基于聚类群体的动态小额授信方法技术

本发明专利技术涉及授信额度技术领域，公开了一种基于聚类群体的动态小额授信方法，包括：获取若干个借贷用户以及借贷用户的资质数据，构建采用K

【技术实现步骤摘要】
基于聚类群体的动态小额授信方法


[0001]本专利技术涉及授信额度
，特别涉及一种基于聚类群体的动态小额授信方法。

技术介绍

[0002]贷款业务是借款人在购买消费类大额资金时支付一定比例金额的首期款项，不足部分由银行向其发放并直接支付给经销商的人民币贷款业务。借贷用户授信需要提供大量的资料，消耗大量的人力成本和时间成本，并且传统的经验法对用户类别进行划分，具有很强的主观性，细分的结果不客观，缺失说服力。并且随着市场的不断壮大，贷款业务增长迅猛，面对海量的数据，传统的用户细分方法更显得力不从心，因此用户贷款申请周期也越来越长，导致用户体验下降，成交转化率降低。

技术实现思路

[0003]本专利技术提供了一种基于聚类群体的动态小额授信方法，采用K
‑
Means算法训练用户聚类模型，并根据聚类模型对待借款用户进行所属类别划分，进而根据待借款用户的信用评级确定最终授信额度，提高用户体验，且提高成交转化率。
[0004]本专利技术提供了一种基于聚类群体的动态小额授信方法，包括：
[0005]获取若干个借贷用户以及所述借贷用户的资质数据；其中，所述资质数据包括年龄数据、性别数据、职业数据和收入范围数据；
[0006]将所述若干个借贷用户及其资质数据作为训练数据，构建采用K
‑
Means算法进行训练的用户聚类模型；
[0007]获取待借款用户的资质数据，并将所述待借款用户的资质数据输入所述用户聚类模型，得到所述待借款用户的所属类别；
>[0008]根据所述待借款用户的所属类别确定所述待借款用户的初始授信额度；
[0009]获取所述待借款用户的信用评分，并根据所述待借款用户的信用评分和若干个借贷用户的信用评分确定所述待借款用户的信用评级；
[0010]根据所述待借款用户的信用评级和初始授信额度确定所述待借款用户的最终授信额度，并根据所述最终授信额度对所述待借款用户进行授信。
[0011]进一步地，将所述若干个借贷用户及其资质数据作为训练数据，构建采用K
‑
Means算法进行训练的用户聚类模型的步骤，包括：
[0012]抽取所述若干个借贷用户的资质数据和外部数据；其中，所述外部数据包括FICO分数据、征信数据、银联数据；
[0013]根据所抽取的资质数据和外部数据进行特征生成，特征生成的维度包括年龄、教育水平数据、婚姻状态、职业、贷款、信用卡、公积金、住房；
[0014]对特征生成所涉及的维度的数据进行缺失值和异常值处理；
[0015]判断离散变量的取值是否具有大小的意义，若有则使用数值映射方法进行替换，
否则对离散变量进行One
‑
Hot编码；
[0016]对特征数据采用PCA算法进行数据降维至预设维度，并选取所述用户聚类模型的k值，完成所述用户聚类模型的构建。
[0017]进一步地，所述对特征生成所涉及的维度的数据进行缺失值和异常值处理的步骤，包括：
[0018]当缺失比例高于预设比例阈值时，删除该特征维度；当缺失比例低于所述预设比例阈值时，采用插值方式进行数值填充。
[0019]进一步地，所述对特征数据采用PCA算法进行数据降维至预设维度，并选取所述用户聚类模型的k值，完成所述用户聚类模型的构建的步骤之后，还包括：
[0020]根据所述用户聚类模型的输出，分析同用户群类别的特征变量分布，并将用户的所属类别分为一类、二类、三类和四类。
[0021]进一步地，所述根据所述待借款用户的所属类别确定所述待借款用户的初始授信额度的步骤，包括：
[0022]获取所述待借款用户所属类别的多个借贷用户的最高授信额度和最低授信额度；
[0023]将所述最高授信额度和最低授信额度删除，并计算所述待借款用户所属类别的平均授信额度；
[0024]将所述平均授信额度作为所述结款用户的初始授信额度。
[0025]进一步地，所述获取所述待借款用户的信用评分，并根据所述待借款用户的信用评分和若干个借贷用户的信用评分确定所述待借款用户的信用评级的步骤，包括：
[0026]获取所述若干个借贷用户的信用评分、借贷用户的个数、最高信用评分和最低信用评分；
[0027]根据所述若干个借贷用户的信用评分和所述借贷用户的个数计算所述若干个借贷用户的平均信用评分；
[0028]根据所述最高信用评分、最低信用评分和平均信用评分将所述借贷用户的信用评级划分为第一等级、第二等级和第三等级；
[0029]根据所述待借款用户的信用评分确定所述待借款用户的信用评级；
[0030]进一步地，所述根据所述待借款用户的信用评级和初始授信额度确定所述待借款用户的最终授信额度，并根据所述最终授信额度对所述待借款用户进行授信的步骤，包括：
[0031]当所述待借款用户的信用评级为第一等级时，将所述初始授信额度上升设定额度作为所述待借款用户的最终授信额度；
[0032]当所述待借款用户的信用评级为第二等级时，将所述初始授信额度作为所述待借款用户的最终授信额度；
[0033]当所述待借款用户的信用评级为第三等级时，将所述初始授信额度下降设定额度作为所述待借款用户的最终授信额度；
[0034]根据所述最终授信额度对所述待借款用户进行授信。
[0035]本专利技术还提供了一种基于聚类群体的动态小额授信装置，包括：
[0036]第一获取模块，用于获取若干个借贷用户以及所述借贷用户的资质数据；其中，所述资质数据包括年龄数据、性别数据、职业数据和收入范围数据；
[0037]训练模块，用于将所述若干个借贷用户及其资质数据作为训练数据，构建采用K
‑
Means算法进行训练的用户聚类模型；
[0038]输入模块，用于获取待借款用户的资质数据，并将所述待借款用户的资质数据输入所述用户聚类模型，得到所述待借款用户的所属类别；
[0039]确定模块，用于根据所述待借款用户的所属类别确定所述待借款用户的初始授信额度；
[0040]第二获取模块，用于获取所述待借款用户的信用评分，并根据所述待借款用户的信用评分和若干个借贷用户的信用评分确定所述待借款用户的信用评级；
[0041]授信模块，用于根据所述待借款用户的信用评级和初始授信额度确定所述待借款用户的最终授信额度，并根据所述最终授信额度对所述待借款用户进行授信。
[0042]本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0043]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0044]本专利技术的有益效果为：
[0045]获取若干个借贷用户以及所述借贷用户的资质数据，并构建采用K
‑
Means算法进行训练的用户聚类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类群体的动态小额授信方法，其特征在于，包括：获取若干个借贷用户以及所述借贷用户的资质数据；其中，所述资质数据包括年龄数据、性别数据、职业数据和收入范围数据；将所述若干个借贷用户及其资质数据作为训练数据，构建采用K
‑
Means算法进行训练的用户聚类模型；获取待借款用户的资质数据，并将所述待借款用户的资质数据输入所述用户聚类模型，得到所述待借款用户的所属类别；根据所述待借款用户的所属类别确定所述待借款用户的初始授信额度；获取所述待借款用户的信用评分，并根据所述待借款用户的信用评分和若干个借贷用户的信用评分确定所述待借款用户的信用评级；根据所述待借款用户的信用评级和初始授信额度确定所述待借款用户的最终授信额度，并根据所述最终授信额度对所述待借款用户进行授信。2.根据权利要求1所述的基于聚类群体的动态小额授信方法，其特征在于，将所述若干个借贷用户及其资质数据作为训练数据，构建采用K
‑
Means算法进行训练的用户聚类模型的步骤，包括：抽取所述若干个借贷用户的资质数据和外部数据；其中，所述外部数据包括FICO分数据、征信数据、银联数据；根据所抽取的资质数据和外部数据进行特征生成，特征生成的维度包括年龄、教育水平数据、婚姻状态、职业、贷款、信用卡、公积金、住房；对特征生成所涉及的维度的数据进行缺失值和异常值处理；判断离散变量的取值是否具有大小的意义，若有则使用数值映射方法进行替换，否则对离散变量进行One
‑
Hot编码；对特征数据采用PCA算法进行数据降维至预设维度，并选取所述用户聚类模型的k值，完成所述用户聚类模型的构建。3.根据权利要求2所述的基于聚类群体的动态小额授信方法，其特征在于，所述对特征生成所涉及的维度的数据进行缺失值和异常值处理的步骤，包括：当缺失比例高于预设比例阈值时，删除该特征维度；当缺失比例低于所述预设比例阈值时，采用插值方式进行数值填充。4.根据权利要求2所述的基于聚类群体的动态小额授信方法，其特征在于，所述对特征数据采用PCA算法进行数据降维至预设维度，并选取所述用户聚类模型的k值，完成所述用户聚类模型的构建的步骤之后，还包括：根据所述用户聚类模型的输出，分析同用户群类别的特征变量分布，并将用户的所属类别分为一类、二类、三类和四类。5.根据权利要求4所述的基于聚类群体的动态小额授信方法，其特征在于，所述根据所述待借款用户的所属类别确定所述待借款用户的初始授信额度的步骤，包括：获取所述待借款用户所属类别的多个借贷用户的最高授信额度和最低授信额度；将所述最高授信额度和最低授信额度删除，并计算所述待借款用户所属类别的平...

【专利技术属性】
技术研发人员：贡士瑞，徐昊，乐世宏，
申请(专利权)人：联通江苏产业互联网有限公司，
类型：发明
国别省市：