CN110956471A - 装修行业征信数据的分析方法 - Google Patents

装修行业征信数据的分析方法 Download PDF

Info

Publication number
CN110956471A
CN110956471A CN201911032513.XA CN201911032513A CN110956471A CN 110956471 A CN110956471 A CN 110956471A CN 201911032513 A CN201911032513 A CN 201911032513A CN 110956471 A CN110956471 A CN 110956471A
Authority
CN
China
Prior art keywords
credit investigation
data
credit
investigation data
preset
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
Application number
CN201911032513.XA
Other languages
English (en)
Inventor
祝德兆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huayue Game Technology Co Ltd
Original Assignee
Beijing Huayue Game Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huayue Game Technology Co Ltd filed Critical Beijing Huayue Game Technology Co Ltd
Priority to CN201911032513.XA priority Critical patent/CN110956471A/zh
Publication of CN110956471A publication Critical patent/CN110956471A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种装修行业征信数据的分析方法，所述分析方法包括：接收征信数据分析请求，获取所述分析请求指向的待分析的征信数据；对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数；选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级；具备高效地对装修行业的征信数据进行分析的有效效果，提高了装修行业征信数据的可靠性和数据分析的效率。

Description

装修行业征信数据的分析方法
技术领域
本发明涉及数据处理技术领域，特别涉及一种装修行业征信数据的分析方法。
背景技术
征信数据是征信机构依法采集、调查、保存、整理并提供的个人或者企业的征信信息的活动；征信机构可以根据采集的信息，对采集对象进行信用评分，并以信用报告的形式提供采集对象的信用记录。征信的分数，反映了采集对象的征信状态，分数越高，该用户可能出现的风险越低即信用越好，反之，信用越差。征信数据在各行各业都具有至关重要的参考意义。
在装修行业，不管是银行为企业提供融资比如金融借贷服务，还是用户选择装修公司，都需要了解对应的装修公司的可靠性，比如该装修公司的是否靠谱。因此，在装修行业，为了给用户的需求提供重要依据，对装修公司的征信数据进行分析则显得尤为重要。
发明内容
本发明提供一种装修行业征信数据的分析方法，用以对装修公司的征信数据进行分析，提高装修行业征信数据的可靠性。
本发明提供了一种装修行业征信数据的分析方法，所述装修行业征信数据的分析方法包括：
接收征信数据分析请求，获取所述分析请求指向的待分析的征信数据；
对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数；
选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级。
进一步地，所述征信数据分析请求中携带有目标分析对象的对象标识；
其中，所述对象标识包括：集体标识和个人标识，且每一个集体标识唯一对应一个企业单位，每一个个人标识唯一对应一个自然人用户。
进一步地，所述对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数，包括：
识别所述征信数据分析请求中所携带的对象标识的种类和数量；
根据识别结果，以所述对象标识为单位，将所述征信数据按照所述对象标识进行分类，且每一个对象标识对应一种数据分类；
将每个对象标识对应的征信数据进行归一化的融合处理，得到各对象标识分别对应的征信参数。
进一步地，对所述征信数据进行分类时，按照征信数据分类模型执行；其中，所述征信数据分类模型包括：
Figure BDA0002250556220000021
