授信客户对象的确定方法及装置与流程

本发明涉及数据处理技术领域，特别涉及一种授信客户对象的确定方法及装置。

背景技术：

随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(fintech)转变，但由于金融行业的安全性要求，也对授信技术提出了更高的要求。

授信指的是金融机构向满足条件的客户直接提供资金支持，或对客户在有关经济活动中的信用向第三方做出保证的行为，目前金融对客户授信逻辑大多基于规则，即按照一些业务经验设定的规则逻辑来计算，进而确定出授信客户，采用此方式，会导致对客户授信不精准，并且容易出现规则逻辑泄露，从而造成诈骗风险。

技术实现要素：

本发明所要解决的技术问题是提供一种授信客户对象的确定方法，能够提高客户授信的准确率，提高授信的安全性。

本发明还提供了一种授信客户对象的确定装置，用以保证上述方法在实际中的实现及应用。

一种授信客户对象的确定方法，包括：

获取待处理的客户对象集合；所述客户对象集合包含各个目标客户对象；

获取每个所述目标客户对象的第一特征信息；每个所述目标客户对象的第一特征信息基于该目标客户对象在预设的业务时间范围中的目标时段的业务数据得到；

应用授信识别模型对每个所述目标客户对象的第一特征信息进行识别，获得每个所述目标客户对象的识别结果；其中，所述授信识别模型基于训练样本集训练得到，所述训练样本集包含各个训练样本；每个所述训练样本包含其所属的客户对象的第二特征信息以及标签，所述第二特征信息基于所述客户对象在所述业务时间范围中的观察期的业务数据得到，所述标签基于所述客户对象在所述业务时间范围的表现期的表现结果获得；

基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象。

上述的方法，可选的，所述获取待处理的客户对象集合，包括：

获取初始客户对象列表，所述初始客户对象列表包含多个客户对象；

确定每个所述客户对象的授信评分；

将所述授信评分未大于预先设定的评分阈值的所述客户对象，确定为目标客户对象；

将各个所述目标客户对象组成待处理的客户对象集合。

上述的方法，可选的，所述获取每个所述目标客户对象的第一特征信息，包括：

对所述目标客户对象在预设的业务时间范围中的目标时段的业务数据进行特征工程加工，获得预设的各个授信特征维度的第一特征数据；

将所述各个所述授信特征维度的第一特征数据，组成所述目标客户对象的第一特征宽表；

将所述第一特征宽表作为所述目标客户对象的第一特征信息。

上述的方法，可选的，所述识别结果表征其所属的目标客户对象在预设的预测期内违约概率，所述预测期为所述目标时段的下一时段；

所述基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象，包括：

将所述各个目标客户对象中的所述违约概率小于预先设置的概率阈值的目标客户对象，确定为授信客户对象。

上述的方法，可选的，所述基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象，包括：

基于每个所述目标客户对象的识别结果，在各个所述目标客户对象中确定出备选授信客户对象；

获取每个所述备选授信客户对象的客户信息；

将客户信息满足预先设置的授信条件的所述备选授信客户对象确定为授信客户对象。

上述的方法，可选的，还包括：

将各个授信客户对象组成授信客户对象列表，并将所述授信客户对象列表进行输出。

一种授信客户对象的确定装置，包括：

第一获取单元，用于获取待处理的客户对象集合；所述客户对象集合包含各个目标客户对象；

第二获取单元，用于获取每个所述目标客户对象的第一特征信息；每个所述目标客户对象的第一特征信息基于该目标客户对象在预设的业务时间范围中的目标时段的业务数据得到；

识别单元，用于应用授信识别模型对每个所述目标客户对象的第一特征信息进行识别，获得每个所述目标客户对象的识别结果；其中，所述授信识别模型基于训练样本集训练得到，所述训练样本集包含各个训练样本；每个所述训练样本包含其所属的客户对象的第二特征信息以及标签，所述第二特征信息基于所述客户对象在所述业务时间范围中的观察期的业务数据得到，所述标签基于所述客户对象在所述业务时间范围的表现期的表现结果获得；

