CN114219630A - 服务风险预测方法、装置、设备及介质 - Google Patents
服务风险预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114219630A CN114219630A CN202111569395.3A CN202111569395A CN114219630A CN 114219630 A CN114219630 A CN 114219630A CN 202111569395 A CN202111569395 A CN 202111569395A CN 114219630 A CN114219630 A CN 114219630A
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- data
- risk
- cluster
- 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
- 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
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种服务风险预测方法、装置、设备及介质。该方法通过获取待服务用户的用户基本数据、用户环境数据以及业务服务数据,根据用户基本数据在预先聚类得到的各用户聚类簇中确定该待服务用户对应的目标聚类簇,进而获取该目标聚类簇对应的预先训练的风险概率确定模型,基于该风险概率确定模型、用户基本数据、用户环境数据以及业务服务数据,确定该待服务用户对应的服务风险信息,实现了为用户服务的风险的自动预测;该方法通过用户基本数据、用户环境数据以及业务服务数据等用户相关信息进行服务风险的预测,提高了服务风险预测结果的准确性。
Description
技术领域
本发明实施例涉及用户服务风险预测领域,尤其涉及一种服务风险预测方法、装置、设备及介质。
背景技术
在商业银行当前的业务模式下,客户经理一般采用评级模型和个人经验来判断能否为一位客户办理一种贷款业务。其中,比较特殊的是农户客户,农户具有数量多、分布广、收入深受环境影响等特点。因此,判断能否为农户办理贷款业务是一件比较困难的事情。
目前,商业银行一般采用评分卡建模和推翻条例的方式来对农户贷款进行信用评级。评分卡建模一般采用传统的机器学习算法,比如逻辑回归算法。评分卡建模虽然在金融领域被广泛应用,但是存在一些不足。具体的,建模过程中没有考虑农户群体的特点,例如数量多、分布广、收入深受环境影响等,因此,现有技术存在预测结果不精确的技术问题。
发明内容
本发明实施例提供了一种服务风险预测方法、装置、设备及介质,以提高服务风险预测结果的准确性。
第一方面,本发明实施例提供了一种服务风险预测方法,所述方法包括:
获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
可选的,所述方法还包括:
获取各样本用户的样本基本数据;
对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇。
可选的,所述样本基本数据包括基本情况信息、经营情况信息以及信用情况信息,所述对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇,包括:
基于所述基本情况信息、所述经营情况信息以及所述信用情况信息中的至少一种,对各所述样本基本数据进行聚类处理;
基于聚类处理结果确定各用户聚类簇。
可选的,所述方法还包括:
分别构建各所述用户聚类簇对应的风险概率确定网络;
针对每个用户聚类簇,获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据;
基于所述用户聚类簇包括的样本用户的样本基本数据、样本环境数据、样本业务数据以及风险标签,对所述用户聚类簇对应的风险概率确定网络进行训练,以得到所述用户聚类簇对应的风险概率确定模型。
可选的,所述风险概率确定网络为深度因子分解机网络。
可选的,所述获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据,包括下述中的至少一种:
将所述用户聚类簇包括的样本用户与用户建档信息库中的各存档用户进行匹配,基于匹配结果确定所述样本用户的样本基本数据,其中,各所述存档用户以及各所述存档用户对应的基本数据关联存储至所述用户建档信息库;
将所述用户聚类簇包括的样本用户与服务用户信息库中的各历史用户进行匹配,基于匹配结果确定所述样本用户的样本业务数据以及风险标签,其中,各所述历史用户、各所述历史用户对应的样本业务数据以及风险标签关联存储至所述服务用户信息库;
基于所述用户聚类簇包括的样本用户对应的用户所在地,在环境信息库中查询所述样本用户的样本环境数据,其中,所述环境信息库包括各地区以及各地区对应的样本环境数据。
可选的,所述基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇,包括:
分别计算所述用户基本数据与预先确定的各用户聚类簇的聚类中心点之间的特征距离;