其中，xei为第ei条征信信息，ei为征信数据的属性个数变量，初始值为1，以1为单位递增，最大值为n，n为征信数据的属性个数总量；fnb为由naivebayesian(nb)算法训练出来的假设，fnb(x)取值为贝叶斯分类器对于给定x的因素下，最可能出现的情况o，o为样本类；y为所有样本类集合，y是o的取值集合，uo,ei为第o类样本在第ei个属性上取值的均值，
Figure BDA0002250556220000022
为第o类样本在第ei个属性上取值的方差，argmaxo∈y(q)表示寻找使q的取值最大的o。
进一步地，所述将每个对象标识对应的征信数据进行归一化的融合处理，得到各对象标识分别对应的征信参数，包括：
若所述对象标识对应的征信数据只有一条，则将该条征信数据进行归一化处理，得到该对象标识对应的征信参数；
若所述对象标识对应的征信数据有多条，则将多条征信数据按照各自所分别对应的权重值，对所述多条征信数据进行融合处理，得到所述对象标识对应的征信参数；
其中，对多条征信数据进行融合处理时，按照多条征信数据融合处理函数执行；所述融合处理函数包括：
Figure BDA0002250556220000031
所述融合处理函数中，y为多条征信数据融合后的征信数据，xe为第e条原始征信数据，e为征信数据的条数变量，初始值为1，以1为单位递增最大值为m，m为所述多条征信数据的总量。
进一步地，所述选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级；包括：
根据所述征信数据分析请求中携带的对象标识，确定所述对象标识的类型是集体标识还是个人标识；
根据对象标识的类型，选取与所述对象标识的类型相匹配的预设神经网络模型和对应的预设时长内与所述对象标识相关联的历史数据；
利用预设时长内的所述历史数据，对所述预设神经网络模型进行训练，得到对应的数据分析模型；
将所述征信参数代入所述数据分析模型，计算得到所述征信数据对应的信用等级；
其中，所述征信参数包括：历史违约概率、每次违约的违约期限以及违约金额、年收入额、大额借贷的次数以及每次的金额、逾期还款的次数以及每次逾期还款的金额；
所述集体标识对应的征信参数还包括：用户满意度。
进一步地，所述匹配的预设数据分析模型包括：
Figure BDA0002250556220000041
其中：
Y为征信数据对应的信用等级，sign(x)为符号函数，当x＞0时，sign(x)＝1；当x＝0时，sign(x)＝0；当x＜0时，sign(x)＝-1；
k为征信数据一级评价指标的变量，初始值为1，以1为单位递增，最大为s，s为征信数据一级评价指标的最大数量，Vk为第k个征信数据一级评价指标的权重系数，Tlh为第kl个征信数据指标的第h个分配属性的分配系数，l为征信数据二级评价指标的变量，初始值为1，以1为单位递增，最大为a，a为征信数据二级评价指标的最大数量，h为第k个征信数据一级评价指标第l个征信数据二级评价指标下取值的变量，初始值为1，以1为单位递增，最大为b，b为第kl征信数据评价指标下取值的最大数量，Zkl为第k个征信数据一级评价指标第l个征信数据二级评价指标下可靠性参数值，Zklh为kl指标下h可靠性参数值。
进一步地，所述利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级，包括：
利用所述预设数据分析模型，计算得到所述征信数据对应的每个信息维度分别对应的数值；
将每个信息维度分别对应的数据，与预设风险阈值中每个信息维度分别对应的预设阈值进行逐一对比分析；
根据分析结果，确定所述征信数据对应的信用等级。
进一步地，所述利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级，包括：
利用所述预设数据分析模型，计算所述征信数据对应的征信对象的违约概率；
根据所述征信对象的违约概率，确定所述征信对象的信用等级。
进一步地，所述装修行业征信数据的分析方法还包括：
接收到用户发送的携带维权证明信息的申诉请求时，从第三方搜集与所述维权证明相关联的验证信息，判断所述维权证明是否与搜集到的所述验证信息一致；
若二者一致，则使用维权证明信息，重新计算并确定用户对应的信用等级；
若二者不一致，则返回二者不一致的提示信息，并提示用户是否重新递交维权证明信息。
进一步地，所述装修行业征信数据的分析方法还包括：
将计算得到所述信用等级按照预设方式发送至用户；
其中，所述预设方式可以根据用户触发的设置指令进行确定，也可以按照默认格式发送至对应用户；
所述默认格式包括：网页图表、文本以及消息对列。
本发明提供的一种装修行业征信数据的分析方法可以达到如下有益效果：
接收征信数据分析请求，获取所述分析请求指向的待分析的征信数据；对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数；选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级；具备高效地对装修行业的征信数据进行分析的有效效果，提高了装修行业征信数据的可靠性和数据分析的效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明装修行业征信数据的分析方法的一种实施方式的流程示意图；
