授信数据优化方法、装置、设备和介质制造方法及图纸

本发明专利技术涉及互联网信息处理领域，针对现有数据处理无法准确评估和预测实际业务需求的数据、资源不匹配，导致风险失控的缺陷，提出了本发明专利技术的授信数据优化方法、装置、设备和介质，通过多个评估模型(风险模型、响应模型)、预测模型，动态地随实际业务数据变化而确定授信数据的变化梯度，由此确定当前用户对应的最优的授信数据的实际可提升的幅度。这样能准确合理有效地获得优化的改变或提升幅度，以获得新的授信数据，并且，多角度多模型计算优化了现有提升授信数据的方式，保证了数据安全可信的同时准确合理的最优的授信数据使得业务正常安全的运作、实现有效地控制逾期风险。实现有效地控制逾期风险。实现有效地控制逾期风险。

【技术实现步骤摘要】
授信数据优化方法、装置、设备和介质


[0001]本专利技术涉及互联网信息处理领域，具体而言，涉及一种用户授信数据优化方法、装置、电子设备和计算机可读存储介质。

技术介绍

[0002]随着互联网金融的快速发展以及人们消费观念的改变，以信贷方式进行提前消费也越来越被人们接受。由于通过网络传输处理的信贷类金融数据，其对信息安全性、相关数据的可信度的要求会更高，比如，现有的信贷产品都会设置使用额度这类数据阈值限制，即信贷用户在正常情况下可以循环使用的最高限额。对于互联网中涉及的信贷类相关的金融数据来说，需要处理的信贷数据量庞大，信贷用户的风险性和收益性变化，相对更繁琐复杂，而保障数据安全的同时也要适应实际业务变化需求，比如信贷业务场景下，保证数据安全、可信度的同时，还继续实现业务包括既令信贷客户获得收益、也令信贷方提高盈利能力等，则往往需要通过有效准确的数据处理完成对众多用户相关信息的发展变化进行评估。继续以信贷业务场景为例，在实际的互联网金融数据处理过程中，对于业务的贷中环节已授信用户，通常选取符合资质的客群，使用行为评分卡(Behavior score Card，俗称B卡)模型对信贷客户相关的变化的数据进行评价来预测客群中用户未来逾期的风险，根据所述风险的分档来判断用户授信额度等安全阈值限制是否合适，进而可以判断提额幅度大小是否恰当等，例如在业务实施中可以拒绝风险高的客户的提额或对其提额很少、对风险低的客户可以提额较多。但是这类数据处理实现评估时，由于给客户提供的提额幅度并不同，客户的未来风险也会不同，即提额幅度会反过来影响风险，从而并不能确定给客户提多少额度才是最合适的，即存在由于授信数据(具体如授信额度)不准确导致的风险失控，进而也使得实际业务中数据处理误差大导致利益无法最大化、资源无法准确匹配的情况。
[0003]因而，在金融业务的数据处理过程中需要保证数据安全的同时进一步优化授信数据，更准确合理评估授信数据变化，以便能在业务中控制风险。

技术实现思路

[0004]针对现有技术的上述缺陷，本专利技术提供一种授信数据优化方法、装置、电子设备及计算机可读介质，可以解决如何在海量网络金融数据处理过程中，保证数据安全的同时能提供优化的授信数据的技术问题；进一步，可以解决如何准确合理评估和预测确定变化梯度尤其是数据增长梯度从而获得最优的用户授信数据的技术问题，以便为用户授信数据提供安全可信的准确的授信数据改变尤其是提升该授信数据，进而能在金融业务中有效控制逾期风险。
[0005]为了解决上述技术问题，本专利技术第一方面提出一种授信数据优化方法，包括：基于获取的风险模型和响应模型，分别对用户群的每个用户进行评估获得的风险评分和响应评分，并计算每个用户的提升授信数据的梯度，以判断是否改变授信数据提升的级别；基于获取的预测模型预测的每个用户的未动用信息，确定相应用户群的未动用信息的总和；如果
根据所述总和确定继续改变授信数据提升的级别，则重复前面两个步骤的处理过程；否则，将当前的提升的级别对应的提升幅度作为最终提升幅度以优化用户的授信数据；其中，动用信息是用户在业务中使用了相关业务数据的信息；其中，未动用信息是用户在业务中保留的相关业务数据的信息。
[0006]根据本专利技术的一种优选实施方式，获取所述风险模型具体包括：获取至少一个所述风险模型；其中，所述风险模型用于评估用户提升授信数据时的风险，并输出提升授信数据的风险评分；获取所述响应模型具体包括：获取至少一个所述响应模型；其中，所述响应模型用于评估用户提升授信数据时的用户的动用信息，并输出提升授信数据的响应评分；获取所述预测模型具体包括：获取至少一个预测模型；其中，所述预测模型用于预测用户提升授信数据后一个预设周期内的用户未动用信息，并输出提升授信数据后的所述用户的未动用信息。
[0007]根据本专利技术的一种优选实施方式，获取至少一个所述风险模型，具体包括：获取用户授信数据标签；基于用户的授信数据标签，按照不同的提升幅度对用户提升授信数据；获取按照不同的提升幅度对用户提升授信数据后出现的用户的风险数据，建立提升标签和风险标签；根据用户的授信数据标签、提升标签和风险标签，建立至少一个风险模型；和/或，获取至少一个所述响应模型，具体包括：获取用户授信数据标签；基于用户的授信数据标签，按照不同的提升幅度对用户提升授信数据；获取按照不同的提升幅度对用户提升授信数据后出现的用户的动用信息，建立提升标签和响应标签；根据用户的授信数据标签、提升标签和响应标签，建立至少一个响应模型；和/或，获取至少一个预测模型，具体包括：获取用户授信数据标签；基于用户的授信数据标签，按照不同的提升幅度对用户提升授信数据；获取按照不同的提升幅度对用户提升授信数据后用户的未动用信息，建立提升标签和提升授信数据的未动用标签；根据用户的授信数据标签、提升标签和未动用标签，建立至少一个预测模型。
[0008]根据本专利技术的一种优选实施方式，基于获取的风险模型和响应模型，分别对用户群的每个用户进行评估获得的风险评分和响应评分，计算每个用户的提升授信数据的梯度，具体包括：将用户提额幅度均分为n级；对用户群中的每个用户
j
，获取用户
j
的当前授信数据
j
；初始化i＝n，所述初始化的当前级别n对应的提升幅度为最高；其中i、j、n为正整数且i小于等于n；从风险模型、响应模型获得用户
j
对应于当前授信数据
j
和提升幅度
ij
的提升授信数据的风险评分的风险
ij
、响应评分的响应
ij
，以及对应于当前授信数据
j
和提升幅度
(i
‑
1)j
的提升授信数据的风险评分的风险
(i
‑
1)j
、响应评分的响应
(i
‑
1)j
；对用户群中的每个用户
j
，计算当前的授信数据
j
下的提升授信数据的梯度
ij
。
[0009]根据本专利技术的一种优选实施方式，判断是否改变授信数据提升的级别，具体包括：将对应于每个用户
j
当前的授信数据
j
下的所述梯度
ij
与一第一阈值作比较，如果用户
j
的所述梯度
ij
大于等于所述第一阈值，则设置i＝i
‑
1，否则设置i＝i。
[0010]根据本专利技术的一种优选实施方式，基于获取的预测模型预测的每个用户的未动用信息，确定相应用户群的未动用信息的总和，具体包括：对用户群中每个用户
j
，从预测模型获得该每个用户
j
对应于当前授信数据
j
和提升幅度
ij
的提升授信数据后的未动用信息
ij
；其中，未动用信息
ij
为设置对应于用户
j
的第i级的提升幅度
...

【技术保护点】

【技术特征摘要】
1.一种授信数据优化方法，其特征在于，包括：基于获取的风险模型和响应模型，分别对用户群的每个用户进行评估获得的风险评分和响应评分，并计算每个用户的提升授信数据的梯度，以判断是否改变授信数据提升的级别；基于获取的预测模型预测的每个用户的未动用信息，确定相应用户群的未动用信息的总和；如果根据所述总和确定继续改变授信数据提升的级别，则重复前面两个步骤的处理过程；否则，将当前的提升的级别对应的提升幅度作为最终提升幅度以优化用户的授信数据；其中，动用信息是用户在业务中使用了相关业务数据的信息；其中，未动用信息是用户在业务中保留的相关业务数据的信息。2.根据权利要求1所述的方法，其特征在于，获取所述风险模型具体包括：获取至少一个所述风险模型；其中，所述风险模型用于评估用户提升授信数据时的风险，并输出提升授信数据的风险评分；获取所述响应模型具体包括：获取至少一个所述响应模型；其中，所述响应模型用于评估用户提升授信数据时的用户的动用信息，并输出提升授信数据的响应评分；获取所述预测模型具体包括：获取至少一个预测模型；其中，所述预测模型用于预测用户提升授信数据后一个预设周期内的用户未动用信息，并输出提升授信数据后的所述用户的未动用信息。3.根据权利要求2所述的方法，其特征在于，获取至少一个所述风险模型，具体包括：获取用户授信数据标签；基于用户的授信数据标签，按照不同的提升幅度对用户提升授信数据；获取按照不同的提升幅度对用户提升授信数据后出现的用户的风险数据，建立提升标签和风险标签；根据用户的授信数据标签、提升标签和风险标签，建立至少一个风险模型；和/或，获取至少一个所述响应模型，具体包括：获取用户授信数据标签；基于用户的授信数据标签，按照不同的提升幅度对用户提升授信数据；获取按照不同的提升幅度对用户提升授信数据后出现的用户的动用信息，建立提升标签和响应标签；根据用户的授信数据标签、提升标签和响应标签，建立至少一个响应模型；和/或，获取至少一个预测模型，具体包括：获取用户授信数据标签；基于用户的授信数据标签，按照不同的提升幅度对用户提升授信数据；获取按照不同的提升幅度对用户提升授信数据后用户的未动用信息，建立提升标签和提升授信数据的未动用标签；
根据用户的授信数据标签、提升标签和未动用标签，建立至少一个预测模型。4.根据权利要求1至3中任一项所述的方法，其特征在于，基于获取的风险模型和响应模型，分别对用户群的每个用户进行评估获得的风险评分和响应评分，计算每个用户的提升授信数据的梯度，具体包括：将用户提额幅度均分为n级；对用户群中的每个用户
j
，获取用户
j
的当前授信数据
j
；初始化i＝n，所述初始化的当前级别n对应的提升幅度为最高；其中i、j、n为正整数且i小于等于n；从风险模型、响应模型获得用户
j
对应于当前授信数据
j
和提升幅度
ij
的提升授信数据的风险评分的风险
ij
、响应评分的响应
ij
，以及对应于当前授信数据
j
和提升幅度
(i
‑
1)j
的提升授信数据的风险评分的风险
(i
‑
1)j
、响应评分的响应
(i
‑
1)j
；对用户群中的每个用户
j
，计算当前的授信数据
j
下的提升授信数据的梯度
ij
。5.根据权利要求4所述的方法，其特征在于，判断是否改变授信数据提升的级别，具体包括：将对应于每个用户
j
当前的授信数据
j
下的所述梯度
ij
与一第一阈值作比较，如果用户
j
的所述梯度
ij
大于等于所述第一阈值，则设置i＝i
‑
1，否则设置i＝i。6.根据权利要求4或5所述的方法，其特征在于，基于获取的预测模型预测的每个用户的未动用信息，确定相应用户群的未动用信息的总和，具体包括：对用户群中每个用户
j
，从预测模型获得该每个用户
j
对应于当前授信数据
j
和提升幅度
ij
的提升授信数据后的未动用信息
ij
；其中，未动用信息
ij
为设置对应于用户
j
的第i级的提升幅度
ij
的提升授信数据后的未动用信息；所述未动用信息的总和为M，等于当前用户群中所有用户的提升授信数据后的未使用信息的总和：M＝∑未使用信息
ij
。7.根据权利要求4至6任一项所述的方法，其特征在于，如果根据所述总和确定继续改变授信数据提升的级别，则重复前面两个步骤的处理过程；否则，将当前的提升的级别对应的提升幅度作为最终提升幅度以优化用户的授信数据，具体包括：将所述总和与一预设的第二阈值作比较：如果所述总和大于所述第二阈值，则设置i＝i
‑
1，重复所述评估并计算梯度以判断的步骤以及确定所述总和的步骤，直到所述总和等于或小于所述第二阈值为止，将此时的提升幅度
ij
...

【专利技术属性】
技术研发人员：李萌，丁楠，苏绥绥，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：