本發(fā)明涉及金融科技與大數(shù)據(jù)處理，具體地說是一種金融產(chǎn)品智能匹配與預(yù)授信方法及系統(tǒng)。

背景技術(shù)：

1、隨著金融科技的快速發(fā)展，金融機(jī)構(gòu)對(duì)企業(yè)融資需求的響應(yīng)速度和服務(wù)質(zhì)量提出了更高要求。傳統(tǒng)信貸審批流程繁瑣、效率低下，難以滿足市場(chǎng)快速變化的需求。因此，基于企業(yè)公共數(shù)據(jù)，如政務(wù)數(shù)據(jù)、工商注冊(cè)信息等，開發(fā)一種高效、智能的金融產(chǎn)品匹配與預(yù)授信系統(tǒng)顯得尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的技術(shù)任務(wù)是針對(duì)以上不足之處，一種金融產(chǎn)品智能匹配與預(yù)授信方法及系統(tǒng)，通過評(píng)分模型的改進(jìn)，能夠?qū)崿F(xiàn)對(duì)企業(yè)信用狀況的全面評(píng)估，并根據(jù)不同金融機(jī)構(gòu)的產(chǎn)品風(fēng)控審批需求，智能匹配合適的金融產(chǎn)品并出具預(yù)授信金額，從而提高金融服務(wù)效率，降低信貸風(fēng)險(xiǎn)。

2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

3、一種金融產(chǎn)品智能匹配與預(yù)授信方法，該方法的實(shí)現(xiàn)包括：

4、企業(yè)畫像標(biāo)簽，梳理加工企業(yè)全量數(shù)據(jù)，生成征信、風(fēng)控建模指標(biāo)，運(yùn)用聚類分析算法，并結(jié)合專家經(jīng)驗(yàn)建立企業(yè)畫像標(biāo)簽體系，實(shí)現(xiàn)海量企業(yè)群體的有效劃分；

5、信用評(píng)分，構(gòu)建適用于多數(shù)企業(yè)的信用評(píng)分模型，提高信用評(píng)估的準(zhǔn)確性和普適性；通過機(jī)器學(xué)習(xí)訓(xùn)練大量的企業(yè)樣本集，進(jìn)行信用分類，過濾掉具有較高信用風(fēng)險(xiǎn)的企業(yè)，實(shí)現(xiàn)客戶準(zhǔn)入率的提高；

6、預(yù)授信，基于以財(cái)務(wù)指標(biāo)為主的高預(yù)測(cè)性指標(biāo)體系，通過ahp層次分析法，結(jié)合銀行個(gè)性化風(fēng)控需求，實(shí)現(xiàn)客戶的有序分層，打通和不同金融機(jī)構(gòu)的產(chǎn)品對(duì)接；

7、智能匹配算法，根據(jù)金融機(jī)構(gòu)的產(chǎn)品特性和風(fēng)控要求，設(shè)計(jì)智能匹配算法，實(shí)現(xiàn)金融產(chǎn)品的精準(zhǔn)推薦。

8、基于企業(yè)公共數(shù)據(jù)資源建立標(biāo)簽畫像模型、通用企業(yè)信用評(píng)分模型對(duì)企業(yè)進(jìn)行初篩；基于財(cái)務(wù)指標(biāo)及高預(yù)測(cè)性非財(cái)務(wù)指標(biāo)建立細(xì)粒度模型，按客戶預(yù)期違約率、預(yù)授信額度等進(jìn)行分層篩選。通過多種模型組合，實(shí)現(xiàn)按照不同金融機(jī)構(gòu)產(chǎn)品風(fēng)控審批需求來智能匹配不同金融產(chǎn)品。

9、進(jìn)一步的，所述企業(yè)畫像標(biāo)簽，其具體實(shí)現(xiàn)包括：

10、1)基本指標(biāo)加工，包括：

11、異常值篩選：采用統(tǒng)計(jì)或規(guī)則方法識(shí)別并剔除數(shù)據(jù)中的異常值，減少其對(duì)后續(xù)分析的影響；

