[發明專利]一種貸后行為特征加工的方法與裝置

在審

• 申請號: 202110429088.9
• 申請日: 2021-04-21
• 公開（公告）號: CN112927071A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 尚朝;徐英浩;陳樹華
• 申請（專利權）人: 頂象科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06F16/901;G06F16/906
• 代理公司: 北京云科知識產權代理事務所(特殊普通合伙) 11483
• 代理人: 張飆

本發明公開了一種貸后行為特征加工的方法與裝置，所述方法包括以下步驟：數據采集與清洗，獲取整個系統中所需的數據對象，進行數據清洗，所述數據清洗為特征工程處理；貸后行為特征衍生，對清洗后的用戶貸后表現數據依次進行特征分類、特征分組匯總和特征分組后統計并衍生出可解釋的匯總字段；結果輸出，將數據采集與清洗步驟和貸后行為特征衍生步驟中獲取到的所有特征進行匯總，通過用戶號碼進行關聯合并，完成后作為結果輸出。所述方法和裝置能夠深入挖掘隱藏信息，提高了特征利用率和模型表現效果。

技術領域

本發明涉及計算機與通信領域，具體涉及一種貸后行為特征加工的方法與裝置。

背景技術

貸款人的還款行為可以通過違約情況進行分析，違約是指借款人到了應還款日沒有按約定足額歸還貸款本息的行為，從而導致借款人賬戶狀態變為逾期。借款人在還清當期逾期金額后，賬戶狀態轉為正常，再次違約后，賬戶狀態又會變成逾期，因此違約率是動態變化變化的過程。已經申請通過的貸款人，完成一筆或多筆訂單之后，根據已完成訂單中的還款行為表現，進行提煉特征，可用于預測逾期概率，進行貸中風險偵測。也可以用在額度管理、流失預警、產品營銷等方面。數據和特征決定了機器學習模型的上限，特征的選取與特征工程的處理在整個建模流程中起著至關重要的作用。

能夠預測貸款人是否能夠按期還款行為，對不同類型的產品的還款行為進行預測，能夠更好地閾值用戶的金融服務需求，針對金融資源進行更加合理的分配。目前的技術主要是從建模角度出發，側重于建模的方法，而很少介紹貸款行為特征選擇與加工的方法。本裝置從用戶貸款后的多個維度考慮，獲取并加工特征，輸出后的結果可以直接用于模型。為額度管理、流失預警、產品營銷等場景提供數據基礎。

發明內容

針對現有技術存在的問題，本發明的目的在于解決現有技術中針對貸款行為特征選擇與加工方面隱藏信息挖掘能力低和特征利用效率差、模型表現效果不佳的技術問題，提供一種貸后行為特征加工的方法與裝置，能夠從用戶貸款后的多個維度考慮，獲取并加工特征，輸出后的結果可以直接用于模型，提高特征利用率和模型表現效果。

本發明提供一種貸后行為特征加工的方法，所述方法包括以下步驟：

數據采集與清洗，獲取整個系統中所需的數據對象，進行數據清洗，所述數據清洗為特征工程處理；

貸后行為特征衍生，對清洗后的用戶貸后表現數據依次進行特征分類、特征分組匯總和特征分組后統計并衍生出可解釋的匯總字段；

結果輸出，將數據采集與清洗步驟和貸后行為特征衍生步驟中獲取到的所有特征進行匯總，通過用戶號碼進行關聯合并，完成后作為結果輸出。

進一步，數據采集與清洗步驟中，獲取整個系統中所需的數據對象，包含用戶的貸后行為類、申請貸款類、app操作行為類、第三方數據類和/或內部數據類；其中貸后行為類特征包括：訂單基本信息、還款行為、逾期行為和/或催收行為；申請貸款類包含用戶基本情況、申請記錄和/或授信信息；app操作類為app中埋點數據；第三方數據包括征信、多頭、從第三方機構獲取的數據。內部數據類包括機構內部保存的信用卡、理財儲蓄、商城消費、生活繳費、和/或關聯網絡特征。

進一步，數據采集與清洗步驟中，數據清洗包括無量綱化處理、缺失值處理、異常值處理和離散數據處理。

進一步，所述無量綱化處理是使不同規格的數據轉換到同一規格；

所述缺失值處理，對于缺失比例在50％以下的，通過平均數、中位數或眾數進行填充，缺失比例在50％以上90％以下的，使用負數填充；對于缺失比例在90％以上且沒有業務含義的直接刪除該字段，有業務含義的加入業務規則中；

所述異常值處理，利用箱線圖法，首先計算出可接受范圍內的數值，在可接受范圍之外的數值認為是異常值；對異常值的樣本進行刪除，或者進行異常值替換；