[发明专利]基于聚类算法的汽车金融授信方法

说明书

本申请提供一种基于聚类算法的汽车金融授信方法包括如下步骤：构建一个采用K‑means算法进行模型训练的机器学习模型；将汽车金融授信判断所需的输入数据输入至所述机器学习模型；根据所述机器学习模型的输出数据和预设客户画像标准输出对应客户的贷款授信额度。本申请的有益之处在于提供了一种基于大数据从而对汽车金融客户进行类型细分以实现精准审批的基于聚类算法的汽车金融授信方法。

技术领域

本申请涉及一种基于汽车金融授信方法，具体而言，涉及一种基于聚类算法的汽车金融授信方法。

背景技术

车贷业务是借款人在购买消费类自用车时支付一定比例金额的首期款项，不足部分由银行向其发放并直接支付给汽车经销商的人民币贷款业务。车贷客户授信需要提供大量的资料，消耗大量的人力成本和时间成本，并且传统的经验法对客户类别进行划分，具有很强的主观性，细分的结果不客观，缺失说服力。并且随着汽车市场的不断壮大，银行车贷业务增长迅猛，面对海量的数据，传统的客户细分方法更显得力不从心，因此客户车贷申请周期也越来越长，导致客户体验下降，成交转化率降低。

发明内容

为了解决现有技术的不足之处，本申请提供一种基于聚类算法的汽车金融授信方法包括如下步骤：构建一个采用K-means算法进行模型训练的机器学习模型；将汽车金融授信判断所需的输入数据输入至所述机器学习模型；根据所述机器学习模型的输出数据和预设客户画像标准输出对应客户的贷款授信额度。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型包括如下步骤：抽取客户的个人资质数据；所述个人资质数据包括：年龄数据、性别数据和职业数据。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型还包括如下步骤：抽取客户的外部资质数据；所述外部资质数据包括：FICO分数据、征信数据、银联数据。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型还包括如下步骤：根据所抽取的个人资质数据和外部资质数据进行特征生成，所述特征生成的维度包括：年龄数据、教育水平数据、婚姻状态数据、职业数据、贷款数据、信用卡数据、公积金数据、住房数据。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型还包括如下步骤：对特征生成所涉及的维度的数据进行缺失值和异常值处理，当缺失比例高于预设比例阈值时，删除该特征维度；当缺失比例低于所述预设比例阈值时，采用插值方式进行数值填充。

进一步地，当缺失值有特殊含义时，单独将缺失值归纳为一类。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型还包括如下步骤：判断离散变量的取值是否具有大小的意义，如果有则使用数值映射方法进行替换，如果否则对离散变量进行One-Hot编码。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型还包括如下步骤：对特征数据采用PCA算法进行数据降维至预设维度。

进一步地，所述构建一个采用K-means算法进行模型训练的机器学习模型还包括如下步骤：选取所述K-means模型的k值。

进一步地，所述根据所述机器学习模型的输出数据和预设客户画像标准输出对应客户的贷款授信额度包括如下步骤：根据所述K-means模型的输出，分析同客群类别的特征变量分布，从而将所述客群类别分为I类，II类，III类，IV类人群；根据客户所属的客群类别输出用户画像权重；至少根据用户画像权重计算客户最终的贷款授信额度。

本申请的有益之处在于：提供了一种基于大数据从而对汽车金融客户进行类型细分以实现精准审批的基于聚类算法的汽车金融授信方法。

附图说明