CN117764294A - 企业融资需求筛选方法、电子设备及计算机可读存储介质 - Google Patents
企业融资需求筛选方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117764294A CN117764294A CN202311436659.7A CN202311436659A CN117764294A CN 117764294 A CN117764294 A CN 117764294A CN 202311436659 A CN202311436659 A CN 202311436659A CN 117764294 A CN117764294 A CN 117764294A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- demand
- risk
- enterprises
- screened
- 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 67
- 238000012216 screening Methods 0.000 title claims abstract description 36
- 238000012502 risk assessment Methods 0.000 claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 description 12
- 230000004927 fusion Effects 0.000 description 11
- 238000013210 evaluation model Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000283899 Gazella Species 0.000 description 1
- 240000003705 Senecio vulgaris Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了企业融资需求筛选方法、电子设备及计算机可读存储介质。该方法包括：获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资；利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分；利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分；综合每一企业的需求评分和风险评分，筛选出目标企业。通过上述方式，提高对目标企业筛选的准确性。
Description
技术领域
本申请涉及融资管理处理技术领域，特别是涉及企业融资需求筛选方法、电子设备及计算机可读存储介质。
背景技术
在金融机构中，融资业务是重要的盈利方式之一。然而，随着金融行业竞争的日益激烈，对公业务的融资产品和服务同质化问题严重。优质客户群体，如央企国企、房地产、上市公司等，有需求且风险低，已经处于饱和状态，而中小企业不断萌芽，许多有核心竞争力，具有发展潜力，且具有潜在融资需求的企业，却无成熟的融资渠道，和无法被金融机构有效的发现。
在这种市场背景下，直接有效的客户获取越来越困难，金融机构面向对公业务，无法像个人业务一样通过电话自动营销筛选出有潜在需求的客户，其市面上的大数据分析方法需要依赖大规模的数据与金融机构自身积累的数据，不具有通用性和实际业务落地性。因此业务员开展对公融资业务时，还是需要业务员主动寻找有潜在需求的客户并建立联系，获客难度高、时间和资源消耗大以及信息获取有限等，面临拓客难，成本高的问题。
发明内容
本申请提供了企业融资需求筛选方法、电子设备及计算机可读存储介质，能够提高对目标企业筛选的准确性。
第一方面，本申请提供一种企业融资需求筛选方法，该方法包括：获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资；利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分；利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分；综合每一企业的需求评分和风险评分，筛选出目标企业。
其中，利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分，包括：获取待筛选企业名单内的企业对应的第一指标信息；利用需求评估模型对每一企业的第一指标信息进行需求评估，得到每一企业对应的需求评分。
其中，指标信息包括：第三方投资机构、轮次、融资金额、实缴资本、上市程度、获得投资的时间和自身风险。
其中，利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分，包括：获取待筛选企业名单内的企业对应的第二指标信息；利用风险评估模型对每一企业的第二指标信息进行风险评估，得到每一企业对应的风险评分。
