CN112634016A - 一种基于社区物业数据进行授信的系统及方法 - Google Patents

Abstract

本发明公开了一种基于社区物业数据进行授信的系统及方法，通过收集到用户授权的物业信息，即可进行大额授信，通过知识图谱关联判断，匹配外部数据源交叉验证后，无需用户额外上传各类资产证明，实现了和小额授信同样的效率，全自动线上审批放款，实时提交，快速反馈相关结果，大幅提升了大额授信的效率，并结合社区物联网设备数据的验证，极大确保风险在可控范围；对物业信息中的核心变量进行筛选，能够使综合评分更加精准，便于选择优质用户，大大降低了授信风险。

Description

一种基于社区物业数据进行授信的系统及方法

技术领域

本发明涉及金融信用服务领域，尤其涉及一种基于社区物业数据进行授信的系统及方法。

背景技术

以往对用户进行大额授信，这里的大额主要是针对5万以上申请额度；为了控制风险，需要用户提供一定的资产进行抵押或质押，在用户出现逾期或坏账风险时，可以冻结拍卖，以资抵债，进行相关追偿，但这样一来，用户就需要额外上传自己的各类资产证明，操作繁琐，而且上传过后，资金方还需对其进行人工审批或调用外部数据源进行确认，并根据其不同的借款金额，来走不同的审批流程，一般需要3个工作日以上才能完成审批授信。

发明内容

现有技术中存在的技术问题为：

1)需要抵质押物：

需要额外提供房产、车产、理财产品购买凭证等，且授信总额也不会高于其抵质押物的折价后的总额。

2)操作繁琐：

通用的方法，用户需要提供资产抵质押，用户首先需要去找出自己的房产证、营业执照、理财产品等的证明文件，然后拍照上传，拍照的时候，部分资料可能涉及多页，需一页页依次拍照，且拍照后上传，顺序易搞错，同时拍照时由于光线、角度、手机等问题，造成质量不高、照片模糊、角度不对，拍摄不完整等问题，出现此类问题，审核时将被打回重传，用户操作麻烦，体验较差。

3)审批时效长：

后台审核需要多人进行人工参与，效率较低，整体审批周期长，无法满足用户需要快速进行大额支用的需求。

4)需要上征信：

支持此类大额放贷的，多是银行机构，还需对用户进行征信查询和上报，需要结合征信数据以做更多分析，对用户的其他授信或特殊场景需求造成一定影响。

针对上述提出的技术问题，本发明提供了一种基于社区物业数据进行授信的系统及方法，能在拥有用户物业信息的条件下，避免上述的问题，实现快速全自动审批，实现对用户的大额信用授信，不需上征信，且风险可控。

本方案的技术手段为：

一种基于社区物业数据进行授信的方法，其特征在于，包括以下几个步骤：

S1：获取数据包括：物业数据，将进行清洗处理后的数据传入风控系统；

S2：风控系统对物业数据核心变量进行建模获得物业评分，根据物业评分和外部大数据评分获得综合评分，进而确定是否授信和授信金额。

本方案主要运用在大额授信上，这里的大额具体指5万以上。本方案以物业数据作为授信的关键数据，现有的授信方法中往往忽略了物业数据的重要性，物业数据包括：房产信息、物业费缴纳信息、首付款比例、车位信息等；房产作为个人重要资产，房产的面积、位置等直接体现了大部分客户的个人财产，缴纳物业费的准时性，是否有预缴纳记录，能直观的反映出客户的还款能力与还款意愿，这些基于物业的数据是互联网风控所缺失的很重要的数据，而这些能从本质上体现出客户的质量与抗风险能力；因此将物业数据评分应当作为对客户进行授信评分时的重要组成部分；物业评分加外部大数据评分进行综合评分，可进一步提升对好用户和坏用户的识别率，从而提升优质用户的通过率，可将贷款审批通过率提升至86％以上，同时逾期率可获得进一步压降，风险更低。

本方案在实施过程中，采用全自动审批：根据用户的物业评分与外部大数据评分确定综合评分，通过综合评分进行授信；无需抵质押物、操作简单、大大缩短了审批时效并且无需上征信。

进一步地，获取物业数据的方法为：用户在前端进件系统提交个人信息发起申请并授权查询。

确认用户的基本信息，并且授权查询相关信息，采用机器识别无需用户上交多种纸质材料或扫描材料，大大缩短申请周期，保证用户体验。

进一步地，获得数据的方法包括：通过数据服务商获取外部大数据、通过爬虫获取物联网设备数据。

采用能够获取数据的基本方式均可，主要目的是为了对用户的相关数据进行全面的获取，并且进行交叉验证，排除欺诈风险。

进一步地，所述综合评分的评价指数包括：基本特征指数、预约能力指数、消费能力指数、个人稳定指数、资金紧张指数、多头借贷指数、社区生活指数。

所述基本特征指数中的变量包括：性别、年龄、学历、婚姻状况、职业类别；

所述预约能力指数中的变量包括：房产状况、车产状况、家庭月均总收入、家庭可支配收入、公积金缴存比例、芝麻信用分、信用卡平均授信额度、储蓄卡月平均可用余额。

所述消费能力指数中的变量包括：月消费金额、近一年消费综合、6个月消费金额、消费稳定度、消费档次、消费能力水平。

所述个人稳定指数中的变量包括：地址稳定天数、常用联系人稳定情况、最近一年使用手机号码数、手机号确定天数、设备稳定情况、行为偏好稳定情况、社交活跃稳定情况。

所述资金紧张指数中的变量包括：近2年贷款逾期次数、近2年信用卡逾期次数、最长逾期时间、最高逾期金额、收入负债比、信用卡额度实用率、近2年征信查询次数、近1月贷款审批查阅次数。

所述多头借贷指数中的变量包括：近6个月非银申请次数、最近申请时间间隔、非银驳回次数、近2年非银逾期金额、非银最长逾期时间。

所述社区生活指数中的变量包括：物业费缴纳记录、家庭小孩教育情况、门禁出入记录、社区团购参与次数、停车费缴纳记录、快速收发记录、饮用水等购买记录等。

进一步地，所述社区生活指数的评价范围包括：物业费缴纳记录、家庭小孩教育、门禁出入记录、社区团购参与次数、停车费缴纳记录、快递收发记录、饮用水购买记录。

进一步地，获取物业数据核心变量的方法包括：

根据信息值IV对物业变量分别进行计算；设定IV阀值；确定物业变量间的相关系数并确定相关系数阀值；

剔除小于IV阀值的物业变量，当物业变量的相关系数大于相关系数阀值时，保留其中之一；通过逐步判断程序确定初步核心变量；

剔除不符合业务逻辑的初步核心变量；

通过方差膨胀系数评估物业变量的多重线性相关性；剔除低于多重线性相关性阀值的物业变量，确定最终的物业数据核心变量。

采用上述方法长期动态地筛选出最核心的变量字段参与到整体的风控评分当中，能够使物业数据的评分更加准确，能够提升对用户的识别率，更加精确地筛选出优质的客户，降低授信风险。

本发明还提供了一种基于社区物业数据进行大额授信的系统，其特征在于，包括：

数据采集模块，用于主动爬取数据包括：物联网设备数据、部分外部公开数据；并在采集后，进行数据清洗，让格式标准化，再进行分类，入库；

数据存储模块，用于将采集和清洗使用流程中所需的各类数据格式进行存储；

评分模块，用于执行对采集数据的计算并评分；

授信模块，用于根据评分模块输出的综合评分判断是否授信及授信金额。

本发明与现有技术相比，具有如下的优点和有益效果：

1)通过收集到用户授权的物业信息，即可进行大额授信，通过知识图谱关联判断，匹配外部数据源交叉验证后，无需用户额外上传各类资产证明，实现了和小额授信同样的效率，全自动线上审批放款，实时提交，快速反馈相关结果，大幅提升了大额授信的效率；

2)大幅提升用户通过率：现有银行审批通过率，针对同类业主用户，若只通过大数据风控模型判断，则通过率只有50—70％之间，通过此模式后，通过率可有效提升至80％以上，就意味着，用户申请贷款，将获得更好的体验，更少用户体验被拒的落差感；

3)可提升用户的还款意愿：一方面可更有针对性的筛选用户，选出低逾期率特征的用户来授信，其次当用户知道你能知道他更多居住信息的时候，用户的还款意愿会大幅提升，会进一步减少逾期率。如，有小孩的家庭基本不会逾期；

4)社区数据可反向验证用户收入：对于只有外部大数据的用户，还款能力一直是个模糊地带，还款能力是用户是否逾期的一个主要判断标准，通过物业数据，可知道用户的基本居住情况，家庭情况，汽车和房产情况、甚至部分特殊行为习惯等，可有效辅助判断用户的收入能力，对授信提供有力的支持；

5)社区数据可帮助提升授信额度：传统银行和信用卡等，由于缺少此块数据，大多只能进行5万以下的授信，而通过物业数据的分析整合后，可对大量用户实现15-20万的大额授信，从而在产品端可和其他产品一下区分开来，增加营销获客能力；

6)社区数据可动态跟踪、风险预警：社区数据一个特征为动态更新，基于此，可高频获得用户最新的行为数据，若用户的生活状态发生较大改变时，可及时预警，并提醒风控人员采取对应的措施；如：用户规律的生活突然不规律了，用户的车从100万的换成了20万的等；此时，可结合外部数据等综合评判，采取一些对应措施，如要求用户提前还款，要求用户补充还款能力来源、更多资产证明等。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的流程示意图；

图2为本发明中的数据采集方式示意图；

图3为本发明中风险授信规则体系示意图；

图4为本发明中整体风险模型评分卡模型结构示意图。

具体实施方式

参照说明书附图对本发明的一种基于社区物业数据进行授信的系统及方法，作以下详细地说明。

实施例1：

如图1至图4所示，一种基于社区物业数据进行授信的方法，包括以下几个步骤：

S1：获取数据包括：物业数据，将进行清洗处理后的数据传入风控系统；

S2：风控系统对物业数据核心变量进行建模获得物业评分，根据物业评分和外部大数据评分获得综合评分，进而确定是否授信和授信金额。

需要说明的是：本方案在物业变量的选取过程中，首先对首先是对每个变量计算IV，然后计算关联度，然后确定引入模型的变量，然后再确定每个变量的权重，最后再通过实际反馈进行调整，调整过程一般需要3-6个月以上；

评分是将采集到的数据，分成上百个维度，数千个变量，对每个变量设置不同的权重，权重会在过程中根据业务数据随时调整。

本方法在具体实施时：

当用户申请贷款，获得用户的基本信息并获得信息查询授权；使用用户的手机、姓名、身份证等信息加密后，抓取对应的外部数据源包括：司法诉讼、黑名单、被执行人、工商等信息；同时对接一些外部数据源，如百行征信、公评网、征信等外部数据；同时通过合作物业的内部管理系统，对接用户的一些物业相关信息，包括居住、车和人的进入记录、物业费缴纳记录、其他物联网设备信息等；将从各个数据源收集到的数据，进行格式标准化清洗、分类；

对有冲突的数据，进行智能校验，识别欺诈风险；对部分触碰拒绝规则的用户，进行拒绝，即会通过部分数据设置准入规则；对各项数据按权重和特定规则评分，部分得分会在多个数值之间有一定关联性；输出该用户的综合得分；前端业务系统再根据最终得分，判断授信金额或是否进行授信。

对采集到的信息进行建模：

更科学：现有主流信贷行业，均采用风控建模形式；相对专家经验模型，此类大数据建模可以更系统、更科学的来分析用户的好坏程度；整体覆盖的用户的数据更加全面，可更立体的识别出用户真实情况；

更好预估和调整影响范围：由于整体模型将通过系统进行管理，每个变量的调整，都可在调整前预估影响范围，调整后获得实时的数据反馈，以便进一步微调；

支持随时调整优化，以快速适应一些突发事件的影响等；

客户填写资料较少，申请更快速，体验更好。

实施例2：

实施例2是在实施例1的基础上做出的进一步的限定，如图1至图4所示：

获取物业数据的方法为：用户在前端进件系统提交个人信息发起申请并授权查询；

获得数据的方法包括：通过数据服务商获取外部大数据、通过爬虫获取物联网设备数据；

所述综合评分的评价指数包括：基本特征指数、预约能力指数、消费能力指数、个人稳定指数、资金紧张指数、多头借贷指数、社区生活指数；

所述社区生活指数的评价范围包括：物业费缴纳记录、家庭小孩教育、门禁出入记录、社区团购参与次数、停车费缴纳记录、快递收发记录、饮用水购买记录；

获取物业数据核心变量的方法包括：根据信息值IV对物业变量分别进行计算；设定IV阀值；确定物业变量间的相关系数并确定相关系数阀值；剔除小于IV阀值的物业变量，当物业变量的相关系数大于相关系数阀值时，保留其中之一；通过逐步判断程序确定初步核心变量；剔除不符合业务逻辑的初步核心变量；通过方差膨胀系数评估物业变量的多重线性相关性；剔除低于多重线性相关性阀值的物业变量，确定最终的物业数据核心变量。

实施例3：

实施例3是在实施例2的基础上提供的一种具体的实现方式，如图1至图4所示：

具体的获取物业数据核心变量的方法为：

根据IV(information value)对所有物业变量进行计算，因为可用变量比较少，将IV的阀值设在0.02，小于0.02的变量直接剔除，部分数据如表1所示：

表1部分物业变量值

计算变量间的相关性，若变量间的相关系数>＝0.6,根据IV和业务逻辑保留其中一个；这一步保留下来的变量如表2所示：

表2初步保留的物业变量值

应用逐步判别程序(stepwise discriminate procedure)选择最终引入模型的变量。这一步保留的变量如表3所示：

表3进一步保留的物业变量值

此处可以获得一定数量的核心变量，然后再检查变量是否符合业务逻辑，如：“拥有的房屋中最后一笔付款时间与申请时间的间隔天数”这个变量，考虑到建模的样本多是刚买房的时候申请的贷款，和现在业务不同，该变量的偏差会很大，会影响模型的稳定性，所以最后删除了这个变量，获得最终模型用到了剩余的几个关键变量，如：

表4最终保留的物业变量值

变量	标签	IV
			max_house_area	拥有房屋的最大总面积	0.098
…	…	…

使用方差膨胀系数(VIF)进行线性回归以评估变量的多重线性相关性，根据VIF测试结果在此步骤没有变量被删除；可以确定核心变量为表4中的物业变量。

目前接入的内部物业数据，和外部大数据，全部参数加起来超过上千个参数，每个参数细分后，又可形成多个变量，比如年龄，可以分为18-22,23-28,29-35等，每个变量的值，又涉及和其他变量关联的问题，如29-35，就会考虑婚姻情况、子女情况、职业等。在如此多变量的基础上，必须要靠模型来更加有效的选出关键变量，计算相关影响和权重。

实施例4：

本发明还提供了一种基于社区物业数据进行大额授信的系统，包括：

数据采集模块，用于主动爬取数据包括：物联网设备数据、部分外部公开数据；并在采集后，进行数据清洗，让格式标准化，再进行分类，入库；

数据存储模块，用于将采集和清洗使用流程中所需的各类数据格式进行存储；

评分模块，用于执行对采集数据的计算并评分；

授信模块，用于根据评分模块输出的综合评分判断是否授信及授信金额。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于社区物业数据进行授信的方法，其特征在于，包括以下几个步骤：

S1：获取数据包括：物业数据，将进行清洗处理后的数据传入风控系统；

S2：风控系统对物业数据核心变量进行建模获得物业评分，根据物业评分和外部大数据评分获得综合评分，进而确定是否授信和授信金额。

2.根据权利要求1所述的一种基于社区物业数据进行授信的方法，其特征在于，获取物业数据的方法为：用户在前端进件系统提交个人信息发起申请并授权查询。

3.根据权利要求1所述的一种基于社区物业数据进行授信的方法，其特征在于，获得数据的方法包括：通过数据服务商获取外部大数据、通过爬虫获取物联网设备数据。

4.根据权利要求1所述的一种基于社区物业数据进行授信的方法，其特征在于，所述综合评分的评价指数包括：基本特征指数、预约能力指数、消费能力指数、个人稳定指数、资金紧张指数、多头借贷指数、社区生活指数。

5.根据权利要求4所述的一种基于社区物业数据进行授信的方法，其特征在于，所述社区生活指数的评价范围包括：物业费缴纳记录、家庭小孩教育、门禁出入记录、社区团购参与次数、停车费缴纳记录、快递收发记录、饮用水购买记录。

6.根据权利要求1至5任一所述的一种基于社区物业数据进行授信的方法，其特征在于，获取物业数据核心变量的方法包括：

根据信息值IV对物业变量分别进行计算；设定IV阀值；确定物业变量间的相关系数并确定相关系数阀值；

剔除小于IV阀值的物业变量，当物业变量的相关系数大于相关系数阀值时，保留其中之一；通过逐步判断程序确定初步核心变量；

剔除不符合业务逻辑的初步核心变量；

通过方差膨胀系数评估物业变量的多重线性相关性；剔除低于多重线性相关性阀值的物业变量，确定最终的物业数据核心变量。

7.一种基于社区物业数据进行大额授信的系统，其特征在于，包括：

数据采集模块，用于主动爬取数据包括：物联网设备数据、部分外部公开数据；并在采集后，进行数据清洗，让格式标准化，再进行分类，入库；

数据存储模块，用于将采集和清洗使用流程中所需的各类数据格式进行存储；

评分模块，用于执行对采集数据的计算并评分；

授信模块，用于根据评分模块输出的综合评分判断是否授信及授信金额。

Images