CN112927069A - 用户信贷风险评估方法、装置和电子设备 - Google Patents

Abstract

本发明提供了一种用户信贷风险评估方法、装置和电子设备，涉及信用评估技术领域，该方法包括基于用户贷款请求，获取用户的贷款行为数据；贷款行为数据包括用户在金融机构的历史行为数据；判断贷款行为数据的初始用户信用分值是否处于第一阈值范围；如果是，确定数据产品和信用评分模型；数据产品为一个或多个；每个数据产品对应有相应的信用评分模型；每个数据产品对应有预先确定的第二阈值范围；基于贷款行为数据和第二阈值范围对应的数据产品，采用相应的信用评分模型进行用户信用评分，以对用户的信贷风险进行评估。本发明在进行用户信贷风险评估时成本更低，进一步可以获得更高的信贷收益。

Description

用户信贷风险评估方法、装置和电子设备

技术领域

本发明涉及信用评估技术领域，尤其是涉及一种用户信贷风险评估方法、装置和电子设备。

背景技术

当前在金融风控预判时，通常需要请求第三方数据进行建模，第三方数据采集主要依赖于数据服务公司，目前的多数基于第三方数据的风险评估自动化模型会采购超过一种数据产品(可以是同一厂商的多个数据产品，也可以是不同厂商提供的数据产品)，在进行信贷风险评估时，会一次性请求所有使用的数据产品，并将返回的信息送入模型中进行风险评估。然而，由于每次使用三方数据时均需支付一定的成本，当一次性请求所有的数据产品时，会产生较大的成本，尤其是信贷中的小微贷款，成本压力较大。

发明内容

本发明的目的在于提供一种用户信贷风险评估方法、装置和电子设备，可以在进行用户信贷风险评估时成本更低，进一步可以获得更高的信贷收益。

第一方面，本发明提供一种用户信贷风险评估方法，方法包括：基于用户贷款请求，获取用户的贷款行为数据；贷款行为数据包括用户在金融机构的历史行为数据；判断贷款行为数据的初始用户信用分值是否处于第一阈值范围；如果是，确定数据产品和信用评分模型；数据产品为一个或多个；每个数据产品对应有相应的信用评分模型；每个数据产品对应有预先确定的第二阈值范围；基于贷款行为数据和数据产品，采用相应的信用评分模型和预先确定的第二阈值范围进行用户信用评分，以对用户的信贷风险进行评估。

在可选的实施方式中，基于用户贷款请求，获取用户的贷款行为数据的步骤，包括：基于用户贷款请求，获取用户的身份信息；基于身份信息获取在金融机构的历史行为数据；历史行为数据至少包括注册时间、登录时间、指定时间的登录频次、用户交易行为数据、用户信贷行为数据。

在可选的实施方式中，第一阈值范围包括上边界值和下边界值；判断贷款行为数据的初始用户信用分值是否处于第一阈值范围的步骤，包括：将贷款行为数据输入至初始信用评分模型，得到初始用户信用分值；判断初始用户信用分值是否低于上边界值或者高于下边界值；如果是，确定贷款行为数据处于第一阈值范围。

在可选的实施方式中，确定数据产品和信用评分模型的步骤，包括：基于第一训练样本对信用评分模型进行训练，得到基础评分模型；第一训练样本包括贷款行为数据和用户风险评估标签；针对每一个数据产品，基于第二训练样本对信用评分模型进行训练，得到临时评分模型；第二训练样本包括贷款行为数据、数据产品提供的特征数据和用户风险评估标签；基于测试样本对基础评分模型和临时评分模型进行预测，确定相应的数据产品的参数集合；对多个数据产品得到的参数集合进行最优化处理，直至确定当前选择的数据产品和对应的目标信用评分模型。

在可选的实施方式中，基于测试样本对基础评分模型和临时评分模型进行预测，确定相应的数据产品的参数集合的步骤，包括：针对每一个数据产品，基于测试样本对基础评分模型和临时评分模型进行预测，得到对应的基础评分和临时评分；基于基础评分和临时评分，以及预先设置的参数阈值，确定测试样本中通过信用评估测试的用户样本；基于测试样本、用户样本和每种样本对应的数据成本，确定信贷收益；对参数阈值和信贷收益进行寻优处理，得到相应的数据产品的参数集合。

