[發明專利]一種用戶全生命周期信用預測方法、裝置和計算機設備

在審

• 申請號: 201910588634.6
• 申請日: 2019-07-02
• 公開（公告）號: CN110322343A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 嚴銳;張俊
• 申請（專利權）人: 上海上湖信息技術有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q10/04;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 張慧娟

本發明公開了一種用戶全生命周期信用預測方法、裝置和計算機設備，屬于數據分析技術領域。方法包括：獲取待測用戶在客戶端應用內的操作記錄數據，操作記錄數據包括按照操作時間點順序排序的多個行為數據；識別出操作時間點中的關鍵時間點，并針對每一當前關鍵時間點，在操作記錄數據中，對當前關鍵時間點與前一個關鍵時間點之間的所有行為數據中進行提取得到用戶特征；將用戶特征以及前一個關鍵時間點的信用分輸入到當前關鍵時間點對應的預測模型中，獲得待測用戶在當前關鍵時間點的信用分，本發明能夠準確可靠地評估出用戶的信用情況，以便為決策者提供數據支撐。

技術領域

本發明涉及數據分析技術領域，尤其涉及一種用戶全生命周期信用預測方法、裝置和計算機設備。

背景技術

在互聯網產品領域，用戶生命周期是指用戶從對產品產生興趣開始使用到停止使用且不再關注產品的全過程。

隨著互聯網金融的發展，越來越多的個人通過互聯網尋求借貸等金融服務。目前提供互聯網金融服務的網貸平臺一般都是在對借貸者進行信用評估的基礎上，根據用戶的信用情況，向借貸者提供授信貸款。因此在個人信貸場景中，做好用戶的信用風險管理非常重要。

隨著用戶提交的信息越來越多，如何能夠準確可靠地評估出用戶的信用情況，以便為決策者提供數據支撐，是目前亟需解決的問題。

發明內容

為了解決上述背景技術中提到的至少一個問題，本發明提供了一種用戶全生命周期信用預測方法、裝置和計算機設備。

本發明實施例提供的具體技術方案如下：

第一方面，提供一種用戶全生命周期信用預測方法，所述方法包括：

獲取待測用戶在客戶端應用內的操作記錄數據，所述操作記錄數據包括按照操作時間點順序排序的多個行為數據；

識別出所述操作時間點中的關鍵時間點，并針對每一當前關鍵時間點，在所述操作記錄數據中，對所述當前關鍵時間點與前一個關鍵時間點之間的所有行為數據中進行提取得到用戶特征；

將所述用戶特征以及所述前一個關鍵時間點的信用分輸入到所述當前關鍵時間點對應的預測模型中，獲得所述待測用戶在所述當前關鍵時間點的信用分。

進一步地，所述獲取待測用戶在客戶端應用內的操作記錄數據，包括：

通過對所述客戶端應用進行埋點，獲取所述待測用戶在所述客戶端應用上的每個操作所對應的行為數據以及操作時間點；

對所述每個操作所對應的行為數據按照操作時間點順序排序，得到所述操作記錄數據。

進一步地，所述識別出所述操作時間點中的關鍵時間點，包括：

識別所述操作記錄數據中的行為數據是否為關鍵操作對應的行為數據，若是，則將所述行為數據對應的操作時間點確定為關鍵時間點。

進一步地，所述用戶特征包括以下至少之一：

指定應用頁面的操作時長、指定應用頁面的訪問頻次、被訪問的應用頁面的總數、被點擊的指定頁面元素的總數、用戶位置的波動方差。

進一步地，所述關鍵時間點對應的預測模型是通過如下方式訓練得到：

獲取樣本用戶在所述客戶端應用內的樣本操作記錄數據，其中，所述樣本操作記錄數據包括按照操作時間順序排序的多個行為數據，所述樣本用戶被標記了信用標簽；

針對所述關鍵時間點，在所述樣本操作記錄數據中，對所述關鍵時間點與前一個關鍵時間點之間的所有行為數據中進行提取得到樣本用戶特征；

利用所述樣本用戶特征和所述前一個關鍵時間點的信用分進行訓練預設的神經網絡模型，得到所述關鍵時間點對應的預測模型。