CN117575773A - 业务数据的确定方法、装置、计算机设备、存储介质 - Google Patents
业务数据的确定方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN117575773A CN117575773A CN202311498144.XA CN202311498144A CN117575773A CN 117575773 A CN117575773 A CN 117575773A CN 202311498144 A CN202311498144 A CN 202311498144A CN 117575773 A CN117575773 A CN 117575773A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- grade
- resource
- qualification
- 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 64
- 238000012797 qualification Methods 0.000 claims abstract description 144
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域,特别是涉及一种业务数据的确定方法、装置、计算机设备、存储介质。所述方法包括:获取业务账号的业务请求数据,以及在业务系统的业务等级;响应于业务等级满足预设准入级别,根据业务账号在业务系统内的存量业务数据,生成第一资源数据;当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据在第一资源数据上增加得到第二资源数据;当第二资源数据小于业务请求数据时,获取业务账号在第三方系统的业务资质级别;根据业务资质级别和业务等级确定与业务账号匹配的目标业务等级,采用目标业务等级和第二资源数据确定目标业务数据。采用本方法能够实现对目标业务数据的逐步增信和灵活调整。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种业务数据的确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
为助力汽车产业发展,目前许多金融机构会向车企提供金融配套支持。例如,金融机构会通过向车企反馈的具有购车意向的用户提供相应的汽车信贷服务,以减轻用户的购车压力,促成车企与用户之间的交易达成。然而,由于部分车企数据并不完善,金融机构难以从不完善的数据中比较准确地评估用户的信用风险,从而导致金融机构给予用户的预授信额度较低。
传统技术中,金融机构可以通过从第三方渠道收集用户的信用数据(譬如用户的征信数据等)。接收用户提供的担保信息和抵押物信息。根据用户的信用数据、担保信息和抵押物信息进行授信审批,重新评估用户的预授信额度。但是,由于传统技术中的授信方式较为单一,审批流程较为复杂,导致在实际业务场景下使用时存在较大的局限性。
发明内容
基于此,有必要针对上述技术问题,提供一种多样化的灵活性高的业务数据的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种业务数据的确定方法,包括:
获取业务账号的业务请求数据,以及在所述业务系统内的业务等级;
响应于所述业务等级满足预设准入级别,根据所述业务账号在业务系统内的存量业务数据,生成所述业务账号的第一资源数据;
当所述第一资源数据小于所述业务请求数据时,根据所述业务账号在预设时间段内的资源交互数据在所述第一资源数据上增加对应的资源数值,得到所述业务账号的第二资源数据;
当所述第二资源数据小于所述业务请求数据时,获取所述业务账号在第三方系统内的业务资质级别;
根据所述业务资质级别和所述业务等级确定与所述业务账号匹配的目标业务等级,采用所述目标业务等级和所述第二资源数据确定所述业务账号的目标业务数据。
在其中一个示例性的实施例中,所述存量业务数据包括存量请求数据和存量资源数据;所述响应于所述业务等级满足预设准入级别,根据所述业务账号在业务系统内的存量业务数据,生成所述业务账号的第一资源数据,包括:响应于所述业务等级满足预设准入级别,采用与所述业务等级对应的调节系数对所述存量请求数据进行调节,得到调节后的存量调节数据;根据所述存量调节数据和所述存量资源数据,生成所述第一资源数据。
在其中一个示例性的实施例中,所述业务等级的生成方式,包括:获取所述业务账号在多个预设维度下的业务资质数据;根据预先构建的评分卡模型以及每个所述预设维度下的业务资质数据,生成所述业务账号在每个所述预设维度下的资质等级;利用每个所述预设维度下的资质等级,生成所述业务等级。
在其中一个示例性的实施例中,所述根据所述业务资质级别和所述业务等级确定与所述业务账号匹配的目标业务等级,采用所述目标业务等级和所述第二资源数据确定所述业务账号的目标业务数据,包括:根据所述业务资质级别和所述业务等级对应的每个所述预设维度下的资质等级构建策略矩阵,利用所述策略矩阵确定与所述业务账号匹配的目标业务等级;采用与所述目标业务等级对应的目标调节系数对所述第二资源数据进行调节,得到所述目标业务数据。
在其中一个示例性的实施例中,所述评分卡模型的构建方式,包括:获取业务账号样本在每个所述预设维度下的资质数据,以及所述业务账号样本的业务等级;对每个所述预设维度下的资质数据进行特征提取处理,得到与每个所述预设维度对应的变量指标特征;根据每个所述预设维度对应的变量指标特征,以及所述变量指标特征对应的变量衍生特征,生成所述业务账号样本的等级预测结果;根据所述业务账号样本的业务等级和所述等级预测结果,生成与每个所述预设维度下的变量指标特征的指标数据;根据所述指标数据从所述变量指标特征中筛选出目标评分指标,利用所述目标评分指标构建所述评分卡模型。
在其中一个示例性的实施例中,所述方法还包括:当所述第一资源数据大于所述业务请求数据时,将所述第一资源数据作为所述目标业务数据;或者,当所述第一资源数据小于所述业务请求数据,且所述第二资源数据大于所述业务请求数据时,将所述第二资源数据作为所述目标业务数据。
第二方面,本申请还提供了一种业务数据的确定装置,包括:
数据获取模块,用于获取业务账号的业务请求数据,以及在所述业务系统内的业务等级;
第一生成模块,用于响应于所述业务等级满足预设准入级别,根据所述业务账号在业务系统内的存量业务数据,生成所述业务账号的第一资源数据;
第二生成模块,用于当所述第一资源数据小于所述业务请求数据时,根据所述业务账号在预设时间段内的资源交互数据在所述第一资源数据上增加对应的资源数值,得到所述业务账号的第二资源数据;
资质引入模块,用于当所述第二资源数据小于所述业务请求数据时,获取所述业务账号在第三方系统内的业务资质级别;
目标生成模块,用于根据所述业务资质级别和所述业务等级确定与所述业务账号匹配的目标业务等级,采用所述目标业务等级和所述第二资源数据确定所述业务账号的目标业务数据。
在其中一个示例性的实施例中,所述存量业务数据包括存量请求数据和存量资源数据;所述第一生成模块,包括:数据调节单元,用于响应于所述业务等级满足预设准入级别,采用与所述业务等级对应的调节系数对所述存量请求数据进行调节,得到调节后的存量调节数据;数据生成单元,用于根据所述存量调节数据和所述存量资源数据,生成所述第一资源数据。
在其中一个示例性的实施例中,所述装置还包括等级生成模块,所述等级生成模块包括:资质获取单元,用于获取所述业务账号在多个预设维度下的业务资质数据;资质生成单元,用于根据预先构建的评分卡模型以及每个所述预设维度下的业务资质数据,生成所述业务账号在每个所述预设维度下的资质等级;业务生成单元,用于利用每个所述预设维度下的资质等级,生成所述业务等级。
在其中一个示例性的实施例中,所述目标生成模块,包括:等级匹配单元,用于根据所述业务资质级别和所述业务等级对应的每个所述预设维度下的资质等级构建策略矩阵,利用所述策略矩阵确定与所述业务账号匹配的目标业务等级;数据调节单元,用于采用与所述目标业务等级对应的目标调节系数对所述第二资源数据进行调节,得到所述目标业务数据。
在其中一个示例性的实施例中,所述资质生成单元,还用于:获取业务账号样本在每个所述预设维度下的资质数据,以及所述业务账号样本的业务等级;每个所述预设维度下的资质数据进行特征提取处理,得到与每个所述预设维度对应的变量指标特征;根据每个所述预设维度对应的变量指标特征,以及所述变量指标特征对应的变量衍生特征,生成所述业务账号样本的等级预测结果;根据所述业务账号样本的业务等级和所述等级预测结果,生成与每个所述预设维度下的变量指标特征的指标数据;根据所述指标数据从所述变量指标特征中筛选出目标评分指标,利用所述目标评分指标构建所述评分卡模型。
在其中一个示例性的实施例中,所述目标生成模块,还用于:当所述第一资源数据大于所述业务请求数据时,将所述第一资源数据作为所述目标业务数据;或者,当所述第一资源数据小于所述业务请求数据,且所述第二资源数据大于所述业务请求数据时,将所述第二资源数据作为所述目标业务数据。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项实施例所述的业务数据的确定方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项实施例所述的业务数据的确定方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面任一项实施例所述的业务数据的确定方法。
上述业务数据的确定方法、装置、计算机设备、存储介质和计算机程序产品,通过获取业务账号的业务请求数据,以及在业务系统内的业务等级;响应于业务等级满足预设准入级别,根据业务账号在业务系统内的存量业务数据,生成业务账号的第一资源数据;当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据;当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别;根据业务资质级别和业务等级确定与业务账号匹配的目标业务等级,采用目标业务等级和第二资源数据确定业务账号的目标业务数据,能够利用业务账号在业务系统内的存量业务数据实现对业务账号的快速授信,基于第一资源数据和业务账号所需的业务请求数据的比较结果,采用业务账号在预设时间段内的资源交互数据实现对业务账号的逐步增信和目标业务数据灵活调整得到第二资源数据,再基于第二资源数据和业务请求数据的比较结果引入业务账号在外部的第三方系统内的业务资质级别来确定与业务账号匹配的目标业务等级,能够实现对目标业务等级的灵活调整,采用目标业务等级和第二资源数据确定目标业务数据,能够提高业务数据确定方法的灵活性以及处理效率,适用于业务请求数据不同的多元化业务场景。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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为一个实施例中业务数据的确定方法的应用环境图;
图2为一个实施例中业务数据的确定方法的流程示意图;
图3为一个实施例中第一资源数据生成步骤的流程示意图;
图4为一个实施例中业务等级生成步骤的流程示意图;
图5为一个实施例中目标业务数据确定步骤的流程示意图;
图6为一个实施例中评分卡模型构建步骤的流程示意图;
图7为另一个实施例中目标业务数据的确定步骤的流程示意图;
图8为另一个实施例中业务数据确定方法的流程示意图;
图9为一个实施例中业务数据的确定装置900的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本申请实施例提供的业务数据的确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。具体地,服务器104可以接收业务账号通过终端102触发的业务申报请求。对业务申报请求进行解析处理,得到业务账号的业务请求数据。根据业务账号的账号标识在业务系统中查询得到对应的业务等级。响应于业务等级满足预设准入级别,再根据业务账号的账号标识在业务系统中查询得到对应的存量业务数据。根据存量业务数据生成业务账号的第一资源数据。当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据,在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据。当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别,根据业务资质级别和业务等级确定与业务账号匹配的目标业务等级,采用目标业务等级和第二资源数据确定业务账号的目标业务数据。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多台服务器组成的服务器集群来实现。
在一个示例性的实施例中,如图2所示,提供了一种业务数据的确定方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤S202至步骤S208。其中:
步骤S202,获取业务账号的业务请求数据,以及在业务系统内的业务等级。
其中,业务请求数据可以用于表示业务账号期望得到的业务数据。示例性地,在实际业务场景下,业务请求数据可以是业务账号申请的信贷业务数据、项目申报名额或活动支出款项等数据中的任一种或多种。
业务等级可以用于表示业务账号的还款意愿和还款能力的级别。示例性地,当业务等级越高时,业务账号的还款意愿和还款能力就越强。
示例性地,服务器可以接收业务账号通过业务系统的客户端触发的业务申报请求。根据预设报文规则对业务申报请求进行解析,得到业务账号的业务请求数据。或者,服务器也可以直接根据业务账号的账号标识在业务系统的数据库中查询得到业务账号所需的业务请求数据。根据业务账号的账号标识可以在业务系统内查询得到与业务账号对应的账号等级。
步骤S204,响应于业务等级满足预设准入级别,根据业务账号在业务系统内的存量业务数据,生成业务账号的第一资源数据。
其中,存量业务数据可以表示业务系统已经存在或已经记录的业务数据。示例性地,在实际业务场景下,存量业务数据可以是业务账号在业务系统内的存款业务数据、分期信贷业务数据、汽车信贷数据或房产信贷数据等数据中的任一种或多种。
示例性地,当业务账号对应的业务等级等于或大于预设准入级别时,服务器可以响应于业务等级满足预设准入级别,根据业务账号的账号标识在业务系统中查询得到业务账号在业务系统内的存量业务数据。采用预设业务规则对存量业务数据进行处理,生成业务账号的第一资源数据。
可选地,预设业务规则可以包括但不仅限于以下业务规则中任一种或多种:
1、当存量业务数据小于预设业务阈值时,生成第一资源数据为A;当存量业务数据大于预设业务阈值时,生成第二预设阈值为A’(A’>A)。
2、直接生成与存量业务数据的数值相同的第一资源数据。
3、根据业务账号对于所请求的业务请求数据的还款意愿和还款能力,确定与业务账号对应的调节系数。将调节系数与存量业务数据相乘,得到第一资源数据。
步骤S206,当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据。
其中,资源交互数据可以包括业务账号的资源转出数据和资源转入数据。示例性地,在实际业务场景下,资源交互数据可以是业务账号的薪资收入数据、代发公积金收入数据或信贷业务还款数据等数据中的任一种或多种。
示例性地,当步骤S204中生成的第一资源数据小于步骤S202中的业务请求数据时,服务器可以根据业务账号的账号标识在业务系统内查询得到业务账号在预设时间段内转出或转入的资源交互数据。根据资源交互数据对应的业务数额,在步骤S204中生成的第一资源数据的基础上增加对应的资源数值,得到业务账号的第二资源数据。
步骤S208,当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别。
其中,第三方系统可以表示除业务系统之外的应用系统。
业务资质级别可以表示第三方系统基于业务账号在第三方系统内的身份资质数据对业务账号的消费水平和还款能力进行档位评级得到的结果。
可选地,在一些实施方式中,第三方系统可以根据业务账号的业务规模、业务能力水平、经济效益等身份资质数据,确定业务账号的业务资质级别。
示例性地,当第二资源数据小于业务请求数据时,服务器可以根据业务账号的账号标识,向第三方系统发送业务账号的等级获取请求,以指示第三方系统返回业务账号的业务资质级别。
步骤S210,根据业务资质级别和业务等级确定与业务账号匹配的目标业务等级,采用目标业务等级和第二资源数据确定业务账号的目标业务数据。
其中,目标业务数据可以表示业务系统最终授予业务账号的业务数据。
示例性地,服务器可以选取业务资质级别和业务等级中更高的一个级别作为与业务账号匹配的目标业务等级;或者,也可以将业务资质级别和业务等级相加作为与业务账号匹配的目标业务等级;或者,还可以将业务资质级别以及业务系统内存储的与业务账号的业务等级对应的资质数据融合,以重新生成与业务账号匹配的目标业务等级。
服务器可以根据目标业务等级在第二资源数据上在增加对应的资源数值,得到业务账号的目标业务数据。或者,也可以采用目标业务等级对应的资源系数与第二资源数据相乘得到目标业务数据。
可选地,在另一些实施方式中,当步骤S206中生成的第二资源数据大于步骤S202中的业务请求数据时,服务器可以采用第二资源数据作为业务账号的目标业务数据。当步骤S206中生成的第二资源数据小于步骤S202中的业务请求数据时,还可以根据业务账号的除步骤S204中的存量业务数据和步骤S206中的资源交互数据之外的其余业务数据(例如资产抵押数据、业务规模数据、第三方信用资质数据等),再次评估业务账号的第三资源数据,将第三资源数据与业务请求数据再次进行比较,直至第三资源数据大于业务请求数据,或者第三资源数据不再有增加,得到业务账号的目标业务数据为第三资源数据。
上述业务数据的确定方法中,通过获取业务账号的业务请求数据以及在业务系统内的业务等级;响应于业务等级满足预设准入级别,根据业务账号在业务系统内的存量业务数据,生成业务账号的第一资源数据;当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据;当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别;根据业务资质级别和业务等级确定与业务账号匹配的目标业务等级,采用目标业务等级和第二资源数据确定业务账号的目标业务数据,能够利用业务账号在业务系统内的存量业务数据实现对业务账号的快速授信,基于第一资源数据和业务账号所需的业务请求数据的比较结果,采用业务账号在预设时间段内的资源交互数据实现对业务账号的逐步增信和目标业务数据灵活调整得到第二资源数据,再基于第二资源数据和业务请求数据的比较结果引入业务账号在外部的第三方系统内的业务资质级别来确定与业务账号匹配的目标业务等级,能够实现对目标业务等级的灵活调整,采用目标业务等级和第二资源数据确定目标业务数据,能够提高业务数据确定方法的灵活性以及处理效率,适用于业务请求数据不同的多元化业务场景。
在一个示例性的实施例中,存量业务数据可以包括但不仅限于存量请求数据和存量资源数据。示例性地,在一些实际应用场景下,存量请求数据可以表示业务账号在业务系统中已存在的请求业务数据(例如已处理的信贷请求的数据)。存量资源数据可以表示业务账号在业务系统中已存在的数字资源数据。
如图3所示,第一资源数据的生成步骤,包括步骤S302至步骤S306。其中:
步骤S302,获取业务账号在业务系统内的业务等级。
示例性地,服务器可以根据业务账号的账号标识在业务系统内查询得到业务账号的历史业务记录、业务资质数据或账号身份信息等用于评估业务账号还款意愿和还款能力的业务数据。利用查询得到的这些业务数据对业务账号进行信用评级,生成业务账号的业务等级。
步骤S304,响应于业务等级满足预设准入级别,采用与业务等级对应的调节系数对存量请求数据进行调节,得到调节后的存量调节数据。
示例性地,当业务账号的业务等级大于预设准入级别时,响应于业务等级满足预设准入级别的情况,服务器可以采用与业务等级对应的调节系数对业务账号的存量请求数据进行调节,将调节系数与存量请求数据的乘积,或,存量请求数据与调节系数的商,作为调节后的存量调节数据。
步骤S306,根据存量调节数据和存量资源数据,生成第一资源数据。
示例性地,服务器可以采用存量调节数据和存量资源数据中数值较大的一个数据,作为第一资源数据。或者,服务器也可以采用存量调节数据和存量资源数据的和,作为第一资源数据。或者,服务器还可以根据存量调节数据或存量资源数据与业务请求数据的比较结果,来确定第一资源数据。譬如,当存量调节数据或存量资源数据大于业务请求数据时,将业务请求数据作为第一资源数据。当存量调节数据和存量资源数据均小于业务请求数据时,将存量调节数据和存量资源数据的和作为第一资源数据。
本实施例中,通过在业务账号的业务等级满足预设准入级别的情况下,采用与业务等级对应的调节系数对业务账号的存量请求数据进行调节,并根据调节后的存量调节数据和存量资源数据生成第一资源数据,能够提高第一资源数据的确定效率以及灵活性。
在一个示例性的实施例中,如图4所示,业务等级的生成方式,包括以下步骤S402至步骤S406。其中:
步骤S402,获取业务账号在多个预设维度下的业务资质数据。
其中,预设维度可以包括但不仅限于基础信息维度、账号开户维度、业务逾期维度、不动产维度、信贷维度、历史查询维度等多种业务维度。
业务资质数据可以用于表示在每个预设维度下与业务账号的还款能力和还款意愿相关的业务数据。示例性地,在一些实际业务场景下,业务资质数据可以包括但不仅限于基础信息维度下的实名认证信息、账号开户维度下的开户数量、业务逾期维度下的业务逾期时间或业务逾期数额、不动产维度下的不动产价值、信贷维度下的信贷资金数额、历史查询维度下的历史查询次数等。
示例性地,服务器可以通过与业务系统的客户端连接的应用程序接口或者网页访问接口,实时采集与业务账号相关的多维度数据。对多维度数据进行数据清洗(譬如过滤数据格式不符合业务规则的数据内容)、质量检查(譬如删除内容缺失的数据)等预处理操作,得到预处理后的多维度数据。根据预设维度,从预处理后的多维度数据中筛选得到在每个预设维度下的业务资质数据。
步骤S404,根据预先构建的评分卡模型以及每个预设维度下的业务资质数据,生成业务账号在每个预设维度下的资质等级。
其中,评分卡模型可以用于量化评估业务账号的还款意愿和还款能力。
示例性地,服务器中可以预先构建有评分卡模型。当每个预设维度下的业务资质数据与评分卡模型中同一预设维度下的评分指标匹配时,根据匹配的评分指标的分值,生成业务账号在该预设维度下的资质等级。
步骤S406,利用每个预设维度下的资质等级,生成业务等级。
示例性地,服务器可以利用每个预设维度下的资质等级相加得到业务账号的业务等级。或者,服务器可以利用多个预设维度下的资质等级中分值最高的资质等级作为业务账号的业务等级。或者,服务器还可以利用与每个预设维度对应的预设权重对资质等级进行加权运算处理,将加权运算处理后的资质等级之和作为业务账号的业务等级。
本实施例中,通过根据预先构建的评分卡模型对业务账号在多个预设维度下的业务资质数据进行评分,生成相应的资质等级,利用每个预设维度下的资质等级生成业务账号的业务等级,能够融合多维度数据的特征,从而提高业务等级的准确性。
示例性地,在上述图4所示的业务等级生成步骤的实现方式基础上,还提供了一种目标业务数据确定步骤的具体实现方式。如图5所示,包括以下步骤S502至步骤S506。其中:
步骤S502,当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别。
步骤S504,根据业务资质级别和每个预设维度下的资质等级构建策略矩阵,利用策略矩阵确定与业务账号匹配的目标业务等级。
示例性地,服务器可以采用业务账号在第三方系统内的业务资质级别和业务账号在业务系统内的每个预设维度下的资质等级构建策略矩阵。譬如,可以采用将每个预设维度下的资质等级与在第三方系统内的业务资质级别相乘、相加或取极大值的方式,来计算得到与每个预设维度对应的策略结果。利用与每个预设维度对应的策略结果构建多维度的策略矩阵。参照上述步骤S406中提供的业务等级生成方法,利用策略矩阵中的每个预设维度下的策略结果确定当前与业务账号匹配的目标业务等级。
步骤S506,采用与目标业务等级对应的目标调节系数对第二资源数据进行调节,得到目标业务数据。
示例性地,服务器中可以存储有多个业务等级与调节系数之间的映射关系。采用步骤S504中确定出的目标业务等级,以及预先存储的映射关系,可以确定与目标业务等级对应的目标调节系数。采用与目标业务等级对应的目标调节系数对第二资源数据进行调节,譬如,将目标调节系数与第二资源数据相加或者相乘,将相加得到的和或者相乘得到的积,作为业务账号的目标业务数据。
本实施例中,通过在第二资源数据小于业务请求数据的情况下,利用业务账号在第三方系统内的业务资质级别,与业务账号在业务系统内的资质等级构建策略矩阵,重新确定业务账号的目标业务等级,利用目标业务等级对应的目标调节系数调整第二资源数据,得到业务账号最终的目标业务数据,能够引入业务账号在外部的第三方系统内的业务资质重新评估业务账号的目标业务等级,从而提高目标业务数据确定方法的灵活性,实现对业务账号的逐步增信。
在一个示例性的实施例中,如图6所示,还提供了一种评分卡模型的构建方式,包括以下步骤S602至步骤S610。其中:
步骤S602,获取业务账号样本在每个预设维度下的资质数据,以及业务账号样本的业务等级。
示例性地,在评分卡模型的构建阶段,服务器可以获取若干个业务账号样本的多维度数据样本以及每个业务账号样本预打标的业务等级。对多维度数据样本进行数据清洗、数据质量检查、数据分布分析等预处理操作,得到每个业务账号样本在每个预设维度下的资质数据。
步骤S604,对每个预设维度下的资质数据进行特征提取处理,得到与每个预设维度对应的变量指标特征。
示例性地,服务器可以对每个预设维度下的资质数据进行分词处理,统计在同一预设维度下,分词处理后得到的业务关键词的出现频率。根据每个业务关键词的出现频率,构建与每个预设维度对应的变量指标特征。
或者,服务器也可以对每个预设维度下的资质数据进行语义识别处理,根据同一预设维度下的资质数据的语义识别结果,与预设关键词的语义识别结果的相似度,确定与每个预设维度对应的预设关键词。利用预设关键词构建与每个预设维度对应的变量指标特征。
步骤S606,根据每个预设维度对应的变量指标特征,以及变量指标特征对应的变量衍生特征,生成业务账号样本的等级预测结果。
示例性地,服务器可以采用特征构造(譬如特征拼接、特征求和、特征开平方等方式)、特征抽取(譬如对多维特征进行降维处理)、特征选择(譬如根据特征与业务等级的相关性进行特征筛选)等特征工程手段,对每个预设维度下的变量指标特征进行处理,从而生成与变量指标特征对应的变量衍生特征。
服务器可以根据变量指标特征和变量衍生特征,生成与业务账号样本对应的特征向量。将生成的特征向量与多个预设的业务等级对应的特征进行匹配,生成业务账号的等级预测结果。或者,服务器也可以根据变量衍生特征与多个预设的业务等级的特征的匹配结果,生成业务账号样本属于每个预设的业务等级的得分。采用得分最高的业务等级生成业务账号样本的等级预测结果。
步骤S608,根据业务账号样本的业务等级和等级预测结果,生成与每个预设维度下的变量指标特征的指标数据。
其中,指标数据可以包括但不仅限于变量缺失度评估结果、变量有效性评估结果、变量相关性评估结果、变量逻辑回归损失、变量多重共线性评估结果、变量稳定性评估结果等多种结果中的任一种或多种。
示例性地,服务器可以获取与每个预设维度下的变量指标特征对应的等级预测结果。基于不同变量指标特征对应的等级预测结果与业务账号样本预打标的业务等级,评估缺失某一变量指标特征时对等级预测结果准确率的影响,得到与该变量指标特征对应的变量缺失度评估结果、变量有效性评估结果、变量相关性评估结果等多种指标数据中的任一种或多种。
步骤S610,根据指标数据从变量指标特征中筛选出目标评分指标,利用目标评分指标构建评分卡模型。
示例性地,服务器可以根据每个预设维度下的变量指标特征的指标数据,与预设的指标阈值的比较结果,从多个变量指标特征中筛选出缺失度较低、相关性较高或稳定性较强的目标评分指标。利用目标评分指标构建评分卡模型,以使得在应用阶段使用评分卡模型时,可以根据评分卡模型待处理的数据与目标评分指标的匹配情况,对待处理的数据进行评分)。
可选地,在一些实施方式中,当目标评分指标存在多个时,服务器还可以根据目标评分指标对应的指标数据,配置与每个目标评分指标对应的权重参数。利用多个目标评分指标以及每个目标评分指标对应的权重参数,构建评分卡模型。
本实施例中,通过从业务账号样本的多个预设维度下的资质数据中提取得到变量指标特征,基于变量指标特征衍生得到对应的变量衍生特征,利用变量指标特征和变量衍生特征生成业务账号样本的等级预测结果,利用等级预测结果以及业务账号样本预打标的业务等级,对每个变量指标特征进行评估,从而筛选出目标评分指标,构建评分卡模型,能够融合多维度的数据信息,丰富变量指标特征的种类,基于指标数据筛选出对业务账号的业务级别预测有效的目标评分指标,不仅有利于提高评分卡模型的等级获取准确率,还能够避免目标评分指标过于稀疏化对于评分卡模型数据处理效率的负面影响。
在一个示例性的实施例中,本申请提供的业务数据的确定方法,还可以包括:当第一资源数据大于业务请求数据时,将第一资源数据作为目标业务数据;或者,当第一资源数据小于业务请求数据,且第二资源数据大于业务请求数据时,将第二资源数据作为目标业务数据。
示例性地,如图7所示,当服务器采用存量业务数据生成第一资源数据后,可以比较第一资源数据和业务账号的业务请求数据。当第一资源数据大于业务请求数据时,可以直接采用第一资源数据作为业务账号的目标业务数据。当生成的第一资源数据小于业务账号的业务请求数据时,服务器可以在第一资源数据的基础上增加资源交互数据对应的资源数值得到第二资源数据。当第一资源数据小于业务请求数据时,将第二资源数据与业务请求数据进行比较。当第二资源数据大于业务请求数据时,服务器可以采用第二资源数据作为目标业务数据。当第二资源数据小于业务请求数据时,在第二资源数据的基础上基于第三方系统的业务资质级别进行调节,得到第三资源数据。将第三资源数据作为目标业务数据。
本实施例中,通过根据第一资源数据和/或第二资源数据与业务账号的业务请求数据的比较结果,确定业务账号的目标业务数据,能够在业务请求数据较小的情况下,采用更简易方式来确定目标业务数据,从而提高业务数据确定效率以及业务数据确定的灵活性。
在一个示例性的实施例中,如图8所示,还提供了一种业务数据的确定方法,包括以下步骤S802至步骤S816。其中:
步骤S802,获取业务账号的业务请求数据,以及在多个预设维度下的业务资质数据。
示例性地,服务器可以在与业务账号授权签约之后,通过业务账号登录的客户端插件自动读取业务账号最新的在多个预设维度下的业务资质数据。对多个预设维度下的业务资质数据进行数据清洗、数据质量检查、数据加工等预处理操作,得到处理后的多个预设维度下的业务资质数据。响应于业务账号通过客户端发送的业务申报请求,对业务申报请求进行解析处理得到业务请求数据。
可选地,在一些实际应用场景下,业务系统也可以在接收到业务申报请求之后,进件调取业务账号的业务资质数据,实时对业务账号进行授信。
步骤S804,根据预先构建的评分卡模型以及每个预设维度下的业务资质数据,生成业务账号在每个预设维度下的资质等级。
示例性地,服务器中可以部署有预先构建的评分卡模型以及神经网络模型。服务器可以将每个预设维度下的业务资质数据输入至神经网络模型,通过神经网络模型根据多个预设维度下的业务资质数据对业务账号的还款能力以及还款意愿进行评估,预测业务账号的业务风险概率。对业务账号的业务风险概率进行线性变换,将变换后得到的结果与评分卡模型中在同一预设维度下的目标评分指标进行匹配,根据业务资质数据与目标评分指标的匹配结果,生成业务账号在每个预设维度下的资质等级。
可选地,在一些实施方式中,服务器可以参照以下方式构建评分卡模型:
示例性地,服务器中可以部署有基于XBOOST算法(全称为eXtreme gradientboosting,分布式梯度增强)和LR(全称为Logistic Regression,逻辑回归)算法构建的神经网络模型。服务器可以将多个业务账号样本在多个预设维度下的资质数据作为训练样本,将每个业务账号样本预打标的业务等级作为训练标签,构建训练集和测试集。由于XGBOOST是一种高效集成学习框架,基于Boosting(是一种可以用来减小监督式学习中偏差的机器学习算法)思想,在GBDT(Gradient Boosting Decision Tree梯度提升决策树)的基础上重新优化了目标函数,因此上述预训练的神经网络模型能够兼顾了决策树模型非线性拟合优势。并且由于XGBOOST算法中目标函数的设计,相较其他决策树模型更加规避了过拟合风险,并可通过分布式提升训练速度,最终获得更精确、更通用的预测模型,具有训练速度快、预测能力强、集成学习获得更优性能等优点。而LR算法的逻辑回归计算代价低,速度快,容易理解和实现,有利于进一步提高神经网络模型的训练速度。
采用训练集对神经网络模型进行预训练处理,得到预训练的神经网络模型。将验证集输入预训练的神经网络模型,通过预训练的神经网络模型从多个预设维度下的资质数据中提取得到每个预设维度下的变量指标特征。基于XBOOST算法对每个变量指标特征进行分裂衍生处理,得到与每个变量指标特征对应的若干个变量衍生特征。利用变量指标特征和变量衍生特征对业务账号样本进行特征建模,生成业务账号样本的特征向量。
通过预训练的神经网络模型根据特征向量对业务账号样本进行业务等级分类,生成业务账号样本的等级预测结果。根据业务账号样本预打标的业务等级,以及预训练的神经网络模型生成的等级预测结果,采用基于LR的逻辑回归算法对预训练的神经网络模型进行模型参数调整。并基于调整后的神经网络模型生成的等级预测结果的准确率,对每个变量指标特征的变量缺失度和可用性进行评估,生成变量指标特征以及变量衍生特征的变量缺失度评估结果。
根据变量缺失度评估结果从变量指标特征以及变量衍生特征等多个变量中初步筛选出可用的变量。然后对于筛选后的变量中的连续性变量,采用Kolmogorov-Smirnov指标(简称KS指标,用于从概率角度衡量变量在业务账号样本的资质数据的正负样本分布之间的差异)进行变量有效性评估,得到对应的变量有效性评估结果。对于属于离散型变量的变量采用Information Value指标(简称IV指标,用于衡量变量对业务账号样本业务等级的预测能力)进行变量有效性评估,得到对应的变量有效性评估结果。
利用变量有效性评估结果对筛选后的变量进行二次筛选。对于二次筛选后的变量,采用相关性分析、逐步回归判断、多变量分析等方法,来判断二次筛选后的变量对于预训练的神经网络模型的整体模型预测效果,基于模型预测结果再次进行变量筛选。采用变量WOE(Weight of Evidence,证据权重)分箱对前序筛选后的变量进行评估,最终得到用于构建评分卡模型的目标评分指标。
示例性地,在一些实际业务场景下,如下表8.1所示,服务器可以基于以下方式剔除对应的变量指标特征和/或变量衍生特征,从而得到用于构建评分卡模型的目标评分指标:
表8.1,
其中,IV表示Information Value,简称IV指标,用于衡量变量指标特征对业务等级的预测能力。
示例性地,服务器在得到预训练的神经网络模型之后,还可以采用预设时间段内接收到的业务账号的业务资质数据构建验证集,以测试神经网络模型对于业务账号业务等级的预测精度。
示例性地,如下表8.2所示,在一些实际业务场景下,服务器采用上述训练集、测试集以及验证集数据对基于XBOOST算法和LR算法构建的神经网络模型进行模型预测能力的评估结果如下:
数据集 | KS | AUC |
训练集 | 0.565 | 0.863 |
测试集 | 0.567 | 0.860 |
验证集 | 0.601 | 0.875 |
表8.2,
其中,KS表示Kolmogorov-Smirnov,用于从概率角度衡量训练集、测试集和验证集中正负样本分布之间的差异。AUC表示Area Under Curve,用于评估对神经网络模型对变量重要性的排序能力。
从表8.2中可以看出,通过上述方式训练得到的神经网络模型的KS指标均在0.55以上,也即,该神经网络模型对业务账号的业务等级较为准确。
步骤S806,利用每个预设维度下的资质等级生成业务账号的业务等级。
示例性地,服务器可以对每个预设维度下的资质等级相加,将资质等级的和作为业务账号的业务等级。可选地,在一些实施方式中,资质等级和业务等级可以采用得分值的方式来呈现。
步骤S808,响应于业务等级满足预设准入级别,采用与业务等级对应的调节系数对存量请求数据进行调节,利用调节后的存量调节数据和存量资源数据,生成第一资源数据。
示例性地,服务器响应于业务账号的业务等级满足预设准入级别,可以采用与业务等级对应的调节系数对业务账号的存量请求数据进行调节,得到调节后的存量调节数据。将存量调节数据和业务账号在业务系统内的存量资源数据相加得到业务账号的第一资源数据。当第一资源数据大于业务请求数据时,直接将第一资源数据作为目标业务数据。否则,执行以下步骤S810。
步骤S810,当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据。
示例性地,当第一资源数据小于业务账号的业务请求数据时,可以采集业务账号在预设时间段内的资源转入数据和请求业务还款数据等资源交互数据,根据资源交互数据在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据。当第二资源数据大于业务请求数据时,直接将第二资源数据作为目标业务数据。否则,执行以下步骤S812至步骤S816。
步骤S812,当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别。
步骤S814,根据业务资质级别和每个预设维度下的资质等级构建策略矩阵,利用策略矩阵确定与业务账号匹配的目标业务等级。
示例性的,当第二资源数据小于业务请求数据时,服务器可以参照上述实施例中提供的目标业务等级确定方法,根据业务账号在第三方系统内的业务资质级别以及在本业务系统内的每个预设维度下的资质等级构建策略矩阵,利用策略矩阵确定与业务账号匹配的目标业务等级。
步骤S816,采用与目标业务等级对应的目标调节系数对第二资源数据进行调节,得到目标业务数据。
示例性地,服务器可以采用与目标业务等级对应的目标调节系数与第二资源数据相乘得到业务账号的目标业务数据。后续,服务器还可以根据目标业务数据与业务请求数据的比较结果,生成对业务账号的业务申报请求的处理结果。
本实施例中,通过利用业务账号在多个预设维度下的业务资质数据,确定业务账号的业务等级,在业务等级满足预设准入级别的情况下,采用业务账号在本业务系统内的存量资源数据和存量请求数据,计算得到业务账号的第一资源数据。根据第一资源数据与业务请求数据的比较结果,确定是否采用业务账号的资源交互数据对业务账号进行增信。根据第二资源数据和业务请求数据的比较结果,确定是否采用业务账号在第三方系统内的业务资质级别对业务账号进行增信,从而确定业务账号的目标业务数据,能够丰富业务数据确定方法的多样性,提高业务数据确定方法的灵活性,适用于业务请求数据不同的多元化业务场景,实现对业务账号的快速授信、逐步增信,目标业务数据的灵活调整。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的业务数据的确定方法的业务数据的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个业务数据的确定装置实施例中的具体限定可以参见上文中对于业务数据的确定方法的限定,在此不再赘述。
在一个示例性的实施例中,如图9所示,提供了一种业务数据的确定装置900,包括:数据获取模块902、第一生成模块904、第二生成模块906和资质引入模块908、目标生成模块910,其中:
数据获取模块902,用于获取业务账号的业务请求数据,以及在业务系统内的业务等级。
第一生成模块904,用于响应于业务等级满足预设准入级别,根据业务账号在业务系统内的存量业务数据,生成业务账号的第一资源数据。
第二生成模块906,用于当第一资源数据小于业务请求数据时,根据业务账号在预设时间段内的资源交互数据在第一资源数据上增加对应的资源数值,得到业务账号的第二资源数据。
资质引入模块908,用于当第二资源数据小于业务请求数据时,获取业务账号在第三方系统内的业务资质级别。
目标生成模块910,用于根据业务资质级别和业务等级确定与业务账号匹配的目标业务等级,采用目标业务等级和第二资源数据确定业务账号的目标业务数据。
在一个示例性的实施例中,存量业务数据包括存量请求数据和存量资源数据。第一生成模块904,包括:数据调节单元,用于响应于业务等级满足预设准入级别,采用与业务等级对应的调节系数对存量请求数据进行调节,得到调节后的存量调节数据;数据生成单元,用于根据存量调节数据和存量资源数据,生成第一资源数据。
在一个示例性的实施例中,装置还包括等级生成模块,等级生成模块包括:资质获取单元,用于获取业务账号在多个预设维度下的业务资质数据;资质生成单元,用于根据预先构建的评分卡模型以及每个预设维度下的业务资质数据,生成业务账号在每个预设维度下的资质等级;业务生成单元,用于利用每个预设维度下的资质等级,生成业务等级。
在一个示例性的实施例中,目标生成模块910,包括:等级匹配单元,用于根据业务资质级别和业务等级对应的每个预设维度下的资质等级构建策略矩阵,利用策略矩阵确定与业务账号匹配的目标业务等级;数据调节单元,用于采用与目标业务等级对应的目标节系数对第二资源数据进行调节,得到目标业务数据。
在一个示例性的实施例中,资质生成单元,还用于:获取业务账号样本在每个预设维度下的资质数据,以及业务账号样本的业务等级;对每个预设维度下的资质数据进行特征提取处理,得到与每个预设维度对应的变量指标特征;根据每个预设维度对应的变量指标特征,以及变量指标特征对应的变量衍生特征,生成业务账号样本的等级预测结果;根据业务账号样本的业务等级和等级预测结果,生成与每个预设维度下的变量指标特征的指标数据;根据指标数据从变量指标特征中筛选出目标评分指标,利用目标评分指标构建评分卡模型。
在一个示例性的实施例中,目标生成模块910,还用于:当第一资源数据大于业务请求数据时,将第一资源数据作为目标业务数据;或者,当第一资源数据小于业务请求数据,且第二资源数据大于业务请求数据时,将第二资源数据作为目标业务数据。
上述业务数据的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储业务请求数据、存量业务数据、第一资源数据、资源交互数据、第二资源数据、目标业务数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务数据的确定方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种业务数据的确定方法,其特征在于,所述方法包括:
获取业务账号的业务请求数据,以及在所述业务系统内的业务等级;
响应于所述业务等级满足预设准入级别,根据所述业务账号在业务系统内的存量业务数据,生成所述业务账号的第一资源数据;
当所述第一资源数据小于所述业务请求数据时,根据所述业务账号在预设时间段内的资源交互数据在所述第一资源数据上增加对应的资源数值,得到所述业务账号的第二资源数据;
当所述第二资源数据小于所述业务请求数据时,获取所述业务账号在第三方系统内的业务资质级别;
根据所述业务资质级别和所述业务等级确定与所述业务账号匹配的目标业务等级,采用所述目标业务等级和所述第二资源数据确定所述业务账号的目标业务数据。
2.根据权利要求1所述的方法,其特征在于,所述存量业务数据包括存量请求数据和存量资源数据;
所述响应于所述业务等级满足预设准入级别,根据所述业务账号在业务系统内的存量业务数据,生成所述业务账号的第一资源数据,包括:
响应于所述业务等级满足预设准入级别,采用与所述业务等级对应的调节系数对所述存量请求数据进行调节,得到调节后的存量调节数据;
根据所述存量调节数据和所述存量资源数据,生成所述第一资源数据。
3.根据权利要求1所述的方法,其特征在于,所述业务等级的生成方式,包括:
获取所述业务账号在多个预设维度下的业务资质数据;
根据预先构建的评分卡模型以及每个所述预设维度下的业务资质数据,生成所述业务账号在每个所述预设维度下的资质等级;
利用每个所述预设维度下的资质等级,生成所述业务等级。
4.根据权利要求3所述的方法,其特征在于,所述根据所述业务资质级别和所述业务等级确定与所述业务账号匹配的目标业务等级,采用所述目标业务等级和所述第二资源数据确定所述业务账号的目标业务数据,包括:
根据所述业务资质级别和所述业务等级对应的每个所述预设维度下的资质等级构建策略矩阵,利用所述策略矩阵确定与所述业务账号匹配的目标业务等级;
采用与所述目标业务等级对应的目标调节系数对所述第二资源数据进行调节,得到所述目标业务数据。
5.根据权利要求3所述的方法,其特征在于,所述评分卡模型的构建方式,包括:
获取业务账号样本在每个所述预设维度下的资质数据,以及所述业务账号样本的业务等级;
对每个所述预设维度下的资质数据进行特征提取处理,得到与每个所述预设维度对应的变量指标特征;
根据每个所述预设维度对应的变量指标特征,以及所述变量指标特征对应的变量衍生特征,生成所述业务账号样本的等级预测结果;
根据所述业务账号样本的业务等级和所述等级预测结果,生成与每个所述预设维度下的变量指标特征的指标数据;
根据所述指标数据从所述变量指标特征中筛选出目标评分指标,利用所述目标评分指标构建所述评分卡模型。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述方法还包括:
当所述第一资源数据大于所述业务请求数据时,将所述第一资源数据作为所述目标业务数据;
或者,当所述第一资源数据小于所述业务请求数据,且所述第二资源数据大于所述业务请求数据时,将所述第二资源数据作为所述目标业务数据。
7.一种业务数据的确定装置,其特征在于,所述装置包括:
数据获取模块,用于获取业务账号的业务请求数据,以及在所述业务系统内的业务等级;
第一生成模块,用于响应于所述业务等级满足预设准入级别,根据所述业务账号在业务系统内的存量业务数据,生成所述业务账号的第一资源数据;
第二生成模块,用于当所述第一资源数据小于所述业务请求数据时,根据所述业务账号在预设时间段内的资源交互数据在所述第一资源数据上增加对应的资源数值,得到所述业务账号的第二资源数据;
资质引入模块,用于当所述第二资源数据小于所述业务请求数据时,获取所述业务账号在第三方系统内的业务资质级别;
目标生成模块,用于根据所述业务资质级别和所述业务等级确定与所述业务账号匹配的目标业务等级,采用所述目标业务等级和所述第二资源数据确定所述业务账号的目标业务数据。
8.根据权利要求7所述的装置,其特征在于,所述存量业务数据包括存量请求数据和存量资源数据;
所述第一生成模块,包括:
数据调节单元,用于响应于所述业务等级满足预设准入级别,采用与所述业务等级对应的调节系数对所述存量请求数据进行调节,得到调节后的存量调节数据;
数据生成单元,用于根据所述存量调节数据和所述存量资源数据,生成所述第一资源数据。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括等级生成模块,所述等级生成模块包括:
资质获取单元,用于获取所述业务账号在多个预设维度下的业务资质数据;
资质生成单元,用于根据预先构建的评分卡模型以及每个所述预设维度下的业务资质数据,生成所述业务账号在每个所述预设维度下的资质等级;
业务生成单元,用于利用每个所述预设维度下的资质等级,生成所述业务等级。
10.根据权利要求9所述的装置,其特征在于,所述目标生成模块,包括:
等级匹配单元,用于根据所述业务资质级别和所述业务等级对应的每个所述预设维度下的资质等级构建策略矩阵,利用所述策略矩阵确定与所述业务账号匹配的目标业务等级;
数据调节单元,用于采用与所述目标业务等级对应的目标调节系数对所述第二资源数据进行调节,得到所述目标业务数据。
11.根据权利要求9所述的装置,其特征在于,所述资质生成单元,还用于:
获取业务账号样本在每个所述预设维度下的资质数据,以及所述业务账号样本的业务等级;
对每个所述预设维度下的资质数据进行特征提取处理,得到与每个所述预设维度对应的变量指标特征;
根据每个所述预设维度对应的变量指标特征,以及所述变量指标特征对应的变量衍生特征,生成所述业务账号样本的等级预测结果;
根据所述业务账号样本的业务等级和所述等级预测结果,生成与每个所述预设维度下的变量指标特征的指标数据;
根据所述指标数据从所述变量指标特征中筛选出目标评分指标,利用所述目标评分指标构建所述评分卡模型。
12.根据权利要求7-11中任一项所述的装置,其特征在于,所述目标生成模块,还用于:
当所述第一资源数据大于所述业务请求数据时,将所述第一资源数据作为所述目标业务数据;
或者,当所述第一资源数据小于所述业务请求数据,且所述第二资源数据大于所述业务请求数据时,将所述第二资源数据作为所述目标业务数据。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
14.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
15.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311498144.XA CN117575773A (zh) | 2023-11-10 | 2023-11-10 | 业务数据的确定方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311498144.XA CN117575773A (zh) | 2023-11-10 | 2023-11-10 | 业务数据的确定方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575773A true CN117575773A (zh) | 2024-02-20 |
Family
ID=89883543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311498144.XA Pending CN117575773A (zh) | 2023-11-10 | 2023-11-10 | 业务数据的确定方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575773A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072976A (zh) * | 2024-04-22 | 2024-05-24 | 吉林大学 | 基于数据分析的儿童呼吸道疾病预测系统及方法 |
-
2023
- 2023-11-10 CN CN202311498144.XA patent/CN117575773A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072976A (zh) * | 2024-04-22 | 2024-05-24 | 吉林大学 | 基于数据分析的儿童呼吸道疾病预测系统及方法 |
CN118072976B (zh) * | 2024-04-22 | 2024-06-21 | 吉林大学 | 基于数据分析的儿童呼吸道疾病预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
García et al. | An insight into the experimental design for credit risk and corporate bankruptcy prediction systems | |
US7930242B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
Rao et al. | Credit risk assessment mechanism of personal auto loan based on PSO-XGBoost Model | |
CN112561685B (zh) | 客户的分类方法和装置 | |
CN112199510A (zh) | 一种欺诈概率确定方法、装置、电子设备及存储介质 | |
Van Thiel et al. | Artificial intelligent credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
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 | |
Ashofteh et al. | A non-parametric-based computationally efficient approach for credit scoring | |
CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
Eddy et al. | Credit scoring models: Techniques and issues | |
Wang et al. | Joint loan risk prediction based on deep learning‐optimized stacking model | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN113706258B (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
Nurlinda et al. | Evaluation of successful mobile banking information system at Bank Syariah Indonesia | |
Sun et al. | Determination of temporal stock investment styles via biclustering trading patterns | |
CN115293783A (zh) | 风险用户识别方法、装置、计算机设备和存储介质 | |
CN115204457A (zh) | 一种基于图注意力网络贷款违约风险预测方法 | |
CN114565450A (zh) | 一种基于逾期共债的催收策略确定方法及相关设备 | |
Pradnyana et al. | Loan Default Prediction in Microfinance Group Lending with Machine Learning | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN113516511A (zh) | 一种金融产品购买预测方法、装置及电子设备 | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Qian et al. | A novel deep learning approach to enhance creditworthiness evaluation and ethical lending practices in the economy |
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 |