CN112613971A - 一种用户信用风险评估方法、装置、计算机设备及存储介质 - Google Patents
一种用户信用风险评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112613971A CN112613971A CN202011462742.8A CN202011462742A CN112613971A CN 112613971 A CN112613971 A CN 112613971A CN 202011462742 A CN202011462742 A CN 202011462742A CN 112613971 A CN112613971 A CN 112613971A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- user data
- credit
- preset
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种用户信用风险评估方法、装置、计算机设备及存储介质,该方法包括:获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据,利用预设算法对第一用户数据进行分析,获取目标用户对应的目标变量,根据目标变量以及预设阈值确定信贷的初始准入条件,根据第二用户数据对初始准入条件进行调整,获取目标准入条件,根据第一用户数据以及第二用户数据确定符合目标准入条件的每一目标用户的信贷额度。本发明通过利用了第一目标平台(如供应链中核心企业)提供的数据,针对性设置风险变量,并进而设置相应的信贷准入条件以及信贷额度,降低信贷的不良率,同时降低采集客户信息的耗时以及信贷成本等。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种用户信用风险评估方法、装置、计算机设备及存储介质。
背景技术
对小微企业开展信用贷款是我国现阶段的一项重要国策,也是帮助小微企业、繁荣我国广大小微企业的一项重要工作。小微企业数量众多,据国家统计局数据,中国现有的活跃小微企业约有7000万家之多。大量小微企业需要信贷支持,小微企业的信贷市场广大。给小微企业提供信贷的方式有多种,有传统的客户上门的抵质押信贷模式,有客户经理线下对客户逐户调查的业务模式,有线上线下结合的无抵押信贷模式,有纯线上的利用税务数据的业务模式,还有利用供应链核心企业拥有的其下游客户信息开展信贷的业务模式。
上述信贷模式主要通过两种方式来开展信贷,一种方式是取得客户足够抵质押物信息,有了足够的抵质押物,信贷机构就无需充分了解客户经营情况,也不用担心信贷成为不良;另一种方式是充分了解客户的经营信息,对客户的经营情况进行充分评估,判断企业信贷风险高低,进而开展企业信贷。
但是,上述两种信贷模式均存在一些弊端,其中,第一种方式由于客户信息特别是客户的经营信息获取得不够完整,会导致对下游客户控制力差的核心企业的下游客户群体信贷的不良率高。第二种方式中虽然线下所收集的数据完整,但耗时长、信贷成本高,并且有的信贷公司还需要利用线上税务数据,而通常税务数据处理方式粗糙,效果一般。
综上所述,亟需提出一种新的用户信用风险评估方法,以解决上述问题。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种用户信用风险评估方法、装置、计算机设备以及存储介质,以克服现有技术中存在的客户信息不完整导致信贷的不良率高以及客户信息采集耗时长、信贷成本高等问题。
为解决上述一个或多个技术问题,本发明采用的技术方案是:
第一方面,提供了一种用户信用风险评估方法,该方法包括如下步骤:
获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
根据所述目标变量以及预设阈值确定信贷的初始准入条件;
根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
进一步的,所述利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量包括:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
进一步的,所述预设算法包括第一预设算法以及第二预设算法,所述筛选阈值包括第一筛选阈值以及第二筛选阈值,所述利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量包括:
利用所述第一预设算法对所述风险变量按照预设维度进行分析,获取第一分析结果;
根据所述第一分析结果以及预设的第一筛选阈值筛选出多个风险变量;
利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果;
根据所述第二分析结果以及预设的第二筛选阈值从所述多个风险变量中筛选出目标变量。
进一步的,所述第二预设算法包括回归算法,所述利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果包括:
对所述多个风险变量进行离散化处理,获取所述多个风险变量对应的分段;
利用所述回归算法对所述分段进行回归分析,获取第二分析结果。
进一步的,所述利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量包括:
利用预设分类规则对所述目标用户进行分类,获取每一所述目标用户对应的分类类型;
根据所述分类类型确定满足预设分析条件的目标用户;
利用预设算法对满足所述分析条件的目标用户对应的所述第一用户数据进行分析,获取对应的目标变量。
进一步的,所述根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度包括:
根据所述第一用户数据以及预设的额度表确定符合所述目标准入条件的每一目标用户的第一额度以及所述第一额度对应的系数;
根据所述第二用户数据确定符合所述目标准入条件的每一目标用户的第二额度;
根据所述第一额度、所述系数以及所述第二额度计算获取符合所述目标准入条件的每一目标用户的信贷额度。
进一步的,所述获取目标用户在第一目标平台的第一用户数据包括:
向第一目标平台发送请求目标用户的第一用户数据的数据请求,所述数据请求包括第一用户数据的数据格式;
接收所述第一目标平台返回的符合所述数据格式的第一用户数据。
第二方面,提供了一种用户信用风险评估装置,所述装置包括:
数据获取模块,用于获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
变量获取模块,用于利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
条件确定模块,用于根据所述目标变量以及预设阈值确定信贷的初始准入条件;
条件调整模块,用于根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
额度确定模块,用于根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
第三方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
根据所述目标变量以及预设阈值确定信贷的初始准入条件;
根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如下步骤:
获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
根据所述目标变量以及预设阈值确定信贷的初始准入条件;
根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的用户信用风险评估方法、装置、计算机设备及存储介质,通过获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据,利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量,根据所述目标变量以及预设阈值确定信贷的初始准入条件,根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件,根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度,充分有效地利用了第一目标平台(如供应链中核心企业)提供的数据,针对性设置风险变量,并进而设置相应的信贷准入条件以及信贷额度,降低信贷的不良率,同时降低采集客户信息的耗时以及信贷成本等。
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是根据一示例性实施例示出的用户信用风险评估方法的流程图;
图2是根据一示例性实施例示出的用户信用风险评估装置的结构示意图;
图3是根据一示例性实施例示出的计算机设备的内部结构示意图。
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,现有技术中的信贷风险评估模式,一方面,若是客户信息特别是客户的经营信息获取得不够完整,会导致信贷的不良率高,另一方面,通过现有技术中的信息获取方式来采集客户信息存在耗时长、人力成本高等问题。
为解决上述问题,本发明实施例中创造性的提出了一种用户信用风险评估方法,该方法利用供应链中核心企业(即第一目标平台)提供的用户信息数据,提炼出能够区分客户信用的信息并设立准入条件以及额度,结合第三方服务公司(如征信公司等)提供的数据对客户的信用进行完整的判断,进而对满足条件的核心企业下游客户开展信贷,提高信贷风险评估的评估效率,同时降低信贷不良率等。
图1是根据一示例性实施例示出的用户信用风险评估方法的流程图,参照图1所示,该方法包括如下步骤:
S1:获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据。
具体的,供应链中的核心企业一般会拥有下游客户(如小微企业等)的大量数据,主要是下游客户从核心企业提货(购买)的信息,包括但不限于每月提货笔数额度、货物的季节波动率、货物的品种、同核心企业的合作时长等。作为供应链核心一环,核心企业有时候还会收集客户一些基本信息,包括该客户业务所在地区、下游客户的情况等。很多核心企业本身还对客户提货有奖惩行为,鼓励客户按目标提货甚至超目标提货,这些信息以及下游客户在在其他金融机构逾期情况等信息都能很好用来判断下游客户信用情况。
本发明实施例中,目标用户包括但不限于小微企业等,第一目标平台包括但不限于供应链中的核心企业,第一用户数据包括核心企业所拥有的客户数据,第二目标平台包括但不限于征信公司等,第二用户数据包括用户的征信数据等。
S2:利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量。
具体的,获取到第一目标平台提供的第一用户数据后,需要根据第一用户数据对目标用户的情况进行分析,具体实施时,可以采用预设的算法对第一用户数据进行分析,分析的内容包括但不限于客户各个特征的分布、在其他行信贷逾期情况分布、提货奖惩分布、客户提货量分布等。结合数据分布情况和逾期特性设置合理的风险指标(即目标变量)。
S3:根据所述目标变量以及预设阈值确定信贷的初始准入条件。
具体的,目标变量确定后,结合目标变量以及预设阈值设置相应的初始准入条件。除了被选入的目标变量,一些明显的有经济意义的条件也可以考虑进去。这里初始准入条件的设置可以结合上一步的分析结果。
初始准入条件包括但不限于一下:
1、不能出现在供应链核心客户的黑名单上;
2、排除在供应链核心客户信贷名单上已经不良和逾期严重(超过7天)的客户;
3、排除暂时不做业务的省份或城市(因业务量少、经济不发达或信贷环境差等理由);
4、排除一年内提货月份数少于3个月的客户(提货频率低说明业务不稳定);
5、排除最近三个月内提货月份数少于等于1个月的客户;
6、排除一年内提货量少于50万元的客户(提货额度太低,给不了高信贷额度,风险低且没有效率);
7、排除订单完成率低于30%的客户;
8、排除一年内提货额同比或环比下降超过50%的客户;
9、排除在核心企业开户时间低于一年的客户。
S4:根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件。
具体的,第三方征信公司以及央行也能提供大量下游客户(目标用户)相关的信息,如该下游客户的工商信息、司法涉诉信息、社会借贷信息等。这些信息可以用于对每个下游客户进行更为全面的了解。综合核心企业提供的信息(第一用户数据)、征信信息(第二用户信息),对上述步骤获取的初始准入条件进行调整,获取目标准入数据。
S5:根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
具体的,从第一目标平台得到第一用户数据经过分析,结合其他项目经验可以整理出每个目标用户的可贷额度上限。从另一个方面,从央行或第三方征信公司征信的信息中(即第二目标平台的第二用户数据),可以分析出每个目标用户在他行的信贷情况,包括可用额度、已用额度、逾期或催收信息等。结合这两方面信息可以得出每个目标用户的实际可用额度。
作为一种较优的实施方式,本发明实施例中,所述方法还包括:所述利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量包括:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
具体的,构造风险变量就是构造那些潜在的、能够体现用户信用好坏的变量。根据第一用户数据以及预设规则构造的风险变量包括但不限于:一年内订单完成的月份数、一年提货额度、授信余额、过往一年提货月份数、过往半年提货月份数、过往三个月提货月份数、过往一年提货额度、过往半年提货额度、过往三个月提货额度、过往一年提货同比增长率、过往一年提货环比增长率、过往半年提货同比增长率、过往半年提货环比增长率、过往三个月提货同比增长率、过往三个月提货环比增长率、客户所在地区(省市)、客户开户时间、过往一年订单完成量等。从经济意义上,这些变量同客户不良存在一定关系。
利用预设算法对风险变量进行分析时,可以根据实际需求预先设置好需要分析的维度信息,将获得的分析结果与预设的筛选阈值进行比较,从风险变量中筛选出符合需求目标变量。
作为一种较优的实施方式,本发明实施例中,所述方法还包括:所述预设算法包括第一预设算法以及第二预设算法,所述筛选阈值包括第一筛选阈值以及第二筛选阈值,所述利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量包括:
利用所述第一预设算法对所述风险变量按照预设维度进行分析,获取第一分析结果;
根据所述第一分析结果以及预设的第一筛选阈值筛选出多个风险变量;
利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果;
根据所述第二分析结果以及预设的第二筛选阈值从所述多个风险变量中筛选出目标变量。
具体的,本发明实施例中,利用预设算法对风险变量按照预设维度进行分析包括对单个风险变量进行分析和对多个风险变量进行分析。其中,利用第一预设算法对风险变量按照预设维度进行分析包括但不限于:
1)、分析目标用户一年内订单完成月份数、月份分布、全年提货额度同客户不良之间的关系,通常,一年内完成订单月份数越多越好;
2)、基于第一目标平台提供的第一用户数据,分析目标用户授信余额分布,逾期或不良余额分布,分析授信余额同逾期或不良的关系,严重逾期(比如逾期超30天)和不良的客户要予以避免;
3)、分析每个目标用户过往1年提货月份数、过往半年提货月份数、过往三个月提货月份数,分析这些数据同客户提货额度变化、可能的逾期关系,提货月份数越多说明该下游的业务越好;
4)、分析目标用户过往1年提货量同比、环比增长率,过往6个月提货量同比、环比增长率,过往3个月提货同比、环比增长率同不良的关系,分析这些增长率同客户全年提货额度变化、可能逾期的关系。通常一家运营好的公司,提货量同比和环比要稳步增长,最好不要出现太大的波动,波动小、稳步增长的客户是首选信用好的客户;
5)、分析目标用户所在地区同客户不良的关系,不同地区的经济发展水平、信贷环境和信贷文化有差异,首选经济发展水平高、信贷文化较好地区的客户,地区选择是地区潜在业务量、信贷环境、经济发展水平的综合考量;
6)、分析目标用户开户时间同客户不良的关系,如果开户时间太短,该客户没有足够的历史数据积累,也就没有办法分析相应的数据和行为,一般来说,需要客户开户时间超过一年,这样该客户才有一定的提货历史供分析;
7)、分析目标用户过往一年提货额度、过往半年提货额度、过往三个月的提货额度同客户不良的关系,提货额度是信贷额度主要依赖数据,客户提货额度越高越稳定越好,提货额度的变化同该客户经营情况的变化密切相关,需要分析清楚提货额度潜在的趋势;
8)、分析目标用户在核心企业中的订单完成量同客户不良的关系。订单完成的好与坏一定程度预示下游企业经营的好与坏。
上述分析的关系可以通过一些统计量来体现,包括AUC、KS等统计指标。给每个风险变量的统计指标设定一个第一筛选阈值,超过一定第一筛选阈值的风险变量予以初选通过。通过第一次筛选后,筛选出对客户风险有明显区分能力的多个风险变量,作为进行下一步多个风险变量分析的基础。
进行多个风险变量分析的主要目的是为了找出最能区分客户信用优劣的变量组合。同样的,在进行多个风险变量分析时可以预先设置一个第二筛选阈值,将分析结果与第二筛选阈值比较,从多个风险变量筛选出最优的作为目标变量。
作为一种较优的实施方式,本发明实施例中,所述方法还包括:所述第二预设算法包括回归算法,所述利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果包括:
对所述多个风险变量进行离散化处理,获取所述多个风险变量对应的分段;
利用所述回归算法对所述分段进行回归分析,获取第二分析结果。
具体的,多个风险变量分析可采用的方法有线性回归、逻辑回归、决策树等多种方法。以采用逻辑回归为例,逻辑回归可采用向前回归、向后回归或同时有向前和向后回归的方式。具体采用哪种方式可以比较多种结果看哪种最好,选最好的方式。
进入多个风险变量分析前,需要对变量进行转换,包括但不限于采用WOE方式,也就是把变量离散化划分成若干段,计算每一段的ODDS,就是好客户同坏客户的比值,用该比值进入下一步的回归分析。判断哪些风险变量最好,可以通过回归效果的指标来衡量,回归效果的指标包括AUC值、KS值、相关性等统计量,本发明实实施例中,对此不做限定,用户可以根据实际需求选择其中一种或多种。以AUC值为例,通过以上步骤选择AUC值最好的变量组合作为目标变量。
作为一种较优的实施方式,本发明实施例中,上述多个风险变量回归结果的系数还可以作为初始准入条件设置的参考。当系数与相应变量的ODDS乘积明显低于平均值,比如低于平均值减去标准差的两倍,就可以把平均值减去标准差两倍的值所对应变量的值设为阈值。对每个变量进行类似的分析处理,就可以得出每个变量相应的阈值。
作为一种较优的实施方式,本发明实施例中,所述方法还包括:所述利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量包括:
利用预设分类规则对所述目标用户进行分类,获取每一所述目标用户对应的分类类型;
根据所述分类类型确定满足预设分析条件的目标用户;
利用预设算法对满足所述分析条件的目标用户对应的所述第一用户数据进行分析,获取对应的目标变量。
具体的,为了提高风险评估的准确率,本发明实施例中,在利用预设算法对第一用户数据进行分析时,可以选取不良客户(也称坏客户)的第一用户数据进行分析,以便分析出不良客户的特征,从而作为后续设置准入条件的参考。因此,可以先明确不良客户的定义,具体实施时,可以基于实际情况,将出现过逾期的客户、在核心企业黑名单中的客户、半年内没有提货额的客户等作为坏客户或不良客户定义,未出现上述情况的定义为好客户。
按照上述定义对目标用户进行分类,判断每一目标用户对应的分类类型,即属于好客户还是不良客户,然后筛选出属于不良客户的目标用户,对这些目标用户对应的第一用户数据进行分析,获取对应的目标变量。
作为一种较优的实施方式,本发明实施例中,所述方法还包括:所述根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度包括:
根据所述第一用户数据以及预设的额度表确定符合所述目标准入条件的每一目标用户的第一额度以及所述第一额度对应的系数;
根据所述第二用户数据确定符合所述目标准入条件的每一目标用户的第二额度;
根据所述第一额度、所述系数以及所述第二额度计算获取符合所述目标准入条件的每一目标用户的信贷额度
具体的,本发明实施例中,可以按照实际需求设置目标用户的信贷额度计算公式,作为一种较优的示例,计算公式可以如下所示:
信贷额度=max(基础额度*系数-央行征信已用额度,0)
公式中需要确定的是基础额度和系数两个参数,央行征信已用额度指的是以企业名义得到的授信,只计算已经提取的用信额度,其可以通过央行征信报告中提取。其中基础额度即为第一额度,央行征信已用额度即为第二额度。设置目标用户信贷额度的原则是客户的盈利能力能够覆盖原有的信贷额度和新增的信贷额度。
基础额度主要考虑所提供的额度安全性,在用户通过目标准入条件后,主要同用户的还款能力相关,而还款能力主要同用户的收入相关。作为一种示例,可以采用用户的销售额(提货额)作为考量的基准,通过基准乘以一定的比例来实现基础额度。合理的基数是提货额的20%~40%,这里考量的是一定比例的提货额需要借款,超过一定比例,贷款额度就有风险,未来经过一段时间信贷历史后,根据实际客户不良情况,这个比例可以调高或调低。这个比例也同核心企业(第一目标平台)密切相关,核心企业越强大,这个比例就可以越高。
作为一种示例,基础额度的计算方式可如下表所示:
表一 销售额与基础额度对应表
目标用户近12个月的销售额 | 对应的基础额度 |
0~50万元 | 0元 |
50~100万元 | 20万元 |
100~250万元 | 40万元 |
250~500万元 | 100万元 |
500~750万元 | 200万元 |
700~1000万元 | 300万元 |
1000+万元 | 信用审批人工定 |
确定好基础额度后还需要确定相应的系数。系数是在给定基础额度后基于其他信息或最新发生的信息对基础额度进行适当调整的一个参数。系数越高就说明企业信用越好,反之,系数越低说明企业在信用方面不完美或有瑕疵。
其中的系数初步确定如下:
表二 订单完成情况与系数对应表
过往12个月订单完成情况 | 对应的系数 |
80%+订单超额完成 | 1 |
65%~80%订单超额完成 | 0.9 |
50%~65%订单超额完成 | 0.8 |
35%~50%订单超额完成 | 0.7 |
0~35%订单超额完成 | 上限0.7,根据信审人员定 |
确定系数后,再考虑调整系数。调整系数主要体现用户近期体现出的同信用风险变化有关的信息,这些信息包括:可能的负面预警信号、销售额(提货额)的大幅下降、现有信贷逾期情况等多方面的信息。系数调整的目的在于碰到潜在的风险时,要适当下调客户信用级别,控制信贷额度,甚至直接拒贷。
系数调整有关的主要条件包括但不限于一下:
1、如果目标用户有关于该目标用户的预警信号,系数下调一个档次;
2、如果近三个月目标用户提货额同比下降20%,系数下调一个档次;
3、如果近一年目标用户提货额同比下降15%,系数下调一个档次;
4、如果目标用户有异常情况,系数下调一个档次;
5、如果目标用户过去两年有逾期情况,逾期最长天数低于15天,且现在已经还上,系数下调一个档次。
作为一种较优的实施方式,本发明实施例中,所述方法还包括:所述获取目标用户在第一目标平台的第一用户数据包括:
向第一目标平台发送请求目标用户的第一用户数据的数据请求,所述数据请求包括第一用户数据的数据格式;
接收所述第一目标平台返回的符合所述数据格式的第一用户数据
具体的,核心企业一般会拥有下游客户的大量信息,为了提高数据的可用性,从第一目标平台请求目标用户的第一用户数据时,可以明确需要数据的格式、时间跨度(一般要求两年以上)等内容。
图2是根据一示例性实施例示出的用户信用风险评估装置的结构示意图,该装置包括:
数据获取模块,用于获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
变量获取模块,用于利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
条件确定模块,用于根据所述目标变量以及预设阈值确定信贷的初始准入条件;
条件调整模块,用于根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
额度确定模块,用于根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
作为一种较优的实施方式,本发明实施例中,所述变量获取模块具体用于:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
作为一种较优的实施方式,本发明实施例中,所述变量获取模块具体用于:
利用所述第一预设算法对所述风险变量按照预设维度进行分析,获取第一分析结果;
根据所述第一分析结果以及预设的第一筛选阈值筛选出多个风险变量;
利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果;
根据所述第二分析结果以及预设的第二筛选阈值从所述多个风险变量中筛选出目标变量。
作为一种较优的实施方式,本发明实施例中,所述变量获取模块还用于:
对所述多个风险变量进行离散化处理,获取所述多个风险变量对应的分段;
利用所述回归算法对所述分段进行回归分析,获取第二分析结果。
作为一种较优的实施方式,本发明实施例中,所述变量获取模块还用于:
利用预设分类规则对所述目标用户进行分类,获取每一所述目标用户对应的分类类型;
根据所述分类类型确定满足预设分析条件的目标用户;
利用预设算法对满足所述分析条件的目标用户对应的所述第一用户数据进行分析,获取对应的目标变量。
作为一种较优的实施方式,本发明实施例中,所述额度确定模块具体用于:
根据所述第一用户数据以及预设的额度表确定符合所述目标准入条件的每一目标用户的第一额度以及所述第一额度对应的系数;
根据所述第二用户数据确定符合所述目标准入条件的每一目标用户的第二额度;
根据所述第一额度、所述系数以及所述第二额度计算获取符合所述目标准入条件的每一目标用户的信贷额度。
作为一种较优的实施方式,本发明实施例中,所述数据获取模块具体用于:
向第一目标平台发送请求目标用户的第一用户数据的数据请求,所述数据请求包括第一用户数据的数据格式;
接收所述第一目标平台返回的符合所述数据格式的第一用户数据。
图3是根据一示例性实施例示出的计算机设备的内部结构示意图,参照图3所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种执行计划的优化方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
作为一种较优的实施方式,本发明实施例中,计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
根据所述目标变量以及预设阈值确定信贷的初始准入条件;
根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
作为一种较优的实施方式,本发明实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
作为一种较优的实施方式,本发明实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
作为一种较优的实施方式,本发明实施例中,处理器执行计算机程序时还实现以下步骤:
对所述多个风险变量进行离散化处理,获取所述多个风险变量对应的分段;
利用所述回归算法对所述分段进行回归分析,获取第二分析结果。
作为一种较优的实施方式,本发明实施例中,处理器执行计算机程序时还实现以下步骤:
利用预设分类规则对所述目标用户进行分类,获取每一所述目标用户对应的分类类型;
根据所述分类类型确定满足预设分析条件的目标用户;
利用预设算法对满足所述分析条件的目标用户对应的所述第一用户数据进行分析,获取对应的目标变量。
作为一种较优的实施方式,本发明实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述第一用户数据以及预设的额度表确定符合所述目标准入条件的每一目标用户的第一额度以及所述第一额度对应的系数;
根据所述第二用户数据确定符合所述目标准入条件的每一目标用户的第二额度;
根据所述第一额度、所述系数以及所述第二额度计算获取符合所述目标准入条件的每一目标用户的信贷额度。
作为一种较优的实施方式,本发明实施例中,处理器执行计算机程序时还实现以下步骤:
向第一目标平台发送请求目标用户的第一用户数据的数据请求,所述数据请求包括第一用户数据的数据格式;
接收所述第一目标平台返回的符合所述数据格式的第一用户数据。
本发明实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如下步骤:
获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
根据所述目标变量以及预设阈值确定信贷的初始准入条件;
根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
作为一种较优的实施方式,本发明实施例中,所述计算机程序被处理器执行时,还实现如下步骤:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
作为一种较优的实施方式,本发明实施例中,所述计算机程序被处理器执行时,还实现如下步骤:
利用所述第一预设算法对所述风险变量按照预设维度进行分析,获取第一分析结果;
根据所述第一分析结果以及预设的第一筛选阈值筛选出多个风险变量;
利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果;
根据所述第二分析结果以及预设的第二筛选阈值从所述多个风险变量中筛选出目标变量。
作为一种较优的实施方式,本发明实施例中,所述计算机程序被处理器执行时,还实现如下步骤:
对所述多个风险变量进行离散化处理,获取所述多个风险变量对应的分段;
利用所述回归算法对所述分段进行回归分析,获取第二分析结果。
作为一种较优的实施方式,本发明实施例中,所述计算机程序被处理器执行时,还实现如下步骤:
利用预设分类规则对所述目标用户进行分类,获取每一所述目标用户对应的分类类型;
根据所述分类类型确定满足预设分析条件的目标用户;
利用预设算法对满足所述分析条件的目标用户对应的所述第一用户数据进行分析,获取对应的目标变量。
作为一种较优的实施方式,本发明实施例中,所述计算机程序被处理器执行时,还实现如下步骤:
根据所述第一用户数据以及预设的额度表确定符合所述目标准入条件的每一目标用户的第一额度以及所述第一额度对应的系数;
根据所述第二用户数据确定符合所述目标准入条件的每一目标用户的第二额度;
根据所述第一额度、所述系数以及所述第二额度计算获取符合所述目标准入条件的每一目标用户的信贷额度。
作为一种较优的实施方式,本发明实施例中,所述计算机程序被处理器执行时,还实现如下步骤:
向第一目标平台发送请求目标用户的第一用户数据的数据请求,所述数据请求包括第一用户数据的数据格式;
接收所述第一目标平台返回的符合所述数据格式的第一用户数据。
综上所述,本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的用户信用风险评估方法、装置、计算机设备及存储介质,通过获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据,利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量,根据所述目标变量以及预设阈值确定信贷的初始准入条件,根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件,根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度,充分有效地利用了第一目标平台(如供应链中核心企业)提供的数据,针对性设置风险变量,并进而设置相应的信贷准入条件以及信贷额度,降低信贷的不良率,同时降低采集客户信息的耗时以及信贷成本等。
需要说明的是:上述实施例提供的用户信用风险评估装置在触发风险评估业务时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用户信用风险评估装置与用户信用风险评估方法实施例属于同一构思,即该装置是基于该用户信用风险评估方法的,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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)
1.一种用户信用风险评估方法,其特征在于,所述方法包括如下步骤:
获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
根据所述目标变量以及预设阈值确定信贷的初始准入条件;
根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
2.根据权利要求1所述的用户信用风险评估方法,其特征在于,所述利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量包括:
根据所述第一用户数据以及预设规则构造风险变量,所述风险变量用于描述所述目标用户的信用风险;
利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量。
3.根据权利要求2所述的用户信用风险评估方法,其特征在于,所述预设算法包括第一预设算法以及第二预设算法,所述筛选阈值包括第一筛选阈值以及第二筛选阈值,所述利用预设算法对所述风险变量按照预设维度进行分析,根据分析结果以及预设的筛选阈值从所述风险变量中筛选出目标变量包括:
利用所述第一预设算法对所述风险变量按照预设维度进行分析,获取第一分析结果;
根据所述第一分析结果以及预设的第一筛选阈值筛选出多个风险变量;
利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果;
根据所述第二分析结果以及预设的第二筛选阈值从所述多个风险变量中筛选出目标变量。
4.根据权利要求3所述的用户信用风险评估方法,其特征在于,所述第二预设算法包括回归算法,所述利用所述第二预设算法对所述多个风险变量进行分析,获取第二分析结果包括:
对所述多个风险变量进行离散化处理,获取所述多个风险变量对应的分段;
利用所述回归算法对所述分段进行回归分析,获取第二分析结果。
5.根据权利要求1至4任一所述的用户信用风险评估方法,其特征在于,所述利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量包括:
利用预设分类规则对所述目标用户进行分类,获取每一所述目标用户对应的分类类型;
根据所述分类类型确定满足预设分析条件的目标用户;
利用预设算法对满足所述分析条件的目标用户对应的所述第一用户数据进行分析,获取对应的目标变量。
6.根据权利要求1至4任一所述的用户信用风险评估方法,其特征在于,所述根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度包括:
根据所述第一用户数据以及预设的额度表确定符合所述目标准入条件的每一目标用户的第一额度以及所述第一额度对应的系数;
根据所述第二用户数据确定符合所述目标准入条件的每一目标用户的第二额度;
根据所述第一额度、所述系数以及所述第二额度计算获取符合所述目标准入条件的每一目标用户的信贷额度。
7.根据权利要求1至4任一所述的用户信用风险评估方法,其特征在于,所述获取目标用户在第一目标平台的第一用户数据包括:
向第一目标平台发送请求目标用户的第一用户数据的数据请求,所述数据请求包括第一用户数据的数据格式;
接收所述第一目标平台返回的符合所述数据格式的第一用户数据。
8.一种用户信用风险评估装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标用户在第一目标平台的第一用户数据以及在第二目标平台的第二用户数据;
变量获取模块,用于利用预设算法对所述第一用户数据进行分析,获取所述目标用户对应的目标变量,所述目标变量包括描述所述目标用户信用风险的变量;
条件确定模块,用于根据所述目标变量以及预设阈值确定信贷的初始准入条件;
条件调整模块,用于根据所述第二用户数据对所述初始准入条件进行调整,获取目标准入条件;
额度确定模块,用于根据所述第一用户数据以及所述第二用户数据确定符合所述目标准入条件的每一目标用户的信贷额度。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462742.8A CN112613971A (zh) | 2020-12-09 | 2020-12-09 | 一种用户信用风险评估方法、装置、计算机设备及存储介质 |
CA3141554A CA3141554A1 (en) | 2020-12-09 | 2021-12-09 | User credit risk assessment method, device, computer equipment and storage medium |
CA3177674A CA3177674A1 (en) | 2020-12-09 | 2021-12-09 | User credit risk assessment method, device, computer equipment and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462742.8A CN112613971A (zh) | 2020-12-09 | 2020-12-09 | 一种用户信用风险评估方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613971A true CN112613971A (zh) | 2021-04-06 |
Family
ID=75233578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462742.8A Pending CN112613971A (zh) | 2020-12-09 | 2020-12-09 | 一种用户信用风险评估方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112613971A (zh) |
CA (2) | CA3177674A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240100A (zh) * | 2021-12-02 | 2022-03-25 | 中国建设银行股份有限公司 | 贷款评估方法、装置、计算机设备和存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018638B (zh) * | 2022-08-08 | 2022-11-11 | 平安银行股份有限公司 | 一种业务额度确定方法及装置 |
CN117579723A (zh) * | 2023-11-22 | 2024-02-20 | 东亚银行(中国)有限公司 | 一种报文解析方法以及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400072A (zh) * | 2019-07-24 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信用服务的授权方法、装置及设备 |
CN110458693A (zh) * | 2019-08-08 | 2019-11-15 | 中国建设银行股份有限公司 | 一种企业贷款自动审批方法、装置、存储介质及电子设备 |
-
2020
- 2020-12-09 CN CN202011462742.8A patent/CN112613971A/zh active Pending
-
2021
- 2021-12-09 CA CA3177674A patent/CA3177674A1/en active Pending
- 2021-12-09 CA CA3141554A patent/CA3141554A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400072A (zh) * | 2019-07-24 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信用服务的授权方法、装置及设备 |
CN110458693A (zh) * | 2019-08-08 | 2019-11-15 | 中国建设银行股份有限公司 | 一种企业贷款自动审批方法、装置、存储介质及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240100A (zh) * | 2021-12-02 | 2022-03-25 | 中国建设银行股份有限公司 | 贷款评估方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CA3177674A1 (en) | 2022-06-09 |
CA3141554A1 (en) | 2022-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613971A (zh) | 一种用户信用风险评估方法、装置、计算机设备及存储介质 | |
De Fontnouvelle et al. | Using loss data to quantify operational risk | |
WO2017133456A1 (zh) | 一种确定风险评估参数的方法及装置 | |
CN111127105A (zh) | 用户分层模型构建方法及系统、运营分析方法及系统 | |
CN111461216A (zh) | 一种基于机器学习的案件风险识别方法 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
CN111709828A (zh) | 一种资源处理方法、装置、设备及系统 | |
CN115577152A (zh) | 基于数据分析的在线图书借阅管理系统 | |
CN111061704B (zh) | 一种财务分析报表生成方法及设备 | |
CN111932064A (zh) | 一种建立风险评估等级的方法 | |
KR101927578B1 (ko) | 기업정보 제공 시스템 및 방법 | |
CN116777652A (zh) | 一种基于风险评价模型的业财分析方法 | |
CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
CN116703563A (zh) | 一种基于量化分析模型的信贷策略 | |
CN115619270A (zh) | 数据资产管理方法、装置、计算机设备、存储介质 | |
CN115099933A (zh) | 一种业务预算方法、装置及设备 | |
CN114625781A (zh) | 一种基于商品住房价值的批量评估方法 | |
CN112598225A (zh) | 评价指标的确定方法及装置、存储介质、电子装置 | |
CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
CN113052422A (zh) | 风控模型训练方法和用户信用评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |
|
RJ01 | Rejection of invention patent application after publication |