CN111932357A - 一种数据转移的处理方法、装置、计算设备及存储介质 - Google Patents
一种数据转移的处理方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN111932357A CN111932357A CN202010622146.5A CN202010622146A CN111932357A CN 111932357 A CN111932357 A CN 111932357A CN 202010622146 A CN202010622146 A CN 202010622146A CN 111932357 A CN111932357 A CN 111932357A
- Authority
- CN
- China
- Prior art keywords
- data
- strategy
- data transfer
- target object
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 257
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000003066 decision tree Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000011084 recovery Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据转移的处理方法、装置、计算设备及存储介质，属于金融科技技术领域。所述方法包括：确定目标对象的欠款数据；获取所述目标对象的特征属性值；将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略；所述策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数；根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据；发送数据转移请求，所述数据转移请求中包括转移数据，以使所述目标对象解除与转移数据的关联关系。该方案用于降低自动扣款的失败率，减少对网络资源的占用。
Description
技术领域
本申请涉及金融(Fintech)科技的计算机技术领域，尤其涉及一种数据转移的处理方法、装置、计算设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如针对数据转移的处理过程。
自动扣款，即信贷业务中银行在用户还款到期日，根据用户欠款自动发起扣款的一项功能。现有技术中只要用户有欠款，系统都会向银行发起扣款请求，有些情况下，会因为用户银行卡里没有钱或者金额不足而导致扣款失败。因此，现有的信贷业务自动扣款过程，失败率较高，存在浪费网络资源、扣款效率较低的问题。
发明内容
本申请实施例提供一种数据转移的处理方法、装置、计算设备及存储介质，用于降低自动扣款的失败率，减少对网络资源的占用。
第一方面，提供一种数据转移的处理方法，所述方法包括：
确定目标对象的欠款数据；
获取所述目标对象的特征属性值；
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略；所述策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数；
根据所述目标对象的欠款数据和匹配出的数据转移策略，发送数据转移请求。
在一种可能的实施例中，根据以下方法训练得到所述策略匹配模型：
获取训练数据集，所述训练数据集中包含有训练对象的特征属性值以及训练对象实际的数据转移策略；
将所述训练对象的特征属性值以及训练对象实际的数据转移策略输入所述策略匹配模型，确定所述训练对象的特征属性的信息熵；
根据训练对象匹配的数据转移策略与所述训练对象的特征属性的信息熵计算信息增益；
根据所述信息增益，将训练数据集依次划分得到子数据集，每个子数据集作为下一次迭代的训练数据集，直至叶子节点的数量达到阈值。
在一种可能的实施例中，所述获取训练样本，包括：
获取训练对象的历史数据；
根据所述历史数据，确定所述训练对象的特征属性值，以及所述训练对象对应于不同数据转移策略的转移评价值；
根据转移评价值，确定所述训练对象实际的数据转移策略。
在一种可能的实施例中，所述将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略，包括：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为分批转移策略；
所述根据所述目标对象的欠款数据和匹配出的数据转移策略，发送数据转移请求，包括：
根据所述目标对象的欠款数据和所述分批转移策略，确定N个数据转移请求，其中，一个数据转移请求中包含部分欠款数据，所述N个数据转移请求中的部分欠款数据之和等于所述目标对象的欠款数据；
依次发送所述N个数据转移请求，直至接收到转移失败消息。
在一种可能的实施例中，所述将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略，包括：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为放弃转移策略。
在一种可能的实施例中，所述特征属性值为目标对象的转移逾期时长。
第二方面，提供一种数据转移的处理装置，所述装置包括：
确定模块，用于确定目标对象的欠款数据；
获取模块，用于获取所述目标对象的特征属性值；
匹配模块，用于将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略；所述策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数；
发送模块，用于根据所述目标对象的欠款数据和匹配出的数据转移策略，发送数据转移请求。
在一种可能的实施例中，匹配模块，还用于根据以下方法训练得到所述策略匹配模型：
获取训练样本，所述训练样本中包含有训练对象的特征属性值以及训练对象实际的数据转移策略；
将所述训练对象的特征属性值以及训练对象实际的数据转移策略输入所述策略匹配模型，确定所述训练对象的特征属性的信息熵；
根据训练对象匹配的数据转移策略与所述训练对象的特征属性的信息熵计算信息增益；
当所述信息增益最大时，确定所述策略匹配模型对应的参数。
第三方面，提供一种数据转移的处理装置，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述第一方面中任一所述的数据转移的处理方法的步骤。
第四方面，提供一种存储介质，所述存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行上述第一方面中任一所述的数据转移的处理方法的步骤。
本申请实施例中，在需要针对目标对象进行扣款时，确定目标对象的欠款数据，获取目标对象的特征属性值，将目标对象的特征属性值输入策略匹配模型中，得到目标对象匹配出的数据转移策略。这里，策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数。之后，根据目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据，并生成数据转移请求，该数据转移请求中包含转移数据。发送数据转移请求，以使银行可以根据数据转移请求中的转移数据，解除目标对象与转移数据的关联关系。由于这里转移数据是根据数据转移策略得到的，而目标对象的数据转移策略是根据目标对象的特征属性，利用策略匹配模型匹配得到，因此目标对象可以解除与转移数据的关联关系，即用户的账户中存在足够的余额以扣除对应的转移数据，完成扣款过程。本发明实施例对不同的目标对象采用不同的数据转移策略，通过策略匹配模型提升了数据转移的成功率，解决了浪费网络资源，扣款成功率低、效率低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种可能的系统构架的结构示意图；
图2为本发明实施例提供的一种分布式数据处理方法的流程示意图；
图3为本发明实施例提供的一种决策树的示意图；
图4为本发明实施例提供的一种分布式数据处理装置的结构示意图；
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例中，“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本发明实施例不做限制。
另外，本文中术语“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，A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。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
为了便于理解，下面对本发明实施例中可能涉及的名词进行定义和解释。
自动扣款：即信贷业务中银行在用户还款到期日根据客户欠款自动发起扣款的一项功能。
回款金额：即每笔扣款实际扣款成功金额。
扣款成本费用：假如每笔扣款交易的邮路费为t，扣款总交易数为T，则总成本费用T＝t×N。
扣款收益率：
扣款回款率和成功率只能表示系统回收款的情况，未能反映出扣款成本的情况，因此这里提出扣款收益率的概念。扣款收益率即回收款金额和扣款成本费用金额的比例，即回收款金额越大，成本费用越小，表示收益率越高。本发明实施例提升扣款收益率，即用最小的扣款成本费用换取最大金额的回收款。
因此得到收益率Q计算公式：
其中回款金额R≥0，扣款次数N≥0，邮路费单价t为常量。由此可见，系统收益率和回收率和扣款成功率是正相关的，和扣款的次数是反相关的。当 N>0时，回款金额为0时，收益率也会随着扣款次数的增多而降低，当不发起扣款即N＝0时，收益率为0。
机器学习：
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
决策树：
是一种分类预测的机器学习的方法，一种有监督学习方法，有监督学习中的数据是提前做好了分类信息的，它的训练样本中同时包含有特征和标签信息，因此根据这些来得到相应的输出。即给定一组样本数据的属性和分类结果，通过机器学习得到一个分类器，训练得到的分类器能够对新出现的对象给出正确的分类。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。
以下介绍本申请的设计思想。
如何提升银行信贷业务自动扣款的成功率、回款率以及降低扣款的成本，是目前亟待解决的技术问题。自动扣款，即信贷业务中银行在用户还款到期日根据客户欠款自动发起扣款的一项功能。但是往往因为用户银行卡里没有钱或者金额不足而导致扣款失败。一般情况下，客户贷款逾期越久，扣款成功的概率就越低。尤其是那些不良的客户，自动扣款的成功率和回款率就更低了。然后无论扣款是否成功，扣款渠道的邮路费都是要计入银行成本的。针对不良的客户的扣款，不仅无法回款，还要支付扣款邮路费，增加了银行的成本。因此，需要提升扣款的回收率和扣款的成功率，同时减少扣款的次数，相应地也就降低的银行的成本。尤其是随着银行自动扣款业务发展壮大，客户量和交易量增长迅速，如何通过提高自动扣款的成功率和回款率来降低银行自动扣款的成本，显得越来越重要。
现有技术中，扣款方式比较单一，只要客户有欠款，均直接发起全额扣款，这样扣款的失败率较高。
鉴于此，本发明实施提供一种数据转移的处理系统，请参考图1，其示出了本发明一个实施例提供的数据转移的处理系统的系统架构图，该数据转移处理系统中包括信贷业务自动扣款平台101和至少一个银行业务平台102。信贷业务自动扣款平台101和银行业务平台102之间通过有线或无线网络相连。信贷业务自动扣款平台101和/或银行业务平台102可以是计算机等网络设备。信贷业务自动扣款平台101和/或银行业务平台102可以是一个独立的设备，也可以是多个服务器所形成的服务器集群。优选地，信贷业务自动扣款平台101和 /或银行业务平台102可以采用云计算技术进行信息处理。
可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network， WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language， HTML)、可扩展标记语言(Extensible MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity， IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可按照实施例或者附图所示的方法顺序执行或者并行执行。
基于上述内容，本申请实施例提供一种数据转移的处理方法，该方法可以部署在例如银行、信贷平台等需要进行数据转移处理的系统中。请参见图2所示，本申请实施例中的数据转移的处理方法的流程描述如下。
步骤201：确定目标对象的欠款数据。
步骤202：获取所述目标对象的特征属性值。
步骤203：将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略。
其中，策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数。
步骤204：根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据。
步骤205：发送数据转移请求，所述数据转移请求中包括所述转移数据，以使所述目标对象解除与转移数据的关联关系。
本申请实施例中，在需要针对目标对象进行扣款时，确定目标对象的欠款数据，获取目标对象的特征属性值，将目标对象的特征属性值输入策略匹配模型中，得到目标对象匹配出的数据转移策略。这里，策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数。之后，根据目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据，并生成数据转移请求，该数据转移请求中包含转移数据。发送数据转移请求，以使银行可以根据数据转移请求中的转移数据，解除目标对象与转移数据的关联关系。由于这里转移数据是根据数据转移策略得到的，而目标对象的数据转移策略是根据目标对象的特征属性，利用策略匹配模型匹配得到，因此目标对象可以解除与转移数据的关联关系，即用户的账户中存在足够的余额以扣除对应的转移数据，完成扣款过程。本发明实施例对不同的目标对象采用不同的数据转移策略，通过策略匹配模型提升了数据转移的成功率，解决了浪费网络资源，扣款成功率低、效率低的问题。
从用户历史扣款交易数据中可以看出，随着用户贷款逾期天数增加，用户银行卡里的余额越来越少，能够扣回来的金额也越来越少。如果能够找到用户贷款逾期天数和银行卡余额的一种趋势关系，就能针对不同逾期情况的用户采用不用的数据转移策略即扣款策略，从而达到保证较低扣款次数的同时提升扣款的回款率和成功率。
例如如果用户不逾期或者逾期情况较轻，银行卡里的逾期一般是能够覆盖用户所有欠款，则只需要发起一笔账户级的扣款，即针对该用户所有的欠款只发起一个数据转移请求，就可以扣回所有的全款，从而在较低的扣款次数的情况下得到较高的回款率。再如用户逾期情况较严重的情况，这种用户一般卡余额不足，很难扣回所有欠款，则如果采用成分小额扣款，将欠款数据按余额成份拆分成多个小额数据，一笔笔发起扣款，就能够提升回款的概率。当用户逾期特别严重的时候，这种用户都是信用比较差的，银行卡里的余额基本为0，扣款成功的概率也基本为0，针对这种客户可以直接放弃扣款。
具体来说，本发明实施例提供了多种数据转移策略：用户级转移策略、分批转移策略、放弃转移策略。下面具体描述这几种策略。
用户级转移策略：
将单个用户的所有欠款汇总到一笔交易发起扣款，优点是扣款次数少，扣款邮路费带来的成本低，缺点是由于扣款金额大，扣款成功的概率低，尤其是针对那些逾期很久的客户，银行卡里的钱不足于扣还所有的欠款。
分批转移策略：
则将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略，包括：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为分批转移策略；
所述根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据，包括：
根据所述目标对象的欠款数据和所述分批转移策略，确定N个部分数据和数据转移请求，其中，一个数据转移请求中包含一个部分数据，所述N个部分数据之和等于所述目标对象的欠款数据；
所述发送数据转移请求，包括：
依次发送所述N个数据转移请求，直至接收到转移失败消息。
具体来说，分批转移策略又分为成分小额扣款策略和借据级扣款策略。
成分小额扣款策略就是将用户下的每一笔借据按本金、利息、罚息成分拆分，每笔借据的每个成分的欠款发起一笔交易，当上一笔扣款交易成功后，再发起下一笔扣款，如果上一笔扣款失败将不再发起下一笔扣款，这种扣款策略的优点是扣款成功率较高，由于扣款次数增加带来的成本也会增加。
借据级扣款策略是对用户级扣款和余额成分级扣款的一个折中，即对扣款次数和扣款回款率做了一个折中。每笔借据的总欠款金额作为一笔交易发起，如果用户有多笔借据也是上一笔借据交易成功后，再发起下一笔扣款，直到扣款失败。
放弃转移策略：
所述将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略，包括：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为放弃转移策略。
针对这种用户，是信用比较差的，银行卡里的余额基本为0，扣款成功的概率也基本为0，对这种用户发起扣款就是浪费扣款成本，因此针对这种用户直接放弃扣款。
如何根据一个用户的特征属性值，确定该用户的扣款策略，即上述数据转移策略，可以将这个问题转化成一个分类问题，利用决策树的分类模型进行解决。本发明实施例中根据用户的特征属性值，利用策略匹配模型，为用户匹配出对应的数据转移策略，然后根据数据转移策略对用户发送扣款请求。
为了训练策略匹配模型，首先需要确定训练样本。本发明实施例中，获取训练样本，包括：
获取训练对象的历史数据；
根据所述历史数据，确定所述训练对象的特征属性值，以及所述训练对象对应于不同数据转移策略的转移评价值；
根据转移评价值，确定所述训练对象实际的数据转移策略。
具体实施过程中，由于为用户匹配不同的数据转移策略是为了提升数据转移的成功率，这里转移评价值即用于衡量数据转移策略针对具体用户的数据转移成功率，为了尽量提高数据转移成功率，可以计算用户在不同数据转移策略下的转移评价值，选择转移评价值最高的数据转移策略作为训练对象实际的数据转移策略。
针对一个训练对象，获取的历史数据包括客户逾期天数、客户贷款信息、客户银行卡余额，其中客户贷款信息包括客户欠款总额，借款总数，每笔借款欠款金额，每笔借据的期数和欠款余额成份(本金、利息、罚息)。由于匹配合适的数据转移策略是为了能够获得最高收益率。因此，针对训练样本中的历史数据，计算其对应于不同数据转移策略的扣款收益率，对应扣款收益率最大的数据转移策略即为该用户实际的数据转移策略。
在具体的场景中，将扣款收益率作为转移评价值，具体的扣款收益率根据以下公式计算：
其中，Q为扣款收益率，R为用户在一个数据转移策略下的回收金额，N 为扣款次数，t为邮路费单价，为常量。
根据上述公式，需要根据每个数据转移策略下的回收金额R和扣款次数N，才能每种数据转移策略的扣款收益率。本发明实施例中可以根据用户的历史数据，确定回收金额和扣款次数。假如用户银行卡余额M，欠款金额为B，具体求解方法如下：
用户级转移策略：
扣款次数始终为1，即N＝1，扣款金额根据银行卡金额和欠款金额比较得出。当M≥B时，R＝B，则
否则R＝0，则
借据级扣款策略：
借据按欠款金额B从大到小排序，用银行卡余额M依次匹配每笔借据欠款，得到扣款次数N和回收金额R，再根据公式1计算得到扣款收益率Q。
成分小额扣款策略：算法类似借据级扣款，将每笔借据按余额成份拆分，拆分后从大到小排序，然后按与借据级扣款策略相同的算法进行求解回收金额和扣款次数。
放弃扣款策略：放弃扣款时扣款次数为0，扣款收益率也为0。
另一方面，本发明实施例还根据所述历史数据，确定所述训练对象的特征属性值。由于本发明实施例中要解决的核心问题是，客户在客户逾期到一定程度后，应该采取何种扣款策略才能得到最大的扣款收益率。影响扣款策略选择的特征属性值有很多，例如客户逾期天数、欠款金额、借据总数、贷款总期数等，但是最主要的属性为用户的逾期天数，因此本发明实施例中的特征属性值为目标对象的转移逾期时长，即客户的逾期天数。进而，本发明实施例构建一个由目标对象的转移逾期时长为属性节点的决策树。
本发明实施例中，从历史扣款交易信息中选择10W个客户作为训练对象进行实验，首先获取这10W客户的逾期天数、银行卡信息和贷款情况，分别计算每个训练对象在不同扣款策略下的扣款收益率，将扣款收益率最高的扣款策略作为该训练对象实际的扣款策略，从而得到每个训练对象的特征属性值和实际的数据转移策略。将10万个训练对象按2:8分成两份，80％作为测试样本，用于构建决策树，20％作为验证数据，用于评估生成的决策树模型。具体的，一个训练样本包括一个训练对象的转移逾期时长和实际的数据转移策略。
进一步地，本发明实施例根据以下方法训练得到所述策略匹配模型：
获取训练数据集，所述训练数据集中包含有训练对象的特征属性值以及训练对象实际的数据转移策略；
将所述训练对象的特征属性值以及训练对象实际的数据转移策略输入所述策略匹配模型，确定所述训练对象的特征属性的信息熵；
根据训练对象匹配的数据转移策略与所述训练对象的特征属性的信息熵计算信息增益；
根据所述信息增益，将训练数据集依次划分得到子数据集，每个子数据集作为下一次迭代的训练数据集，直至叶子节点的数量达到阈值。
决策树是一种分类预测的机器学习的方法，是一种监管学习方法，即给定一组样本数据的属性和分类结果，通过机器学习得到一个分类器，训练得到的分类器能够对新出现的对象给出正确的分类。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后决策树的构造就是进行属性选择度量确定各个特征之间的树结构；构建决策树的关键步骤是分裂属性，分裂属性就是让一个分裂子类中待分类的项尽可能的属于同一个类别。
由于本发明实施例中的决策树只选取了转移逾期时长即逾期天数作为特征属性进行分裂，所以直接确定逾期天数进行分裂。具体针对逾期天数的分裂，可以通过计算并比较分裂节点的信息增益，来求解对应的分类子节点。
信息熵根据以下公式计算：
其中，pk为样本集合D中第k类样本所占比例；Y为样本分类数；Ent(D)为特征属性的信息熵，其值越小，就代表该样本集D的纯度越高。
本发明实施例中，决策树最终的分类数与数据转移策略的数量相同，例如上述数据转移策略的个数为4，则分类数为4，也就是Y等于4。pk为根据所有训练对象实际的数据转移策略得到，例如，总共有1000000个训练对象，其中 200000个训练对象实际的数据转移策略为用户级转移策略，则对于用户级转移策略，对应的
同理计算借据级扣款策略对应的p2、成分小额扣款策略p3、放弃扣款策略p4，进而得到特征属性转移逾期时长对应的信息熵。
进一步地，信息增益根据以下公式计算：
其中，Ent(D，a)为特征属性a的信息增益，Ent(D)为特征属性a的信息熵， V为特征属性a的分支节点的个数，Dv是第v个分支所包含的样本数。
本发明实施例中客户特征属性即转移逾期时长有4个可能取值，即利用转移逾期时长对训练对象进行划分，会产生4个分类子节点，通过改变节点的分裂数据，可以改变每个分类子节点中包含的样本数。根据公式3可以计算出用转移逾期时长对训练对象进行划分所获得的信息增益。其中，信息增益越大，用特征属性a对样本进行划分的纯度越高。
具体的，每次训练数据集的节点分裂可以通过比较不同分裂数据对应的信息增益确定，由于本发明实施例中的特征属性为逾期天数，可以依次列举从小到大的逾期天数分别计算信息增益，从中选取信息增益大的逾期天数进行节点分裂。例如，计算逾期天数为1天、2天、3天……时，特征属性的信息增益，若逾期天数为3天的信息增益大于逾期天数为2天的信息增益，且逾期天数为 3天的信息增益大于逾期天数为4天的信息增益，则将逾期天数为3天作为一个分裂数据。
由于本发明实施例中已确定数据转移策略的数量为4个，决策树的叶子节点的个数也为4个。因此，当节点分裂至叶子节点的数量为4个时，停止向下划分，得到训练完成的决策树。
举例来说，根据训练对象构建出的决策树如图3所示。在如图3所示的结构中，调整分裂数据即逾期天数的值，可以改变每个叶子节点中包含的训练对象的个数，进而改变信息增益。
由图3可以看出，当客户最大逾期天数小于或等于2时，对应的数据转移策略为用户级转移策略，即发起客户级扣款；当客户逾期天数为2-60时，对应的数据转移策略为借据级扣款策略，即发起借据级扣款；当客户逾期天数为 60-360时，对应的数据转移策略为成分小额扣款策略则，发起余额成分级的扣款；当客户逾期天数达到360天以上，对应的数据转移策略为放弃扣款策略，将不再对客户发起扣款。
进一步地，还可以对建立的决策树进行评估。当所述信息增益最大时，确定所述策略匹配模型对应的参数之后，还包括：
获取评估样本，评估样本中包含有评估对象的特征属性值以及评估对象实际的数据转移策略；
将评估对象的特征属性值输入所述策略匹配模型，得到评估对象匹配的数据转移策略；
将评估对象匹配的数据转移策略与实际的数据转移策略相对比，确定所述策略匹配模型的准确率。
为了评估上一节中求解得到的决策树模型的性能，我们将5.1.3中构建10 万客户样本的20％输入到决策树进行分类决策。针对分类结果，我们通过模型正确和错误预测的检验记录计数进行评估，这些计数存放在称作混淆矩阵 (confusion matrix)的表格中，表中每个表项fij表示实际类标号为i但被预测为类j的记录数。实验结果的混淆矩阵如下表：
计算得到决策树模型，准确率＝92％，错误率＝8％，实验结果显示本发明实施例构建的关于客户逾期天数的扣款策略决策树模型具有较高的准确性，在给定客户逾期天数，本发明实施例提出的智能扣款系统能够自动决策出相应的扣款策略，保证扣款系统在降低扣款成本的同时具有较高的扣款回收率。
基于同一发明构思，本申请实施例提供一种数据转移的处理装置。该数据转移的处理装置可以实现前述实施例中的数据转移的处理方法。请参见图4所示，包括：
确定模块401，用于确定目标对象的欠款数据；
获取模块402，用于获取所述目标对象的特征属性值；
匹配模块403，用于将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略；所述策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数；
策略模块404，用于根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据；
发送模块405，用于发送数据转移请求，所述数据转移请求中包括转移数据，以使所述目标对象解除与转移数据的关联关系。
一种可选的实施例中，匹配模块403根据以下方法训练得到所述策略匹配模型：
获取训练数据集，所述训练数据集中包含有训练对象的特征属性值以及训练对象实际的数据转移策略；
将所述训练对象的特征属性值以及训练对象实际的数据转移策略输入所述策略匹配模型，确定所述训练对象的特征属性的信息熵；
根据训练对象匹配的数据转移策略与所述训练对象的特征属性的信息熵计算信息增益；
根据所述信息增益，将训练数据集依次划分得到子数据集，每个子数据集作为下一次迭代的训练数据集，直至叶子节点的数量达到阈值。
一种可选的实施例中，匹配模块403，具体用于：
获取训练对象的历史数据；
根据所述历史数据，确定所述训练对象的特征属性值，以及所述训练对象对应于不同数据转移策略的转移评价值；
根据转移评价值，确定所述训练对象实际的数据转移策略。
一种可选的实施例中，匹配模块403，还用于：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为分批转移策略；
所述策略模块，用于：
根据所述目标对象的欠款数据和所述分批转移策略，确定N个部分数据和数据转移请求，其中，一个数据转移请求中包含一个部分数据，所述N个部分数据之和等于所述目标对象的欠款数据；
所述发送模块，用于：
依次发送所述N个数据转移请求，直至接收到转移失败消息。
一种可选的实施例中，匹配模块403，还用于：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为放弃转移策略。
一种可选的实施例中，所述特征属性值为目标对象的转移逾期时长。
前述的数据转移的处理方法的实施例涉及的各步骤的所有相关内容均可援引到本申请施例中的数据转移的处理装置所对应的功能模块的功能描述，在此不再赘述。
本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
基于同一发明构思，本申请实施例还提供一种计算设备，如图5所示，本申请实施例中的计算设备包括至少一个处理器501，以及与至少一个处理器501 连接的存储器502和通信接口503，本申请实施例中不限定处理器501与存储器502之间的具体连接介质，图5中是以处理器501和存储器502之间通过总线500连接为例，总线500在图5中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线500可以分为地址总线、数据总线、控制总线等，为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中，存储器502存储有可被至少一个处理器501执行的指令，至少一个处理器501通过执行存储器502存储的指令，可以执行前述的全链路性能测试方法中所包括的步骤。
其中，处理器501是计算设备的控制中心，可以利用各种接口和线路连接整个计算设备的各个部分，通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据，计算设备的各种功能和处理数据，从而对计算设备进行整体监控。可选的，处理器501可包括一个或多个处理模块，处理器 501可集成应用处理器和调制解调处理器，其中，处理器501主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。在一些实施例中，处理器501和存储器502可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例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。
存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器 (StaticRandom Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(ReadOnly Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通信接口503是能够用于进行通信的传输接口，可以通过通信接口503接收数据或者发送数据，进而于其它设备进行通信。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质例如是计算机可读存储介质，该计算机可读存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的数据转移的处理方法的步骤。
在一些可能的实施方式中，本申请实施例提供的数据转移的处理方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机上运行时，所述程序代码用于使所述计算机执行前文述描述的根据本发明各种示例性实施方式的数据转移的处理方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种数据转移的处理方法，其特征在于，所述方法包括：
确定目标对象的欠款数据；
获取所述目标对象的特征属性值；
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略；所述策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数；
根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据；
发送数据转移请求，所述数据转移请求中包括转移数据，以使所述目标对象解除与转移数据的关联关系。
2.如权利要求1所述的方法，其特征在于，根据以下方法训练得到所述策略匹配模型：
获取训练数据集，所述训练数据集中包含有训练对象的特征属性值以及训练对象实际的数据转移策略；
将所述训练对象的特征属性值以及训练对象实际的数据转移策略输入所述策略匹配模型，确定所述训练对象的特征属性的信息熵；
根据训练对象匹配的数据转移策略与所述训练对象的特征属性的信息熵计算信息增益；
根据所述信息增益，将训练数据集依次划分得到子数据集，每个子数据集作为下一次迭代的训练数据集，直至叶子节点的数量达到阈值。
3.如权利要求2所述的方法，其特征在于，所述获取训练样本，包括：
获取训练对象的历史数据；
根据所述历史数据，确定所述训练对象的特征属性值，以及所述训练对象对应于不同数据转移策略的转移评价值；
根据转移评价值，确定所述训练对象实际的数据转移策略。
4.如权利要求1所述的方法，其特征在于，所述将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略，包括：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为分批转移策略；
所述根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据，包括：
根据所述目标对象的欠款数据和所述分批转移策略，确定N个部分数据和数据转移请求，其中，一个数据转移请求中包含一个部分数据，所述N个部分数据之和等于所述目标对象的欠款数据；
所述发送数据转移请求，包括：
依次发送所述N个数据转移请求，直至接收到转移失败消息。
5.如权利要求1所述的方法，其特征在于，所述将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略，包括：
将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略为放弃转移策略。
6.如权利要求1至5任一项所述的方法，其特征在于，所述特征属性值为目标对象的转移逾期时长。
7.一种数据转移的处理装置，其特征在于，所述装置包括：
确定模块，用于确定目标对象的欠款数据；
获取模块，用于获取所述目标对象的特征属性值；
匹配模块，用于将所述目标对象的特征属性值输入策略匹配模型中，得到所述目标对象匹配出的数据转移策略；所述策略匹配模型利用训练对象的特征属性值以及训练对象实际的数据转移策略进行训练得到对应的模型参数；
策略模块，用于根据所述目标对象的欠款数据和匹配出的数据转移策略，确定对应的转移数据；
发送模块，用于发送数据转移请求，所述数据转移请求中包括转移数据，以使所述目标对象解除与转移数据的关联关系。
8.如权利要求7所述的装置，其特征在于，所述匹配模块，还用于根据以下方法训练得到所述策略匹配模型：
获取训练数据集，所述训练数据集中包含有训练对象的特征属性值以及训练对象实际的数据转移策略；
将所述训练对象的特征属性值以及训练对象实际的数据转移策略输入所述策略匹配模型，确定所述训练对象的特征属性的信息熵；
根据训练对象匹配的数据转移策略与所述训练对象的特征属性的信息熵计算信息增益；
根据所述信息增益，将训练数据集依次划分得到子数据集，每个子数据集作为下一次迭代的训练数据集，直至叶子节点的数量达到阈值。
9.一种计算设备，其特征在于，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1-6任一项所述方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010622146.5A CN111932357A (zh) | 2020-06-30 | 2020-06-30 | 一种数据转移的处理方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010622146.5A CN111932357A (zh) | 2020-06-30 | 2020-06-30 | 一种数据转移的处理方法、装置、计算设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111932357A true CN111932357A (zh) | 2020-11-13 |
Family
ID=73316988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010622146.5A Pending CN111932357A (zh) | 2020-06-30 | 2020-06-30 | 一种数据转移的处理方法、装置、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932357A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387086A (zh) * | 2022-01-12 | 2022-04-22 | 平安科技（深圳）有限公司 | 自动扣款方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007265180A (ja) * | 2006-03-29 | 2007-10-11 | Mizuho Information & Research Institute Inc | 債権流動化管理方法、債権流動化管理システム及び債権流動化管理プログラム |
| CN109472586A (zh) * | 2018-10-29 | 2019-03-15 | 北京网众共创科技有限公司 | 策略确定方法及装置、存储介质、电子装置 |
| WO2019072128A1 (zh) * | 2017-10-09 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 对象识别方法及其系统 |
-
2020
- 2020-06-30 CN CN202010622146.5A patent/CN111932357A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007265180A (ja) * | 2006-03-29 | 2007-10-11 | Mizuho Information & Research Institute Inc | 債権流動化管理方法、債権流動化管理システム及び債権流動化管理プログラム |
| WO2019072128A1 (zh) * | 2017-10-09 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 对象识别方法及其系统 |
| CN109472586A (zh) * | 2018-10-29 | 2019-03-15 | 北京网众共创科技有限公司 | 策略确定方法及装置、存储介质、电子装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘军丽;陈翔;: "基于决策树的个人住房贷款信用风险评估模型", 计算机工程, no. 13, 5 July 2006 (2006-07-05), pages 263 - 265 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387086A (zh) * | 2022-01-12 | 2022-04-22 | 平安科技（深圳）有限公司 | 自动扣款方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111681091B (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
| US10698795B2 (en) | Virtual payments environment | |
| CN111178219A (zh) | 票据识别管理方法、装置、存储介质及电子设备 | |
| JP2004506959A (ja) | 情報が欠けた状態での評価値予測モデル | |
| CN110264342A (zh) | 一种基于机器学习的业务审核方法及装置 | |
| CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
| CN107038511A (zh) | 一种确定风险评估参数的方法及装置 | |
| CN106254543A (zh) | 基于云计算架构的分布式互联网金融网贷方法和系统 | |
| CN111260189B (zh) | 一种风险控制方法、装置、计算机系统及可读存储介质 | |
| Chen et al. | A combined mining-based framework for predicting telecommunications customer payment behaviors | |
| CN115439030A (zh) | 一种基于大数据分析的资金往来信息管理系统 | |
| CN112613978B (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
| CN113537960A (zh) | 一种异常资源转移链路的确定方法、装置和设备 | |
| WO2023045691A1 (zh) | 对象识别方法、装置、电子设备及存储介质 | |
| CN114862110A (zh) | 商业银行业务中台构建方法、装置、电子设备及存储介质 | |
| CN111932357A (zh) | 一种数据转移的处理方法、装置、计算设备及存储介质 | |
| CN111932368A (zh) | 一种信用卡发卡系统及其构建方法、装置 | |
| CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| CN117094764A (zh) | 银行积分处理方法及装置 | |
| CN111709831B (zh) | 黑名单的分析方法及装置 | |
| CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
| CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 | |
| CN111079992A (zh) | 数据处理方法、装置和存储介质 | |
| CN111461863A (zh) | 数据处理方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |