用户信用的实时评分方法及评分系统技术方案

本发明专利技术提出一种用户信用的实时评分方法，包括：数据获取步骤，通过互联网获取用户的基础数据。数据加工步骤，将所获取的基础数据导入到数据流计算集群中进行实时数据加工。评分步骤，将经加工的基础数据导入一个或数个评分模型中进行评分，其中评分模型是根据已有数据建立。数据存储及反馈步骤，将基础数据、经加工的基础数据和评分保存到数据库中，获取反馈信息。模型评估及优化步骤，根据所保存的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化。更新步骤，依据优化后的评分模型和数据流计算集群对所使用的评分模型和数据流计算集群进行更新。本发明专利技术还提出一种用户信用的实时评分系统。

【技术实现步骤摘要】
用户信用的实时评分方法及评分系统
本专利技术涉及互联网技术，更具体地说，涉及互联网金融领域的用户评价技术。
技术介绍
互联网金融随着互联网技术的发展而得到了快速的发展。与传统金融业不同，互联网金融的多数操作在线上，而非现场完成。互联网金融以快速便捷，全程在线操作，无需现场处理为特点，大幅提升了用户的使用便利程度，因此得到了广泛的欢迎和迅速的发展。但线上操作的互联网金融也面临一些困难。风控是金融的生命，不同的金融形式对风控的要求不尽相同。传统金融更加偏向线下风控，通过实地采集客户资料、信用调查、央行征信、学历等信息进行审核。传动的线下风控节奏较慢，审核周期长，但对于风险的识别和控制相对较好。以线上形式出现的互联网金融，其特点就是快速便捷的操作，因此无论是用户还是企业都追求更快的节奏，传统的线下审核的方式显然速度偏慢，不能满足互联网金融的需求。现有技术中，部分互联网金融企业将原来的线下审核移到了线上实现，但就本质而言，依旧是线下审核的模式。区别仅在于用户通过互联网提交数据，企业收集数据后按批次进行人工审核，再通过互联网反馈审核结果。这种模式虽然与完全线下的审核方式相比提升了审核速度，但依然存在明显的缺陷：首先，用户提交资料后并不能在线实时(或者说在很短周期内)获得审核结果，还是按照处理批次等待人工审核的结果，实质上并没有达到互联网金融的节奏要求。其次，这种审核方式的审核内容与传统线下审核基本相同，仅仅是压缩了审核时间，由于审核时间减少而审核的内容并没有大的变化，因此对于潜在风险的识别率可能降低，给企业带来风险隐患。
技术实现思路
本专利技术提出一种基于大数据，能实时对用户进行信用评分的技术。根据本专利技术的一实施例，提出一种用户信用的实时评分方法，包括：数据获取步骤，通过互联网获取用户的基础数据；数据加工步骤，将所获取的基础数据导入到数据流计算集群中进行实时数据加工；评分步骤，将经加工的基础数据导入一个或数个评分模型中进行评分，其中评分模型是根据已有数据建立；数据存储及反馈步骤，将基础数据、经加工的基础数据和评分保存到数据库中，获取反馈信息；模型评估及优化步骤，根据所保存的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化；更新步骤，依据优化后的评分模型和数据流计算集群对所使用的评分模型和数据流计算集群进行更新。在一个实施例中，数据获取步骤包括：获取用户的身份信息；获取用户的基础信息，依据用户的身份信息，通过互联网，从一个或数个第三方获取该用户的基础信息。在一个实施例中，数据加工步骤包括：将用户的基础数据导入数据流计算框架中，所述数据流计算框架是Spark数据流计算框架；根据数据分类模型，对用户的基础数据进行分类，数据分类模型与计算维度相对应；数据流计算框架对各个计算维度使用对应分类的基础数据进行实时计算；保存计算结果并将计算结果提供给各个评分模型。在一个实施例中，依据用户的基础数据获得用户画像，用户画像中不同属性的基础数据对应不同的计算维度，根据同一计算维度对数个用户的用户画像进行计算，获得对应该计算维度的细分客户群数据。在一个实施例中，反馈信息包括用户的后续实际操作行为。在一个实施例中，模型评估及优化步骤包括：用户级评估及优化，依据单个用户的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化。客户群级评估及优化：根据计算维度，依据一个细分客户群中的用户的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化。在一个实施例中，每次评分模型和数据流计算集群被优化后，对正在使用的评分模型和数据流计算集群进行实时更新。在一个实施例中，评分模型是根据已有的数据，由逻辑回归、随机森林、GBDT或XGBoost进行建模。在一个实施例中，数据库包括非结构化数据库Hbase和关系型数据库Mysql，使用数据传输中间件Kafka对数据库进行存取操作。根据本专利技术的一实施例，提出一种用户信用的实时评分系统，包括：数据接入口、数据流计算集群、一个或数个评分模型、数据库和模型评估及优化装置。数据接入口通过互联网获取用户的基础数据。所获取的基础数据导入到数据流计算集群中，数据流计算集群进行实时数据加工。经加工的基础数据导入评分模型中进行评分，其中评分模型是根据已有数据建立。将基础数据、经加工的基础数据和评分保存到数据库中。模型评估及优化装置获取反馈信息，并根据所保存的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化，根据优化后的评分模型和数据流计算集群对评分模型和数据流计算集群进行更新。在一个实施例中，数据接入口包括数据获取装置，数据获取装置获取用户的身份信息并依据用户的身份信息，通过互联网从一个或数个第三方获取该用户的基础信息。在一个实施例中，数据流计算框架是Spark数据流计算框架。数据流计算框架根据数据分类模型对用户的基础数据进行分类，数据分类模型与计算维度相对应，数据流计算框架对各个计算维度使用对应分类的基础数据进行实时计算，保存计算结果并将计算结果提供给各个评分模型。在一个实施例中，反馈信息包括用户的后续实际操作行为。模型评估及优化装置还依据用户的基础数据获得用户画像，用户画像中不同属性的基础数据对应不同的计算维度，根据同一计算维度对数个用户的用户画像进行计算，获得对应该计算维度的细分客户群数据。在一个实施例中，模型评估及优化装置进行的模型评估及优化包括：用户级评估及优化，依据单个用户的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化。客户群级评估及优化：根据计算维度，依据一个细分客户群中的用户的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化。在一个实施例中，模型评估及优化装置每次对评分模型和数据流计算集群进行优化后，对正在使用的评分模型和数据流计算集群进行实时更新。在一个实施例中，评分模型是根据已有的数据，由逻辑回归、随机森林、GBDT或XGBoost进行建模。数据库包括非结构化数据库Hbase和关系型数据库Mysql，使用数据传输中间件Kafka对数据库进行存取操作。本专利技术提出的用户信用的实时评分方法和用户信用的实时评分系统能通过互联网获取用户的基础信息，利用大数据技术和数据流技术从多维度对用户作出实时评分，评分被提供给后续的处理使用。本专利技术还将用户的后续实际操作作为反馈，对建模和数据流进行评估和优化，利用机器自学习原理使得评分体系不断进化。本专利技术能为互联网金融中的用户实时授信和贷中风险管控提供强有力的数据理论支持。附图说明本专利技术上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：图1揭示了根据本专利技术的一实施例的用户信用的实时评分方法的实现过程。图2揭示了根据本专利技术的一实施例的用户信用的实时评分系统的结构框图。具体实施方式随着大数据技术的发展，通过大数据能够获取用户更加全面的信息，从用户的真实行为对用户的风险进行评估，比传统的背景信息的审核更加有效。同时，大数据技术借助于快速的数据处理能力，能在很短时间内完成大量数据的运算和处理，可以满足用本文档来自技高网...

【技术保护点】
1.一种用户信用的实时评分方法，其特征在于，包括：数据获取步骤，通过互联网获取用户的基础数据；数据加工步骤，将所获取的基础数据导入到数据流计算集群中进行实时数据加工；评分步骤，将经加工的基础数据导入一个或数个评分模型中进行评分，其中评分模型是根据已有数据建立；数据存储及反馈步骤，将基础数据、经加工的基础数据和评分保存到数据库中，获取反馈信息；模型评估及优化步骤，根据所保存的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化；更新步骤，依据优化后的评分模型和数据流计算集群对所使用的评分模型和数据流计算集群进行更新。

【技术特征摘要】
1.一种用户信用的实时评分方法，其特征在于，包括：数据获取步骤，通过互联网获取用户的基础数据；数据加工步骤，将所获取的基础数据导入到数据流计算集群中进行实时数据加工；评分步骤，将经加工的基础数据导入一个或数个评分模型中进行评分，其中评分模型是根据已有数据建立；数据存储及反馈步骤，将基础数据、经加工的基础数据和评分保存到数据库中，获取反馈信息；模型评估及优化步骤，根据所保存的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化；更新步骤，依据优化后的评分模型和数据流计算集群对所使用的评分模型和数据流计算集群进行更新。2.如权利要求1所述的用户信用的实时评分方法，其特征在于，所述数据获取步骤包括：获取用户的身份信息；获取用户的基础信息，依据用户的身份信息，通过互联网，从一个或数个第三方获取该用户的基础信息。3.如权利要求1所述的用户信用的实时评分方法，其特征在于，所述数据加工步骤包括：将用户的基础数据导入数据流计算框架中，所述数据流计算框架是Spark数据流计算框架；根据数据分类模型，对用户的基础数据进行分类，数据分类模型与计算维度相对应；数据流计算框架对各个计算维度使用对应分类的基础数据进行实时计算；保存计算结果并将计算结果提供给各个评分模型。4.如权利要求3所述的用户信用的实时评分方法，其特征在于，依据用户的基础数据获得用户画像，用户画像中不同属性的基础数据对应不同的计算维度，根据同一计算维度对数个用户的用户画像进行计算，获得对应该计算维度的细分客户群数据。5.如权利要求4所述的用户信用的实时评分方法，其特征在于，所述反馈信息包括用户的后续实际操作行为。6.如权利要求5所述的用户信用的实时评分方法，其特征在于，所述模型评估及优化步骤包括：用户级评估及优化，依据单个用户的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化；客户群级评估及优化：根据计算维度，依据一个细分客户群中的用户的基础数据、经加工的基础数据、评分和反馈信息，对评分模型和数据流计算集群进行评估和优化。7.如权利要求6所述的用户信用的实时评分方法，其特征在于，每次评分模型和数据流计算集群被优化后，对正在使用的评分模型和数据流计算集群进行实时更新。8.如权利要求1所述的用户信用的实时评分方法，其特征在于，所述评分模型是根据已有的数据，由逻辑回归、随机森林、GBDT或XGBoost进行建模。9.如权利要求1所述的用户信用的实时评分方法，其特征在于，所述数据库包括非结构化数据库Hbase和关系型数据库Mysql，使用数...

【专利技术属性】
技术研发人员：刘杰，徐磊，
申请(专利权)人：深圳萨摩耶互联网金融服务有限公司，
类型：发明
国别省市：广东,44