CN114298829A

CN114298829A - 用于授信评估的数据处理方法和装置

Info

Publication number: CN114298829A
Application number: CN202111628735.5A
Authority: CN
Inventors: 乾春涛
Original assignee: Shanghai Shuhe Information Technology Co Ltd
Current assignee: Shanghai Shuhe Information Technology Co Ltd
Priority date: 2021-12-28
Filing date: 2021-12-28
Publication date: 2022-04-08

Abstract

本申请公开了一种用于授信评估的数据处理方法和装置。该方法包括：通过捞回风险评估模型对临界被拒的用户数据进行捞回风险评估，对临界被拒用户的捞回风险进行量化，匹配合适的授信策略，其中首先通过训练临界被拒用户和通过用户的相关数据，获得违约分类模型，通过违约分类模型对临界被拒用户相关数据进行处理获得违约分类标签数据，根据临界被拒用户的相关数据及其对应的违约分类标签数据训练深度学习模型获得捞回风险评估模型，以便实现对临界被拒用户的捞回风险评估，解决了现有技术金融机构中临界用户风险难以量化评估的技术问题，实现了提高对临界用户授信的准确率和效率的技术效果。

Description

用于授信评估的数据处理方法和装置

技术领域

本申请涉及计算机领域，具体而言，涉及一种用于授信评估的数据处理方法和装置。

背景技术

现有技术中，随着不断严格的金融服务管理，金融用户容易被误拒而无法获得服务，在授信评估时，存在前期授信评估满足金融服务公司的要求，但部分基于临界的用户，可能受环境影响，无法得到金融服务，导致金融机构的用户流失和有效授信成本上升，贷款规模下降。

因此，现有技术中授信评估存在临界用户风险量化程度较低的技术问题。

发明内容

本申请的主要目的在于提供一种用于授信评估的数据处理方法，解决了现有技术金融机构中临界用户风险难以量化评估的技术问题，实现了提高对临界用户授信的准确率和效率的技术效果。

为了实现上述目的，本申请提出了一种用于授信评估的数据处理方法。

根据本申请的第二方面，提出了一种用于授信评估的数据处理装置。

根据本申请的第三方面，提出了一种计算机可读存储介质。

根据本申请的第四方面，提出了一种电子设备。

有鉴于此，根据本申请的第一方面，提出了一种用于授信评估的数据处理方法，包括：

获取待评估用户数据，其中，所述待评估用户数据为授信临界被拒用户的相关数据；

基于预设捞回风险评估模型，对所述待评估用户数据进行捞回风险评估，获得风险评估数据；

在预设策略数据库中匹配与所述风险评估数据对应的授信策略数据，输出授信评估结果数据，其中，所述授信评估结果数据包括所述风险评估数据与所述授信策略数据。

进一步地，基于预设捞回风险评估模型，对所述待评估用户数据进行捞回风险评估，获得风险评估数据，包括：

对所述待评估用户数据进行识别，获得所述待评估用户数据的基本属性数据与行为数据，其中，所述基本属性数据为用户进行授信评估时所提供的数据，所述行为数据为用户发生借贷行为时产生的数据；

对所述基本属性数据与所述行为数据进行特征化处理，获得输入特征数据；

基于所述预设捞回风险评估模型，对所述输入特征数据进行捞回风险评估处理，获得所述风险评估数据。

进一步地，在获取待评估的用户数据之前，还包括：

获取训练数据，其中，所述训练数据为进行预设捞回风险评估模型训练的用户相关数据；

基于所述训练数据，对预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型。

进一步地，基于所述训练数据，对预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型，包括：

获取第一训练数据，其中，所述第一训练数据包括授信临界被拒和通过用户的相关数据；

基于所述第一训练数据，对第一预先建立的深度学习模型进行训练，获得违约分类模型；

基于所述违约分类模型数据，对所述临界被拒用户的相关数据进行违约分类处理，获得第二训练数据，其中，所述第二训练数据包括临界被拒用户的相关数据和所述临界被拒用户对应的违约分类标签数据；

基于所述第二训练数据，对第二预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型。

进一步地，基于所述第一训练数据，对第一预先建立的深度学习模型进行训练，获得违约分类模型，包括：

对所述第一训练数据进行预处理，获得第一过程训练数据，其中，所述第一过程训练数据包括所述第一训练数据和所述第一训练数据对应的分类标签数据；

基于所述第一过程训练数据，对所述第一预先建立的深度学习模型进行训练，获得所述违约分类模型。

进一步地，基于所述第二训练数据，对第二预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型，包括：

对所述第二训练数据进行识别，获得训练基本属性数据与训练行为数据；

对所述训练基本属性数据与所述训练行为数据进行特征化处理，获得训练输入特征数据；

根据所述训练输入特征数据与所述临界被拒用户对应的违约分类标签数据，对所述第二预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型。

根据本申请的第二方面，提出了一种用于授信评估的数据处理装置，包括：

数据获取模块，用于获取待评估用户数据，其中，所述待评估用户数据为授信临界被拒用户的相关数据；

捞回评估模块，基于预设捞回风险评估模型，对所述待评估用户数据进行捞回风险评估，获得风险评估数据；

结果输出模块，用于在预设策略数据库中匹配与所述风险评估数据对应的授信策略数据，输出授信评估结果数据，其中，所述授信评估结果数据包括所述风险评估数据与所述授信策略数据。

进一步地，还包括：

模型训练模块，包括：

训练数据获取模块，用于获取第一训练数据，其中，所述第一训练数据包括授信临界被拒和通过用户的相关数据；

违约分类模型训练模块，基于所述第一训练数据，对第一预先建立的深度学习模型进行训练，获得违约分类模型；

捞回风险评估模型训练模块，基于所述违约分类模型数据，对所述临界被拒用户的相关数据进行违约分类处理，获得第二训练数据，其中，所述第二训练数据包括临界被拒用户的相关数据和所述临界被拒用户对应的违约分类标签数据；

根据本申请的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的用于授信评估的数据处理方法。

根据本申请的第四方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述的用于授信评估的数据处理方法。

本申请的实施例提供的技术方案可以包括以下有益效果：

在本申请中，通过捞回风险评估模型对临界被拒的用户数据进行捞回风险评估，对临界被拒用户的捞回风险进行量化，匹配合适的授信策略，其中首先通过训练临界被拒用户和通过用户的相关数据，获得违约分类模型，通过违约分类模型对临界被拒用户相关数据进行违约分类处理，获得违约分类标签数据，根据临界被拒用户的基本属性数据、行为数据及临界被拒用户对应的违约分类标签数据训练深度学习模型获得捞回风险评估模型，以便实现对临界被拒用户的捞回风险评估，解决了现有技术金融机构中临界用户风险难以量化评估的技术问题，实现了提高对临界用户授信的准确率和效率的技术效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请提供的一种用于授信评估的数据处理方法方法的流程示意图；

图2为本申请提供的一种用于授信评估的数据处理方法方法的流程示意图；

图3为本申请提供的一种用于授信评估的数据处理装置的结构示意图；

图4为本申请提供的另一种用于授信评估的数据处理装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施例。此外，术语“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。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

图1为本申请提供的一种用于授信评估的数据处理方法的流程示意图，如图1所示，该方法包括以下步骤：

S101：获取待评估用户数据；

待评估用户数据为授信临界被拒用户的相关数据，其中，临界被拒用户为授信大盘风险3倍左右的被拒用户。

S102：基于预设捞回风险评估模型，对所述待评估用户数据进行捞回风险评估，获得风险评估数据；

S103：在预设策略数据库中匹配与所述风险评估数据对应的授信策略数据，输出授信评估结果数据。

举例说明，如，用户近一个月多头大于16且捞回风险评估模型预测结果高于捞回临界值0.3时，输出授信评估结果为拒绝；用户近一个月多头大于16小于20且捞回风险评估模型预测结果低于捞回临界值0.3时，输出授信评估结果为授信，其金额为1500；用户近一个月多头大于10小于16且捞回风险评估模型预测结果低于捞回临界值0.3时，输出授信评估结果为授信，其金额为2000；用户近一个月多头小于10且捞回风险评估模型预测结果低于0.1时，输出授信评估结果为授信，其金额为5000。

图2为本申请实施例提供的一种用于授信评估的数据处理方法的流程示意图，其特征在于，包括：

S201：获取第一训练数据，其中，所述第一训练数据包括授信临界被拒和通过用户的相关数据；

建立训练数据集，所述训练数据集包括临界被拒用户和通过用户的设备数据、用户基本数据、用户借贷行为数据及用户的风险违约数据等，其中，用户设备数据包括设备位置类数据、活跃分类数据、应用列表数据等数据，用户位置变化频繁，贷款类APP多次下载等，用户资质相对更差，风险高，授信评估将会被拒绝；反之用户资质相对更好，风险低，授信评估将会被通过。如，近三个月内安装应用行为的次数、近三个月卸载应用的次数等；用户基本数据为用户进行授信评估时所提供的年龄、职业、学历等数据；用户借贷行为数据为用户发生借贷行为时产生的数据，如借贷金额、借贷时长、借贷次数等数据；用户的风险违约数据为用户发生违约时产生的数据，如逾期金额、逾期时长等数据。

定义用户的风险违约标签，分两类进行定义：授信被拒用户，授信被拒时有负债且被拒后一段时间内有还款行为，观察这些还款行为，如正常还款则定义为好用户，逾期定义为坏用户；第二类为授信通过用户，观察通过放款后的还款行为，如正常还款则定义为好用户，逾期定义为坏用户。

S202：基于所述第一训练数据，对第一预先建立的深度学习模型进行训练，获得违约分类模型；

对所述第一训练数据进行预处理，获得第一过程训练数据，其中，所述第一过程训练数据包括所述第一训练数据和所述第一训练数据对应的分类标签数据。

对第一训练数据进行标签分类处理，获得第一训练数据对应的分类标签数据。

将训练数据集中的用户设备数据作为输入变量，将训练数据集中的分类标签数据作为目标变量，训练分类模型，其中分类模型可以为决策树，得到违约分类模型。

S203：基于所述违约分类模型数据，对所述临界被拒用户的相关数据进行违约分类处理，获得第二训练数据；

获取训练数据集中临界被拒用户数据，通过违约分类模型对临界被拒用户进行违约分类处理，得到临界被拒用户的违约分类标签数据；

第二训练数据包括临界被拒用户的相关数据和所述临界被拒用户对应的违约分类标签数据；

S204：基于所述第二训练数据，对第二预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型。

对所述第二训练数据进行识别，获得训练基本属性数据与训练行为数据；对所述训练基本属性数据与所述训练行为数据进行特征化处理，获得训练输入特征数据。

将训练基本属性数据与训练行为数据作为输入变量，将所述违约分类标签数据作为目标变量，对深度学习模型进行训练，如，深度学习模型可以为。

图3为本申请提供的一种用于授信评估的数据处理装置的结构示意图，该装置包括：

数据获取模块31，用于获取待评估用户数据，其中，所述待评估用户数据为授信临界被拒用户的相关数据；

捞回评估模块32，基于预设捞回风险评估模型，对所述待评估用户数据进行捞回风险评估，获得风险评估数据；

结果输出模块33，用于在预设策略数据库中匹配与所述风险评估数据对应的授信策略数据，输出授信评估结果数据，其中，所述授信评估结果数据包括所述风险评估数据与所述授信策略数据。

图4为本申请提供的另一种用于授信评估的数据处理装置的结构示意图，该装置包括：

模型训练模块41，包括：

训练数据获取模块42，用于获取第一训练数据，其中，所述第一训练数据包括授信临界被拒和通过用户的相关数据；

违约分类模型训练模块43，基于所述第一训练数据，对第一预先建立的深度学习模型进行训练，获得违约分类模型；

捞回风险评估模型训练模块44，基于所述违约分类模型数据，对所述临界被拒用户的相关数据进行违约分类处理，获得第二训练数据，其中，所述第二训练数据包括临界被拒用户的相关数据和所述临界被拒用户对应的违约分类标签数据；

具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。

根据本申请实施例，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的用于授信评估的数据处理方法。

根据本申请实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法实施例中的用于授信评估的数据处理方法。

综上所述，本申请中，通过捞回风险评估模型对临界被拒的用户数据进行捞回风险评估，对临界被拒用户的捞回风险进行量化，匹配合适的授信策略，其中首先通过训练临界被拒用户和通过用户的相关数据，获得违约分类模型，通过违约分类模型对临界被拒用户相关数据进行违约分类处理，获得违约分类标签数据，根据临界被拒用户的基本属性数据、行为数据及临界被拒用户对应的违约分类标签数据训练深度学习模型获得捞回风险评估模型，以便实现对临界被拒用户的捞回风险评估，解决了现有技术金融机构中临界用户风险难以量化评估的技术问题，实现了提高对临界用户授信的准确率和效率的技术效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

显然，本领域的技术人员应该明白，上述的本申请的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种用于授信评估的数据处理方法，其特征在于，包括：

获取待评估用户数据，其中，所述待评估用户数据为授信临界被拒用户的相关数据，授信临界被拒用户为满足授信大盘预设风险阈值的被拒用户；

2.根据权利要求1所述的数据处理方法，其特征在于，基于预设捞回风险评估模型，对所述待评估用户数据进行捞回风险评估，获得风险评估数据，包括：

3.根据权利要求1所述的数据处理方法，其特征在于，在获取待评估的用户数据之前，还包括：

4.根据权利要求3所述的数据处理方法，其特征在于，基于所述训练数据，对预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型，包括：

5.根据权利要求4所述的数据处理方法，其特征在于，基于所述第一训练数据，对第一预先建立的深度学习模型进行训练，获得违约分类模型，包括：

6.根据权利要求4所述的数据处理方法，其特征在于，基于所述第二训练数据，对第二预先建立的深度学习模型进行训练，获得所述预设捞回风险评估模型，包括：

7.一种用于授信评估的数据处理装置，其特征在于，包括：

8.根据权利要求7所述的数据处理装置，其特征在于，还包括：

模型训练模块，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至6中任意一项所述的用于授信评估的数据处理方法。

10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至6任意一项所述的用于授信评估的数据处理方法。