图2是图1所述实施例中步骤S20的一种实施方式的流程示意图；
图3是图1所述实施例中步骤S30的一种实施方式的流程示意图；
图4是图1所述实施例中步骤S30中“利用预设数据分析模型，计算得到征信数据对应的信用等级”的一种实施方式的流程示意图；
图5是图1所述实施例中步骤S30中“利用预设数据分析模型，计算得到征信数据对应的信用等级”的另一种实施方式的流程示意图；
图6是本发明装修行业征信数据的分析方法的另一种实施方式的流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供了一种装修行业征信数据的分析方法，用以对装修公司的征信数据进行分析，提高装修行业征信数据的可靠性和征信数据的分析效率。
如图1所示，图1是本发明装修行业征信数据的分析方法的一种实施方式的流程示意图；在一个实施例中，所述装修行业征信数据的分析方法可以实施为图1描述的步骤S10-S30：
步骤S10、接收征信数据分析请求，获取所述分析请求指向的待分析的征信数据；
本发明实施例中，所述征信数据分析请求中携带有目标分析对象的基本信息，比如，目标分析对象的对象标识；其中，所述对象标识包括：集体标识和个人标识，且每一个集体标识唯一对应一个企业单位，每一个个人标识唯一对应一个自然人用户。本发明实施例中所描述的集体标识包括：企事业单位、公司、社会团体等以非自然人身份登记的集体。所述自然人用户即一般意义上的自然人，也可以理解为：将某一个自然人作为目标分析对象。
另外，本发明实施例中，若所述目标分析对象为集体：则所获取的待分析的征信数据包括但不限于：历史违约概率、每次违约的违约期限以及违约金额、企业年营业额、企业年利润、企业员工数量、企业员工流失率、企业员工工资发放是否及时、大额借贷的次数以及每次的金额、逾期还款的次数以及每次逾期还款的金额、企业固定资产抵押情况等；
若所述目标分析对象为自然人：则所获取的待分析的征信数据包括但不限于：个人借贷平台的历史违约概率、每次违约的违约期限以及违约金额、年收入额、大额借贷的次数以及每次的金额、逾期还款的次数以及每次逾期还款的金额、家庭配置、家庭年收入额、家庭固定资产抵押情况、家庭年支出总额、家庭净资产情况。
步骤S20、对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数；
本发明实施例中，为了方便后续对获取的所述征信数据进行分析处理，将所述征信数据进行分类；所述分类标准包括但不限于：按照目标分析对象的对象标识进行分类；或者，按照数据类型进行分类。本发明实施例对所述征信数据的具体分类标准不进行限定，所述征信数据的分类标准可以根据具体应用场景、具体分析标准、具体分析要求等进行配置，本发明实施例对所述征信数据的具体分类标准不进行一一穷举。
步骤S30、选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级。
本发明实施例中，为了使得征信数据的分析结果更具针对性，在根据征信数据进行数据处理后得到的征信参数进行信用等级的计算时，根据实际应用场景和/或实际需求，选取相匹配的预设数据分析模型；所述预设数据分析模型为预先配置并存储的数据分析模型，且所述预设数据分析模型至少有一个。
根据实际使用时的应用场景或者实际需求，选取到匹配的预设数据分析模型后，将步骤S20中得到的征信参数代入相匹配的所述预设数据分析模型中；并利用匹配的所述预设数据分析模型进行数学计算，得到所述征信数据对应的信用等级。
本发明装修行业征信数据的分析方法，接收征信数据分析请求，获取所述分析请求指向的待分析的征信数据；对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数；选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级；具备高效地对装修行业的征信数据进行分析的有效效果，提高了装修行业征信数据的可靠性和数据分析的效率。
在一个实施例中，如图2所示，图2是图1所述实施例中步骤S20的一种实施方式的流程示意图；图1所述实施例中的“步骤S20、对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数”，可以实施为如下描述的步骤S21-S23：
步骤S21、识别所述征信数据分析请求中所携带的对象标识的种类和数量；
步骤S22、根据识别结果，以所述对象标识为单位，将所述征信数据按照所述对象标识进行分类，且每一个对象标识对应一种数据分类；
步骤S23、将每个对象标识对应的征信数据进行归一化的融合处理，得到各对象标识分别对应的征信参数。
