一种实时更新的还款积极度评估方法、装置、系统和记录介质与流程

本发明属于数据处理技术领域，具体涉及用于商业、金融等目的的数据处理系统和方法，特别是实时更新的还款积极度评估方法、装置、系统和计算机可读介质。

背景技术：

一直以来客户借款时，金融平台会提供欺诈风险和信用风险等方面的风险评估数据，但在客户借款后，还款积极度的评估大多以专家经验和客户之前的还款表现加以简单的规则使用。现有技术中，并未提供自动评估还款积极度并在整个借贷行为中进行实时监控的技术。

因此，为了在放款时增加对客户还款积极度的定量评估，设计了一套自动化的技术，同时可以对用户贷中还款积极度在线监控。

技术实现要素：

本发明要解决的技术问题是：如何实现对还款积极度的定量评估，以及如何实现实时监控还款积极度的问题。

为解决上述技术问题，本发明的第一方面提出一种实时更新的还款积极度评估方法，包括：建立还款积极度评分模型，所述模型根据用户属性和用户借贷行为计算用户的还款积极度；获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；利用所述还款积极度评分模型计算所述用户的还款积极度评分；实时监测所述用户的借贷行为，在监测到该用户新的借贷行为时，实时更新所述用户借贷行为标签数据，并重新计算所述用户的还款积极度评分。

根据本发明的一种优选实施方式，所述还款积极度是指未来预定时长内的还款积极度。

根据本发明的一种优选实施方式，所述预定时长是100天、3个月、6个月中的至少一个。

根据本发明的一种优选实施方式，所述用户数据，包括在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

根据本发明的一种优选实施方式，所述借贷行为标签数据包括表征分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度的数据中的至少一个。

根据本发明的一种优选实施方式，所述实时监测所述用户的借贷行为的步骤包括：实时获取所述用户借贷行为标签数据。

根据本发明的一种优选实施方式，所述实时更新所述用户借贷行为标签数据包括：建立新的表征用户借贷行为的标签数据。

根据本发明的一种优选实施方式，所述更新所述用户借贷行为标签数据，用于使其表征距今预定时长内的还款积极度。

根据本发明的一种优选实施方式，所述还款积极度评分模型通过xgboost算法或逻辑回归算法实现。

本发明的第二方面提出一种实时更新的还款积极度评估装置，包括还款积极度评分模型建立模块，用于建立还款积极度评分模型，所述模型根据用户属性和用户借贷行为计算用户的还款积极度；用户数据获取模块，用于获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据；还款积极度评分计算模块，用于利用所述还款积极度评分模型计算所述用户的还款积极度评分；借贷行为监测模块，用于实时监测所述用户的借贷行为，在监测到该用户新的借贷行为时，实时更新所述用户借贷行为标签数据，并重新计算所述用户的还款积极度评分。

根据本发明的一种优选实施方式，所述还款积极度是指未来预定时长内的还款积极度。

根据本发明的一种优选实施方式，所述预定时长是100天、3个月、6个月中的至少一个。

根据本发明的一种优选实施方式，所述用户数据，包括在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

根据本发明的一种优选实施方式，所述借贷行为标签数据包括表征分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度的数据中的至少一个。

根据本发明的一种优选实施方式，所述实时监测所述用户的借贷行为的步骤包括：实时获取所述用户借贷行为标签数据。

根据本发明的一种优选实施方式，所述实时更新所述用户借贷行为标签数据包括：建立新的表征用户借贷行为的标签数据。

根据本发明的一种优选实施方式，所述更新所述用户借贷行为标签数据，用于使其表征距今预定时长内的还款积极度。

根据本发明的一种优选实施方式，所述还款积极度评分模型通过xgboost算法或逻辑回归算法实现。

本发明的第三方面提出一种实时更新的还款积极度评估系统，包括：存储器，用于存储计算机可执行程序；数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的实时更新的还款积极度评估方法。

本发明的第四方面提出一种计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的实时更新的还款积极度评估方法。

本发明的技术方案，具有如下有益效果：

本发明的实时更新的还款积极度评估方法，通过建立还款积极度评分模型，对客户的还款积极度进行量化，对客户的还款积极度预测效果好，预测稳定，自动化程度高，易于实现，且迭代维护成本低。

