CN114066464A - 消费分期场景下行业人员监测管理方法、装置及电子设备 - Google Patents
消费分期场景下行业人员监测管理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114066464A CN114066464A CN202110858912.2A CN202110858912A CN114066464A CN 114066464 A CN114066464 A CN 114066464A CN 202110858912 A CN202110858912 A CN 202110858912A CN 114066464 A CN114066464 A CN 114066464A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- level
- credit
- behavior
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
- G06Q20/24—Credit schemes, i.e. "pay after"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种消费分期场景下行业人员监测管理方法、装置及电子设备,包括根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务能力风险指标库;通过预先构建的反欺诈预警模型,以及第一信用风险信息、第一行为风险信息、第一业务能力风险信息,获取风险预警策略信息;通过预先构建的信用风险等级模型,以及第二信用风险信息、第二行为风险信息、第二业务能力风险信息,获取信用风险等级信息;通过预先构建的业务能力等级模型,以及第三信用风险信息、第三行为风险信息、第三业务能力风险信息,获取业务能力等级信息。本公开的方法能够判断机构内服务人员的个人风险,精细化评估机构内服务人员的业务能力。
Description
技术领域
本公开涉及风险评估技术领域,尤其涉及一种消费分期场景下行业人员监测管理方法、装置及电子设备。
背景技术
随着科技信息的发展,金融企业的操作逐渐线上化,伴随着大量结构化和非结构化的数据信息的存储,为数据化智能化的风险管理提供了一定的基础。
行业人员的定义为在消费分期场景下(如汽车消费金融,家装消费金融),单笔贷款订单从准入到贷后经手的操作人员有引流人、签单员、上门调查员、抵押上牌员(汽车金融)、催收员、法律诉讼员等,上述操作人员有可能是银行客户经理、引流机构工作人员、车商/家装公司工作人员、以及外包服务人员,对于上述操作订单的工作人员我们定义为行业人员。
在消费分期场景下,对于资金方来说,一方面,无法掌控订单操作过程中行业人员带来的各类风险;另一方面无法对行业人员进行穿透式的管理,从而无法对合作机构进行全面的评估。
对于担保机构或者服务商来说,一方面无法判断机构内服务人员的个人风险,以至于影响与资金方的合作;另一方面,无法精细化评估机构内服务人员的业务能力,以实现管理与激励。
因此,如何提供一种解决上述问题的方案是本领域技术人员目前需要解决的技术问题。
发明内容
本公开实施例提供一种消费分期场景下行业人员监测管理方法、装置及电子设备,能够判断机构内服务人员的个人风险,精细化评估机构内服务人员的业务能力。
本公开实施例的第一方面,提供一种消费分期场景下行业人员监测管理方法, 所述方法包括:
根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务能力风险指标库;
通过预先构建的反欺诈预警模型,以及从所述信用风险指标库提取的第一信用风险信息、从所述行为风险指标库提取的第一行为风险信息、从所述业务能力风险指标库提取的第一业务能力风险信息,获取风险预警策略信息;
通过预先构建的信用风险等级模型,以及从所述信用风险指标库提取的第二信用风险信息、从所述行为风险指标库提取的第二行为风险信息、从所述业务能力风险指标库提取的第二业务能力风险信息,获取信用风险等级信息;
通过预先构建的业务能力等级模型,以及从所述信用风险指标库提取的第三信用风险信息、从所述行为风险指标库提取的第三行为风险信息、从所述业务能力风险指标库提取的第三业务能力风险信息,获取业务能力等级信息。
在一种可选的实施方式中,
所述第一信用风险信息包括多个第一次级信用风险信息,所述第一行为风险信息包括多个第一次级行为风险信息,所述第一业务能力风险信息包括多个第一次级业务能力风险信息,
所述获取所述风险预警策略信息的方法包括:
根据所述多个第一次级信用风险信息,多个第一次级行为风险信息,以及多个第一次级业务能力风险信息,通过所述反欺诈预警模型,分别确定每个第一次级信用风险信息对应的阈值,每个第一次级行为风险信息对应的阈值以及每个第一次级业务能力风险信息对应的阈值;
根据所述每个第一次级信用风险信息对应的阈值,每个第一次级行为风险信息对应的阈值以及每个第一次级业务能力风险信息对应的阈值,将与其对应预设阈值进行比较,根据比较结果确定所述第一次级信用风险信息、第一次级行为风险信息以及第一次级业务能力风险信息对应的风险预警策略信息。
在一种可选的实施方式中,
所述第二信用风险信息包括多个第二次级信用风险信息,所述第二行为风险信息包括多个第二次级行为风险信息,所述第二业务能力风险信息包括多个第二次级业务能力风险信息,
所述获取所述信用风险等级信息的方法包括:
根据所述多个第二次级信用风险信息以及每个第二次级信用风险信息对应的第二信用风险权重,多个第二次级行为风险信息以及每个第二次级行为风险信息对应的第二行为风险权重,以及多个第二次级业务能力风险信息以及每个第二次级业务能力风险信息对应的第二业务能力风险权重,通过所述信用风险等级模型,分别确定每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息所在的阈值区间;
根据所述每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息所在的阈值区间,确定每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息对应的区间分数;
根据每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息对应的区间分数,获取所述信用风险等级信息。
在一种可选的实施方式中,
所述第三信用风险信息包括多个第三次级信用风险信息,所述第三行为风险信息包括多个第三次级行为风险信息,所述第三业务能力风险信息包括多个第三次级业务能力风险信息,
所述获取所述业务能力等级信息的方法包括:
根据所述多个第三次级信用风险信息以及每个第三次级信用风险信息对应的第三信用风险权重,多个第三次级行为风险信息以及每个第三次级行为风险信息对应的第三行为风险权重,以及多个第三次级业务能力风险信息以及每个第三次级业务能力风险信息对应的第三业务能力风险权重,通过所述业务能力等级模型,分别确定每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息所在的阈值区间;
根据所述每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息所在的阈值区间,确定每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息对应的区间分数;
根据每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息对应的区间分数,获取所述信用风险等级信息。
在一种可选的实施方式中,
所述风险预警策略信息包括:
信用风险预警策略,所述信用风险预测策略包括特定部门失信被执行信息、预设周期内实名更换手机号以及国内外失信特定名单中至少一种;
行为风险预警策略,所述行为风险预警策略包括预设周期内登录时间段在凌晨的次数超过预设阈值、同一个IP地址同一小时内多次登录、预设周期内登录IP 地址所属省份超过预设阈值、预设周期内信息录入退出次数超过预设阈值以及预设周期内过程风险对应的订单数超过预设阈值中至少一种;
业务能力等级预警策略,所述业务能力等级预警策略包括预设周期内处理订单逾期超过预设阈值、预设周期内处理成功订单数量占比小于预设阈值中至少一种。
在一种可选的实施方式中,
风险预警策略信息,所述风险预警策略信息包括高风险预警策略信息、中风险预警策略信息以及低风险预警策略信息;
信用风险等级信息,所述信用风险等级信息包括第一信用风险等级信息、第二信用风险等级信息、第三信用风险等级信息以及第四信用风险等级信息,其中,不同信用风险等级信息对应不同预测概率分数段;
业务能力等级信息,所述业务能力等级信息包括第一业务能力等级信息、第二业务能力等级信息、第三业务能力等级信息以及第四业务能力等级信息,其中,不同业务能力等级信息对应不同预测概率分数段。
在一种可选的实施方式中,
在构建信用风险指标库、行为风险指标库以及业务风险指标库之前,所述方法还包括指标筛选,所述指标筛选的方法包括:
基于预先获取的样本数据,获取所述样本数据的缺失占比、同一值、最大值、最小值以及相关性中至少一个;
若所述样本数据的缺失占比超过50%,则去除此指标;
若所述样本数据的同一值取值占比超过99%,则去除此指标;
基于所述样本数据的最大值、最小值以及均值,若所述样本数据的取值超过预设阈值,则去除此指标;
若所述样本数据的相关性占比大于80%,则去除此指标。
在一种可选的实施方式中,
所述外部数据包括基于应用程序接口对接的第三方数据;
所述内部数据包括行业人员个人信息、业务表现数据、操作行为埋点数据中至少一个;
所述根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务风险指标库的方法包括:
基于所述外部数据、所述内部数据,以及时间维度、时间段和统计维度,通过聚合、条件以及比例方式进行特征衍生,分别构建信用风险指标库、行为风险指标库以及业务风险指标库。
本公开实施例的第二方面,提供一种消费分期场景下行业人员监测管理装置,所述装置包括:
第一单元,用于根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务能力风险指标库;
第二单元,用于通过预先构建的反欺诈预警模型,以及从所述信用风险指标库提取的第一信用风险信息、从所述行为风险指标库提取的第一行为风险信息、从所述业务能力风险指标库提取的第一业务能力风险信息,获取风险预警策略信息;
第三单元,用于通过预先构建的信用风险等级模型,以及从所述信用风险指标库提取的第二信用风险信息、从所述行为风险指标库提取的第二行为风险信息、从所述业务能力风险指标库提取的第二业务能力风险信息,获取信用风险等级信息;
第四单元,用于通过预先构建的业务能力等级模型,以及从所述信用风险指标库提取的第三信用风险信息、从所述行为风险指标库提取的第三行为风险信息、从所述业务能力风险指标库提取的第三业务能力风险信息,获取业务能力等级信息。
本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述任意一项所述的方法。
本公开提供一种消费分期场景下行业人员监测管理方法,所述方法包括:
根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务能力风险指标库;
通过预先构建的反欺诈预警模型,以及从所述信用风险指标库提取的第一信用风险信息、从所述行为风险指标库提取的第一行为风险信息、从所述业务能力风险指标库提取的第一业务能力风险信息,获取风险预警策略信息;
通过预先构建的信用风险等级模型,以及从所述信用风险指标库提取的第二信用风险信息、从所述行为风险指标库提取的第二行为风险信息、从所述业务能力风险指标库提取的第二业务能力风险信息,获取信用风险等级信息;
通过预先构建的业务能力等级模型,以及从所述信用风险指标库提取的第三信用风险信息、从所述行为风险指标库提取的第三行为风险信息、从所述业务能力风险指标库提取的第三业务能力风险信息,获取业务能力等级信息。
本公开实施例的消费分期场景下行业人员监测管理方法能够判断机构内服务人员的个人风险,精细化评估机构内服务人员的业务能力。
附图说明
图1为本公开实施例消费分期场景下行业人员监测管理方法的流程示意图;
图2为本公开实施例对行业人员进行分类的示意图;
图3(a)和图3(b)为本公开实施例行业人员监测管理反欺诈模块示意图;
图4(a)和图4(b)为本公开实施例行业人员监测管理信用风险与业务能力风险等级示意图;
图5为本公开实施例行业人员监测管理结果示意图;
图6为本公开实施例消费分期场景下行业人员监测管理装置的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指 A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B 和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A与B 相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A 确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与 B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出本公开实施例消费分期场景下行业人员监测管理方法的流程示意图,如图1所示,所述方法包括:
步骤S101、根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务风险指标库;
本公开实施例从消费分期场景下行业人员可能有哪些风险点出发,收集外部三方数据,如特定部门、欺诈多头、特定名单等;线上操作行为埋点数据,如启动、登陆、浏览、信息录入等,以及业务数据和历史表现,如处理订单的效率和质量,构建信用风险、行为风险和业务能力风险的指标库。
在一种可选的实施方式中,以消费金融场景为汽车分期为例,图2示例性地示出本公开实施例中对行业人员进行分类的示意图,如图2所示:
示例性地,根据行业人员的不同行为、风险侧重点、需求方关注点,将行业人员分为引流人、签单员、上门调查员、抵押上牌员、催收/法诉员五大类,以实现目标精细化管理。
在一种可选的实施方式中,
在构建信用风险指标库、行为风险指标库以及业务风险指标库之前,所述方法还包括指标筛选,所述指标筛选的方法包括:
基于预先获取的样本数据,获取所述样本数据的缺失占比、同一值、最大值、最小值以及相关性中至少一个;
若所述样本数据的缺失占比超过50%,则去除此指标;
若所述样本数据的同一值取值占比超过99%,则去除此指标;
基于所述样本数据的最大值、最小值以及均值,若所述样本数据的取值超过预设阈值,则去除此指标;
若所述样本数据的相关性占比大于80%,则去除此指标。
在一种可选的实施方式中,
所述外部数据包括基于应用程序接口对接的第三方数据;
所述内部数据包括行业人员个人信息、业务表现数据、操作行为埋点数据中至少一个;
所述根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务风险指标库的方法包括:
基于所述外部数据、所述内部数据,以及时间维度、时间段和统计维度,通过聚合、条件以及比例方式进行特征衍生,分别构建信用风险指标库、行为风险指标库以及业务风险指标库。
具体地,数据来源主要两个部分,一个是外部数据,一个是内部数据,外部数据为基于API对接的三方数据,如特定部门、欺诈多头、特定名单等,内部数据包括行业人员个人信息、业务表现数据、操作行为埋点数据,以上基本数据加上时间维度(如近7天/近30天)、时间段(如凌晨/晚上)、统计维度(如求和/均值/最大值)通过聚合、条件、比例三个大的方向进行特征衍生,共计5000+ 维特征。
样本数据准备好后,对样本数据进行check,check项包括缺失占比,同一值、最大最小值、均值、同位数等,缺失占比超过50%的指标去掉,同一个值取值占比超过99%的指标去掉,同时通过最大最小值以及均值结合业务情况去掉异常样本数据;对于信用风险等级与业务能力等级模型在建模前,还需要做指标之间相关性检查,相关性大于80%的指标去掉。
以上为反欺诈预警、行用风险等级模型、业务能力等级模型通用的指标筛选,在数据训练的过程中通过使用不同的算法提炼重要性高的指标,到此筛选出来的指标可以应用于不同的业务场景。如下对反欺诈预警、信用风险等级、业务能力等级用到的指标进行举例。
步骤S102、通过预先构建的反欺诈预警模型,以及从所述信用风险指标库提取的第一信用风险信息、从所述行为风险指标库提取的第一行为风险信息、从所述业务能力风险指标库提取的第一业务能力风险信息,获取风险预警策略信息;
图3(a)和图3(b)示例性地示出本公开实施例行业人员监测管理反欺诈模块示意图。
在一种可选的实施方式中,
所述第一信用风险信息包括多个第一次级信用风险信息,所述第一行为风险信息包括多个第一次级行为风险信息,所述第一业务能力风险信息包括多个第一次级业务能力风险信息,
所述获取所述风险预警策略信息的方法包括:
根据所述多个第一次级信用风险信息,多个第一次级行为风险信息,以及多个第一次级业务能力风险信息,通过所述反欺诈预警模型,分别确定每个第一次级信用风险信息对应的阈值,每个第一次级行为风险信息对应的阈值以及每个第一次级业务能力风险信息对应的阈值;
根据所述每个第一次级信用风险信息对应的阈值,每个第一次级行为风险信息对应的阈值以及每个第一次级业务能力风险信息对应的阈值,将与其对应预设阈值进行比较,根据比较结果确定所述第一次级信用风险信息、第一次级行为风险信息以及第一次级业务能力风险信息对应的风险预警策略信息。
示例性地,如表1所示,表1示例性地示出与风险预警策略信息相关的信息:
在一种可选的实施方式中,所述风险预警策略信息包括:
信用风险预警策略,所述信用风险预测策略包括特定部门失信被执行信息、预设周期内实名更换手机号以及国内外失信特定名单中至少一种;
行为风险预警策略,所述行为风险预警策略包括预设周期内登录时间段在凌晨的次数超过预设阈值、同一个IP地址同一小时内多次登录、预设周期内登录IP 地址所属省份超过预设阈值、预设周期内信息录入退出次数超过预设阈值以及预设周期内过程风险对应的订单数超过预设阈值中至少一种;
业务能力等级预警策略,所述业务能力等级预警策略包括预设周期内处理订单逾期超过预设阈值、预设周期内处理成功订单数量占比小于预设阈值中至少一种。
具体地,根据资金方反馈的业务订单情况,进行样本打标,本方案包含3个目标,定义分别如下:
1、反欺诈预警:给定表现期六个月,存在三期15+逾期的订单定义为逾期订单,记为“坏”样本,其他的为“好”样本。如果样本较少,那需要对样本进行上采样,即样本增强。可以在时间序列上通过滑动窗口,生成多个切片数据,不同切片数据相当于对原单个样本进行复制或增强;
2、信用风险等级:给定表现期六个月,存在一期15+逾期的订单定义为逾期订单,记为“坏”样本,其他的为“好”样本。如果样本较少,那需要对样本进行上采样,即样本增强。可以在时间序列上通过滑动窗口,生成多个切片数据,不同切片数据相当于对原单个样本进行复制或增强;
3、业务能力等级:操作订单质量,如近30天放款成功订单数/近30天申请订单数、近180天逾期订单数/近180天放款成功订单数,以及订单效率,如近30 天处理成功订单的平均个数、近30天订单下发到开始处理的平均时长,以上指标通过AHP层次分析法为样本打上0和1的标。如果样本较少,那需要对样本进行上采样,即样本增强。可以在时间序列上通过滑动窗口,生成多个切片数据,不同切片数据相当于对原单个样本进行复制或增强。
具体地,信用风险预警策略,如命中特定部门失信被执行、近30天实名手机号变更频繁、命中内外部特定名单等;
行为风险预警策略,如近30天登陆时间段在凌晨的次数占比大于80%,同一个IP地址同一小时内登陆多次、近30天登陆IP地址所属省份大于3个、近7 天信息录入退出次数过多、近5天被过程风险命中的订单数过多等;
业务能力等级预警策略,如近180天处理订单逾期占比超过20%、近30天处理成功订单数占比小于30%等;命中以上信息发出预警信息,并根据不同程度将预警标为高风险、中风险、低风险;
步骤S104、通过预先构建的信用风险等级模型,以及从所述信用风险指标库提取的第二信用风险信息、从所述行为风险指标库提取的第二行为风险信息、从所述业务能力风险指标库提取的第二业务能力风险信息,获取信用风险等级信息;
图4(a)和图4(b)示例性地示出本公开实施例行业人员监测管理信用风险与业务能力风险等级示意图。
在一种可选的实施方式中,
所述第二信用风险信息包括多个第二次级信用风险信息,所述第二行为风险信息包括多个第二次级行为风险信息,所述第二业务能力风险信息包括多个第二次级业务能力风险信息,
所述获取所述信用风险等级信息的方法包括:
根据所述多个第二次级信用风险信息以及每个第二次级信用风险信息对应的第二信用风险权重,多个第二次级行为风险信息以及每个第二次级行为风险信息对应的第二行为风险权重,以及多个第二次级业务能力风险信息以及每个第二次级业务能力风险信息对应的第二业务能力风险权重,通过所述信用风险等级模型,分别确定每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息所在的阈值区间;
根据所述每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息所在的阈值区间,确定每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息对应的区间分数;
根据每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息对应的区间分数,获取所述信用风险等级信息。
示例性地,如表2所示,表2示例性地示出与信用风险等级信息相关的信息:
具体地,信用风险等级:入模的指标信用风险、行为风险、业务能力风险模块权重占比为4:3:3,不同模块入模的指标分别如下:
信用风险模块有学历、实名认证手机号在网时长、近90天借贷次数;
行为风险模块有近15天登陆时间段在凌晨的次数、近7天IP(GPS)地址所属省会个数/近7天登陆次数、近60天产品选择界面停留平均时长/近60天产品选择界面所有用户停留的平均时长;
业务能力风险模块有近7天放款成功的订单数/近7天处理订单数、近180 天逾期的订单数/近180天处理订单数、近15天待处理订单数/近15天进件订单数、近7天订单下发到开始处理的平均时长/近7天该公司所有用户订单下发到开始处理的平均时长。
步骤S105、通过预先构建的业务能力等级模型,以及从所述信用风险指标库提取的第三信用风险信息、从所述行为风险指标库提取的第三行为风险信息、从所述业务能力风险指标库提取的第三业务能力风险信息,获取业务能力等级信息。
具体地,业务能力等级:入模的指标信用风险、行为风险、业务能力风险模块权重占比为4:5:41,不同模块入模的指标分别如下:信用风险模块有近90 天实名手机号变更次数;行为风险模块有近7天启动次数/近30天启动次数;业务能力模块有近30天处理订单数/近30天该公司所有人处理订单数、近7天放款成功的订单数/近7天处理订单数、近180天逾期的订单数/近180天处理订单数、近15天待处理订单数/近15天进件订单数、近7天订单下发到开始处理的平均时长/近7天该公司所有用户订单下发到开始处理的平均时长、是否在有多重身份。
本公开实施例中,
1、反欺诈预警:组合不同模块的策略,生成预警结果高风险、中风险、低风险;
2、信用风险等级:通过入模指标得到样本的预测概率,然后将概率映射到300 到800之间的分数段,且根据一定的规则映射到不同的等级A/B/C/D;
3、业务能力等级:通过入模指标得到样本的预测概率,然后将概率映射到300 到800之间的分数段,且根据一定的规则映射到不同的等级A/B/C/D。
模型结果进行跨时间验证并业务评估,评估通过后上线灰度,进行线上评估。模型的效果在验证数据中能命中50%的高风险行业人员。
根据模型上线后,根据模型表现在不同的业务场景与产品对模型进行监控,根据数据分析的结果以及业务表现优化调整产品模型,辅助需求方更好的实现行业人员的监测与管理。
在一种可选的实施方式中,
所述第三信用风险信息包括多个第三次级信用风险信息,所述第三行为风险信息包括多个第三次级行为风险信息,所述第三业务能力风险信息包括多个第三次级业务能力风险信息,
所述获取所述业务能力等级信息的方法包括:
根据所述多个第三次级信用风险信息以及每个第三次级信用风险信息对应的第三信用风险权重,多个第三次级行为风险信息以及每个第三次级行为风险信息对应的第三行为风险权重,以及多个第三次级业务能力风险信息以及每个第三次级业务能力风险信息对应的第三业务能力风险权重,通过所述业务能力等级模型,分别确定每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息所在的阈值区间;
根据所述每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息所在的阈值区间,确定每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息对应的区间分数;
根据每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息对应的区间分数,获取所述业务能力等级信息。
示例性地,如表3所示,表3示例性地示出与业务能力等级相关的信息:
在一种可选的实施方式中,
风险预警策略信息,所述风险预警策略信息包括高风险预警策略信息、中风险预警策略信息以及低风险预警策略信息;
信用风险等级信息,所述信用风险等级信息包括第一信用风险等级信息、第二信用风险等级信息、第三信用风险等级信息以及第四信用风险等级信息,其中,不同信用风险等级信息对应不同预测概率分数段;
业务能力等级信息,所述业务能力等级信息包括第一业务能力等级信息、第二业务能力等级信息、第三业务能力等级信息以及第四业务能力等级信息,其中,不同业务能力等级信息对应不同预测概率分数段。
图5示例性地示出本公开实施例行业人员监测管理结果示意图。本公开实施例的方法包括三个模块,分别是反欺诈预警、信用风险等级、业务能力等级;
其中,反欺诈预警由信用预警、行为预警、业务能力预警三个策略包组成,策略通过数据表现从信用风险、行为风险、业务能力风险指标库中提取,预警结果为低风险、中风险、高风险;
其中,信用风险等级为一张评分卡,Y值为行业人员操作订单表现(逾期/拒绝),X值为信用风险、行为风险、业务能力风险指标库,通过算法模型找到最优评分卡;
其中,业务能力等级为一张评分卡,Y值为行业人员操作订单质量、效率,以及个人活跃度通过AHP层次分析发打标,X值为信用风险、行为风险、业务能力风险指标库,通过算法模型找到最优评分卡。
本公开提供一种消费分期场景下行业人员监测管理方法,所述方法包括:
基于预先获取的行业人员的行为信息、风险侧重点信息、需求方关注点信息,对行业人员进行分类;
根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务风险指标库;
基于所述行业人员对订单的操作信息,通过所述信用风险指标库以及预先构建的反欺诈预警模型,获取风险预警策略信息;
基于所述行业人员对订单的操作信息,通过所述行为风险指标库以及预先构建的信用风险等级模型,获取信用风险等级信息;
基于所述行业人员对订单的操作信息,通过所述业务风险指标库以及预先构建的业务能力等级模型,获取业务能力等级信息。
本公开实施例的消费分期场景下行业人员监测管理方法能够判断机构内服务人员的个人风险,精细化评估机构内服务人员的业务能力。
本公开实施例的方法能够解决下述问题:
风险预警:
通过结合行业人员的信用、业务,行为表现等,实现风险评估监测;针对骗贷、转让变卖等建立特定名单机制;
对外决策帮助:
帮助银行对机构/车商/家装公司/服务商进行管理;帮助机构/车商/家装公司/服务商有效向下管理;
对内决策帮助:
帮助内部产品运营管理(如派单);帮助内部产品运营对合作服务商进行管理。
图6示例性地示出本公开实施例消费分期场景下行业人员监测管理装置的结构示意图,如图6所示,所述装置包括:
第一单元61,所述第一单元61用于基于预先获取的行业人员的行为信息、风险侧重点信息、需求方关注点信息,对行业人员进行分类;
第二单元62,所述第二单元62用于根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务风险指标库;
第三单元63,所述第三单元63用于基于所述行业人员对订单的操作信息,通过所述信用风险指标库以及预先构建的反欺诈预警模型,获取风险预警策略信息;
第四单元64,所述第四单元64用于基于所述行业人员对订单的操作信息,通过所述行为风险指标库以及预先构建的信用风险等级模型,获取信用风险等级信息;
第五单元65,所述第五单元65用于基于所述行业人员对订单的操作信息,通过所述业务风险指标库以及预先构建的业务能力等级模型,获取业务能力等级信息。
在一种可选的实施方式中,
所述风险预警策略信息包括:
信用风险预警策略,所述信用风险预测策略包括特定部门失信被执行信息、预设周期内实名更换手机号以及国内外失信特定名单中至少一种;
行为风险预警策略,所述行为风险预警策略包括预设周期内登录时间段在凌晨的次数超过预设阈值、同一个IP地址同一小时内多次登录、预设周期内登录IP 地址所属省份超过预设阈值、预设周期内信息录入退出次数超过预设阈值以及预设周期内过程风险对应的订单数超过预设阈值中至少一种;
业务能力等级预警策略,所述业务能力等级预警策略包括预设周期内处理订单逾期超过预设阈值、预设周期内处理成功订单数量占比小于预设阈值中至少一种。
在一种可选的实施方式中,
风险预警策略信息,所述风险预警策略信息包括高风险预警策略信息、中风险预警策略信息以及低风险预警策略信息;
信用风险等级信息,所述信用风险等级信息包括第一信用风险等级信息、第二信用风险等级信息、第三信用风险等级信息以及第四信用风险等级信息,其中,不同信用风险等级信息对应不同预测概率分数段;
业务能力等级信息,所述业务能力等级信息包括第一业务能力等级信息、第二业务能力等级信息、第三业务能力等级信息以及第四业务能力等级信息,其中,不同业务能力等级信息对应不同预测概率分数段。
在一种可选的实施方式中,
所述装置还包括第六单元,所述第六单元用于:
基于预先获取的样本数据,获取所述样本数据的缺失占比、同一值、最大值、最小值以及相关性中至少一个;
若所述样本数据的缺失占比超过50%,则去除此指标;
若所述样本数据的同一值取值占比超过99%,则去除此指标;
基于所述样本数据的最大值、最小值以及均值,若所述样本数据的取值超过预设阈值,则去除此指标;
若所述样本数据的相关性占比大于80%,则去除此指标。
在一种可选的实施方式中,
所述外部数据包括基于应用程序接口对接的第三方数据;
所述内部数据包括行业人员个人信息、业务表现数据、操作行为埋点数据中至少一个;
所述第二单元62还用于:
基于所述外部数据、所述内部数据,以及时间维度、时间段和统计维度,通过聚合、条件以及比例方式进行特征衍生,分别构建信用风险指标库、行为风险指标库以及业务风险指标库。
需要说明的是,本公开的装置实施例的有益效果可以参考前述方法实施例的有益效果,本公开在此不再赘述。
本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述任意一项所述的方法。
本公开还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元 (英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。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。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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公开各实施例技术方案的范围。
Claims (10)
1.一种消费分期场景下行业人员监测管理方法,其特征在于,所述方法包括:
根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务能力风险指标库;
通过预先构建的反欺诈预警模型,以及从所述信用风险指标库提取的第一信用风险信息、从所述行为风险指标库提取的第一行为风险信息、从所述业务能力风险指标库提取的第一业务能力风险信息,获取风险预警策略信息;
通过预先构建的信用风险等级模型,以及从所述信用风险指标库提取的第二信用风险信息、从所述行为风险指标库提取的第二行为风险信息、从所述业务能力风险指标库提取的第二业务能力风险信息,获取信用风险等级信息;
通过预先构建的业务能力等级模型,以及从所述信用风险指标库提取的第三信用风险信息、从所述行为风险指标库提取的第三行为风险信息、从所述业务能力风险指标库提取的第三业务能力风险信息,获取业务能力等级信息。
2.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,所述第一信用风险信息包括多个第一次级信用风险信息,所述第一行为风险信息包括多个第一次级行为风险信息,所述第一业务能力风险信息包括多个第一次级业务能力风险信息,
所述获取所述风险预警策略信息的方法包括:
根据所述多个第一次级信用风险信息,多个第一次级行为风险信息,以及多个第一次级业务能力风险信息,通过所述反欺诈预警模型,分别确定每个第一次级信用风险信息对应的阈值,每个第一次级行为风险信息对应的阈值以及每个第一次级业务能力风险信息对应的阈值;
根据所述每个第一次级信用风险信息对应的阈值,每个第一次级行为风险信息对应的阈值以及每个第一次级业务能力风险信息对应的阈值,将与其对应预设阈值进行比较,根据比较结果确定所述第一次级信用风险信息、第一次级行为风险信息以及第一次级业务能力风险信息对应的风险预警策略信息。
3.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,所述第二信用风险信息包括多个第二次级信用风险信息,所述第二行为风险信息包括多个第二次级行为风险信息,所述第二业务能力风险信息包括多个第二次级业务能力风险信息,
所述获取所述信用风险等级信息的方法包括:
根据所述多个第二次级信用风险信息以及每个第二次级信用风险信息对应的第二信用风险权重,多个第二次级行为风险信息以及每个第二次级行为风险信息对应的第二行为风险权重,以及多个第二次级业务能力风险信息以及每个第二次级业务能力风险信息对应的第二业务能力风险权重,通过所述信用风险等级模型,分别确定每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息所在的阈值区间;
根据所述每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息所在的阈值区间,确定每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息对应的区间分数;
根据每个第二次级信用风险信息、第二次级行为风险信息、以及第二次级业务能力风险信息对应的区间分数,获取所述信用风险等级信息。
4.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,所述第三信用风险信息包括多个第三次级信用风险信息,所述第三行为风险信息包括多个第三次级行为风险信息,所述第三业务能力风险信息包括多个第三次级业务能力风险信息,
所述获取所述业务能力等级信息的方法包括:
根据所述多个第三次级信用风险信息以及每个第三次级信用风险信息对应的第三信用风险权重,多个第三次级行为风险信息以及每个第三次级行为风险信息对应的第三行为风险权重,以及多个第三次级业务能力风险信息以及每个第三次级业务能力风险信息对应的第三业务能力风险权重,通过所述业务能力等级模型,分别确定每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息所在的阈值区间;
根据所述每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息所在的阈值区间,确定每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息对应的区间分数;
根据每个第三次级信用风险信息、第三次级行为风险信息、以及第三次级业务能力风险信息对应的区间分数,获取所述业务能力等级信息。
5.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,所述风险预警策略信息包括:
信用风险预警策略,所述信用风险预测策略包括特定部门失信被执行信息、预设周期内实名更换手机号以及国内外失信特定名单中至少一种;
行为风险预警策略,所述行为风险预警策略包括预设周期内登录时间段在凌晨的次数超过预设阈值、同一个IP地址同一小时内多次登录、预设周期内登录IP地址所属省份超过预设阈值、预设周期内信息录入退出次数超过预设阈值以及预设周期内过程风险对应的订单数超过预设阈值中至少一种;
业务能力等级预警策略,所述业务能力等级预警策略包括预设周期内处理订单逾期超过预设阈值、预设周期内处理成功订单数量占比小于预设阈值中至少一种。
6.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,
风险预警策略信息,所述风险预警策略信息包括高风险预警策略信息、中风险预警策略信息以及低风险预警策略信息;
信用风险等级信息,所述信用风险等级信息包括第一信用风险等级信息、第二信用风险等级信息、第三信用风险等级信息以及第四信用风险等级信息,其中,不同信用风险等级信息对应不同预测概率分数段;
业务能力等级信息,所述业务能力等级信息包括第一业务能力等级信息、第二业务能力等级信息、第三业务能力等级信息以及第四业务能力等级信息,其中,不同业务能力等级信息对应不同预测概率分数段。
7.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,在构建信用风险指标库、行为风险指标库以及业务风险指标库之前,所述方法还包括指标筛选,所述指标筛选的方法包括:
基于预先获取的样本数据,获取所述样本数据的缺失占比、同一值、最大值、最小值以及相关性中至少一个;
若所述样本数据的缺失占比超过50%,则去除此指标;
若所述样本数据的同一值取值占比超过99%,则去除此指标;
基于所述样本数据的最大值、最小值以及均值,若所述样本数据的取值超过预设阈值,则去除此指标;
若所述样本数据的相关性占比大于80%,则去除此指标。
8.根据权利要求1所述的消费分期场景下行业人员监测管理方法,其特征在于,
所述外部数据包括基于应用程序接口对接的第三方数据;
所述内部数据包括行业人员个人信息、业务表现数据、操作行为埋点数据中至少一个;
所述根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务风险指标库的方法包括:
基于所述外部数据、所述内部数据,以及时间维度、时间段和统计维度,通过聚合、条件以及比例方式进行特征衍生,分别构建信用风险指标库、行为风险指标库以及业务风险指标库。
9.一种消费分期场景下行业人员监测管理装置,其特征在于,所述装置包括:
第一单元,用于根据预先获取的外部数据以及内部数据,分别构建信用风险指标库、行为风险指标库以及业务能力风险指标库;
第二单元,用于通过预先构建的反欺诈预警模型,以及从所述信用风险指标库提取的第一信用风险信息、从所述行为风险指标库提取的第一行为风险信息、从所述业务能力风险指标库提取的第一业务能力风险信息,获取风险预警策略信息;
第三单元,用于通过预先构建的信用风险等级模型,以及从所述信用风险指标库提取的第二信用风险信息、从所述行为风险指标库提取的第二行为风险信息、从所述业务能力风险指标库提取的第二业务能力风险信息,获取信用风险等级信息;
第四单元,用于通过预先构建的业务能力等级模型,以及从所述信用风险指标库提取的第三信用风险信息、从所述行为风险指标库提取的第三行为风险信息、从所述业务能力风险指标库提取的第三业务能力风险信息,获取业务能力等级信息。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858912.2A CN114066464A (zh) | 2021-07-28 | 2021-07-28 | 消费分期场景下行业人员监测管理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858912.2A CN114066464A (zh) | 2021-07-28 | 2021-07-28 | 消费分期场景下行业人员监测管理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066464A true CN114066464A (zh) | 2022-02-18 |
Family
ID=80233409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858912.2A Pending CN114066464A (zh) | 2021-07-28 | 2021-07-28 | 消费分期场景下行业人员监测管理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066464A (zh) |
-
2021
- 2021-07-28 CN CN202110858912.2A patent/CN114066464A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334737B (zh) | 一种基于随机森林的客户风险指标筛选的方法和系统 | |
US20190355058A1 (en) | Method and apparatus for processing credit score real-time adjustment, and processing server | |
CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
CN116342259A (zh) | 一种用户信用自动评级方法、装置、电子设备及介质 | |
Wyrobek | Application of machine learning models and artificial intelligence to analyze annual financial statements to identify companies with unfair corporate culture | |
CN111738549A (zh) | 食品安全风险评估方法、装置、设备及存储介质 | |
CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
CN110502638B (zh) | 一种基于目标实体的企业新闻风险分类方法 | |
CN113095927B (zh) | 一种反洗钱可疑交易识别方法及设备 | |
CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
CN111583033A (zh) | 基于上市公司和股东之间联系的关联分析方法及装置 | |
CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
CN113988726A (zh) | 基于区块链的企业行业信用评价管理系统 | |
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 | |
CN115564449A (zh) | 交易账户的风险管控方法、装置及电子设备 | |
CN113869700A (zh) | 一种绩效指标预测方法、装置、电子设备和存储介质 | |
CN111951105A (zh) | 基于多维大数据分析的智能信贷风控系统 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN110782163A (zh) | 企业数据处理方法和装置 | |
CN114066464A (zh) | 消费分期场景下行业人员监测管理方法、装置及电子设备 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN115345401A (zh) | 一种发现企业金融风险的六维分析方法 |
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 |