其中，第二指标信息包括：第三方投资机构的数量、投资金额、荣誉标签、人员规模、所属行业、经营状态和自身风险。
其中，综合每一企业的需求评分和风险评分，筛选出目标企业之后，包括：收集目标企业的相关联系信息；从相关联系信息中确定出企业高层联系方式。
其中，需求评估模型包括多个不同类型的需求评估子模型，利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分，包括：分别利用每一需求评估子模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求子评分；综合所有需求子评分得到每一企业对应的需求评分。
其中，风险评估模型包括多个不同类型的风险评估子模型，利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分，包括：分别利用每一风险评估子模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险子评分；综合所有风险子评分得到每一企业对应的风险评分。
第二方面，本申请提供一种电子设备，该电子设备包括处理器以及与处理器耦接的存储器，存储器中存储有计算机程序，处理器用于执行计算机程序以实现如第一方面提供的方法。
第三方面，本申请提供一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序在被处理器执行时，实现如第一方面提供的方法。
本申请的有益效果是：区别于现有技术的情况，本申请提供的企业融资需求筛选方法、电子设备及计算机可读存储介质。利用被权威投资机构(第三方投资机构)投资过的企业得出目标企业清单；因为经过投资验证，被投资过的企业已经通过了投资方的审查和评估过程。被投资过的企业在接受投资之前通常需要经过严格的审查和尽职调查程序。这些程序通常涉及评估企业的市场地位、业务模型、财务状况以及风险管理能力等方面。如果企业能够顺利通过这些程序并吸引到投资，表明其具备一定的实力和潜力，意味着这些企业已经被其他投资者认可并接受，并且对其在市场中的表现和潜力具有一定的信心初步评估银行融资的安全性。以及投资机构质量也有分层次，我们利用投资规模，投资排名来衡量投资机构投资项目的质量比，综合此企业被越好的权威机构投资越多越好。以及通过风险评估模型对目标企业进行风险分析，剔除经营异常的企业和判断目标企业的风险情况，模型中荣誉标签权重占比50％，目标企业实力越强，对应得荣誉标签越多。以及通过需求评估模型判断目标企业对资金的需求，从上述模型可以看出我们根据投资轮次、投资时间、投资金额等来分析不同维度下企业资金需求的迫切度，从而提升业务员扩客成功机率。以及再通过分析目标企业的资金需求和风险情况，金融机构快速的对目标企业有一定的初步认识，从而使其不同产品采取不同的融资方案对应，提高前期初筛的成功率。以及通过互联网大数据痕迹，收集企业相关联系信息，通过联系人姓名与企业相关股东、法人、高管信息进行匹配，判断其作为关键联系人，提高触达命中率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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。其中：
图1是本申请提供的企业融资需求筛选方法一实施例的流程示意图；
图2是本申请提供的企业融资需求筛选方法另一实施例的流程示意图；
图3是本申请提供的企业融资需求筛选方法另一实施例的流程示意图；
图4是本申请提供的需求评估模型和/或风险评估模型的结构示意图；
图5是本申请提供的随机森林模型的结构示意图；
图6是本申请提供的电子设备一实施例的结构示意图；
图7是本申请提供的计算机可读存储介质一实施例的结构示意图。
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。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在金融机构中，融资业务是重要的盈利方式之一。然而，随着金融行业竞争的日益激烈，对公业务的融资产品和服务同质化问题严重。优质客户群体，如央企国企、房地产、上市公司等，有需求且风险低，已经处于饱和状态，而中小企业不断萌芽，许多有核心竞争力，具有发展潜力，且具有潜在融资需求的企业，却无成熟的融资渠道，和无法被金融机构有效的发现。
在这种市场背景下，直接有效的客户获取越来越困难，金融机构面向对公业务，无法像个人业务一样通过电话自动营销筛选出有潜在需求的客户，其市面上的大数据分析方法需要依赖大规模的数据与金融机构自身积累的数据，不具有通用性和实际业务落地性。因此业务员开展对公融资业务时，还是需要业务员主动寻找有潜在需求的客户并建立联系，获客难度高、时间和资源消耗大以及信息获取有限等，面临拓客难，成本高的问题。
目前行业普遍采用电话自动营销，电话营销行为已泛滥，导致号码被标记为营销号码，电话接听率和需求获取率都非常低。且企业通常需要面对老板和财务负责人进行营销，电话自动营销并不适合应用与此场景。这样的做法可能会影响企业的品牌形象和服务体验，使得有效需求的获取几乎没有效果。
