[发明专利]基于弱变量数据的信用风险评估系统与方法

权利要求书

1.基于弱变量数据的信用风险评估系统，其特征在于：包括：原始数据平台，用于存储全量的可以获取到的用户数据；

数据治理平台，用于对各维度用户数据进行深度分析挖掘清洗，按照业务划分为不同的维度；

用户画像平台，根据用户基本特征进行用户画像；

风控模型平台，用于将分析结果以风控策略集、风控评分卡、决策树、数据挖掘模型的形式发布到线上，对用户进行风险监控，其中，风控评分卡包含：新户准入评分卡、运营商逾期评分卡和小银分模型，小银分模型包括：行为评估模块，用于针对用户的历史商品消费信息、媒体阅读信息以及稳定性信息，从所述维度评估用户网络行为和还贷意愿；

个人资质评估模块，用于查询包括申请用户个人收入、消费情况、资产情况以及职业信息，评估申请用户消费等级、消费偏好、收入稳定性和职业信息，判断申请用户个人资质情况；

地址信息验证评估模块，用于针对用户常驻城市、常用地址数量、迁移状态、手机号码状态和网购频率信息，验证申请用户地址信息变化情况，判断客户居住、工作状态稳定性；

运营商信息核查评估模块，用于针对用户运营商信息；

支付消费评估模块，用于针对用户提供的银行卡卡号，通过分析至少包括银行卡消费记录、支付行为数据以及用户消费品种类、消费地点和消费金额数据，评估用户的消费行为能力。

2.根据权利要求1所述的基于弱变量数据的信用风险评估系统，其特征在于：所述用户数据至少包括用户的手机通讯录、短信内容、通话记录、埋点信息和设备信息数据，以及与第三方征信机构合作付费为用户调取的征信源数据。

3.根据权利要求1所述的基于弱变量数据的信用风险评估系统，其特征在于：所述风控模型平台中，风控策略集包含：新户准入规则集、反欺诈规则集、征信源规则集、手机静默状态规则集、优质客户通道规则集和老户规则集。

4.根据权利要求1或3所述的基于弱变量数据的信用风险评估系统，其特征在于：所述风控模型平台中，数据挖掘模型包含：NLP自然语言分析模型、手机静默模型、运营商全量模型和XGboost全量风险评估模型。

5.基于弱变量数据的信用风险评估方法，其特征在于：包括以下步骤：

S1，用户数据抓取与采集，对用户授权后可以获取的手机通讯录、通话记录、短信内容、手机APP安装使用情况、指标埋点数据以及设备信息数据、银行与第三方征信机构合作通过付费形式为客户调取一些征信源数据，存入银行数据库中；

S2，数据清洗、转化以及分类，对采集的用户数据进行分析、分类，根据用户数据类型将用户数据分为以下维度：用户基本属性数据、用户行为数据、用户历史借贷数据、用户认证数据、用户社交关系数据和用户偿还能力数据；

S3，确定信用风险等级，用户申请借款经过平台风控审核流程时，根据风险信息检测命中风险规则内容、个数以及风险程度，划分客户信用风险等级；

S4，历史借贷行为分析，对申请人一定周期内在各网贷平台历史借款情况进行分析，包括历史借款发放事件数、申请被拒绝次数、当前逾期机构平台个数和当前履约还款机构平台个数；

S5，历史借贷还款逾期行为分析，对申请人一定周期内各网贷平台历史借款还款表现情况进行分析。

6.根据权利要求5所述的基于弱变量数据的信用风险评估方法，其特征在于：所述用户基本属性数据至少包括用户姓名、身份证号码、手机号码、民族、婚姻状况、学历、年龄信息；

所述用户行为数据至少包括客户通话记录中黑名单客户数量、通话记录中风险客户数量、客户短信中负面敏感词汇数量、手机设备未接通率信息；

所述用户历史借贷数据为用户在一定周期内在各个借贷平台申请借款以及还款表现情况；

所述用户认证数据至少包括客户公积金、社保信息、支付宝信息、电商信息、学历信息；

所述用户社交关系数据至少包括手机设备通话记录、运营商通话记录、通讯录以及朋友圈信息；

所述用户偿还能力数据至少包括用户收入信息、历史借贷表现信息。