本发明实施例中，对征信数据进行分类时，其分类标准是所述征信数据对应的对象标识；由于每一个对象标识唯一对应一个用户(集体或者自然人)，因此，可以将具备相同对象标识的征信数据归为一类，以便针对同一用户进行后续的信用等级的计算，使得征信参数更具准确性，且提高了征信数据的分析效率。
进一步地，在一个实施例中，对所述征信数据进行分类时，按照征信数据分类模型执行；其中，所述征信数据分类模型包括：
Figure BDA0002250556220000091
其中，xei为第ei条征信信息，ei为征信数据的属性个数变量，初始值为1，以1为单位递增，最大值为n，n为征信数据的属性个数总量，fnb为由naivebayesian(nb)算法训练出来的假设，fnb(x)取值为贝叶斯分类器对于给定x的因素下，最可能出现的情况o，o为样本类，y为所有样本类集合，y是o的取值集合，uo,ei为第o类样本在第ei个属性上取值的均值，
Figure BDA0002250556220000092
为第o类样本在第ei个属性上取值的方差，argmaxo∈y(q)表示寻找使q的取值最大的o。
在一个实施例中，图2所述的步骤S23中，将每个对象标识对应的征信数据进行归一化的融合处理，得到各对象标识分别对应的征信参数，可以按照如下方式实施：
若所述对象标识对应的征信数据只有一条，则将该条征信数据进行归一化处理，得到该对象标识对应的征信参数；
若所述对象标识对应的征信数据有多条，则将多条征信数据按照各自所分别对应的权重值，对所述多条征信数据进行融合处理，得到所述对象标识对应的征信参数。
进一步地，在一个实施例中，对多条征信数据进行融合处理时，按照多条征信数据融合处理函数执行；所述融合处理函数包括：
Figure BDA0002250556220000101
所述融合处理函数中，y为多条征信数据融合后的征信数据,xe为第e条原始征信数据，e为征信数据的条数变量，初始值为1，以1为单位递增最大值为m，m为所述多条征信数据的总量。
在一个实施例中，如图3所示，图3是图1所述实施例中步骤S30的一种实施方式的流程示意图；图1所述实施例中的“步骤S30、选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级”，可以实施为如下描述的步骤S31-S34：
步骤S31、根据所述征信数据分析请求中携带的对象标识，确定所述对象标识的类型是集体标识还是个人标识；
步骤S32、根据对象标识的类型，选取与所述对象标识的类型相匹配的预设神经网络模型和对应的预设时长内与所述对象标识相关联的历史数据；
步骤S33、利用预设时长内的所述历史数据，对所述预设神经网络模型进行训练，得到对应的数据分析模型；
步骤S34、将所述征信参数代入所述数据分析模型，计算得到所述征信数据对应的信用等级。
本发明实施例中，为了提高征信数据分析的精确性，提高计算得到的信用等级的可靠性，在匹配预设数据分析模型时，将征信数据分析请求中携带的对象标识作为参考指标。由于集体与个人的信用数据的分析维度、分析广度以及数据量可能存在较大差异，因此，在匹配对应的预设数据分析模型时，可以按照对象标识来进行。本发明实施例中，预设数据分析模型优先选取的是神经网络模型。
对于匹配到的预设神经网络模型，利用与对象标识相关联的历史数据对其进行数据训练后，得到本次使用的数据分析模型，并将征信参数代入训练后的数据分析模型中，从而计算得到对应的信用等级，提高了信用等级的精确性。
在一个实施例中，所述征信参数包括但不限于：历史违约概率、每次违约的违约期限以及违约金额、年收入额、大额借贷的次数以及每次的金额、逾期还款的次数以及每次逾期还款的金额。其中，针对所述集体标识对应的征信参数，还包括：用户满意度等。
进一步地，在一个实施例中，所述选取匹配的预设数据分析模型中，所述预设数据分析模型包括：
Figure BDA0002250556220000111
其中：
Y为征信数据对应的信用等级，sign(x)为符号函数，当x＞0时，sign(x)＝1；当x＝0时，sign(x)＝0；当x＜0时，sign(x)＝-1；
k为征信数据一级评价指标的变量，初始值为1，以1为单位递增，最大为s，s为征信数据一级评价指标的最大数量，Vk为第k个征信数据一级评价指标的权重系数，Tlh为第kl个征信数据指标的第h个分配属性的分配系数，l为征信数据二级评价指标的变量，初始值为1，以1为单位递增，最大为a，a为征信数据二级评价指标的最大数量，h为第k个征信数据一级评价指标第l个征信数据二级评价指标下取值的变量，初始值为1，以1为单位递增，最大为b，b为第kl征信数据评价指标下取值的最大数量，Zkl为第k个征信数据一级评价指标第l个征信数据二级评价指标下可靠性参数值，Zklh为kl指标下h可靠性参数值。
这种处理方式通过分等级建立评价指标信用参数体系，即可根据评价指标信用参数体系与信用参数适应性地自动调整征信数据值。
在一个实施例中，如图4所示，图4是图1所述实施例中步骤S30中“利用预设数据分析模型，计算得到征信数据对应的信用等级”的一种实施方式的流程示意图；图1所述实施例的步骤S30中“利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级”，可以实施为如下描述的步骤S301-S303：