以及一般金融机构挖掘需求，需要依赖金融机构自身积累的庞大大数据，来分析和挖掘，同时也只能挖掘存量客户的需求；在实际业务中，我们更多地面临的是金融机构无法获得市场上企业名单与数据情况下，需要发现与拓展新客户，并找到有潜在需求的客户。
基于此，本申请提出获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资；利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分；利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分；综合每一企业的需求评分和风险评分，筛选出目标企业。
参阅图1，图1是本申请提供的企业融资需求筛选方法一实施例的流程示意图。该方法包括：
步骤11：获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资。
在一些实施例中，通过建立数据采集模块，利用网络爬虫技术自动抓取目标数据源中的企业信息，并对抓取的数据进行解析和提取，提取关键字段，主要围绕采集清科投资榜单的投资机构(第三方投资机构)名单，找到被投资企业的具体名称。
步骤12：利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分。
在一些实施例中，根据投资机构与投资事件，抓取被投资企业的融资信息，如融资轮次、融资金额、融资时间、实缴资本、上市情况。根据需求评估模型来分析待筛选企业名单内每一企业的融资需求，各融资信息设定为一级指标，根据指标结果对应的取值范围及权重，计算出各一级指标的得分结果并汇总，通过最终得分来判断目标企业的融资需求，得分越高融资需求越大。
步骤13：利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分。
在一些实施例中，获取企业的外部信用信息，如企业人数、行所处业、经营状态、自身风险信息，荣誉标签、结合上一步骤收集的融资信息，如投资金额、投资机构数量，根据风险评估模型来分析待筛选企业名单内每一企业的风险情况，各外部信用信息设定为一级指标，根据指标结果对应的取值范围及权重，计算出各一级指标的得分结果并汇总，通过最终得分来判断目标企业的风险情况，得分越高风险越低。
步骤14：综合每一企业的需求评分和风险评分，筛选出目标企业。
在一些实施例中，对企业的融资需求和风险情况进行分类排序，提供相应的分值，根据金融机构的产品条件，自动过滤筛选出符合金融机构条件的名单(目标企业)，以便金融机构确认拓客目标群体的决策。
在一些实施例中，在综合每一企业的需求评分和风险评分，筛选出目标企业之后，收集目标企业的相关联系信息；从相关联系信息中确定出企业高层联系方式。
在本实施例中，利用被权威投资机构(第三方投资机构)投资过的企业得出目标企业清单；因为经过投资验证，被投资过的企业已经通过了投资方的审查和评估过程。被投资过的企业在接受投资之前通常需要经过严格的审查和尽职调查程序。这些程序通常涉及评估企业的市场地位、业务模型、财务状况以及风险管理能力等方面。如果企业能够顺利通过这些程序并吸引到投资，表明其具备一定的实力和潜力，意味着这些企业已经被其他投资者认可并接受，并且对其在市场中的表现和潜力具有一定的信心初步评估银行融资的安全性。
以及投资机构质量也有分层次，我们利用投资规模，投资排名来衡量投资机构投资项目的质量比，综合此企业被越好的权威机构投资越多越好。
以及通过风险评估模型对目标企业进行风险分析，剔除经营异常的企业和判断目标企业的风险情况，模型中荣誉标签权重占比50％，目标企业实力越强，对应得荣誉标签越多。
以及通过需求评估模型判断目标企业对资金的需求，从上述模型可以看出我们根据投资轮次、投资时间、投资金额等来分析不同维度下企业资金需求的迫切度，从而提升业务员扩客成功机率。
以及再通过分析目标企业的资金需求和风险情况，金融机构快速的对目标企业有一定的初步认识，从而使其不同产品采取不同的融资方案对应，提高前期初筛的成功率。
以及通过互联网大数据痕迹，收集企业相关联系信息，通过联系人姓名与企业相关股东、法人、高管信息进行匹配，判断其作为关键联系人，提高触达命中率。
参阅图2，图2是本申请提供的企业融资需求筛选方法另一实施例的流程示意图。该方法包括：
步骤21：获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资。
步骤22：获取待筛选企业名单内的企业对应的第一指标信息。
第一指标信息包括：第三方投资机构、轮次、融资金额、实缴资本、上市程度、获得投资的时间和自身风险。
步骤23：利用需求评估模型对每一企业的第一指标信息进行需求评估，得到每一企业对应的需求评分。
在一些实施例中，因第一指标信息包含多种信息，可以对每一信息进行评分计算，然后按照相应的权重进行加权求和或者加权求平均，得到每一企业对应的需求评分。
如，第三方投资机构对应的权重为百分之十。其计算方式可以是，获取该企业对应的所有第三方投资机构的排名之和以及第三方投资机构的数量，利用排名之和与数量获得比值，然后利用比值乘以基础数值，得到第三方投资机构的评分。具体的公式如下：(排名之和/投资机构个数)*10。
