CN111563747B - 针对商户授信的处理方法及装置 - Google Patents
针对商户授信的处理方法及装置 Download PDFInfo
- Publication number
- CN111563747B CN111563747B CN202010400049.1A CN202010400049A CN111563747B CN 111563747 B CN111563747 B CN 111563747B CN 202010400049 A CN202010400049 A CN 202010400049A CN 111563747 B CN111563747 B CN 111563747B
- Authority
- CN
- China
- Prior art keywords
- merchant
- information
- merchants
- trusted
- index information
- 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
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 40
- 238000011835 investigation Methods 0.000 claims description 10
- 230000007306 turnover Effects 0.000 claims description 8
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical group [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 12
- 229910052697 platinum Inorganic materials 0.000 description 10
- 239000006185 dispersion Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Security & Cryptography (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种针对商户授信的处理方法，该方法包括：预筛选出多个商户；获取多个商户中每个商户的多维度指标信息；将每个商户的多维度指标信息输入商户评分模型，以确定多个商户中满足评分准入条件的至少一个第一商户；基于至少一个第一商户确定可授信的商户；以及输出可授信商户的商户信息。本公开还提供了一种针对商户授信的处理装置、一种电子设备以及一种计算机可读存储介质。
Description
技术领域
本公开涉及金融安全领域，特别是涉及一种针对商户授信的处理方法、一种针对商户授信的处理装置、一种电子设备以及一种计算机可读存储介质。
背景技术
最新数据显示，我国市场经营主体超过1亿个，其中个体工商户超过7000万个。但多数个体工商户呈现“小、弱、散”的特征，结算、纳税数据积累较少，基于结算和税务数据构建的数据模型难以有效识别优质小微商户。部分银行线下基于POS收单数据提供商户融资服务，但因为人工手段效率极低，且难以识别刷单等虚假交易，导致风险较高而纷纷停办。
发明内容
本公开实施例的一个方面提供了一种针对商户授信的处理方法，包括：预筛选出多个商户；获取所述多个商户中每个商户的多维度指标信息；将所述每个商户的多维度指标信息输入商户评分模型，以确定所述多个商户中满足评分准入条件的至少一个第一商户；基于所述至少一个第一商户确定可授信的商户；以及输出所述可授信商户的商户信息。
可选地，所述预筛选出多个商户，包括：基于与目标银行关联的POS交易信息预筛选出所述多个商户。
可选地，所述基于所述至少一个第一商户确定可授信的商户，包括：确定所述至少一个第一商户中满足业务准入条件和/或风险准入条件的至少一个第二商户；以及确定所述至少一个第二商户为可授信的商户。
可选地，所述多维度指标信息包括：交易类指标信息、基本信息类指标信息、账户类指标信息、资产类指标信息、征信类指标信息。
可选地，每类指标信息包括多维度指标子信息。
可选地，还包括：对所述可授信的商户提供差异化的授信服务。
可选地，所述对所述可授信的商户提供差异化的授信服务，包括：基于以下信息中的一种或几种针对所述可授信的商户中的每个商户分别预测授信额度：商户评分、商户所属的行业信息、商户的营业额。
本公开实施例的一个方面提供了一种针对商户授信的处理装置，包括：预选模块，用于预筛选出多个商户；获取模块，用于获取所述多个商户中每个商户的多维度指标信息；第一确定模块，用于将所述每个商户的多维度指标信息输入商户评分模型，以确定所述多个商户中满足评分准入条件的至少一个第一商户；第二确定模块，用于基于所述至少一个第一商户确定可授信的商户；以及输出模块，用于输出所述可授信商户的商户信息。
可选地，所述预选模块还用于：基于与目标银行关联的POS交易信息预筛选出所述多个商户。
可选地，所述第二确定模块包括：第一确定单元，用于确定所述至少一个第一商户中满足业务准入条件和/或风险准入条件的至少一个第二商户；以及第二确定单元，用于确定确定所述至少一个第二商户为可授信的商户。
可选地，还包括：处理模块，用于对所述可授信的商户提供差异化的授信服务。
可选地，所述处理模块还用于：基于以下信息中的一种或几种针对所述可授信的商户中的每个商户分别预测授信额度：商户评分、商户所属的行业信息、商户的营业额。
本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本公开实施例的所述方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现本公开实施例的所述方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现本公开实施例的所述方法。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了适于根据本公开实施例的针对商户授信的处理方法和装置的应用场景；
