基于多源大数据融合的个人消费贷款潜在客户筛选方法与流程

本发明涉及金融科技与大数据分析挖掘，尤其涉及一种基于多源大数据融合的个人消费贷款潜在客户筛选方法及装置。

背景技术：

1、个人消费贷款业务作为国内大型商业银行零售板块的核心营收业务之一，其传统运营模式长期依赖于客户主动发起贷款申请、银行被动响应审批的线性流程。该模式在业务实践中暴露出诸多弊端：银行缺乏主动识别潜在客户的有效手段，营销资源投放精准度不足，具有真实消费需求与良好还款能力的高意向客户易因未被及时触达而流失，同时银行亦难以在营销前端对客户风险状况实施有效预判与管控。随着大数据、人工智能等新一代信息技术在金融领域的持续渗透与深度应用，商业银行亟需构建以全维度、多源异构数据融合为基础，以机器学习智能算法为核心驱动的潜在客户主动挖掘能力，从而实现精准营销与风险防控的双重业务目标。

2、在现有技术体系中，个人消费贷款潜在客户的筛选方法主要呈现以下几类技术路径。

3、第一类为传统人工规则筛选方案，该类方法仅依赖银行内部资产存款、代发工资等单一维度结构化数据，通过设定固定阈值规则对客户进行粗粒度筛选，完全未引入外部政务数据、第三方合规数据、用户行为数据等丰富数据源，亦不具备基于机器学习的智能化建模能力。

4、第二类方案虽引入行内征信数据构建评分卡模型，在数据维度上较前者有所拓展，但数据来源仍局限于银行内部与征信报告，未能接入公积金、社保等政务资质数据以评估客户收入稳定性与就业真实性，亦未纳入外部网贷数据以识别客户综合负债水平与多头借贷风险，导致客户信用评估的信息基础存在显著盲区。

5、第三类方案在贷款授信系统中尝试融入多源数据进行客户信用评估，数据维度有所拓宽，但该类技术仍未采集手机银行及生活类应用程序的实时行为日志埋点数据，亦未整合银行外呼中心的历史交互记录，致使系统无法有效感知客户的实时消费需求与贷款意向强度，其评估体系仅聚焦于信用风险侧，对客户需求端的量化判定能力严重缺失。

6、第四类方案虽引入手机银行浏览行为数据辅助客户筛选，但数据来源仅覆盖单一渠道，未能与资产、征信、公积金、网贷、外呼等多维度数据进行深度融合，且模型架构上仍采用单一轻量级算法，预测精度有限，同时缺乏面向生产环境的模型自适应更新机制。

7、综合分析上述现有技术方案，其在数据融合完整性、特征工程精细化程度、评估体系多维性、模型预测精度、风险识别全面性以及系统运维自动化水平等方面均存在不同程度的缺陷，难以有效支撑大型商业银行在零售信贷业务中对海量客户实现低成本、高效率、高精准度潜在客群挖掘与精细化营销运营的迫切业务需求。

8、具体而言，现有技术的不足主要体现在以下方面：其一，数据源覆盖不全且多源异构数据融合不彻底，行内核心业务数据、政务资质数据、外部网贷数据、线上行为数据与外呼交互数据各自孤立，缺乏统一的数据对齐与融合机制，数据孤岛问题严重，无法构建完整的客户全景画像；其二，特征工程处理简单粗放，缺乏跨字段衍生与时序特征构建能力，且缺失针对异构数据的系统性标准化预处理流程，数据内在价值难以充分释放；其三，评估维度单一，无法同步完成客户信用风险、消费倾向与贷款意愿的三维综合量化判定，风险识别与需求挖掘相互割裂，易出现高意向伴随高风险等误判情形；其四，模型架构多采用单一机器学习算法，缺乏集成融合设计，面对高维度、高噪声的海量真实业务数据时，模型的预测精度与泛化能力存在显著瓶颈；其五，现有技术普遍未建立模型上线后的性能监控与自适应演化机制，缺乏特征漂移实时预警、增量学习更新及版本回滚等自动化运维能力，模型性能随客群结构变化与市场环境演变持续衰减，长期运维成本高昂；其六，筛选规则固化、自动化水平低下，无法实现客户层级的精细化划分与营销策略的差异化匹配，导致营销资源浪费严重，难以适配大型银行规模化、精准化运营的业务要求。

9、综上，当前亟需一种能够充分融合多源异构数据、深度挖掘客户多维属性、实现风险与需求综合量化评估并具备模型自适应演化能力的个人消费贷款潜在客户智能筛选方法，以克服现有技术的上述诸多缺陷。

技术实现思路

1、本发明的主要目的在于提供一种基于多源大数据融合的个人消费贷款潜在客户筛选方法。

2、本发明的另一个目的在于提出一种基于多源大数据融合的个人消费贷款潜在客户筛选装置。

3、本发明的第三个目的在于提出一种电子设备。

4、本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

5、为达上述目的，本发明第一方面实施例提出了一种基于多源大数据融合的个人消费贷款潜在客户筛选方法，包括：

6、采集银行内部业务数据、政务行业数据、外部合规网贷数据、线上应用程序行为数据和银行外呼历史数据，对采集的数据进行脱敏、清洗和标准化融合，以银行内部客户编号为全局主键横向拼接，构建客户全景数据宽表；

7、基于所述客户全景数据宽表，分别衍生信用风险特征集、消费倾向特征集和贷款意愿特征集，并通过方差筛选、互信息筛选和正则化筛选的组合方式对衍生特征进行筛选，得到有效建模特征集；

8、将所述有效建模特征集拆分为三个特征子集，分别输入至并行运行的三个异构基模型，各基模型输出对应的专项评估分值，将各专项评估分值汇聚为融合特征集，再由元模型对所述融合特征集进行综合研判，输出客户贷款转化概率；

9、根据所述客户贷款转化概率生成客户综合潜力评分，按照预设评分阈值对客户进行智能分层并输出潜客名单，监测有效建模特征集的数据分布漂移，当漂移超过阈值时，基于新增样本触发增量训练更新模型参数，并支持历史版本回滚，完成模型闭环迭代。

10、可选的，采集银行内部业务数据、政务行业数据、外部合规网贷数据、线上应用程序行为数据和银行外呼历史数据，包括：

11、通过行内大数据数仓直连接口，以批量同步方式采集银行内部业务数据，获取客户单位信息、贷款历史记录、资产存款理财数据、征信报告记录、刷卡消费明细、代发工资流水及信用卡还款记录，作为客户还款能力评估与资质核验的基础数据源；

12、根据合规共享数据通道，对接公积金管理系统和社保管理系统，采集政务行业数据，获取缴存基数及连续缴纳时长数据，作为客户社会资质与收入稳定性评估的依据；

13、对接持牌金融服务机构加密数据接口，采集外部合规网贷数据，提取网贷放款信息、还款计划执行信息、贷款申请频次、未结清负债总额、历史逾期记录及多头借贷机构数量，作为客户综合负债风险与信用行为的评估依据；

14、以流式采集方式抓取手机银行及生活类应用程序上的用户实时行为数据，获取浏览记录、点击操作记录、搜索关键词记录、页面停留时长及贷款预申请行为日志埋点数据，作为客户消费需求与贷款意向实时感知的数据来源；

15、同步银行外呼中心系统历史数据，采集外呼历史数据，提取外呼接通率、客户意向等级及历史应答记录文本，作为客户营销交互偏好与配合度的评估依据。

16、可选的，对采集的数据进行脱敏、清洗和标准化融合，以银行内部客户编号为全局主键横向拼接，构建客户全景数据宽表，包括：

17、对采集的五类异构原始数据执行分级脱敏处理，针对包含姓名、身份证号码、手机号码的个人隐私信息字段，采用不可逆哈希加密算法结合字段部分隐藏技术进行脱敏转换；

18、对脱敏后的五类数据执行清洗处理，通过重复值比对算法遍历全量记录，检测并剔除重复冗余记录；

19、针对收入、负债等数值型连续字段，利用统计识别算法检测并修正离群异常值，针对常规连续字段中的缺失值采用中位数填充策略，针对高维行为特征字段中的缺失值采用模型预测填充策略，最大化保留有效信息；

20、以银行内部客户编号作为全局主键，将清洗后的五类数据按照客户维度进行横向拼接，统一各数据源的字段命名格式、计量单位与时间口径，消除多源异构数据之间的格式差异与语义冲突，构建客户全景数据宽表。

21、可选的，基于所述客户全景数据宽表，分别衍生信用风险特征集、消费倾向特征集和贷款意愿特征集，包括：

22、基于所述客户全景数据宽表中的征信历史记录、资产负债数据、公积金缴纳时长信息、网贷申请频次及近一年内网贷金额区间数据，衍生构建信用风险特征集，生成征信逾期次数及逾期天数指标、综合负债率指标、公积金连续缴纳时长指标、近一年网贷申请频次指标及近一年网贷金额区间分布指标，用于量化评估客户履约能力和信用风险水平；

23、基于所述客户全景数据宽表中的代发工资流水记录、收入水平等级划分、月均消费支出金额、大额消费发生频次、消费场景类别分布及资产消费比数据，衍生构建消费倾向特征集，生成收入水平分级指标、月均消费金额指标、大额消费频次指标、消费场景偏好分布指标及资产消费比指标，用于量化评估客户消费能力和消费需求强度；

24、基于所述客户全景数据宽表中的线上应用程序行为时长记录、贷款相关搜索关键词记录、贷款产品点击频次、外呼接通率统计及历史应答意向记录，衍生构建贷款意愿特征集，生成线上行为活跃时长指标、搜索贷款关键词频次指标、贷款产品点击频次指标、外呼接通率指标及历史应答意向评级指标，用于量化评估客户贷款意向强度。

25、可选的，通过方差筛选、互信息筛选和正则化筛选的组合方式对衍生特征进行筛选，得到有效建模特征集，包括：

26、对全部衍生特征执行方差筛选，计算每个特征在全体样本上的方差值，将方差低于预设阈值的特征判定为无区分度特征并予以剔除，保留具有足够样本区分能力的特征进入下一轮筛选；

27、对经过方差筛选后保留的特征执行互信息筛选，计算每个特征与目标变量之间的互信息量，保留互信息量高于预设关联度阈值的特征，剔除与目标变量关联度过低的无关特征，确保保留的特征对预测目标具有有效贡献；

28、对经过方差筛选和互信息筛选后保留的特征执行l1与l2组合正则化筛选，通过l1正则化驱动冗余特征权重稀疏化、l2正则化抑制特征共线性影响，剔除权重趋于零的冗余特征和强相关特征组中的重复贡献特征，获得精简后的有效建模特征集。

29、可选的，将所述有效建模特征集拆分为三个特征子集，分别输入至并行运行的三个异构基模型，各基模型输出对应的专项评估分值，将各专项评估分值汇聚为融合特征集，再由元模型对所述融合特征集进行综合研判，输出客户贷款转化概率，包括：

30、将所述有效建模特征集按照衍生来源拆分为信用风险特征子集、消费倾向特征子集和贷款意愿特征子集，各特征子集分别对应客户信用风险、消费需求与贷款意向三个评估维度；

31、将信用风险特征子集输入至第一异构基模型，该基模型基于梯度提升树算法对信用风险特征进行非线性关系挖掘与特征交互学习，输出信用风险分值，用于量化客户的违约风险水平；

32、将消费倾向特征子集输入至第二异构基模型，该基模型基于梯度提升树算法对消费倾向特征进行复杂模式识别与非线性映射学习，输出消费倾向分值，用于量化客户的消费需求与消费能力水平；

33、将贷款意愿特征子集输入至第三异构基模型，该基模型基于线性分类算法对贷款意愿特征进行线性加权判别与概率映射，输出贷款意愿分值，用于量化客户的贷款意向强度，同时保持该维度评估结果的可解释性；

34、汇聚所述信用风险分值、消费倾向分值和贷款意愿分值，构建三维分值融合特征集；

35、将所述三维分值融合特征集输入至元模型，该元模型基于逻辑回归算法对三个专项评估分值进行权重学习与综合判别，输出客户贷款转化概率。

36、可选的，根据所述客户贷款转化概率生成客户综合潜力评分，按照预设评分阈值对客户进行智能分层并输出潜客名单，监测有效建模特征集的数据分布漂移，当漂移超过阈值时，基于新增样本触发增量训练更新模型参数，并支持历史版本回滚，包括：

37、将所述客户贷款转化概率按照线性映射关系换算为百分制评分，作为客户综合潜力评分，实现模型输出的抽象概率值向业务直观评分的转换；

38、按照预设的高潜力评分阈值和低潜力评分阈值，将客户划分为高潜力客户、中潜力客户和低潜力客户三个层级，区分不同层级客户的营销优先级和服务策略；

39、从分层后的客户中筛选高潜力客户和中潜力客户，自动匹配并剔除系统预设灰名单客户及合规安宁豁免客户，生成标准格式化的潜客名单并推送至客户营销系统，供业务端开展差异化营销；

40、持续监测所述有效建模特征集中各特征的数据分布变化趋势，计算特征的均值、方差及分布形态统计量，当任一特征的漂移度量超出预设预警阈值时，自动触发漂移预警信号；

41、响应于所述漂移预警信号，按月提取新增业务样本数据，结合漂移分析结果对当前模型执行增量训练，自动更新模型参数，无需人工全量重新训练；

42、在每次模型迭代更新时，留存当前版本的全部模型参数与配置信息，形成多版本历史档案，当检测到更新后模型性能异常时，支持一键回滚至上一稳定版本，实现模型全生命周期自动化闭环运维。

43、为达上述目的，本发明第二方面实施例提出了一种基于多源大数据融合的个人消费贷款潜在客户筛选装置，包括：

44、多源数据融合单元，用于采集银行内部业务数据、政务行业数据、外部合规网贷数据、线上应用程序行为数据和银行外呼历史数据，对采集的数据进行脱敏、清洗和标准化融合，以银行内部客户编号为全局主键横向拼接，构建客户全景数据宽表；

45、多维特征筛选单元，用于基于所述客户全景数据宽表，分别衍生信用风险特征集、消费倾向特征集和贷款意愿特征集，并通过方差筛选、互信息筛选和正则化筛选的组合方式对衍生特征进行筛选，得到有效建模特征集；

46、双层集成推理单元，用于将所述有效建模特征集拆分为三个特征子集，分别输入至并行运行的三个异构基模型，各基模型输出对应的专项评估分值，将各专项评估分值汇聚为融合特征集，再由元模型对所述融合特征集进行综合研判，输出客户贷款转化概率；

47、智能分层迭代单元，用于根据所述客户贷款转化概率生成客户综合潜力评分，按照预设评分阈值对客户进行智能分层并输出潜客名单，监测有效建模特征集的数据分布漂移，当漂移超过阈值时，基于新增样本触发增量训练更新模型参数，并支持历史版本回滚，完成模型闭环迭代。

48、关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

49、为达上述目的，本技术第三方面实施例提出了一种电子设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的一种基于多源大数据融合的个人消费贷款潜在客户筛选方法。

50、为达上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的一种基于多源大数据融合的个人消费贷款潜在客户筛选方法。

51、本发明实施例具有以下有益效果：

52、（1）构建了覆盖银行内部业务数据、政务行业数据、外部合规网贷数据、线上应用程序行为数据及银行外呼历史数据的五源异构数据融合体系，从还款能力、负债风险、消费需求与贷款意向等多维度还原客户真实状态，有效消除了传统方案因数据维度残缺导致的客户画像失真与评估片面问题；

53、（2）建立了信用风险、消费倾向与贷款意愿三位一体的综合量化评估框架，实现了信贷风险管控、客户消费需求识别与营销接受度判定的协同统一，克服了现有技术中风险识别与需求挖掘相互割裂、易产生“有能力无需求、有需求无意愿”误筛选的技术缺陷；

54、（3）采用异构基模型并行评估与元模型融合决策的双层集成机器学习架构，充分发挥不同算法在各自评估维度的差异化优势，显著提升了潜客筛选的预测精度与泛化能力，实现了高于传统人工规则方案及单一模型方案的筛选精准度与营销转化效率；

55、（4）引入外部合规网贷数据构建综合负债与多头借贷风险识别机制，实现了高风险客户的有效拦截，弥补了传统方案仅依赖行内数据无法识别客户外部隐性负债风险的不足，在提升营销精准度的同时强化了信贷风险前端管控能力；

56、（5）建立了面向生产环境的特征漂移实时监控与增量学习自动迭代机制，支持模型参数的周期性自动更新与多版本回滚管理，使模型能够持续适配客户行为模式与市场环境的变化，长期维持稳定的预测性能，有效降低了人工全量重训带来的运维成本。