CN114298825A - 还款积极度评估方法及装置 - Google Patents

Abstract

本公开提供一种还款积极度评估方法。所述方法包括基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。本公开的还款积极度评估方法在保证预测稳定性的前提下，提高预测效果，应用于客户借款时未来的还款积极度评估和借款中对还款积极度的监控，该项技术自动化程度高，易于实现且迭代维护成本低。

Description

还款积极度评估方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及一种还款积极度评估方法及装置。

背景技术

在交易中的风险控制中现有的技术大多采用行为评分+规则策略来识别客户的交易风险并做出通过与否的决策。

这样导致的结果是在循环授信产品中客户一段时间后还款积极性变低或者多头查询增加变坏的高风险人群仍然会被当前的风险系统误判。

因此，如何提供一种自动识别客户动态风险，对客户风险进行精准判断的技术方案是本领域技术人员目前需要解决的问题。

发明内容

本公开实施例提供一种还款积极度评估方法及装置，能够在保证预测稳定性的前提下，提高预测效果。

本公开实施例的第一方面，提供一种还款积极度评估方法，所述方法包括：

基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述用户借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；

所述预设时间阈值包括100天、3个月、6个月中的至少一个。

在一种可选的实施方式中，

所述基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分的方法包括：

所述基于所述还款比例和所述用户数据，通过boost提升算法XGB确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述方法还包括训练所述还款积极度评估模型，所述训练所述还款积极度评估模型的方法包括：

基于预先获取的训练数据集，其中，所述训练数据集包括用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例；

通过boost提升算法XGB，将所述训练数据集中的用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例作为输入变量，将还款积极度评分作为输出变量，训练所述还款积极度评估模型。

在一种可选的实施方式中，

所述方法还包括：

将所述用户的还款积极度评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。

本公开实施例的第二方面，还提供一种还款积极度评估装置，所述装置包括：

第一单元，用于基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

第二单元，用于根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

第三单元，用于基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述用户借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；

所述预设时间阈值包括100天、3个月、6个月中的至少一个。

在一种可选的实施方式中，

所述第三单元还用于：

所述基于所述还款比例和所述用户数据，通过boost提升算法XGB确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述装置还包括第四单元，所述第四单元用于：

基于预先获取的训练数据集，其中，所述训练数据集包括用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例；

通过boost提升算法XGB，将所述训练数据集中的用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例作为输入变量，将还款积极度评分作为输出变量，训练所述还款积极度评估模型。

在一种可选的实施方式中，

所述装置还包括第五单元，所述第五单元用于：

将所述用户的还款积极度评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。

本公开实施例的还款积极度评估方法，包括基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

本公开的还款积极度评估方法，通过建立还款积极度评分模型，对客户的还款积极度进行量化，对客户的还款积极度预测效果好，预测稳定，自动化程度高，易于实现，且迭代维护成本低。不仅建立还款积极度评分模型，还能够实时监测客户还款积极度的变化，有效控制借贷风险。

附图说明

图1为本公开实施例还款积极度评估方法的流程示意图；

图2为本公开实施例还款积极度评估装置的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

应当理解，在本公开中，“与A对应的B”、“与A相对应的B”、“A与B

相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1示例性地示出本公开实施例还款积极度评估方法的流程示意图，如图1所示，所述方法包括：

步骤S101、基于预先获取的用户数据

其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

在一种可选的实施方式中，所述用户借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；

所述预设时间阈值包括100天、3个月、6个月中的至少一个。

示例性地，若用户在某个时间点从金融平台借款，在当前时间点的前3个月，获取用户3个月内与借贷行为相关的数据，例如，分期还款、正常还款、提前还款、逾期还款、授信额度等等。

需要说明的是，还款积极度评分模型除了能够预测客户3个月内的还款行为或还款积极度，还能够预测客户6个月或100天等不同预定时长的还款积极度。该预定时长能够根据金融平台的需要进行调整

还款积极度评分模型的建立需要获取大量类似客户的数据，模型训练的时候用群体客户的数据进行训练，但模型上线后会根据各个用户不停的历史动作进行标签的更新。

步骤S102、根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

在一种可选的实施方式中，现有的计算用户还款积极度的方式往往是通过计算用户的还款次数，根据用户的还款次数来判断用户的还款积极性，用户还款次数越多的，认定用户还款积极性越高。

但是实际应用中，用户进行多次还款不一定能实现真正的积极还款，示例性地，用户需要还款的总额度为1万，用户进行10次还款，但是每次还款均为100元，总还款额度为1000元，远低于实际需要还款的总额度。

基于此，本公开实施例根据用户的数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例，例如，用户可以还款2次，但是还款额度为2000元，此种情况，可以认定为该用户的还款积极度远高于前一种还款方式。通过获取多个用户在预设时间阈值内的还款额度占所需还款总额的还款比例，能够有效地训练还款积极度评估模型。

步骤S103、基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

在一种可选的实施方式中，所述基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分的方法包括：

所述基于所述还款比例和所述用户数据，通过boost提升算法XGB确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述方法还包括训练所述还款积极度评估模型，所述训练所述还款积极度评估模型的方法包括：

基于预先获取的训练数据集，其中，所述训练数据集包括用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例；

通过boost提升算法XGB，将所述训练数据集中的用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例作为输入变量，将还款积极度评分作为输出变量，训练所述还款积极度评估模型。

示例性地，可以使用boost提升算法XGB构建还款积极度评估模型，用来预测用户在一定时间内的还款积极度，其中，一定时间可以包括100天、3个月、6个月中的至少一个。

其中，可用分箱的方法对预测结果还款积极度分为5组，标注为A、B、C、D、E标签分别为80％的概率、60％的概率、40％的概率、20％的概率、20％一下的概率，根据设定的一个80％的阈值，确定是落入A的类型即可。还款积极度越高客户风险越低。

本发明的还款积极度评估模型能够计算客户的标签数据中标签的重要性，并根据标签的重要性进行排名。在模型的使用过程中，能够通过标签的重要性对标签的权重进行调整，进而获得更精确的还款积极度评分。

本发明的实时更新的还款积极度评估方法，在后期模型上线后，只要客户有动作，就能够根据动作打上一个标签，这样模型能够实时更新每个用户的评分。

在一种可选的实施方式中，

所述方法还包括：

将所述用户的还款积极度评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。

进一步，所述用户数据，包括在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

还款积极度评分模型建立之后，可以利用模型对用户的还款积极度进行预测，此时，需要获取待评估的用户数据。用户数据的来源包括：在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

金融平台能够获取到用户的属性标签数据，例如性别、年龄、地点、学历、手机品牌等。

金融平台获取到用户的属性数据和借贷行为数据之后，就能够利用本发明的还款积极度评分模型计算出该用户的还款积极度评分，进而，能够准确预测该用户在未来3个月、6个月或是100天内的还款行为。

本发明的实时更新的还款积极度评估方法，能够在监测到该用户新的借贷行为，比如，该用户有一笔提前还款，本发明的还款积极度评分模型能够对客户的这一动作打个标签，并且在还款积极度评分模型中实时更新与用户借贷行为相关的标签数据，然后重新计算该用户的还款积极度评分，重新得到的评分应该是高于原先的评分的。

如果该用户有一笔逾期，并且逾期天数很高，同样地，本发明的还款积极度评分模型能够对客户的这一不良动作打个标签，并且在还款积极度评分模型中实时更新与用户借贷行为相关的标签数据，然后重新计算该用户的还款积极度评分，重新得到的评分应该是低于原先的评分的。

本公开实施例的还款积极度评估方法，包括基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

本公开的还款积极度评估方法，通过建立还款积极度评分模型，对客户的还款积极度进行量化，对客户的还款积极度预测效果好，预测稳定，自动化程度高，易于实现，且迭代维护成本低。不仅建立还款积极度评分模型，还能够实时监测客户还款积极度的变化，有效控制借贷风险。

图2示例性地示出本公开实施例还款积极度评估装置的结构示意图，如图2所示，所述装置包括：

第一单元21，用于基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

第二单元22，用于根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

第三单元23，用于基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述用户借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；

所述预设时间阈值包括100天、3个月、6个月中的至少一个。

在一种可选的实施方式中，

所述第三单元23还用于：

所述基于所述还款比例和所述用户数据，通过boost提升算法XGB确定所述用户的还款积极度评分。

在一种可选的实施方式中，

所述装置还包括第四单元，所述第四单元用于：

基于预先获取的训练数据集，其中，所述训练数据集包括用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例；

通过boost提升算法XGB，将所述训练数据集中的用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例作为输入变量，将还款积极度评分作为输出变量，训练所述还款积极度评估模型。

在一种可选的实施方式中，

所述装置还包括第五单元，所述第五单元用于：

将所述用户的还款积极度评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。

本公开还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。

其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种还款积极度评估方法，其特征在于，所述方法包括：

基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

2.根据权利要求1所述的还款积极度评估方法，其特征在于，

所述用户借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；

所述预设时间阈值包括100天、3个月、6个月中的至少一个。

3.根据权利要求1所述的还款积极度评估方法，其特征在于，所述基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分的方法包括：

所述基于所述还款比例和所述用户数据，通过boost提升算法XGB确定所述用户的还款积极度评分。

4.根据权利要求1至3中任一项所述的还款积极度评估方法，其特征在于，所述方法还包括训练所述还款积极度评估模型，所述训练所述还款积极度评估模型的方法包括：

基于预先获取的训练数据集，其中，所述训练数据集包括用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例；

通过boost提升算法XGB，将所述训练数据集中的用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例作为输入变量，将还款积极度评分作为输出变量，训练所述还款积极度评估模型。

5.根据权利要求1所述的还款积极度评估方法，其特征在于，所述方法还包括：

将所述用户的还款积极度评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。

6.一种还款积极度评估装置，其特征在于，所述装置包括：

第一单元，用于基于预先获取的用户数据，其中，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；

第二单元，用于根据所述用户数据，确定用户在预设时间阈值内的还款额度占所需还款总额的还款比例；

第三单元，用于基于所述还款比例和所述用户数据，通过预先构建的还款积极度评估模型，确定所述用户的还款积极度评分。

7.根据权利要求6所述的还款积极度评估装置，其特征在于，

所述用户借贷行为数据包括表征分期还款、正常还款、提前还款、逾期还款、授信额度的数据中的至少一个；

所述预设时间阈值包括100天、3个月、6个月中的至少一个。

8.根据权利要求6所述的还款积极度评估装置，其特征在于，所述第三单元还用于：

所述基于所述还款比例和所述用户数据，通过boost提升算法XGB确定所述用户的还款积极度评分。

9.根据权利要求6至8中任一项所述的还款积极度评估装置，其特征在于，所述装置还包括第四单元，所述第四单元用于：

基于预先获取的训练数据集，其中，所述训练数据集包括用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例；

通过boost提升算法XGB，将所述训练数据集中的用户属性训练标签数据和用户借贷行为训练标签数据、以及多个还款额度占所需还款总额的还款比例作为输入变量，将还款积极度评分作为输出变量，训练所述还款积极度评估模型。

10.根据权利要求6所述的还款积极度评估装置，其特征在于，所述装置还包括第五单元，所述第五单元用于：

将所述用户的还款积极度评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。

Images