步骤S301、利用所述预设数据分析模型，计算得到所述征信数据对应的每个信息维度分别对应的数值；
步骤S302、将每个信息维度分别对应的数据，与预设风险阈值中每个信息维度分别对应的预设阈值进行逐一对比分析；
步骤S303、根据分析结果，确定所述征信数据对应的信用等级。
本发明实施例中，确定征信数据对应的信用等级采用的方法是：将相同对象标识下、不同信息维度分别对应的数据，一一与预设风险阈值中各信息维度分别对应的预设阈值进行逐一对比分析，从而得出对应的信用等级；提高了信用等级的准确性。
在一个实施例中，如图5所示，图5是图1所述实施例中步骤S30中“利用预设数据分析模型，计算得到征信数据对应的信用等级”的另一种实施方式的流程示意图；图1所述实施例中的步骤S30中“利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级”，可以实施为如下描述的步骤S311-S312：
步骤S311、利用所述预设数据分析模型，计算所述征信数据对应的征信对象的违约概率；
步骤S312、根据所述征信对象的违约概率，确定所述征信对象的信用等级。
本发明实施例中，确定征信对象的征信等级采用的方式是：通过计算征信数据对应的征信对象的违约概率，来确定征信对象的信用等级，提高了信用等级的获取效率。
在一实施例中，本发明一种装修行业征信数据的分析方法还可以按照图6所描述的流程进行实施；如图6所示，图6是本发明装修行业征信数据的分析方法的另一种实施方式的流程示意图。本发明装修行业征信数据的分析方法在图1所述实施例的“步骤S30、选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级”以后，还包括：
步骤S40、将计算得到所述信用等级按照预设方式发送至用户；
本发明实施例中，可以将计算得到的所述信用等级，以信用等级报告和/或征信报告的形式，发送给所述对象标识映射的客户端。其中，所述预设方式可以根据用户触发的设置指令进行确定，也可以按照默认格式发送至对应用户；所述默认格式包括但不限于：网页图表、文本以及消息对列。
进一步地，在一个实施例中，本发明装修行业征信数据的分析方法还可以处理用户发送的携带维权证明信息的申诉请求。
当用户接收到对应的信用等级报告时，若对信用等级报告有疑问或者不满或者认为得到的信用等级报告与实际情况不符，则可以发送申诉请求。
当接收到用户发送的携带维权证明信息的申诉请求时，从第三方搜集与所述维权证明相关联的验证信息，判断所述维权证明是否与搜集到的所述验证信息一致；
若二者一致，则使用维权证明信息，重新计算并确定用户对应的信用等级；
若二者不一致，则返回二者不一致的提示信息，并提示用户是否重新递交维权证明信息。
进一步地，若接收到的申请请求没有携带相关的维权证明，则返回提示信息，提示用户补充提交维权证明数据，从而在接收到用户提交的维权证明数据后，再次计算并确定对应的信用等级。
通过处理申诉请求，提高了信用分析的人机交互性，也进一步提高了信用等级的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种装修行业征信数据的分析方法，其特征在于，所述装修行业征信数据的分析方法包括：
接收征信数据分析请求，获取所述分析请求指向的待分析的征信数据；
对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数；
选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级。
2.如权利要求1所述的装修行业征信数据的分析方法，其特征在于，所述征信数据分析请求中携带有目标分析对象的对象标识；
其中，所述对象标识包括：集体标识和个人标识，且每一个集体标识唯一对应一个企业单位，每一个个人标识唯一对应一个自然人用户。
3.如权利要求1或2所述的装修行业征信数据的分析方法，其特征在于，所述对所述征信数据进行分类，并对分类后的征信数据进行数据处理，得到对应的征信参数，包括：
识别所述征信数据分析请求中所携带的对象标识的种类和数量；
根据识别结果，以所述对象标识为单位，将所述征信数据按照所述对象标识进行分类，且每一个对象标识对应一种数据分类；
将每个对象标识对应的征信数据进行归一化的融合处理，得到各对象标识分别对应的征信参数。
4.如权利要求3所述的装修行业征信数据的分析方法，其特征在于，对所述征信数据进行分类时，按照征信数据分类模型执行；其中，所述征信数据分类模型包括：
Figure FDA0002250556210000021
其中，xei为第ei条征信信息，ei为征信数据的属性个数变量，初始值为1，以1为单位递增，最大值为n，n为征信数据的属性个数总量；fnb为由naive bayesian(nb)算法训练出来的假设，fnb(x)取值为贝叶斯分类器对于给定x的因素下，最可能出现的情况o，o为样本类；y为所有样本类集合，y是o的取值集合，uo,ei为第o类样本在第ei个属性上取值的均值，
Figure FDA0002250556210000022
为第o类样本在第ei个属性上取值的方差，argmaxo∈y(q)表示寻找使q的取值最大的o。
5.如权利要求3所述的装修行业征信数据的分析方法，其特征在于，所述将每个对象标识对应的征信数据进行归一化的融合处理，得到各对象标识分别对应的征信参数，包括：
若所述对象标识对应的征信数据只有一条，则将该条征信数据进行归一化处理，得到该对象标识对应的征信参数；
若所述对象标识对应的征信数据有多条，则将多条征信数据按照各自所分别对应的权重值，对所述多条征信数据进行融合处理，得到所述对象标识对应的征信参数；
其中，对多条征信数据进行融合处理时，按照多条征信数据融合处理函数执行；所述融合处理函数包括：
Figure FDA0002250556210000023
所述融合处理函数中，y为多条征信数据融合后的征信数据，xe为第e条原始征信数据，e为征信数据的条数变量，初始值为1，以1为单位递增最大值为m，m为所述多条征信数据的总量。
6.如权利要求1或2所述的装修行业征信数据的分析方法，其特征在于，所述选取匹配的预设数据分析模型，并将得到的所述征信参数代入所述预设数据分析模型，利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级；包括：
根据所述征信数据分析请求中携带的对象标识，确定所述对象标识的类型是集体标识还是个人标识；
根据对象标识的类型，选取与所述对象标识的类型相匹配的预设神经网络模型和对应的预设时长内与所述对象标识相关联的历史数据；
利用预设时长内的所述历史数据，对所述预设神经网络模型进行训练，得到对应的数据分析模型；
将所述征信参数代入所述数据分析模型，计算得到所述征信数据对应的信用等级；
其中，所述征信参数包括：历史违约概率、每次违约的违约期限以及违约金额、年收入额、大额借贷的次数以及每次的金额、逾期还款的次数以及每次逾期还款的金额；
所述集体标识对应的征信参数还包括：用户满意度。
7.如权利要求1所述的装修行业征信数据的分析方法，其特征在于，所述匹配的预设数据分析模型包括：
Figure FDA0002250556210000031
其中：
Y为征信数据对应的信用等级，sign(x)为符号函数，当x＞0时，sign(x)＝1；当x＝0时，sign(x)＝0；当x＜0时，sign(x)＝-1；
k为征信数据一级评价指标的变量，初始值为1，以1为单位递增，最大为s，s为征信数据一级评价指标的最大数量，Vk为第k个征信数据一级评价指标的权重系数，Tlh为第kl个征信数据指标的第h个分配属性的分配系数，l为征信数据二级评价指标的变量，初始值为1，以1为单位递增，最大为a，a为征信数据二级评价指标的最大数量，h为第k个征信数据一级评价指标第l个征信数据二级评价指标下取值的变量，初始值为1，以1为单位递增，最大为b，b为第kl征信数据评价指标下取值的最大数量，Zkl为第k个征信数据一级评价指标第l个征信数据二级评价指标下可靠性参数值，Zklh为kl指标下h可靠性参数值。
8.如权利要求1或2所述的装修行业征信数据的分析方法，其特征在于，所述利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级，包括：
利用所述预设数据分析模型，计算得到所述征信数据对应的每个信息维度分别对应的数值；
将每个信息维度分别对应的数据，与预设风险阈值中每个信息维度分别对应的预设阈值进行逐一对比分析；
根据分析结果，确定所述征信数据对应的信用等级。
9.如权利要求1或2所述的装修行业征信数据的分析方法，其特征在于，所述利用所述预设数据分析模型，计算得到所述征信数据对应的信用等级，包括：
利用所述预设数据分析模型，计算所述征信数据对应的征信对象的违约概率；
根据所述征信对象的违约概率，确定所述征信对象的信用等级。
10.如权利要求1或2所述的装修行业征信数据的分析方法，其特征在于，所述装修行业征信数据的分析方法还包括：
接收到用户发送的携带维权证明信息的申诉请求时，从第三方搜集与所述维权证明相关联的验证信息，判断所述维权证明是否与搜集到的所述验证信息一致；
若二者一致，则使用维权证明信息，重新计算并确定用户对应的信用等级；
若二者不一致，则返回二者不一致的提示信息，并提示用户是否重新递交维权证明信息。
CN201911032513.XA 2019-10-28 2019-10-28 装修行业征信数据的分析方法 Pending CN110956471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911032513.XA CN110956471A (zh) 2019-10-28 2019-10-28 装修行业征信数据的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911032513.XA CN110956471A (zh) 2019-10-28 2019-10-28 装修行业征信数据的分析方法

Publications (1)

Publication Number Publication Date
CN110956471A true CN110956471A (zh) 2020-04-03

Family

ID=69976489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911032513.XA Pending CN110956471A (zh) 2019-10-28 2019-10-28 装修行业征信数据的分析方法

Country Status (1)

Country Link
CN (1) CN110956471A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612302A (zh) * 2020-04-18 2020-09-01 青岛奥利普智能制造研究院有限公司 一种集团级数据管理方法和设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612302A (zh) * 2020-04-18 2020-09-01 青岛奥利普智能制造研究院有限公司 一种集团级数据管理方法和设备

Similar Documents

Publication Publication Date Title
CN109711955B (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
CN109376766B (zh) 一种画像预测分类方法、装置及设备
CN112102073A (zh) 信贷风险控制方法及系统、电子设备及可读存储介质
WO2015195841A1 (en) Model-driven evaluator bias detection
CN112132233A (zh) 一种基于有效影响因子的服刑人员危险行为预测方法及系统
CN112862298A (zh) 一种针对用户画像的信用评估方法
CN109583966A (zh) 一种高价值客户识别方法、系统、设备及存储介质
CN109509087A (zh) 智能化的贷款审核方法、装置、设备及介质
CN107835247B (zh) 一种信用认证、保障系统及方法
CN110866832A (zh) 一种风险控制方法、系统、存储介质及计算设备
CN113159796A (zh) 一种贸易合同验证方法及装置
CN111061948A (zh) 一种用户标签推荐方法、装置、计算机设备及存储介质
CN109146667B (zh) 一种基于量化统计的外部接口综合应用模型的构建方法
CN116596659A (zh) 基于大数据风控的企业智能化信贷审批方法、系统及介质
CN114330962A (zh) 一种基于人工智能的金融数据分析平台
CN117132383A (zh) 一种信贷数据处理方法、装置、设备及可读存储介质
CN110956471A (zh) 装修行业征信数据的分析方法
CN117196630A (zh) 交易风险预测方法、装置、终端设备以及存储介质
CN109978302A (zh) 一种信用评分方法及设备
CN115564591A (zh) 一种融资产品的确定方法及相关设备
US11797940B2 (en) Method and system for assessment and negotiation of compensation
CN114626940A (zh) 数据分析方法、装置及电子设备
Lakshmi et al. Machine learning approach for taxation analysis using classification techniques
CN113435789A (zh) 一种信息考核方法、装置、计算机设备及存储介质
CN113449923A (zh) 一种多模型标的物行情预测方法和装置

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