一种无额度客户的授信处理方法及系统技术方案

本发明专利技术公开了一种无额度客户的授信处理方法及系统，该方法包括：获取无额度客户的客户数据；根据所述客户数据，在无额度客户中筛选出达到预设要求的第一客户群；以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型；根据所述第一客户群的客户数据，利用所述授信额度测算模型预测客户的授信额度；设置额度调节系数；利用所述额度调节系数对授信额度进行调整，输出无额度客户的最终授信额度；本发明专利技术可以最大限度发掘优质的无额度客户，避免优质潜在客户的流失，同时还能对风险进行有效控制，降低授信额度的不良率。

【技术实现步骤摘要】
一种无额度客户的授信处理方法及系统
本专利技术涉及互联网金融
，尤指一种无额度客户的授信处理方法及系统。
技术介绍
目前，针对现在小微企业授信难、授信贵的现状，分析其根本问题就是数据鸿沟的广泛存在，金融机构对于沉淀的大量数据无法有效应用并转化为一些有价值的决策依据。因此现有银行审批授信业务一般仅为资质优良的第一梯队客户提供贷款，其缺点在于无法精细化评测风险，只能一刀切地只给头部客户授信。在现有的业务场景中，存在有资质良好的客户的资金需求不被满足，银行无法在保证低不良率前提下提高业务量。小微企业数据缺失及造假情况较多，更进一步增加授信难度，使得小微企业授信过程失真失准。银行很难比较全面、准确地掌握中小微企业的财务状况、运行情况、风险状况。当一部分小微企业都存在财务数据不齐全、不准确、不真实的现象时，银行也就无法对企业提出合理的授信，无法控制信贷风险，导致原本该被授信的优良企业无法取得授信的问题发生，流失潜在的优质客户。因此，亟需一种可以克服上述问题，能够客观、合理的对无额度客户进行授信的技术方案。
技术实现思路
为解决现有技术存在的问题，本专利技术提出了一种无额度客户的授信处理方法及系统。本专利技术充分使用客户数据，通过多变量运算和时间维度的衍生将原始数据生成具有业务含义的衍生特征，应用机器学习算法建立无额度客户授信模型，将无额度客户授信模型应用于无额度客户，综合无额度客户的整体数据计算基础授信额度，根据风险系数对额度进行调整作为最终授信额度，实现为优质的无额度客户授信的目的，避免优质潜在客户的流失，同时还能够对风险进行有效的控制，降低收地额度的不良率。在本专利技术实施例的第一方面，提出了一种无额度客户的授信处理方法，该方法包括：获取无额度客户的客户数据；根据所述客户数据，在无额度客户中筛选出达到预设要求的第一客户群；以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型；根据所述第一客户群的客户数据，利用所述授信额度测算模型预测客户的授信额度；设置额度调节系数；利用所述额度调节系数对授信额度进行调整，输出无额度客户的最终授信额度。进一步的，根据所述客户数据，在无额度客户中筛选出达到预设要求的第一客户群，包括：根据无额度客户的客户资质和数据覆盖度，筛选出客户资质及数据覆盖度达到预设要求的客户。进一步的，根据无额度客户的客户资质和数据覆盖度，筛选出客户资质及数据覆盖度达到预设要求的客户，包括：根据无额度客户的客户数据，利用数据输入评分卡模型进行风险评分；根据所述风险评分对无额度客户进行分档排序，并计算每一档的平均逾期率；根据所述平均逾期率设置分数线，将所述分数线作为按照客户资质筛选时的分数指标；设置按照数据覆盖度筛选时的覆盖度指标；根据所述覆盖度指标，在无额度客户的客户数据选取对应的数据；根据无额度客户的风险评分及选取的数据，筛选出达到分数指标及覆盖度指标的客户。