CN112232893A - 一种信用的评估方法、装置及计算机系统 - Google Patents
一种信用的评估方法、装置及计算机系统 Download PDFInfo
- Publication number
- CN112232893A CN112232893A CN202010966073.1A CN202010966073A CN112232893A CN 112232893 A CN112232893 A CN 112232893A CN 202010966073 A CN202010966073 A CN 202010966073A CN 112232893 A CN112232893 A CN 112232893A
- Authority
- CN
- China
- Prior art keywords
- invoice
- enterprise
- evaluated
- credit
- data
- 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 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q30/00—Commerce
- G06Q30/04—Billing or invoicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种信用的评估方法、装置及计算机系统,所述方法包括获取待评估企业开具的发票;对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级,可以根据发票数据在线考察企业的信用等级,避免了传统信用评估过程中依赖人工判断确定企业的信用情况,提高了预测的准确性。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种信用的评估方法、装置及计算机系统。
背景技术
随着互联网科技的飞速进步,近几年互联网金融行业也得到了很大的发展。小微企业常常会需要贷款以解决面临的资金紧张的情况。为了向小微企业提供贷款,需要预先评估小微企业的经营情况及历史信用情况,以防止出现小微企业无力偿还贷款、导致贷款的金融机构亏损的情况。
发明内容
为了解决现有技术的不足,本发明的主要目的在于提供一种信用的评估方法、装置及计算机系统。
为了达到上述目的,第一方面本发明提供了一种信用的评估方法,所述方法包括:
获取待评估企业开具的发票;
对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
在一些实施例中,所述对所述发票预处理,生成预处理后的发票数据包括:
根据所述发票,确定所述待评估企业在所述预设时间周期内的交易对象;
确定交易金额和/或交易频率满足预设条件的交易对象为目标交易对象,所述发票数据包括所述目标交易对象。
在一些实施例中,所述对所述发票预处理,生成预处理后的发票数据包括:
根据所述发票,统计所述待评估企业在预设时间周期内的销售额;
根据所述销售额,确定所述待评估企业在所属行业内的销售额排名,所述发票数据包括所述总销售额及所述销售额排名。
在一些实施例中,所述方法包括:
根据获取的所述待评估企业的纳税数据及征信数据,调整所述信用等级。
在一些实施例中,所述预设模型的训练过程包括:
获取经营状态满足预设条件的企业的开具的发票;
对所述发票预处理并生成训练数据集;
使用所述训练数据集对所述预设模型进行训练以获得所述经训练的预设模型。
在一些实施例中,所述预设模型包括逻辑回归模型。
第二方面,本申请提供了一种信用的评估装置,所述装置包括:
获取模块,用于获取待评估企业开具的发票;
处理模块,用于对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
生成模块,用于使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
在一些实施例中,所述生成模块还可用于根据获取的所述待评估企业的纳税数据及征信数据,调整所述信用等级。
在一些实施例中,所述处理模块还可用于根据所述发票,统计所述待评估企业在预设时间周期内的销售额;根据所述销售额,确定所述待评估企业在所属行业内的销售额排名,所述发票数据包括所述总销售额及所述销售额排名。
第三方面,本申请提供了一种计算机系统,所述系统包括:
一个或多个处理器;
以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取待评估企业开具的发票;
对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
本发明实现的有益效果为:
本申请提供了一种信用的评估方法,包括获取待评估企业开具的发票;对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级,可以根据发票数据在线考察企业的信用等级,避免了传统信用评估过程中依赖人工判断确定企业的信用情况,提高了预测的准确性;
进一步地,本申请提出了获取经营状态满足预设条件的企业的开具的发票;对所述发票预处理并生成训练数据集;使用所述训练数据集对所述预设模型进行训练以获得所述经训练的预设模型,根据获取的经营状态不善的企业的发票数据对模型进行训练,使得金融机构在前期没有信用不良客户积累或积累不足的情况下可以根据获得的预设模型进行企业的信用评估,而不需等待信用不良的客户样本的积累。
本发明所有产品并不需要具备上述所有效果。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的样本企业示意图;
图2是本申请实施例提供的根据经训练的预设模型的预测结果生成的KS曲线图;
图3是本申请实施例提供的方法流程图;
图4是本申请实施例提供的装置结构图;
图5是本申请实施例提供的计算机系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
如背景技术所述,为解决上述技术问题,本申请提出了一种信用的评估方法,通过经训练的预设模型,根据获取的待评估企业的发票,预测待评估企业的信用等级。
具体的,上述预设模型的训练过程包括:
步骤一、获取经营条件满足预设条件的企业开具的发票;
具体的,可获取满足如图1所示条件的企业开具的发票。
步骤二、对发票进行预处理,获取发票数据;根据获取的发票数据,生成训练数据集。
具体的,所述发票数据可包括:
当月及前三月的所有发票的总金额及蓝字发票的总金额;
当月发生开票行为的总天数、当月最大开票金额;
该企业开具的所有发票的涉及的产品类别及金额,以及各产品类别所占的金额比例;
根据该企业当月开具的所有发票统计该企业与各客户的交易总额,获取交易总额位于前十的客户;
当月及前三月开具的发票中红字发票的金额占所有发票的总金额的比例;
根据当月及前三月的所有发票的总金额及蓝字发票的总金额,确定的该企业在所属行业内的总发票金额排名、蓝字发票金额排名;
根据当月发生开票行为的总天数、当月最大开票金额,确定的该企业在所述行业内的开票天数排名、最大销售额排名。
所述当月为获取经营情况数据时的月份,前三月是指获取经营情况数据的当月之前的三个月时间。
根据每一满足预设条件的企业的发票数据,可生成对应的训练样本,所有训练样本可组成训练数据集。
步骤三、使用训练数据集,训练预设模型。
所述预设模型可以选择逻辑回归模型、决策树模型、神经网络模型、逻辑回归模型、随机森林模型、优化随机算法模型中的一个。
经训练的预设模型可预测企业发生违约的概率。可预设每一违约概率的取值范围对应的信用等级,如表1所示,以便根据预测的违约概率给以企业相应的信用等级。
违约概率取值范围 | 级别 |
0~0.0005 | AAA |
0.0005~0.008 | AA+ |
0.008~0.0012 | AA |
0.0012~0.002 | AA- |
0.002~0.003 | A+ |
0.003~0.005 | A |
0.005~0.008 | A- |
0.008~0.012 | BBB+ |
0.012~0.02 | BBB |
0.02~0.03 | BBB- |
0.03~0.05 | BB+ |
表1
使用信用良好的好企业及信用不良的不良企业的样本对经训练的预设模型进行测试,分别得到预测的对应的发生违约的概率及信用评级。然后在预设的表现期结束后企业是否发生违约进行观察,根据观察结果生成如图2所示的KS曲线图,其中横坐标表示该经训练的预设模型预测的企业发生违约的概率,纵坐标表示企业实际发生违约的概率,曲线1表示信用良好的好企业,曲线2表示信用不良的不良企业,曲线1与曲线2的最远距离的值即为KS值。如图2所示,该预设模型可以对信用良好的企业及信用不良的企业有较好的区分效果。
使用经训练的预设模型,可预测待评估企业的信用等级,所述预测过程包括:
步骤四、获取待评估企业的经营状态数据。
经营情况数据可包括基本信息、发票信息、纳税信息、央行征信信息、企业主社会征信信息。基本信息可包括:企业名称、经营地址、纳税级别、企业纳税人识别号、企业主名称、企业主身份证、注册资本。发票信息可包括企业开具的发票,包括发票的开票时间、发票号码、发票金额等数据。纳税信息包括纳税人名称、纳税人识别号、纳税日期、纳税额度等数据。央行征信信息包括获取的企业央行征信报告及企业主央行征信报告。企业主社会信息包括从第三方征信平台获取的企业征信报告。
步骤五、根据待评估企业开具的发票,获取发票数据;
所述发票数据可包括:当月及前三月的所有发票的总金额及蓝字发票的总金额;当月发生开票行为的总天数、当月最大开票金额;该企业开具的所有发票的涉及的产品类别及金额,以及各产品类别所占的金额比例;根据该企业当月开具的所有发票统计该企业与各客户的交易总额,获取交易总额位于前十的客户;当月及前三月开具的发票中红字发票的金额占所有发票的总金额的比例;根据当月及前三月的所有发票的总金额及蓝字发票的总金额,确定的该企业在所属行业内的总发票金额排名、蓝字发票金额排名;根据当月发生开票行为的总天数、当月最大开票金额,确定的该企业在所述行业内的开票天数排名、最大销售额排名。所述当月为获取经营情况数据时的月份,前三月是指获取经营情况数据之前的三月。
步骤六、使用经训练的预设模型,根据待评估企业的发票数据预测待评估企业的信用等级。
经训练的预设模型生成预测的待评估企业的违约概率,并根据违约范围确定待评估企业的信用等级。
步骤七、根据企业的经营状态数据,调整信用等级。
具体的,可根据预设的调整条件,对信用等级进行调整。所述调整条件可以包括:当待评估企业当月红字发票的金额总数占当月开具发票总金额的30%以上时,将待评估企业的信用等级将至最低等。所述调整条件也可包括多条预设的评级降低条件,如企业发生开票的月份少于预设值等。当待评估企业触发评级降低条件时,根据待评估企业触发的条数调整待评估企业的信用评价。
实施例二
对应上述实施例,本申请提供了一种信用的评估方法,如图3所示,所述方法包括:
310、获取待评估企业开具的发票;
320、对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
优选的,所述对所述发票预处理,生成预处理后的发票数据包括:
321、根据所述发票,确定所述待评估企业在所述预设时间周期内的交易对象;
322、确定交易金额和/或交易频率满足预设条件的交易对象为目标交易对象,所述发票数据包括所述目标交易对象。
优选的,所述对所述发票预处理,生成预处理后的发票数据包括:
323、根据所述发票,统计所述待评估企业在预设时间周期内的销售额;
324、根据所述销售额,确定所述待评估企业在所属行业内的销售额排名,所述发票数据包括所述总销售额及所述销售额排名。
330、使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
优选的,所述方法包括:
340、根据获取的所述待评估企业的纳税数据及征信数据,调整所述信用等级。
优选的,所述预设模型的训练过程包括:
350、获取经营状态满足预设条件的企业的开具的发票;
351、对所述发票预处理并生成训练数据集;
352、使用所述训练数据集对所述预设模型进行训练以获得所述经训练的预设模型。
优选的,所述预设模型包括逻辑回归模型。
实施例三
对应上述方法,本申请提供了一种信用的评估装置,如图4所示,所述装置包括:
获取模块410,用于获取待评估企业开具的发票;
处理模块420,用于对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
生成模块430,用于使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
优选的,所述生成模块还可用于根据获取的所述待评估企业的纳税数据及征信数据,调整所述信用等级。
优选的,所述处理模块还可用于根据所述发票,统计所述待评估企业在预设时间周期内的销售额;根据所述销售额,确定所述待评估企业在所属行业内的销售额排名,所述发票数据包括所述总销售额及所述销售额排名。
优选的,所述处理模块420还可用于根据所述发票,确定所述待评估企业在所述预设时间周期内的交易对象;确定交易金额和/或交易频率满足预设条件的交易对象为目标交易对象,所述发票数据包括所述目标交易对象。
优选的,所述装置还包括训练模块440,用于获取经营状态满足预设条件的企业的开具的发票;对所述发票预处理并生成训练数据集;使用所述训练数据集对所述预设模型进行训练以获得所述经训练的预设模型。
实施例四
对应上述方法、设备及系统,本申请实施例四提供一种计算机系统,包括:一个或多个处理器;以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取待评估企业开具的发票;
对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
其中,图5示例性的展示出了计算机系统的架构,具体可以包括处理器1510,视频显示适配器1511,磁盘驱动器1512,输入/输出接口1513,网络接口1514,以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514,与存储器1520之间可以通过通信总线1530进行通信连接。
其中,处理器1510可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请所提供的技术方案。
存储器1520可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1520可以存储用于控制计算机系统1500运行的操作系统1521,用于控制计算机系统1500的低级别操作的基本输入输出系统(BIOS)。另外,还可以存储网页浏览器1523,数据存储管理系统1524,以及图标字体处理系统1525等等。上述图标字体处理系统1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之,在通过软件或者固件来实现本申请所提供的技术方案时,相关的程序代码保存在存储器1520中,并由处理器1510来调用执行。输入/输出接口1513用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口1514用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1530包括一通路,在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514,与存储器1520)之间传输信息。
另外,该计算机系统1500还可以从虚拟资源对象领取条件信息数据库1541中获得具体领取条件的信息,以用于进行条件判断,等等。
需要说明的是,尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514,存储器1520,总线1530等,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,云服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种信用的评估方法,其特征在于,所述方法包括:
获取待评估企业开具的发票;
对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
2.根据权利要求1所述的方法,其特征在于,所述对所述发票预处理,生成预处理后的发票数据包括:
根据所述发票,确定所述待评估企业在所述预设时间周期内的交易对象;
确定交易金额和/或交易频率满足预设条件的交易对象为目标交易对象,所述发票数据包括所述目标交易对象。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述发票预处理,生成预处理后的发票数据包括:
根据所述发票,统计所述待评估企业在预设时间周期内的销售额;
根据所述销售额,确定所述待评估企业在所属行业内的销售额排名,所述发票数据包括所述总销售额及所述销售额排名。
4.根据权利要求1或2所述的方法,其特征在于,所述方法包括:
根据获取的所述待评估企业的纳税数据及征信数据,调整所述信用等级。
5.根据权利要求1或2所述的方法,其特征在于,所述预设模型的训练过程包括:
获取经营状态满足预设条件的企业的开具的发票;
对所述发票预处理并生成训练数据集;
使用所述训练数据集对所述预设模型进行训练以获得所述经训练的预设模型。
6.根据权利要求1或2所述的方法,其特征在于,所述预设模型包括逻辑回归模型。
7.一种信用的评估装置,其特征在于,所述装置包括:
获取模块,用于获取待评估企业开具的发票;
处理模块,用于对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
生成模块,用于使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
8.根据权利要求7所述的装置,其特征在于,所述生成模块还可用于根据获取的所述待评估企业的纳税数据及征信数据,调整所述信用等级。
9.根据权利要求7或8所述的装置,其特征在于,所述处理模块还可用于根据所述发票,统计所述待评估企业在预设时间周期内的销售额;根据所述销售额,确定所述待评估企业在所属行业内的销售额排名,所述发票数据包括所述总销售额及所述销售额排名。
10.一种计算机系统,其特征在于,所述系统包括:
一个或多个处理器;
以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取待评估企业开具的发票;
对所述发票预处理,生成预处理后的发票数据,所述发票数据包括预设时间周期内红字发票的金额占所有发票的金额的比例;
使用经训练的预设模型,根据所述发票数据生成所述待评估企业的信用等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966073.1A CN112232893A (zh) | 2020-09-15 | 2020-09-15 | 一种信用的评估方法、装置及计算机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966073.1A CN112232893A (zh) | 2020-09-15 | 2020-09-15 | 一种信用的评估方法、装置及计算机系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232893A true CN112232893A (zh) | 2021-01-15 |
Family
ID=74116543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010966073.1A Pending CN112232893A (zh) | 2020-09-15 | 2020-09-15 | 一种信用的评估方法、装置及计算机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232893A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062602A (zh) * | 2019-12-12 | 2020-04-24 | 百望股份有限公司 | 企业信用风险评估的方法、装置及存储介质 |
CN111210327A (zh) * | 2019-12-29 | 2020-05-29 | 航天信息股份有限公司 | 一种机动车销售统一发票的风险控制方法及系统 |
-
2020
- 2020-09-15 CN CN202010966073.1A patent/CN112232893A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062602A (zh) * | 2019-12-12 | 2020-04-24 | 百望股份有限公司 | 企业信用风险评估的方法、装置及存储介质 |
CN111210327A (zh) * | 2019-12-29 | 2020-05-29 | 航天信息股份有限公司 | 一种机动车销售统一发票的风险控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US20110166987A1 (en) | Evaluating Loan Access Using Online Business Transaction Data | |
CN110009417B (zh) | 目标客户筛选方法、装置、设备及计算机可读存储介质 | |
US8744899B2 (en) | Systems and methods for migrating customers to alternative financial products | |
CN111523678A (zh) | 业务的处理方法、装置、设备及存储介质 | |
US11816711B2 (en) | System and method for predicting personalized payment screen architecture | |
US10304070B2 (en) | Systems and methods for reward prediction and offer selection | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
US20150012334A1 (en) | Systems and methods for evaluating alternative financial products | |
CN112734566B (zh) | 授信额度获取方法、装置及计算机设备 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
CN115953235A (zh) | 风险指标统计方法及装置、存储介质及电子设备 | |
CN112232893A (zh) | 一种信用的评估方法、装置及计算机系统 | |
US20220067460A1 (en) | Variance Characterization Based on Feature Contribution | |
CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN113052512A (zh) | 风险预测方法、装置和电子设备 | |
CN111738818A (zh) | 贷后授信重检方法、设备及存储介质 | |
US20220308934A1 (en) | Prediction system, prediction method, and program |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |
|
RJ01 | Rejection of invention patent application after publication |