[發明專利]風險尾端客戶分析方法、裝置、設備及計算機存儲介質

在審

• 申請號: 202010549855.5
• 申請日: 2020-06-16
• 公開（公告）號: CN111652525A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 桑曉臨;林銘鑫
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/10;G06Q40/02;G06K9/62
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 許峰

1.一種風險尾端客戶分析方法，其特征在于，所述風險尾端客戶分析方法包括如下步驟：

在接收到風險分析請求時，確定所述風險分析請求對應待分析的目標客戶，并獲取所述目標客戶的客戶信息；

將所述客戶信息輸入至預設的尾端分析模型中，通過所述尾端分析模型處理所述客戶信息，獲得風險特征信息；

通過所述尾端分析模型分析所述風險特征信息，獲得所述目標客戶的風險分類；

在所述目標客戶的風險分類為尾端客戶分類時，輸出提示信息。

2.如權利要求1所述的風險尾端客戶分析方法，其特征在于，所述在接收到風險分析請求時，確定所述風險分析請求對應待分析的目標客戶，并獲取所述目標客戶的客戶信息的步驟之前，所述方法包括：

獲取樣本數據集，針對所述樣本數據集中樣本數據構建風險特征集，將所述風險特征集中的各風險特征轉化為初始變量值組成初始變量集；

窮舉所述初始變量集中的各初始變量值后預設占比的分位數分別作為初始規則閾值，根據各所述初始規則閾值確定初始規則集；

根據所述初始規則集從所述初始變量集中選擇與風險分析有關聯性的初始變量作為入模變量值，將選擇的所述入模變量值組成入模變量集；

窮舉所述入模變量集中的各入模變量值后預設占比的分位數分別作為入模規則閾值，根據各所述入模規則閾值確定入模規則集；

根據所述樣本數據集和所述入模規則集訓練初始分析模型，獲得尾端分析模型。

3.如權利要求2所述的風險尾端客戶分析方法，其特征在于，所述根據所述初始規則集從所述初始變量集中選擇與風險分析有關聯性的初始變量作為入模變量值，將選擇的所述入模變量值組成入模變量集的步驟，包括：

計算所述初始規則集中各初始規則命中所述樣本數據集中負例樣本的濃度提升度和影響面；

從所述初始規則集中篩選出不同影響面下濃度提升度最高的目標規則，將各所述目標規則對應的初始變量值作為入模變量值，將各所述入模變量值組成入模變量集。

4.如權利要求3所述的風險尾端客戶分析方法，其特征在于，所述根據所述樣本數據集和所述入模規則集訓練初始分析模型，獲得尾端分析模型的步驟，包括：

將所述入模規則集中濃度提升度靠前且變量不同的目標規則以交集形式進行兩兩交互，得到交互規則集；

從所述入模規則集和所述交互規則集中選擇濃度提升度最高的訓練規則，將所述訓練規則作為初始模型的第一層輸出；

將所述樣本數據集中命中所述訓練規則的樣本數據過濾刪除，獲得剩余的樣本數據，將剩余樣本數據組成新的樣本數據集進行迭代訓練，獲得尾端分析模型。

5.如權利要求4所述的風險尾端客戶分析方法，其特征在于，所述將所述樣本數據集中命中所述訓練規則的樣本數據過濾刪除，獲得剩余的樣本數據，將剩余樣本數據組成新的樣本數據集進行迭代訓練，獲得尾端分析模型的步驟，包括：

將所述樣本數據集中命中所述訓練規則的樣本數據過濾刪除，獲得剩余的樣本數據，將剩余樣本數據組成新的樣本數據集進行迭代訓練，獲得新的訓練規則；

將每次獲得的訓練規則與之前獲得的訓練規則取并集，獲得分層規則組合，在所述分層規則組合的濃度提升度小于預設濃度提升度或影響面大于預設影響面閾值時，訓練終止獲得尾端分析模型。

6.如權利要求1至5任意一項所述的風險尾端客戶分析方法，其特征在于，所述通過所述尾端分析模型分析所述風險特征信息，獲得所述目標客戶的風險分類的步驟，包括：

在所述目標客戶的風險分類為非尾端客戶時，根據所述目標客戶的客戶信息進行產品推薦。