本发明涉及一种基于用户画像的征信应用方法，在妥善解决个人信息安全与隐私保护的前提下，以客户为中心的用户画像研究，有利于企业充分利用现有的数据资源，有效实现精准营销和个性化服务，同时在个人征信方面也可实施有益的探索与实践。
背景技术：
随着计算机网络技术的不断发展，“数据即资源”的大数据时代已经来临。用户画像是企业实现“数据驱动业务与运营”的重要举措，用户画像与应用大数据技术对客户分类密切相关，是单个客户的众多属性标签的累积；另一方面，在企业涉足的消费金融领域，对用户所进行的个人信用评价，是对用户画像中的用户诸多特征实施再组合与分类的应用过程。
用户画像是个形象的比喻。在大数据技术的帮助下，我们可以了解用户的更多信息，但由于实施成本和隐私保护的限制，这个画像其实不是全息的“照相”或“录像”，是按需设计的，不可能无限细化，即用户“画像”不考虑成本与需求而具有超高“像素”是不现实的。一般而言，用户画像与客户分类密切相关。在大数据分析中对客户群进行分类，如聚类分析、判断逻辑分析等，可以按特征将用户划分为不同的类别；这些多维角度的客户分类，形成了一系列不同的属性标签。对于单个客户，正是这些分类范围的相互交集，即是单个客户身上的众多标签的累积，使得客户形象逐渐丰满，依稀呈现。同时，众多特征的迭加也可视同从量变到质变的“涌突”现象，在标签信息的基础上，可以再从各项特征中重新按需组合，形成相对完整的“大属性”标签，实施进一步的分类。从这个角度来看，用户的个人信用评价，也是用户画像中的诸多特征再组合分类的应用过程。
个人信用评价实质是一个类别识别问题。由于个人征信的基本过程，是将分散于不同来源的局部信息，整合成为可以完整描述消费者信用状况，因此企业的用户画像方法同样适用于个人信用测评。
技术实现要素：
本发明提供一种基于用户画像的征信应用方法，通过该方法将分散于不同来源的局部信息，整合成为可以完整描述消费者信用状况，有利于企业充分利用现有的数据资源，有效实现精准营销和个性化服务，同时在个人征信方面也可实施有益的探索与实践。
为了实现上述目的，本发明采用的技术方案如下。
基于用户画像的征信应用方法，包括以下步骤。
（1）先由企业风险管控部门人员根据企业自身的信用评级标准（层次分析法，简称AHP法）对所有样本进行打分。
（2）根据征信应用的情景需求，将用户画像的量化具体指标进行重新归并与组合。
（3）将所有样本进一步分为两部分，一部分为测试集，样本数占60%；另一部分为检验集，样本数占40%，并让这两个样本集中的可授信和不可授信样本占有相同比率。
（4）以企业传统评级结果为依据，运用监督学习算法中的支持向量机，对测试样本中的用户画像特征进行维度约简，找出关键属性值组合。
（5）按上述得到的用户画像的属性值组合，对检验样本进行分类，并将分类结果与传统的企业AHP法进行对比，符合率达到91.35%，效果基本达标。
与现有技术相比，本发明具有以下有益效果：
用户画像法的可予授信样本数小于企业传统方法的可予授信数，说明该方法授信标准更严，更趋保守，具有较好的稳健性，从中可以发现，运用用户画像的方式进行征信在“薄信息”状态下，具有较高的有效性。当然，在“厚信息”情景中，也具有一定的信息补充功能，综合利用效果更佳。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
图1为本发明的流程图，以广州速鸿信息科技有限公司企业数据库的银行数据为例，对部分申请贷款的个人用户进行实证分析。首先，选取5000个申请个人贷款的银行用户为样本，运用两种方法进行信用评价，其中，一种方法是银行根据现有的申请人的审核资料进行征信，另一种方法是通过用户画像的方法进行征信，实施流程如下。
1、先由银行风险管控部门人员根据银行自身的信用评级标准（层次分析法，简称AHP法）对所有样本进行打分；指标中个人信息分为：年龄、工作岗位、性别、学历、健康状况等，收入水平分为个人年收入和家庭年收入等，财产情况分为住房、存款、其他资产等，支出情况分为赡养人口、债务负担等，个人信用历史分为违法违纪情况、信用违约记录等，我们以银行最终放贷决定为依据，将样本分为“可予授信”样本和“不予授信”样本两种。（当然，可授信样本中也不能保证以后就不发生呆坏账，一定程度的小额坏账率也是银行业务中的正常现象）。
2、根据征信应用的情景需求，将用户画像的量化具体指标进行重新归并与组合，其中个人信息是否真实中，年龄与行为特征匹配(0,1两档)、手机号与地区符合(0,1两档)、社会交往正常(0,1两档)等，个人经济状况分为终端类别（1-5档）、套餐类型（1-3档）、近期用户ARPU值（1-5档）等，信用状况与环境分为双停时长与频数（1-3档）、社交网络ARPU均值等（1-5档）等。
3、将所有样本进一步分为两部分，一部分为测试集，样本数占60%；另一部分为检验集，样本数占40%，并让这两个样本集中的可授信和不可授信样本占有相同比率。
4、以银行传统评级结果为依据，运用监督学习算法中的支持向量机，对测试样本中的用户画像特征进行维度约简，找出关键属性值组合。在分类过程中，变量多所获得的信息也相对多，其判断正确性也将会比较高。但是变量多，代表着收集样本的成本和时间增加，最好的方法是能以较少的变量，却能获得不错的判断正确性。
5、按上述得手机用户画像的属性值组合，对检验样本进行分类，并将分类结果与传统的银行AHP法进行对比，符合率达到91.35%，效果基本达标。
按照上述实施例，便可很好地实现本发明。