将各所述特征距离中最小的特征距离对应的用户聚类簇确定为所述待服务用户对应的目标聚类簇。
第二方面,本发明实施例还提供了一种服务风险预测装置,所述装置包括:
数据获取模块,用于获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
簇确定模块,用于基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
风险确定模块,用于获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例提供的服务风险预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例提供的服务风险预测方法。
上述发明中的实施例具有如下优点或有益效果:
通过获取待服务用户的用户基本数据、用户环境数据以及业务服务数据,根据用户基本数据在预先聚类得到的各用户聚类簇中确定该待服务用户对应的目标聚类簇,进而获取该目标聚类簇对应的预先训练的风险概率确定模型,基于该风险概率确定模型、用户基本数据、用户环境数据以及业务服务数据,确定该待服务用户对应的服务风险信息,实现了为用户服务的风险的自动预测,无需人工对服务用户的风险进行测评,该方法通过用户基本数据、用户环境数据以及业务服务数据等用户相关信息进行服务风险的预测,提高了服务风险预测结果的准确性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种服务风险预测方法的流程示意图;
图2为本发明实施例二所提供的一种服务风险预测方法的流程示意图;
图3A为本发明实施例三所提供的一种服务风险预测方法的流程示意图;
图3B为本发明实施例三所提供的一种农户贷款违约概率预测方法的流程示意图;
图4为本发明实施例四所提供的一种服务风险预测装置的结构示意图;
图5为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在对本申请提供的服务风险预测方法进行详细介绍之前,先对该服务风险预测方法的应用场景进行示例性说明。示例性的,本方法可以将预测出的服务风险信息确定为农户贷款违约概率,换言之,本方法可以应用于预测农户贷款违约概率,即预测农户在未来一定时期内不能按照合同要求偿还银行贷款本息或履行相关义务的可能性,以为后续的贷款准入退出、授信额度核定、贷款定价以及相关管理提供重要依据,进而提升银行的农户贷款风险预测、防控能力。又例如,本方法还可以将预测出的服务风险信息确定为用户还车违约概率,即,预测用户在一定时间段内不归还车辆的概率,等。
实施例一
图1为本发明实施例一提供的一种服务风险预测方法的流程示意图,本实施例可适用于确定待服务用户的服务风险信息的情况,尤其适用于通过待服务用户的用户基本数据确定其所属簇,进而通过该簇对应的风险概率确定模型确定待服务用户的服务风险信息的情况,该方法可以由服务风险预测装置来执行,该装置可以由硬件和/或软件来实现,该方法具体包括如下步骤:
S110、获取待服务用户的用户基本数据、用户环境数据以及业务服务数据。
其中,待服务用户可以是当前需要服务的用户。以预测农户贷款违约概率这一应用场景为例,待服务用户可以是当前需要办理贷款业务的农户,农户可以是指以户为单位从事农业生产或与其相关行业的家庭。
在本实施例中,用户基本数据可以包括基本情况信息、经营情况信息以及信用情况信息,其中,基本情况信息可以是描述待服务用户(以预测农户贷款违约概率这一应用场景为例,可以是借款人)和待服务用户的家庭主要成员的情况的信息,例如基本情况信息可以包括年龄、婚姻状况、健康状况等信息。以预测农户贷款违约概率这一应用场景为例,经营情况信息可以是种植养殖品种、经营规模、生产周期等信息。信用情况信息可以是来自于征信系统,包括是否有逾期记录、是否有欠税记录等。
用户环境数据可以包括成本情况信息、供求情况信息以及气候情况信息。其中,以预测农户贷款违约概率这一应用场景为例,农户以户为单位从事种植业、养殖业等农业生产经营活动,农业的特点决定了农户收入深受环境因素影响。气候越适宜种植、养殖品种生长,产量越大,收入越高;市场供应越小,市场价格越高,收入越高;农业成本越小,收入越高。因此,本实施例可以提取用户环境数据,用户环境数据包括气候情况信息、供求情况信息和成本情况信息;气候情况信息描述农户(待服务用户)所在地区近三年的气候,例如最高/最低/平均温度、最高/最低/平均湿度、晴朗/下雨/下雪天数、是否有疫病等。供求情况信息通过价格变动反映市场供求,例如价格方差等。成本情况信息反映农业生产经营活动的成本,例如种子价格、农药价格、饲料价格等。
以预测用户还车违约概率这一应用场景为例,成本情况信息可以是被租借车的成本,供求情况信息可以包括待服务用户所在地区的供车量以及租车量,气候情况信息可以包括待服务用户所在地区的温度信息、天气信息以及湿度信息。
在本实施例中,业务服务数据可以是待服务用户期望得到的业务服务的相关数据。如,以预测农户贷款违约概率这一应用场景为例,业务服务数据可以包括基本情况信息、利率信息以及担保情况信息。其中,基本情况信息描述贷款业务的情况,例如贷款额度、贷款期限、还款方式等;利率信息是拟设置的利率参数,例如基准利率类别、利率浮动方式、利率浮动幅度等;担保情况信息反映第二还款来源的可靠性,例如担保人的信用评级、抵(质)押物的价值等。
可选的,本实施例可以先从用户建档信息库中获取待服务用户的用户基本数据,进一步通过用户基本数据中的用户所在地获取待服务用户的用户环境数据。
S120、基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇。
在本实施例中,以预测农户贷款违约概率为例,考虑到各银行的各农户客户地理分布广,且各地的自然条件、经济环境和发展状况差异比较大,使得农户经济活动的特点的差异也较大,若使用全部农户数据来训练一个模型,则会使得模型预测精度降低;若分别为每一个农户训练一个模型,那么会面临训练数据缺失、运算量巨大的问题。因此,本实施例可以预先对所有农户进行聚类,将特征相似(如经济活动特点相似、所在地区相似、基本情况相似等)的农户聚类在同一个簇中,确定出各用户聚类簇,以针对每一个用户聚类簇单独训练一个模型,提高模型预测精度。示例性的,可以使用基于距离的K-prototype聚类算法,确定各用户聚类簇;即输入全部样本用户的样本基本数据,输出全部样本用户的聚类结果。
针对新增的待服务用户,在一种可选的实施方式中,所述基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇,可以是:分别计算所述用户基本数据与预先确定的各用户聚类簇的聚类中心点之间的特征距离;将各所述特征距离中最小的特征距离对应的用户聚类簇确定为所述待服务用户对应的目标聚类簇。通过该方式,可以在预先确定的各用户聚类簇中查找出待服务用户对应的目标聚类簇,以基于该目标聚类簇对应训练的模型预测服务风险。或者,所述基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇,还可以是:分别计算所述用户基本数据与预先确定的各用户聚类簇中的特征之间的相似度;将相似度最高的用户聚类簇确定为所述待服务用户对应的目标聚类簇。
针对已服务过的待服务用户,即存量客户,由于其已参与过用户聚类簇的分类,因此,可以直接得到该待服务用户对应的用户聚类簇,将其作为目标聚类簇。
S130、获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
在本实施例中,针对每一个目标聚类簇,均预先训练出其对应的风险概率确定模型。具体的,风险概率确定模型可以基于已服务过的用户的用户基本数据、用户环境数据、业务服务数据以及已服务过的用户是否违约标识训练得到。风险概率确定模型可以输出用于表示服务风险信息的概率值,概率值的范围可以是[0,1]。
具体的,以预测农户贷款违约概率为例,可以将用户基本数据、用户环境数据以及业务服务数据输入至风险概率确定模型,得到风险概率确定模型输出的农户贷款违约概率,将该农户贷款违约概率作为待服务用户对应的服务风险信息。以预测用户还车违约概率为例,可以将用户基本数据、用户环境数据以及业务服务数据输入至风险概率确定模型,得到风险概率确定模型输出的用户还车违约概率,将该用户还车违约概率作为待服务用户对应的服务风险信息。
在本实施例中,可以通过风险概率确定模型预测出概率值,将概率值作为服务风险信息,更为直观、全面,为后续贷款准入或租借车等工作的指导提供准确依据。
需要说明的是,本实施例中将用户环境数据作为风险概率确定模型的预测因素的原因在于:以预测农户贷款违约概率为例,考虑到农户以户为单位从事农业生产或与其相关行业,农产品的产量受气候影响大,价格受市场供求影响大,农户收入比较容易引起波动,因此,可以将用户环境数据用于确定服务风险信息,以结合农户的实际收入情况来确定服务风险,使得预测的服务风险信息更为客观,提高了预测服务风险的准确性。本实施例提供的服务风险预测方法,可以实现农户贷款违约概率的预测,通过引入用户环境数据以及对全部农户进行聚类,与通用的违约概率预测模型相比,进一步的提高了预测的准确性。
本实施例的技术方案,通过获取待服务用户的用户基本数据、用户环境数据以及业务服务数据,根据用户基本数据在预先聚类得到的各用户聚类簇中确定该待服务用户对应的目标聚类簇,进而获取该目标聚类簇对应的预先训练的风险概率确定模型,基于该风险概率确定模型、用户基本数据、用户环境数据以及业务服务数据,确定该待服务用户对应的服务风险信息,实现了为用户服务的风险的自动预测,该方法通过用户基本数据、用户环境数据以及业务服务数据等用户相关信息进行服务风险的预测,提高了服务风险预测结果的准确性。
实施例二
图2为本发明实施例二提供的一种服务风险预测方法的流程示意图,本实施例在上述实施例的基础上,可选的,所述方法还包括:获取各样本用户的样本基本数据;对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2,本实施例提供的服务风险预测方法包括以下步骤:
S210、获取各样本用户的样本基本数据,对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇。
其中,样本用户可以是已服务过的用户。具体的,可以在已服务过的用户的历史数据中,提取出各样本用户的样本基本数据。
