本发明属于互联网信息处理技术领域，具体涉及一种用户风险预测方法及系统。
背景技术：
现有互联网金融，为了降低金融风险，都会对用户进行风险评估。已有模式大部分没有系统化，并且现有系统不能动态调整预测模型，不能够灵活的构建模型、测试模型。从用户信息得到指标的指标值时，需要经过指标计算规则，现有模型在指标计算规则需要更改时比较费时费力，且模型调整比较麻烦。
技术实现要素：
本发明是为了解决上述问题而进行的，目的在于提供一种建模效率高、准确率高、能够动态调整预测模型，快速为用户匹配合适的产品的用户风险预测方法及系统。
本发明提供了一种用户风险预测方法，其特征在于，包括以下步骤：根据多条指标基于预定规则得到评分卡；
根据评分卡和指标条件在线构建预测模型，根据不同类型的用户构建不同的预测模型，同一类型的用户构建至少一个预测模型；
优化预测模型：测试预测模型中不同的指标条件对预测模型的影响，根据各指标条件对预测模型的影响调整预测模型；
设定用于预测同一类型的用户的各预测模型的使用比例；
设定计算各指标的指标值的指标计算规则；
将用户信息带入指标计算规则得到指标值，根据得到的指标值带入相应的预测模型得到预测结果，根据预测结果和产品信息匹配出符合预测结果的产品。
进一步，在本发明提供的用户风险预测方法中，还可以具有这样的特征：其中，设定用于预测同一类型的用户的各预测模型的使用比例时，将每个预测模型对同一用户信息的预测结果进行比较，根据比较结果确定每个预测模型的使用比例。
进一步，在本发明提供的用户风险预测方法中，还可以具有这样的特征：其中，得到预测结果后，将预测结果进行展示。
进一步，在本发明提供的用户风险预测方法中，还可以具有这样的特征：其中，将预测结果展示时采用饼图、柱状图、线性图或表格的形式进行展示。
进一步，在本发明提供的用户风险预测方法中，还可以具有这样的特征：其中，所述产品信息包括：产品名称、产品期数、产品利率、风控条件、以及产品图标。
进一步，在本发明提供的用户风险预测方法中，还可以具有这样的特征：其中，填写的用户信息包括：个人信息、工作信息、电商购买信息、征信数据、负债信息、使用设备信息。
进一步，在本发明提供的用户风险预测方法中，还可以具有这样的特征：所述评分卡包括：个人信息评分卡、工作信息评分卡、电商信息评分卡、征信信息评分卡、负债信息评分卡、运营商信息评分卡。
本发明还提供了一种用户风险预测系统，其特征在于，包含：
输入模块，用于输入用户信息、产品信息、选择用户的类型；
模型构建模块，用于在线构建预测模型；
存储模块，用于存储产品信息、预测模型；
指标计算模块，根据输入的用户信息基于预定规则计算各指标值；
预测模块，根据用户的类型选择合适的预测模型，将所述指标计算模块得到的指标值带入所述预测模型得到预测结果；以及
匹配模块，用于根据预测结果和产品信息为用户匹配适合的产品。
进一步，在本发明提供的用户风险预测系统中，还可以具有这样的特征：用户风险预测系统还包含：展示模块，用于展示预测结果、与用户匹配的产品。
本发明的优点如下：
根据本发明所涉及的用户风险预测方法，由于评分卡是由多条指标构建得到，预测模型是根据评分卡和至少一条指标条件在线构建，通过设定计算指标的指标值的指标计算规则，在用户信息输入后，进行指标值计算，然后根据用户类别带入相应的预测模型进行计算后得到预测结果，根据预测结果和产品信息进行匹配，为用户推选出适合的产品，同时为合作机构过滤出符合机构风险等级的用户，整个过程使用时间短，提高了用户体验度，降低了合作机构的金融风险，提高了用户端和客户端的效率；预测模型在线构建，并且支持在线调试，根据结果对模型进行优化，并根据不同测试模型的测试结果，对模型进行使用比例配置，因此预测模型预测准确度高，且调整比较方便；指标计算指标值时的指标计算规则更改后，预测模型的预测结果也相应更改，因此更改指标计算规则更方便。
本发明提供的用户风险预测系统，预测结果准确度高，且预测模型调整比较方便，能够快速为用户匹配合适的产品且通过率高，降低合作机构的金融风险，提高用户端和机构端的效率。
附图说明
图1是本发明中用户风险预测方法的流程图；
图2是本发明中用户风险预测系统的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明用户风险预测方法及系统作具体阐述。
如图1所示，用户风险预测方法包含以下步骤：
步骤s1，根据多条指标基于预定规则得到评分卡。在本实施例中，评分卡包括个人信息评分卡、工作信息评分卡、电商信息评分卡、征信信息评分卡、负债信息评分卡、运营商信息评分卡。
评分卡计算过程举例如下：
指标：年龄、户籍所在地、工作城市、月收入等，期限、利率、费用等。
指标规则：规则1(年龄>20)；规则2(月收入>2000)……
评分卡计算规则：
评分卡1：规则1＝＝ture得分10；
规则2＝true得分10；
.....。
评分卡1得分为为各项规则得分之和。
在本实施例中，指标包括：个人基本信息类指标、工作信息类指标、电商信息类指标、征信类指标、负债类指标、设备信息类指标等。这些类别的指标具体为：月话费最大值、手机话费最小值、手机套餐消费额、客户支付宝类app数量、客户银行类app数量、客户浏览器类app数量、客户电商类app数量、客户理财类app数量、客户借贷类app数量、淘宝月消费额平均值,淘宝月消费额最大值,淘宝月消费额最小值、公积金信息等，在此不一一列举。
步骤s2，根据评分卡和指标条件在线构建预测模型，根据不同类型的用户构建不同的预测模型，同一类型的用户构建至少一个预测模型。同一类型用户构建的至少一个预测模型，可以将同一用户信息采用该用户类型下的所有预测模型进行预测，然后比较各模型的预测结果。
在本实施例中，用户类型包括：个人用户、企业用户。
模型构建举例：
模型1：
规则1＝＝true-->期限＝3-->评分卡1>60-->利率＝0.01，费用＝20。
规则1＝＝false-->期限＝0……利率＝0，费用＝0。
不同用户类型构建模型时所用的评分卡或指标条件不同，同一用户类型构建的不同模型所用的评分卡或指标条件也不同。
步骤s3，优化预测模型：测试预测模型中不同的指标条件对预测模型的影响，根据各指标条件对预测模型的影响调整预测模型。
例如模型1中：
规则1＝＝true-->期限＝3-->评分卡1>60-->利率＝0.01，费用＝20。将期限的值进行更改或者删除期限这个指标条件后，用同一个用户信息带入期限值不同的模型1中，分别得到预测结果，从而得到期限这个指标条件对测试模型的预测结果的影响。进一步，根据指标条件的影响调整预测模型，从而调试出符合业务场景的最优模型。
步骤s4，设定用于预测同一类型的用户的各预测模型的使用比例。由于同一类型用户的预测模型至少为一个，因此，在使用时，设定好每个预测模型的使用比例。例如，一个类型用户的预测模型有3个，设定模型1的使用比例为30％，模型2的使用比例为20％，模型2的使用比例为50％，那么假如有10个用户进行风险预测，会有3个用户使用模型1进行预测，2个用户使用模型2进行预测，5个用户使用模型3进行预测。设定用于预测同一类型的用户的各预测模型的使用比例时，将每个预测模型对同一用户信息的预测结果进行比较，根据比较结果确定每个预测模型的使用比例。
步骤s5，设定计算各指标的指标值的指标计算规则。将用户信息中通过设定的指标计算规则计算出用户的指标值。例如在评分卡计算中，指标规则中规则1(年龄>20)，根据用户信息中提供的数据采用据年龄的指标计算规则得出年龄的指标值。
步骤s6，将用户信息带入指标计算规则得到指标值，根据得到的指标值带入相应的预测模型得到预测结果，根据预测结果和产品信息匹配出符合预测结果的产品。从而方便用户选择合适的产品，同时也为产品信息发布机构筛选出符合机构风险等级，提高了产品的转化率，提高了合作机构的工作效率。
将指标值带入预测模型中，预测模型的计算过程与构建预测模型时程序相同。例如：评分卡构建中有年龄这个指标，根据用户信息中提供的数据采用据年龄的指标计算规则得出年龄的指标值21，在将这个指标值带入预测模型中时，首先计算评分卡，而评分卡中年龄的指标的规则为年龄>20，符合条件，因此，规则(年龄)＝＝ture得分10，评分卡中其它指标规则相同。
选用进行预测的预测模型则是根据用户输入信息时选择的用户类型确定。例如：用户输入用户信息时，选择的是个人用户，则在用预测模型进行预测时，则会使用个人用户所对应的多个预测模型，选用的个人用户下的哪个预测模型，则根据各预测模型的使用比例进行配置。
在本实施例中，填写的用户信息包括：个人信息、工作信息、电商购买信息、征信数据、负债信息、使用设备信息。其中，个人信息包括姓名、年龄等基本信息。
在本实施例中，产品信息包括：产品名称、产品期数、产品利率、风控条件、以及产品图标。
在本实施例中，得到预测结果后，将预测结果进行展示。将预测结果展示时采用饼图、柱状图、线性图或表格的形式进行展示。用户可以看出自己符合哪些合作机构的产品。
如图2所示，用户风险预测系统200包括输入模块210、模型构建模块220、存储模块230、指标计算模块240、预测模块250和匹配模块260。
输入模块210用于输入用户信息、产品信息、选择用户的类型。
模型构建模块220用于在线构建预测模型，修改预测模型。
存储模块230用于存储产品信息、预测模型。
指标计算模块240用于根据输入的用户信息基于预定规则计算各指标值。
预测模块250用于根据用户的类型选择合适的预测模型，将指标计算模块240得到的指标值带入预测模型得到预测结果。
匹配模块260用于根据预测结果和产品信息为用户匹配适合的产品。
在本实施例中，用户风险预测系统200还包括展示模块270，展示模块270用于展示预测结果、与用户匹配的产品。
在本实施例中，用户风险预测系统包含7台服务器、用户端、机构端，7台服务器均安装centos6.5系统，4核8g。用户端和机构端作为输入模块和展示模块。用户端用于填写用户信息并选择用户类型，机构端用于发布产品信息。用户端、机构端与两台第一服务器和四台第三服务器通信连接。两台第一服务器用于收集用户提交的信息和合作机构发布的产品信息。一台第二服务器作为模型构建、模型修改和调试用。另4台第三服务器与两台第一服务器和一台第二服务器连接。第三服务器获取两台第一服务器的用户信息、合作机构发布产品信息、第二服务器的预测模型，根据用户信息计算指标值，根据用户类型带入适合的预测模型进行计算，根据预测结果和产品信息匹配出符合用户的产品。第三服务器处理时可采用离线计算的方式。第三服务器将得到的结果发送给用户端、机构端，用户通过用户端可以知道符合自己的产品，机构通过机构端可以知道符合机构风险的用户。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。