用于金融业务风险控制的数据配置方法及装置与流程

本申请涉及金融领域，具体而言，涉及一种用于金融业务风险控制的数据配置方法及装置。

背景技术：

风险控制，是指金融业务领域中采取各种措施和方法，减少风险事件发生的各种可能性，或减少风险事件发生时造成的损失。比如，金融业务领域中的的借贷业务。

发明人发现，业务人员无法对风险控制中的规则、策略或评分卡极性自定义配置。

针对相关技术中风险控制中的数据无法自定义配置的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请的主要目的在于提供一种用于金融业务风险控制的数据配置方法及装置，以解决风险控制中的数据无法自定义配置的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于金融业务风险控制的数据配置方法。

根据本申请的用于金融业务风险控制的数据配置方法包括：根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集；根据金融业务类型配置用于评估第一用户信用的评分卡；根据所述分析规则集和所述评分卡，生成自定义配置结果。

进一步地，根据所述分析规则集和所述评分卡，生成自定义配置结果之后，还包括：接收第一用户关联数据；根据所述第一用户关联数据，按照所述分析规则和所述评分卡生成金融业务风险预判。

进一步地，根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集包括：根据第一用户数据进行规则匹配，获取风险控制匹配结果并保存操作过程中的状态；根据分析处理需求，配置规则并生成分析规则集。

进一步地，根据金融业务类型配置用于评估第一用户信用的评分卡包括：根据金融业务类型配置第一用户数据的聚类数据和衍生数据得到数据处理结果；根据数据处理结果按照金融业务类型进行评分卡配置，生成评分卡。

进一步地，根据所述分析规则集和所述评分卡，生成自定义配置结果包括：根据所述分析规则集生成规则引擎；根据所述评分卡生成模型引擎；通过金融业务需求，在引擎中生成自定义配置结果。

为了实现上述目的，根据本申请的另一方面，提供了一种用于金融业务风险控制的数据配置装置。

根据本申请的用于金融业务风险控制的数据配置装置包括：第一配置模块，用于根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集；第二配置模块，用于根据金融业务类型配置用于评估第一用户信用的评分卡；生成模块，用于根据所述分析规则集和所述评分卡，生成自定义配置结果。

进一步地，装置还包括：数据分析处理模块，所述数据分析模块包括：接收单元，用于接收第一用户关联数据；生成单元，用于根据所述第一用户关联数据，按照所述分析规则和所述评分卡生成金融业务风险预判。

进一步地，所述第一配置模块包括：第一处理单元，用于根据第一用户数据进行规则匹配，获取风险控制匹配结果并保存操作过程中的状态；第二处理单元，用于根据分析处理需求，配置规则并生成分析规则集。

进一步地，所述第二配置模块包括：第三处理单元，用于根据金融业务类型配置第一用户数据的聚类数据和衍生数据得到数据处理结果；第四处理单元，用于根据数据处理结果按照金融业务类型进行评分卡配置，生成评分卡。

进一步地，所述生成模块包括：第一引擎单元，用于根据所述分析规则集生成规则引擎；第二引擎单元，用于根据所述评分卡生成模型引擎；自定义单元，用于通过金融业务需求，在引擎中生成自定义配置结果。

在本申请实施例中用于金融业务风险控制的数据配置方法及装置，采用根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集的方式，通过根据金融业务类型配置用于评估第一用户信用的评分卡，达到了根据所述分析规则集和所述评分卡，生成自定义配置结果的目的，从而实现了风险控制的技术效果，进而解决了风险控制中的数据无法自定义配置的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请第一实施例的用于金融业务风险控制的数据配置方法流程示意图；

图2是根据本申请第二实施例的用于金融业务风险控制的数据配置方法流程示意图；

图3是根据本申请第三实施例的用于金融业务风险控制的数据配置方法流程示意图；

图4是根据本申请第四实施例的用于金融业务风险控制的数据配置方法流程示意图；

图5是根据本申请第五实施例的用于金融业务风险控制的数据配置方法流程示意图；

图6是根据本申请第一实施例的用于金融业务风险控制的数据配置装置结构示意图；

图7是根据本申请第二实施例的用于金融业务风险控制的数据配置装置结构示意图；

图8是根据本申请第三实施例的用于金融业务风险控制的数据配置装置结构示意图；

图9是根据本申请第四实施例的用于金融业务风险控制的数据配置装置结构示意图；

图10是根据本申请第五实施例的用于金融业务风险控制的数据配置装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，该方法包括如下的步骤s102至步骤s106：

步骤s102，根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集；

根据所述风险控制匹配结果可以得到初始的风险控制规则等，但是这些规则并不是固定的，可以根据第一用户的相关表现或历史记录对匹配结果进行调整。在获取得到用户数据后可自动匹配风险控制规则，得到风险控制匹配结果。所述风险控制匹配结果可以通规则数据采集模型通过离线方式批量处理得到。比如，通过采用spark、sql、hive等工具在基于分布式文件存储的数据库mongodb、业务数据库mysql中进行预处理后并选择出特征后生成规则，并对规则进行采集进入规则库。

配置分析规则集，所述分析规则集用于分析处理第一用户数据。即可以通过配置分析规则集对用户数据进行分析。

需要注意的是，分析规则集根据风险控制匹配结果以及用户数据更新反馈结果进行自定义配置。配置的方式是提供分析规则集的规则配置途径。

步骤s104，根据金融业务类型配置用于评估第一用户信用的评分卡；

根据具体的金融业务类型配置出评分卡，通过所述评分卡可以评估用户信用。

具体地，通过scikit-learn机器学习库、spark-mllib机器学习库等学习库学习得到评分卡模型，用于配置评估第一用户信用的评分卡。

需要注意的是，本领域技术人员可以根据金融业务的具体类型对评分卡进行灵活配置，在本申请的实施例中并不进行具体限定。

步骤s106，根据所述分析规则集和所述评分卡，生成自定义配置结果。

根据上述步骤中得到的所述分析规则集和所述评分卡，可以生成自定义的配置结果，即配置结果可以根据金融业务类型或者风险控制匹配结果进行调整，每进行一次调整或更新可以对前后规则或评分卡的配置进行对比。多版本的管理便于对比不同规则的效果分析，从而替代传统的模型发布软件，方便业务人员实现自主化上线和版本管理。

从以上的描述中，可以看出，本申请实现了如下技术效果：

在本申请实施例中，采用根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集的方式，通过根据金融业务类型配置用于评估第一用户信用的评分卡，达到了根据所述分析规则集和所述评分卡，生成自定义配置结果的目的，从而实现了风险控制的技术效果，进而解决了风险控制中的数据无法自定义配置的技术问题

根据本申请实施例，作为本实施例中的优选，如图2所示，根据所述分析规则集和所述评分卡，生成自定义配置结果之后，还包括：

步骤s202，接收第一用户关联数据；

步骤s204，根据所述第一用户关联数据，按照所述分析规则和所述评分卡生成金融业务风险预判。

具体地，接收第一用户金融业务订单信息和签约信息，当第一用户发起贷款申请，获取用户提供的基本信息并解析提取。此外，通过获取签约信息，用于分析用户的通过率、件均金额等指标。基于用户的订单信息，根据嵌入用户手机端上应用程序的sdk接口爬取用户征信数据、运营商数据等信息，根据配置自动调用第三方数据，并进行特征衍生、数据整合，将汇总的高维数据，将高维数据作为第一用户关联数据，并按照所述分析规则和所述评分卡生成金融业务风险预判，给出通过、拒绝、报警等不同级别的建议。

以订单为触发点，自动根据配置调用三方数据并进行特征衍生和数据封装，结合规则包、分值段、模型，对用户进行全方位地筛查，预判风险并给出建议。

根据本申请实施例，作为本实施例中的优选，如图3所示，根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集包括：

步骤s302，根据第一用户数据进行规则匹配，获取风险控制匹配结果并保存操作过程中的状态；

步骤s304，根据分析处理需求，配置规则并生成分析规则集。

具体地，在所述根据第一用户数据进行规则匹配时采用预设规则匹配算法，通过保存操作过程中的状态，避免大量的重复计算，极大的提高了规则的匹配效率。在根据分析处理需求，配置规则并生成分析规则集。

需要注意的是，所述分析处理需求可以通过离线批处理大数据库中的获取得到的规则得到。

优选地，采用了基于多模式匹配的rete算法。该算法是一种前向规则快速匹配算法，算法通过保存操作过程中的状态，避免了大量的重复计算，极大的提高了规则的匹配效率。而算法中的结点共享策略，解决了不同规则之间存有大量相同模式时的匹配问题，从而提高了算法的匹配效率。rete算法使平台的规则匹配效率提升到毫秒级。

根据本申请实施例，作为本实施例中的优选，如图4所示，根据金融业务类型配置用于评估第一用户信用的评分卡包括：

步骤s402，根据金融业务类型配置第一用户数据的聚类数据和衍生数据得到数据处理结果；

步骤s404，根据数据处理结果按照金融业务类型进行评分卡配置，生成评分卡。

具体地，根据所述金融业务类型配置出相关信息。可以包括：应用信息配置，数据源配置，特征衍生配置，规则集配置，模型配置。

通过上述步骤，采用用户友好的界面设置，从而便于业务人员通过界面配置达到从数据接入、特征衍生、多方位分析的数据处理结果。

优选地，数据处理结果包括对第一用户数据的历史记录或金融业务生效后的内部数据的处理。还可以包括：对第一用户数据是否属于黑名单、所属运营商、第一用户数据的消费数据、第一用户数据的社保、第一用户数据的银行卡认证、第一用户数据的借贷等的外部数据的处理。

需要注意的是，按照金融业务类型进行评分卡配置时可以包括反欺诈模型评分卡、信用评估评分卡以及额度授信评分卡等的配置，本领域技术人员可以根据实际使用情况进行选择或调整。此外，基于智能规则学习，结合金融业务生效后表现和高维数据集，自动生成有效的规则。

根据本申请实施例，作为本实施例中的优选，如图5所示，根据所述分析规则集和所述评分卡，生成自定义配置结果包括：

步骤s502，根据所述分析规则集生成规则引擎；

步骤s504，根据所述评分卡生成模型引擎；

步骤s506，通过金融业务需求，在引擎中生成自定义配置结果。

具体地，所述规则引擎和成所述模型引擎基于多关系多条件的规则展示和高效的匹配。通过金融业务需求，在引擎中生成自定义配置结果，可配置化数据接入、自动化数据预处理，使业务人员跳出繁琐的数据，更专注于模型和规则的搭建。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述方法的用于金融业务风险控制的数据配置装置，如图6所示，该装置包括：第一配置模块10，用于根据风险控制匹配结果，配置用于分析处理第一用户数据的分析规则集；第二配置模块20，用于根据金融业务类型配置用于评估第一用户信用的评分卡；生成模块30，用于根据所述分析规则集和所述评分卡，生成自定义配置结果。

本申请实施例的第一配置模块10中根据所述风险控制匹配结果可以得到初始的风险控制规则等，但是这些规则并不是固定的，可以根据第一用户的相关表现或历史记录对匹配结果进行调整。在获取得到用户数据后可自动匹配风险控制规则，得到风险控制匹配结果。所述风险控制匹配结果可以通规则数据采集模型通过离线方式批量处理得到。比如，通过采用spark、sql、hive等工具在基于分布式文件存储的数据库mongodb、业务数据库mysql中进行预处理后并选择出特征后生成规则，并对规则进行采集进入规则库。

配置分析规则集，所述分析规则集用于分析处理第一用户数据。即可以通过配置分析规则集对用户数据进行分析。

需要注意的是，分析规则集根据风险控制匹配结果以及用户数据更新反馈结果进行自定义配置。配置的方式是提供分析规则集的规则配置途径。

本申请实施例的第二配置模块20中根据具体的金融业务类型配置出评分卡，通过所述评分卡可以评估用户信用。

具体地，通过scikit-learn机器学习库、spark-mllib机器学习库等学习库学习得到评分卡模型，用于配置评估第一用户信用的评分卡。

需要注意的是，本领域技术人员可以根据金融业务的具体类型对评分卡进行灵活配置，在本申请的实施例中并不进行具体限定。

本申请实施例的生成模块30中根据上述步骤中得到的所述分析规则集和所述评分卡，可以生成自定义的配置结果，即配置结果可以根据金融业务类型或者风险控制匹配结果进行调整，每进行一次调整或更新可以对前后规则或评分卡的配置进行对比。多版本的管理便于对比不同规则的效果分析，从而替代传统的模型发布软件，方便业务人员实现自主化上线和版本管理。

根据本申请实施例，作为本实施例中的优选，如图7所示，装置还包括：数据分析处理模块40，所述数据分析模块40包括：接收单元401，用于接收第一用户关联数据；生成单元402，用于根据所述第一用户关联数据，按照所述分析规则和所述评分卡生成金融业务风险预判。

本申请实施例的数据分析处理模块40中具体地，接收第一用户金融业务订单信息和签约信息，当第一用户发起贷款申请，获取用户提供的基本信息并解析提取。此外，通过获取签约信息，用于分析用户的通过率、件均金额等指标。基于用户的订单信息，根据嵌入用户手机端上应用程序的sdk接口爬取用户征信数据、运营商数据等信息，根据配置自动调用第三方数据，并进行特征衍生、数据整合，将汇总的高维数据，将高维数据作为第一用户关联数据，并按照所述分析规则和所述评分卡生成金融业务风险预判，给出通过、拒绝、报警等不同级别的建议。

以订单为触发点，自动根据配置调用三方数据并进行特征衍生和数据封装，结合规则包、分值段、模型，对用户进行全方位地筛查，预判风险并给出建议。

根据本申请实施例，作为本实施例中的优选，如图8所示，所述第一配置模块10包括：第一处理单元101，用于根据第一用户数据进行规则匹配，获取风险控制匹配结果并保存操作过程中的状态；第二处理单元102，用于根据分析处理需求，配置规则并生成分析规则集。

本申请实施例中具体地，在所述根据第一用户数据进行规则匹配时采用预设规则匹配算法，通过保存操作过程中的状态，避免大量的重复计算，极大的提高了规则的匹配效率。在根据分析处理需求，配置规则并生成分析规则集。

需要注意的是，所述分析处理需求可以通过离线批处理大数据库中的获取得到的规则得到。

优选地，采用了基于多模式匹配的rete算法。该算法是一种前向规则快速匹配算法，算法通过保存操作过程中的状态，避免了大量的重复计算，极大的提高了规则的匹配效率。而算法中的结点共享策略，解决了不同规则之间存有大量相同模式时的匹配问题，从而提高了算法的匹配效率。rete算法使平台的规则匹配效率提升到毫秒级。

根据本申请实施例，作为本实施例中的优选，如图9所示，所述第二配置模块20包括：第三处理单元201，用于根据金融业务类型配置第一用户数据的聚类数据和衍生数据得到数据处理结果；第四处理单元202，用于根据数据处理结果按照金融业务类型进行评分卡配置，生成评分卡。

本申请实施例中具体地，具体地，根据所述金融业务类型配置出相关信息。可以包括：应用信息配置，数据源配置，特征衍生配置，规则集配置，模型配置。

通过上述步骤，采用用户友好的界面设置，从而便于业务人员通过界面配置达到从数据接入、特征衍生、多方位分析的数据处理结果。

优选地，数据处理结果包括对第一用户数据的历史记录或金融业务生效后的内部数据的处理。还可以包括：对第一用户数据是否属于黑名单、所属运营商、第一用户数据的消费数据、第一用户数据的社保、第一用户数据的银行卡认证、第一用户数据的借贷等的外部数据的处理。

需要注意的是，按照金融业务类型进行评分卡配置时可以包括反欺诈模型评分卡、信用评估评分卡以及额度授信评分卡等的配置，本领域技术人员可以根据实际使用情况进行选择或调整。此外，基于智能规则学习，结合金融业务生效后表现和高维数据集，自动生成有效的规则。

根据本申请实施例，作为本实施例中的优选，如图10所示，所述生成模块30包括：第一引擎单元301，用于根据所述分析规则集生成规则引擎；第二引擎单元302，用于根据所述评分卡生成模型引擎；自定义单元303，用于通过金融业务需求，在引擎中生成自定义配置结果。

本申请实施例中具体地，具体地，所述规则引擎和成所述模型引擎基于多关系多条件的规则展示和高效的匹配。通过金融业务需求，在引擎中生成自定义配置结果，可配置化数据接入、自动化数据预处理，使业务人员跳出繁琐的数据，更专注于模型和规则的搭建。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。