本发明涉及互联网金融微额贷款、现金贷款平台的风险控制相关技术领域,尤其涉及一种通话核查量化客户黑度的方法。
背景技术:
在小微金融行业业务实操中,风险策略会密切关注借款人的朋友圈情况,也会通过借款人的信用情况和贷款行为判断借款人朋友的贷款风险。基于神经网络技术的“近朱者赤近墨者黑”原则,通过合法合规的爬取借款人的通话详单,进而判断借款人通话详单中关联人的资质和风险情况。从而,通过某一优质借款人衍生出的优质关联人可以确认营销名单。
技术实现要素:
为了解决如何确认贷款营销名单的问题,本发明提出了一种通话核查量化客户黑度的方法。
本发明所采用的技术方案是:
一种通话核查量化客户黑度的方法,包括以下步骤:
s1,经授权后获得借款人的通话详单,设定该借款人为核心质点,与该借款人电话频繁联系的关联人设定为关联质点;
s2,根据核心质点通话号码数c_num、关联质点的通话次数r_freq[i]与核心质点的通话次数c_freq的比值和关联质点的通话时长c_ht与核心质点的通话时长c_ht的比值确定关联质点的维度n;
s3,根据核心质点的通话号码数c_num、通话次数c_freq和通话时长c_ht确定核心质点活跃度,根据核心质点活跃度、关联质点name[i]的通话次数r_freq[i]与核心质点的通话次数c_freq的比值和关联质点name[i]的通话时长r_ht[i]与核心质点的通话时长c_ht的比值确定关联质点name[i]与核心质点的关系ai;
s4,根据通话核查黑名单和业务黑名单确定一级黑度,根据风险联系、模型一级得分和贷款行为确定二级黑度,根据一级黑度和二级黑度确定核心质点黑度p0;
s5,计算关联质点的黑度pi,其中pi=ai×p0。
较佳的,当关联质点通话次数r_freq[i]与核心质点通话次数c_freq的比值和关联质点通话时长c_ht与核心质点通话时长r_ht[i]的比值大于等于临界值m时,所有关联质点个数为n,且n不得大于核心质点通话号码数c_num的r倍,其中m和r与核心质点在通话详单中的活跃度相关,0<r<1。
较佳的,所述核心质点活跃度的取值为当前核心质点通话号码数、通话次数和通话时长分别与全部核心质点通话号码数、通话次数和通话时长的比值中的最大值。
较佳的,关联质点与核心质点的关系ai等于关联质点通话次数与核心质点通话次数的比值和关联质点通话时长与核心质点通话时长的比值中的最大值与所述核心质点活跃度的乘积。
较佳的,当新核心质点的关联质点是之前一核心质点的关联质点,则该关联质点的黑度更新为该关联质点的所有黑度的平均数。
较佳的,当新核心质点的关联质点是之前一核心质点,则该关联质点的黑度不变。
较佳的,当新核心质点是之前一核心质点的关联质点,则该新核心质点的黑度更新为该新核心质点的所有黑度的最大值。
与现有技术相比,本发明的有益效果是:
本发明通过借款人的信用情况和贷款行为判断借款人朋友的贷款风险,当借款人与其关联人联系越紧密,则借款人与其关联人的信用情况越接近,通过核心质点号码数及临界值确定主要关联人,即关联质点的维度,通过关联质点的通话次数、通话时长及关联质点的平均通话次数、通话时长来量化核心质点和关联质点的接近程度,从而根据借款人的信用情况确定关联人的信用情况,在了解了关联人的信用情况之后则可以制订相应的营销方案。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有的优点。
附图说明
图1为本发明一实施例的新核心质点的关联质点是之前某核心质点的关联质点的示意图;
图2为本发明一实施例的新核心质点的关联质点是之前某核心质点的示意图;
图3为本发明一实施例的新核心质点是之前某核心质点的关联质点的示意图。
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,下面将结合附图对本发明的各实施方式进行详细的阐述。
实施例一
当借款人申请贷款时,信贷公司得到客户授权后获得该借款人的通话详单,设定该借款人为“核心质点”;与该借款人电话频繁联系的关联人设定为“关联质点”;关联人的个数用维度来表示,为n维度;关联质点(name[i]=1,2,…,n)与核心质点的关系设定为ai;核心质点的黑度为p0;关联质点的黑度为pi(若pi=100,则关联质点(name[i]=1,2,…,n)纯黑;若pi=0,则关联质点(name[i]=1,2,…,n)纯白)。
通话详单中与该模型相关的字段如下:
核心质点通话号码数(月均):core_numberabbr.c_num
核心质点通话次数(月均):core_frequencyabbr.c_freq
核心质点通话时长(月均):core_holdingtimeabbr.c_ht
关联质点i通话次数(月均):r_frequency[i]abbr.r_freq[i]
关联质点i通话时长(月均):r_holdingtime[i]abbr.r_ht[i]
本实施例为介绍单核心质点模型情况,如下:
(1)
(2)关联质点name[i]以手机号为唯一标识:
name[i]={核心质点top(n)的关联质点手机号}
(3)关联质点name[i]与核心质点的关系ai:
核心质点活跃度=function(c_num,c_freq,c_ht)
(4)核心质点黑度p0:
p0=function(一级黑度,二级黑度)
一级黑度=function(通话核查黑名单,业务黑名单)
二级黑度=function(风险联系,模型一级得分,贷款行为)
(5)关联质点黑度pi:
pi=ai×p0
(6)以上function假设为其中一种计算方式,例子如下:
假设借款人:c_num=5,c_freq=1000,c_ht=1000;
关联人1:r_freq[1]=600,r_ht[1]=700;
关联人2:r_freq[2]=300,r_ht[2]=200;
关联人3:r_freq[3]=85,r_ht[3]=60;
关联人4:r_freq[4]=10,r_ht[4]=5;
关联人5:r_freq[5]=5,r_ht[5]=35;
设定m=1%,r=0.6,n为满足
假设通过统计得全部核心质点平均通话号码数、次数和时长分别为100,900,1200;核心质点活跃度为max(5/100,1000/900,1000/1200)=1.11。
借款人未中通话核查黑名单,也未中业务黑名单,则一级黑度为0;风险联系得分60,模型一级得分70,贷款行为得分40,二级黑度取各项最高分,则二级黑度为70分。p0=max(一级黑度,二级黑度),则p0=70,那么p1=55,p2=23,p3=6。
实施例二
本实施例为实施例一的基础上进行的改进,为多核心质点网络模型,当多个单核心质点模型中的关联质点有相同时,则可以将多个单核心质点连接成多核心质点网络,但会出现以下情况从而影响质点的黑度,为:
(1)新核心质点的关联质点是之前某核心质点的关联质点,则该关联质点的黑度更新为该关联质点所有黑度的平均数,如图1所示;
(2)新核心质点的关联质点是之前某核心质点,则该关联质点的黑度不变,如图2所示;
(3)新核心质点是之前某核心质点的关联质点,则该新核心质点的黑度更新为该新核心质点所有黑度的最大值,如图3所示。
实施例三
本实施例为在实施例一或实施例二的基础上,通过量化网络质点黑度进行定向营销。在单核心质点模型(多核心质点网络模型看做单核心质点模型)中,如果pi≤u(其中u为该模型中黑度临界值,跟整体数据有关),营销名单为为name[i](其中i≤n且pi≤u);对于关联质点的营销时间设定为time[i]:
time[i]=max(name[i]近三个月不同时间段的通话次数)
营销方案一:向营销名单中的关联人,在该关联人的营销时间,电话或短信联系并询问是否有贷款需求;
营销方案二:由于核心借款人已经发生过贷款,可让客户经理与借款人沟通,达成定向推荐;
营销方案三:将营销名单name[i]中有过贷款记录的客户标记为星级关联人,作为重点营销方案名单。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。