轮次对应的权重为百分之二十，越早融资的得分越高。如种子轮对应10分、天使对应9分、PRE-A轮对应8分、A轮对应7分、B轮对应5分、C轮对应4分、D轮对应3分、E轮对应2分、F轮对应1分、战略轮对应0分、增发轮对应0分、并购轮对应0分。
融资金额对应的权重为百分之三十，融资本越多，得分越低。如，1000万对应10分、3000万以下对应8分、3000-5000万对应5分、5000-10000万对应2分、10000万以上对应1分、未披露对应0分。
实缴资本对应的权重为百分之二十，实缴资本越多，得分越低。如500以下对应10分、500-1000对应5分、未知对应5分、1000-5000对应2分、5000以上对应0分。
上市程度对应的权重为百分之十，离上市距离越远，得分越高。已经上市对应0分、已经股改对应5分、尚未股改对应10分。
获得投资的时间对应的权重为百分之十，投资时间越新，得分越低。3个月以内对应10分、3-6个月对应8分、6月12日对应4分、12-36月对应2分、36个月以上对应0分。
自身风险，如存在黑名单、违法违纪、失信、欠税等，得分为-100分。
步骤24：获取待筛选企业名单内的企业对应的第二指标信息。
第二指标信息包括：第三方投资机构的数量、投资金额、荣誉标签、人员规模、所属行业、经营状态和自身风险。
步骤25：利用风险评估模型对每一企业的第二指标信息进行风险评估，得到每一企业对应的风险评分。
在一些实施例中，因第二指标信息包含多种信息，可以对每一信息进行评分计算，然后按照相应的权重进行加权求和或者加权求平均，得到每一企业对应的需求评分。
如，第三方投资机构的数量对应的权重为百分之二十。机构数越多，得分越高，不考虑排名。其计算方式可以是，总投资机构数量/最高投资机构数量(固定8家)x 10。
投资金额对应的权重为百分之十，金额越大，得分越高。1000万对应2分3000万以下对应4分、未披露对应5分、3000-5000万对应6分、5000-10000万对应8分、10000万以上对应10分。
荣誉标签对应的权重为百分之五十。其中，荣誉标签包括名录标签和榜单标签。其中，名录标签对应的权重为百分之三十五，标签越多，得分越高。如单项冠军、千里马、隐形冠军、龙头企业对应10分、独角兽、小巨人对应8分、专精特新(国家)对应7分、专精特新(省)对应6分、专精特新(市)对应5分、技术创新示范企业对应4分、高新技术、科技型中小企、创新型中小企对应3分、雏鹰企业、瞪羚企业对应2分、不在以上的其他荣誉对应1分。榜单标签对应的权重为百分之十五，标签越多，得分越高。有“强”、“独角兽”、“专利”字，每个2分，上限10分。不在以上关键字的其他每个1分。
人员规模对应的权重为百分之二十。人越多，得分越高。无对应1分、50以下对应2分、50-100对应5分、100-500对应8分、500以上对应10分。
所属行业若为法律法规所禁止，则得分为-100分。
经营状态若为注销，得分为-100分。
自身风险包括法律风险和经营风险。其中，法律风险若为财产悬赏公告，则得分为-100分。若为破产重整，，则得分为-100分。若为失信被执行人/未履行率，按照未履行率扣分，例如未履行率97.75，则扣97.75分。若为股权冻结，则得分为-100分。若为限制高消费，则得分为-100分。若为限制出境，则得分为-100分。
步骤26：综合每一企业的需求评分和风险评分，筛选出目标企业。
在一些实施例中，在综合每一企业的需求评分和风险评分，筛选出目标企业之后，收集目标企业的相关联系信息；从相关联系信息中确定出企业高层联系方式。
在上述过程中，每个指标信息通过其对应的运算符计算得出相应的分数，然后执行加权平均池化操作以降低维度，以便匹配下一层规则的批处理输入大小。这种过程会被重复执行，直到分数被降维到一维，得出的这个一维分数即为最终的评分结果。通过这种层级的非线性变换和加权平均池化方法，我们可以有效地降低模型的复杂性，同时也提高了模型对异常值的鲁棒性和容错能力。此外，我们可以根据先验知识或积累的数据灵活地调整不同字段的权重，以优化评分模型的性能。这种分值计算方式在处理高维度数据或复杂评分模型时表现出了有效性和可行性。
在本实施例中，利用被权威投资机构(第三方投资机构)投资过的企业得出目标企业清单；因为经过投资验证，被投资过的企业已经通过了投资方的审查和评估过程。被投资过的企业在接受投资之前通常需要经过严格的审查和尽职调查程序。这些程序通常涉及评估企业的市场地位、业务模型、财务状况以及风险管理能力等方面。如果企业能够顺利通过这些程序并吸引到投资，表明其具备一定的实力和潜力，意味着这些企业已经被其他投资者认可并接受，并且对其在市场中的表现和潜力具有一定的信心初步评估银行融资的安全性。
以及投资机构质量也有分层次，我们利用投资规模，投资排名来衡量投资机构投资项目的质量比，综合此企业被越好的权威机构投资越多越好。
以及通过风险评估模型对目标企业进行风险分析，剔除经营异常的企业和判断目标企业的风险情况，模型中荣誉标签权重占比50％，目标企业实力越强，对应得荣誉标签越多。
以及通过需求评估模型判断目标企业对资金的需求，从上述模型可以看出我们根据投资轮次、投资时间、投资金额等来分析不同维度下企业资金需求的迫切度，从而提升业务员扩客成功机率。
以及再通过分析目标企业的资金需求和风险情况，金融机构快速的对目标企业有一定的初步认识，从而使其不同产品采取不同的融资方案对应，提高前期初筛的成功率。
以及通过互联网大数据痕迹，收集企业相关联系信息，通过联系人姓名与企业相关股东、法人、高管信息进行匹配，判断其作为关键联系人，提高触达命中率。
参阅图3，图3是本申请提供的企业融资需求筛选方法一实施例的流程示意图。该方法包括：
步骤31：获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资。
步骤32：分别利用每一需求评估子模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求子评分。
在本实施例中，需求评估模型包括多个不同类型的需求评估子模型。分别利用每一需求评估子模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求子评分。
步骤33：综合所有需求子评分得到每一企业对应的需求评分。
步骤34：分别利用每一风险评估子模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险子评分。
在本实施例中，风险评估模型包括多个不同类型的风险评估子模型。分别利用每一风险评估子模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险子评分。
步骤35：综合所有风险子评分得到每一企业对应的风险评分。
步骤36：综合每一企业的需求评分和风险评分，筛选出目标企业。
在一应用场景中，模型融合指将多个模型的预测结果进行融合，以获得比单个模型更好的预测性能的方法。模型融合算法可以分为两大类：集成学习和集成推理。
集成学习是指将多个模型的预测结果进行直接融合的方法。常见的集成学习算法包括：
Bagging：每次从原始数据中随机抽取一部分样本进行训练，然后将多个模型的预测结果进行简单平均。
Boosting：每次从原始数据中选择那些被当前模型预测错误的样本进行训练，然后将多个模型的预测结果进行加权平均。
Stacking：将多个模型的预测结果作为新的特征，再训练一个新的模型进行预测。
集成推理是指将多个模型的预测结果进行间接融合的方法。常见的集成推理算法包括：
投票：将每个模型的预测结果进行投票，票数最多的结果作为最终预测结果。
加权平均：根据每个模型的预测性能，给予其不同的权重，然后将加权后的预测结果作为最终预测结果。
模型融合算法可以提高模型的泛化能力、准确率和鲁棒性。在许多实际应用中，模型融合算法都取得了良好的效果。
模型融合算法在实际应用中的优势：
提高模型的泛化能力：单个模型容易过拟合，而模型融合可以通过学习不同模型的偏差和方差，从而提高模型的泛化能力。
提高模型的准确率：模型融合可以通过结合多个模型的优势，从而提高模型的准确率。
提高模型的鲁棒性：模型融合可以通过降低对单个模型的依赖，从而提高模型的鲁棒性。
在本申请中，需求评估模型和风险评估模型可以各自包括不同的类型的子模型。如图4，需求评估模型和风险评估模型的任一模型采用两层堆叠的模式，第一层由异质分类模型组成，第二层使用单一确定模型。在第一层中，使用链聚类算法可以保证各个分类模型之间的差异性，然后将训练数据利用随机森林训练，得到多个深度森林模型，然后融合得到融合模型。同时在迭代过程中，使用随机搜索算法对融合模型进行确定，达到对种类和数目进一步筛选的效果。通过这两步的筛选，确定出的确定模型中会保留差异性大且对集成模型贡献作用较大。在选择的过程中删除一定数量的分类模型，可以在保证模型效果的同时，有效降低存储所花费的成本。
其中，上述随机森林模型的训练如图5所示：
输入：训练数据集D；其中，训练数据集D可以是上述的第一指标信息和第二指标信息。
输出：深度森林模型。
1.设输入特征xi的维度为m，某个滑动窗口的扫描维度为v，扫描步长为b，则经过该滑动窗口扫描之后的样本向量数目为n＝(mv)/b+1。
2.利用前一步骤得到的样本向量,训练两个随机森林，并生成2n个二维概率向量，每一维分别表示该样本违约和正常履约的概率。拼接上述概率向量，可得长度为2n的一维特征向量w。
3.假设设置u个滑动窗口，重复调用步骤1和步骤2u次，可得u个一维特征向量{w1,w2,…,wu}。
4.w 1为整个级联森林的输入。在内部的每一层森林中，将{w1,w2,…,wu}中的特征向量依次与该层的输出进行拼接，作为下一层森林的输入。每层森林由4个随机森林构成，分别输出4个二维类别标签向量。
5.设第l层和第l－1层森林的预测准确率分别是θl和θl－1,如果θl－θl－1＜0则调用步骤4)；否则，结束训练。
当滑动窗口的数目u为3，级联森林的层数l为5时，深度森林的训练过程如图5所示.为减弱过拟合现象，每个森林均采用kGfold交叉验证,即每个样本都会被用作k－1次训练以及产生k－1个类别向量，对训练结果取平均并作为下一级的增强特征。如果验证集性能没有显著提升，则停止训练。该操作自动决定了级联层数，换句话说，深度森林可以自动调节模型的复杂度。这使得深度森林能够训练不同规模的数据集，从而避免了传统神经网络因模型复杂度高而不能应用于小规模数据集的问题。
在本实施例中，利用被权威投资机构(第三方投资机构)投资过的企业得出目标企业清单；因为经过投资验证，被投资过的企业已经通过了投资方的审查和评估过程。被投资过的企业在接受投资之前通常需要经过严格的审查和尽职调查程序。这些程序通常涉及评估企业的市场地位、业务模型、财务状况以及风险管理能力等方面。如果企业能够顺利通过这些程序并吸引到投资，表明其具备一定的实力和潜力，意味着这些企业已经被其他投资者认可并接受，并且对其在市场中的表现和潜力具有一定的信心初步评估银行融资的安全性。
以及投资机构质量也有分层次，我们利用投资规模，投资排名来衡量投资机构投资项目的质量比，综合此企业被越好的权威机构投资越多越好。
以及通过风险评估模型对目标企业进行风险分析，剔除经营异常的企业和判断目标企业的风险情况，模型中荣誉标签权重占比50％，目标企业实力越强，对应得荣誉标签越多。
以及通过需求评估模型判断目标企业对资金的需求，从上述模型可以看出我们根据投资轮次、投资时间、投资金额等来分析不同维度下企业资金需求的迫切度，从而提升业务员扩客成功机率。
以及再通过分析目标企业的资金需求和风险情况，金融机构快速的对目标企业有一定的初步认识，从而使其不同产品采取不同的融资方案对应，提高前期初筛的成功率。
以及通过互联网大数据痕迹，收集企业相关联系信息，通过联系人姓名与企业相关股东、法人、高管信息进行匹配，判断其作为关键联系人，提高触达命中率。
参阅图6，图6是本申请提供的电子设备一实施例的结构示意图。该电子设备60包括处理器61以及与处理器61耦接的存储器62，存储器62中存储有计算机程序，处理器61用于执行计算机程序以实现以下方法：
获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资；利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分；利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分；综合每一企业的需求评分和风险评分，筛选出目标企业。
可以理解，处理器61还用于执行计算机程序，以实现上述任一实施例的方法。
参阅图7，图7是本申请提供的计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质70存储有计算机程序71，计算机程序71在被处理器执行时，实现以下方法：
获取待筛选企业名单；其中，待筛选企业名单中的企业均被第三方投资机构投资；利用需求评估模型对待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分；利用风险评估模型对待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分；综合每一企业的需求评分和风险评分，筛选出目标企业。
可以理解，计算机程序71在被处理器执行时，还能够实现上述任一实施例的方法。
综上所述，本申请提供的企业融资需求筛选方法、电子设备及计算机可读存储介质，利用被权威投资机构(第三方投资机构)投资过的企业得出目标企业清单；因为经过投资验证，被投资过的企业已经通过了投资方的审查和评估过程。被投资过的企业在接受投资之前通常需要经过严格的审查和尽职调查程序。这些程序通常涉及评估企业的市场地位、业务模型、财务状况以及风险管理能力等方面。如果企业能够顺利通过这些程序并吸引到投资，表明其具备一定的实力和潜力，意味着这些企业已经被其他投资者认可并接受，并且对其在市场中的表现和潜力具有一定的信心初步评估银行融资的安全性。
以及投资机构质量也有分层次，我们利用投资规模，投资排名来衡量投资机构投资项目的质量比，综合此企业被越好的权威机构投资越多越好。
以及通过风险评估模型对目标企业进行风险分析，剔除经营异常的企业和判断目标企业的风险情况，模型中荣誉标签权重占比50％，目标企业实力越强，对应得荣誉标签越多。
以及通过需求评估模型判断目标企业对资金的需求，从上述模型可以看出我们根据投资轮次、投资时间、投资金额等来分析不同维度下企业资金需求的迫切度，从而提升业务员扩客成功机率。
以及再通过分析目标企业的资金需求和风险情况，金融机构快速的对目标企业有一定的初步认识，从而使其不同产品采取不同的融资方案对应，提高前期初筛的成功率。
以及通过互联网大数据痕迹，收集企业相关联系信息，通过联系人姓名与企业相关股东、法人、高管信息进行匹配，判断其作为关键联系人，提高触达命中率。
即本申请提供的企业融资需求筛选方法、电子设备及计算机可读存储介质，无需金融机构数据，无需用户积累大规模数据，能够避免大批量无效的营销，营销金融机构品牌与口碑，以及减少无效客户接触，提高触达率，减轻业务员拓客工作量，提高业务落地有效性。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种企业融资需求筛选方法，其特征在于，所述方法包括：
获取待筛选企业名单；其中，所述待筛选企业名单中的企业均被第三方投资机构投资；
利用需求评估模型对所述待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分；
利用风险评估模型对所述待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分；
综合每一企业的需求评分和所述风险评分，筛选出目标企业。
2.根据权利要求1所述的方法，其特征在于，所述利用需求评估模型对所述待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分，包括：
获取所述待筛选企业名单内的企业对应的第一指标信息；
利用需求评估模型对每一所述企业的所述第一指标信息进行需求评估，得到每一企业对应的需求评分。
3.根据权利要求2所述的方法，其特征在于，所述第一指标信息包括：第三方投资机构、轮次、融资金额、实缴资本、上市程度、获得投资的时间和自身风险。
4.根据权利要求1所述的方法，其特征在于，所述利用风险评估模型对所述待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分，包括：
获取所述待筛选企业名单内的企业对应的第二指标信息；
利用风险评估模型对每一所述企业的所述第二指标信息进行风险评估，得到每一企业对应的风险评分。
5.根据权利要求4所述的方法，其特征在于，所述第二指标信息包括：第三方投资机构的数量、投资金额、荣誉标签、人员规模、所属行业、经营状态和自身风险。
6.根据权利要求1所述的方法，其特征在于，所述综合每一企业的需求评分和所述风险评分，筛选出目标企业之后，包括：
收集所述目标企业的相关联系信息；
从所述相关联系信息中确定出企业高层联系方式。
7.根据权利要求1所述的方法，其特征在于，所述需求评估模型包括多个不同类型的需求评估子模型，所述利用需求评估模型对所述待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求评分，包括：
分别利用每一需求评估子模型对所述待筛选企业名单内的企业进行需求评估，得到每一企业对应的需求子评分；
综合所有所述需求子评分得到每一企业对应的需求评分。
8.根据权利要求1所述的方法，其特征在于，所述风险评估模型包括多个不同类型的风险评估子模型，所述利用风险评估模型对所述待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险评分，包括：
分别利用每一风险评估子模型对所述待筛选企业名单内的企业进行风险评估，得到每一企业对应的风险子评分；
综合所有所述风险子评分得到每一企业对应的风险评分。
9.一种电子设备，其特征在于，所述电子设备包括处理器以及与所述处理器耦接的存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1-8任一项所述的方法。
10.一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程序，所述计算机程序在被处理器执行时，实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311436659.7A CN117764294A (zh) | 2023-11-01 | 2023-11-01 | 企业融资需求筛选方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311436659.7A CN117764294A (zh) | 2023-11-01 | 2023-11-01 | 企业融资需求筛选方法、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764294A true CN117764294A (zh) | 2024-03-26 |
Family
ID=90318953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311436659.7A Pending CN117764294A (zh) | 2023-11-01 | 2023-11-01 | 企业融资需求筛选方法、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764294A (zh) |
-
2023
- 2023-11-01 CN CN202311436659.7A patent/CN117764294A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bazarbash | Fintech in financial inclusion: machine learning applications in assessing credit risk | |
| Stevenson et al. | The value of text for small business default prediction: A deep learning approach | |
| Dutta et al. | Detecting financial restatements using data mining techniques | |
| Jiang et al. | Loan default prediction by combining soft information extracted from descriptive text in online peer-to-peer lending | |
| US8180713B1 (en) | System and method for searching and identifying potential financial risks disclosed within a document | |
| 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 | |
| Zhou et al. | Credit risk modeling on data with two timestamps in peer-to-peer lending by gradient boosting | |
| Tariq et al. | Loan default prediction model using sample, explore, modify, model, and assess (SEMMA) | |
| Zhao et al. | Dmdp: A dynamic multi-source default probability prediction framework | |
| Makki | An efficient classification model for analyzing skewed data to detect frauds in the financial sector | |
| CN116468273A (zh) | 客户风险识别方法及装置 | |
| US20210073247A1 (en) | System and method for machine learning architecture for interdependence detection | |
| Liu et al. | Attentive feature fusion for credit default prediction | |
| CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
| Awoin et al. | Predicting the performance of rural banks in Ghana using machine learning approach | |
| Wu et al. | Adaptive Feature Interaction Model for Credit Risk Prediction in the Digital Finance Landscape | |
| CN117114705A (zh) | 一种基于持续学习的电商欺诈识别方法与系统 | |
| Theuri et al. | The impact of Artficial Intelligence and how it is shaping banking | |
| CN117764294A (zh) | 企业融资需求筛选方法、电子设备及计算机可读存储介质 | |
| Yang et al. | An evidential reasoning rule-based ensemble learning approach for evaluating credit risks with customer heterogeneity | |
| Wotaifi et al. | Fuzzy-Filter Feature Selection for Envisioning the Earnings of Higher Education Graduates | |
| Ma et al. | A BP neural network for identifying corporate financial fraud | |
| Kumar et al. | Data Mining in Credit Scoring and Future Application | |
| CN113177733A (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
| Yazdani | Developing a model for validation and prediction of bank customer credit using information technology (case study of Dey Bank) |
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 |