一种基于贷款申请评分模型的客户评分偏移检测方法与流程

1.本发明涉及数据处理技术领域，特别涉及一种基于贷款申请评分模型的客户评分偏移检测方法。


背景技术：

2.贷款申请评分模型，是商业银行贷款风险控制领域的重要技术，运用统计分析与机器学习等算法对合法采集的客户授权信息，建立评分对客户信用综合评估，给出授信审批决策。运用评分进行授信审批，通常比人工审批具有更高效率、更低成本，且更为客观，不会出现不同的审批人员给出不同决策的情况。
3.贷款申请评分模型的评估主要通过授信申请、授信通过、提现申请的好坏标签来进行推断，所以对客户的授信申请、授信通过、提现申请划分及其重要，通常根据客户使渠道流量质量来对客户进行划分，然而，放款客户经过、提现转化意愿及提现风控等因素干扰后，也与授信申请客户发生了较大偏移，其次，由于授信风控与提现风控是根据银行风险偏好动态调整的，每个月的放款客户也是发生偏移，这些因素会使得对客户的偏移检测不准确，不能很好地确定客户群体的偏移程度，也不能很好地对客户进行风险管理。
4.因此，本发明提供一种基于贷款申请评分模型的客户评分偏移检测方法。


技术实现要素：

5.本发明提供一种基于贷款申请评分模型的客户评分偏移检测方法，基于贷款申请评分模型，确定所述客户群体矩阵中的客户的好坏标签及其好坏区分度，确定所述客户群体的偏移程度，保证了偏移检测的准确性，便于对客户的风险管理。
6.本发明提供一种基于贷款申请评分模型的客户评分偏移检测方法，包括：
7.步骤1：基于业务漏斗，对客户群体进行纵向划分，得到纵向划分结果；
8.步骤2：根据授信申请月份，对所述客户群体进行横向划分，得到横向划分结果；
9.步骤3：基于所述纵向划分结果和横向划分结果，建立客户群体矩阵；
10.步骤4：基于贷款申请评分模型，确定所述客户群体矩阵中的客户的好坏标签；
11.步骤5：根据所述客户群体矩阵中客户的好坏标签的好坏区分度，确定所述客户群体的偏移程度。
12.在一种可能实现的方式中，
13.步骤1中，基于业务漏斗，对客户群体进行纵向划分，得到纵向划分结果包括：
14.基于所述业务漏斗，将所述客户群体进行第一次检测，得到授信申请客户；
15.对所述授信申请客户的质量进行第二次检测，得到授信通过客户和授信拒绝客户；
16.对所述授信通过客户的状态进行第三次检测，得到授信未提现客户和提现申请客户；
17.对所述提现申请客户的风险控制能力进行第四次检测，得到提现拒绝客户和放款
客户，并最终得到纵向划分结果。
18.在一种可能实现的方式中，
19.步骤2中，根据授信申请月份，对所述客户群体进行横向划分，得到横向划分结果包括：
20.按照所述客户群体的授信申请月份，将所述客户群体中授信申请月份相同的划分到同一组，得到横向划分结果。
21.在一种可能实现的方式中，
22.步骤3中，基于所述纵向划分结果和横向划分结果，建立客户群体矩阵包括：
23.以所述纵向划分结果为第一属性，横向划分结果为第二属性，为所述客户群体设置第一标签和第二标签；
24.以纵向划分的检测次数所述客户群体矩阵的纵向维度，横向划分的时间段为所述客户群体矩阵的横向维度，建立矩阵框架；
25.根据所述客户群体第一标签和第二标签确定对应的客户在所述矩阵框架中位置，得到客户群体矩阵。
26.在一种可能实现的方式中，
27.步骤4中，基于贷款申请评分模型，确定所述客户群体矩阵中的客户的好坏标签包括：
28.根据所述客户群体的渠道标识和基本信息，对所述客户群体的质量和信用进行评估，并根据评价结果为所述客户群体的设置第一好标签和第一坏标签；
29.基于所述贷款申请评分模型的风险策略，对所述客户群体进行检测，并根据检测结果为所述客户群体的设置第二好标签和第二坏标签；
30.基于所述第一好标签和第一坏标签、第二好标签和第二坏标签为所述客户群体中的客户设置好标签和坏标签。
31.在一种可能实现的方式中，
32.为所述客户群体的设置第一好标签和第一坏标签包括：
33.获取所述客户群体的渠道标识，并基于所述渠道标识从渠道集合中匹配到目标渠道，其中，所述目标渠道为多个；