确定单元，用于基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象。

上述的装置，可选的，所述第一获取单元，包括：

第一获取子单元，用于获取初始客户对象列表，所述初始客户对象列表包含多个客户对象；

第一确定子单元，用于确定每个所述客户对象的授信评分；

第二确定子单元，用于将所述授信评分未大于预先设定的评分阈值的所述客户对象，确定为目标客户对象；

第一执行子单元，用于将各个所述目标客户对象组成待处理的客户对象集合。

上述的装置，可选的，所述第二获取单元，包括：

特征处理子单元，用于对所述目标客户对象在预设的业务时间范围中的目标时段的业务数据进行特征工程加工，获得预设的各个授信特征维度的第一特征数据；

第二执行子单元，用于将所述各个所述授信特征维度的第一特征数据，组成所述目标客户对象的第一特征宽表；

第三执行子单元，用于将所述第一特征宽表作为所述目标客户对象的第一特征信息。

上述的装置，可选的，所述确定单元，包括：

第三确定子单元，用于基于每个所述目标客户对象的识别结果，在各个所述目标客户对象中确定出备选授信客户对象；

第二获取子单元，用于获取每个所述备选授信客户对象的客户信息；

第四确定子单元，用于将客户信息满足预先设置的授信条件的所述备选授信客户对象确定为授信客户对象。

与现有技术相比，本发明包括以下优点：

本发明提供了一种授信客户对象的确定方法及装置，该方法包括：获取待处理的客户对象集合；所述客户对象集合包含各个目标客户对象；获取每个所述目标客户对象的第一特征信息；每个所述目标客户对象的第一特征信息基于该目标客户对象在预设的业务时间范围中的目标时段的业务数据得到；应用授信识别模型对每个所述目标客户对象的第一特征信息进行识别，获得每个所述目标客户对象的识别结果；其中，所述授信识别模型基于训练样本集训练得到，所述训练样本集包含各个训练样本；每个所述训练样本包含其所属的客户对象的第二特征信息以及标签，所述第二特征信息基于所述客户对象在所述业务时间范围中的观察期的业务数据得到，所述标签基于所述客户对象在所述业务时间范围的表现期的表现结果获得；基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象。应用本发明提供的授信客户对象的确定方法，通过应用授信识别模型进行授信识别，能够提高客户授信的准确率，通过提取特征的方式，能够避免人工规则泄露导致的诈骗风险，提高授信的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种授信客户对象的确定方法的方法流程图；

图2为本发明提供的一种获取待处理的客户对象集合的过程的流程图；

图3为本发明提供的一种获取每个目标客户对象的第一特征信息的过程的流程图；

图4为本发明提供的一种授信客户对象的确定装置的结构示意图；

图5为本发明提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例提供了一种授信客户对象的确定方法，该方法可以应用于电子设备中，所述方法的方法流程图如图1所示，具体包括：

s101：获取待处理的客户对象集合；所述客户对象集合包含各个目标客户对象。

本发明实施例提供的方法中，目标客户对象可以为不满足已设定的初始授信规则的客户对象，该初始授信规则可以根据收入、金融资产以及客户对象的初始授信额度进行设定。

s102：获取每个所述目标客户对象的第一特征信息；每个所述目标客户对象的第一特征信息基于该目标客户对象在预设的业务时间范围中的目标时段的业务数据得到。

本发明实施例提供的方法中，该业务时间范围可以包含观察期、表现期以及目标时段，该观察期可以为该表现期的前一时段，该目标时段可以为该表现期的后一时段。

可选的，该第一特征信息包括各个预设的授信特征维度的特征数据，所述各个预设的授信特征维度可以包括客户年龄特征维度、转账频率特征维度、客户消费特征维度、还款特征维度、交易流水特征维度、外部数据特征维度、风险画像维度、账单维度、资产负债维度、押品特征维度以及征信特征维度等其中任意多项组合，该第一特征信息可以为宽表的形式。

其中，该业务数据可以包括年龄、国籍、客户消费数据、还款数据、交易流水数据、外部数据、风险画像数据、账单数据、资产负债数据、押品数据以及征信数据等其中任意多项组合。

具体的，可以对客户对象在目标时段的业务数据进行特征工程加工，获得各个预设的授信特征维度的第一特征数据。

s103：应用授信识别模型对每个所述目标客户对象的第一特征信息进行识别，获得每个所述目标客户对象的识别结果；其中，所述授信识别模型基于训练样本集训练得到，所述训练样本集包含各个训练样本；每个所述训练样本包含其所属的客户对象的第二特征信息以及标签，所述第二特征信息基于所述客户对象在所述业务时间范围中的观察期的业务数据得到，所述标签基于所述客户对象在所述业务时间范围的表现期的表现结果获得。

具体的，在一种可行的方式中，该识别结果可以表征其所属的目标客户对象在预设的预测期内违约概率，该预测期可以为该目标时段的下一时段；在另一种可行的方式中，该识别结果可以表征其所属的目标客户对象在预测期是否违约。

