CN111950889A - 一种客户风险评估方法、装置、可读存储介质及终端设备 - Google Patents

一种客户风险评估方法、装置、可读存储介质及终端设备 Download PDF

Info

Publication number
CN111950889A
CN111950889A CN202010797244.2A CN202010797244A CN111950889A CN 111950889 A CN111950889 A CN 111950889A CN 202010797244 A CN202010797244 A CN 202010797244A CN 111950889 A CN111950889 A CN 111950889A
Authority
CN
China
Prior art keywords
client
model
data
customer
risk assessment
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
CN202010797244.2A
Other languages
English (en)
Inventor
林丹
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202010797244.2A priority Critical patent/CN111950889A/zh
Publication of CN111950889A publication Critical patent/CN111950889A/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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明属于人工智能技术领域，尤其涉及一种客户风险评估方法、装置、计算机可读存储介质及终端设备。所述方法接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，并使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；根据所述模型输出值确定所述待评估客户的风险评估结果。通过本发明，能够适应各种不同的应用场景，极大提升了风险评估结果的准确率。

Description

一种客户风险评估方法、装置、可读存储介质及终端设备
技术领域
本发明属于人工智能技术领域，尤其涉及一种客户风险评估方法、装置、计算机可读存储介质及终端设备。
背景技术
在现有技术中，在需要对客户的违约风险进行评估时，普遍会采用一个统一的客户风险评估模型来进行处理，但在实际应用中，所涉及到的具体应用场景往往差别巨大，例如，对于不同区域的客户，其风险评估的标准并不完全相同，若仅使用一个统一的客户风险评估模型，则会导致最终得到的风险评估结果准确率较低。
发明内容
有鉴于此，本发明实施例提供了一种客户风险评估方法、装置、计算机可读存储介质及终端设备，以解决现有的客户风险评估方法最终得到的风险评估结果准确率较低的问题。
本发明实施例的第一方面提供了一种客户风险评估方法，可以包括：
接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；
根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；
在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，并使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；
根据所述模型输出值确定所述待评估客户的风险评估结果。
进一步地，所述根据所述模型输出值确定所述待评估客户的风险评估结果，可以包括：
在预设的模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息；
根据所述模型输出值和选取的所述模型阈值配置信息确定所述待评估客户的风险评估结果。
进一步地，所述在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，可以包括：
在预设的客户信息列表中查询目标二级机构，所述目标二级机构为所述客户标识所归属的二级机构；
在所述客户风险评估模型集合中选取与所述目标二级机构对应的客户风险评估模型。
进一步地，所述在预设的模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息，可以包括：
在预设的客户信息列表中查询目标三级机构，所述目标三级机构为所述客户标识所归属的三级机构；
在所述模型阈值配置信息集合中选取与所述目标三级机构对应的模型阈值配置信息。
进一步地，所述客户风险评估模型包括特征工程模块和预测模块，所述使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值，可以包括：
使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据；
使用所述预测模块对所述编码数据进行预设的神经网络算法处理，得到所述模型输出值。
进一步地，所述使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据，可以包括：
对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征；
对从所述解析客户数据中筛选出的优选客户特征进行特征编码，得到所述编码数据。