本发明的实时更新的还款积极度评估方法，不仅建立还款积极度评分模型，还能够实时监测客户还款积极度的变化，有效控制借贷风险。

附图说明

图1是本发明的实时更新的还款积极度评估方法的流程示意图；

图2是本发明的实时更新的还款积极度评估装置的模块架构示意图；

图3是本发明的实时更新的还款积极度评估系统的结构框架示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明以历史借款人借款时点之后一个预定时间内还款表现为目标，以借款时点之前的一个预定时间内的正常还款、提前还款、逾期还款、逾期等行为数据及借款时的用户属性信息为因子，挖掘有效模型特征，运用xgboost算法或逻辑回归算法，结合专家经验和规则，构建一套还款积极度的定量评估技术，在保证预测稳定性的前提下，提高预测效果，应用于客户借款时未来的还款积极度评估和借款中的还款积极度监控，该项技术自动化程度高，易于部署实现且迭代维护成本低。

首先，本发明建立的还款积极度评分模型面对的都是已存在借贷行为的客户，用于监控客户贷中的还款积极度，因为新客户是没有历史数据的，无法预测。

本发明的还款积极度评分模型能够给客户打一个标签，比如，在借款时间点前三个月是否有新动支，是否有提前还款，是否正常还款，是否有逾期，模型能够自动根据这些行为分别打标签，实时更新还款积极度评分结果。还款越积极，比如，有提前还款的行为，模型出来后客户的分数就比较高，反之，如果有逾期，则模型输出的客户分数就比较低。

本分发明的实时更新的还款积极度评估方法，其具体应用的业务场景包括：存在历史借款，借新还旧等。

图1是本发明的实时更新的还款积极度评估方法的流程示意图，如图1所示，该方法的步骤如下：

s1：建立还款积极度评分模型，所述模型根据用户属性和用户借贷行为计算用户的还款积极度。

进一步，所述还款积极度是指未来预定时长内的还款积极度。

进一步，所述预定时长是100天、3个月、6个月中的至少一个。

进一步，所述借贷行为标签数据包括表征分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度的数据中的至少一个。

进一步，所述还款积极度评分模型通过xgboost算法或逻辑回归算法实现。

以客户张三的借贷行为作为示例，还款积极度评分模型用于预测张三3个月内的还款积极度。

假设张三2018年5月份从金融平台借款一笔，从当前时间点(2018年5月份)往前的3个月分别为2018年2、3、4月份，获取张三3个月份内与借贷行为相关的数据，比如，分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度。

分期还款的情形又可以分为6期、9期或12期分期还款。每期还款行为同样有多种情况，比如，提前还款，提前还款金额，提前还款天数，或者逾期还款，逾期还款金额，逾期还款天数。

同样地，金融平台还获取到张三3个月内的授信额度和动支信息，包括动支次数、动支金额等。

还款积极度评分模型能够根据张三在前3个月的与借贷行为相关的历史数据，预测张三未来3个月的还款行为或是还款积极度。

需要说明的是，还款积极度评分模型除了能够预测客户3个月内的还款行为或还款积极度，还能够预测客户6个月或100天等不同预定时长的还款积极度。该预定时长能够根据金融平台的需要进行调整。

还款积极度评分模型的建立需要获取大量类似张三的客户的数据，模型训练的时候用群体客户的数据进行训练，但模型上线后会根据各个用户不停的历史动作进行标签的更新。

本发明的还款积极度评分模型通过xgboost算法或逻辑回归算法实现。

本发明的还款积极度评分模型能够计算客户的标签数据中标签的重要性，并根据标签的重要性进行排名。在模型的使用过程中，能够通过标签的重要性对标签的权重进行调整，进而获得更精确的还款积极度评分。

本发明的实时更新的还款积极度评估方法，在后期模型上线后，只要客户有动作，就能够根据动作打上一个标签，这样模型能够实时更新每个用户的评分。

s2：获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据。

进一步，所述用户数据，包括在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

还款积极度评分模型建立之后，可以利用模型对用户的还款积极度进行预测，此时，需要获取待评估的用户数据。用户数据的来源包括：在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

用户数据包括用户属性标签数据和用户借贷行为标签数据。

金融平台能够获取到用户的属性标签数据，例如性别、年龄、地点、学历、手机品牌等。

金融平台同样也能够获取到用户的借贷行为标签数据，如上所述，用户的借贷行为标签数据包括分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度等。

其中，分期还款的情形又可以分为6期、9期或12期分期还款。每期还款行为同样有多种情况，比如，提前还款，提前还款金额，提前还款天数，或者逾期还款，逾期还款金额，逾期还款天数。

同样地，金融平台还能获取到张三3个月内的授信额度和动支信息等借贷行为数据，包括动支次数、动支金额等。

s3：利用所述还款积极度评分模型计算所述用户的还款积极度评分。

金融平台获取到用户的属性数据和借贷行为数据之后，就能够利用本发明的还款积极度评分模型计算出该用户的还款积极度评分，进而，能够准确预测该用户在未来3个月、6个月或是100天内的还款行为。

除此之外，本发明的还款积极度评分模型也能够对影响用户还款积极度评分的标签进行排序。

作为示例，比如，有提前还款的行为，模型出来后客户的分数就比较高，反之，如果有逾期，则模型输出的客户分数就比较低。

s4：实时监测所述用户的借贷行为，在监测到该用户新的借贷行为时，实时更新所述用户借贷行为标签数据，并重新计算所述用户的还款积极度评分。

进一步，所述实时监测所述用户的借贷行为的步骤包括：实时获取所述用户借贷行为标签数据。

进一步，所述实时更新所述用户借贷行为标签数据包括：建立新的表征用户借贷行为的标签数据。

进一步，所述更新所述用户借贷行为标签数据，用于使其表征距今预定时长内的还款积极度。

本发明的实时更新的还款积极度评估方法，除去能够预测客户的还款积极度之外，还能够实时监控客户在整个借贷过程中的还款积极度。

本发明的实时更新的还款积极度评估方法，能够在监测到该用户新的借贷行为，比如，该用户有一笔提前还款，本发明的还款积极度评分模型能够对客户的这一动作打个标签，并且在还款积极度评分模型中实时更新与用户借贷行为相关的标签数据，然后重新计算该用户的还款积极度评分，重新得到的评分应该是高于原先的评分的。

如果该用户有一笔逾期，并且逾期天数很高，同样地，本发明的还款积极度评分模型能够对客户的这一不良动作打个标签，并且在还款积极度评分模型中实时更新与用户借贷行为相关的标签数据，然后重新计算该用户的还款积极度评分，重新得到的评分应该是低于原先的评分的。

图2是本发明的实时更新的还款积极度评估装置的模块架构示意图；，如图2所示，该装置包括：还款积极度评分模型建立模块、用户数据获取模块、还款积极度评分计算模块、借贷行为监测模块。

本发明的实时更新的还款积极度评估装置中，还款积极度评分模型建立模块，用于建立还款积极度评分模型，所述模型根据用户属性和用户借贷行为计算用户的还款积极度。

进一步，所述还款积极度是指未来预定时长内的还款积极度。

进一步，所述预定时长是100天、3个月、6个月中的至少一个。

进一步，所述借贷行为标签数据包括表征分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度的数据中的至少一个。

进一步，所述还款积极度评分模型通过xgboost算法或逻辑回归算法实现。

以客户张三的借贷行为作为示例，还款积极度评分模型用于预测张三3个月内的还款积极度。

假设张三2018年5月份从金融平台借款一笔，从当前时间点(2018年5月份)往前的3个月分别为2018年2、3、4月份，获取张三3个月份内与借贷行为相关的数据，比如，分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度。

分期还款的情形又可以分为6期、9期或12期分期还款。每期还款行为同样有多种情况，比如，提前还款，提前还款金额，提前还款天数，或者逾期还款，逾期还款金额，逾期还款天数。

同样地，金融平台还获取到张三3个月内的授信额度和动支信息，包括动支次数、动支金额等。

还款积极度评分模型能够根据张三在前3个月的与借贷行为相关的历史数据，预测张三未来3个月的还款行为或是还款积极度。

需要说明的是，还款积极度评分模型除了能够预测客户3个月内的还款行为或还款积极度，还能够预测客户6个月或100天等不同预定时长的还款积极度。该预定时长能够根据金融平台的需要进行调整。

还款积极度评分模型的建立需要获取大量类似张三的客户的数据，模型训练的时候用群体客户的数据进行训练，但模型上线后会根据各个用户不停的历史动作进行标签的更新。

本发明的还款积极度评分模型通过xgboost算法或逻辑回归算法实现。

本发明的还款积极度评分模型能够计算客户的标签数据中标签的重要性，并根据标签的重要性进行排名。在模型的使用过程中，能够通过标签的重要性对标签的权重进行调整，进而获得更精确的还款积极度评分。

本发明的还款积极度评分模型，在后期模型上线后，只要客户有动作，就能够根据动作打上一个标签，这样模型能够实时更新每个用户的评分。

本发明的实时更新的还款积极度评估装置中，用户数据获取模块，用于获取用户数据，所述用户数据包括用户属性标签数据和用户借贷行为标签数据。

进一步，所述用户数据，包括在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

还款积极度评分模型建立之后，可以利用模型对用户的还款积极度进行预测，此时，需要获取待评估的用户数据。用户数据的来源包括：在线产生的数据、预先生成并存储的数据、通过输入装置或传输媒介而从外部接收的数据中的至少一种。

用户数据包括用户属性标签数据和用户借贷行为标签数据。

金融平台能够获取到用户的属性标签数据，例如性别、年龄、地点、学历、手机品牌等。

金融平台同样也能够获取到用户的借贷行为标签数据，如上所述，用户的借贷行为标签数据包括分期还款、正常还款、提前还款、逾期还款、动支信息、授信额度等。

其中，分期还款的情形又可以分为6期、9期或12期分期还款。每期还款行为同样有多种情况，比如，提前还款，提前还款金额，提前还款天数，或者逾期还款，逾期还款金额，逾期还款天数。

同样地，金融平台还能获取到张三3个月内的授信额度和动支信息等借贷行为数据，包括动支次数、动支金额等。

本发明的实时更新的还款积极度评估装置中，还款积极度评分计算模块，用于利用所述还款积极度评分模型计算所述用户的还款积极度评分。

金融平台获取到用户的属性数据和借贷行为数据之后，就能够利用本发明的还款积极度评分模型计算出该用户的还款积极度评分，进而，能够准确预测该用户在未来3个月、6个月或是100天内的还款行为。

除此之外，本发明的还款积极度评分模型也能够对影响用户还款积极度评分的标签进行排序。

作为示例，比如，有提前还款的行为，模型出来后客户的分数就比较高，反之，如果有逾期，则模型输出的客户分数就比较低。

本发明的实时更新的还款积极度评估装置中，借贷行为监测模块，用于实时监测所述用户的借贷行为，在监测到该用户新的借贷行为时，实时更新所述用户借贷行为标签数据，并重新计算所述用户的还款积极度评分。

进一步，所述实时监测所述用户的借贷行为的步骤包括：实时获取所述用户借贷行为标签数据。

进一步，所述实时更新所述用户借贷行为标签数据包括：建立新的表征用户借贷行为的标签数据。

进一步，所述更新所述用户借贷行为标签数据，用于使其表征距今预定时长内的还款积极度。

本发明的实时更新的还款积极度评估方法，除去能够预测客户的还款积极度之外，还能够实时监控客户在整个借贷过程中的还款积极度。

本发明的实时更新的还款积极度评估方法，能够在监测到该用户新的借贷行为，比如，该用户有一笔提前还款，本发明的还款积极度评分模型能够对客户的这一动作打个标签，并且在还款积极度评分模型中实时更新与用户借贷行为相关的标签数据，然后重新计算该用户的还款积极度评分，重新得到的评分应该是高于原先的评分的。

如果该用户有一笔逾期，并且逾期天数很高，同样地，本发明的还款积极度评分模型能够对客户的这一不良动作打个标签，并且在还款积极度评分模型中实时更新与用户借贷行为相关的标签数据，然后重新计算该用户的还款积极度评分，重新得到的评分应该是低于原先的评分的。

此外，本发明还提出实时更新的还款积极度评估系统。图3是本发明的实时更新的还款积极度评估系统的结构框架示意图，如图3所示，实时更新的还款积极度评估系统包括存储器和数据处理装置，存储器用于存储计算机可执行程序，数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的实时更新的还款积极度评估方法。本发明中系统可以是本地系统，也可以是分布式系统。本发明的存储器可以是本地存储器，也可以是分布式存储系统，例如云存储系统。而数据处理器则包括至少一个具人数字信息处理能力的装置，例如cpu、gpu、多处理器系统或云处理器。

再者，本发明还提出计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的实时更新的还款积极度评估方法。

应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。

应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。本发明的实施例中的模块、单元或组件可以以硬件方式实现，也可以以一个或者多个处理器上运行的软件方式实现，或者以它们的组合实现。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。