用户意愿评估方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种用户意愿评估方法、装置、计算机设备和存储介质。所述方法包括：获取在贷客群中的符合预设筛选条件的所有目标用户的用户数据；从每个目标用户的用户数据中提取特征数据；每个目标用户的特征数据包括该目标用户的最晚一次未来应还日距评分日的间隔和最近一次还清的还款计划距评分日的间隔；将每个目标用户的特征数据输入基于XGboost算法构建的意愿评估模型，得到意愿评估模型输出的每个目标用户的意愿评分；每个目标用户的意愿评分表征该目标用户提前结清其分期账单的意愿大小。本发明专利技术实施例能够更准确地评估出用户提前结清其分期账单的意愿。前结清其分期账单的意愿。前结清其分期账单的意愿。

【技术实现步骤摘要】
用户意愿评估方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机领域，特别是涉及一种用户意愿评估方法、装置、计算机设备和存储介质。

技术介绍

[0002]在信贷行业，用户提前结清借款订单，可能是用户即将流失的的征兆，此外用户提前结清可能导致利息等收益损失，因此提前预测用户是否会结清，可以方便进一步判断是否通过一些经营手段提前介入，以减少用户提前结清带给公司的损失，以及流失预警挽回用户。
[0003]由于用户相关的数据太多，因而在预测用户是否提前结清账单的意愿时，通常只是通过一些简单易得的特征，比如用户的职业、收入、年龄、兴趣爱好等来评估用户提前结清账单的意愿，比如，这类特征与用户提前结清账单的意愿的相关性不强，因而，目前评估用户提前结清账单的意愿的方式的准确性不高。

