一種基于大數(shù)據(jù)的信用評分方法和系統(tǒng)技術方案

本發(fā)明專利技術涉及一種基于大數(shù)據(jù)的信用評分方法和系統(tǒng)，包括：利用ETL工具按照給定的指標配置項從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)；通過對指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)；利用邏輯回歸模型根據(jù)中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)；根據(jù)預先配置的信用參數(shù)和指標系數(shù)構建評分卡模型并利用評分卡模型輸出信用評分。本發(fā)明專利技術能夠實現(xiàn)對海量數(shù)據(jù)的自動處理并通過自動構建模型實現(xiàn)信用評分，避免了不同數(shù)據(jù)處理過程相互隔離、處理效率低以及模型缺乏監(jiān)控預警的問題。

【技術實現(xiàn)步驟摘要】
一種基于大數(shù)據(jù)的信用評分方法和系統(tǒng)
本專利技術涉及信用評分
，尤其涉及一種基于大數(shù)據(jù)的信用評分方法和系統(tǒng)。
技術介紹
隨著互聯(lián)網(wǎng)技術的發(fā)展，數(shù)據(jù)的存儲、計算和分析等方式在不斷變革發(fā)展，大數(shù)據(jù)在更廣泛的行業(yè)領域得到了深入應用，特別是在互聯(lián)網(wǎng)金融領域的發(fā)展。對于金融行業(yè)而言，針對體量大、多樣性、更新快的金融數(shù)據(jù)，如何高效解決信息不對稱問題有效進行風險管理，成為當下互聯(lián)網(wǎng)金融風控的核心問題。評分卡作為信用風險行為評分的經(jīng)典模型，在反欺詐、貸后風險管理、逾期催收等方面發(fā)揮重要作用；在金融大數(shù)據(jù)環(huán)境下，如何實現(xiàn)自動化、集成監(jiān)控的信用評分卡解決方案，是金融領域相關企業(yè)公司面臨的一大難題。傳統(tǒng)的信用評分卡模型，一般的做法是基于關系型數(shù)據(jù)庫提取客戶金融行為數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、特征分箱等預處理，并構建邏輯回歸模型，然后結合金融業(yè)務參數(shù)配置生成評分卡，最后是對評分卡模型的校驗和實施應用。這種方式主要應用在數(shù)據(jù)規(guī)模較小、客戶量不多、自動化和時效性要求不高的金融應用場景，但在互聯(lián)網(wǎng)大數(shù)據(jù)的背景下，迫切需要一種結合大數(shù)據(jù)處理、自動化和集成監(jiān)控的信用評分卡整體解決方案。目前業(yè)界有不少分析挖掘的軟件工具，比如商用軟件SAS就有評分卡分析模塊，另外R和Python也有第三方庫支持評分卡模型的構建等等。然而，這些軟件工具處理過程，基本也存在上述提到的諸多限制：(1)難以處理海量大規(guī)模的客戶行為數(shù)據(jù)；(2)不同的數(shù)據(jù)處理過程相互隔離，自動化程度低，處理時效較低；(3)缺乏監(jiān)控預警，難以分析模型穩(wěn)定性和指標異常原因。
技術實現(xiàn)思路
為了解決上述技術問題，本專利技術的目的在于提供一種基于大數(shù)據(jù)的信用評分方法和系統(tǒng)。根據(jù)本專利技術的一個方面，提供了一種基于大數(shù)據(jù)的信用評分方法，包括：利用ETL工具按照給定的指標配置項從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)；通過對指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)；利用邏輯回歸模型根據(jù)中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)；根據(jù)預先配置的信用參數(shù)和指標系數(shù)構建評分卡模型并利用評分卡模型輸出信用評分；采用PSI監(jiān)控指標對評分卡模型進行評估監(jiān)控。通過對指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)包括：設置過濾條件并將指標明細數(shù)據(jù)中符合過濾條件的數(shù)據(jù)除去；對過濾后的數(shù)據(jù)進行信息量計算和證據(jù)權重計算。進一步的，利用邏輯回歸模型根據(jù)中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)包括：利用步進式變量選取方法從中間證據(jù)權重轉換數(shù)據(jù)選取變量并根據(jù)選取的變量生成建模數(shù)據(jù)集；將建模數(shù)據(jù)集劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集；利用訓練數(shù)據(jù)集和測試數(shù)據(jù)集訓練邏輯回歸模型；利用邏輯回歸模型輸出中間證據(jù)權重轉換數(shù)據(jù)對應的指標系數(shù)。進一步的，根據(jù)預先配置的信用參數(shù)和指標系數(shù)構建評分卡模型并利用評分卡模型輸出信用評分包括：設置逾期/正常的比值比、逾期/正常的比值比對應的預期分值和比率翻番的分值作為信用參數(shù)；根據(jù)信用參數(shù)和指標系數(shù)計算基礎分數(shù)和每個指標對應分配到的分數(shù)；根據(jù)基礎分數(shù)和每個指標對應分配到的分數(shù)計算得到信用評分。