贷款额度评估方法及装置的制造方法
【技术领域】
[0001] 本发明属于通信技术领域，具体涉及一种基于通信运营商的用户数据的带宽额度 评估方法及系统。
【背景技术】
[0002] 目前，金融业贷款服务中，发款方通常以贷款用户在银行的交易记录即个人信息 为主要参考，判断贷款用户的信用程度来评估贷款额度。
[0003] 但是，由于上述信息由贷款用户填写很难真实且实时反应其多个方面的变化，这 是因为通常采用人工询问贷款用户或要求借方提供信息，并且上述信息的维度较少，因此， 基于上述信息会造成贷款的风险性高等问题。
【发明内容】
[0004] 本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种贷款额度评估 方法及装置，能够更进一步合理地评估贷款额度，从而可以进一步降低贷款的风险。
[0005] 为解决上述问题之一，本发明提供了一种贷款额度评估方法，应用于通信运营商 系统，包括:预先根据通信运营商系统的用户数据建立用户的信用评分模型和流失率预测 模型;预先根据用户的所述信用评分和所述流失率建立贷款额度评估模型;基于所述信用 评分模型和所述流失率预测模型，并根据贷款用户的所述用户数据来分别获得该用户的所 述信用评分和所述流失率;基于所述贷款额度评估模型，并根据获得的所述贷款用户的所 述信用评分和所述流失率来评估该贷款用户的可贷款额度。
[0006] 具体地，所述预先建立贷款额度评估模型，还包括:根据用户在预设周期内产生的 盈利建立所述贷款额度评估模型;所述贷款额度评估方法，还包括:评估所述贷款用户的所 述盈利;所述评估该贷款用户的可贷款额度，还包括:根据评估的所述贷款用户的所述盈利 来评估该贷款用户的可贷款额度。
[0007] 具体地，所述获得所述贷款用户的流失率，包括:获得所述贷款用户在未来多个时 间段的所述流失率;所述评估该贷款用户的可贷款额度，包括:根据获得的所述贷款用户在 未来多个时间段内的所述流失率来评估该贷款用户的可贷款额度。
[0008] 具体地，所述贷款额度评估模型抽象为下述数学表达式：
[0009]
[0010] 其中，C为所述可贷款额度;R为所述盈利;S为信用系数，其与所述信用评分存在预 设对应关系;P为未来第一个时间段的所述流失率；#为未来多个时间段的所述流失率的平 均值;h为所述流失率阈值。
[0011] 具体地，所述预先建立所述流失率预测模型，包括:运用机器学习随机森林算法， 通过学习已经流失用户的所述用户数据，来建立所述流失率预测模型。
[0012] 具体地，所述用户数据包括:用户基础数据和用户行为数据。
[0013] 具体地，所述用户行为数据包括:通话行为数据、终端特点数据、上网行为数据和 业务消费数据。
[0014] 本发明还提供一种贷款额度评估装置，包括:模型预先建立模块，用于预先根据通 信运营商系统中的用户数据建立用户的信用评分模型和流失率预测模型；以及用于预先根 据用户的所述信用评分和所述流失率建立贷款额度评估模型；信用评分和流失率获得模 块，用于基于所述信用评分模型和所述流失率预测模型，并根据贷款用户的所述用户数据 来分别获得该用户的所述信用评分和所述流失率;贷款额度评估模块，用于基于所述贷款 额度评估模型，并根据获得的所述贷款用户的所述信用评分和所述流失率来评估该贷款用 户的可贷款额度。
[0015] 具体地，所述模型预先建立模块，还用于根据用户在预设周期内所产生的盈利建 立所述贷款额度评估模型;所述贷款额度评估装置还包括:盈利评估模块，用于评估所述贷 款用户的所述盈利;所述贷款额度评估模块，还用于根据评估的所述贷款用户的所述盈利 来评估该贷款用户的可贷款额度。
[0016] 具体地，所述信用评分和流失率获得模块，用于获得所述贷款用户在未来多个时 间段的所述流失率;所述贷款额度评估模块，还用于根据获得的所述贷款用户在多个时间 段内的所述流失率来评估该贷款用户的可贷款额度。
[0017] 具体地，所述模型预先建立模块，用于预先建立可抽象为下述数学表达式的所述 贷款额麼评估槌型，
[0018]
[0019] 其中，C为所述可贷款额度;R为所述盈利;S为信用系数，其与所述信用评分存在预 设对应关系;P为未来第一个时间段的所述流失率为未来多个时间段的所述流失率的平 均值;h为所述流失率阈值。
[0020] 本发明具有以下有益效果：
[0021] 本发明提供的贷款额度评估方法及装置，由于以通信运营商系统的用户数据为数 据基础，而通讯运营商系统所具有的大量网络基础设施能够积累大量、实时的多维数据，因 此，基于通信运营商系统的用户数据能够准确且高效地实时反应用户的行为，从而基于通 信运营商系统的用户数据能够更合理地评估可贷款额度；另外，该贷款额度评估方法基于 该通信运营商系统的用户数据不仅获得贷款用户的信用评分还获得流失率，由于流失率是 影响贷款风险的关键因素，因此，基于该信用评分和流失率能够更进一步合理地评估贷款 额度，从而可以进一步降低贷款的风险。
【附图说明】
[0022] 图1为本发明一示范性实施例提供的贷款额度评估方法的流程图；
[0023] 图2为本发明一示范性实施例提供的贷款额度评估方法的流程图；
[0024] 图3为本发明一示范性实施例提供的贷款额度评估装置的原理框图；
[0025] 图4为本发明一示范性实施例提供的贷款额度评估装置的原理框图。
【具体实施方式】
[0026] 为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图来对本发明 提供的贷款额度评估方法及装置进行详细描述。
[0027] 实施例1
[0028] 图1为本发明一示范性实施例提供的贷款额度评估方法的流程图，请参阅图1，本 发明实施例提供的贷款额度评估方法，应用于通信运营商系统，该方法包括以下步骤：
[0029] S1，预先根据通信运营商系统的用户数据建立用户的信用评分模型和流失率预测 模型，所述信用评分用于表征用户的信用程度;所述流失率表征用户流失的可能性;预先根 据用户的所述信用评分和所述流失率建立贷款额度评估模型。
[0030] 具体地，用户数据包括用户基础数据和用户行为数据。其中，用户行为数据包括： 通话行为数据、终端特点数据、上网行为数据和业务消费数据。
[0031] 更具体地，用户基础数据通常指用户固有数据，包括但不限于：用户性别、属性为 公司用户/个人用户、套餐级别、合约返话费用户等。通话行为数据包括但不限于：用户漫游 频率、漫游时长、通话时长、短信总数等。终端特点数据包括但不限于:用户所使用的终端类 型，例如，小米品牌、苹果品牌、具体机型号。上网行为数据包括但不限于：用户上网习惯/偏 好，例如，财经类、母婴类、情感类。业务消费数据包括但不限于：用户所订阅的业务类型以 及消费档位。
[0032] 另外具体地，上述预先建立所述流失率预测模型，包括:运用机器学习随机森林算 法，通过学习已经流失用户的所述用户数据，来建立所述流失率预测模型。上述预先建立所 述信用评分模型，包括:基于上述用户基础数据和用户行为数据进行多方位评估，构建数学 模型;信用评分的取值范围可以为但不限于〇~900分。
[0033] S2,基于所述信用评分模型和所述流失率预测模型，并根据贷款用户的所述用户 数据来分别获得该用户的所述信用评分和所述流失率。
[0034] 具体地，将贷款用户的用户数据带入所述信用评分模型和流失率预测模型中获得 该用户的信用评分和流失率。
[0035] 步骤S3,基于贷款额度评估模型，并根据获得的贷款用户的信用评分和流失率来 评估该贷款用户的可贷款额度。
[0036] 具体地，将获得的贷款用户的信用评分和流失率带入该贷款额度评估模型中获得 可贷款额度。
[0037] 本发明实施例提供的贷款额度评估方法，由于以通信运营商系统的用户数据为数 据基础，而通讯运营商系统所具有的大量网络基础设施能够积累用户的大量、实时的多维 数据，因此，基于通信运营商系统的用户数据能够准确且高效地实时反应用户的行为，从而 基于通信运营商系统的用户数据能够更合理地评估可贷款额度;另外，该贷款额度评估方 法基于该通信运营商系统的用户数据不仅获得贷款用户的信用评分还获得流失率，由于流 失率是影响贷款风险的关键因素，因此，基于该信用评分和流失率能够更进一步合理地评 估贷款额度，从而进一步降低贷款的风险。
[0038] 在另一实施例中，如图2所示，上述预先建立贷款额度评估模型，还包括:根据用户 在预设周期内产生的盈利建立贷款额度评估模型;也即，根据用户的信用评分、流失率和盈 利建立贷款额度评估模型。
[0039] 在此情况下，该贷款额度评估方法，还包括:评估贷款用户的盈利;例如，评估贷款 用户在近期3个月内给通信运营商产生的盈利。
[0040] 上述评估该贷款用户的可贷款额度，还包括:根据评估的贷款用户的盈利来评估 该贷款用户的可贷款额度，也即，根据获得的贷款用户的信用评分、流失率和盈利来评估该 贷款用户的可贷款额度。
[0041] 在此需要说明的是，本实施例相对上述实施例1而言，增加了盈利因素