12、數(shù)據(jù)校驗(yàn)：通過交叉驗(yàn)證、邏輯檢查等手段，確保數(shù)據(jù)的準(zhǔn)確性和可靠性；

13、建立指標(biāo)體系：根據(jù)畫像維度和業(yè)務(wù)需求，設(shè)計(jì)并構(gòu)建完整的指標(biāo)體系，指標(biāo)體系應(yīng)全面覆蓋關(guān)鍵業(yè)務(wù)領(lǐng)域，并具備可度量和可追蹤性；

14、指標(biāo)生成：基于處理后的數(shù)據(jù)，計(jì)算并生成具體的指標(biāo)值，包括直接計(jì)算指標(biāo)值以及通過模型預(yù)測(cè)或推斷得到的指標(biāo)值；

15、指標(biāo)對(duì)齊：確保不同數(shù)據(jù)源或不同系統(tǒng)間的指標(biāo)定義、計(jì)算方法和統(tǒng)計(jì)口徑保持一致，以便進(jìn)行跨域比較和分析；

16、標(biāo)準(zhǔn)化處理：對(duì)指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，如歸一化、標(biāo)準(zhǔn)化分等，以便于后續(xù)的數(shù)據(jù)分析和建模；

17、2)建立企業(yè)畫像標(biāo)簽體系：

18、定義事實(shí)標(biāo)簽：確定與企業(yè)畫像相關(guān)的核心數(shù)據(jù)標(biāo)簽，如“風(fēng)險(xiǎn)”、“成長(zhǎng)”、“主營(yíng)”、“收入”、“生產(chǎn)情況”、“法人”、“信用”等；

19、定義模型標(biāo)簽：根據(jù)業(yè)務(wù)專家經(jīng)驗(yàn)，定義模型標(biāo)簽，如“是否高成長(zhǎng)”、“是否經(jīng)營(yíng)正?！?、“還款意愿強(qiáng)弱”等；以達(dá)到標(biāo)簽全面反映企業(yè)的特征和狀況；

20、3)數(shù)據(jù)準(zhǔn)備與預(yù)處理：

21、收集和整理相關(guān)企業(yè)的數(shù)據(jù)，包括財(cái)務(wù)指標(biāo)、經(jīng)營(yíng)數(shù)據(jù)、信用記錄等；對(duì)數(shù)據(jù)進(jìn)行預(yù)處理工作，包括清洗、去重、格式統(tǒng)一等；

22、4)kmeans聚類模型訓(xùn)練：

23、使用kmeans聚類算法對(duì)數(shù)據(jù)進(jìn)行分組，進(jìn)行模型調(diào)參，以優(yōu)化聚類效果；驗(yàn)證模型穩(wěn)定性，確保聚類結(jié)果的可靠性和一致性；

24、5)專家經(jīng)驗(yàn)定義簇并解釋模型：

25、邀請(qǐng)業(yè)務(wù)專家對(duì)聚類結(jié)果進(jìn)行審查，根據(jù)專家經(jīng)驗(yàn)定義每個(gè)簇的特征；解釋模型結(jié)果，以確保聚類結(jié)果符合業(yè)務(wù)邏輯和實(shí)際情況；

