CN112200656A - 一种房贷的线上预审批方法、装置、介质及电子设备 - Google Patents
一种房贷的线上预审批方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN112200656A CN112200656A CN202010981708.5A CN202010981708A CN112200656A CN 112200656 A CN112200656 A CN 112200656A CN 202010981708 A CN202010981708 A CN 202010981708A CN 112200656 A CN112200656 A CN 112200656A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- declaration information
- approval
- dimension
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012502 risk assessment Methods 0.000 claims abstract description 31
- 238000012954 risk control Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 230000008569 process Effects 0.000 description 19
- 239000002609 medium Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q40/08—Insurance
Abstract
本申请实施例公开了一种房贷的线上预审批方法、装置、介质及电子设备。所述方法包括：获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；采用与所述所属客群关联的预审批风险控制模型进行风险评估；若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。执行本方案，可以针对不同的客群采用不同的预审批方式，实现快速并准确的对房贷进行预审批的目的。
Description
技术领域
本申请实施例涉及机器学习技术领域，尤其涉及一种房贷的线上预审批方法、装置、介质及电子设备。
背景技术
近年来，随着经济的快速发展，人们的生活水平的逐渐提高，住房消费比例有着明显的上升趋势，个人住房贷款需求旺盛。
个人住房贷款业务发展迅速，而为了确保贷款业务的安全，目前的贷款业务办理往往是线下申请，线下审批的方式。这种方式办理流程较长，涉及申请、审批、房屋评估、抵押登记等众多环节。对银行而言，耗费大量的人力物力，对客户而言，影响贷款时间及满意程度。因此，如何能够实现贷款业务的高效和精准的处理，成为了行业发展的技术难题。
发明内容
本申请实施例提供一种房贷的线上预审批方法、装置、介质及电子设备，可以针对不同的客群采用不同的预审批方式，实现快速并准确的对房贷进行预审批的目的。
第一方面，本申请实施例提供了一种房贷的线上预审批方法，所述方法包括：
获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
采用与所述所属客群关联的预审批风险控制模型进行风险评估；
若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
进一步的，所述申报信息包括客户信息、负债信息以及资产信息中的至少一种。
进一步的，在确定所述申报信息是否符合规则标准之后，所述方法还包括：
若不符合，则通知所述贷款人线下补充资料。
进一步的，在执行预设风险规则，确定所述申报信息是否符合规则标准之前，所述方法还包括：
确定是否存在参贷人；
若是，则获取参贷人的参贷信息；
相应的，执行预设风险规则，确定所述申报信息是否符合规则标准，包括：
对所述贷款人的申报信息，以及所述参贷人的参贷信息，执行预设风险规则，确定所述申报信息是否符合规则标准。
进一步的，根据所述申报信息包括的风险特征，确定所述申报信息的所属客群，包括：
获取所述申报信息包括的风险特征维度；
若所述风险特征维度包括目标维度，则根据所述目标维度的风险特征取值，确定所述申报信息的所属客群。
进一步的，所述目标维度包括城市等级维度、购买房屋类型维度以及成交价格维度；
根据所述目标维度的风险特征取值，确定所述申报信息的所属客群，包括：
根据所述目标维度包括城市等级维度、购买房屋类型维度以及成交价格维度的风险特征取值，确定所述申报信息的所属客群。
进一步的，所述城市等级维度的风险特征取值包括：一线城市、二线城市以及三线城市；
所述购买房屋类型维度的风险特征取值包括：新房和二手房；
所述成交价格维度的风险特征取值包括：高于预设价格和低于预设价格。
进一步的，所述预设价格是根据所述城市等级维度和所述购买房屋类型维度确定的。
进一步的，若所述城市等级维度的风险特征取值为三线城市，则：
根据购买房屋类型维度的风险特征取值确定所述申报信息的所属客群。
进一步的，采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果，包括：
采用预设评分卡对所述申报信息进行评分，若评分结果高于第一门限值，则生成线上审批建议信息。
进一步的，所述方法还包括：
若评分结果低于第一门限值，且高于第二门限值，则确定所述申报信息为低风险信息，并生成线下审批建议信息；其中，所述第二门限值低于所述第一门限值。
进一步的，所述方法还包括：
若评分结果低于第二门限值，则确定所述申报信息为高风险信息，并生成线下审批建议信息。
第二方面，本申请实施例提供了一种房贷的线上预审批装置，所述装置包括：
风险规则审核模块，用于获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
所属客群确定模块，用于若是风险规则审核模块的审核结果为符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
风险评估模块，用于采用与所述所属客群关联的预审批风险控制模型进行风险评估；
评分模块，用于若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的房贷的线上预审批方法。
第四方面，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的房贷的线上预审批方法。
本申请实施例所提供的技术方案，获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；采用与所述所属客群关联的预审批风险控制模型进行风险评估；若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。本申请所提供的技术方案，可以针对不同的客群采用不同的预审批方式，实现快速并准确的对房贷进行预审批的目的。
附图说明
图1是本申请实施例提供的房贷的线上预审批方法的流程图；
图2是本申请实施例提供的另一房贷的线上预审批方法的示意图；
图3是本申请实施例提供的房贷的线上预审批装置的结构示意图；
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1是本申请实施例提供的房贷的线上预审批方法的流程图，本实施例可适用于养老服务情况，该方法可以由本申请实施例所提供的房贷的线上预审批装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于智能终端等电子设备中。
如图1所示，所述房贷的线上预审批方法包括：
S110、获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准。
其中，贷款人即提出贷款请求的人员，也就是需要进行贷款买房的人员。申报信息可以是贷款人自己的基础信息，如姓名、性别、年龄和籍贯等，还可以包括其他信息，例如是否有过贷款记录，是否如期偿还等。风险规则可以是一个集合的形式，其中可以包括各种风险的审核规则，风险规则是基于业务经验和数据分析产生出来的策略规则，在流程早期即可告知客户是否符合基本准入条件，并可以生成提示，以供用户根据提示在线下补充材料。其中，基本准入条件，可以包括证件是否齐全，资料是否真实等。
在本实施例中，可选的，所述申报信息包括客户信息、负债信息以及资产信息中的至少一种。
其中，客户信息可以包括基础信息和行为信息，基础信息如客户个人信息，行内基础信息等。行为信息可以包括线下行为和终端行为等。负债信息可以包括信用卡信息和贷款信息等，其中，信用卡信息包括：账户信息、使用情况、还款情况以及逾期情况等。贷款信息可以包括信用贷、房贷、车贷、抵押贷款、其他贷款等，如装修、旅游贷贷款等等。资产信息可以包括投资信息、理财信息、存款信息、代缴信息以及保险信息等。在经客户授权后，可以获取客户的行内外数据，将相关数据进行关联、整合、清洗后，留下有效的数据集。特征信息主要涵盖如下表所示：
基本的特征信息收集完毕后，需要进行特征衍生形成各种建模和风控策略所需的特征字段，特征衍生的方法可以包括透传，统计聚合以及特征交叉等。
透传，是对于数值类型的字段，当一个样本只有单一条记录时，比如年龄，学历等，可以直接透传作为入模特征。对于分类型变量，如果类型过多，可以对进行类型合并后再透传，如学生专业，公司类型，职业等，然后再透传。
统计聚合，是对于流水或这明细类型的数据，如贷款明细、交易流水、代发工资记录等，每个人都可能有多条不同时间发生的流水记录。对于这类流水特征，通常会划分不同的时间窗口计算各窗口内的统计变量，如对于数值型字段计算求和、均值、分位数、最小值、最大值、标准差。对于分类型变量计算主要类型的出现次数，出现类型的种类等。
特征交叉，是通过特征之间的多维交叉，结合上述两种方法，可以进一步衍生特征更多特征。通常是以一个分类型变量和一个数值变量组合的方式，分不同类别对数值变量进行统计聚合。如结合贷款类型和贷款余额两个字段，衍生出车贷余额、房贷余额、消费贷余额等字段。
在本方案中，可选的，在确定所述申报信息是否符合规则标准之后，所述方法还包括：
若不符合，则通知所述贷款人线下补充资料。
其中，如果通过风险规则的审核，发现贷款人的申报信息不符合预设规则标准，则可以根据不符合的原因，生成提示信息，以通知所述贷款人线下补充资料。通过这样的设置，可以再整个预审批阶段自动提醒贷款人补充信息，避免了人工介入，降低的工作人员的工作负荷。
在本实施例中，可选的，在执行预设风险规则，确定所述申报信息是否符合规则标准之前，所述方法还包括：
确定是否存在参贷人；
若是，则获取参贷人的参贷信息；
相应的，执行预设风险规则，确定所述申报信息是否符合规则标准，包括：
对所述贷款人的申报信息，以及所述参贷人的参贷信息，执行预设风险规则，确定所述申报信息是否符合规则标准。
其中，参贷人可以是与贷款人一同进行贷款的人，例如贷款人的配偶，可以作为房贷的参贷人。此处的参贷信息，可以是与申报信息相类似的，如参贷人的基础信息、行为信息、信用卡信息、贷款信息以及资产信息中的投资信息、理财信息等。在有参贷人的情况下，可以根据风险规则，对申报信息和参贷信息同时进行规则审核。这样设置的好处是可以在有参贷人时，根据申报信息和参贷信息共同进行预设风险规则的审核，并得到审核结果。无需对参贷人重新采用其他方式审核，提高本方案的执行效率以及降低方案实现的复杂程度。
可以理解的，在众多数据特征中，可以梳理出相对重要的特征，如信用卡过去30天可用额度最小值，房产首付金额，贷款到期日期距申请时间最大月份差，人行全类型查询原因个数，人行全类型贷款审批查询原因个数，人行贷款平均账户授信总额，人行贷款逾期笔数。
在本方案中，风险规则引擎中部署基于业务经验和数据分析产生出来的策略规则，在流程早期即可告知客户不符合基本准入条件，根据提示在线下补充材料。
规则内容主要参考下面三方面设置：黑名单，如：申请客户命中行内黑名单，申请客户命中涉诉、失信被执行人名单；可交由系统判断的产品准入条件，如：客户从事受限制性行业或客户处于限制性区域，客户行内未结清贷款余额>N元；业务经验、数据分析得出的规则，如：客户近3/6/12个月征信查询次数>N次，客户近3/6/12/24个月贷款逾期的月数>N，客户近3/6/12/24个月贷记卡/准贷记卡逾期的月数>N个月，客户是否是征信白户。
可以理解的，以上规则具体参数阈值可由业务管理人员根据实际情况调整。
对于业务经验、数据分析得出的规则，一方面，可以从平时业务反馈和报表监测发现的异常中进行总结，提取出共性问题形成规则；另一方面，利用决策树等机器学习算法，找出能为风险预警提供更多信息的特征和相应的阈值。
S120、若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群。
其中，如果符合风险规则，则可以根据申报信息包括的风险特征，确定所述申报信息的所属客群。申请客户分布是由多个拥有不同风险特征的客群所构成的，在风险评估阶段将这些子客群分开，方便后续做出更准确的判断。
在本方案中，可选的，根据所述申报信息包括的风险特征，确定所述申报信息的所属客群，包括：
获取所述申报信息包括的风险特征维度；
若所述风险特征维度包括目标维度，则根据所述目标维度的风险特征取值，确定所述申报信息的所属客群。
其中，风险特征维度可以有很多，如果划分的维度包括了目标维度，则可以根据目标维度的取值不同，来进行客群的划分。其中，目标维度可以是一个，也可以是多个。例如目标维度包括房屋成交价，则可以根据房屋成交价的高低进行划分。如目标维度包括的贷款的按揭周期，则可以根据按揭周期的长短进行划分。通过这样的设置，可以根据申报信息得到对贷款人的所属客群的划分结果。
在本方案中，可选的，所述目标维度包括城市等级维度、购买房屋类型维度以及成交价格维度；
根据所述目标维度的风险特征取值，确定所述申报信息的所属客群，包括：
根据所述目标维度包括城市等级维度、购买房屋类型维度以及成交价格维度的风险特征取值，确定所述申报信息的所属客群。
其中，城市等级维度，购买房屋类型维度以及成交价维度，可以是对贷款人的房屋购买行为最直接的评价依据。依据这几种目标特征，可以更加准确的对贷款人进行所属客群的划分。
在上述技术方案中，可选的，所述城市等级维度的风险特征取值包括：一线城市、二线城市以及三线城市；
所述购买房屋类型维度的风险特征取值包括：新房和二手房；
所述成交价格维度的风险特征取值包括：高于预设价格和低于预设价格。
其中，一线城市、二线城市以及三线城市可以是根据国家对城市的定级标准来确定的。新房和二手房可以是根据购买房屋的信息来确定的。高于预设价格和低于预设价格可以是根据与预设价格的比较结果来确定的。通过这样的设置，可以为目标特征的特征取值给出明确的划分方式，从而提高客群划分的结果的一致性。
在上述技术方案中，可选的，所述预设价格是根据所述城市等级维度和所述购买房屋类型维度确定的。例如当前贷款人购买的房屋在上海，则城市等级为一级，则预设价格可以是相对较高的，比如1000万元人民币。而如果在哈尔滨，则城市等级为二级，预设价格可以是相对较低的，比如150万元人民币。由此，可以根据不同的城市等级确定不同的预设价格，使得预设价格能够与当前的城市等级相对应。
在上述技术方案中，可选的，若所述城市等级维度的风险特征取值为三线城市，则：根据购买房屋类型维度的风险特征取值确定所述申报信息的所属客群。
可以理解的，如果是三线城市，可以将目标特征仅确定为城市等级和房屋类型，这样就可以无需对成交价进行划分，从而可以避免三线城市之间消费水平相差过大，导致的客群划分结果无法真实的反映贷款人的贷款风险。
考虑到稳定性、差异性、解释性，将客户按照地区、房屋成交价格、是否新房三个维度对客户进行细分，根据客户风险特征表现情况，对每一客群分别建立风险控制模型。具体等级划分可以如下表：
可以理解的，对于不同的客群，可以采用不同的标记进行区分，在后续处理过程中，只要去取客群的标记，就可以确定需要选用的模型。
S130、采用与所述所属客群关联的预审批风险控制模型进行风险评估。
其中，所属客群与预审批风险控制模型的关联关系可以是预先确定好的。可以再确定所属客群之后，采用相应的预审批风险控制模型，进行风险评估。其中，风险评估的结果可以是有风险或者无风险两个分类结果，也可以是多个风险等级。
