海)信息技术有限公司 | 业务数据风险分类门限确定方法、装置、设备及存储介质 |
| CN113379533A (zh) * | 2021-06-11 | 2021-09-10 | 重庆农村商业银行股份有限公司 | 一种循环贷款提额方法、装置、设备及存储介质 |
| CN113254510B (zh) * | 2021-07-06 | 2021-09-28 | 平安科技（深圳）有限公司 | 业务风险客群的识别方法、装置、设备及存储介质 |
| 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 |
| CN114139657B (zh) * | 2022-02-07 | 2022-04-26 | 深圳索信达数据技术有限公司 | 客群画像生成方法、装置、电子设备和储存介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971338A (zh) * | 2017-04-26 | 2017-07-21 | 北京趣拿软件科技有限公司 | 数据评估的方法和装置 |
| CN107122390A (zh) * | 2017-03-04 | 2017-09-01 | 华数传媒网络有限公司 | 基于用户群组的推荐系统构建方法 |
| CN107516246A (zh) * | 2017-08-25 | 2017-12-26 | 北京京东尚科信息技术有限公司 | 用户类型的确定方法、确定装置、介质及电子设备 |
| CN107862602A (zh) * | 2017-11-23 | 2018-03-30 | 安趣盈（上海）投资咨询有限公司 | 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 |
| CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
| CN108961040A (zh) * | 2018-06-29 | 2018-12-07 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款额度评估系统及方法 |
| CN109118288A (zh) * | 2018-08-22 | 2019-01-01 | 中国平安人寿保险股份有限公司 | 基于大数据分析的目标用户获取方法及装置 |
| CN109146474A (zh) * | 2018-07-18 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种支付限额定制方法及装置 |
| CN109242673A (zh) * | 2018-11-04 | 2019-01-18 | 上海良鑫网络科技有限公司 | 鹰眼反欺诈大数据风控评估系统 |
| CN109670927A (zh) * | 2017-10-13 | 2019-04-23 | 腾讯科技（深圳）有限公司 | 信用额度的调整方法及其装置、设备、存储介质 |
| CN110060144A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技（深圳）有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
| TWM582173U (zh) * | 2019-02-14 | 2019-08-11 | 中國信託商業銀行股份有限公司 | Credit card quota management system |
| CN110135971A (zh) * | 2019-04-15 | 2019-08-16 | 上海良鑫网络科技有限公司 | 基于弱变量数据的信用风险评估系统与方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090299886A1 (en) * | 2008-05-29 | 2009-12-03 | Bank Of America | Activity based credit card limit assignment |
| US20170046779A1 (en) * | 2015-08-14 | 2017-02-16 | International Business Machines Corporation | Long step and healthy credit limit enhancement based on markov decision processes without experimental design |
-
2019
- 2019-09-30 CN CN201910942007.8A patent/CN110807527B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107122390A (zh) * | 2017-03-04 | 2017-09-01 | 华数传媒网络有限公司 | 基于用户群组的推荐系统构建方法 |
| CN106971338A (zh) * | 2017-04-26 | 2017-07-21 | 北京趣拿软件科技有限公司 | 数据评估的方法和装置 |
| CN107516246A (zh) * | 2017-08-25 | 2017-12-26 | 北京京东尚科信息技术有限公司 | 用户类型的确定方法、确定装置、介质及电子设备 |
| CN109670927A (zh) * | 2017-10-13 | 2019-04-23 | 腾讯科技（深圳）有限公司 | 信用额度的调整方法及其装置、设备、存储介质 |
| CN107862602A (zh) * | 2017-11-23 | 2018-03-30 | 安趣盈（上海）投资咨询有限公司 | 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 |
| CN108961040A (zh) * | 2018-06-29 | 2018-12-07 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款额度评估系统及方法 |
| CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
| CN109146474A (zh) * | 2018-07-18 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种支付限额定制方法及装置 |
| CN109118288A (zh) * | 2018-08-22 | 2019-01-01 | 中国平安人寿保险股份有限公司 | 基于大数据分析的目标用户获取方法及装置 |
| CN109242673A (zh) * | 2018-11-04 | 2019-01-18 | 上海良鑫网络科技有限公司 | 鹰眼反欺诈大数据风控评估系统 |
| TWM582173U (zh) * | 2019-02-14 | 2019-08-11 | 中國信託商業銀行股份有限公司 | Credit card quota management system |
| CN110060144A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技（深圳）有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
| CN110135971A (zh) * | 2019-04-15 | 2019-08-16 | 上海良鑫网络科技有限公司 | 基于弱变量数据的信用风险评估系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807527A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807527B (zh) | 一种基于客群筛选的额度调整方法、装置和电子设备 | |
| CN112270546A (zh) | 基于stacking算法的风险预测方法、装置和电子设备 | |
| JP7125358B2 (ja) | 計算機システム及び入力データに対する予測結果の根拠に関する情報の提示方法 | |
| CN111080442A (zh) | 信用评分模型的构建方法、装置、设备及存储介质 | |
| CN110349000A (zh) | 基于用户分群的提额策略确定方法、装置和电子设备 | |
| CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
| CN110807653A (zh) | 一种筛选用户的方法、装置和电子设备 | |
| CN110415103A (zh) | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 | |
| CN110349007A (zh) | 基于变量区分度指标进行用户分群提额的方法、装置和电子设备 | |
| CN109690581A (zh) | 用户指导系统及方法 | |
| CN113742492A (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
| CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN112449002A (zh) | 一种待推送对象的推送方法、装置、设备及存储介质 | |
| CN112016797B (zh) | 基于knn的资源配额调整方法、装置和电子设备 | |
| CN111582315A (zh) | 样本数据处理方法、装置及电子设备 | |
| WO2020124087A1 (en) | Value index score | |
| Keles et al. | IBMMS decision support tool for management of bank telemarketing campaigns | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| CN112508690A (zh) | 一种基于联合分布适配的风险评估方法、装置和电子设备 | |
| CN108629381A (zh) | 基于大数据的人群筛选方法及终端设备 | |
| Daneshmandi et al. | A hybrid data mining model to improve customer response modeling in direct marketing | |
| CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
| CN115587884A (zh) | 一种基于改进的极限学习机的用户贷款违约预测方法 | |
| CN111753992A (zh) | 筛选方法和筛选系统 | |
| CN111599342A (zh) | 音色选择方法和选择系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |