客户还款的风险预警方法、系统及电子设备与流程

本发明涉及数据处理，尤其涉及一种客户还款的风险预警方法、系统及电子设备。

背景技术：

1、在现有实际的工程机械行业回款应用中，风险预警结果大部分是通过对客户设备的某些指标计算阈值，例如工时等数据，对于大于某些指标阈值的客户发出预警，再结合人工经验进行判断，准确率和及时性无法得到保证。

2、另外，使用机器学习算法进行风险预警也多是使用传统的机器学习模型，如逻辑回归模型(logistic regression，简称lr模型)、分类决策树(classification andregression tree，简称cart模型)等，这些方法将数据进行清洗加工并根据分析目标按比例抽取正样本与负样本，选取与客户相关的指标并依据该指标衍生形成建模样本；对建模样本的特征进行预处理后得到衍生变量数据，对衍生变量数据进行标准化处理后通过相关性分析等方法过滤掉部分特征，得到建模样本，该类方法的可解释性较好，但是由于模型本身的性能同样存在预测的准确率较差的问题；如果使用机器学习算法里面的深度学习方法，在有充足的样本量情况下该方法的性能较好，但是该方法对于模型的可解释性方面存在不足。

技术实现思路

1、本发明提供一种客户还款的风险预警方法、系统及电子设备，用以解决现有技术中模型的可解释性与准确率不能兼得缺陷，在保证模型的可解释性前提下，提高对客户还款风险预测的准确性。

2、本发明提供一种客户还款的风险预警方法，包括：

3、获取当前客户信息并确定客户是否有逾期；

4、若客户有逾期，则将所述客户信息输入训练后的机器学习模型，得到客户未来逾期的第一概率；

5、若客户无逾期，则将所述客户信息输入训练后的机器学习-决策树模型，得到客户未来逾期的第二概率，所述机器学习-决策树模型包括机器学习模型、决策树模型和权重优化模型，所述权重优化模型用于确定所述机器学习模型和决策树模型的权重；

6、若所述第一概率大于第一概率阈值或者所述第二概率大于第二概率阈值，则对客户的还款进行预警。

7、可选地，获取当前客户信息并确定客户是否有逾期之前，还包括：

8、根据历史客户信息构建样本数据集，所述历史客户信息包括客户基本资料、客户订单详情和客户设备工况；

9、根据所述样本数据集分别对机器学习模型和机器学习-决策树模型进行训练，得到所述训练后的机器学习模型和所述训练后的机器学习-决策树模型。

10、可选地，根据所述样本数据集对机器学习-决策树模型进行训练，包括：

11、采用过采样算法对所述样本数据集进行抽样，得到抽样数据集；

12、根据所述抽样数据集对机器学习-决策树模型进行训练，得到所述训练后的机器学习-决策树模型。

13、可选地，根据历史客户信息构建样本数据集之后，根据所述样本数据集分别对机器学习模型和机器学习-决策树模型进行训练之前，还包括：

14、对所述样本数据集进行预处理，所述预处理包括清洗所述样本数据集中的缺失值和异常值。

15、可选地，根据所述样本数据集分别对机器学习模型和机器学习-决策树模型进行训练，包括：

16、根据所述样本数据集采用k折交叉方法分别对机器学习模型和机器学习-决策树模型进行训练。

17、可选地，所述第一概率阈值小于所述第二概率阈值。

18、本发明还提供一种客户还款的风险预警系统，包括：

19、信息获取模块，用于获取当前客户信息并确定客户是否有逾期；

20、第一概率确定模块，用于若客户有逾期，则将所述客户信息输入训练后的机器学习模型，得到客户未来逾期的第一概率；

21、第二概率确定模块，用于若客户无逾期，则将所述客户信息输入训练后的机器学习-决策树模型，得到客户未来逾期的第二概率，所述机器学习-决策树模型包括机器学习模型、决策树模型和权重优化模型，所述权重优化模型用于确定所述机器学习模型和决策树模型的权重；

22、预警模块，用于若所述第一概率大于第一概率阈值或者所述第二概率大于第二概率阈值，则对客户的还款进行预警。

23、可选地，信息获取模块之前，还包括：

24、样本数据集构建模块，用于根据历史客户信息构建样本数据集，所述历史客户信息包括客户基本资料、客户订单详情和客户设备工况；

25、模型训练模块，用于根据所述样本数据集分别对机器学习模型和机器学习-决策树模型进行训练，得到所述训练后的机器学习模型和所述训练后的机器学习-决策树模型。

26、可选地，模型训练模块，还用于：

27、采用过采样算法对所述样本数据集进行抽样，得到抽样数据集；

28、根据所述抽样数据集对机器学习-决策树模型进行训练，得到所述训练后的机器学习-决策树模型。

29、本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的客户还款的风险预警方法。

30、本发明提供的客户还款的风险预警方法、系统及电子设备，通过获取当前客户信息并确定客户是否有逾期；若客户有逾期，则将所述客户信息输入训练后的机器学习模型，得到客户未来逾期的第一概率；若客户无逾期，则将所述客户信息输入训练后的机器学习-决策树模型，得到客户未来逾期的第二概率，所述机器学习-决策树模型包括机器学习模型、决策树模型和权重优化模型，所述权重优化模型用于确定所述机器学习模型和决策树模型的权重；若所述第一概率大于第一概率阈值或者所述第二概率大于第二概率阈值，则对客户的还款进行预警。即本发明中对于不同客户采用不同模型进行预测，尤其是对于无逾期的客户，基于重新构建的机器学习-决策树模型，能够在保证模型的可解释性前提下，提高对客户还款风险预测的准确性。

技术特征：

1.一种客户还款的风险预警方法，其特征在于，包括：

2.根据权利要求1所述的客户还款的风险预警方法，其特征在于，获取当前客户信息并确定客户是否有逾期之前，还包括：

3.根据权利要求2所述的客户还款的风险预警方法，其特征在于，根据所述样本数据集对机器学习-决策树模型进行训练，包括：

4.根据权利要求2所述的客户还款的风险预警方法，其特征在于，根据历史客户信息构建样本数据集之后，根据所述样本数据集分别对机器学习模型和机器学习-决策树模型进行训练之前，还包括：

5.根据权利要求2所述的客户还款的风险预警方法，其特征在于，根据所述样本数据集分别对机器学习模型和机器学习-决策树模型进行训练，包括：

6.根据权利要求1-5任一项所述的客户还款的风险预警方法，其特征在于，所述第一概率阈值小于所述第二概率阈值。

7.一种客户还款的风险预警系统，其特征在于，包括：

8.根据权利要求7所述的客户还款的风险预警系统，其特征在于，信息获取模块之前，还包括：

9.根据权利要求8所述的客户还款的风险预警系统，其特征在于，模型训练模块，还用于：

10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的客户还款的风险预警方法。

技术总结
本发明提供一种客户还款的风险预警方法、系统及电子设备，涉及数据处理技术领域，方法包括：获取当前客户信息并确定客户是否有逾期；若客户有逾期，则将客户信息输入训练后的机器学习模型，得到客户未来逾期的第一概率；若客户无逾期，则将客户信息输入训练后的机器学习‑决策树模型，得到客户未来逾期的第二概率，机器学习‑决策树模型包括机器学习模型、决策树模型和权重优化模型，权重优化模型用于确定机器学习模型和决策树模型的权重；若第一概率大于第一概率阈值或者第二概率大于第二概率阈值，则对客户的还款进行预警。本发明能够在保证模型的可解释性前提下，提高对客户还款风险预测的准确性。

技术研发人员：张明,贺欧文,史真子
受保护的技术使用者：三一重机有限公司
技术研发日：
技术公布日：2024/1/16