图2示意性示出了适于根据本公开实施例的针对商户授信的处理方法和装置的系统架构；
图3示意性示出了根据本公开实施例的针对商户授信的处理方法的流程图；
图4A和图4B示意性示出了根据本公开实施例的利用三大准入规则筛选优质微小商户的示意图；
图5示意性示出了根据本公开实施例的利用五大指标对微小商户评分的示意图；
图6示意性示出了根据本公开实施例的预测授信额度的示意图；
图7示意性示出了根据本公开实施例的针对商户授信的处理装置的框图；以及
图8示意性示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种针对商户授信的处理方法以及能够应用该方法的针对商户授信的处理装置。该方法包括：预筛选出多个商户；获取上述多个商户中每个商户的多维度指标信息。将上述每个商户的多维度指标信息输入商户评分模型，以确定上述多个商户中满足评分准入条件的至少一个第一商户。基于上述至少一个第一商户确定可授信的商户。以及输出上述可授信商户的商户信息。
图1示意性示出了适于根据本公开实施例的针对商户授信的处理方法和装置的应用场景。图2示意性示出了适于根据本公开实施例的针对商户授信的处理方法和装置的系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他环境或场景。同理，图2所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他系统架构。
如图1所示，在该应用场景中，通常每个个体工商户都设有一个或者多个销售点，每个销售点一般都配置有一台或者多台POS机。不同银行可以收到与本行关联的POS机收单数据。而通常每个个体工商户在实际生产和经营过程中或多或少都有贷款和融资等需求。
基于此，通过本公开实施例提供的针对商户授信的处理方案，每个银行都可以自动收集并根据收集的各个体工商户与本行关联的POS机收单数据关联出与各个体工商户有关的多维度指标信息，以便基于多维度指标信息对这些个体工商户进行评估，从而筛选出优质的小微商户，进而可以有针对性地对这些优质的小微商户提供授信服务。由于各银行系统都是自动实时收集POS机收单数据并基于收集的POS机收单数据自动关联各个体工商户的多维度指标信息的，因此可以提高优质小微商户的筛选效率和准确度。并且，在筛选优质小微商户时不仅仅依赖收集的POS机收单数据，而且还依赖由此关联出的其他指标信息，因而可以避免因恶意刷单等虚假交易而导致银行承担较高风险。
与图1所示的应用场景相适应，如图2所示，该系统架构200例如可以包括：各商户在每个销售点设置的POS机201，银行网点使用的客户端202和服务器203，以及用于连接POS机201、客户端202和服务器203的网络204。
其中，POS机201为销售点情报管理系统，是一种配有条码或者OCR码技术终端阅读器，有现金或易货额度出纳功能。其主要任务是对媒体交易提供数据服务和管理功能，并进行非现金结算。
客户端202和/或服务器203用于执行本公开实施例提供的针对商户授信的处理方法。
以下将结合附图和具体实施例详细阐述本公开。
图3示意性示出了根据本公开实施例的针对商户授信的处理方法的流程图。
如图3所示，该方法例如可以包括操作S301～S305。
在操作S301，预筛选出多个商户。
具体地，对某银行(例如，工商银行)而言，在前期筛选时可以初步将在最近一段时间内(如，最近一年、半年、一个季度、一个月，等等)有交易记录的所有商户筛选出来，以便用于进一步从中筛选出符合该银行授信条件的优质小微商户。
在一个实施例中，操作S301例如可以包括：基于与目标银行关联的POS交易信息预筛选出多个商户。
应该理解，在本公开实施例中，目标银行可以包括支持POS机收单业务的所有银行。例如，工商银行可以作为一个目标银行。更具体地，一个地区的工商银行(例如，北京)可以作为一个目标银行，本公开实施例对此不做限定。
此外，在本公开实施例中，与目标银行关联的POS交易信息包括使用目标银行制定并发行的银联卡或者信用卡刷卡的POS机收单数据。例如，对工商银行而言，使用工商银行信用卡和银联卡刷卡的POS机收单数据为与其关联的POS交易信息。
但是，如果仅仅依靠POS交易信息来筛选优质小微商户，对银行来说可能需要承担较高的安全风险。为了降低安全风险，本公开实施例还提供了一种改进的方案，即通过商户的POS交易信息关联该商户在更多维度上的其他指标信息，以便能够基于更多维度的指标信息预测该商户是否是优质的小微商户。
具体地，在操作S301，可以深入挖掘商户的POS交易信息，采集该商户及其经营业主(如法定代表人)的基本信息、资产持有情况、资金动账、人行征信等维度的信息，搭建包含商户交易类指标信息、基本信息类指标信息、账户类指标信息、资产类指标信息、征信类指标信息等多类型多维度的指标体系。该指标体系具体可以包括交易类指标体系、基本信息类指标体系、账户类指标体系、资产类指标体系、征信类指标体系。
可选地，作为一个实施例，建立反映商户经营情况的交易类指标体系，例如可以包括创建能够分别表征商户收单结算数据在周期性、趋势性及离散度三种维度上的特点的指标。
其中，周期性指标例如可以包括：商户近三/六/十二个月的交易金额同期比、交易对手数同期比、交易笔数同期比等。
趋势性指标例如可以包括：商户近一/三/六/十二个月的交易金额，月均交易金额、交易笔数、月均交易笔数、交易月份数、天数，商户近三个月的交易金额和交易次数与近六个月、近十二个月环比等指标。
离散度指标例如可以包括：交易集中度、交易金额和交易次数的变异系数、标准差等指标。
可选地，作为一个实施例，建立反映企业和企业法定代表人基本信息的基本信息类指标体系，例如可以包括创建能够表征企业所属行业、法定代表人年龄、受教育程度、是否为白金客户等的指标。
可选地，作为一个实施例，建立反映企业账户和企业法定代表人账户的活跃度的账户流水类指标体系(即账户类指标体系)，例如可以包括创建能够表征企业及法定代表人的账户动账天数、月数、流出流入金额与笔数的趋势性与周期性指标。
具体地，账户类指标信息例如可以包括企业及法定代表人的近三/六/十二个月的账户动账天数、月数、流出流入金额与笔数、流出流入金额同比和流出流入笔数同比，企业近三个月的流入流出金额和笔数与近六个月、近十二个月环比等信息。
可选地，作为一个实施例，建立反映企业账户和企业法定代表人账户存款情况的资产类指标体系，例如可以包括创建能够表征企业及法定代表人日均资产、存款的趋势性与周期性指标。
具体地，资产类指标信息例如可以包括企业近三/九/十二个月日均资产、日均存款、法定代表人日均存款、日均资产的近三/六/十二个月同期比等信息。
可选地，作为一个实施例，建立反映企业法定代表人历史信用表现的征信类指标体系，例如可以包括创建能够表征贷记卡和贷款的历史逾期表现、未结清与已结清贷款情况、担保情况、近一年查询机构数等指标。
具体地，征信类指标信息例如可以包括企业法定代表人贷记卡与贷款的近两年逾期金额、逾期笔数、最长逾期月数、累计逾期月数等信息。
进一步，在建立上述五大指标体系后，还可以将其合并成最终的多维度指标体系。
在本公开实施例中，通过引入商户收单结算数据的周期性指标、趋势性指标及离散度指标、征信类指标等，可以有效预判商户对交易对手是否存在过度依赖的风险，并且还可以准确识别商户是否有刷单、套现行为，因而可以显著提升商户风险识别度，从而降低银行承担的风险。
在操作S302，获取多个商户中每个商户的多维度指标信息。
具体地，在操作S302之前，可以按照前文所述的方法创建各类指标体系，并创建各类指标体系的子指标体系。然后，以每个子指标体系对应一列、每个商户对应一行创建用于记录多维度指标信息的信息表。
在本公开实施例中，可以实时监听商户的POS机收单情况，并实时采集与该商户关联的各类指标信息，以便及时更新/补充上述信息表。
如前文所述，在本公开实施例中，该多维度指标信息例如可以包括：交易类指标信息、基本信息类指标信息、账户类指标信息、资产类指标信息、征信类指标信息。
在一个实施例中，上述每类指标信息又可以进一步包括多维度指标子信息。
例如，基本信息类指标信息可以包括企业所属行业、法定代表人年龄、受教育程度、是否为白金客户。例如，商户A的基本信息依次可以包括服务行业、35岁、硕士、法定代表人是白金客户。
作为另一个实施例，允许某类或者某几类指标信息仅包括一个维度的指标子信息。
例如，基本信息类指标信息可以仅包括企业所属行业，或者仅包括法定代表人是否为白金客户。例如，商户A的基本信息可以仅包括服务行业，或者可以仅包括法定代表人是白金客户。
作为一个实施例，在操作S302，可以针对操作S301预筛选出的多个商户，直接从上述信息表中读取这些商户的多维度指标信息。
应该理解，多维度的指标体系从多个角度考虑了小微商户的交易情况与历史信用表现，相比人工方法和单维度指标体系，能够更全面地更有效地挖掘出优质小微商户。
在操作S303，将每个商户的多维度指标信息输入商户评分模型，以确定多个商户中满足评分准入条件的至少一个第一商户。
在本公开实施例中，在操作S303之前，可以预先训练商户评分模型并预先创建商户准入规则体系。
在一个实施例中，训练商户评分模型可以包括如下操作：通过连续变量聚类、连续变量筛选、变量分箱、水平压缩、WOE变换和IV值筛选等方法对原始数据集的变量进行筛选；对原始数据集筛选之后采用逻辑回归算法预测商户评分模型；通过阈值参数优化、网格搜索调优等技术对预测的商户评分模型进行优化调整；利用混淆矩阵分析、ROC曲线、KS值等对优化后的商户评分模型进行综合评估；综合评估后再应用交叉验证方法对商户评分模型的稳定性进行验证，以保证选择的商户评分模型在准确性和稳定性上都具有较好的效果。
在本公开实施例中，可以从一个或者多个方面建立商户准入规则体系。在一个实施例中，例如可以仅根据模型评分建立评分准入规则(即评分准入条件)。具体地，建立评分准入规则时，可以针对有、无征信指标的客群分别设置不同的评分准入阈值。例如，通过综合考虑测试样本的通过率及风险表现，可以将无征信的客群的评分准入阈值确定为0.08，将有征信的客群评分准入阈值确定为0.1。模型评分低于阈值的客户不予准入。
在本公开实施例中，多维度指标信息在每个维度上的指标信息例如可以是数值型信息。如图5所示，在操作S303，可以将每个商户的多维度指标信息输入商户评分模型进行运算，商户评分模型输出的结果即为对应商户的评分。在得到商户的评分后可以进一步结合其人行征信指标判断是否将该商户归入上述的第一用户。
例如，将商户A的多维度指标信息输入商户评分模型，输出的分数为0.05，将商户B的多维度指标信息输入商户评分模型，输出的分数为0.09，其中，商户A和商户B均无征信，但由于0.05＜0.08，而0.09＞0.08，因此商户A不予准入，商户B予以准入。即，商户A不归入第一用户，商户B归入第一用户。
例如，将商户C的多维度指标信息输入商户评分模型，输出的分数为0.11，将商户D的多维度指标信息输入商户评分模型，输出的分数为0.09，其中，商户C和商户D均有征信，但由于0.11＞0.1，而0.09＜0.1，因此商户C予以准入，商户D不予准入。即，商户C归入第一用户，商户D不归入第一用户。
在操作S304，基于至少一个第一商户确定可授信的商户。
在一个实施例中，例如可以直接将所有的第一商户作为可授信的商户进行提供授信服务。
在其他实施例中，例如还可以使用其他准入规则对所有的第一商户做进一步筛选，以便进一步剔除第一商户中风险较高的商户。
作为一个可选的实施例，操作S304例如可以包括如下操作：
确定至少一个第一商户中满足业务准入条件和/或风险准入条件的至少一个第二商户；
确定至少一个第二商户为可授信的商户。
在本公开实施例中，对于预筛选出的多个商户，除了可以使用评分准入规则从中这多个商户中筛选出第一用户以便用于银行授信之外，例如还可以进一步使用业务准入条件和风险准入条件中的一种或两种条件从所有第一用户中筛选出第二用户以便最终用于银行授信。例如，可以结合评分准入规则、业务准入规则、风险准入规则三方面构建商户场景特有用户准入规则体系来识别风险商户，严格控制商户准入。
具体地，在本公开实施例中，可以考虑商户的经营情况设置业务准入规则(即业务准入条件)，考虑商户的历史信用表现设置风险准入规则(即风险准入条件)。
在一个实施例中，建立业务准入规则体系时，为严格筛除经营状况不良的商户，可以根据商户的POS交易收单情况预测其企业经营状态和发展趋势，并基于此建立业务准入规则。业务准入规则例如可以包括：商户POS机状态须处于非异常状态、商户须连续2年有POS收单交易且近1年收单交易额度超过20万、商户须近三个月有POS收单交易等规则中的一种或者多种的组合。
在一个实施例中，建立风险准入规则体系时，可以根据商户逾期风险特征，并结合专家治贷经验，制定风险准入规则体系。该规则体系例如可以包含：企业经营范围、企业征信、企业法定代表人征信、企业行政处罚记录、企业法定代表人银行信用卡状态等规则。例如，风险准入规则可以包括：经营业主征信累计总逾期月份数不得多于十八个月且最长逾期总月份数不得多于九个月、企业所在行业不为金融行业(J)和房地产行业(K)、企业对外投资不涉及金融行业和房地产行业、企业对外担保关注金额或不良金额为零、企业法定代表人不存在呆账或资产处置或保证人代偿情况等规则中的一种或者多种的组合。
在一个实施例中，商户需要同时满足上述三种准入规则方可作为可授信的商户。
在实际操作中，如图4A所示，可以先使用评分准入规则对商户进行筛选，再使用业务准入规则对商户进行筛选，然后再使用风险准入规则对商户进行筛选。或者，可以先使用业务准入规则对商户进行筛选，再使用评分准入规则对商户进行筛选，然后再使用风险准入规则对商户进行筛选；或者，可以先使用风险准入规则对商户进行筛选，再使用业务准入规则对商户进行筛选，然后再使用评分准入规则对商户进行筛选；……；等等，本公开实施例对使用这些准入规则的先后顺序不做限定。
在实际操作中，如图4B所示，还可以同时使用评分准入规则、业务准入规则和风险准入规则对商户进行筛选，然后对通过这三种准入规则筛选的商户求交集，得到最终的可授信商户。
应该理解，由评分准入规则、业务准入规则、风险准入规则三方面构建的商户场景特有用户准入规则体系既可以有效判断商户经营现状，也可以预判商户对交易对手是否存在过度依赖的风险，并且还可以准确识别商户是否有刷单、套现行为，同时还可以有效识别历史信用不良的高风险客户，显著提升了商户风险识别度。
在操作S305，输出可授信商户的商户信息。
在本公开实施例中，对于可授信商户，可以输出其企业名称、企业法人代表的姓名和联系方式(或者企业联系人(如财务人员)的姓名和联系方式)等信息，以便银行相关业务人员能够基于这些信息联系到企业的负责人，从而商谈银行授信的相关问题。
作为一个可选的实施例，该方法例如还可以包括：对可授信的商户提供差异化的授信服务。
进一步，作为一个可选的实施例，对可授信的商户提供差异化的授信服务例如可以包括：基于以下信息中的一种或几种针对可授信的商户中的每个商户分别预测授信额度：商户评分、商户所属的行业信息、商户的营业额。如图6所示，可以基于商户评分、商户所属的行业信息和商户的营业额预测每个可授信商户的授信额度。
应该理解，采用差异化的授信策略能够更加准确地参考商户的行业属性与经营情况，从而可以对小微商户提供更为精准的授信服务。
具体地，在本公开实施例中，综合考虑了商户所属行业、商户评分、企业经营情况等三因素，创新性地制定差异化授信策略，从而针对不同的可授信商户进行不同程度的授信。例如，授信额度计算公式可以为：
Min(年收单量×β收单×β模型×β行业，100万)
其中，根据POS收单交易表现，收单系数(即商户的营业额权重)可以设置在0.15-0.20之间，其中收单交易额度越大对应的收单系数越大。根据商户评分表现，评分系数(即商户评分权重)可以根据商户评分所在区间依次设置为0.9、1、1.05、1.1四等级，其中评分越高的区间对应的评分系数越大。设置行业系数(即商户所属行业权重)时，批发零售业行业与住宿餐饮行业的小微商户经营风险略高，行业系数可以设置为其他行业系数大小的90％-95％。
图7示意性示出了根据本公开实施例的针对商户授信的处理装置的框图。
如图7所示，该处理装置700包括预选模块701、获取模块702、第一确定模块703、第二确定模块704和输出模块705。该处理装置700可以执行上面参考方法实施例部分描述的针对商户授信的处理方法，在此不再赘述。
具体地，预选模块701，用于预筛选出多个商户。预选模块还用于基于与目标银行关联的POS交易信息预筛选出多个商户。
具体地，对某银行(例如，工商银行)而言，在前期筛选时可以初步将在最近一段时间内(如，最近一年、半年、一个季度、一个月，等等)有交易记录的所有商户筛选出来，以便用于进一步从中筛选出符合该银行授信条件的优质小微商户。
应该理解，在本公开实施例中，目标银行可以包括支持POS机收单业务的所有银行。例如，工商银行可以作为一个目标银行。更具体地，一个地区的工商银行(例如，北京)可以作为一个目标银行，本公开实施例对此不做限定。
此外，在本公开实施例中，与目标银行关联的POS交易信息包括使用目标银行制定并发行的银联卡或者信用卡刷卡的POS机收单数据。例如，对工商银行而言，使用工商银行信用卡和银联卡刷卡的POS机收单数据为与其关联的POS交易信息。
但是，如果仅仅依靠POS交易信息来筛选优质小微商户，对银行来说可能需要承担较高的安全风险。为了降低安全风险，本公开实施例还提供了一种改进的方案，即通过商户的POS交易信息关联该商户在更多维度上的其他指标信息，以便能够基于更多维度的指标信息预测该商户是否是优质的小微商户。
具体地，可以深入挖掘商户的POS交易信息，采集该商户及其经营业主(如法定代表人)的基本信息、资产持有情况、资金动账、人行征信等维度的信息，搭建包含商户交易类指标信息、基本信息类指标信息、账户类指标信息、资产类指标信息、征信类指标信息等多类型多维度的指标体系。该指标体系具体可以包括交易类指标体系、基本信息类指标体系、账户类指标体系、资产类指标体系、征信类指标体系。
可选地，作为一个实施例，建立反映商户经营情况的交易类指标体系，例如可以包括创建能够分别表征商户收单结算数据在周期性、趋势性及离散度三种维度上的特点的指标。
其中，周期性指标例如可以包括：商户近三/六/十二个月的交易金额同期比、交易对手数同期比、交易笔数同期比等。
趋势性指标例如可以包括：商户近一/三/六/十二个月的交易金额，月均交易金额、交易笔数、月均交易笔数、交易月份数、天数，商户近三个月的交易金额和交易次数与近六个月、近十二个月环比等指标。
离散度指标例如可以包括：交易集中度、交易金额和交易次数的变异系数、标准差等指标。
可选地，作为一个实施例，建立反映企业和企业法定代表人基本信息的基本信息类指标体系，例如可以包括创建能够表征企业所属行业、法定代表人年龄、受教育程度、是否为白金客户等的指标。
可选地，作为一个实施例，建立反映企业账户和企业法定代表人账户的活跃度的账户流水类指标体系(即账户类指标体系)，例如可以包括创建能够表征企业及法定代表人的账户动账天数、月数、流出流入金额与笔数的趋势性与周期性指标。
具体地，账户类指标信息例如可以包括企业及法定代表人的近三/六/十二个月的账户动账天数、月数、流出流入金额与笔数、流出流入金额同比和流出流入笔数同比，企业近三个月的流入流出金额和笔数与近六个月、近十二个月环比等信息。
可选地，作为一个实施例，建立反映企业账户和企业法定代表人账户存款情况的资产类指标体系，例如可以包括创建能够表征企业及法定代表人日均资产、存款的趋势性与周期性指标。
具体地，资产类指标信息例如可以包括企业近三/九/十二个月日均资产、日均存款、法定代表人日均存款、日均资产的近三/六/十二个月同期比等信息。
可选地，作为一个实施例，建立反映企业法定代表人历史信用表现的征信类指标体系，例如可以包括创建能够表征贷记卡和贷款的历史逾期表现、未结清与已结清贷款情况、担保情况、近一年查询机构数等指标。
具体地，征信类指标信息例如可以包括企业法定代表人贷记卡与贷款的近两年逾期金额、逾期笔数、最长逾期月数、累计逾期月数等信息。
进一步，在建立上述五大指标体系后，还可以将其合并成最终的多维度指标体系。
在本公开实施例中，通过引入商户收单结算数据的周期性指标、趋势性指标及离散度指标、征信类指标等，可以有效预判商户对交易对手是否存在过度依赖的风险，并且还可以准确识别商户是否有刷单、套现行为，因而可以显著提升商户风险识别度，从而降低银行承担的风险。
获取模块702，用于获取多个商户中每个商户的多维度指标信息。
具体地，可以按照前文所述的方法创建各类指标体系，并创建各类指标体系的子指标体系。然后，以每个子指标体系对应一列、每个商户对应一行创建用于记录多维度指标信息的信息表。
在本公开实施例中，可以实时监听商户的POS机收单情况，并实时采集与该商户关联的各类指标信息，以便及时更新/补充上述信息表。
如前文所述，在本公开实施例中，该多维度指标信息例如可以包括：交易类指标信息、基本信息类指标信息、账户类指标信息、资产类指标信息、征信类指标信息。
在一个实施例中，上述每类指标信息又可以进一步包括多维度指标子信息。
例如，基本信息类指标信息可以包括企业所属行业、法定代表人年龄、受教育程度、是否为白金客户。例如，商户A的基本信息依次可以包括服务行业、35岁、硕士、法定代表人是白金客户。
作为另一个实施例，允许某类或者某几类指标信息仅包括一个维度的指标子信息。
例如，基本信息类指标信息可以仅包括企业所属行业，或者仅包括法定代表人是否为白金客户。例如，商户A的基本信息可以仅包括服务行业，或者可以仅包括法定代表人是白金客户。
作为一个实施例，可以针对操作S301预筛选出的多个商户，直接从上述信息表中读取这些商户的多维度指标信息。
应该理解，多维度的指标体系从多个角度考虑了小微商户的交易情况与历史信用表现，相比人工方法和单维度指标体系，能够更全面地更有效地挖掘出优质小微商户。
第一确定模块703，用于将每个商户的多维度指标信息输入商户评分模型，以确定多个商户中满足评分准入条件的至少一个第一商户。
在本公开实施例中，可以预先训练商户评分模型并预先创建商户准入规则体系。
在一个实施例中，训练商户评分模型可以包括如下操作：通过连续变量聚类、连续变量筛选、变量分箱、水平压缩、WOE变换和IV值筛选等方法对原始数据集的变量进行筛选；对原始数据集筛选之后采用逻辑回归算法预测商户评分模型；通过阈值参数优化、网格搜索调优等技术对预测的商户评分模型进行优化调整；利用混淆矩阵分析、ROC曲线、KS值等对优化后的商户评分模型进行综合评估；综合评估后再应用交叉验证方法对商户评分模型的稳定性进行验证，以保证选择的商户评分模型在准确性和稳定性上都具有较好的效果。
在本公开实施例中，可以从一个或者多个方面建立商户准入规则体系。在一个实施例中，例如可以仅根据模型评分建立评分准入规则(即评分准入条件)。具体地，建立评分准入规则时，可以针对有、无征信指标的客群分别设置不同的评分准入阈值。例如，通过综合考虑测试样本的通过率及风险表现，可以将无征信的客群的评分准入阈值确定为0.08，将有征信的客群评分准入阈值确定为0.1。模型评分低于阈值的客户不予准入。
在本公开实施例中，多维度指标信息在每个维度上的指标信息例如可以是数值型信息。如图5所示，在操作S303，可以将每个商户的多维度指标信息输入商户评分模型进行运算，商户评分模型输出的结果即为对应商户的评分。在得到商户的评分后可以进一步结合其人行征信指标判断是否将该商户归入上述的第一用户。
例如，将商户A的多维度指标信息输入商户评分模型，输出的分数为0.05，将商户B的多维度指标信息输入商户评分模型，输出的分数为0.09，其中，商户A和商户B均无征信，但由于0.05＜0.08，而0.09＞0.08，因此商户A不予准入，商户B予以准入。即，商户A不归入第一用户，商户B归入第一用户。
例如，将商户C的多维度指标信息输入商户评分模型，输出的分数为0.11，将商户D的多维度指标信息输入商户评分模型，输出的分数为0.09，其中，商户C和商户D均有征信，但由于0.11＞0.1，而0.09＜0.1，因此商户C予以准入，商户D不予准入。即，商户C归入第一用户，商户D不归入第一用户。
第二确定模块704，用于基于至少一个第一商户确定可授信的商户。第二确定模块包括：第一确定单元，用于确定至少一个第一商户中满足业务准入条件和/或风险准入条件的至少一个第二商户；以及第二确定单元，用于确定确定至少一个第二商户为可授信的商户。
在一个实施例中，例如可以直接将所有的第一商户作为可授信的商户进行提供授信服务。
在其他实施例中，例如还可以使用其他准入规则对所有的第一商户做进一步筛选，以便进一步剔除第一商户中风险较高的商户。
在本公开实施例中，对于预筛选出的多个商户，除了可以使用评分准入规则从中这多个商户中筛选出第一用户以便用于银行授信之外，例如还可以进一步使用业务准入条件和风险准入条件中的一种或两种条件从所有第一用户中筛选出第二用户以便最终用于银行授信。例如，可以结合评分准入规则、业务准入规则、风险准入规则三方面构建商户场景特有用户准入规则体系来识别风险商户，严格控制商户准入。
具体地，在本公开实施例中，可以考虑商户的经营情况设置业务准入规则(即业务准入条件)，考虑商户的历史信用表现设置风险准入规则(即风险准入条件)。
在一个实施例中，建立业务准入规则体系时，为严格筛除经营状况不良的商户，可以根据商户的POS交易收单情况预测其企业经营状态和发展趋势，并基于此建立业务准入规则。业务准入规则例如可以包括：商户POS机状态须处于非异常状态、商户须连续2年有POS收单交易且近1年收单交易额度超过20万、商户须近三个月有POS收单交易等规则中的一种或者多种的组合。
在一个实施例中，建立风险准入规则体系时，可以根据商户逾期风险特征，并结合专家治贷经验，制定风险准入规则体系。该规则体系例如可以包含：企业经营范围、企业征信、企业法定代表人征信、企业行政处罚记录、企业法定代表人银行信用卡状态等规则。例如，风险准入规则可以包括：经营业主征信累计总逾期月份数不得多于十八个月且最长逾期总月份数不得多于九个月、企业所在行业不为金融行业(J)和房地产行业(K)、企业对外投资不涉及金融行业和房地产行业、企业对外担保关注金额或不良金额为零、企业法定代表人不存在呆账或资产处置或保证人代偿情况等规则中的一种或者多种的组合。
在一个实施例中，商户需要同时满足上述三种准入规则方可作为可授信的商户。
在实际操作中，如图4A所示，可以先使用评分准入规则对商户进行筛选，再使用业务准入规则对商户进行筛选，然后再使用风险准入规则对商户进行筛选。或者，可以先使用业务准入规则对商户进行筛选，再使用评分准入规则对商户进行筛选，然后再使用风险准入规则对商户进行筛选；或者，可以先使用风险准入规则对商户进行筛选，再使用业务准入规则对商户进行筛选，然后再使用评分准入规则对商户进行筛选；……；等等，本公开实施例对使用这些准入规则的先后顺序不做限定。
在实际操作中，如图4B所示，还可以同时使用评分准入规则、业务准入规则和风险准入规则对商户进行筛选，然后对通过这三种准入规则筛选的商户求交集，得到最终的可授信商户。
应该理解，由评分准入规则、业务准入规则、风险准入规则三方面构建的商户场景特有用户准入规则体系既可以有效判断商户经营现状，也可以预判商户对交易对手是否存在过度依赖的风险，并且还可以准确识别商户是否有刷单、套现行为，同时还可以有效识别历史信用不良的高风险客户，显著提升了商户风险识别度。
输出模块705，用于输出可授信商户的商户信息。
在本公开实施例中，对于可授信商户，可以输出其企业名称、企业法人代表的姓名和联系方式(或者企业联系人(如财务人员)的姓名和联系方式)等信息，以便银行相关业务人员能够基于这些信息联系到企业的负责人，从而商谈银行授信的相关问题。
作为一个可选的实施例，该处理装置例如还可以包括：处理模块，用于对所述可授信的商户提供差异化的授信服务。所述处理模块还用于基于以下信息中的一种或几种针对所述可授信的商户中的每个商户分别预测授信额度：商户评分、商户所属的行业信息、商户的营业额。
如图6所示，可以基于商户评分、商户所属的行业信息和商户的营业额预测每个可授信商户的授信额度。
应该理解，采用差异化的授信策略能够更加准确地参考商户的行业属性与经营情况，从而可以对小微商户提供更为精准的授信服务。
具体地，在本公开实施例中，综合考虑了商户所属行业、商户评分、企业经营情况等三因素，创新性地制定差异化授信策略，从而针对不同的可授信商户进行不同程度的授信。例如，授信额度计算公式可以为：
Min(年收单量×β收单×β模型×β行业，100万)
其中，根据POS收单交易表现，收单系数(即商户的营业额权重)可以设置在0.15-0.20之间，其中收单交易额度越大对应的收单系数越大。根据商户评分表现，评分系数(即商户评分权重)可以根据商户评分所在区间依次设置为0.9、1、1.05、1.1四等级，其中评分越高的区间对应的评分系数越大。设置行业系数(即商户所属行业权重)时，批发零售业行业与住宿餐饮行业的小微商户经营风险略高，行业系数可以设置为其他行业系数大小的90％-95％。
图8示意性示出了根据本公开实施例的电子设备的框图。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800包括处理器810、计算机可读存储介质820。该电子设备800可以执行根据本公开实施例的方法。
具体地，处理器810例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器810还可以包括用于缓存用途的板载存储器。处理器810可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质820，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；等等。
计算机可读存储介质820可以包括计算机程序821，该计算机程序821可以包括代码/计算机可执行指令，其在由处理器810执行时使得处理器810执行根据本公开实施例的方法或其任何变形。
计算机程序821可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序821中的代码可以包括一个或多个程序模块，例如包括821A、模块821B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器810执行时，使得处理器810可以执行根据本公开实施例的方法或其任何变形。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种针对商户授信的处理方法，包括：
基于与目标银行关联的POS交易信息预筛选出多个商户；
获取所述多个商户中每个商户的多维度指标信息，以及通过所述多个商户中每个商户的POS交易信息关联该商户在其他维度上的其他指标信息作为所述多维度指标信息；
将所述每个商户的多维度指标信息输入商户评分模型，以确定所述多个商户中满足评分准入条件的至少一个第一商户；
基于所述至少一个第一商户确定可授信的商户，包括：
确定所述至少一个第一商户中满足业务准入条件和/或风险准入条件的至少一个第二商户；以及
确定所述至少一个第二商户为可授信的商户；以及
输出所述可授信商户的商户信息。
2.根据权利要求1所述的方法，其中，所述多维度指标信息包括：交易类指标信息、基本信息类指标信息、账户类指标信息、资产类指标信息、征信类指标信息。
3.根据权利要求2所述的方法，其中，每类指标信息包括多维度指标子信息。
4.根据权利要求1所述的方法，还包括：
对所述可授信的商户提供差异化的授信服务。
5.根据权利要求4所述的方法，其中，所述对所述可授信的商户提供差异化的授信服务，包括：
基于以下信息中的一种或几种针对所述可授信的商户中的每个商户分别预测授信额度：商户评分、商户所属的行业信息、商户的营业额。
6.一种针对商户授信的处理装置，包括：
预选模块，用于基于与目标银行关联的POS交易信息预筛选出多个商户；
获取模块，用于获取所述多个商户中每个商户的多维度指标信息，以及通过所述多个商户中每个商户的POS交易信息关联该商户在其他维度上的其他指标信息作为所述多维度指标信息；
第一确定模块，用于将所述每个商户的多维度指标信息输入商户评分模型，以确定所述多个商户中满足评分准入条件的至少一个第一商户；
第二确定模块，用于基于所述至少一个第一商户确定可授信的商户，并包括：
第一确定单元，用于确定所述至少一个第一商户中满足业务准入条件和/或风险准入条件的至少一个第二商户；以及
第二确定单元，用于确定确定所述至少一个第二商户为可授信的商户；以及
输出模块，用于输出所述可授信商户的商户信息。
7.根据权利要求6项所述的装置，还包括：
处理模块，用于对所述可授信的商户提供差异化的授信服务。
8.根据权利要求7所述的装置，其中，所述处理模块还用于：基于以下信息中的一种或几种针对所述可授信的商户中的每个商户分别预测授信额度：商户评分、商户所属的行业信息、商户的营业额。
9.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1至5中任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020103906846 | 2020-05-09 | ||
| CN202010390684 | 2020-05-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563747A CN111563747A (zh) | 2020-08-21 |
| CN111563747B true CN111563747B (zh) | 2023-11-07 |
Family
ID=72071980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010400049.1A Active CN111563747B (zh) | 2020-05-09 | 2020-05-12 | 针对商户授信的处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563747B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622432A (zh) * | 2017-07-28 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 商户评价方法及系统 |
| CN108898480A (zh) * | 2018-06-29 | 2018-11-27 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款等级评估系统及方法 |
| CN109389457A (zh) * | 2018-08-20 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 申请收款权限的入网方法、装置、设备及可读存储介质 |
| CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技（深圳）有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
| CN110322251A (zh) * | 2019-05-22 | 2019-10-11 | 平安普惠企业管理有限公司 | 电子商务平台认证方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG10201706018WA (en) * | 2017-07-24 | 2019-02-27 | Mastercard International Inc | Electronic system and method for determining a credit risk score for an online merchant |
-
2020
- 2020-05-12 CN CN202010400049.1A patent/CN111563747B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622432A (zh) * | 2017-07-28 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 商户评价方法及系统 |
| CN108898480A (zh) * | 2018-06-29 | 2018-11-27 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款等级评估系统及方法 |
| CN109389457A (zh) * | 2018-08-20 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 申请收款权限的入网方法、装置、设备及可读存储介质 |
| CN109829776A (zh) * | 2018-12-14 | 2019-05-31 | 平安科技（深圳）有限公司 | 商户风险评估方法、装置、计算机设备和存储介质 |
| CN110322251A (zh) * | 2019-05-22 | 2019-10-11 | 平安普惠企业管理有限公司 | 电子商务平台认证方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563747A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doblas-Madrid et al. | Sharing information in the credit market: Contract-level evidence from US firms | |
| Fabbri et al. | Does poor legal enforcement make households credit-constrained? | |
| Molina et al. | An empirical analysis of the effect of financial distress on trade credit | |
| US8170998B2 (en) | Methods, systems, and computer program products for estimating accuracy of linking of customer relationships | |
| US8799150B2 (en) | System and method for predicting consumer credit risk using income risk based credit score | |
| Ongena et al. | Creditor concentration: An empirical investigation | |
| US20180040073A1 (en) | Payment card network data validation system | |
| US20060282359A1 (en) | Method and apparatus for obtaining, organizing, and analyzing multi-source data | |
| US8412604B1 (en) | Financial account segmentation system | |
| MX2007012294A (es) | Metodo y aparato para evaluar valores garantizados por activos. | |
| Ouyang | Cashless payment and financial inclusion | |
| Chen et al. | Network centrality effects in peer to peer lending | |
| Allen et al. | Dynamic competition in negotiated price markets | |
| CN107133862A (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
| Barbon et al. | NFT bubbles | |
| Kusumawati et al. | The influence of board of commissioners and audit committee effectiveness, ownership structure, bank monitoring, and firm life cycle on accounting fraud | |
| WO2006087810A1 (ja) | オークションシステム及び保険金受領権を含んだ投資信託商品の構築システム | |
| CN111563747B (zh) | 针对商户授信的处理方法及装置 | |
| Naveenan | Warning Signals-A Tool to Control NPA in Banks | |
| KR101587325B1 (ko) | 지식재산권 담보 대출 방법 및 이를 실행하는 시스템 | |
| KR101112755B1 (ko) | 부실채권 관리시스템 및 그 방법 | |
| KR20090001940A (ko) | 부실여신 거래 기업의 사전 선정 방법 및 시스템과 이를위한 기록매체 | |
| US20140279386A1 (en) | Methods and system for mining and analyzing real estate information | |
| TW201506828A (zh) | 用於總損失預測之裝置及方法 | |
| JP2012238073A (ja) | 債権買取査定支援システム及び債権買取査定支援方法 |
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 |