CN113129126B - 一种业务数据处理方法及装置 - Google Patents
一种业务数据处理方法及装置 Download PDFInfo
- Publication number
- CN113129126B CN113129126B CN202110406367.3A CN202110406367A CN113129126B CN 113129126 B CN113129126 B CN 113129126B CN 202110406367 A CN202110406367 A CN 202110406367A CN 113129126 B CN113129126 B CN 113129126B
- Authority
- CN
- China
- Prior art keywords
- data
- service
- client
- correlation
- correlation 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.)
- Active
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种业务数据处理方法及装置,该方案中,基于强相关性数据和/或弱相关性数据对客户进行业务评估,并没有舍弃弱相关性数据,对客户进行业务评估时数据更加全面,在客户没有强相关性数据时,也可以根据客户的弱相关性数据建模并对该客户进行业务评估,从而可以适用于更多的客户,且将强相关性数据和弱相关性数据结合以对客户进行业务评估时,采用的数据更加全面,可以提高判断结果的准确性。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种业务数据处理方法及装置。
背景技术
现有技术中,判断是否为客户开展某一业务的具体方式为根据客户在该业务方面的相关数据,提取其中的强相关性数据,然后根据强相关性数据对客户进行评估,以判定是否为该客户开展此业务。例如,判断某一客户是否可以进行贷款的方式为:获取用户的所有与贷款相关的数据,然后将所有的数据分为强相关性数据(如基金数据及理财数据等)和弱相关性数据(如外卖数据及打车数据等),然后针对客户的强相关性数据进行建模,以对客户进行贷款评估,判断是否可以为该客户贷款。此时,只使用强相关性数据进行评估时可能会存在两个弊端:其一,客户可能没有强相关性数据,也即只有弱相关性数据时,则无法对客户进行评估;其二,若直接舍弃弱相关性数据,可能会造成评估结果不准确。
发明内容
本发明的目的是提供一种业务数据处理方法及装置,可以适用于更多的客户,且将强相关性数据和弱相关性数据结合以对客户进行业务评估时,采用的数据更加全面,可以提高判断结果的准确性。
为解决上述技术问题,本发明提供了一种业务数据处理方法,包括:
获取客户的业务相关数据;
提取所述业务相关数据中的强相关性数据和/或弱相关性数据;
基于所述强相关性数据和/或所述弱相关性数据调用预设模型以对客户进行业务评估,以判定是否为所述客户开展业务;
其中,所述预设模型为基于所述强相关性数据及所述弱相关性数据训练得到的模型。
优选地,提取所述业务相关数据中的强相关性数据和/或弱相关性数据,包括:
建立所述业务相关数据的类型与相关性强弱的对应关系;
基于所述对应关系提取所述业务相关数据中的所述强相关性数据和/或所述弱相关性数据。
优选地,提取所述业务相关数据中的强相关性数据和/或弱相关性数据,包括:
计算所述业务相关数据与所述客户的业务评估的相关性;
判断所述相关性是否大于预设相关性;
若是,则将所述相关性大于所述预设相关性的业务相关数据提取为所述强相关性数据;
若否,则将所述相关性小于所述预设相关性的业务相关数据提取为所述弱相关性数据。
优选地,计算所述业务相关数据与所述客户的业务评估的相关性,包括:
基于皮尔逊相关系数或者信息值IV值计算所述业务相关数据与所述客户的业务评估的相关性。
优选地,所述业务相关数据包括所述弱相关性数据;
提取所述业务相关数据中的强相关性数据和/或弱相关性数据之后,还包括:
将所述弱相关性数据根据预设分类标准进行分类;
将每一类所述弱相关性数据代入用户预设的模型中,计算出对应的弱相关性变量;
基于所述强相关性数据和/或所述弱相关性数据调用预设模型对客户进行业务评估,以判定是否为所述客户开展业务,包括:
基于所述强相关性数据及所述弱相关性变量调用所述预设模型对客户进行业务评估,以判定是否为所述客户开展业务。
优选地,将每一类所述弱相关性数据代入用户预设的模型中之后,还包括:
判断用户预设的所述模型输出的所述弱相关性变量是否稳定;
若是,则进入基于所述强相关性数据及所述弱相关性变量调用预设模型对客户进行业务评估,以判定是否为所述客户开展业务的步骤;
若否,则舍弃不稳定的弱相关性变量。
优选地,用户预设的所述模型包括XGBoost、LightGBM、梯度提升决策树GBDT、RandomForest及神经网络中的一种。
优选地,基于所述强相关性数据和/或所述弱相关性数据调用预设模型对客户进行业务评估,以判定是否为所述客户开展业务,包括:
基于所述强相关性数据及所述弱相关性数据调用预设模型对客户进行打分;
判断所述客户的分值是否大于预设值;
若是,则为所述客户开展业务;
若否,则不为所述客户开展业务。
优选地,所述业务为贷款业务,所述业务相关数据为贷款相关数据;
判断所述客户的分值是否大于预设值之前,还包括:
建立分值范围与贷款最大金额之间的对应关系;
为所述客户开展业务,包括:
基于所述客户的分值及所述对应关系确定所述客户的贷款最大金额;
以不大于所述贷款最大金额的贷款金额为所述客户贷款。
为解决上述技术问题,本发明还提供了一种业务数据处理装置,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时,实现上述所述的业务数据处理方法的步骤。
本发明提供了一种业务数据处理方法,该方案中,基于强相关性数据和弱相关性数据对客户进行业务评估,并没有舍弃弱相关性数据,对客户进行业务评估时数据更加全面,在客户没有强相关性数据时,也可以根据客户的弱相关性数据建模并对该客户进行业务评估,从而可以适用于更多的客户,且将强相关性数据和弱相关性数据结合以对客户进行业务评估时,采用的数据更加全面,可以提高判断结果的准确性。
本发明还提供了一种业务数据处理装置,与上述描述的业务数据处理方法具有相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例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为本发明提供的一种业务数据处理方法的流程示意图;
图2为本发明提供的一种业务数据处理装置的结构框图。
具体实施方式
本发明的核心是提供一种业务数据处理方法及装置,可以适用于更多的客户,且将强相关性数据和弱相关性数据结合以对客户进行业务评估时,采用的数据更加全面,可以提高判断结果的准确性。
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。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。
请参照图1,图1为本发明提供的一种业务数据处理方法的流程示意图,该方法包括:
S11:获取客户的业务相关数据;
S12:提取业务相关数据中的强相关性数据和/或弱相关性数据;
S13:基于强相关性数据和/或弱相关性数据调用预设模型以对客户进行业务评估,以判定是否为客户开展业务;
其中,预设模型为基于强相关性数据及弱相关性数据训练得到的模型。
考虑到客户没有强相关性数据时,也即只有弱相关性数据时,则无法对客户进行业务评估,也即无法判定是否为该客户业务;此外,若直接舍弃弱相关性数据,直接使用强相关性数据,可能会造成判断结果不准确。
为解决上述技术问题,本申请中的根据客户的业务相关数据提取出业务相关数据中的强相关性数据和/或弱相关性数据,在业务相关数据中包括弱相关性数据时,不舍弃弱相关性数据,使用强相关性数据和弱相关性数据对客户进行业务评估,此时,对客户评估的数据更加全面,在客户没有强相关性数据时,也可以根据客户的弱相关性数据建模并对该客户进行业务评估,从而可以适用于更多的客户,且将强相关性数据和弱相关性数据结合以对客户进行业务评估时,采用的数据更加全面,可以提高判断结果的准确性。
需要说明的是,本申请中的业务可以但不限于包括贷款业务或者高消费风险评估等业务,本申请在此不再限定。本申请中的业务为贷款业务时,本申请中的强相关性数据可以但不限于包括客户进行金融活动的一些数据,例如购买基金或者理财等,弱相关性数据可以但不限于包括客户的日常生活消费数据或者是小金额高频度的消费数据,例如网络购物、出行打车、外卖点餐、水电缴费等。当然,具体不限于上述举例,本申请在此不再限定。
综上,本申请中的业务数据处理方法可以适用于更多的客户,且将强相关性数据和弱相关性数据结合以对客户进行业务评估时,采用的数据更加全面,可以提高判断结果的准确性。
在上述实施例的基础上:
作为一种优选的实施例,提取业务相关数据中的强相关性数据和/或弱相关性数据,包括:
建立业务相关数据的类型与相关性强弱的对应关系;
基于对应关系提取业务相关数据中的强相关性数据和/或弱相关性数据。
本实施例旨在提供一种业务相关数据中的强相关性数据和/或弱相关性数据的具体实现方式。具体地,用户可以根据业务数据的类型将对应的类型分为强相关性数据或弱相关性数据,例如,在本申请中的业务为贷款业务时,可以将购买基金或者理财等类型的数据定义为强相关性数据,将用户平时的生活消费,如打车或者外卖等类型的数据定义为弱相关性数据。然后基于贷款相关数据的类型建立对应关系,在获取客户的贷款相关数据之后,根据对应关系提取贷款相关数据中的强相关性数据和/或弱相关性数据。
需要说明的是,本申请中的建立业务相关数据的类型与相关性强弱的对应关系的这一步骤只需要进行一次即可,不需要重复进行,或者在客户需要对应关系进行改变时,再操作此步骤。
可见,本申请中的方式可以将业务相关数据中的强相关性数据和弱相关性数据提取出来,以便后续对客户进行业务评估。
作为一种优选的实施例,提取业务相关数据中的强相关性数据和/或弱相关性数据,包括:
计算业务相关数据与客户的业务评估的相关性;
判断相关性是否大于预设相关性;
若是,则将相关性大于预设相关性的业务相关数据提取为强相关性数据;
若否,则将相关性小于预设相关性的业务相关数据提取为弱相关性数据。
本实施例旨在提供另一种业务相关数据中的强相关性数据和/或弱相关性数据的具体实现方式。具体地,使用软件计算业务相关数据与客户的业务评估的相关性,若相关性较大,则判定此数据为强相关性数据,若相关性较小,则判定此数据为弱相关性数据。
对于本申请中计算相关性的具体方法,本申请在此不做限定,只要能实现上述功能即可。
可见,本申请中的方式也可以实现将业务相关数据中的强相关性数据和弱相关性数据提取出来的功能,且实现方式简单高效,以便后续对客户进行业务评估。
作为一种优选的实施例,计算业务相关数据与客户的业务评估的相关性,包括:
基于皮尔逊相关系数或者信息值IV值计算业务相关数据与客户的业务评估的相关性。
本申请旨在提供计算相关性的具体实现方式,其中,可以但不限于使用皮尔逊相关系数(一种度量两个变量线性关系的方法)或者IV值的方式,例如,在IV小于0.02的数据提取为弱相关性数据,将IV大于等于0.02的数据提取为强相关性数据。
当然,具体计算方法不限于上述举例,也可以为其他的可以计算相关性的方法,本申请在此不再限定。
可见,本申请提供的两种方式可以实现计算业务相关数据与客户业务评估的相关性的功能,且实现方式简单高效。
作为一种优选的实施例,业务相关数据包括弱相关性数据;
提取业务相关数据中的强相关性数据和/或弱相关性数据之后,还包括:
将弱相关性数据根据预设分类标准进行分类;
将每一类弱相关性数据代入用户预设的模型中,计算出对应的弱相关性变量;
基于强相关性数据和/或弱相关性数据调用预设模型对客户进行业务评估,以判定是否为客户开展业务,包括:
基于强相关性数据及弱相关性变量调用预设模型对客户进行业务评估,以判定是否为客户开展业务。
考虑到在业务中包括弱相关性数据时,若直接将弱相关性数据代入模型中使用,可能会存在关联性太弱,特异性过高,过拟合度过高(数据噪音干扰过大,直接使用的话会将部分噪音认为是特征从而扰乱了最后结果的判断)。
为解决上述技术问题,本申请中的先将弱相关性数据按照预设分类标准进行分类,从而得到多类的弱相关性数据,然后针对每一类弱相关性数据得到一个对应的弱相关性变量(也即得到一个新的变量值,变量值可以有多种表现形式,可以是数值,可以是等级),然后使用该弱相关性变量对客户进行业务评估时,可以在一定程度上避免拟合度过高及噪音过大的影响。
需要说明的是,在本申请中的业务为贷款业务时,本申请中的预设分类可以是基于客户个人属性和行为特征进行对数据进行分类。以消费数据为例,可以是将打车消费的数据归为一类,外卖消费的数据归为一类。也可以是按照金额的大小、年龄、地域性、城市等级、学历等进行层次划分。按照预设分类的方法还有卡方分箱(思想为提剔除音信息,保留数据中有价值的一部分)、交叉特征、离散型变量处理(独热编码(one-hot code))、特征选择、特征缩放(归一化)、特征提取(主成分分析pca)等。
可见,通过上述处理方式得到的弱相关性变量可以一定程度上降低弱相关性数据拟合度及噪音,以保证对客户业务进行评估的准确性。
作为一种优选的实施例,将每一类弱相关性数据代入用户预设的模型中之后,还包括:
判断用户预设的模型输出的弱相关性变量是否稳定;
若是,则进入基于强相关性数据及弱相关性变量调用预设模型对客户进行业务评估,以判定是否为客户开展业务的步骤;
若否,则舍弃不稳定的弱相关性变量。
考虑到不是所有的弱相关性数据都能直接代入至预设模型以对客户的业务进行评估,有些弱相关性数据中可能会出现噪音过大、干扰性过强的情况。