26、6)輸出企業(yè)畫像維度指標(biāo)：

27、根據(jù)聚類結(jié)果和專家意見，提煉出能夠反映企業(yè)畫像的關(guān)鍵維度和指標(biāo)；

28、7)形成企業(yè)畫像：基于以上步驟，整合所有信息和維度指標(biāo)，構(gòu)建出完整的企業(yè)畫像。

29、進(jìn)一步的，所述信用評(píng)分，其具體實(shí)現(xiàn)包括：

30、1)指標(biāo)融合：將企業(yè)基本指標(biāo)和畫像維度指標(biāo)融合；

31、2)樣本篩選：從數(shù)據(jù)中篩選出合適的樣本用于建模；

32、3)模型建設(shè)：采用機(jī)器學(xué)習(xí)模型建設(shè)為企業(yè)提供評(píng)分和評(píng)級(jí)。

33、進(jìn)一步的，所述指標(biāo)融合，企業(yè)基本指標(biāo)包括納稅人是否為非正常戶、是否至少連續(xù)納稅兩年及以上、注冊(cè)地址、經(jīng)營(yíng)狀態(tài)、注冊(cè)資金等；畫像維度指標(biāo)包括綜合經(jīng)營(yíng)穩(wěn)定性、企業(yè)成長(zhǎng)能力；

34、所述樣本篩選，包括正面樣本(信用良好的企業(yè))和負(fù)面樣本(存在信用問題的企業(yè))，負(fù)面樣本包括失信被執(zhí)行人、近3年發(fā)生過借貸糾紛(被訴)、被列入網(wǎng)貸黑名單、稅務(wù)違法違章等；正面樣本為未包含于負(fù)面樣本中樣本、且與負(fù)面樣本的比例約為10:1等；

35、所述模型建設(shè)，針對(duì)某些特定情況(如稅務(wù)違法違章、失信被執(zhí)行人等)，制定強(qiáng)制性的評(píng)估規(guī)則，篩選信用較差企業(yè)和信用較好企業(yè)。

36、進(jìn)一步的，所述預(yù)授信，其具體實(shí)現(xiàn)包括：

37、1)準(zhǔn)入模型指標(biāo)：

38、設(shè)置通用規(guī)則，包括客戶類型、所屬行業(yè)、地域限制等，根據(jù)產(chǎn)品特色設(shè)置特殊規(guī)則，包括稅務(wù)違法違規(guī)、稅務(wù)登記情況等；

39、2)反欺詐模型指標(biāo)：設(shè)置反欺詐模型指標(biāo)，如：企業(yè)是否出現(xiàn)在三方黑名單、是否存在多頭借貸、失信執(zhí)行、涉訴犯罪等負(fù)面情況等；

40、3)風(fēng)控模型：包括授信審批模型、授信額度模型；

41、4)預(yù)授信輸出：

42、信用評(píng)級(jí)：根據(jù)包括客戶的信用歷史、經(jīng)營(yíng)狀況的多維度信息進(jìn)行信用評(píng)級(jí)，評(píng)級(jí)結(jié)果如aaa、aa、bbb等；

43、評(píng)分范圍：根據(jù)信用評(píng)級(jí)確定客戶的信用評(píng)分范圍，如aaa對(duì)應(yīng)的評(píng)分范圍是(90,100]；

44、放大系數(shù)：根據(jù)信用評(píng)級(jí)確定預(yù)授信額度的放大系數(shù)，該系數(shù)將影響最終的授信額度；

45、5)計(jì)算預(yù)授信額度：

46、根據(jù)信用評(píng)級(jí)和放大系數(shù)，結(jié)合企業(yè)的具體情況(如法人資質(zhì)、所有貸款剩余金額、企業(yè)近兩年納稅總額平均值等)，計(jì)算預(yù)授信額度；

47、計(jì)算公式為：預(yù)授信額度＝信用等級(jí)放大系數(shù)*企業(yè)近兩年納稅總額平均值。

48、進(jìn)一步的，所述智能匹配算法，具體為：

49、1)依據(jù)企業(yè)標(biāo)簽表中的信息獲取企業(yè)的對(duì)應(yīng)的標(biāo)簽的取值，(如企業(yè)法人年齡、企業(yè)成立年限、企業(yè)注冊(cè)地址、企業(yè)類型、企業(yè)所屬行業(yè)、企業(yè)經(jīng)營(yíng)狀態(tài)、企業(yè)納稅規(guī)模、企業(yè)納稅信用評(píng)級(jí)、企業(yè)主動(dòng)填報(bào)的其他字段：融資金額、期望利率區(qū)間、期望放款時(shí)間、期望融資期限等)，假設(shè)某個(gè)企業(yè)這12個(gè)標(biāo)簽的取值是(38，5，濟(jì)南，創(chuàng)新型中小企業(yè)，c，在營(yíng)(開業(yè))，一般納稅人，a級(jí)別，100000，3-5，3，12)；

50、2)獲取金融產(chǎn)品庫(kù)中的所有產(chǎn)品的準(zhǔn)入規(guī)則命中情況

51、假設(shè)產(chǎn)品庫(kù)有a、b、c、d、e五個(gè)金融產(chǎn)品，依據(jù)下表的規(guī)則和企業(yè)的標(biāo)簽信息，測(cè)算每個(gè)產(chǎn)品的準(zhǔn)則匹配結(jié)果序列，比如對(duì)產(chǎn)品a，匹配結(jié)果序列為(1，0，1，1，0，0，1，1，1，1，1，1)；

52、3)如果準(zhǔn)入規(guī)則中有0值，則產(chǎn)品a得分為0，否則計(jì)算產(chǎn)品a的匹配分，每個(gè)評(píng)分規(guī)則5分，(總共4個(gè)評(píng)分規(guī)則的話，產(chǎn)品a的匹配得分為5*4/20*100＝100分)，像這樣得到所有產(chǎn)品的匹配分值序列，假設(shè)為(100，50，75，75，100)。

53、本發(fā)明還要求保護(hù)一種金融產(chǎn)品智能匹配與預(yù)授信系統(tǒng)，包括：

54、數(shù)據(jù)源層，收集并整合企業(yè)公共數(shù)據(jù)，包括但不限于政務(wù)數(shù)據(jù)、工商注冊(cè)信息、稅務(wù)數(shù)據(jù)、司法信息等；

55、數(shù)據(jù)處理層，對(duì)收集到的數(shù)據(jù)進(jìn)行清洗、去重、標(biāo)準(zhǔn)化處理，形成統(tǒng)一的數(shù)據(jù)格式；

56、模型構(gòu)建層，包括：

57、企業(yè)篩選模型體系：基于非財(cái)務(wù)指標(biāo)，構(gòu)建企業(yè)畫像標(biāo)簽?zāi)Ｐ秃推髽I(yè)信用評(píng)分模型，通過標(biāo)簽畫像和信用評(píng)分對(duì)企業(yè)進(jìn)行初步篩選；

58、預(yù)授信模型：針對(duì)通過初篩的企業(yè)，進(jìn)一步基于財(cái)務(wù)指標(biāo)及高預(yù)測(cè)性非財(cái)務(wù)指標(biāo)，構(gòu)建準(zhǔn)入策略、反欺詐模型和內(nèi)部授信模型，實(shí)現(xiàn)精細(xì)化的信用評(píng)估和預(yù)授信額度計(jì)算；

59、智能匹配：根據(jù)金融機(jī)構(gòu)的產(chǎn)品風(fēng)控審批需求，結(jié)合企業(yè)信用評(píng)估結(jié)果，智能匹配適合的金融產(chǎn)品；

60、輸出層，向金融機(jī)構(gòu)輸出企業(yè)信用評(píng)估報(bào)告、預(yù)授信金額及推薦的金融產(chǎn)品列表。

61、進(jìn)一步的，所述構(gòu)建企業(yè)畫像標(biāo)簽?zāi)Ｐ桶ǎ?/p>

62、標(biāo)準(zhǔn)數(shù)據(jù)治理：梳理加工企業(yè)全量數(shù)據(jù)，形成標(biāo)準(zhǔn)化數(shù)據(jù)；

63、基本指標(biāo)加工：通過異常值篩選、數(shù)據(jù)校驗(yàn)、指標(biāo)體系、指標(biāo)生成、指標(biāo)對(duì)齊、指標(biāo)補(bǔ)全完成模型基本指標(biāo)加工；

64、企業(yè)畫像標(biāo)簽體系：通過實(shí)際數(shù)據(jù)定義事實(shí)標(biāo)簽，通過業(yè)務(wù)專家經(jīng)驗(yàn)定義模型標(biāo)簽，采用kmeans聚類模型訓(xùn)練進(jìn)行模型調(diào)參和模型穩(wěn)定性驗(yàn)證，通過專家經(jīng)驗(yàn)定義簇并解釋模型，最終輸出企業(yè)畫像維度指標(biāo)；

65、所述企業(yè)信用評(píng)分模型包括：

66、指標(biāo)融合：融合企業(yè)基本指標(biāo)和畫像維度指標(biāo)；

67、樣本準(zhǔn)備：準(zhǔn)備負(fù)面樣本和正面樣本；

68、模型開發(fā)：采用機(jī)器學(xué)習(xí)模型和強(qiáng)規(guī)則模型組合開發(fā)模型；

69、輸出信用評(píng)分：輸出企業(yè)信用等級(jí)和評(píng)分，篩掉信用較差企業(yè)；

70、所述預(yù)授信模型實(shí)現(xiàn)包括；

71、準(zhǔn)入模型指標(biāo)：融合通用規(guī)則和產(chǎn)品特色準(zhǔn)入規(guī)則，實(shí)現(xiàn)產(chǎn)品的規(guī)則的快速建立；

72、反欺詐模型指標(biāo)：包括企業(yè)反欺詐指標(biāo)和個(gè)人反欺詐指標(biāo)；

73、風(fēng)控模型：包括授信審批模型和授信額度模型；

74、預(yù)授信輸出：基于企業(yè)信用等級(jí)按照預(yù)授信額度算法輸出預(yù)授信額度；

75、所述智能匹配算法實(shí)現(xiàn)包括：

76、獲取企業(yè)的標(biāo)簽數(shù)據(jù)：依據(jù)企業(yè)標(biāo)簽表中的信息獲取企業(yè)的對(duì)應(yīng)的標(biāo)簽的取值；

77、獲取產(chǎn)品準(zhǔn)入命中情況：獲取金融產(chǎn)品庫(kù)中的所有產(chǎn)品的準(zhǔn)入規(guī)則命中情況；

78、計(jì)算產(chǎn)品匹配分值：按照算法計(jì)算產(chǎn)品的匹配分值；

79、按分值排序推薦：按照產(chǎn)品匹配分值排序，輸出推薦產(chǎn)品。

80、本發(fā)明還要求保護(hù)一種金融產(chǎn)品智能匹配與預(yù)授信裝置，包括：至少一個(gè)存儲(chǔ)器和至少一個(gè)處理器；

81、所述至少一個(gè)存儲(chǔ)器，用于存儲(chǔ)機(jī)器可讀程序；

82、所述至少一個(gè)處理器，用于調(diào)用所述機(jī)器可讀程序，實(shí)現(xiàn)上述的方法。

83、本發(fā)明還要求保護(hù)一種計(jì)算機(jī)可讀介質(zhì)，所述計(jì)算機(jī)可讀介質(zhì)上存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令在被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述的方法。

84、本發(fā)明的一種金融產(chǎn)品智能匹配與預(yù)授信方法及系統(tǒng)與現(xiàn)有技術(shù)相比，具有以下有益效果：

85、1、提高金融服務(wù)效率，縮短信貸審批周期。

86、2、降低信貸風(fēng)險(xiǎn)，通過全面的信用評(píng)估和精細(xì)化的預(yù)授信模型，提升貸款回收率。

87、3、滿足多樣化融資需求，根據(jù)企業(yè)實(shí)際情況智能匹配金融產(chǎn)品，提升客戶滿意度。

88、4、促進(jìn)金融科技創(chuàng)新，推動(dòng)大數(shù)據(jù)、人工智能等技術(shù)在金融領(lǐng)域的應(yīng)用。