根據(jù)本專利技術的另一個方面，提供了一種基于大數(shù)據(jù)的信用評分系統(tǒng)，包括：數(shù)據(jù)采集單元，配置用于利用ETL工具按照給定的指標配置項從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)；數(shù)據(jù)處理單元，配置用于通過對指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)；系數(shù)獲取單元，配置用于利用邏輯回歸模型根據(jù)中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)；評分輸出單元，配置用于根據(jù)預先配置的信用參數(shù)和指標系數(shù)構建評分卡模型并利用評分卡模型輸出信用評分；模型監(jiān)控單元，配置用于采用PSI監(jiān)控指標對評分卡模型進行評估監(jiān)控。進一步的，數(shù)據(jù)處理單元包括：數(shù)據(jù)過濾模塊，配置用于設置過濾條件并將指標明細數(shù)據(jù)中符合過濾條件的數(shù)據(jù)除去；數(shù)據(jù)計算模塊，配置用于對過濾后的數(shù)據(jù)進行信息量計算和證據(jù)權重計算。進一步的，系數(shù)獲取單元包括：變量選取模塊，配置用于利用步進式變量選取方法從中間證據(jù)權重轉換數(shù)據(jù)選取變量并根據(jù)選取的變量生成建模數(shù)據(jù)集；數(shù)據(jù)劃分模塊，配置用于將建模數(shù)據(jù)集劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集；回歸訓練模塊，配置用于利用訓練數(shù)據(jù)集和測試數(shù)據(jù)集訓練邏輯回歸模型；系數(shù)輸出模塊，配置用于利用邏輯回歸模型輸出中間證據(jù)權重轉換數(shù)據(jù)對應的指標系數(shù)。進一步的，評分輸出單元包括：參數(shù)設置模塊，配置用于設置逾期/正常的比值比、逾期/正常的比值比對應的預期分值和比率翻番的分值作為信用參數(shù)；分數(shù)計算模塊，配置用于根據(jù)信用參數(shù)和指標系數(shù)計算基礎分數(shù)和每個指標對應分配到的分數(shù)；評分輸出模塊，配置用于根據(jù)基礎分數(shù)和每個指標對應分配到的分數(shù)計算得到信用評分。本專利技術還提供一種設備，包括一個或多個處理器；存儲器，用于存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器執(zhí)行如上任一項所述的方法。根據(jù)本專利技術的另一個方面，提供了一種存儲有計算機程序的計算機可讀存儲介質，該程序被處理器執(zhí)行時實現(xiàn)如上任一項所述的方法。與現(xiàn)有技術相比，本專利技術具有以下有益效果：1、本專利技術示例的一種基于大數(shù)據(jù)的信用評分方法，通過利用ETL工具從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)，通過將指標明細數(shù)據(jù)預處理自動創(chuàng)建邏輯回歸模型并生成評分卡模型，利用評分卡模型即可獲得。利用PSI監(jiān)控指標對評分卡模型進行評估監(jiān)控，保證評分卡模塊的穩(wěn)定性。本專利技術能夠實現(xiàn)對海量數(shù)據(jù)的自動處理并通過自動構建模型實現(xiàn)信用評分，避免了不同數(shù)據(jù)處理過程相互隔離、處理效率低以及模型缺乏監(jiān)控預警的問題。2、本專利技術示例的一種基于大數(shù)據(jù)的信用評分系統(tǒng)，通過數(shù)據(jù)采集單元從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)，并通過數(shù)據(jù)處理單元對采集的指標明細數(shù)據(jù)進行預處理，系數(shù)獲取單元通過邏輯回歸模型獲取指標系數(shù)，評分輸出單元通過設置信用參數(shù)并結合指標系數(shù)生成評分卡模型，進而得到信用評分，模型監(jiān)控單元采用PSI監(jiān)控指標對評分卡模型進行評估監(jiān)控，保證評分卡模型的穩(wěn)定性。3、本專利技術中示例的設備，通過處理器執(zhí)行中轉車輛排序方法，能夠更好地達成業(yè)務時效，提高服務質量。4、本專利技術中示例的可讀存儲介質，儲存有被處理器執(zhí)行時實現(xiàn)的所述中轉車輛排序方法，便于中轉車輛排序系統(tǒng)的使用及推廣。附圖說明圖1為本專利技術流程圖。圖2是本專利技術的計算機系統(tǒng)的結構示意圖。具體實施方式為了更好的了解本專利技術的技術方案，下面結合具體實施例、說明書附圖對本專利技術作進一步說明。實施例1：本實施例的一種基于大數(shù)據(jù)的信用評分系統(tǒng)，包括：數(shù)據(jù)采集單元，配置用于利用ETL工具按照給定的指標配置項從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)；數(shù)據(jù)處理單元，包括數(shù)據(jù)過濾模塊，配置用于設置過濾條件并將指標明細數(shù)據(jù)中符合過濾條件的數(shù)據(jù)除去；數(shù)據(jù)計算模塊，配置用于對過濾后本文檔來自技高網(wǎng)...

【技術保護點】
1.一種基于大數(shù)據(jù)的信用評分方法，其特征在于，包括：/n利用ETL工具按照給定的指標配置項從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)；/n通過對所述指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)；/n利用邏輯回歸模型根據(jù)所述中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)；/n根據(jù)預先配置的信用參數(shù)和所述指標系數(shù)構建評分卡模型并利用所述評分卡模型輸出信用評分。/n

【技術特征摘要】
1.一種基于大數(shù)據(jù)的信用評分方法，其特征在于，包括：
利用ETL工具按照給定的指標配置項從大數(shù)據(jù)平臺采集指標明細數(shù)據(jù)；
通過對所述指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)；
利用邏輯回歸模型根據(jù)所述中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)；
根據(jù)預先配置的信用參數(shù)和所述指標系數(shù)構建評分卡模型并利用所述評分卡模型輸出信用評分。


2.根據(jù)權利要求1所述的基于大數(shù)據(jù)的信用評分方法，其特征在于，所述通過對指標明細數(shù)據(jù)進行預處理生成中間證據(jù)權重轉換數(shù)據(jù)包括：
設置過濾條件并將所述指標明細數(shù)據(jù)中符合所述過濾條件的數(shù)據(jù)除去；
對過濾后的數(shù)據(jù)進行信息量計算和證據(jù)權重計算。


3.根據(jù)權利要求1所述的基于大數(shù)據(jù)的信用評分方法，其特征在于，所述利用邏輯回歸模型根據(jù)所述中間證據(jù)權重轉換數(shù)據(jù)獲取指標系數(shù)包括：
利用步進式變量選取方法從中間證據(jù)權重轉換數(shù)據(jù)選取變量并根據(jù)選取的變量生成建模數(shù)據(jù)集；
將所述建模數(shù)據(jù)集劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集；
利用所述訓練數(shù)據(jù)集和所述測試數(shù)據(jù)集訓練邏輯回歸模型；
利用所述邏輯回歸模型輸出所述中間證據(jù)權重轉換數(shù)據(jù)對應的指標系數(shù)。


4.根據(jù)權利要求1所述的基于大數(shù)據(jù)的信用評分方法，其特征在于，所述方法還包括：采用PSI監(jiān)控指標對評分卡模型進行評估監(jiān)控。


5.根據(jù)權利要求1-4任一項所述的基于大數(shù)據(jù)的信用評分方法，其特征在于，所述根據(jù)預先配置的信用參數(shù)和所述指標系數(shù)構建評分卡模型并利用所述評分卡模型輸出信用評分包括：
設置逾期/正常的比值比、逾期/正常的比值比對應的預期分值和比率翻番的分值作為信用參數(shù)；
根據(jù)所述信用參數(shù)和指標系數(shù)計算基礎分數(shù)和每個指標對應分配到的分數(shù)；
根據(jù)所述基礎分數(shù)和每個指標對應分配到的分數(shù)計算得到信用評分。


6.一種基于大數(shù)據(jù)的信用評分系統(tǒng)，其特征在于，包括：
...

【專利技術屬性】
技術研發(fā)人員：陳東沂，姚小龍，劉玉霞，嚴敏，郭林東，
申請(專利權)人：順豐科技有限公司，
類型：發(fā)明
國別省市：廣東;44