进一步地，所述对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征，可以包括：
分别计算所述解析客户数据中的各个客户特征在预设的筛选维度上的评估值；
根据预设的筛选阈值和所述评估值对各个客户特征进行特征筛选，得到所述优选客户特征。
本发明实施例的第二方面提供了一种客户风险评估装置，可以包括：
客户标识提取模块，用于接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；
客户数据解析模块，用于根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；
评估模型选取模块，用于在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型；
客户数据处理模块，用于使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；
评估结果确定模块，用于根据所述模型输出值确定所述待评估客户的风险评估结果。
进一步地，所述评估结果确定模块可以包括：
配置信息选取子模块，用于在预设的模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息；
评估结果确定子模块，用于根据所述模型输出值和选取的所述模型阈值配置信息确定所述待评估客户的风险评估结果。
进一步地，所述评估模型选取模块可以包括：
目标二级机构查询子模块，用于在预设的客户信息列表中查询目标二级机构，所述目标二级机构为所述客户标识所归属的二级机构；
评估模型选取子模块，用于在所述客户风险评估模型集合中选取与所述目标二级机构对应的客户风险评估模型。
进一步地，所述配置信息选取子模块可以包括：
目标三级机构查询单元，用于在预设的客户信息列表中查询目标三级机构，所述目标三级机构为所述客户标识所归属的三级机构；
配置信息选取单元，用于在所述模型阈值配置信息集合中选取与所述目标三级机构对应的模型阈值配置信息。
进一步地，所述客户风险评估模型包括特征工程模块和预测模块，所述客户数据处理模块可以包括：
第一处理子模块，用于使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据；
第二处理子模块，用于使用所述预测模块对所述编码数据进行预设的神经网络算法处理，得到所述模型输出值。
进一步地，所述第一处理子模块可以包括：
特征筛选单元，用于对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征；
特征编码单元，用于对从所述解析客户数据中筛选出的优选客户特征进行特征编码，得到所述编码数据。
进一步地，所述特征筛选单元可以包括：
评估值计算子单元，用于分别计算所述解析客户数据中的各个客户特征在预设的筛选维度上的评估值；
特征筛选子单元，用于根据预设的筛选阈值和所述评估值对各个客户特征进行特征筛选，得到所述优选客户特征。
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述任一项客户风险评估方法所述的步骤。
本发明实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述任一项客户风险评估方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，并使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；根据所述模型输出值确定所述待评估客户的风险评估结果。通过本发明实施例，不再采用统一的客户风险评估模型来进行处理，而是预先设置了包括多个客户风险评估模型的集合，只从中选取匹配的客户风险评估模型进行处理，能够适应各种不同的应用场景，极大提升了风险评估结果的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种客户风险评估方法的一个实施例流程图；
图2为二级机构与客户风险评估模型之间的对应关系的示意图；
图3为三级机构与模型阈值配置信息之间的对应关系的示意图；
图4为本发明实施例中一种客户风险评估装置的一个实施例结构图；
图5为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种客户风险评估方法的一个实施例可以包括：
步骤S101、接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识。
当相关工作人员需要对某一客户进行风险评估时，可以向进行客户风险评估的终端设备下发客户风险评估指令，在该客户风险评估指令中携带着待评估客户的客户标识。所述客户标识可以包括但不限于身份证号码、手机号码、社保号码、公积金号码、保单号码以及其它可以唯一标识出该客户的标识。
所述终端设备在接收到客户风险评估指令之后，即可从其中提取出待评估客户的客户标识，并按照后续步骤进行客户风险评估。
步骤S102、根据所述客户标识从预设的数据集市(Data Mart)中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据。
所述原始客户数据可以是实时数据和/或离线数据，其中包括了若干维度的客户特征，例如，所述原始客户数据中可以包括但不限于客户的年龄、性别、学历、收入、…等等维度的客户特征。
在本申请实施例中，优选将所述原始客户数据预先存储在数据集市中，当需要在评估过程中使用这些数据时，可以通过Hive SQL脚本将所述原始客户数据从数据集市中提取出来，并通过预先配置好的导数程序将数据导入所述终端设备中。
当完成数据导入后，可以对所述原始客户数据进行解析，从中解析出各个维度的客户特征，并将解析出的这些客户特征按照预设的数据格式构造成解析客户数据。
步骤S103、在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型。
在本发明实施例中，对于不同的机构可以分别设置相对应的客户风险评估模型，如图2所示，若有广东、福建、广西、海南、……等等省级的二级机构，则可以分别为每个二级机构设置一个对应的客户风险评估模型(如图中的模型1、模型2、模型3、……)，不同的二级机构所对应的客户风险评估模型可以是相同的，也可以是不同的。所有这些客户风险评估模型所构成的集合即为所述客户风险评估模型集合。每个客户风险评估模型均有自己独立的特征工程模块和预测模块，所有模块相互独立，极大提高框架容错能力。而且，这些模型并非固定不变的，还可以根据实际情况进行拆分，做到持续扩展，例如，若原来某两个二级机构业务比较类似，可以使用同样的客户风险评估模型，但如果后续两者业务出现各自的特点，不再适合共用一个客户风险评估模型，则可以进行模型扩展，为其分别扩展出不同的客户风险评估模型。
在本发明实施例中，可以预先设置一个客户信息列表，在该客户信息列表中记录了各个客户标识所归属的二级机构。在提取得到待评估客户的客户标识之后，即可在该客户信息列表中查询目标二级机构，所述目标二级机构为所述待评估客户的客户标识所归属的二级机构。在查询到所述目标二级机构之后，即可在所述客户风险评估模型集合中选取与所述目标二级机构对应的客户风险评估模型，也即与所述客户标识匹配的客户风险评估模型。
步骤S104、使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值。
所述客户风险评估模型可以包括特征工程模块和预测模块，在对所述解析客户数据进行处理的过程中，可以使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据，整个特征工程处理过程可以分为特征筛选和特征编码两个阶段。
在特征筛选阶段，对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征。
首先，分别计算所述解析客户数据中的各个客户特征在所述筛选维度上的评估值。
筛选维度可以包括但不限于证据权重(Weight of Evidence,WOE)、信息价值(Information Value,IV)、群体稳定性指标(Population Stability Index，PSI)以及其它的维度，具体选择何种筛选维度可以预先根据实际情况进行设置。
例如，若设置WOE作为筛选维度，则可以根据下式计算客户特征在所述筛选维度上的评估值:
Figure BDA0002626107150000081
其中，Badi为客户特征的分箱中的风险客户的数目，BadT为风险客户的总数，Goodi为客户特征的分箱中的正常客户的数目，GoodT为正常客户的总数，这些参数均可以通过对所述解析客户数据的统计得到，ln为自然对数函数，WOEi即为评估值。
若设置IV作为筛选维度，则可以根据下式计算客户特征在所述筛选维度上的评估值:
Figure BDA0002626107150000082
其中，IVi即为评估值。
若设置PSI作为筛选维度，则可以根据下式计算客户特征在所述筛选维度上的评估值:
Figure BDA0002626107150000091
其中，Actuali为实际分布中客户特征的第i个分箱中样本数目，1≤i≤n，n为分箱总数，ActualT为实际分布中的样本总数，Expecti为预期分布中客户特征的第i个分箱中的样本数目，ExpectT为预期分布中的样本总数，PSI即为评估值。
然后，根据预设的筛选阈值和所述评估值对各个客户特征进行特征筛选，得到所述优选客户特征。
对于任意一种筛选维度，均可以根据实际情况预先设置与之对应的筛选阈值，以PSI为例，当某一个客户特征的PSI小于对应的筛选阈值时，则保留该项客户特征，当某一个客户特征的PSI大于对应的筛选阈值时，则舍弃该项客户特征。
需要注意的是，在本发明实施例中，既可以只选择一种筛选维度，也可以将多种筛选维度组合起来使用，例如，若设置IV和PSI的组合，当某一个客户特征不满足IV或PSI的限制时，则舍弃该项客户特征，当某一个客户特征同时满足IV和PSI的限制时，则保留该项客户特征，该项客户特征即为优选客户特征。
在特征编码阶段，对从所述解析客户数据中筛选出的优选客户特征进行特征编码，得到所述编码数据。
具体采用何种特征编码方式可以根据实际情况进行设置，特征编码方式可以包括但不限于WOE编码、标签编码(label encode)、独热编码(one-hot encode)以及其他的编码方式。在本发明实施例中，可以按照所述特征编码方式对所述优选客户特征进行特征编码，得到所述编码数据。
若设置特征编码方式为WOE编码，则可以根据上述计算得到的WOE评估值值作为编码数据；若设置特征编码方式为标签编码，则可以将客户特征编码为自定义的数字标签完成量化编码过程；若设置特征编码方式为独热编码，则可以将客户特征转换成以原始特征值分类的多维度的变量，并用是否(0,1)这种方式的新特征值替代和量化。
在本发明实施例的另一种具体实现中，还可以不进行特征筛选，直接进行特征编码，即对所述解析客户数据中的各个客户特征进行特征编码，得到所述编码数据。具体的特征编码过程与前述过程类似，此处不再赘述。
在得到所述编码数据之后，可以使用所述预测模块对所述编码数据进行预设的神经网络算法处理，得到所述模型输出值。
在本发明实施例中，可以根据实际情况使用任意一种神经网络算法以及多种神经网络算法的融合算法对所述编码数据进行处理，从而得到所述模型输出值。这些神经网络算法可以包括但不限于LightGBM、XGBoost以及其它的神经网络算法。
步骤S105、根据所述模型输出值确定所述待评估客户的风险评估结果。
在本发明实施例中，在每个省级的二级机构下，设置有若干个县市级的三级机构，同一个二级机构下的多个三级机构共用同一个客户风险评估模型，但是每个三级机构可以有各自的模型阈值配置信息，从而可以根据各自业务情况进行客户风险等级的评估。如图3所示，可以分别为同一个二级机构下的每个三级机构设置一个对应的模型阈值配置信息(如图中的模型阈值配置信息1、模型阈值配置信息2、模型阈值配置信息3、……)，不同的三级机构所对应的模型阈值配置信息可以是相同的，也可以是不同的。所有这些模型阈值配置信息所构成的集合即为模型阈值配置信息集合。通过这样的方式，实现了三级机构维度的阈值定制化，通过阈值定制弱化机构间差异，满足业务更多样化的需求。
在这种情况下，在得到所述模型输出值之后，则需要在所述模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息。优选地，在所述客户信息列表中还记录了各个客户标识所归属的三级机构。在提取得到待评估客户的客户标识之后，即可在该客户信息列表中查询目标三级机构，所述目标三级机构为所述客户标识所归属的三级机构。在查询到所述目标三级机构之后，即可在所述模型阈值配置信息集合中选取与所述目标三级机构对应的模型阈值配置信息，也即与所述客户标识匹配的模型阈值配置信息。
在选取出所述模型阈值配置信息之后，即可根据所述模型输出值和选取的所述模型阈值配置信息确定所述待评估客户的风险评估结果。
例如，若选取出的模型阈值配置信息将客户划分为高风险、一般风险、低风险这三个等级，则对应两个阈值，分别记为第一阈值和第二阈值，且第一阈值大于第二阈值，当所述模型输出值大于第一阈值时，则确定所述待评估客户为高风险客户，当所述模型输出值小于第一阈值且大于第二阈值时，则确定所述待评估客户为中风险客户，当所述模型输出值小于第二阈值时，则确定所述待评估客户为低风险客户。
进一步地，在确定出待评估客户的风险评估结果之后，还可以将评估结果上传至区块链(Blockchain)，从而保证其安全性和对客户的公正透明性。客户可以使用其终端设备可以从区块链中下载评估结果，以便查证评估结果是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
综上所述，本发明实施例接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，并使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；根据所述模型输出值确定所述待评估客户的风险评估结果。通过本发明实施例，不再采用统一的客户风险评估模型来进行处理，而是预先设置了包括多个客户风险评估模型的集合，只从中选取匹配的客户风险评估模型进行处理，能够适应各种不同的应用场景，极大提升了风险评估结果的准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种客户风险评估方法，图4示出了本发明实施例提供的一种客户风险评估装置的一个实施例结构图。
本实施例中，一种客户风险评估装置可以包括：
客户标识提取模块401，用于接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；
客户数据解析模块402，用于根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；
评估模型选取模块403，用于在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型；
客户数据处理模块404，用于使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；
评估结果确定模块405，用于根据所述模型输出值确定所述待评估客户的风险评估结果。
进一步地，所述评估结果确定模块可以包括：
配置信息选取子模块，用于在预设的模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息；
评估结果确定子模块，用于根据所述模型输出值和选取的所述模型阈值配置信息确定所述待评估客户的风险评估结果。
进一步地，所述评估模型选取模块可以包括：
目标二级机构查询子模块，用于在预设的客户信息列表中查询目标二级机构，所述目标二级机构为所述客户标识所归属的二级机构；
评估模型选取子模块，用于在所述客户风险评估模型集合中选取与所述目标二级机构对应的客户风险评估模型。
进一步地，所述配置信息选取子模块可以包括：
目标三级机构查询单元，用于在预设的客户信息列表中查询目标三级机构，所述目标三级机构为所述客户标识所归属的三级机构；
配置信息选取单元，用于在所述模型阈值配置信息集合中选取与所述目标三级机构对应的模型阈值配置信息。
进一步地，所述客户风险评估模型包括特征工程模块和预测模块，所述客户数据处理模块可以包括：
第一处理子模块，用于使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据；
第二处理子模块，用于使用所述预测模块对所述编码数据进行预设的神经网络算法处理，得到所述模型输出值。
进一步地，所述第一处理子模块可以包括：
特征筛选单元，用于对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征；
特征编码单元，用于对从所述解析客户数据中筛选出的优选客户特征进行特征编码，得到所述编码数据。
进一步地，所述特征筛选单元可以包括：
评估值计算子单元，用于分别计算所述解析客户数据中的各个客户特征在预设的筛选维度上的评估值；
特征筛选子单元，用于根据预设的筛选阈值和所述评估值对各个客户特征进行特征筛选，得到所述优选客户特征。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备5可包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的客户风险评估方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个客户风险评估方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至405的功能。
示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述终端设备5中的执行过程。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述终端设备5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种客户风险评估方法，其特征在于，包括：
接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；
根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；
在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，并使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；
根据所述模型输出值确定所述待评估客户的风险评估结果。
2.根据权利要求1所述的客户风险评估方法，其特征在于，所述根据所述模型输出值确定所述待评估客户的风险评估结果，包括：
在预设的模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息；
根据所述模型输出值和选取的所述模型阈值配置信息确定所述待评估客户的风险评估结果。
3.根据权利要求1所述的客户风险评估方法，其特征在于，所述在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型，包括：
在预设的客户信息列表中查询目标二级机构，所述目标二级机构为所述客户标识所归属的二级机构；
在所述客户风险评估模型集合中选取与所述目标二级机构对应的客户风险评估模型。
4.根据权利要求2所述的客户风险评估方法，其特征在于，所述在预设的模型阈值配置信息集合中选取与所述客户标识匹配的模型阈值配置信息，包括：
在预设的客户信息列表中查询目标三级机构，所述目标三级机构为所述客户标识所归属的三级机构；
在所述模型阈值配置信息集合中选取与所述目标三级机构对应的模型阈值配置信息。
5.根据权利要求1至4中任一项所述的客户风险评估方法，其特征在于，所述客户风险评估模型包括特征工程模块和预测模块，所述使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值，包括：
使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据；
使用所述预测模块对所述编码数据进行预设的神经网络算法处理，得到所述模型输出值。
6.根据权利要求5所述的客户风险评估方法，其特征在于，所述使用所述特征工程模块对所述解析客户数据进行预设的特征工程处理，得到编码数据，包括：
对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征；
对从所述解析客户数据中筛选出的优选客户特征进行特征编码，得到所述编码数据。
7.根据权利要求6所述的客户风险评估模型构建方法，其特征在于，所述对所述解析客户数据中的各个客户特征进行特征筛选，得到优选客户特征，包括：
分别计算所述解析客户数据中的各个客户特征在预设的筛选维度上的评估值；
根据预设的筛选阈值和所述评估值对各个客户特征进行特征筛选，得到所述优选客户特征。
8.一种客户风险评估装置，其特征在于，包括：
客户标识提取模块，用于接收客户风险评估指令，并从所述客户风险评估指令中提取待评估客户的客户标识；
客户数据解析模块，用于根据所述客户标识从预设的数据集市中获取所述待评估客户的原始客户数据，并对所述原始客户数据进行解析，得到解析客户数据；
评估模型选取模块，用于在预设的客户风险评估模型集合中选取与所述客户标识匹配的客户风险评估模型；
客户数据处理模块，用于使用选取的所述客户风险评估模型对所述解析客户数据进行处理，得到模型输出值；
评估结果确定模块，用于根据所述模型输出值确定所述待评估客户的风险评估结果。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的客户风险评估方法的步骤。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的客户风险评估方法的步骤。
CN202010797244.2A 2020-08-10 2020-08-10 一种客户风险评估方法、装置、可读存储介质及终端设备 Pending CN111950889A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010797244.2A CN111950889A (zh) 2020-08-10 2020-08-10 一种客户风险评估方法、装置、可读存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010797244.2A CN111950889A (zh) 2020-08-10 2020-08-10 一种客户风险评估方法、装置、可读存储介质及终端设备

Publications (1)

Publication Number Publication Date
CN111950889A true CN111950889A (zh) 2020-11-17

Family

ID=73333196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010797244.2A Pending CN111950889A (zh) 2020-08-10 2020-08-10 一种客户风险评估方法、装置、可读存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN111950889A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446781A (zh) * 2020-11-27 2021-03-05 平安普惠企业管理有限公司 风控数据生成方法、装置、设备及计算机可读存储介质
CN113032435A (zh) * 2021-03-18 2021-06-25 上海数禾信息科技有限公司 用于风险评估的数据处理方法和装置
CN113988885A (zh) * 2021-10-28 2022-01-28 平安银行股份有限公司 客户的行为安全的识别方法、装置、设备以及存储介质
WO2022126975A1 (zh) * 2020-12-16 2022-06-23 平安科技（深圳）有限公司 客户信息校验方法、装置、计算机设备及存储介质
CN117829592A (zh) * 2023-12-20 2024-04-05 东土科技(宜昌)有限公司 基于可配置模型的风险评估方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651190A (zh) * 2016-12-28 2017-05-10 深圳微众税银信息服务有限公司 一种企业风险等级评估方法以及系统
CN109242261A (zh) * 2018-08-14 2019-01-18 中国平安人寿保险股份有限公司 基于大数据评估保全风险的方法及终端设备
CN109272396A (zh) * 2018-08-20 2019-01-25 平安科技（深圳）有限公司 客户风险预警方法、装置、计算机设备和介质
CN109447461A (zh) * 2018-10-26 2019-03-08 北京三快在线科技有限公司 用户信用评估方法及装置、电子设备、存储介质
CN110493190A (zh) * 2019-07-15 2019-11-22 平安科技（深圳）有限公司 数据信息的处理方法、装置、计算机设备和存储介质
WO2020037942A1 (zh) * 2018-08-20 2020-02-27 平安科技（深圳）有限公司 风险预测处理方法、装置、计算机设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651190A (zh) * 2016-12-28 2017-05-10 深圳微众税银信息服务有限公司 一种企业风险等级评估方法以及系统
CN109242261A (zh) * 2018-08-14 2019-01-18 中国平安人寿保险股份有限公司 基于大数据评估保全风险的方法及终端设备
CN109272396A (zh) * 2018-08-20 2019-01-25 平安科技（深圳）有限公司 客户风险预警方法、装置、计算机设备和介质
WO2020037942A1 (zh) * 2018-08-20 2020-02-27 平安科技（深圳）有限公司 风险预测处理方法、装置、计算机设备和介质
CN109447461A (zh) * 2018-10-26 2019-03-08 北京三快在线科技有限公司 用户信用评估方法及装置、电子设备、存储介质
CN110493190A (zh) * 2019-07-15 2019-11-22 平安科技（深圳）有限公司 数据信息的处理方法、装置、计算机设备和存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446781A (zh) * 2020-11-27 2021-03-05 平安普惠企业管理有限公司 风控数据生成方法、装置、设备及计算机可读存储介质
WO2022110647A1 (zh) * 2020-11-27 2022-06-02 平安普惠企业管理有限公司 风控数据生成方法、装置、设备及计算机可读存储介质
WO2022126975A1 (zh) * 2020-12-16 2022-06-23 平安科技（深圳）有限公司 客户信息校验方法、装置、计算机设备及存储介质
CN113032435A (zh) * 2021-03-18 2021-06-25 上海数禾信息科技有限公司 用于风险评估的数据处理方法和装置
CN113988885A (zh) * 2021-10-28 2022-01-28 平安银行股份有限公司 客户的行为安全的识别方法、装置、设备以及存储介质
CN113988885B (zh) * 2021-10-28 2024-05-17 平安银行股份有限公司 客户的行为安全的识别方法、装置、设备以及存储介质
CN117829592A (zh) * 2023-12-20 2024-04-05 东土科技(宜昌)有限公司 基于可配置模型的风险评估方法和装置

Similar Documents

Publication Publication Date Title
CN111950889A (zh) 一种客户风险评估方法、装置、可读存储介质及终端设备
CN111783875A (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
CN108898476A (zh) 一种贷款客户信用评分方法和装置
CN111861716B (zh) 一种基于软件系统的贷中监控预警等级生成方法
CN110798709A (zh) 视频处理方法和装置、存储介质及电子装置
CN112990583A (zh) 一种数据预测模型的入模特征确定方法及设备
CN114139931A (zh) 企业数据评估方法、装置、计算机设备及存储介质
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN113535848A (zh) 基于区块链的征信等级确定方法、装置、设备及存储介质
CN115982646B (zh) 一种基于云平台的多源测试数据的管理方法及系统
CN117217710A (zh) 一种虚拟商品与快捷服务的智能化管理方法及系统
CN111950624A (zh) 客户风险评估模型构建方法、装置、存储介质及终端设备
CN116522131A (zh) 对象表示方法、装置、电子设备及计算机可读存储介质
CN113343577B (zh) 一种基于机器学习的参数优化方法、装置、设备及介质
CN113269179B (zh) 数据处理方法、装置、设备及存储介质
US20220091818A1 (en) Data feature processing method and data feature processing apparatus
CN114626940A (zh) 数据分析方法、装置及电子设备
CN113239381A (zh) 一种数据安全加密方法
CN113313615A (zh) 一种对企业司法风险进行量化评分定级的方法及装置
CN112561538A (zh) 风险模型创制方法、装置、计算机设备及可读存储介质
CN112765451A (zh) 一种基于集成学习算法的客户智能筛选方法和系统
CN116881687B (zh) 一种基于特征提取的电网敏感数据识别方法及装置
CN116051296B (zh) 基于标准化保险数据的客户评价分析方法及系统
CN116719888A (zh) 一种基于云计算的企业群体服务方法、系统及存储介质
CN117078434A (zh) 查询保单续费难度的方法、系统、设备及存储介质

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