其中，该第二特征信息包含各个预设的授信特征维度的第二特征数据，可以对客户对象在观察期的业务数据进行特征工程加工，获得各个预设的授信特征维度的第二特征数据，该第二特征信息可以为宽表的形式。

可选的，授信识别模型的训练过程可以为：获取训练样本集以及初始授信识别模型，应用训练样本集中的每个训练样本对该初始授信识别模型进行训练，直至该初始授信识别模型满足预先设置的训练完成条件时，将该已训练的初始授信识别模型确定为授信识别模型，其中，该初始授信识别模型可以为依据随机森林、gbdt或xgboost等算法构建得到的机器学习模型，该训练条件可以为该初始授信识别模型的模型评分满足预设的评分条件，或者该初始授信识别模型的训练次数满足预先设置的训练次数阈值。

s104：基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象。

本发明实施例提供的方法中，在确定出授信客户对象之后，可以将授信客户对象添加至预先设置的授信白名单，进而可以为授信白名单中的授信客户对象提供该授信白名单对应的业务服务。

应用本发明提供的授信客户对象的确定方法，通过应用授信识别模型进行授信识别，能够提高客户授信的准确率，通过提取特征的方式，能够避免人工规则泄露导致的诈骗风险，提高授信的安全性。

本发明实施例提供的方法中，基于上述的实施过程，具体的，目标客户对象可以为授信评分未大于已设定的评分阈值的客户对象，其中，获取待处理的客户对象集合的一种可行的方式，如图2所示，包括：

s201：获取初始客户对象列表，所述初始客户对象列表包含多个客户对象。

s202：确定每个所述客户对象的授信评分。

其中，该授信评分可以根据客户对象的收入、金融资产以及初始授信额度等信息计算得到。

可选的，可以根据客户对象的收入计算得到客户对象的收入评分，可以根据客户对象的金融资产计算得到客户对象的资产评分，可以根据初始授信额度计算得到客户对象的初始授信额度评分，对收入评分、资产评分以及初始授信额度进行加权求和，得到客户对象的授信评分。

s203：将所述授信评分未大于预先设定的评分阈值的所述客户对象，确定为目标客户对象。

其中，该评分阈值可以依据实际需求进行设定。

s204：将各个所述目标客户对象组成待处理的客户对象集合。

应用本发明实施例提供的方法，可以在授信评分不好的客户对象中挖掘出消费稳定、信用良好的客户进行授信，从而打破现有客群的天花板，完成客群的扩充。

本发明实施例提供的方法中，基于上述的实施过程，具体的，所述获取每个所述目标客户对象的第一特征信息的过程，如图3所示，包括：

s301：对所述目标客户对象在预设的业务时间范围中的目标时段的业务数据进行特征工程加工，获得预设的各个授信特征维度的第一特征数据。

本发明实施例提供的方法中，可以对目标客户对象在目标时段的的客户信息数据、客户消费数据、还款数据、交易流水数据、外部数据、开卡数据、押品数据以及征信数据等进行特征工程加工，获得年龄特征、消费特征、转账频率特征、开卡次数特征以及征信等级特征等各个第一特征数据。

s302：将所述各个所述授信特征维度的第一特征数据，组成所述目标客户对象的第一特征宽表。

本发明实施例提供的方法中，该第一特征宽表可以是以客户号为主键，多列展示客户特征的大表。

s303：将所述第一特征宽表作为所述目标客户对象的第一特征信息。

应用本发明实施例提供的方法，通过对目标客户对象在目标时段的业务数据进行特征工程加工，获得目标客户对象的第一特征信息，进而可以通过目标客户对象的多种特征确定该目标客户对象是否为授信客户对象，提高了授信识别的准确率。

本发明实施例提供的方法中，基于上述的实施过程，具体的，所述识别结果表征其所属的目标客户对象在预设的预测期内违约概率，所述预测期为所述目标时段的下一时段；

相应的，上述s104中的基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象的一种可行的方式为：

将所述各个目标客户对象中的所述违约概率小于预先设置的概率阈值的目标客户对象，确定为授信客户对象。

本发明实施例提供的方法中，可以将每个目标客户对象在预测期内的违约概率与预先设置的违约概率阈值进行比较，若该目标客户对象的违约概率小于该概率阈值，则可以将该目标客户对象确定为授信客户对象；若该目标客户对象的违约概率大于等于该概率阈值，则可以对该目标客户对象进行风险标记。

应用本发明实施例提供的方法，能够在各个目标客户对象中选取出违约概率较小的客户对象作为授信客户对象。

本发明实施例提供的方法中，基于上述的实施过程，具体的，s104中的基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象的另一种可行的方式为：

基于每个所述目标客户对象的识别结果，在各个所述目标客户对象中确定出备选授信客户对象；

获取每个所述备选授信客户对象的客户信息；

将客户信息满足预先设置的授信条件的所述备选授信客户对象确定为授信客户对象。

在本发明实施例提供的方法中，该识别结果可以表征其所属的目标客户对象在预测期的违约概率，则可以将违约概率小于预设阈值的目标客户对象确定为备选授信客户对象，或者，在识别结果表征其所属的目标客户对象在预测期是否违约的情况下，可以将在预测期内不违约的目标客户对象确定为备选授信客户对象。

其中，该客户信息可以包含用户的年龄以及国籍等信息，在备选授信客户对象满足授信条件的情况下，可以将备选授信客户对象确定为授信客户对象。

应用本发明实施例提供的方法，可以根据业务要求或法规监管要求等，灵活加入授信条件，从而确定出授信客户对象。

本发明实施例提供的方法中，基于上述的实施过程，具体的，还包括：

将各个授信客户对象组成授信客户对象列表，并将所述授信客户对象列表进行输出。

其中，可以将该授信客户对象列表显示在预先设置的显示界面，将授信客户对象列表中的授信客户对象添加至已设定的授信白名单中。

可选的，可以将该授信对象列表进行存储，还可以将该授信对象列表进行传输。

应用本发明实施例提供的方法，能够获取到授信客户对象列表，可以为业务服务提供客户数据基础。

与图1所述的方法相对应，本发明实施例还提供了一种授信客户对象的确定装置，用于对图1中方法的具体实现，本发明实施例提供的授信客户对象的确定装置可以应用于电子设备中，其结构示意图如图4所示，具体包括：

第一获取单元401，用于获取待处理的客户对象集合；所述客户对象集合包含各个目标客户对象；

第二获取单元402，用于获取每个所述目标客户对象的第一特征信息；每个所述目标客户对象的第一特征信息基于该目标客户对象在预设的业务时间范围中的目标时段的业务数据得到；

识别单元403，用于应用授信识别模型对每个所述目标客户对象的第一特征信息进行识别，获得每个所述目标客户对象的识别结果；其中，所述授信识别模型基于训练样本集训练得到，所述训练样本集包含各个训练样本；每个所述训练样本包含其所属的客户对象的第二特征信息以及标签，所述第二特征信息基于所述客户对象在所述业务时间范围中的观察期的业务数据得到，所述标签基于所述客户对象在所述业务时间范围的表现期的表现结果获得；

确定单元404，用于基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象。

在本发明提供的一实施例中，基于上述的方案，具体的，所述第一获取单元401，包括：

第一获取子单元，用于获取初始客户对象列表，所述初始客户对象列表包含多个客户对象；

第一确定子单元，用于确定每个所述客户对象的授信评分；

第二确定子单元，用于将所述授信评分未大于预先设定的评分阈值的所述客户对象，确定为目标客户对象；

第一执行子单元，用于将各个所述目标客户对象组成待处理的客户对象集合。

在本发明提供的一实施例中，基于上述的方案，具体的，所述第二获取单元402，包括：

特征处理子单元，用于对所述目标客户对象在预设的业务时间范围中的目标时段的业务数据进行特征工程加工，获得预设的各个授信特征维度的第一特征数据；

第二执行子单元，用于将所述各个所述授信特征维度的第一特征数据，组成所述目标客户对象的第一特征宽表；

第三执行子单元，用于将所述第一特征宽表作为所述目标客户对象的第一特征信息。

在本发明提供的一实施例中，基于上述的方案，具体的，所述确定单元404，包括：

第三确定子单元，用于基于每个所述目标客户对象的识别结果，在各个所述目标客户对象中确定出备选授信客户对象；

第二获取子单元，用于获取每个所述备选授信客户对象的客户信息；

第四确子单元，用于将客户信息满足预先设置的授信条件的所述备选授信客户对象确定为授信客户对象。

上述本发明实施例公开的授信客户对象的确定装置中的各个单元和模块具体的原理和执行过程，与上述本发明实施例公开的授信客户对象的确定方法相同，可参见上述本发明实施例提供的授信客户对象的确定方法中相应的部分，这里不再进行赘述。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述授信客户对象的确定方法。

本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作：

获取待处理的客户对象集合；所述客户对象集合包含各个目标客户对象；

获取每个所述目标客户对象的第一特征信息；每个所述目标客户对象的第一特征信息基于该目标客户对象在预设的业务时间范围中的目标时段的业务数据得到；

应用授信识别模型对每个所述目标客户对象的第一特征信息进行识别，获得每个所述目标客户对象的识别结果；其中，所述授信识别模型基于训练样本集训练得到，所述训练样本集包含各个训练样本；每个所述训练样本包含其所属的客户对象的第二特征信息以及标签，所述第二特征信息基于所述客户对象在所述业务时间范围中的观察期的业务数据得到，所述标签基于所述客户对象在所述业务时间范围的表现期的表现结果获得；

基于每个所述目标客户对象的识别结果，在所述各个目标客户对象中确定出授信客户对象。

基于以上实现方案，以商业银行的授信客户对象的确定场景为例，对本申请的技术方案进行举例说明：

首先，目前银行授信大多是针对银行的白名单客户，比如代发薪客户、社保公积金客户、或者按照房屋、存款等资产评估出来的高净值客户，这样的客群是优质客群，贷款风险低。但是也造成了客群局限，随着消费金融、普惠金融的大幅推广，如何更加精准的评价客户，如何在满足风控要求的前提下从银行的存量客户中挖掘一批消费稳定、信用良好的客户来进行授信，从而打破现有客群的天花板，扩充客群是急需解决的问题。其次，目前商业银行对客户授信大多考虑了强金融属性的因素，比如收入、金融资产、已有授信等，没有充分涉及到客户消费、还款、交易流水、外部数据、押品、征信等多维数据，不能全面描绘用户画像，从而不能有效扩充授信客群。再者，目前商业银行对客户授信逻辑大多基于规则，即按照一些业务经验设定的规则逻辑来计算，这样人为干预明显，一方面不精准，另一方面也容易被欺诈团伙识别，造成诈骗风险。

为解决以上问题，具体实现中，本申请的技术方案在功能上可以划分为以下几个模块，数据预处理模块、特征工程模块、模型训练模块以及授信客户准出模块；

数据预处理模块主要实现数据源加载、数据探查、数据预处理功能。

特征工程模块主要实现特征工程构建，对特征进行统计分析，确定标签，形成宽表。

模型训练模块：基于宽表和标签，算法选择、模型训练和调优，输出存量客户的逾期概率。

1、数据预处理模块：该模块主要实现数据源加载、数据探查、数据预处理功能。

数据源包含多维度数据，包含借记卡交易、转账、信用卡消费、还款、账单、风险画像数据、资产负债、押品数据、征信以及外部数据(例如黑名单、学信网数据)等多种维度。

加载数据后进行数据探查，包括数据分布情况、缺失值统计、相关性分析等。

2、特征工程模块：该模块主要实现特征工程构建，对特征进行统计分析，确定标签，形成宽表。

特征功能的构建是进行建模的基础，在本模块可以筛选时间跨度为6个月的数据来进行特征加工，选择之后的3个月是否有过逾期行为来打标，即设计标签。

假设当前是2020年12月，业务目标是推出一部分授信客户名单来营销，即需要预测客户2021年1月份及之后的一段时间是否会逾期；在此情况下可以筛选2019年10月-2020年3月(授信特征数据，x数据)作为观察期；2020年4月-2020年6月(授信风险表现数据，y数据)作为表现期；对观察期做特征工程加工形成宽表，表现期统计客户逾期行为打标，形成标签。

还需要构建时间跨度为2020年7月-2020年12月的特征宽表，这部分宽表是后续生产授信名单的输入，由于是要预测当前时间点(2020年12月)未来一段时间(2021年1月-2021年4月)的逾期风险，所以需要构建最近时间跨度的特征工程。

3、模型训练模块：基于上一模块的观察期(2019年10月-2020年3月)的宽表和表现期(2020年4月-2020年6月)的标签进行机器学习模型训练，模型算法选择可以选用随机森林、gbdt、xgboost等算法进行模型构建。

模型训练完成后，把特征工程加工的2020年7月-2020年12月宽表输入给模型，进行预测输出客户2021年1月-2021年4月逾期的概率。

4、授信客户准出模块：由于模型训练模块输出的是客户未来逾期的概率，所以业务上可以根据自身风控风险的承受能力来灵活划定准出的标准。此外业务可以结合自身的要求来自定义准出规则筛选，比如要求客户国籍为中国、年龄在25-50岁等。最终输出可授信的客户名单。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明所提供的一种授信客户对象的确定方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。