在可选的实施方式中，用户样本包括第一用户样本和第二用户样本；基于测试样本、用户样本和每种样本对应的数据成本，确定信贷收益的步骤，包括：采用公式G＝a2*P-a3*B-a1*C-a4*xp确定信贷收益；其中，G为信贷收益；a1为测试样本中的总客户数；a2为测试样本中通过测试的客户中的第一用户样本数；a3为测试样本中通过测试的客户中的第二用户样本数；a4为测试样本中未通过信用评估测试的第三用户样本数；P为单个第一用户样本的利息收益；B为单个第二用户用本的利息损失；C为单个用户的营销成本；xp为数据产品的单次使用价格。

在可选的实施方式中，对多个数据产品得到的参数集合进行最优化处理，直至确定当前选择的数据产品和对应的目标信用评分模型的步骤，包括：选取多个数据产品得到的参数集合中信贷收益最大的参数集合，并将该参数集合对应的数据产品和对应的目标信用评分模型确定为当前的数据产品和对应的目标信用评分模型。

第二方面，本发明提供一种用户信贷风险评估装置，装置包括：数据获取模块，用于基于用户贷款请求，获取用户的贷款行为数据；贷款行为数据包括用户在金融机构的历史行为数据；判断模块，用于判断贷款行为数据的初始用户信用分值是否处于第一阈值范围；确定模块，用于如果是，确定数据产品和信用评分模型；数据产品为一个或多个；每个数据产品对应有相应的信用评分模型；每个数据产品对应有预先确定的第二阈值范围；风险评估模块，用于基于贷款行为数据和数据产品，采用相应的信用评分模型和预先确定的第二阈值范围进行用户信用评分，以对用户的信贷风险进行评估。

第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现前述实施方式任一项的用户信贷风险评估方法。

第四方面，本发明提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现前述实施方式任一项的用户信贷风险评估方法。

本发明提供的用户信贷风险评估方法、装置和电子设备，该方法基于用户贷款请求，获取用户的贷款行为数据，该贷款行为数据包括用户在金融机构的历史行为数据，并判断贷款行为数据的初始用户信用分值是否处于第一阈值范围，对处于第一阈值范围的贷款行为数据进行处理时，首先确定数据产品和信用评分模型，其中，数据产品为一个或多个，每个数据产品对应有相应的信用评分模型，每个数据产品对应有预先确定的第二阈值范围，进而基于贷款行为数据和第二阈值范围对应的数据产品，采用相应的信用评分模型进行用户信用评分，以对用户的信贷风险进行评估。上述方式对处于第一阈值范围的贷款行为数据进行处理时，通过确定一个或多个数据产品以及对应的信用评分模型进行用户信用评分，以对用户的信贷风险进行评估。通过首先判断是否处于第一阈值范围，可以将明显可以判定用户评分的用户数据直接进行判定，仅针对处于第一阈值范围的数据使用数据产品，并且该数据产品为根据第二阈值范围分级确定的一个或多个，相对于现有方案中一次使用全部的数据产品的方案，在进行用户信贷风险评估时成本更低，进一步可以获得更高的信贷收益。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种用户信贷风险评估方法的流程示意图；

图2为本发明实施例提供的另一种用户信贷风险评估方法的流程示意图；

图3为本发明实施例提供的一种信贷收益的结算过程示意图；

图4为本发明实施例提供的一种用户信贷风险评估装置的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

考虑到目前的信贷评估自动化系统在进行信贷风险评估时，会一次性请求使用所有的数据产品，并将数据产品返回的信息送入评分模型中进行风险评估，这样每次请求需要花费的数据成本就是所有数据产品价格之和，会导致风险评估的成本较高。基于此，本发明实施例提供了一种用户信贷风险评估方法、装置和电子设备，可以在进行用户信贷风险评估时成本更低，进一步可以获得更高的信贷收益。

为便于理解，首先对本发明提供的一种用户信贷风险评估方法进行详细说明，参见图1所示，该方法主要包括以下步骤S102至步骤S108：

步骤S102，基于用户贷款请求，获取用户的贷款行为数据。

用户贷款请求也即用户向金融机构(诸如银行、信贷机构等)发起的贷款请求，诸如可以通过移动终端设备或者金融机构的终端设备进行操作发起。贷款行为数据包括用户在金融机构的历史行为数据，历史行为数据也即用户在当前时刻之前的指定时间段内，在金融机构对应的应用程序进行的一系列行为数据，诸如，登录时间、登录频次、交易操作、贷款操作等数据。

步骤S104，判断贷款行为数据的初始用户信用分值是否处于第一阈值范围。

贷款行为数据的初始用户信用分值也即通过初始信用评分模型对用户的贷款行为数据进行处理，得到的对用户信用进行表征的信用评分。第一阈值范围包括上下边界值，为方便理解，初始用户信用分值用0表示(这里0仅作为指代，不是具体的数值)，第一阈值范围的上边界用K0u表示，下边界用K0l表示，如果用户的信用评分0>K0u，则信用审批成功，向客户放款；如果客户信用分0<K0l，则信用审批失败，拒绝放款；如果客户信用分0介于两者之间，确定信用评分处于第一阈值范围。

步骤S106，如果是，确定数据产品和信用评分模型。

当信用评分处于第一阈值范围内时，则表明无法直接根据第一阈值范围的上边界和下边界确定用户是否存在信贷风险，因此需要对处于该第一阈值范围内的用户进行进一步的风险评估。

对信用评分处于第一阈值范围内的用户数据进行风险预估时，确定的数据产品为一个或多个，每个数据产品对应有相应的信用评分模型，具体的数据产品的数量可以根据评分情况进行确定。诸如，当采用确定的一个数据产品和对应的信用评分模型即可对处于第一阈值范围的用户数据进行风险预估，则无需使用多个数据产品。如果无法通过一个数据产品确定，则进一步确定数据产品和相应的信用评分模型，直至对用户的信用评分作出判断，以对用户的信贷风险进行评估。

步骤S108，基于贷款行为数据和数据产品，采用相应的信用评分模型和预先确定的第二阈值范围进行用户信用评分，以对用户的信贷风险进行评估。

将确定的数据产品和贷款行为数据作为用于评估用户信贷风险的数据，输入至相应的信用评分模型，以得到用户信用评分，从而可以通过预先确定的第二阈值范围对用户的风险进行评估，诸如，超过第二阈值范围的上边界值，则确定用户信用评分较高，可以通过贷款，低于第二阈值范围的下边界值，则确定用户信用评分较低，无法通过贷款。需要注意的是，如果采购的数据产品为H个时，直至采用H-1个数据产品仍无法判断用户信贷风险时，在采用第H个数据产品进行信用评分时，第二阈值范围则为一个基准线，也即此时的第二阈值范围的上边界值和下边界值相同，当通过第H个数据产品对应的信用评分模型进行评分后，超过该基准线的则为贷款通过，低于该基准线的则为贷款不通过。

本发明实施例提供的用户信贷风险评估方法，对处于第一阈值范围的贷款行为数据进行处理时，通过确定一个或多个数据产品以及对应的信用评分模型进行用户信用评分，以对用户的信贷风险进行评估。通过首先判断是否处于第一阈值范围，可以将明显可以判定用户评分的用户数据直接进行判定，仅针对处于第一阈值范围的数据使用数据产品，并且该数据产品为根据第二阈值范围分级确定的一个或多个，相对于现有方案中一次使用全部的数据产品的方案，在进行用户信贷风险评估时成本更低，进一步可以获得更高的信贷收益。

在基于用户贷款请求，获取用户的贷款行为数据时，可以首先基于用户贷款请求，获取用户的身份信息，然后基于身份信息获取在金融机构的历史行为数据。诸如，可以在用户通过设备发起用户贷款请求时，获取输入用户的身份信息，该身份信息诸如可以包括姓名、身份证号、手机号等。获取的历史行为数据至少包括注册时间、登录时间、指定时间的登录频次、用户交易行为数据、用户信贷行为数据。在实际应用中，历史行为数据也可以成为行内原始数据或行内客户数据，用于表征可以直接在金融机构获取的用户数据。并且该行内客户数据还可以是其他有助于获知用户信用的数据，此处不作具体限定。

上述第一阈值范围包括上边界值和下边界值，在一种实施方式中，当判断贷款行为数据的初始用户信用分值是否处于第一阈值范围时，首先将贷款行为数据输入至初始信用评分模型，得到初始用户信用分值(也即上述评分0)，判断初始用户信用分值是否低于上边界值K0u或者高于下边界值K0l，如果是，确定贷款行为数据处于第一阈值范围。通过筛选出处于第一阈值范围的贷款行为数据(筛选过程参见步骤S102相应描述，此处不再赘述)，可以将一些可以直接通过第一阈值范围的上边界值和下边界值确定信用风险的用户筛选出去，从而可以在不使用数据产品的情况下，对一些用户数据进行用户信用风险的评估，节约了使用数据产品的成本。

可以理解的是，当确定处于第一阈值范围的用户后，可以通过调用数据产品作为基础数据，使用户的相关数据更加丰富。在具体实施时，可以参见图2所示的示意图，对处于第一阈值范围的用户调用数据产品1，返回客户在数据产品1中的数据特征，将该数据特征和行内客户数据一起放入评分卡模型1，输出客户信用分1，根据阈值k1u和k1l执行操作，如果客户信用分1>k1u，则信用审批成功，向客户放款；如果客户信用分1<k1l，则信用审批失败，拒绝放款；如果客户信用分1介于两者之间，则进一步调用数据产品2，通过返回客户在数据产品2中的数据特征，和前面数据产品1已返回的数据特征以及行内客户数据一起放入评分卡模型2，输出客户信用分2，并根据阈值k2u和k2l进行判断(判断方式与信用分1类似，此处不进行赘述)。

如果直到最后一个数据产品h之前(也即数据产品h-1)都无法给出审批成功或审批失败的判断，则进入最后一步，调用数据产品h，返回客户在数据产品h中的数据特征，将该数据特征和前面数据产品1～h-1返回的数据特征以及行内客户数据一起放入评分卡模型h，输出客户信用分h，根据阈值kh执行操作：如果客户信用分h>＝kh，则信用审批成功，向客户放款；如果客户信用分h<kh，则信用审批失败，拒绝放款。该kh也即上述上边界值和下边界值相等的第二阈值范围的基准线。

在一种实施方式中，为了节约调用第三方的数据产品的成本，可以通过层级调用的方式确定数据产品和信用评分模型，层级调用也即并非一次性的使用全部数据产品的数据，而是通过层层的筛选，确定每次进行信用评分对应的数据产品和信用评分模型。在具体实施时，可以采用以下步骤1至步骤4执行：

步骤1，基于第一训练样本对信用评分模型进行训练，得到基础评分模型。其中，第一训练样本包括贷款行为数据(也即行内客户数据)和用户风险评估标签，该标签用于表征用户的信贷风险，可以通过真实的放款表现确定。诸如，按时还款的客户为好客户，信贷风险较低；坏账客户为坏客户，信贷风险较高。通过第一训练样本对信用评分模型进行训练对信用评分模型进行训练，可以得到基础评分模型，该训练好的基础评分模型用于上述步骤S104中的信用评分。也即图2中的评分卡模型0。

步骤2，针对每一个数据产品，基于第二训练样本对信用评分模型进行训练，得到临时评分模型。第二训练样本包括贷款行为数据、数据产品提供的特征数据和用户风险评估标签。可以理解的是，第二训练样本为多份，针对每一个数据产品均有对应的第二训练样本，且随着数据产品的逐层递进，第二训练样本中的数据产品提供的特征数据也相应增多。诸如，对于数据产品1，第二训练样本中的数据产品提供的特征数据包括数据产品1返回的数据特征，而对于数据产品2，第二训练样本中的数据产品提供的特征数据包括数据产品1返回的数据特征和数据产品1返回的数据特征，以此类推。通过该方式，可以确定针对每一个数据产品(也可以称为备选数据产品p)均可以得到对应的临时评分模型，并随着层数的增加，训练临时评分模型的样本也随之增多。

步骤3，基于测试样本对基础评分模型和临时评分模型进行预测，确定相应的数据产品的参数集合。可以理解的是，样本数据包括训练样本，同样也包括测试样本，当上述基础评分模型和多个临时评分模型确定后，可以通过测试样本进行模型性能的测试。具体可以参见以下步骤3.1至步骤3.4：

步骤3.1，针对每一个数据产品，基于测试样本对基础评分模型和临时评分模型进行预测，得到对应的基础评分和临时评分，其中，基础评分可以用score0表示，临时评分可以用scorep表示。

步骤3.2，基于基础评分和临时评分，以及预先设置的参数阈值，确定测试样本中通过信用评估测试的用户样本。

在一种实施方式中，可以通过score0>k0u|(score0>＝k0l&scorep>＝k1)进行用户样本的划分。诸如，满足上式的为通过信贷的用户(也即用户样本)，其余的用户为拒绝信贷的用户。通过这种方式可以计算得到测试样本的总客户数a1，通过客户中的好客户数a2，通过客户中的坏客户数a3，评分卡模型0未能通过或拒绝的客户数a4。

预先设置的参数阈值可以参见图3中所示的k0u，k0l和k1，该参数阈值确定后，可以用于确定第二阈值范围。

步骤3.3，基于测试样本、用户样本和每种样本对应的数据成本，确定信贷收益。用户样本包括第一用户样本(也即上述好客户)和第二用户样本(也即上述坏客户)。在实际应用中，可以采用公式G＝a2*P-a3*B-a1*C-a4*xp确定信贷收益；其中，G为信贷收益；a1为测试样本中的总客户数；a2为测试样本中通过测试的客户中的第一用户样本数；a3为测试样本中通过测试的客户中的第二用户样本数；a4为测试样本中未通过信用评估测试的第三用户样本数；P为单个第一用户样本的利息收益；B为单个第二用户用本的利息损失；C为单个用户的营销成本；xp为数据产品的单次使用价格。信贷收益的结算过程可以参见图3所示。

步骤3.4，对参数阈值和信贷收益进行寻优处理，得到相应的数据产品的参数集合。

在一种实施方式中，寻优处理可以采用粒子群算法进行，也可以采用全局寻优搜索算法，在实际应用中，可以根据实际需求进行选择，此处不作具体限定。通过使用最优化方法寻优上述参数阈值k0u，k0l和k1，从而使信贷收益G最大化，这样对应备选数据产品p的最终参数为{k0u，k0l，k1，G}，也即数据产品的参数集合。该方式通过信贷收益最大化确定信用评分模型的参数，更加贴合实际业务，从而使得训练得到的模型预测的效果更准确。

步骤4，对多个数据产品得到的参数集合进行最优化处理，直至确定当前选择的数据产品和对应的目标信用评分模型。在具体实施时，对每一个备选数据产品p重复执行上述步骤1至步骤3，可以得到h组临时评分卡模型和h组参数集合。通过比较所有数据产品1～h的G值，选取多个数据产品1～h中得到的参数集合中信贷收益最大的参数集合，并将该参数集合对应的数据产品和对应的目标信用评分模型确定为当前的数据产品和对应的目标信用评分模型。可以理解的是，当前的数据产品对应的目标信用评分模型的参数也即确定的参数集合。在实际调用时，只有最后一个数据产品的参数k1起到作用，也即第二阈值范围的基准线，之前的数据产品仅采用k0u和k0l确定第二阈值范围即可。

综上所述，本实施例通过层级的使用第三方数据产品，而不是一次性请求全部数据源，这样对于最优质和最劣质的客户可以尽可能的直接判断，减少第三方数据的调用次数，进而节约了成本。同时也可以减少对第三方数据源的依赖，当排序靠后的数据源发生异常时，可以直接截断，保证在进行风险评估时不会完全无法工作。

对于上述用户信贷风险评估方法，本发明实施例提供了一种用户信贷风险评估装置，参见图4所示，该装置主要包括以下部分：

数据获取模块402，用于基于用户贷款请求，获取用户的贷款行为数据；贷款行为数据包括用户在金融机构的历史行为数据；

判断模块404，用于判断贷款行为数据的初始用户信用分值是否处于第一阈值范围；

确定模块406，用于如果是，确定数据产品和信用评分模型；数据产品为一个或多个；每个数据产品对应有相应的信用评分模型；每个数据产品对应有预先确定的第二阈值范围；

风险评估模块408，用于基于贷款行为数据和第二阈值范围对应的数据产品，采用相应的信用评分模型进行用户信用评分，以对用户的信贷风险进行评估。

本发明实施例提供的用户信贷风险评估装置，对处于第一阈值范围的贷款行为数据进行处理时，通过确定一个或多个数据产品以及对应的信用评分模型进行用户信用评分，以对用户的信贷风险进行评估。通过首先判断是否处于第一阈值范围，可以将明显可以判定用户评分的用户数据直接进行判定，仅针对处于第一阈值范围的数据使用数据产品，并且该数据产品为根据第二阈值范围分级确定的一个或多个，相对于现有方案中一次使用全部的数据产品的方案，在进行用户信贷风险评估时成本更低，进一步可以获得更高的信贷收益。

在一种实施方式中，上述数据获取模块402，还用于基于用户贷款请求，获取用户的身份信息；基于身份信息获取在金融机构的历史行为数据；历史行为数据至少包括注册时间、登录时间、指定时间的登录频次、用户交易行为数据、用户信贷行为数据。

在一种实施方式中，第一阈值范围包括上边界值和下边界值；上述判断模块404，还用于将贷款行为数据输入至初始信用评分模型，得到初始用户信用分值；判断初始用户信用分值是否低于上边界值或者高于下边界值；如果是，确定贷款行为数据处于第一阈值范围。

在一种实施方式中，上述确定模块406，还用于基于第一训练样本对信用评分模型进行训练，得到基础评分模型；第一训练样本包括贷款行为数据和用户风险评估标签；针对每一个数据产品，基于第二训练样本对信用评分模型进行训练，得到临时评分模型；第二训练样本包括贷款行为数据、数据产品提供的特征数据和用户风险评估标签；基于测试样本对基础评分模型和临时评分模型进行预测，确定相应的数据产品的参数集合；对多个数据产品得到的参数集合进行最优化处理，直至确定当前选择的数据产品和对应的目标信用评分模型。

在一种实施方式中，上述确定模块406，还用于针对每一个数据产品，基于测试样本对基础评分模型和临时评分模型进行预测，得到对应的基础评分和临时评分；基于基础评分和临时评分，以及预先设置的参数阈值，确定测试样本中通过信用评估测试的用户样本；基于测试样本、用户样本和每种样本对应的数据成本，确定信贷收益；对参数阈值和信贷收益进行寻优处理，得到相应的数据产品的参数集合。

在一种实施方式中，用户样本包括第一用户样本和第二用户样本；上述确定模块406，还用于采用公式G＝a2*P-a3*B-a1*C-a4*xp确定信贷收益；其中，G为信贷收益；a1为测试样本中的总客户数；a2为测试样本中通过测试的客户中的第一用户样本数；a3为测试样本中通过测试的客户中的第二用户样本数；a4为测试样本中未通过信用评估测试的第三用户样本数；P为单个第一用户样本的利息收益；B为单个第二用户用本的利息损失；C为单个用户的营销成本；xp为数据产品的单次使用价格。

在一种实施方式中，上述确定模块406，还用于选取多个数据产品得到的参数集合中信贷收益最大的参数集合，并将该参数集合对应的数据产品和对应的目标信用评分模型确定为当前的数据产品和对应的目标信用评分模型。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图5为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。

其中，存储器51可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。

处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的用户信贷风险评估方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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，服务器，或者网络设备等)执行本发明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 Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种用户信贷风险评估方法，其特征在于，所述方法包括：

基于用户贷款请求，获取用户的贷款行为数据；所述贷款行为数据包括用户在金融机构的历史行为数据；

判断所述贷款行为数据的初始用户信用分值是否处于第一阈值范围；

如果是，确定数据产品和信用评分模型；所述数据产品为一个或多个；每个所述数据产品对应有相应的信用评分模型；

基于所述贷款行为数据和所述数据产品，采用相应的信用评分模型和预先确定的第二阈值范围进行用户信用评分，以对用户的信贷风险进行评估。

2.根据权利要求1所述的用户信贷风险评估方法，其特征在于，所述基于用户贷款请求，获取用户的贷款行为数据的步骤，包括：

基于所述用户贷款请求，获取所述用户的身份信息；

基于所述身份信息获取在金融机构的历史行为数据；所述历史行为数据至少包括注册时间、登录时间、指定时间的登录频次、用户交易行为数据、用户信贷行为数据。

3.根据权利要求1所述的用户信贷风险评估方法，其特征在于，所述第一阈值范围包括上边界值和下边界值；所述判断所述贷款行为数据的初始用户信用分值是否处于第一阈值范围的步骤，包括：

将所述贷款行为数据输入至初始信用评分模型，得到初始用户信用分值；

判断所述初始用户信用分值是否低于所述上边界值或者高于所述下边界值；

如果是，确定所述贷款行为数据处于第一阈值范围。

4.根据权利要求1所述的用户信贷风险评估方法，其特征在于，所述确定数据产品和信用评分模型的步骤，包括：

基于第一训练样本对信用评分模型进行训练，得到基础评分模型；所述第一训练样本包括所述贷款行为数据和用户风险评估标签；

针对每一个所述数据产品，基于第二训练样本对信用评分模型进行训练，得到临时评分模型；所述第二训练样本包括所述贷款行为数据、数据产品提供的特征数据和所述用户风险评估标签；

基于所述基础评分模型和所述临时评分模型确定将测试样本进行预测，确定相应的所述数据产品的参数集合；

对多个数据产品得到的所述参数集合进行最优化处理，直至确定当前选择的所述数据产品和对应的目标信用评分模型。

5.根据权利要求4所述的用户信贷风险评估方法，其特征在于，所述基于所述基础评分模型和所述临时评分模型确定将测试样本进行预测，确定相应的所述数据产品的参数集合的步骤，包括：

针对每一个数据产品，基于测试样本对所述基础评分模型和所述临时评分模型进行预测，得到对应的基础评分和临时评分；

基于所述基础评分和临时评分，以及预先设置的参数阈值，确定测试样本中通过信用评估测试的用户样本；

基于所述测试样本、所述用户样本和每种样本对应的数据成本，确定信贷收益；

对所述参数阈值和所述信贷收益进行寻优处理，得到相应的所述数据产品的参数集合。

6.根据权利要求5所述的用户信贷风险评估方法，其特征在于，所述用户样本包括第一用户样本和第二用户样本；所述基于所述测试样本、所述用户样本和每种样本对应的数据成本，确定信贷收益的步骤，包括：

采用公式G＝a2*P-a3*B-a1*C-a4*xp确定所述信贷收益；

其中，G为所述信贷收益；a1为测试样本中的总客户数；a2为测试样本中通过测试的客户中的第一用户样本数；a3为测试样本中通过测试的客户中的第二用户样本数；a4为所述测试样本中未通过信用评估测试的第三用户样本数；P为单个第一用户样本的利息收益；B为单个第二用户用本的利息损失；C为单个用户的营销成本；xp为数据产品的单次使用价格。

7.根据权利要求6所述的用户信贷风险评估方法，其特征在于，所述对多个数据产品得到的所述参数集合进行最优化处理，直至确定当前选择的所述数据产品和对应的目标信用评分模型的步骤，包括：

选取多个数据产品得到的所述参数集合中所述信贷收益最大的参数集合，并将该参数集合对应的数据产品和对应的目标信用评分模型确定为当前的数据产品和对应的目标信用评分模型。

8.一种用户信贷风险评估装置，其特征在于，所述装置包括：

数据获取模块，用于基于用户贷款请求，获取用户的贷款行为数据；所述贷款行为数据包括用户在金融机构的历史行为数据；

判断模块，用于判断所述贷款行为数据的初始用户信用分值是否处于第一阈值范围；

确定模块，用于如果是，确定数据产品和信用评分模型；所述数据产品为一个或多个；每个所述数据产品对应有相应的信用评分模型；每个所述数据产品对应有预先确定的第二阈值范围；

风险评估模块，用于基于所述贷款行为数据和所述数据产品，采用相应的信用评分模型和预先确定的第二阈值范围进行用户信用评分，以对用户的信贷风险进行评估。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1至7任一项所述的用户信贷风险评估方法。

10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1至7任一项所述的用户信贷风险评估方法。

Images