为解决上述技术问题,本申请还会判断用户预设的模型输出的弱相关性变量是否稳定,若稳定,则可以使用该稳定的弱相关性变量,若不稳定,则舍弃该弱相关性变量,以保证业务评估过程中的可靠性。
作为一种优选的实施例,用户预设的模型包括XGBoost、LightGBM(LightGradient Boosting Machine)、GBDT(Gradient Boosting Decision Tree,梯度提升决策树)、RandomForest及神经网络中一种。
本申请中判断弱相关性数据通过用户预设的模型可以但不限于为上述举例的机器学习模型,还可以为逻辑回归模型或者其他的机器学习模型,本申请在此不做特别的限定。例如,维度较大但是弱相关性数据不是很弱的情况下可以选择XGBoost,弱相关性数据较弱且维度较大的情况可以使用神经网络模型。具体根据实际情况而定,本申请在此不做特别的限定。
作为一种优选的实施例,基于强相关性数据和/或弱相关性数据调用预设模型对客户进行业务评估,以判定是否为客户开展业务,包括:
基于强相关性数据及弱相关性数据调用预设模型对客户进行打分;
判断客户的分值是否大于预设值;
若是,则为客户开展业务;
若否,则不为客户开展业务。
本申请旨在提供对客户进行开展业务评估的具体实现方式,也即是对客户进行打分,若客户的分数较高,则可以判定用户比较符合开展业务的条件,也即可以为客户开展业务,若客户的分数较低,则判定用户不符合开展此业务的条件,也即不可以为客户开展此业务。
可见,通过本实施例的实现方式可以实现对客户进行业务评估的功能,且实现方式简单。
作为一种优选的实施例,所述业务为贷款业务,所述业务相关数据为贷款相关数据;
判断客户的分值是否大于预设值之前,还包括:
建立分值范围与贷款最大金额之间的对应关系;
为客户开展业务,包括:
基于客户的分值及对应关系确定客户的贷款最大金额;
以不大于贷款最大金额的贷款金额为客户贷款。
在本申请中的业务为贷款业务时,考虑到分值大于预设值的所有客户均可以贷款,且贷款金额相同时,贷款方式不够灵活,且若所有人的贷款最大金额过大时,风险也比较大。
因此,本申请还根据信用度的分值范围建立对应的贷款最大金额的对应关系,然后根据客户的信用度分值及对应的最大贷款金额判断可以为该客户贷款的数目,以保证贷款的灵活性及可靠性。
请参照图2,图2为本发明提供的一种业务数据处理装置的结构框图,该装置包括:
存储器1,用于存储计算机程序;
处理器2,用于在执行计算机程序时,实现上述的业务数据处理方法的步骤。
为解决上述技术问题,本申请还提供了一种业务数据处理装置,对于业务数据处理装置的介绍请参照上述实施例,本申请在此不再赘述。
需要说明的是,在本说明书中,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。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种业务数据处理方法,其特征在于,包括:
获取客户的业务相关数据;
提取所述业务相关数据中的强相关性数据和弱相关性数据;
基于所述强相关性数据和所述弱相关性数据调用预设模型以对客户进行业务评估,以判定是否为所述客户开展业务;
其中,所述预设模型为基于所述强相关性数据及所述弱相关性数据训练得到的模型;
提取所述业务相关数据中的强相关性数据和弱相关性数据之后,还包括:
将所述弱相关性数据根据预设分类标准进行分类;
将每一类所述弱相关性数据代入用户预设的模型中,计算出对应的弱相关性变量。
2.如权利要求1所述的业务数据处理方法,其特征在于,提取所述业务相关数据中的强相关性数据和弱相关性数据,包括:
建立所述业务相关数据的类型与相关性强弱的对应关系;
基于所述对应关系提取所述业务相关数据中的所述强相关性数据和所述弱相关性数据。
3.如权利要求1所述的业务数据处理方法,其特征在于,提取所述业务相关数据中的强相关性数据和弱相关性数据,包括:
计算所述业务相关数据与所述客户的业务评估的相关性;
判断所述相关性是否大于预设相关性;
若是,则将所述相关性大于所述预设相关性的业务相关数据提取为所述强相关性数据;
若否,则将所述相关性小于所述预设相关性的业务相关数据提取为所述弱相关性数据。
4.如权利要求3所述的业务数据处理方法,其特征在于,计算所述业务相关数据与所述客户的业务评估的相关性,包括:
基于皮尔逊相关系数或者信息值IV值计算所述业务相关数据与所述客户的业务评估的相关性。
5.如权利要求1所述的业务数据处理方法,其特征在于,将每一类所述弱相关性数据代入用户预设的模型中之后,还包括:
判断用户预设的所述模型输出的所述弱相关性变量是否稳定;
若是,则进入基于所述强相关性数据及所述弱相关性变量调用预设模型对客户进行业务评估,以判定是否为所述客户开展业务的步骤;
若否,则舍弃不稳定的弱相关性变量。
6.如权利要求1所述的业务数据处理方法,其特征在于,用户预设的所述模型包括XGBoost、LightGBM、梯度提升决策树GBDT、RandomForest及神经网络中的一种。
7.如权利要求1-6任一项所述的业务数据处理方法,其特征在于,基于所述强相关性数据和所述弱相关性数据调用预设模型对客户进行业务评估,以判定是否为所述客户开展业务,包括:
基于所述强相关性数据及所述弱相关性数据调用预设模型对客户进行打分;
判断所述客户的分值是否大于预设值;
若是,则为所述客户开展业务;
若否,则不为所述客户开展业务。
8.如权利要求7所述的业务数据处理方法,其特征在于,所述业务为贷款业务,所述业务相关数据为贷款相关数据;
判断所述客户的分值是否大于预设值之前,还包括:
建立分值范围与最大金额之间的对应关系;
为所述客户开展业务,包括:
基于所述客户的分值及所述对应关系确定所述客户的贷款最大金额;
以不大于所述贷款最大金额的贷款金额为所述客户贷款。
9.一种业务数据处理装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时,实现如权利要求1-8任一项所述的业务数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406367.3A CN113129126B (zh) | 2021-04-15 | 2021-04-15 | 一种业务数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406367.3A CN113129126B (zh) | 2021-04-15 | 2021-04-15 | 一种业务数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129126A CN113129126A (zh) | 2021-07-16 |
CN113129126B true CN113129126B (zh) | 2023-04-25 |
Family
ID=76777122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110406367.3A Active CN113129126B (zh) | 2021-04-15 | 2021-04-15 | 一种业务数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129126B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135971A (zh) * | 2019-04-15 | 2019-08-16 | 上海良鑫网络科技有限公司 | 基于弱变量数据的信用风险评估系统与方法 |
CN111325248A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 降低贷前业务风险的方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714062B (zh) * | 2012-09-28 | 2017-05-31 | 国际商业机器公司 | 基于依赖关系导入实体‑联系模型数据的方法和系统 |
CN103942286A (zh) * | 2014-04-10 | 2014-07-23 | 北京邮电大学 | 一种利用相关系数进行相关性分析的贝叶斯分类数据挖掘方法 |
US20170004516A1 (en) * | 2015-07-01 | 2017-01-05 | MedicalGPS, LLC | Identifying candidate advocates for an organization and facilitating positive consumer promotion |
CN107025596B (zh) * | 2016-02-01 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 一种风险评估方法和系统 |
US20190073714A1 (en) * | 2017-06-05 | 2019-03-07 | Mo Tecnologias, Llc | System and method for issuing a loan to a consumer determined to be creditworthy onto a transaction card |
CN108648074B (zh) * | 2018-05-18 | 2023-06-09 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
CN110335139B (zh) * | 2019-06-21 | 2022-10-14 | 深圳前海微众银行股份有限公司 | 基于相似度的评估方法、装置、设备及可读存储介质 |
-
2021
- 2021-04-15 CN CN202110406367.3A patent/CN113129126B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135971A (zh) * | 2019-04-15 | 2019-08-16 | 上海良鑫网络科技有限公司 | 基于弱变量数据的信用风险评估系统与方法 |
CN111325248A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 降低贷前业务风险的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113129126A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
Chen et al. | Predicting default risk on peer-to-peer lending imbalanced datasets | |
CN110751557B (zh) | 一种基于序列模型的异常资金交易行为分析方法及系统 | |
CN112862298B (zh) | 一种针对用户画像的信用评估方法 | |
CN108550065B (zh) | 评论数据处理方法、装置及设备 | |
CN110909984B (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
CN106611344A (zh) | 挖掘潜在客户的方法及装置 | |
CN106776897A (zh) | 一种用户画像标签确定方法及装置 | |
CN112258312B (zh) | 个人信用评分方法及其系统、电子设备及存储介质 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN111091408A (zh) | 用户识别模型创建方法、装置与识别方法、装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
US20150235222A1 (en) | Investment Risk Modeling Method and Apparatus | |
Zhang et al. | Analysis of purchase history data based on a new latent class model for RFM analysis | |
CN113129126B (zh) | 一种业务数据处理方法及装置 | |
CN115952186A (zh) | 一种问题数据及其链路追溯方法及装置 | |
CN109635289A (zh) | 词条分类方法及审计信息抽取方法 | |
CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
Butler et al. | Customer behaviour classification using simulated transactional data | |
CN113450116A (zh) | 一种交易风险分析方法、装置、电子设备及存储介质 | |
Jadwal et al. | Clustering-based hybrid resampling techniques for social lending data | |
US20140089041A1 (en) | Two sigma intelligence | |
CN107643974B (zh) | 一种召回信息的发送方法和装置 | |
CN111861722A (zh) | 一种数据处理方法及装置 | |
Núñez Mora et al. | Loan Default Prediction: A Complete Revision of LendingClub |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |