[發(fā)明專利]智能授信方法及智能授信裝置

在審

• 申請?zhí)枺?/td>: 201410101102.2
• 申請日: 2014-03-19
• 公開（公告）號: CN103839183A
• 公開（公告）日: 2014-06-04
• 發(fā)明（設計）人: 嚴建峰;朱利民;李云飛;郝丹
• 申請（專利權(quán)）人: 江蘇蘇大大數(shù)據(jù)科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02
• 代理公司: 蘇州市中南偉業(yè)知識產(chǎn)權(quán)代理事務所(普通合伙) 32257
• 代理人: 楊明

技術(shù)領(lǐng)域

本發(fā)明涉及金融信用服務領(lǐng)域，具體涉及一種智能授信方法及智能授信裝置。

背景技術(shù)

銀行授信系統(tǒng)是根據(jù)公司客戶資料、行業(yè)背景、信用記錄等自然信息，對公司企業(yè)進行授信評估。其主要的功能包括授信申請、綜合授信、批量授信。因此，系統(tǒng)的建設目標是要建立以全行為中心、覆蓋各級下屬機構(gòu)以及信貸網(wǎng)點的授信業(yè)務服務平臺。

現(xiàn)在人工授信過程的缺點包括至少三點：

（1）信貸部門需要全方位判斷貸款客戶的信用，但是客戶傾向于遞交對自身有利的材料，而忽略甚至造假部分材料，以期獲得較高信用評價。真正對評估用戶信用有價值的數(shù)據(jù)很可能沒有出現(xiàn)在用戶申請材料中。

（2）授信的調(diào)查由人工完成，過程漫長。為確保授信的準確性，銀行需要用戶遞交的上百頁的待審核材料。目前采用人工核定這些材料的方式，非常費時費力，需要長達數(shù)月的時間，效率低，很影響用戶體驗。

（3）授信過程難度較高，人工判斷需要較豐富經(jīng)驗。需要客戶經(jīng)理綜合判斷的數(shù)據(jù)達到上千項，需要非常豐富的信貸經(jīng)驗和冷靜出色的判斷能力。而擁有豐富經(jīng)驗的信貸專家的比例畢竟很小，而且易受主觀因素影響，容易造成授信過程中存在較大的不確定性。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明提供一種減少了人工授信工作量的智能授信方法及智能授信裝置。

為達到上述目的，本發(fā)明智能授信方法，所述方法包括：

采集貸款客戶的資料數(shù)據(jù)；

對采集的所述資料數(shù)據(jù)進行校核處理，建立貸款客戶的資料數(shù)據(jù)庫；

基于標準案例庫，采用預定分析方法對所述資料數(shù)據(jù)庫進行分析，篩選出與授信相關(guān)的特征集；

采用預定分類方法基于所述標準案例庫，對所述特征集進行數(shù)據(jù)訓練，得到授信模型；

基于所述授信模型，對貸款客戶的授信請求進行相應的授信操作；

所述方法還包括：更新所述資料數(shù)據(jù)庫、更新所述特征集，更新所述授信模型。

優(yōu)選地，所述預定分析方法包括深度學習方法和/或主成分分析法。

優(yōu)選地，所述預定分類方法包括支持向量機方法、人工神經(jīng)網(wǎng)絡或/和決策樹。

進一步地，所述校核處理至少包括對所述資料數(shù)據(jù)進行清理、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)歸約。

進一步地，所述客戶信息資料至少包括：客戶姓名或名稱、客戶行業(yè)背景、信用記錄、最近三個月內(nèi)的貸款、還款記錄、工商信息、信用信息和或稅務信息。

特別地，所述方法還包括預先輸入或存儲所述標準案例庫的步驟。

為達到上述發(fā)明目的，本發(fā)明智能授信裝置，包括：

客戶信息采集模塊，用于采集貸款客戶的資料數(shù)據(jù)；

數(shù)據(jù)庫建立模塊，用于對所述客戶信息采集模塊采集的所述資料數(shù)據(jù)進行校核處理，建立貸款客戶的資料數(shù)據(jù)庫；

特征集提取模塊，用于基于標準案例庫，采用預定分析方法對所述資料數(shù)據(jù)庫進行分析，篩選出與授信相關(guān)的特征集；

授信模型生成模塊，用于采用預定分類方法基于所述標準案例庫，對所述特征集進行數(shù)據(jù)訓練，得到授信模型；

授信模塊，基于所述授信模型，對貸款客戶的授信請求進行相應的授信操作；

管理模塊，用于更新所述資料數(shù)據(jù)庫、更新所述特征集，所述授信模型生成模塊基于更新后的所述特征集更新所述授信模型。

優(yōu)選地，所述特征集提取模塊包括包括深度學習方法單元和/或主成分分析法單元，其中

所述深度學習單元，采用深度學習的方法基于標準案例庫對所述資料數(shù)據(jù)庫進行分析，篩選出與授信相關(guān)的特征集；

所述主成分分析單元，采用主成分分析的方法基于標準案例庫對所述資料數(shù)據(jù)庫進行分析，篩選出與授信相關(guān)的特征集。

優(yōu)選地，授信模型生成模塊包括支持向量機單元、人工神經(jīng)網(wǎng)絡單元或/和決策樹單元，其中，

所述支持向量機單元，采用支持向量機方法基于所述標準案例庫，對所述特征集進行數(shù)據(jù)訓練，得到授信模型；

所述人工神經(jīng)網(wǎng)絡單元，采用人工神經(jīng)網(wǎng)絡方法基于所述標準案例庫，對所述特征集進行數(shù)據(jù)訓練，得到授信模型；

所述決策樹單元，采用決策樹方法基于所述標準案例庫，對所述特征集進行數(shù)據(jù)訓練，得到授信模型。

具體地，所述智能授信裝置為PC、筆記本、平板電腦、手機、個人移動終端。