CN113191875A - 新用户的授信方法及装置、电子设备、存储介质 - Google Patents
新用户的授信方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113191875A CN113191875A CN202110484553.9A CN202110484553A CN113191875A CN 113191875 A CN113191875 A CN 113191875A CN 202110484553 A CN202110484553 A CN 202110484553A CN 113191875 A CN113191875 A CN 113191875A
- Authority
- CN
- China
- Prior art keywords
- historical
- user
- new user
- credit granting
- credit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 8
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种新用户的授信方法及装置、电子设备、存储介质，其中，所述新用户的授信方法包括：接收目标新用户的个人基本信息；将所述目标新用户的个人基本信息输入训练好的授信模型中，通过所述授信模型进行计算，输出所述目标新用户的授信结果；其中，所述授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个所述历史用户对应的标签进行训练得到；所述历史用户对应的标签基于所述历史用户是否存在逾期行为生成；基于所述目标新用户的授信结果，对所述目标新用户进行授信。从而实现了一种准备对新用户进行授信的方法。
Description
技术领域
本申请涉及数据评估技术领域，特别涉及一种新用户的授信方法及装置、电子设备、存储介质。
背景技术
商业银行等在向满足条件的客户直接提供资金支持，或对客户在有关经济活动中的信用，需要向第三方做出保证，也就是进行授信。一般在贷前评估客户风险来决策客户是否满足授信条件。
目前商业银行在对客户进行授信时，通常由个人或系统提取数据库中所存储的客户的收入、金融资产、已有授信、历史贷款记录等信息，并进行处理分析，从而评估客户风险，进而确定是否为客户进行授信。
但是现有的授信方式，主要考虑的是客户的强金融属性的因素，比如收入、金融资产、已有授信、历史贷款记录等。而对于新用户，银行自身并没有积累有新用户的强金融属性信息，从而无法准确对新用户作为授信。
发明内容
基于上述现有技术的不足，本申请提供了一种新用户的授信方法及装置、电子设备、存储介质，以解决现有技术无法准确对新用户进行授信的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请第一方面提供了一种新用户的授信方法，包括：
接收目标新用户的个人基本信息；
将所述目标新用户的个人基本信息输入训练好的授信模型中，通过所述授信模型进行计算，输出所述目标新用户的授信结果；其中，所述授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个所述历史用户对应的标签进行训练得到；所述历史用户对应的标签基于所述历史用户是否存在逾期行为生成；
基于所述目标新用户的授信结果，对所述目标新用户进行授信。
可选地，在上述的新用户的授信方法中，所述授信模型的训练方法，包括：
获取多个历史用户的多维数据；其中，所述多维数据包括所述历史用户的个人基本信息、交易信息、历史贷款信息；
对所述多个历史用户的多维数据进行数据探查，得到所述多个历史用户的有效数据；
对所述多个历史用户的有效数据进行特征处理，得到所述多个历史用户的特征数据；
分别基于每个所述历史用户的历史贷款信息中的逾期行为信息，生成每个所述历史用户对应的标签；
将每个所述历史用户的特征数据与所述历史用户对应的标签组合，得到每个所述历史用户对应的训练样本数据；
利用每个所述历史用户对应的训练样本数据，对构建的授信模型进行训练，直至所述授信模型输出的授信结果收敛，得到训练好的所述授信模型。
可选地，在上述的新用户的授信方法中，所述基于所述目标新用户的授信结果，对所述目标新用户进行授信，包括：
获取所述目标新用户待办理的目标贷款业务的各个办理条件以及每个所述办理条件对应的预设授信概率；
根据所述目标新用户的个人基本信息，确定出所述目标新用户匹配的所述办理条件对应的预设授信概率；
判断所述目标信息用户的授信结果是否大于所述目标新用户匹配的所述办理条件对应的预设授信概率；其中，所述目标用户的授信结果为授信概率值；
若判断所述目标信息用户的授信结果大于所述目标新用户匹配的所述办理条件对应的预设授信概率，则授信所述目标用户办理所述目标贷款业务。
可选地，在上述的新用户的授信方法中，所述基于所述目标新用户的授信结果，对所述目标新用户进行授信之后，还包括：
获取所述目标新用户的用款数据以及还款数据，并利用所述目标新用户的用款数据以及还款数据对所述授信模型进行迭代更新。
可选地，在上述的新用户的授信方法中，还包括：
实时监控所述授信模型的多个模型指标；
基于所述授信模型的所述多个模型指标，判断是否需要重新构建所述授信模型。
本申请第二方面提供了一种新用户的授信装置，包括：
接收单元，用于接收目标新用户的个人基本信息；
模型应用单元，用于将所述目标新用户的个人基本信息输入训练好的授信模型中，通过所述授信模型进行计算，输出所述目标新用户的授信结果；其中，所述授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个所述历史用户对应的标签进行训练得到；所述历史用户对应的标签基于所述历史用户是否存在逾期行为生成；
授信单元，用于基于所述目标新用户的授信结果，对所述目标新用户进行授信。
可选地，在上述的新用户的授信装置中，还包括：
数据加载单元，用于获取多个历史用户的多维数据；其中，所述多维数据包括所述历史用户的个人基本信息、交易信息、历史贷款信息；
数据预处理单元，用于对所述多个历史用户的多维数据进行数据探查，得到所述多个历史用户的有效数据；
特征处理单元，用于对所述多个历史用户的有效数据进行特征处理，得到所述多个历史用户的特征数据；
标签生成单元，用于分别基于每个所述历史用户的历史贷款信息中的逾期行为信息，生成每个所述历史用户对应的标签；
组合单元，用于将每个所述历史用户的特征数据与所述历史用户对应的标签组合，得到每个所述历史用户对应的训练样本数据；
模型建立单元，用于利用每个所述历史用户对应的训练样本数据，对构建的授信模型进行训练，直至所述授信模型输出的授信结果收敛，得到训练好的所述授信模型。
可选地，在上述的新用户的授信装置中，所述授信单元，包括：
获取单元，用于获取所述目标新用户待办理的目标贷款业务的各个办理条件以及每个所述办理条件对应的预设授信概率；
匹配单元，用于根据所述目标新用户的个人基本信息，确定出所述目标新用户匹配的所述办理条件对应的预设授信概率；
第一判断单元，用于判断所述目标信息用户的授信结果是否大于所述目标新用户匹配的所述办理条件对应的预设授信概率；其中，所述目标用户的授信结果为授信概率值；
授信子单元，用于在所述第一判断单元判断出所述目标信息用户的授信结果大于所述目标新用户匹配的所述办理条件对应的预设授信概率时，授信所述目标用户办理所述目标贷款业务。
可选地，在上述的新用户的授信装置中，还包括：
更新单元，用于获取所述目标新用户的用款数据以及还款数据，并利用所述目标新用户的用款数据以及还款数据对所述授信模型进行迭代更新。
可选地，在上述的新用户的授信装置中，还包括：
监控单元，用于实时监控所述授信模型的多个模型指标；
第二判断单元，用于基于所述授信模型的所述多个模型指标，判断是否需要重新构建所述授信模型。
本申请第三方面提供了一种电子设备，包括：
存储器和处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述任意一项所述的新用户的授信方法。
本申请第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一项所述的新用户的授信方法。
本申请提供的一种新用户的授信方法，预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及基于历史用户是否存在逾期行为生成的每个历史用户对应的标签进行训练得到授信模型，然后通过接收目标新用户的个人基本信息将目标新用户的个人基本信息输入训练好的授信模型中，通过授信模型进行计算，输出所述目标新用户的授信结果，最后基于目标新用户的授信结果，对目标新用户进行授信。从而实现了一种能准确对新用户进行授信的方法。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种新用户的授信方法的流程图；
图2为本申请另一实施例提供的一种授信模型的训练方法的流程图；
图3为本申请另一实施例提供的一种基于授信结果进行授信的方法的流程图；
图4为本申请另一实施例提供的一种新用户的授信装置的结构示意图；
图5为本申请另一实施例提供的一种授信单元的结构示意图；
图6为本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请中，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。
本申请实施例提供了一种新用户的授信方法，如图1所示，具体包括以下步骤：
S101、接收目标新用户的个人基本信息。
首先需要说明的是，授信通常指的是商业银行等，向满足条件的客户直接提供资金支持，或对客户在有关经济活动中的信用，向第三方做出保证的行为。
由于对于新用户没有历史的交易数据，也没有新用户的历史贷款数据。所以仅能在目标新用户申请办理贷款业务，对目标新用户进行授信时，由目标新用户根据要求输入自己的个人基本信息，或从授权的系统中调取新用户的个人基本信息。可选地，目标新用户的个人基本信息，具体可以包括身份证信息、学历、工作等信息。
S102、将目标新用户的个人基本信息输入训练好的授信模型中，通过授信模型进行计算，输出目标新用户的授信结果。
可选地，在将目标新用户的个人基本信息输入训练好的授信模型前，还可以先对目标新用户的个人基本信息的完整性进行识别，若存在遗漏则可以提示用户或工作人员进行录入。然后，再对目标新用户的个人基本信息进行清除、格式调整等预处理，最后对预处理后的目标新用户的个人基本信息进行特征处理，并将特征处理后的目标新用户的个人基本信息输入训练好的授信模型中，由授信模型对输入的目标新用户的个人基本信息进行计算，从而输入目标新用户的授信结果。其中，对目标新用户的个人基本信息的特征处理方式，与在训练授信模型时，对样本数据的特征处理方式相一致。
需要说明的是，授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个历史用户对应的标签进行训练得到。历史用户对应的标签基于历史用户是否存在逾期行为生成。
具体的，本申请实施例提供的一种授信模型的训练方法，如图2所示，具体包括以下步骤：
S201、获取多个历史用户的多维数据。
其中，多维数据包括历史用户的个人基本信息、交易信息、历史贷款信息。
历史用户主要指的是已办理过贷款业务，且记录有贷款信息的用户。
需要说明的是，历史用户的个人基本信息为历史用户在办理贷款业务时，所获取到的历史用户的个人基本信息，所以获取的信息的类型与获取的目标新用户的个人基本信息的信息类型相同。历史用户的交易信息具体可以包括历史用户的借记卡交易数据、转账记录、信用卡消费信息、账单等。历史用户的历史贷款信息指代历史用户已经办理的贷款业务的相关信息，具体可以包括历史用户的风险画像数据、资产负债、押品数据、征信以及还款信息等数据。
S202、对多个历史用户的多维数据进行数据探查，得到多个历史用户的有效数据。
其中，对多维数据进行数据探查具体包括数据分布分析、数据缺失值统计以及相关性分析、数据提取等多个数据处理方式。
S203、对多个历史用户的有效数据进行特征处理，得到多个历史用户的特征数据。
具体的，对多个历史用户的有效数据进行特征处理，并对特征进行统计和分析，得到多个历史用户的特征数据。可选地，可以将多个历史用户的特征数据存储到宽表中，以便数据的管理和使用。
S204、分别基于每个历史用户的历史贷款信息中的逾期行为信息，生成每个历史用户对应的标签。
具体的，若历史用户的历史贷款信息中记录有逾期行为，即超过指定期限未进行还款的行为，则为历史用户打上逾期还款的标签。若历史用户的历史贷款信息中没有记录有逾期行为，则为历史用户打上按期还款的标签。具体可以通过0和1分别作为逾期还款的标签以及按期还款的标签。
S205、将每个历史用户的特征数据与历史用户对应的标签组合，得到每个历史用户对应的训练样本数据。
具体的，分别将每个历史用户的特征数据与其对应的标签进行组合，得到每个历史用户对应的训练样本数据。
S206、利用每个历史用户对应的训练样本数据，对构建的授信模型进行训练，直至授信模型输出的授信结果收敛，得到训练好的授信模型。
具体的，先根据模型算法构建出初始的授信模型。具体可以选用随机森林算法、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)、XGBOOST等算法进行授信模型的构建。
然后，分别将各个历史用户对应的训练样本数据输入，构建后的授信模型中，由授信模型输入历史用户的授信结果。其中，授信结果具体可以为授信概率值，即授信模型的输出为概率值。然后利用历史用户的授信结果与历史用户对应标签，计算授信模型的输出误差。若输出误差不满足要求，则对授信模型中的参数进行更新，并返回重新将各个历史用户对应的训练样本数据输入授信模型，直至授信模型输出的历史用户的授信结果的误差满足要求，即直至授信模型输出的历史用户的授信结果收敛，则确定此时的授信模型已训练好，可以投入使用。
S103、基于目标新用户的授信结果，对目标新用户进行授信。
可选地，授信模型输出的目标新用户的授信结果可以为直接表征是否为目标新用户授信的结果。例如，授信模型输出的目标新用户的授信结果为1，则为目标新用户进行授信。若授信模型输出的目标新用户的授信结果为0，则不为目标新用户进行授信。
当然，授信模型输出的目标新用户的授信结果，也可以是间接表征是否为目标新用户授信的结果，然后再进一步基于目标新用户的授信结果确定是否为目标新用户进行授信。例如，输出的授信结果为授信概率值，然后根据授信概率值是否大于预设的阈值，确定是否为目标新用户进行授信。
可选地，本申请另一实施例中，提供了一种步骤S103的具体实施方式，如图3所示，具体包括以下步骤：
S301、获取目标新用户待办理的目标贷款业务的各个办理条件以及每个办理条件对应的预设授信概率。
需要说明的是，由于不同的贷款业务对用户的要求不同，用户需要满足贷款业务要求才能办理。例如，对于贷款50万和贷款100万，所要求用户满足的要求是不同的，贷款100万的贷款业务对于用户的要求更严，满足贷款50万的用户，不一定被允许贷款100万。
并且，本申请实施中的授信模型输出的授信结果为授信概率值，所以对于同一贷款业务，在用户满足不同的要求，对用户所需要满足的授信概率值也是不同的。例如，对于用户年龄属于较小年龄段或属于较大的年龄段的用户所要求的授信概率值高，就比年龄处于青壮年年龄段的用户的要求的高。或者又如对于外国用户的授信概率，要远高于国内用户。因此，在本申请实施例中，预先为每个贷款业务设置有多个办理条件，并且每个办理条件设置有对应的预设授信概率。
S302、根据目标新用户的个人基本信息，确定出目标新用户匹配的办理条件对应的预设授信概率。
需要说明的是，若确定出目标新用户与目标贷款业务的任意一个办理条件均不匹配，则提示目标新用户不能被授信办理目标贷款业务。例如，目标贷款业务的每个办理条件中均要求贷款人国籍为本国人，而目标新用户为国籍为外国，则目标新用户将无法被授信办理目标贷款业务。
可选的，在确定目标新用户无法被授信办理目标代理业务后，还可以向目标新用户推荐目标新用户所能满足办理条件的多个贷款业务。
若确定出目标新用户匹配的办理条件对应的预设授信概率，则执行步骤S303。
S303、判断目标信息用户的授信结果是否大于目标新用户匹配的办理条件对应的预设授信概率。
其中，若判断目标信息用户的授信结果大于目标新用户匹配的办理条件对应的预设授信概率，则执行步骤S304。
S304、授信目标用户办理目标贷款业务。
可选地，为了不断地对授信模型进行更新，以保证授信模型输出的授信结果的准确性，本申请另一实施例中，在执行步骤S103为目标新用户授信后，还可以进一步包括：获取目标新用户的用款数据以及还款数据，并利用目标新用户的用款数据以及还款数据对授信模型进行迭代更新。
可选地，在本申请实施例中，以保证授信模型输出的授信结果的准确性，还进一步包括：实时监控授信模型的多个模型指标，并基于授信模型的多个模型指标，判断是否需要重新构建授信模型。
其中，监控授信模型的多个模型指标具体可以包括：授信模型的KS值，通过率、逾期率等。可选地，可以是授信模型满足：KS值大于第一预设值、通过率处于预设范围内、逾期率高于第二预设值，三个条件中的任意一个或者选定的多个时，则确定需要重新构建授信模型。此时利用图2所示出的授信模型的训练方法，重新构建新的授信模型。
本申请实施例提供的一种新用户的授信方法，预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及基于历史用户是否存在逾期行为生成的每个历史用户对应的标签进行训练得到授信模型，然后通过接收目标新用户的个人基本信息将目标新用户的个人基本信息输入训练好的授信模型中，通过授信模型进行计算，输出所述目标新用户的授信结果，最后基于目标新用户的授信结果，对目标新用户进行授信。从而实现了一种能准确对新用户进行授信的方法。
本申请另一实施例提供了一种新用户的授信装置，如图4所示，包括以下单元：
接收单元401，用于接收目标新用户的个人基本信息；
模型应用单元402，用于将所述目标新用户的个人基本信息输入训练好的授信模型中，通过所述授信模型进行计算，输出所述目标新用户的授信结果。
其中，所述授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个所述历史用户对应的标签进行训练得到；所述历史用户对应的标签基于所述历史用户是否存在逾期行为生成。
授信单元403，用于基于所述目标新用户的授信结果，对所述目标新用户进行授信。
可选地，在本申请另一实施例提供的新用户的授信装置中，还可以进一步包括以下单元：
数据加载单元，用于获取多个历史用户的多维数据。
其中，所述多维数据包括所述历史用户的个人基本信息、交易信息、历史贷款信息。
数据预处理单元，用于对所述多个历史用户的多维数据进行数据探查，得到所述多个历史用户的有效数据。
特征处理单元，用于对所述多个历史用户的有效数据进行特征处理，得到所述多个历史用户的特征数据。
标签生成单元，用于分别基于每个所述历史用户的历史贷款信息中的逾期行为信息，生成每个所述历史用户对应的标签。
组合单元，用于将每个所述历史用户的特征数据与所述历史用户对应的标签组合，得到每个所述历史用户对应的训练样本数据。
模型建立单元，用于利用每个所述历史用户对应的训练样本数据，对构建的授信模型进行训练，直至所述授信模型输出的授信结果收敛，得到训练好的所述授信模型。
可选地，本申请另一实施例提供的新用户的授信装置中的授信单元，如图5所示，包括以下单元：
获取单元501，用于获取所述目标新用户待办理的目标贷款业务的各个办理条件以及每个所述办理条件对应的预设授信概率。
匹配单元502，用于根据所述目标新用户的个人基本信息，确定出所述目标新用户匹配的所述办理条件对应的预设授信概率。
第一判断单元503，用于判断所述目标信息用户的授信结果是否大于所述目标新用户匹配的所述办理条件对应的预设授信概率。
其中，所述目标用户的授信结果为授信概率值。
授信子单元504，用于在所述第一判断单元503判断出所述目标信息用户的授信结果大于所述目标新用户匹配的所述办理条件对应的预设授信概率时，授信所述目标用户办理所述目标贷款业务。
可选地，在本申请另一实施例提供的新用户的授信装置中，还可以进一步包括以下单元：
更新单元，用于获取所述目标新用户的用款数据以及还款数据，并利用所述目标新用户的用款数据以及还款数据对所述授信模型进行迭代更新。
可选地，在本申请另一实施例提供的新用户的授信装置中，还可以进一步包括以下单元：
监控单元，用于实时监控所述授信模型的多个模型指标。
第二判断单元，用于基于所述授信模型的所述多个模型指标，判断是否需要重新构建所述授信模型。
需要说明的是，本申请上述实施例提供的各个单元的具体工作过程，可相应地参考上述方法实施例中的相应的步骤的实施方式，此处不再赘述。
本申请另一实施例提供了一种电子设备，如图6所示，包括：
存储器601和处理器602。
其中，存储器601用于存储程序。处理器602用于执行存储器601存储的程序，且该程序被执行时，具体用于实现如上述任意一个实施例提供的新用户的授信方法。
本申请另一实施例提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一个实施例提供的新用户的授信方法。
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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申请的范围。
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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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 (10)
1.一种新用户的授信方法，其特征在于，包括：
接收目标新用户的个人基本信息；
将所述目标新用户的个人基本信息输入训练好的授信模型中，通过所述授信模型进行计算，输出所述目标新用户的授信结果；其中，所述授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个所述历史用户对应的标签进行训练得到；所述历史用户对应的标签基于所述历史用户是否存在逾期行为生成；
基于所述目标新用户的授信结果，对所述目标新用户进行授信。
2.根据权利要求1所述的方法，其特征在于，所述授信模型的训练方法，包括：
获取多个历史用户的多维数据；其中，所述多维数据包括所述历史用户的个人基本信息、交易信息、历史贷款信息；
对所述多个历史用户的多维数据进行数据探查，得到所述多个历史用户的有效数据；
对所述多个历史用户的有效数据进行特征处理，得到所述多个历史用户的特征数据；
分别基于每个所述历史用户的历史贷款信息中的逾期行为信息，生成每个所述历史用户对应的标签；
将每个所述历史用户的特征数据与所述历史用户对应的标签组合，得到每个所述历史用户对应的训练样本数据；
利用每个所述历史用户对应的训练样本数据，对构建的授信模型进行训练，直至所述授信模型输出的授信结果收敛，得到训练好的所述授信模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标新用户的授信结果，对所述目标新用户进行授信，包括：
获取所述目标新用户待办理的目标贷款业务的各个办理条件以及每个所述办理条件对应的预设授信概率；
根据所述目标新用户的个人基本信息，确定出所述目标新用户匹配的所述办理条件对应的预设授信概率；
判断所述目标信息用户的授信结果是否大于所述目标新用户匹配的所述办理条件对应的预设授信概率；其中，所述目标用户的授信结果为授信概率值；
若判断所述目标信息用户的授信结果大于所述目标新用户匹配的所述办理条件对应的预设授信概率，则授信所述目标用户办理所述目标贷款业务。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标新用户的授信结果，对所述目标新用户进行授信之后，还包括：
获取所述目标新用户的用款数据以及还款数据，并利用所述目标新用户的用款数据以及还款数据对所述授信模型进行迭代更新。
5.根据权利要求1所述的方法，其特征在于，还包括：
实时监控所述授信模型的多个模型指标；
基于所述授信模型的所述多个模型指标，判断是否需要重新构建所述授信模型。
6.一种新用户的授信装置，其特征在于，包括：
接收单元，用于接收目标新用户的个人基本信息；
模型应用单元，用于将所述目标新用户的个人基本信息输入训练好的授信模型中，通过所述授信模型进行计算，输出所述目标新用户的授信结果；其中，所述授信模型预先利用多个历史用户的个人基本信息、交易信息、历史贷款信息以及每个所述历史用户对应的标签进行训练得到；所述历史用户对应的标签基于所述历史用户是否存在逾期行为生成；
授信单元，用于基于所述目标新用户的授信结果，对所述目标新用户进行授信。
7.根据权利要求6所述的装置，其特征在于，还包括：
数据加载单元，用于获取多个历史用户的多维数据；其中，所述多维数据包括所述历史用户的个人基本信息、交易信息、历史贷款信息；
数据预处理单元，用于对所述多个历史用户的多维数据进行数据探查，得到所述多个历史用户的有效数据；
特征处理单元，用于对所述多个历史用户的有效数据进行特征处理，得到所述多个历史用户的特征数据；
标签生成单元，用于分别基于每个所述历史用户的历史贷款信息中的逾期行为信息，生成每个所述历史用户对应的标签；
组合单元，用于将每个所述历史用户的特征数据与所述历史用户对应的标签组合，得到每个所述历史用户对应的训练样本数据；
模型建立单元，用于利用每个所述历史用户对应的训练样本数据，对构建的授信模型进行训练，直至所述授信模型输出的授信结果收敛，得到训练好的所述授信模型。
8.根据权利要求6所述的装置，其特征在于，所述授信单元，包括：
获取单元，用于获取所述目标新用户待办理的目标贷款业务的各个办理条件以及每个所述办理条件对应的预设授信概率；
匹配单元，用于根据所述目标新用户的个人基本信息，确定出所述目标新用户匹配的所述办理条件对应的预设授信概率；
第一判断单元，用于判断所述目标信息用户的授信结果是否大于所述目标新用户匹配的所述办理条件对应的预设授信概率；其中，所述目标用户的授信结果为授信概率值；
授信子单元，用于在所述第一判断单元判断出所述目标信息用户的授信结果大于所述目标新用户匹配的所述办理条件对应的预设授信概率时，授信所述目标用户办理所述目标贷款业务。
9.一种电子设备，其特征在于，包括：
存储器和处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如权利要求1至5任意一项所述的新用户的授信方法。
10.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序被执行时，用于实现如权利要求1至5任意一项所述的新用户的授信方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484553.9A CN113191875A (zh) | 2021-04-30 | 2021-04-30 | 新用户的授信方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484553.9A CN113191875A (zh) | 2021-04-30 | 2021-04-30 | 新用户的授信方法及装置、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191875A true CN113191875A (zh) | 2021-07-30 |
Family
ID=76983328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110484553.9A Pending CN113191875A (zh) | 2021-04-30 | 2021-04-30 | 新用户的授信方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191875A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850663A (zh) * | 2021-08-24 | 2021-12-28 | 江苏中交车旺科技有限公司 | 一种面向新用户推荐的数据处理方法、系统、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
| CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
| CN109345379A (zh) * | 2018-10-24 | 2019-02-15 | 新疆玖富万卡信息技术有限公司 | 一种智能授信方法和装置 |
| CN111209930A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
| CN111353872A (zh) * | 2019-12-20 | 2020-06-30 | 上海淇玥信息技术有限公司 | 一种基于金融表现值的授信处理的方法、装置和电子设备 |
| CN112017042A (zh) * | 2020-10-22 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于tweedie分布的资源配额确定方法、装置和电子设备 |
| CN112561691A (zh) * | 2020-12-24 | 2021-03-26 | 中国农业银行股份有限公司 | 一种客户授信预测方法、装置、设备及存储介质 |
| US10977728B1 (en) * | 2019-10-22 | 2021-04-13 | Capital One Services, Llc | Systems and methods for intelligently optimizing a queue of actions in an interface using machine learning |
-
2021
- 2021-04-30 CN CN202110484553.9A patent/CN113191875A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
| CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
| CN109345379A (zh) * | 2018-10-24 | 2019-02-15 | 新疆玖富万卡信息技术有限公司 | 一种智能授信方法和装置 |
| US10977728B1 (en) * | 2019-10-22 | 2021-04-13 | Capital One Services, Llc | Systems and methods for intelligently optimizing a queue of actions in an interface using machine learning |
| CN111209930A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
| CN111353872A (zh) * | 2019-12-20 | 2020-06-30 | 上海淇玥信息技术有限公司 | 一种基于金融表现值的授信处理的方法、装置和电子设备 |
| CN112017042A (zh) * | 2020-10-22 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于tweedie分布的资源配额确定方法、装置和电子设备 |
| CN112561691A (zh) * | 2020-12-24 | 2021-03-26 | 中国农业银行股份有限公司 | 一种客户授信预测方法、装置、设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850663A (zh) * | 2021-08-24 | 2021-12-28 | 江苏中交车旺科技有限公司 | 一种面向新用户推荐的数据处理方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahmawati et al. | Fraud detection on event log of bank financial credit business process using Hidden Markov Model algorithm | |
| WO2014004675A1 (en) | Novel systems and processes for enhanced microlending | |
| CN110796539A (zh) | 一种征信评估方法及装置 | |
| 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 | |
| US20090192810A1 (en) | Fraud detection system & method | |
| CN113191875A (zh) | 新用户的授信方法及装置、电子设备、存储介质 | |
| CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
| US20230169511A1 (en) | Self Learning Machine Learning Transaction Scores Adjustment via Normalization Thereof Accounting for Underlying Transaction Score Bases | |
| Khadivizand et al. | Towards intelligent feature engineering for risk-based customer segmentation in banking | |
| CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
| US11916927B2 (en) | Systems and methods for accelerating a disposition of digital dispute events in a machine learning-based digital threat mitigation platform | |
| CN117273945A (zh) | 资产处理方法、装置、存储介质及电子设备 | |
| CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
| CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
| US20230179615A1 (en) | Method and system for detecting a cybersecurity breach | |
| US20220156666A1 (en) | Systems and methods for confidence interval transaction settlement range predictions | |
| CN114418743A (zh) | 账户信息的检测方法、装置、设备、存储介质和程序产品 | |
| Zand | Towards intelligent risk-based customer segmentation in banking | |
| Krishna et al. | Machine Learning based Data Mining for Detection of Credit Card Frauds | |
| US11270230B1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
| CN115689779B (zh) | 一种基于云端信用决策的用户风险预测方法及系统 | |
| Thomas et al. | What Is “Financial Inclusion”? | |
| YESHAMBEL | A LOAN DEFAULT PREDICTION MODEL FOR ACSI: A DATA MINING APPROACH | |
| US20210248617A1 (en) | System and method for predicting support escalation | |
| US20220391904A1 (en) | Automated systems and methods for electronic asset recovery |
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 |