34.获取所述目标渠道的历史客户信息的质量，得到质量分析结果；
35.获取所述客户群体的基本信息，对所述基本信息进行特征提取，分别获取所述基本信息在法人、公司、贷款金额三个维度下的第一特征信息、第二特征信息和第三特征信息；
36.基于第一特征信息、第二特征信息确定所述客户群体的信用度和贷款能力；
37.基于所述信用度确定所述客户群体的信用评分值；
38.基于所述贷款能力，与所述第三特征信息进行对比，确定所述客户群体的贷款能力匹配值；
39.基于所述信用评分值、贷款能力匹配值，按照预设权重计算方法对在每个目标渠道下的客户群体进行排序，得到排序结果；
40.基于预设的好坏标签标准，根据每个目标渠道的质量分析结果，为每个目标渠道设置好标签通过率，并从每个目标渠道中选取排序在所述好标签通过率内的客户群体设置
第一好标签，其他设置为第一坏标签。
41.在一种可能实现的方式中，
42.为所述客户群体的设置第二好标签和第二坏标签包括：
43.对所述贷款申请评分模型的风险策略进行解析，获取信用审核标准、资产审核标准、收入审核标准；
44.对所述信用审核标准、资产审核标准、收入审核标准进行预处理，得到统一格式的审核标准，以所述统一格式的审核标准为基准，建立信用审核规则、资产审核规则、收入审核规则；
45.分别对所述信用审核规则、资产审核规则、收入审核规则进行划分得到多个信用审核子规则、资产审核子规则、收入审核子规则；
46.将所述信用审核规则、资产审核规则、收入审核规则作为主节点，信用审核子规则、资产审核子规则、收入审核子规则为子节点确定审核节点分布图，并对所述审核节点分布图的每个节点、子节点建立标签；
47.根据所述审核节点-标签分布图建立规则放置模型的放置位置；
48.获取所述客户群体的客户数据，对所述客户数据从信用、资产、收入三个维度下进行解析，得到所述客户数据的属性；
49.基于所述属性与每个节点、子节点的标签进行匹配，并将所述客户数据根据匹配结果依次输入所述规则放置模型对应的放置位置上进行风险审核，得到每个放置位置上的节点或子节点的审核值；
50.基于所述贷款申请评分模型的风险策略，确定在每个规则或子规则下的权重值，并基于所述权重值生成审核检测模型；
51.将所述每个放置位置上的节点或子节点的审核值输入所述审核检测模型中，得到所述客户的总体评价值；
52.若所述总体评价值大于预设评价值，则将所述客户群设置为第二好标签，否则将所述客户群体设置为第二坏标签。
53.在一种可能实现的方式中，
54.步骤5中，根据所述客户群体矩阵中客户的好坏标签的好坏区分度，确定所述客户群体的偏移程度包括：
55.根据所述贷款申请评分模型对所述客户群体矩阵中每个客户进行评分；
56.对所述客户群体矩阵中每个客户按照评分结果进行排序，并根据排序结果将所述客户群体矩阵中的客户分为n组；
57.基于每个组中客户的好坏标签的占比，并根据如下公式，计算所述客户群体矩阵的ks值：
[0058][0059]
其中，ks表示所述客户群体矩阵的ks值，n表示所述客户群体矩阵的分组数，fg(scorei)表示在第i分组中所述好标签客户占整个第i分组中所有客户的比值，fb(scorei)表示在第i分组中所述坏标签客户占整个第i分组中所有客户的比值；
[0060]
基于所述ks值确定所述客户群体矩阵中客户的好坏标签的好坏区分度，从而确定
所述客户群体的偏移程度。
[0061]
在一种可能实现的方式中，
[0062]
根据所述贷款申请评分模型对所述客户群体矩阵中每个客户进行评分包括：
[0063]
获取所述客户群体在横向时间轴的表现，并基于所述表现得到客户群体的评分；
[0064]
将客户的评分与所述贷款申请评分模型预测得到的客户群体的评分进行比较，得到比较结果，并判断所述比较结果是否满足预设要求；
[0065]
若是，将所述贷款申请评分模型预测得到的客户群体的评分作为所述客户群体的最终评分；
[0066]
否则，确定比较结果与预设要求的偏差值，根据所述偏差值对所述贷款申请评分模型重新设置触发阈值范围，并记录每次在所述触发阈值范围内对应的模型效果函数值，选取所述模型效果函数值最大的促发阈值作为新的触发阈值；
[0067]
获取从对授信申请客户进行偏移到再次偏移之间的时间段内的贷款政策调整信息、市场竞争变化信息、经营管理调整信息，并基于所述贷款政策调整信息、市场竞争变化信息、经营管理调整信息的变化力度确定政策影响因子、竞争影响因子、管理影响因子；
[0068]
从贷款数据库中分别提取与所述政策影响因子、竞争影响因子、管理影响因子相关的贷款数据；
[0069]
基于所述贷款数据，得到输入数据集，将所述输入数据集中的输入数据输入到所述贷款申请评分模型中，输出预测结果，将所述预测结果与所述申请授信客户对应的评分结果进行对比，确定主影响因子；
[0070]
基于所述主影响因子，参考其他影响因子对所述贷款申请评分模型的风险策略进行调整；
[0071]
基于调整后的贷款申请评分模型，确定所述客户群体的最终评分。
[0072]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0073]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0074]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0075]
图1为本发明实施例中一种基于贷款申请评分模型的客户评分偏移检测方法的流程图；
[0076]
图2为本发明实施例中客户偏移的流程图。
具体实施方式
[0077]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0078]
实施例1
[0079]
本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，如图1
所示，包括：
[0080]
步骤1：基于业务漏斗，对客户群体进行纵向划分，得到纵向划分结果；
[0081]
步骤2：根据授信申请月份，对所述客户群体进行横向划分，得到横向划分结果；
[0082]
步骤3：基于所述纵向划分结果和横向划分结果，建立客户群体矩阵；
[0083]
步骤4：基于贷款申请评分模型，确定所述客户群体矩阵中的客户的好坏标签；
[0084]
步骤5：根据所述客户群体矩阵中客户的好坏标签的好坏区分度，确定所述客户群体的偏移程度。
[0085]
在该实施例中，客户偏移的流程如图2所示，基于所述业务漏斗，将所述客户群体进行第一次检测，得到授信申请客户；
[0086]
对所述授信申请客户的质量进行第二次检测，得到授信通过客户和授信拒绝客户；
[0087]
对所述授信通过客户的状态进行第三次检测，得到授信未提现客户和提现申请客户；
[0088]
对所述提现申请客户的风险控制能力进行第四次检测，得到提现拒绝客户和放款客户，并最终得到纵向划分结果。
[0089]
在该实施例中，对所述客户群体进行纵向划分，得到授信申请、授信通过、授信未提现和放款客户，用以监测业务流程周期客群漏斗偏移情况，可以检测到授信风控、提现意愿、提现风控对客群偏移的影响，以为风险管理提供指导意见。
[0090]
在该实施例中，根据授信申请月份，对所述客户群体进行横向划分，得到横向划分结果具体为按照时间轴(月份)，分别对新授信月份各群体如授信申请、授信通过、授信未提现和放款客户，进行横向时间轴偏移检测，以发现各月份同类型客群的偏移程度，以为风险管理提供指导意见。
[0091]
在该实施例中，根据所述客户群体矩阵中客户的好坏标签的好坏区分度，确定所述客户群体的偏移程度例如可以是：
[0092]
纵向偏移检测报表绘制，首先，对比授信申请与授信通过上的评分效果，可以评估客群受风险策略影响的偏移幅度；其次，对比授信通过和提现申请上的效果，可以评估客户提现意愿对客群偏移的影响幅度；最后，对比提现申请和提现通过上的效果，可以评估提现风控对客群偏移的影响幅度。
[0093]
类型202101授信申请0.30授信通过0.31提现申请0.32提现通过(放款)0.33
[0094]
横向偏移检测报表绘制。可以评估相同类型客户群体在时间轴上的偏移幅度。
[0095]
[0096][0097]
类型202101202102202103202104202105202106..授信通过0.310.280.310.310.280.310.28
[0098]
类型202101202102202103202104202105202106..提现申请0.320.270.320.320.270.320.27
[0099][0100]
矩阵式偏移检测报表绘制。综合横向及纵向偏移监测报表，立体评估客群的偏移情况，为风险管理提供决策参考数据。
[0101]
类型202101202102202103202104202105202106..授信申请0.300.290.300.300.290.300.29授信通过0.310.280.310.310.280.310.28提现申请0.320.270.320.320.270.320.27提现通过(放款)0.330.250.330.330.250.330.25
[0102]
上述设计方案的有益效果是：通过对客户群体进行横向划分和纵向划分，可以综合立体评估客群在同一时点(某月份)在贷款业务流程周期的偏移情况，以及横向跨月份时间轴在相同贷款业务流程节点(如授信申请、授信通过、授信拒绝、授信未提现、放款)的偏移情况。保证了客户偏移监测的立体及客观性，为风险管理提供客群偏移的全面数据，并基于贷款申请评分模型，确定所述客户群体矩阵中的客户的好坏标签及其好坏区分度，确定所述客户群体的偏移程度，保证了偏移检测的准确性，便于对客户的风险管理。
[0103]
实施例2
[0104]
基于实施例1的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，步骤1中，基于业务漏斗，对客户群体进行纵向划分，得到纵向划分结果包括：
[0105]
基于所述业务漏斗，将所述客户群体进行第一次检测，得到授信申请客户；
[0106]
对所述授信申请客户的质量进行第二次检测，得到授信通过客户和授信拒绝客户；
[0107]
对所述授信通过客户的状态进行第三次检测，得到授信未提现客户和提现申请客户；
[0108]
对所述提现申请客户的风险控制能力进行第四次检测，得到提现拒绝客户和放款客户，并最终得到纵向划分结果。
[0109]
上述设计方案的有益效果是：通过基于业务漏斗对客户群体进行检测，得到授信
通过、提现申请、放款客户，通过多次偏移，保证了客户划分的准确性，为客户偏移程度的检测提供了数据基础。
[0110]
实施例3
[0111]
基于实施例1的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，步骤2中，根据授信申请月份，对所述客户群体进行横向划分，得到横向划分结果包括：
[0112]
按照所述客户群体的授信申请月份，将所述客户群体中授信申请月份相同的划分到同一组，得到横向划分结果。
[0113]
上述设计方案的有益效果是：通过客户群体的授信申请月份对客户群体进行检测，保证了客户划分的准确性，为客户偏移程度的检测提供了数据基础。
[0114]
实施例4
[0115]
基于实施例1的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，步骤3中，基于所述纵向划分结果和横向划分结果，建立客户群体矩阵包括：
[0116]
以所述纵向划分结果为第一属性，横向划分结果为第二属性，为所述客户群体设置第一标签和第二标签；
[0117]
以纵向划分的检测次数所述客户群体矩阵的纵向维度，横向划分的时间段为所述客户群体矩阵的横向维度，建立矩阵框架；
[0118]
根据所述客户群体第一标签和第二标签确定对应的客户在所述矩阵框架中位置，得到客户群体矩阵。
[0119]
在该实施例中，所述第一属性为客户群体的类型，如授信申请、授信通过、授信未提现和放款客户。
[0120]
在该实施例中，所述第二属性为客户群体的授信申请时间。
[0121]
上述设计方案的有益效果是：通过建立客户群体矩阵可以综合立体评估客群在同一时点(某月份)在贷款业务流程周期的偏移情况，以及横向跨月份时间轴在相同贷款业务流程节点(如授信申请、授信通过、授信拒绝、授信未提现、放款)的偏移情况，以发现各月份同类型客群或同一月份不同类型的客群的偏移程度，以为风险管理提供指导意见。
[0122]
实施例5
[0123]
基于实施例1的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，步骤4中，基于贷款申请评分模型，确定所述客户群体矩阵中的客户的好坏标签包括：
[0124]
根据所述客户群体的渠道标识和基本信息，对所述客户群体的质量和信用进行评估，并根据评价结果为所述客户群体的设置第一好标签和第一坏标签；
[0125]
基于所述贷款申请评分模型的风险策略，对所述客户群体进行检测，并根据检测结果为所述客户群体的设置第二好标签和第二坏标签；
[0126]
基于所述第一好标签和第一坏标签、第二好标签和第二坏标签为所述客户群体中的客户设置好标签和坏标签。
[0127]
在该实施例中，当客户均为第一好标签和第二好标签是，所述客户的标签为好标签，其他情况则客户的标签为坏标签。
[0128]
上述设计方案的有益效果是：通过对客户群体中的每个客户设置好坏标签，为确定客户群体的偏移检测提供了基础，更好地确定客户群体的偏移程度。
[0129]
实施例6
[0130]
基于实施例5的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，为所述客户群体的设置第一好标签和第一坏标签包括：
[0131]
获取所述客户群体的渠道标识，并基于所述渠道标识从渠道集合中匹配到目标渠道，其中，所述目标渠道为多个；
[0132]
获取所述目标渠道的历史客户信息的质量，得到质量分析结果；
[0133]
获取所述客户群体的基本信息，对所述基本信息进行特征提取，分别获取所述基本信息在法人、公司、贷款金额三个维度下的第一特征信息、第二特征信息和第三特征信息；
[0134]
基于第一特征信息、第二特征信息确定所述客户群体的信用度和贷款能力；
[0135]
基于所述信用度确定所述客户群体的信用评分值；
[0136]
基于所述贷款能力，与所述第三特征信息进行对比，确定所述客户群体的贷款能力匹配值；
[0137]
基于所述信用评分值、贷款能力匹配值，按照预设权重计算方法对在每个目标渠道下的客户群体进行排序，得到排序结果；
[0138]
基于预设的好坏标签标准，根据每个目标渠道的质量分析结果，为每个目标渠道设置好标签通过率，并从每个目标渠道中选取排序在所述好标签通过率内的客户群体设置第一好标签，其他设置为第一坏标签。
[0139]
在该实施例中，由于在不同的渠道下获取的客户群体的整体质量存在差异，因此，根据不同目标渠道的历史客户的质量，来设定对应的通过率，可以考虑到渠道的不同对授信通过的影响，使得到的偏移结果更符合实际情况。
[0140]
在该实施例中，以法人、公司、贷款金额三个维度来作为客户群体是否通过的指标，从多个维度保证了客户群体偏移的质量。
[0141]
在该实施例中，所述信用度越高，信用评分值越大。
[0142]
在该实施例中，所述第三特征信息在所述贷款能力之内，所述贷款能力匹配值越高，若不在，则所述第三特征信息与所述贷款能力越相近，所述贷款能力匹配值越高，但没有所述第三特征信息在所述贷款能力之内时的贷款能力匹配值高。
[0143]
在该实施例中，预设权重计算方法为可以根据实际的授信要求，来对信用评分值、贷款能力匹配值分配不同的权重，得到最终结果，例如给所述信用评分值设置的权重为0.8，给所述贷款能力匹配值设置的权重为0.6。
[0144]
在该实施例中，对在每个目标渠道下的授信申请客户进行排序为根据预设权重计算方法获得的最终结果按照从大到小的顺序排序。
[0145]
上述设计方案的有益效果是：通过在不同的目标渠道下设置不同的好标签通过率，保证了第一好标签设置的精确性，保证更好地确定客户群体的偏移程度。
[0146]
实施例7
[0147]
基于实施例5的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，其特征在于，为所述客户群体的设置第二好标签和第二坏标签包括：
[0148]
对所述贷款申请评分模型的风险策略进行解析，获取信用审核标准、资产审核标准、收入审核标准；
[0149]
对所述信用审核标准、资产审核标准、收入审核标准进行预处理，得到统一格式的审核标准，以所述统一格式的审核标准为基准，建立信用审核规则、资产审核规则、收入审核规则；
[0150]
分别对所述信用审核规则、资产审核规则、收入审核规则进行划分得到多个信用审核子规则、资产审核子规则、收入审核子规则；
[0151]
将所述信用审核规则、资产审核规则、收入审核规则作为主节点，信用审核子规则、资产审核子规则、收入审核子规则为子节点确定审核节点分布图，并对所述审核节点分布图的每个节点、子节点建立标签；
[0152]
根据所述审核节点-标签分布图建立规则放置模型的放置位置；
[0153]
获取所述客户群体的客户数据，对所述客户数据从信用、资产、收入三个维度下进行解析，得到所述客户数据的属性；
[0154]
基于所述属性与每个节点、子节点的标签进行匹配，并将所述客户数据根据匹配结果依次输入所述规则放置模型对应的放置位置上进行风险审核，得到每个放置位置上的节点或子节点的审核值；
[0155]
基于所述贷款申请评分模型的风险策略，确定在每个规则或子规则下的权重值，并基于所述权重值生成审核检测模型；
[0156]
将所述每个放置位置上的节点或子节点的审核值输入所述审核检测模型中，得到所述客户的总体评价值；
[0157]
若所述总体评价值大于预设评价值，则将所述客户群设置为第二好标签，否则将所述客户群体设置为第二坏标签。
[0158]
在该实施例中，所述预处理为信用审核标准、资产审核标准、收入审核标准进行标准化。
[0159]
在该实施例中，统一格式的审核标准有利于规则的建立。
[0160]
在该实施例中，所述信用审核子规则包括个人信用检测子规则、家庭成员信用检测子规则、公司信用检测子规则。
[0161]
在该实施例中，所述资产审核子规则包括房产检测子规则、汽车资产检测子规则、公司资产检测子规则。
[0162]
在该实施例中，所述收入审核子规则包括工作稳定性检测子规则、其他收入检测子规则。
[0163]
在该实施例中，所述规则放置模型从不同的维度建立多个数据接收放置位置，每个位置设定相应的审核方法，在接收到客户数据时，对客户数据进行审核得到对应的审核值。
[0164]
在该实施例中，所述每个规则或子规则下的权重值用来表示对应规则或子规则的重要程度，越重要，取值越大。
[0165]
在该实施例中，基于所述权重值生成审核检测模型包括对所述审核检测模型下的每个规则位置上利用审核值进行加权处理，得到新的审核规则。
[0166]
上述设计方案的有益效果是：通过贷款申请评分模型的风险策略设置客户群体的
第二好坏标签，从风险策略方面为客户群体设置第二好坏标签，保证更好地确定客户群体的偏移程度。
[0167]
实施例8
[0168]
基于实施例9的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，步骤5中，根据所述客户群体矩阵中客户的好坏标签的好坏区分度，确定所述客户群体的偏移程度包括：
[0169]
根据所述贷款申请评分模型对所述客户群体矩阵中每个客户进行评分；
[0170]
对所述客户群体矩阵中每个客户按照评分结果进行排序，并根据排序结果将所述客户群体矩阵中的客户分为n组；
[0171]
基于每个组中客户的好坏标签的占比，并根据如下公式，计算所述客户群体矩阵的ks值：
[0172][0173]
其中，ks表示所述客户群体矩阵的ks值，n表示所述客户群体矩阵的分组数，fg(scorei)表示在第i分组中所述好标签客户占整个第i分组中所有客户的比值，fb(scorei)表示在第i分组中所述坏标签客户占整个第i分组中所有客户的比值；
[0174]
基于所述ks值确定所述客户群体矩阵中客户的好坏标签的好坏区分度，从而确定所述客户群体的偏移程度。
[0175]
在该实施例中，所述客户群体矩阵的ks值用于评估申请评分对好标签客户和坏标签客户的区分度，区分度越大，评分的风险排序能力越强，效果越好。
[0176]
上述设计方案的有益效果是：通过ks值指标来确定客户群体矩阵的好坏区分度，从而来确定所述客户群体的偏移程度，保证了偏移检测的准确性，便于对客户的风险管理。
[0177]
实施例9
[0178]
基于实施例8的基础上，本发明实施例提供一种基于贷款申请评分模型的客户评分偏移检测方法，根据所述贷款申请评分模型对所述客户群体矩阵中每个客户进行评分包括：
[0179]
获取所述客户群体在横向时间轴的表现，并基于所述表现得到客户群体的评分；
[0180]
将客户的评分与所述贷款申请评分模型预测得到的客户群体的评分进行比较，得到比较结果，并判断所述比较结果是否满足预设要求；
[0181]
若是，将所述贷款申请评分模型预测得到的客户群体的评分作为所述客户群体的最终评分；
[0182]
否则，确定比较结果与预设要求的偏差值，根据所述偏差值对所述贷款申请评分模型重新设置触发阈值范围，并记录每次在所述触发阈值范围内对应的模型效果函数值，选取所述模型效果函数值最大的促发阈值作为新的触发阈值；
[0183]
获取从对授信申请客户进行偏移到再次偏移之间的时间段内的贷款政策调整信息、市场竞争变化信息、经营管理调整信息，并基于所述贷款政策调整信息、市场竞争变化信息、经营管理调整信息的变化力度确定政策影响因子、竞争影响因子、管理影响因子；
[0184]
从贷款数据库中分别提取与所述政策影响因子、竞争影响因子、管理影响因子相关的贷款数据；
[0185]
基于所述贷款数据，得到输入数据集，将所述输入数据集中的输入数据输入到所述贷款申请评分模型中，输出预测结果，将所述预测结果与所述申请授信客户对应的评分结果进行对比，确定主影响因子；
[0186]
基于所述主影响因子，参考其他影响因子对所述贷款申请评分模型的风险策略进行调整；
[0187]
基于调整后的贷款申请评分模型，确定所述客户群体的最终评分。
[0188]
在该实施例中，所述触发阈值表示所述贷款申请评分模型的区分能力，例如触发值小于触发阈值范围时，表明所述贷款申请评分模型不具有鉴别能力，触发值值在所述触发阈值范围时，表明所述贷款申请评分模型具有区分能力，触发值大于触发阈值范围时，表明所述贷款申请评分模型出现异常。
[0189]
在该实施例中，所述模型效果函数值用来表示所述贷款申请评分模型的评分效果，效果越好，模型效果函数值取值越大。
[0190]
在该实施例中，所述贷款政策调整信息、市场竞争变化信息、经营管理调整信息的变化力度越大，对应的政策影响因子、竞争影响因子、管理影响因子越大。
[0191]
在该实施例中，所述贷款数据为三组，对应述政策影响因子、竞争影响因子、管理影响因子。
[0192]
在该实施例中，所述主影响因子为对所述贷款申请评分模型最大的影响因子，表现为预测结果与所述申请授信客户对应的评分结果的差异越大，对应的影响因子为主影响因子。
[0193]
上述设计方案的有益效果是：通过根据客户群体在时间轴上的表现与所述贷款申请评分模型的预测结果之间的偏差，来确定是否需要对贷款申请评分模型的自身策略进行调整，通过在对授信申请客户进行偏移到再次偏移之间的时间段内的贷款政策调整信息、市场竞争变化信息、经营管理调整信息对所述贷款申请评分模型的风险策略进行调整，确保了贷款申请评分模型能够根据实际情况来做出即时的调整，从而提高了评分效果的准确性，保证了对客户群体评分的准确性。
[0194]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。