在一种可选的实施方式中,所述样本基本数据包括基本情况信息、经营情况信息以及信用情况信息,所述对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇,包括:基于所述基本情况信息、所述经营情况信息以及所述信用情况信息中的至少一种,对各所述样本基本数据进行聚类处理;基于聚类处理结果确定各用户聚类簇。
具体的,还可以基于所述基本情况信息、所述经营情况信息以及所述信用情况信息中的至少一种生成用于表征样本用户的特征向量,进一步的,对各个样本用户的特征向量进行聚类处理,得到多个用户聚类簇。
S220、获取待服务用户的用户基本数据、用户环境数据以及业务服务数据。
S230、基于所述用户基本数据在各所述用户聚类簇中确定所述待服务用户对应的目标聚类簇。
S240、获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
本实施例的技术方案,通过获取各样本用户的样本基本数据,对各样本基本数据进行聚类处理,得到各用户聚类簇,以在对待服务用户进行服务风险预测时,在各用户聚类簇中确定该待服务用户对应的目标聚类簇,进而根据该目标聚类簇对应的风险概率确定模型进行风险预测,实现了将特征相似的样本用户聚类在同一个簇中,以对各个簇分别训练模型,提高模型预测的准确率。
实施例三
图3A为本发明实施例三提供的一种服务风险预测方法的流程示意图,本实施例在上述实施例的基础上,可选的,所述方法还包括:分别构建各所述用户聚类簇对应的风险概率确定网络;针对每个用户聚类簇,获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据;基于所述用户聚类簇包括的样本用户的样本基本数据、样本环境数据、样本业务数据以及风险标签,对所述用户聚类簇对应的风险概率确定网络进行训练,以得到所述用户聚类簇对应的风险概率确定模型。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3A,本实施例提供的服务风险预测方法包括以下步骤:
S310、分别构建各所述用户聚类簇对应的风险概率确定网络,针对每个用户聚类簇,获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据。
在本实施例中,针对每一个用户聚类簇,均为其构建一个对应的风险概率确定网络。可选的,所述风险概率确定网络为深度因子分解机网络,如DeepFM模型。需要说明的是,本实施例采用深度因子分解机网络的好处在于:可以将DNN(Deep Neural Networks,深度神经网络)模型与FM(Factorization Machines,因子分解机)模型相结合,适用于本方法中分类属性多、数据稀疏的场景,并且,可以同时学习低阶和高阶的特征交叉,例如,可以学习到“下雨天数”与“种植作物”之间的关系,或者,学习到“种植养殖品种”和“平均温度”之间的关系。本实施例使用DeepFM深度学习模型来预测违约概率,不需要金融行业领域知识来处理数据,避免了大量的特征工程,并且可以挖掘数据低阶和高阶的特征组合,提高了预测的准确性。
具体的,针对每一个用户聚类簇,可以基于其包含的样本用户的相关数据对该用户聚类簇对应的风险概率确定网络进行训练。其中,样本用户的相关数据包括样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据。风险标签可以是描述用户是否违约的标识。在本实施例中,还可以根据各样本用户对应的风险标签,将训练风险概率确定网络所需的样本数据划分为正样本(风险标签为1,表示用户已违约)和负样本(风险标签为0,表示用户未违约)。
可选的,所述获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据,包括下述中的至少一种:
将所述用户聚类簇包括的样本用户与用户建档信息库中的各存档用户进行匹配,基于匹配结果确定所述样本用户的样本基本数据,其中,各所述存档用户以及各所述存档用户对应的基本数据关联存储至所述用户建档信息库;
将所述用户聚类簇包括的样本用户与服务用户信息库中的各历史用户进行匹配,基于匹配结果确定所述样本用户的样本业务数据以及风险标签,其中,各所述历史用户、各所述历史用户对应的样本业务数据以及风险标签关联存储至所述服务用户信息库;
基于所述用户聚类簇包括的样本用户对应的用户所在地,在环境信息库中查询所述样本用户的样本环境数据,其中,所述环境信息库包括各地区以及各地区对应的样本环境数据。
即,在该可选的实施方式中,可以从通过集中建档构建的用户建档信息库中获取各样本用户的样本基本数据;或者,从银行的服务用户信息库中获取各样本用户的样本业务数据以及风险标签;又或者,从通过外部采集信息构建的环境信息库中获取各样本用户的样本环境数据。通过该可选的实施方式,实现了样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据的准确获取。
S320、基于所述用户聚类簇包括的样本用户的样本基本数据、样本环境数据、样本业务数据以及风险标签,对所述用户聚类簇对应的风险概率确定网络进行训练,以得到所述用户聚类簇对应的风险概率确定模型。
