CN112508589A

CN112508589A - 个体征信值评估方法及计算机可读存储介质

Info

Publication number: CN112508589A
Application number: CN201910790893.7A
Authority: CN
Inventors: 詹锦昌; 王菲; 张俊杰
Original assignee: Gree Electric Appliances Inc of Zhuhai; Zhuhai Lianyun Technology Co Ltd
Current assignee: Gree Electric Appliances Inc of Zhuhai; Zhuhai Lianyun Technology Co Ltd
Priority date: 2019-08-26
Filing date: 2019-08-26
Publication date: 2021-03-16

Abstract

本申请提供了一种个体征信值评估方法及计算机可读存储介质，该方法包括：获取目标个体在电子商务平台的消费数据；基于所述消费数据，通过多维度建模技术获得多个征信子模型；以及根据所述多个征信子模型获取所述目标个体的征信值。根据该方法，提供提供个体在电子商务平台上的消费数据，采用多维度聚合评估方法建模进行数据处理，得到个体的征信值，省去了现有技术中的繁琐的人工审核环节，能够为第三方提供更加直接更加全面的风控分析报告。

Description

个体征信值评估方法及计算机可读存储介质

技术领域

本发明涉及数字处理技术领域，并且更具体地，涉及一种征信值评估方法及计算机可读存储介质。

背景技术

在日常生活中，人们在办理很多业务(例如银行贷款、购买保险)的时候会用到个人征信记录。随着大数据时代的到来和快速发展，各种各样的用户数据都可以用于转化、评估、体现个人信用。而很多机构在获取个人的征信记录时，会经过很复杂的人工审核环节，这会造成很大的人力劳动量，并且银行获得的个人征信值往往不够全面地反应该个体的征信情况。

发明内容

针对上述现有技术中的问题，本申请提出了一种征信值评估方法及计算机可读存储介质，通过个体在电子商务平台的消费、咨询、评价、浏览、搜索等大量数据，建立了基于买家消费数据的征信记录。

第一方面，本申请提供了一种个体征信值评估方法，该方法包括：获取目标个体在电子商务平台的消费数据；基于所述消费数据，通过多维度建模技术获得多个征信模型；以及根据所述多个征信子模型获取所述目标个体的征信值。根据该第一方面的方法，提供获取体在电子商务平台上的消费数据，采用多维度聚合评估方法建模进行数据处理，得到个体的征信值，省去了现有技术中的繁琐的人工审核环节，能够为第三方提供更加直接更加全面的风控分析报告。

在第一方面的一个实施方式中，消费数据包括个人基本信息、个人地址信息、交易评价信息、交易完成信息和支付方式信息。

在第一方面的一个实施方式中，多个征信子模型包括：人口属性及兴趣模型，其根据所述个人基本信息形成；近期消费能力模型，其根据所述交易评价信息形成；退货退款习惯模型，其根据所述退换货信息形成；以及投诉仲裁与举报模型，其根据交易纠纷信息形成；消费系数模型，其根据所述交易完成信息完成；以及消费属性模型，其根据所述支付方式信息形成。

在第一方面的一个实施方式中，个人基本信息至少包括个人手机号码、邮箱、血型、兴趣爱好和自我评价。

在第一方面的一个实施方式中，个人地址信息至少包括最近的收货地址、收货次数最多的地址以及默认收货地址。

在第一方面的一个实施方式中，交易评价信息至少包括浏览数据、评价数据、搜索数据、收藏商品及店铺数据；

在第一方面的一个实施方式中，退换货信息至少包括退货数据、退款数据、换货数据和取消订单数据。

在第一方面的一个实施方式中，交易纠纷信息至少包括举报数据和投诉仲裁数据。

在第一方面的一个实施方式中，交易完成信息至少包括交易商品总额、下单总数、下单的商品总数、下单的店铺总数、每月下单频次、最近下单时间、首单消费时间、首单距今时间、尾单距今时间、最小消费金额、最大消费金额、累积使用代金券金额、累积使用代金券次数和累积使用积分次数。

在第一方面的一个实施方式中，支付方式信息至少包括微信支付、支付宝支付、银联支付、他人代付、代金券抵扣、积分抵扣和分期付款。

在第一方面的一个实施方式中，根据所述多个征信子模型获取所述目标个体的征信值，包括：计算所述多个征信子模型中的每个征信子模型的评分值；对所述每个征信子模型的评分值求和，多的所述目标个体的征信值。

在第一方面的一个实施方式中，所述方法还包括：通过位置数据模型监控所述目标个体在要求征信值的行为发生后的异常行为，并作出预警。通过该实施方式，能够通过监控该个体的位置，并分析位置信息，为相关的第三方降低风险等提供必要的参考条件。

在第一方面的一个实施方式中，位置数据模型根据所述个人地址信息形成。

第二方面，本申请还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代码，所述计算机代码配置成由处理器运行时执行第一方面及其实施方式中任一项所述的征信值评估方法的步骤。

本申请提供的征信值评估方法及计算机可读存储介质，相较于现有技术，具有如下的有益效果：

(1)依托个体在电子商务平台上的消费、咨询、评价、浏览、搜索等大量数据，建立基于买家消费数据的征信记录。为保护用户隐私性及征用记录在相关单位可用性，通过多维度聚合评估方法，将多个维度通过建模的方式进行数据处理，各维度以系数化的结果输出，最终汇聚用户征信值；

(2)通过位置数据模型，实时监控个体在需要征信的行为发生以后的行为变化，对个体的行为异常做出及时预警。

上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。

附图说明

在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：

图1显示了根据本发明实施例的征信值评估方法的示意性流程图；

图2显示了根据本发明另一实施例的征信值评估方法的示意图。

在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例。

具体实施方式

下面将结合附图对本发明作进一步说明。

图1和图2为本发明提供的个体征信值评估方法100的示意性流程和示意图。如图1所示，该个体征信值评估方法100包括：

S110,获取个体在电子商务平台的消费数据；

S120，基于在S110获得的消费数据，通过多维度建模技术获得多个征信子模型200；以及

S130，根据在S120获得的多个征信子模型获取所述个体的征信值。

如上文所描述的，在大数据时代，各种各样的用户数据都可以转化、评估、体现个人应用。而电子商务平台上存在广泛的用户信息，以某电子商城平台为例，该商城平台每天都会产生很多买家的消费行为特征，如消费者所浏览、搜索、收藏、下单、评价过的商品，同时根据买家个人信息(如兴趣、爱好、月收入、手机号、性别等)勾勒出用户信用画像。

依托庞大买家用户群体，以及全面、及时、多样的消费数据，电商可以建立基于买家消费数据的征信记录。

在S110中，电子商务平台可以归总目标个体在该平台的消费数据。

在S120中，基于这些消费数据，利用多维度建模技术建立多个征信子模型200。

在本发明的实施例中，这里的消费数据可以包括多种信息，例如个人基本信息、个人地址信息、交易评价信息、交易完成信息和支付方式信息。

其中，个人基本信息为用户在注册平台账户的时候填写的信息，其至少可以包括个人手机号码、邮箱、血型、兴趣爱好和自我评价等，利用建模方法将这些信息汇总形成人口属性&兴趣模型210，可以综合反映用户兴趣、偏好指数、需求度、可信度。

交易评价信息至少可以包括买家浏览、评价、搜索、收藏商品数据和店铺数据；

退换货信息至少可以包括退货数据、退款数据、换货数据和取消订单数据；

交易纠纷数据至少可以包括举报数据和投诉仲裁等数据；

利用建模方法将这些信息汇总成近期消费能力模型220、买家退货退款习惯模型230、投诉仲裁和举报模型240，这些子模型可以综合反映用户最近消费能力、用户拒收和退货习惯等。

交易完成信息可以包括买家商品总额、下单总数、购买商品总数、购买过的店铺总数、每月下单频次、最近下单时间、第一次消费时间、首单距今时间、尾单距今时间、最小消费金额、最大消费金额、累计使用代金券金额、累计使用代金券次数、累计使用积分次数，利用建模方法将这些信息汇总形成消费系数模型250，可以综合反映用户在消费能力和消费习惯方面的价值。

支付方式信息可以包括用户常用的支付方式，如微信支付、支付宝支付、银联支付、他人代付、代金券抵扣、积分抵扣和分期付款等，利用建模方法将这些信息汇总形成消费属性模型260，反映用户的消费属性，同时方便银行、保险相关单位贷款方定向营销。

在S130中，可以将在S120中获得的上述6个模型210～260确定为系数模型，根据这些系数模型综合评估和计算目标用户的个人征信值。以银行贷款业务为例，电子平台可以将以上6个系数模型提供给银行，这6个系数模型分别描述贷款人信息(或其它)及行为特征，为整个贷款过程中贷款人信息变化(或其他操作等)进行有效评估，通过这些系数模型支撑，对贷款人(或其他)的多维度信息进行综合评估和计算信用评分。

具体地，以消费系数模型250为例，在该模型的评分值算法中输入评分项如买家商品总额、下单总数、购买商品总数、购买过的店铺总数、每月下单频次、最近下单时间等的数据，然后，为每个评估项设置及格标准，在为每个评分项设置基础分数，通过比较实际评分项成绩与基准的差值再乘以权重得出该评分项得分，即m＝((评分项-基准)*0.1基数+基数)*权重，累计所有评分项的得分，就可以获得该消费系数模型250的评分值。

类似地，还可以获得上述模型210～260的评分值，将其求和后即可获得目标个体的个人征信值。

通过S110～S130，可以建立基于用户在电子商务平台的消费数据的个人征信值评估方法，在节省人力的同时，能够更加直接和全面地提供风控风险报告。

在本发明的一个实施例中，该方法100还可以包括：

通过位置数据模型270监控所述个体在要求征信值的行为发生后的异常行为，并作出预警。

其中，该位置数据模型270可以基于目标用户的个人地址信息通过建模形成，该个人地址信息可以是用户在注册时提供的地址，也可以是用户在日常下单过程中填写的收货地址，其至少可以包括最近的收货地址、收货次数最多的地址以及默认收货地址。

通过该步骤S140，可以综合分析用户位置信息(常驻地、迁移地的驻地周期和频率等位置数据可侧面反映用户的行为意图)，同时向银行或相关单位贷款方提供资金风险、追回贷款行为提供数据支撑。也就是说，能够使得个体(目标用户)与第三方在需要征信值的业务行为发生之后，实时监控目标用户的行为变化，对目标用户的行为异常做出及时预警，即通过监控用户位置，并分析位置信息，为相关单位降低风险等提供必要的参考条件。

本发明还提供了一种计算机可读存储介质，其存储有计算机代码，该计算机代码配置成在由处理器运行后执行上文S110～S140的步骤。

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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，笔记本电脑,服务器，或者网络设备等)执行本申请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 AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。

存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器还用于存储程序，所述处理器在接收到执行指令后，执行所述程序，后述本发明实施例任一实施例揭示的流程定义的服务器所执行的方法可以应用于处理器中，或者由处理器实现。

虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims

1.个体征信值评估方法，其特征在于，所述方法包括：

获取目标个体在电子商务平台的消费数据；

基于所述消费数据，通过多维度建模技术获得多个征信子模型；以及

根据所述多个征信子模型获取所述目标个体的征信值。

2.根据权利要求1所述的个体征信值评估方法，其特征在于，所述消费数据包括个人基本信息、个人地址信息、交易评价信息、退换货信息、交易纠纷信息、交易完成信息和支付方式信息。

3.根据权利要求2所述的个体征信值评估方法，其特征在于，所述多个征信子模型包括：

人口属性及兴趣模型，其根据所述个人基本信息形成；

近期消费能力模型，其根据所述交易评价信息形成；

退货退款习惯模型，其根据所述退换货信息形成；

投诉仲裁与举报模型，其根据交易纠纷信息形成；

消费系数模型，其根据所述交易完成信息完成；以及

消费属性模型，其根据所述支付方式信息形成。

4.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述个人基本信息至少包括个人手机号码、邮箱、血型、兴趣爱好和自我评价。

5.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述个人地址信息至少包括最近的收货地址、收货次数最多的地址以及默认收货地址。

6.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述交易评价信息至少包括浏览数据、评价数据、搜索数据、收藏商品及店铺数据。

7.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述退换货信息至少包括退货数据、退款数据、换货数据和取消订单数据。

8.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述交易纠纷信息至少包括举报数据和投诉仲裁数据。

9.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述交易完成信息至少包括交易商品总额、下单总数、下单的商品总数、下单的店铺总数、每月下单频次、最近下单时间、首单消费时间、首单距今时间、尾单距今时间、最小消费金额、最大消费金额、累积使用代金券金额、累积使用代金券次数和累积使用积分次数。

10.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述支付方式信息至少包括微信支付、支付宝支付、银联支付、他人代付、代金券抵扣、积分抵扣和分期付款。

11.根据权利要求1至3中任一项所述的个体征信值评估方法，其特征在于，根据所述多个征信子模型获取所述目标个体的征信值，包括：

计算所述多个征信子模型中的每个征信子模型的评分值；

对所述每个征信子模型的评分值求和，获得所述目标个体的征信值。

12.根据权利要求2或3所述的个体征信值评估方法，其特征在于，所述方法还包括：

通过位置数据模型监控所述目标个体在要求征信值的行为发生后的异常行为，并作出预警。

13.根据权利要求12所述的个体征信值评估方法，其特征在于，所述位置数据模型根据所述个人地址信息形成。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机代码，所述计算机代码配置成由处理器运行时执行权利要求1至13中任一项所述的个体征信值评估方法的步骤。