进一步的，设置的覆盖度指标至少包括：近一定时间内的客户数据中存在外部税务数据、对公流水或客户贡献度数据。进一步的，以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型，包括：对客户数据进行关联、整合及清洗处理，得到有效数据集；根据所述有效数据集，通过特征衍生形成授信额度模型所需的特征；对衍生的特征进行多类型筛选；对筛选后的特征进行预处理，将预处理后的特征作为建模样本。进一步的，所述有效数据集至少包括：企业主的基础信息、行为信息、信用卡信息、贷款信息及资产信息，企业的基础信息、交易信息、负债信息，及场景相关数据。进一步的，根据所述有效数据集，通过特征衍生形成授信额度模型所需的特征，包括：根据所述有效数据集，采用透传、统计聚合及特征交叉进行特征衍生，形成授信额度模型所需的特征。进一步的，根据所述有效数据集，采用透传、统计聚合及特征交叉进行特征衍生，形成授信额度模型所需的特征，包括：在采用透传进行特征衍生时，对于数值类型的字段且一个样本只有单一条记录的数据，直接透传为入模特征；若为分类型变量，进行类型合并后透传为入模特征；在采用统计聚合进行特征衍生时，对于流水数据或明细类型的数据，划分不同的时间窗口并计算每个窗口内的统计变量，衍生出新的特征；对于分类型变量的数据，计算类型的出现次数及出现类型的种类，衍生出新的特征；在采用特征交叉进行特征衍生时，通过特征之间的多维交叉，通过分类型变量和数值变量的数据进行组合，分不同类别的数值变量进行统计聚合，衍生出新的特征。进一步的，对衍生的特征进行多类型筛选，包括：对衍生的特征进行相关性筛选、缺失值筛选、单值率筛选及取值过多情况筛选，得到筛选后的特征。进一步的，对衍生的特征进行相关性筛选、缺失值筛选、单值率筛选及取值过多情况筛选，得到筛选后的特征，包括：在进行相关性筛选时，分别将衍生变量与目标变量进行相关性计算，保留相关性大于第一阈值的衍生变量；在进行缺失值筛选时，计算衍生变量的缺失率，删除缺失率大于第二阈值的衍生变量；在进行单值率筛选时，计算离散类型的衍生变量的取值情况，删除取值唯一的离散衍生变量；在进行取值过多情况筛选时，计算离散类型的衍生变量的取值情况，删除取值个数超第三阈值的离散衍生变量。进一步的，对筛选后的特征进行预处理，将预处理后的特征作为建模样本，包括：对筛选后的特征进行对数变换、异常值处理及缺失值填充，得到预处理后的特征。进一步的，对筛选后的特征进行对数变换、异常值处理及缺失值填充，得到预处理后的特征，包括：在进行对数变换时，根据筛选后的特征，将金额类型的衍生变量进行对数变换处理；在进行异常值处理时，对出现异常值的衍生变量进行修改；在进行缺失值填充时，对离散变量的缺失值，利用默认字符串进行填充，对连续变量缺失值，利用0进行填充。进一步的，以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型，包括：以历史放款且到期后未逾期或逾期天数30天以内的客户数据作为建模样本，将放款额作为目标变量，运用LightGBM算法进行拟合训练，建立授信额度测算模型。进一步的，该方法还包括：根据已放款客户的客户数据，设置测试集及外推集；将建立的授信额度测算模型应用在所述测试集及外推集，计算所述授信额度测算模型的评估指标，得到模型的均方根误差及拟合程度；根据所述模型的均方根误差及拟合程度对模型进行评估，选取授信额度测算模型。进一步的，设置额度调节系数，包括：根据设置的分数线，在分数线以上的分数区间中选取一个本文档来自技高网...

【技术保护点】
1.一种无额度客户的授信处理方法，其特征在于，该方法包括：/n获取无额度客户的客户数据；/n根据所述客户数据，在无额度客户中筛选出达到预设要求的第一客户群；/n以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型；/n根据所述第一客户群的客户数据，利用所述授信额度测算模型预测客户的授信额度；/n设置额度调节系数；/n利用所述额度调节系数对授信额度进行调整，输出无额度客户的最终授信额度。/n

【技术特征摘要】
1.一种无额度客户的授信处理方法，其特征在于，该方法包括：
获取无额度客户的客户数据；
根据所述客户数据，在无额度客户中筛选出达到预设要求的第一客户群；
以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型；
根据所述第一客户群的客户数据，利用所述授信额度测算模型预测客户的授信额度；
设置额度调节系数；
利用所述额度调节系数对授信额度进行调整，输出无额度客户的最终授信额度。


2.根据权利要求1所述的无额度客户的授信处理方法，其特征在于，根据所述客户数据，在无额度客户中筛选出达到预设要求的第一客户群，包括：
根据无额度客户的客户资质和数据覆盖度，筛选出客户资质及数据覆盖度达到预设要求的客户。


3.根据权利要求2所述的无额度客户的授信处理方法，其特征在于，根据无额度客户的客户资质和数据覆盖度，筛选出客户资质及数据覆盖度达到预设要求的客户，包括：
根据无额度客户的客户数据，利用数据输入评分卡模型进行风险评分；
根据所述风险评分对无额度客户进行分档排序，并计算每一档的平均逾期率；
根据所述平均逾期率设置分数线，将所述分数线作为按照客户资质筛选时的分数指标；
设置按照数据覆盖度筛选时的覆盖度指标；
根据所述覆盖度指标，在无额度客户的客户数据选取对应的数据；
根据无额度客户的风险评分及选取的数据，筛选出达到分数指标及覆盖度指标的客户。


4.根据权利要求3所述的无额度客户的授信处理方法，其特征在于，设置的覆盖度指标至少包括：近一定时间内的客户数据中存在外部税务数据、对公流水或客户贡献度数据。


5.根据权利要求1所述的无额度客户的授信处理方法，其特征在于，以历史放款且到期后未逾期或逾期在预设范围内的客户数据作为建模样本，将放款额作为目标变量，利用机器学习算法进行拟合训练，建立授信额度测算模型，包括：
对客户数据进行关联、整合及清洗处理，得到有效数据集；
根据所述有效数据集，通过特征衍生形成授信额度模型所需的特征；
对衍生的特征进行多类型筛选；
对筛选后的特征进行预处理，将预处理后的特征作为建模样本。


6.根据权利要求5所述的无额度客户的授信处理方法，其特征在于，所述有效数据集至少包括：企业主的基础信息、行为信息、信用卡信息、贷款信息及资产信息，企业的基础信息、交易信息、负债信息，及场景相关数据。


7.根据权利要求5所述的无额度客户的授信处理方法，其特征在于，根据所述有效数据集，通过特征衍生形成授信额度模型所需的特征，包括：
根据所述有效数据集，采用透传、统计聚合及特征交叉进行特征衍生，形成授信额度模型所需的特征。


8.根据权利要求7所述的无额度客户的授信处理方法，其特征在于，根据所述有效数据集，采用透传、统计聚合及特征交叉进行特征衍生，形成授信额度模型所需的特征，包括：
在采用透传进行特征衍生时，对于数值类型的字段且一个样本只有单一条记录的数据，直接透传为入模特征；若为分类型变量，进行类型合并后透传为入模特征；
在采用统计聚合进行特征衍生时，对于流水数据或明细类型的数据，划分不同的时间窗口并计算每个窗口内的统计变量，衍生出新的特征；对于分类型变量的数据，计算类型的出现次数及出现类型的种类，衍生出新的特征；
在采用特征交叉进行特征衍生时，通过特征之间的多维交叉，通过分类型变量和数值变量的数据进行组合，分不同类别的数值变量进行统计聚合，衍生出新的特征。


9.根据权利要求5所述的无额度客户的授信处理方法，其特征在于，对衍生的特征进行多类型筛选，包括：
对衍生的特征进行相关性筛选、缺失值筛选、单值率筛选及取值过多情况筛选，得到筛选后的特征。


10.根据权利要求9所述的无额度客户的授信处理方法，其...

【专利技术属性】
技术研发人员：雷文烨，张越，史博慧，张瑶，李腾，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：北京;11