预审批风险控制模型选用lightGBM模型，GBDT(Gradient Boosting DecisionTree)是机器学习中一个经典模型，其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。而LightGBM(Light GradientBoosting Machine)是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
常用的机器学习算法，例如神经网络等算法，都可以以mini-batch的方式训练，训练数据的大小不会受到内存限制。而GBDT在每一次迭代的时候，都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地读写训练数据又会消耗非常大的时间。尤其面对工业级海量的数据，普通的GBDT算法是不能满足其需求的。
LightGBM提出的主要原因就是为了解决GBDT在海量数据遇到的问题，让GBDT可以更好更快地用于工业实践。
S140、若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
其中，若风险评估结果为通过，可以采用预先确定的评分卡对申报信息进行评分。可以理解的，评分卡是在金融领域常用的对风险等级进行评分的模型。
本方案中，可选的，采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果，包括：
采用预设评分卡对所述申报信息进行评分，若评分结果高于第一门限值，则生成线上审批建议信息。
其中，满分可以是500分，第一门限值可以是400分，可以理解的，此处的高于可以也包含等于的情况，或者将门限值设置为小数，如399.5，这样在得到整数的打分结果之后，就可以全覆盖所有的可能性。
此处，如果预审批过程中打分在400分以上，则可以直接生成线上审批的建议信息，该建议信息可以发送至客户经理，也可以发送至贷款人，供客户经理进行确认并执行相应的流程。
在上述技术方案的基础上，可选的，所述方法还包括：
若评分结果低于第一门限值，且高于第二门限值，则确定所述申报信息为低风险信息，并生成线下审批建议信息；其中，所述第二门限值低于所述第一门限值。
其中，第二门限值可以是200分，可以在低于400分，且高于200分的情况下，确定为低风险，并建议采用线下审批流程。这样设置的好处是可以确定后续审批过程中采用的手段和严苛程度，进而部署审批资源，以实现资源的合理分配。
在上述技术方案的基础上，可选的，所述方法还包括：
若评分结果低于第二门限值，则确定所述申报信息为高风险信息，并生成线下审批建议信息。
当评分结果低于200分的情况下，可以将其申报信息确定为高风险，并采用线下审批，这样可以为其分配较多的审批资源，以确保贷款的安全性。
本申请实施例所提供的技术方案，获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；采用与所述所属客群关联的预审批风险控制模型进行风险评估；若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。本申请所提供的技术方案，可以针对不同的客群采用不同的预审批方式，实现快速并准确的对房贷进行预审批的目的。
图2是本申请实施例提供的另一房贷的线上预审批方法的示意图，如图2所示，该方法包括以下几个步骤：
第一步，查询客户内外部数据并执行风险规则集。客户在手机银行客户端进行简单的信息录入并确认客户具备购房资格后，经客户授权，查询贷款人及参贷人的行内信息、征信数据及其他外部信息，并执行风险规则集，不符合规则条件的客户将被告知否决结果或转至线下补充材料后继续申请。
第二步，对通过风险规则的客户进行划分。通常我们的申请客户分布是由多个拥有不同风险特征的客群所构成的，在风险评估阶段将这些子客群分开，方便后续做出更准确的判断。
第三步，不同客群客户用不同的预审批风险控制模型进行风险评估。在模型开发阶段，对不同的客群单独训练模型，能够让机器学习模型更有针对性的学习客户的风险特征。这一步中，则通过模型和前面所查得得数据对客户做出风险评估，低风险得客户继续后续流程，其他客户将被告知否决结果或转至线下补充材料后继续申请。
第四步，进行后续流程和跑现有评分卡。通过预审批风险控制模型的客户进行后续流程。通过前述风险控制模型的客户，进行后续申请流程并继续用现存评分卡对客户进行评分。新的风险控制模型是基于城市等级、是否新房和成交价格高低三个维度分客群训练验证的，不同客群中客户的资质，还款履约能力及行为表现等有明显差别，将客户分客群进行评分，使评分模型更有针对性，较现存评分卡更准确地得出客户的综合得分。
本方案相对于原有的房贷模型，对所有申请客户使用同一套评分卡。实际上，房贷客户是由不同层级的客户组成的，各层级客户具有不同的风险表现和特征。本发明结合业务可解释性和客户行为两方面，找出城市等级、是否新房、房屋成交价三个维度对房贷客户进行分层。相较原模型将整体房贷客户看成一个整体的做法，按此方法对客户分层后更有利于针对性建模和策略制定。
而且，在原有房贷评分卡模型基础上，在申请流程的早期阶段部署预审批风险控制模型。相较于传统一个模型的做法，能够快速对客户完成风险预评估，并进行预警和后续流程指引。缩短了贷款申请生命周期，还有效减少客户等待的时间成本，提高了客户体验。具体流程包括：数据采集，风险评测，分客群风险定级。
图3是本申请实施例提供的房贷的线上预审批装置的结构示意图。如图3所示，所述房贷的线上预审批装置包括：
风险规则审核模块310，用于获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
所属客群确定模块320，用于若是风险规则审核模块的审核结果为符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
风险评估模块330，用于采用与所述所属客群关联的预审批风险控制模型进行风险评估；
评分模块340，用于若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种房贷的线上预审批方法，该方法包括：
获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
采用与所述所属客群关联的预审批风险控制模型进行风险评估；
若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
存储介质——任何的各种类型的存储器电子设备或存储电子设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同未知中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的房贷的线上预审批操作，还可以执行本申请任意实施例所提供的房贷的线上预审批方法中的相关操作。
本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的房贷的线上预审批装置。图4是本申请实施例提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器420执行，使得所述一个或多个处理器420实现本申请实施例所提供的房贷的线上预审批方法，该方法包括：
获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
采用与所述所属客群关联的预审批风险控制模型进行风险评估；
若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
当然，本领域技术人员可以理解，处理器420还实现本申请任意实施例所提供的房贷的线上预审批方法的技术方案。
图4显示的电子设备400仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本申请实施例中的房贷的线上预审批方法对应的程序指令。
存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备，可以针对不同的客群采用不同的预审批方式，实现快速并准确的对房贷进行预审批的目的。
上述实施例中提供的房贷的线上预审批装置、存储介质及电子设备可执行本申请任意实施例所提供的房贷的线上预审批方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的房贷的线上预审批方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (15)
1.一种房贷的线上预审批方法，其特征在于，所述方法包括：
获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
若符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
采用与所述所属客群关联的预审批风险控制模型进行风险评估；
若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
2.根据权利要求1所述的方法，其特征在于，所述申报信息包括客户信息、负债信息以及资产信息中的至少一种。
3.根据权利要求1所述的方法，其特征在于，在确定所述申报信息是否符合规则标准之后，所述方法还包括：
若不符合，则通知所述贷款人线下补充资料。
4.根据权利要求1所述的方法，其特征在于，在执行预设风险规则，确定所述申报信息是否符合规则标准之前，所述方法还包括：
确定是否存在参贷人；
若是，则获取参贷人的参贷信息；
相应的，执行预设风险规则，确定所述申报信息是否符合规则标准，包括：
对所述贷款人的申报信息，以及所述参贷人的参贷信息，执行预设风险规则，确定所述申报信息是否符合规则标准。
5.根据权利要求1所述的方法，其特征在于，根据所述申报信息包括的风险特征，确定所述申报信息的所属客群，包括：
获取所述申报信息包括的风险特征维度；
若所述风险特征维度包括目标维度，则根据所述目标维度的风险特征取值，确定所述申报信息的所属客群。
6.根据权利要求5所述的方法，其特征在于，所述目标维度包括城市等级维度、购买房屋类型维度以及成交价格维度；
根据所述目标维度的风险特征取值，确定所述申报信息的所属客群，包括：
根据所述目标维度包括城市等级维度、购买房屋类型维度以及成交价格维度的风险特征取值，确定所述申报信息的所属客群。
7.根据权利要求6所述的方法，其特征在于，所述城市等级维度的风险特征取值包括：一线城市、二线城市以及三线城市；
所述购买房屋类型维度的风险特征取值包括：新房和二手房；
所述成交价格维度的风险特征取值包括：高于预设价格和低于预设价格。
8.根据权利要求7所述的方法，其特征在于，所述预设价格是根据所述城市等级维度和所述购买房屋类型维度确定的。
9.根据权利要求7所述的方法，其特征在于，若所述城市等级维度的风险特征取值为三线城市，则：
根据购买房屋类型维度的风险特征取值确定所述申报信息的所属客群。
10.根据权利要求1所述的方法，其特征在于，采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果，包括：
采用预设评分卡对所述申报信息进行评分，若评分结果高于第一门限值，则生成线上审批建议信息。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
若评分结果低于第一门限值，且高于第二门限值，则确定所述申报信息为低风险信息，并生成线下审批建议信息；其中，所述第二门限值低于所述第一门限值。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
若评分结果低于第二门限值，则确定所述申报信息为高风险信息，并生成线下审批建议信息。
13.一种房贷的线上预审批装置，其特征在于，所述装置包括：
风险规则审核模块，用于获取贷款人的申报信息，并执行预设风险规则，确定所述申报信息是否符合规则标准；
所属客群确定模块，用于若是风险规则审核模块的审核结果为符合，则根据所述申报信息包括的风险特征，确定所述申报信息的所属客群；
风险评估模块，用于采用与所述所属客群关联的预审批风险控制模型进行风险评估；
评分模块，用于若风险评估结果为通过，则采用预设评分卡对所述申报信息进行评分，以得到线上预审批的结果。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-12中任一项所述的房贷的线上预审批方法。
15.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-12中任一项所述的房贷的线上预审批方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010981708.5A CN112200656A (zh) | 2020-09-17 | 2020-09-17 | 一种房贷的线上预审批方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010981708.5A CN112200656A (zh) | 2020-09-17 | 2020-09-17 | 一种房贷的线上预审批方法、装置、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200656A true CN112200656A (zh) | 2021-01-08 |
Family
ID=74015225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010981708.5A Pending CN112200656A (zh) | 2020-09-17 | 2020-09-17 | 一种房贷的线上预审批方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200656A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950228A (zh) * | 2021-03-11 | 2021-06-11 | 上海晓途网络科技有限公司 | 一种智能风控方法、系统及设备 |
| CN113902548A (zh) * | 2021-10-09 | 2022-01-07 | 郑州市不动产登记中心 | 一种用于不动产登记的无纸化登银合作系统 |
| CN117670149A (zh) * | 2024-02-01 | 2024-03-08 | 杭银消费金融股份有限公司 | 一种客群质量评分方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150127416A1 (en) * | 2013-11-01 | 2015-05-07 | Digital Risk Analytics, LLC | Systems, methods and computer readable media for multi-dimensional risk assessment |
| CN106651570A (zh) * | 2016-12-27 | 2017-05-10 | 中国建设银行股份有限公司 | 一种贷款实时审批系统和方法 |
| CN109615336A (zh) * | 2018-12-17 | 2019-04-12 | 平安国际融资租赁有限公司 | 业务审批方法、装置、计算机设备和存储介质 |
| CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN111369342A (zh) * | 2020-03-05 | 2020-07-03 | 中国建设银行股份有限公司 | 基于机器学习的贷款审批方法、装置、设备和存储介质 |
-
2020
- 2020-09-17 CN CN202010981708.5A patent/CN112200656A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150127416A1 (en) * | 2013-11-01 | 2015-05-07 | Digital Risk Analytics, LLC | Systems, methods and computer readable media for multi-dimensional risk assessment |
| CN106651570A (zh) * | 2016-12-27 | 2017-05-10 | 中国建设银行股份有限公司 | 一种贷款实时审批系统和方法 |
| CN109615336A (zh) * | 2018-12-17 | 2019-04-12 | 平安国际融资租赁有限公司 | 业务审批方法、装置、计算机设备和存储介质 |
| CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN111369342A (zh) * | 2020-03-05 | 2020-07-03 | 中国建设银行股份有限公司 | 基于机器学习的贷款审批方法、装置、设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950228A (zh) * | 2021-03-11 | 2021-06-11 | 上海晓途网络科技有限公司 | 一种智能风控方法、系统及设备 |
| CN112950228B (zh) * | 2021-03-11 | 2022-10-14 | 上海晓途网络科技有限公司 | 一种智能风控方法、系统及设备 |
| CN113902548A (zh) * | 2021-10-09 | 2022-01-07 | 郑州市不动产登记中心 | 一种用于不动产登记的无纸化登银合作系统 |
| CN113902548B (zh) * | 2021-10-09 | 2023-02-03 | 郑州市不动产登记中心 | 一种用于不动产登记的无纸化登银合作系统 |
| CN117670149A (zh) * | 2024-02-01 | 2024-03-08 | 杭银消费金融股份有限公司 | 一种客群质量评分方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI712981B (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
| Jin et al. | A data-driven approach to predict default risk of loan for online peer-to-peer (P2P) lending | |
| US8560434B2 (en) | Methods and systems for segmentation using multiple dependent variables | |
| Herrero-Lopez | Social interactions in P2P lending | |
| CN112200656A (zh) | 一种房贷的线上预审批方法、装置、介质及电子设备 | |
| CN111476660B (zh) | 一种基于数据分析的智能风控系统及方法 | |
| CN108389120B (zh) | 一种对互联网信贷资产进行自动评级的方法、系统及装置 | |
| TW201523495A (zh) | 借貸媒合平臺系統 | |
| Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
| CN112700319A (zh) | 基于政务数据的企业授信额度确定方法及装置 | |
| CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
| CN111708883A (zh) | 一种基于机器学习和设备指纹的授信额度确定方法及装置 | |
| CN107590737A (zh) | 个人信用评分以及信用额度测算方法 | |
| CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
| CN112163944A (zh) | 客户的贷款资质评分方法、装置、计算机设备和存储介质 | |
| Xu et al. | On education level and terms in obtaining P2P funding: New evidence from China | |
| CN114331671A (zh) | 借贷风险监控方法、装置、服务器及存储介质 | |
| CN111951105A (zh) | 基于多维大数据分析的智能信贷风控系统 | |
| CN108805603A (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
| Hou et al. | A trial of student self-sponsored peer-to-peer lending based on credit evaluation using big data analysis | |
| CN113743817A (zh) | 一种基于云平台的企业信用等级评估方法 | |
| JP7298286B2 (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
| Zhukovska | Decision-making model on potential borrower lending for independent experts group | |
| CN111445324A (zh) | 一种物流行业小额贷款风控方法、模型及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |