[發明專利]一種基于用戶行為特征的信用卡還款概率預測方法

在審

• 申請號: 202011294383.X
• 申請日: 2020-11-18
• 公開（公告）號: CN112330047A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 張鎮洋;黃小明
• 申請（專利權）人: 交通銀行股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/02
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

本發明涉及一種基于用戶行為特征的信用卡還款概率預測方法，首先獲取用戶相關數據，包括用戶交易信息、社交信息、征信信息、APP瀏覽和網頁瀏覽信息以及催收信息；然后對獲取的用戶相關數據依次進行清洗；對清洗后的數據構建統計特征、業務特征和編碼特征；隨后對構建的特征進行篩選，并以篩選出的特征作為單模型輸入，以超過設定的閾值天數是否還款作為單模型輸出，采用分類算法進行多個單模型訓練，并對各模型進行參數調整；將訓練、調整后的多個單模型進行融合，獲取最優模型；最后將實際待預測的樣本用戶特征輸入最優模型，獲取還款概率。與現有技術相比，本發明具有降低成本、提高還款概率預測準確率和穩定性等優點。

技術領域

本發明涉及計算機技術領域，尤其是涉及一種基于用戶行為特征的信用卡還款概率預測方法。

背景技術

近年來，隨著互聯網金融的快速發展以及互聯網所沉淀的行為數據呈現爆炸式的增長，依托于海量數據，客戶互聯網貸款業務量逐年增加。當前銀行領域中，信用卡催收通常以M為時間單位，M0表示第一個還款月，即在未還款的第一個賬單日到第一次賬單的最后繳款日之間；M1表示第二個還款月，即在未還款的第二個賬單日到第二次賬單的最后繳款日之間，以此類推。通常在M0階段銀行會通過短信、電話語音提示等方式提示逾期用戶還款，M1-M2階段由銀行各信用卡催收中心進行電話催收，M3之后有的外包給催收公司，對于惡意不還款的用戶，銀行可啟動法律程序。

為了降低客戶還款違約風險，目前多是業務人員根據人為經驗確定已放款客戶的還款能力、還款意向等用于評估違約風險，因此沒有有效的方法來進行還款行為監控來降低業務風險，由于人為因素的影響較大、其評審結果可靠性低，且評審效率低，導致壞賬死賬變多。此外，在當前的催收策略中，通常是對所有逾期用戶無差別的按照短信、語音提示—信用卡催收中心催收—外包催收—上門催收—訴訟等流程進行催收，無法做到提前預知逾期用戶的還款概率，做到因人而異的還款策略和還款催收安排。因此，需要提出一種能夠進行還款概率自動監控方法，以避免人為因素影響，并降低催收成本和時間成本，提高催收效率。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于用戶行為特征的信用卡還款概率預測方法，該方法根據用戶的交易特征、還款行為、瀏覽記錄、社交網絡等特征，構建用戶還款概率模型，預測用戶還款概率，可有效自動實現還款概率的準確預測，大大降低催收成本和時間成本，提高行為監控效率以及催收效率。

本發明的目的可以通過以下技術方案來實現：

一種基于用戶行為特征的信用卡還款概率預測方法，該方法包括如下步驟：

獲取用戶相關數據，包括用戶交易信息、社交信息、征信信息、APP瀏覽和網頁瀏覽信息以及催收信息，并對獲取的每一個用戶包含的各類信息作為一個樣本；

對獲取的用戶相關數據進行清洗；

對清洗后的數據構建統計特征、業務特征和編碼特征；

對構建的特征進行篩選，獲取用以訓練模型的特征；

以篩選出的特征作為單模型的輸入，以超過設定的閾值天數是否還款作為單模型的輸出，采用分類算法進行多種類單模型訓練，并對各模型進行參數調整，選取出用以融合的最優單模型；

將選取的最優單模型進行融合，獲取融合模型；

將實際待預測的樣本用戶特征輸入融合模型，獲取還款概率。

進一步地，所述用戶相關數據通過銀行自有系統、社交網絡、銀行合作方系統和第三方系統進行獲取。

本發明方法對獲取的用戶相關數據進行清洗的具體內容包括：

a)對用戶交易信息、社交信息、征信信息、APP瀏覽和網頁瀏覽信息以及催收信息中存在唯一值或單一值數量超過95％的值進行刪除；