具体的,可以将样本基本数据、样本环境数据、样本业务数据以及风险标签输入至风险概率确定网络,以使风险概率确定网络根据样本基本数据、样本环境数据以及样本业务数据输出风险预测值,并基于该风险预测值与风险标签计算损失函数,进一步的,基于损失函数的计算结果,对风险概率确定网络的内部网络参数进行反向调整,直至满足迭代训练停止条件。其中,迭代训练停止条件可以是训练次数超过设定次数阈值,或者,损失函数的计算结果小于预设损失阈值,等。示例性的,损失函数可以采用二进制交叉熵损失函数。
进一步的,将训练后的风险概率确定网络确定为用户聚类簇对应的风险概率确定模型。在风险概率确定模型中,可以输入待服务用户的用户基本数据、业务服务数据以及用户环境数据,得到风险概率确定模型输出的违约概率(服务风险信息),违约概率的取值可以为[0,1]。
当然,本实施例可以通过上述方法,对每一个用户聚类簇的风险概率确定网络分别进行训练,以得到每一个用户聚类簇对应的风险概率确定模型。
S330、获取待服务用户的用户基本数据、用户环境数据以及业务服务数据,基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇。
S340、获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
本实施例的技术方案,针对每一个用户聚类簇均建立其对应的风险概率确定网络,进而通过该用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据,对风险概率确定网络进行训练,以得到用户聚类簇对应的风险概率确定模型,实现了各个用户簇对应的风险概率确定模型的确定,提高了用户服务风险的预测准确度。
以农户贷款服务为例,可采用本发明实施例的服务风险预测方法,预测农户贷款的违约概率,具体地,该方法可包括:
步骤1、根据农户信息建档提取已贷款过的农户的农户基本数据。具体的,可以采用集中建档方式,组织整村的农户登记信息,并通过走访进行核实,从中提取得到农户基本数据。其中,农户基本数据包括基本情况、经营情况和信用情况。基本情况描述借款人和家庭主要成员的情况,例如年龄、婚姻状况、健康状况等。经营情况对于农户贷款来说比较关键,需要详细调查,例如种植养殖品种、经营规模、生产周期等。信用情况来源于中国人民银行征信系统,例如是否有逾期记录、是否有欠税记录等。
步骤2、根据银行信息提取已贷款过的农户的农户业务数据。由于不同贷款业务的要素信息存在差异,同一个农户办理不同贷款业务的违约概率是有差异的。在银行信息中提取农户业务数据,农户业务数据包括基本情况、利率信息和担保情况。基本情况描述贷款业务的情况,例如贷款额度、贷款期限、还款方式等。利率情况是拟设置的利率参数,例如基准利率类别、利率浮动方式、利率浮动幅度等。担保情况反映第二还款来源的可靠性,例如担保人的信用评级、抵(质)押物的价值等。
步骤3、根据外部采集信息提取已贷款过的农户的农户环境数据。农户以户为单位从事种植业、养殖业等农业生产经营活动,农业的特点决定了农户收入深受环境因素影响。气候越适宜种植、养殖品种生长,产量越大,收入越高;市场供应越小,市场价格越高,收入越高;农业成本越小,收入越高。因此,从外部采集信息并提取环境数据,环境数据包括气候情况、供求情况和成本情况。气候情况描述农户所在地区近三年的气候,例如最高/最低/平均温度、最高/最低/平均湿度、晴朗/下雨/下雪天数、是否有疫病等。供求情况通过价格变动反映市场供求,例如价格方差等。成本情况反映农业生产经营活动的成本,例如种子价格、农药价格、饲料价格等。将以上信息作为农户环境数据用于后续的建模预测。
步骤4、对已贷款过的农户的农户基本数据进行聚类处理,得到多个农户聚类簇。由于银行的农户的数量多、地理分布广,且,各地的自然条件、经济环境和发展状况差异很大,导致农户的经济活动特点有很大的不同。考虑到上述因素,如果使用全行农户来训练同一个模型,那么预测的准确度必然较低。另外,如果分别为每一个农户训练一个模型,那么会面临训练数据缺失、运算量巨大的问题。因此,使用步骤1中得到的农户基本数据对全行农户进行聚类,其中,经济活动特点相似的农户会被聚类在同一个簇中,以便于后续针对每一个簇分别训练一个模型,提高模型预测的准确率。具体的,可以使用基于距离的K-prototype聚类算法,输入是步骤1中得到的全行农户的农户基本数据,输出是全行农户的聚类结果。
步骤5、根据已贷款过的农户的农户基本数据、农户业务数据、农户环境数据以及是否违约标签,训练得到各农户聚类簇对应的风险概率确定模型。其中,风险概率确定模型可以是DeepFM模型,该模型将DNN模型与FM模型相结合,适用于分类属性多、数据稀疏的场景,并且可以同时学习低阶和高阶的特征交叉,例如可以学习到“下雨天数”和“种植作物”之间的关系。在该模型训练环节,正样本(标志为1)包括已经违约的农户贷款数据,负样本(标志为0)包括没有违约的农户贷款数据,损失函数为二进制交叉熵损失函数。对于每个样本,将上述步骤中得到农户基本数据、农户业务数据和农户环境数据输入DeepFM模型。
步骤6、确定待服务农户的农户基本数据、农户环境数据以及农户业务数据,根据该待服务农户的农户基本数据在各农户聚类簇中确定待服务农户对应的目标聚类簇,并将该待服务农户的农户基本数据、农户环境数据以及业务服务数据输入至该目标聚类簇对应的风险概率确定模型,确定待服务农户对应的服务风险信息(违约概率)。
如图3B所示,展示了该农户贷款违约概率预测方法的流程示意图,其中,考虑到农户收入受环境影响大,加入农户环境信息;考虑到农户地理分布广,分簇进行建模预测;考虑到金融数据的稀疏性,使用DeepFM模型。该方法将传统的农户贷款信用评级进行定性分析的过程,提升为进行量化分析的过程,提升了预测的可用性。该方法通过使用农户数据、贷款数据和环境数据,并使用DeepFM深度学习模型来学习低阶和高阶特征组合,提高了预测的准确性;并且,考虑到农户从事农业生产的特殊性,对聚类后的簇分别进行建模,并加入了环境信息,进一步的提高了预测的准确性。
实施例四
图4为本发明实施例四提供的一种服务风险预测装置的结构示意图,本实施例可适用于确定待服务用户的服务风险信息的情况,尤其适用于通过待服务用户的用户基本数据确定其所属簇,进而通过该簇对应的风险概率确定模型确定待服务用户的服务风险信息的情况,该装置具体包括:数据获取模块410、簇确定模块420以及风险确定模块430。
数据获取模块410,用于获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
簇确定模块420,用于基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
风险确定模块430,用于获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
可选的,所述装置还包括簇生成模块,用于获取各样本用户的样本基本数据;对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇。
可选的,所述样本基本数据包括基本情况信息、经营情况信息以及信用情况信息,所述簇生成模块具体用于基于所述基本情况信息、所述经营情况信息以及所述信用情况信息中的至少一种,对各所述样本基本数据进行聚类处理;基于聚类处理结果确定各用户聚类簇。
可选的,所述装置包括模型训练模块,用于分别构建各所述用户聚类簇对应的风险概率确定网络;针对每个用户聚类簇,获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据;基于所述用户聚类簇包括的样本用户的样本基本数据、样本环境数据、样本业务数据以及风险标签,对所述用户聚类簇对应的风险概率确定网络进行训练,以得到所述用户聚类簇对应的风险概率确定模型。
可选的,所述风险概率确定网络为深度因子分解机网络。
可选的,所述模型训练模块包括数据获取单元,所述数据获取单元用于根据下述中的至少一种,获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据:
将所述用户聚类簇包括的样本用户与用户建档信息库中的各存档用户进行匹配,基于匹配结果确定所述样本用户的样本基本数据,其中,各所述存档用户以及各所述存档用户对应的基本数据关联存储至所述用户建档信息库;
将所述用户聚类簇包括的样本用户与服务用户信息库中的各历史用户进行匹配,基于匹配结果确定所述样本用户的样本业务数据以及风险标签,其中,各所述历史用户、各所述历史用户对应的样本业务数据以及风险标签关联存储至所述服务用户信息库;
基于所述用户聚类簇包括的样本用户对应的用户所在地,在环境信息库中查询所述样本用户的样本环境数据,其中,所述环境信息库包括各地区以及各地区对应的样本环境数据。
可选的,所述簇确定模块420具体用于分别计算所述用户基本数据与预先确定的各用户聚类簇的聚类中心点之间的特征距离;将各所述特征距离中最小的特征距离对应的用户聚类簇确定为所述待服务用户对应的目标聚类簇。
在本实施例中,通过数据获取模块,获取待服务用户的用户基本数据、用户环境数据以及业务服务数据,通过簇确定模块,根据用户基本数据在预先聚类得到的各用户聚类簇中确定该待服务用户对应的目标聚类簇,进而通过风险确定模块,获取该目标聚类簇对应的预先训练的风险概率确定模型,基于该风险概率确定模型、用户基本数据、用户环境数据以及业务服务数据,确定该待服务用户对应的服务风险信息,实现了为用户服务的风险的自动预测,无需人工对服务用户的风险进行测评;通过用户基本数据、用户环境数据以及业务服务数据等用户相关信息进行服务风险的预测,提高了服务风险预测结果的准确性。
本发明实施例所提供的服务风险预测装置可执行本发明任意实施例所提供的服务风险预测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例五
图5是本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担确定用户服务风险预测功能的电子设备。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储器28,连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例,存储装置34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40,该程序产品40具有一组程序模块42,这些程序模块被配置以执行本发明各实施例的功能。程序产品40,可以存储在例如存储器28中,这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网WideArea Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的服务风险预测方法,包括:
获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的服务风险预测方法的技术方案。
实施例六
本发明实施例六还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的服务风险预测方法步骤,该方法包括:
获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种服务风险预测方法,其特征在于,所述方法包括:
获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取各样本用户的样本基本数据;
对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇。
3.根据权利要求2所述的方法,其特征在于,所述样本基本数据包括基本情况信息、经营情况信息以及信用情况信息,所述对各所述样本基本数据进行聚类处理,基于聚类处理结果确定各用户聚类簇,包括:
基于所述基本情况信息、所述经营情况信息以及所述信用情况信息中的至少一种,对各所述样本基本数据进行聚类处理;
基于聚类处理结果确定各用户聚类簇。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分别构建各所述用户聚类簇对应的风险概率确定网络;
针对每个用户聚类簇,获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据;
基于所述用户聚类簇包括的样本用户的样本基本数据、样本环境数据、样本业务数据以及风险标签,对所述用户聚类簇对应的风险概率确定网络进行训练,以得到所述用户聚类簇对应的风险概率确定模型。
5.根据权利要求4所述的方法,其特征在于,所述风险概率确定网络为深度因子分解机网络。
6.根据权利要求4所述的方法,其特征在于,所述获取所述用户聚类簇包括的样本用户的风险标签、样本基本数据、样本环境数据以及样本业务数据,包括下述中的至少一种:
将所述用户聚类簇包括的样本用户与用户建档信息库中的各存档用户进行匹配,基于匹配结果确定所述样本用户的样本基本数据,其中,各所述存档用户以及各所述存档用户对应的基本数据关联存储至所述用户建档信息库;
将所述用户聚类簇包括的样本用户与服务用户信息库中的各历史用户进行匹配,基于匹配结果确定所述样本用户的样本业务数据以及风险标签,其中,各所述历史用户、各所述历史用户对应的样本业务数据以及风险标签关联存储至所述服务用户信息库;
基于所述用户聚类簇包括的样本用户对应的用户所在地,在环境信息库中查询所述样本用户的样本环境数据,其中,所述环境信息库包括各地区以及各地区对应的样本环境数据。
7.根据权利要求1所述的方法,其特征在于,所述基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇,包括:
分别计算所述用户基本数据与预先确定的各用户聚类簇的聚类中心点之间的特征距离;
将各所述特征距离中最小的特征距离对应的用户聚类簇确定为所述待服务用户对应的目标聚类簇。
8.一种服务风险预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待服务用户的用户基本数据、用户环境数据以及业务服务数据;
簇确定模块,用于基于所述用户基本数据在预先确定的各用户聚类簇中确定所述待服务用户对应的目标聚类簇;
风险确定模块,用于获取所述目标聚类簇对应的预先训练的风险概率确定模型,基于所述用户基本数据、所述用户环境数据、所述业务服务数据以及所述风险概率确定模型,确定所述待服务用户对应的服务风险信息。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的服务风险预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的服务风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569395.3A CN114219630A (zh) | 2021-12-21 | 2021-12-21 | 服务风险预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569395.3A CN114219630A (zh) | 2021-12-21 | 2021-12-21 | 服务风险预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219630A true CN114219630A (zh) | 2022-03-22 |
Family
ID=80704738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111569395.3A Pending CN114219630A (zh) | 2021-12-21 | 2021-12-21 | 服务风险预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219630A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738258A (zh) * | 2023-08-11 | 2023-09-12 | 西安银信博锐信息科技有限公司 | 基于数据分析的用户关键数据挖掘方法 |
-
2021
- 2021-12-21 CN CN202111569395.3A patent/CN114219630A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738258A (zh) * | 2023-08-11 | 2023-09-12 | 西安银信博锐信息科技有限公司 | 基于数据分析的用户关键数据挖掘方法 |
CN116738258B (zh) * | 2023-08-11 | 2023-11-03 | 西安银信博锐信息科技有限公司 | 基于数据分析的用户关键数据挖掘方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vercellis | Business intelligence: data mining and optimization for decision making | |
US10614073B2 (en) | System and method for using data incident based modeling and prediction | |
Tchuente et al. | Real estate price estimation in French cities using geocoding and machine learning | |
CN110400215B (zh) | 面向企业家族的小微企业信用评估模型构建方法及系统 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
CN114219630A (zh) | 服务风险预测方法、装置、设备及介质 | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN111861004B (zh) | 日收入产量的自动佣金预测方法、系统、设备及存储介质 | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
Ndayisenga | Bank loan approval prediction using machine learning techniques | |
CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
CN114971787A (zh) | 信息推荐方法、装置、系统及推荐服务器 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113191570A (zh) | 基于深度学习的资金规划推荐方法、装置和设备 | |
KAMLEY et al. | Multiple regression: A data mining approach for predicting the stock market trends based on open, close and high price of the month | |
CN110544165A (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
Dixon et al. | A Bayesian approach to ranking private companies based on predictive indicators | |
US20230342793A1 (en) | Machine-learning (ml)-based system and method for generating dso impact score for financial transaction | |
CN113935780B (zh) | 基于生存分析的客户流失风险的预测方法、及其相关设备 | |
US20230118645A1 (en) | System for debt collection | |
CN113159966A (zh) | 基于大数据的资金规划推荐方法、装置、设备和存储介质 |
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 |