技术实现思路

[0004]本专利技术针对上述不足或缺点，提供了一种用户意愿评估方法、装置、计算机设备和存储介质，本专利技术实施例能够更准确地评估出用户提前结清其分期账单的意愿。
[0005]本专利技术根据第一方面提供了一种用户意愿评估方法，在一个实施例中，该方法包括：
[0006]获取在贷客群中的符合预设筛选条件的所有目标用户的用户数据；
[0007]从每个目标用户的用户数据中提取特征数据；每个目标用户的特征数据包括该目标用户的最晚一次未来应还日距评分日的间隔和最近一次还清的还款计划距评分日的间隔；
[0008]将每个目标用户的特征数据输入基于XGboost算法构建的意愿评估模型，得到意愿评估模型输出的每个目标用户的意愿评分；每个目标用户的意愿评分表征该目标用户提前结清其分期账单的意愿大小。
[0009]在一个实施例中，每个目标用户的用户数据包括订单数据、还款数据、额度使用数据和行为数据。
[0010]在一个实施例中，每个目标用户的特征数据还包括该目标用户的当前未还款的应还本金金额、近1个月平均可用额度、本次申请后的额度使用率、最大提前还款天数、年龄、已提前还款的应还本金金额占未来近12个月应还的比例、历史应还分期计划的最小应还本金金额、近180天成功动支订单的动支总金额、近30天应用启动次数、近90天平均设备登陆日期间隔天数、应还日当天还款的应还本金金额、最大借款金额订单动支日距评分日间隔、两笔动支发起的最小时间间隔、开通会员时间与当前的时间间隔以及近6个月在银行机构申请最大间隔天数。
[0011]在一个实施例中，意愿评估模型的训练过程，包括：
[0012]基于XGboost算法构建初始的意愿评估模型；
[0013]获取多个指定用户的用户数据，从各个指定用户的用户数据中提取各个指定用户的账单金额，根据各个指定用户的账单金额为各个指定用户设置标签，将该多个指定用户的用户数据和各个指定用户的标签作为训练数据；
[0014]使用该训练数据对初始的意愿评估模型进行迭代训练，直到满足停止条件，获得训练好的意愿评估模型。
[0015]在一个实施例中，在以下任一项满足时，确定满足停止条件：
[0016]初始的意愿评估模型的目标函数逐渐收敛；
[0017]初始的意愿评估模型中包含的树满足任一预设的超参数停止条件。
[0018]在一个实施例中，使用初始的意愿评估模型进行迭代训练之前，还包括：为初始的意愿评估模型的超参数设置参数值；
[0019]初始的意愿评估模型的超参数中包括学习率、树的数量和树的深度；学习率的参数值设置为0.2，树的数量的参数值设置为100，树的深度的参数值设置为3。
[0020]在一个实施例中，该方法还包括：
[0021]在获得每个目标用户的意愿评分之后，按照分数大小对每个目标用户的意愿评分进行排序，并划分为多个分组；
[0022]计算各个分组的分析数据，各个分组的分析数据包括多个分析指标的指标值；
[0023]根据各个分组的分析数据生成各个分组对应的服务策略。
[0024]本专利技术根据第二方面提供了一种用户意愿评估装置，在一个实施例中，该装置包括：
[0025]数据获取模块，用于获取在贷客群中的符合预设筛选条件的所有目标用户的用户数据；每个目标用户的用户数据包括订单数据、还款数据、额度使用数据和行为数据；
[0026]特征提取模块，用于从每个目标用户的用户数据中提取特征数据；每个目标用户的特征数据包括该目标用户的最晚一次未来应还日距评分日的间隔和最近一次还清的还款计划距评分日的间隔；
[0027]评估模块，用于将每个目标用户的特征数据输入基于XGboost算法构建的意愿评估模型，得到意愿评估模型输出的每个目标用户的意愿评分；每个目标用户的意愿评分表征该目标用户提前结清其分期账单的意愿大小。
[0028]本专利技术根据第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的实施例的步骤。
[0029]本专利技术根据第四方面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任一方法的实施例的步骤。
[0030]在本专利技术实施例中，通过利用大数据和机器学习的技术来评估目标用户提前结清分期账单的意愿，可以更准确地确定目标用户提前结清的意愿大小。具体是获取在贷客群中的符合预设筛选条件的所有目标用户的用户数据；从每个目标用户的用户数据中提取特征数据；每个目标用户的特征数据包括该目标用户的最晚一次未来应还日距评分日的间隔和最近一次还清的还款计划距评分日的间隔；将每个目标用户的特征数据输入基于XGboost算法构建的意愿评估模型，得到意愿评估模型输出的每个目标用户的意愿评分。
附图说明
[0031]图1为一个实施例中一种用户意愿评估方法的流程示意图；
[0032]图2为一个实施例中意愿评估模型的训练流程示意图；
[0033]图3为另一个实施例中一种用户意愿评估方法的流程示意图；
[0034]图4为一个实施例中一种用户意愿评估装置的结构框图；
[0035]图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0036]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用以解释本申请，并不用于限定本申请。
[0037]本专利技术提供了一种用户意愿评估方法，在一个实施例中，该用户意愿评估方法包括如图1所示的步骤，下面对该方法进行说明。
[0038]S110：获取在贷客群中的符合预设筛选条件的所有目标用户的用户数据。
[0039]其中，在贷客群是指有贷款的总待还账单且该账单的待还金额不为0的用户，或者说是申请过贷款且贷款还未还完的用户。
[0040]用户申请成功贷款后，通常会分多期还款(比如，以一个月为一期，可以是分12期、24期、36期还款等)，预设筛选条件可以是未来1个月内最后一期账单未到期，即目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户意愿评估方法，其特征在于，所述方法包括：获取在贷客群中的符合预设筛选条件的所有目标用户的用户数据；从每个目标用户的用户数据中提取特征数据；每个目标用户的特征数据包括该目标用户的最晚一次未来应还日距评分日的间隔和最近一次还清的还款计划距评分日的间隔；将每个目标用户的特征数据输入基于XGboost算法构建的意愿评估模型，得到所述意愿评估模型输出的每个目标用户的意愿评分；每个目标用户的意愿评分表征该目标用户提前结清其分期账单的意愿大小。2.如权利要求1所述的方法，其特征在于，每个目标用户的用户数据包括订单数据、还款数据、额度使用数据和行为数据。3.如权利要求1所述的方法，其特征在于，每个目标用户的特征数据还包括该目标用户的当前未还款的应还本金金额、近1个月平均可用额度、本次申请后的额度使用率、最大提前还款天数、年龄、已提前还款的应还本金金额占未来近12个月应还的比例、历史应还分期计划的最小应还本金金额、近180天成功动支订单的动支总金额、近30天应用启动次数、近90天平均设备登陆日期间隔天数、应还日当天还款的应还本金金额、最大借款金额订单动支日距评分日间隔、两笔动支发起的最小时间间隔、开通会员时间与当前的时间间隔以及近6个月在银行机构申请最大间隔天数。4.如权利要求1所述的方法，其特征在于，所述意愿评估模型的训练过程，包括：基于XGboost算法构建初始的意愿评估模型；获取多个指定用户的用户数据，从各个指定用户的用户数据中提取各个指定用户的账单金额和最后，根据各个指定用户的账单金额为各个指定用户设置标签，将所述多个指定用户的用户数据和各个指定用户的标签作为作为训练数据；使用所述训练数据对所述初始的意愿评估模型进行迭代训练，直到满足停止条件，获得训练好的意愿评估模型。5.如权利要求4所述的方法，其特征在于，在以下任一项满足时，确定满足所述停止条件...

【专利技术属性】
技术研发人员：何娜，
申请(专利权)人：上海数禾信息科技有限公司，
类型：发明
国别省市：