[发明专利]一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统

权利要求书

1.一种基于多维度指标计算的授信决策方法，其包括以下步骤：

将流入的数据处理成统一格式的数据流入标准化步骤；

根据不同的指标计算方法进行指标计算；

根据所接收数据，与所采用的不同模型进行模型决策；

根据模型决策结果，或根据模型决策结果与其他调整因素进行授信和放款。

2.如权利要求1所述的方法，数据流入标准化步骤包括数据接入和数据标准化步骤。

3.如权利要求2所述的方法，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。

4.如权利要求3所述的方法，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。

5.如权利要求3或4所述的方法，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据流入标准化步骤中数据的来源。

6.如权利要求1所述的方法，其中指标计算是实时指标计算。

7.如权利要求1所述的方法，其中指标计算包括实时指标计算和异步指标计算。

8.如权利要求7所述的方法，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。

9.如权利要求7所述的方法，异步指标计算由以下的步骤完成：通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。

10.如权利要求7所述的方法，异步指标计算由以下的步骤完成：将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。

11.如权利要求1所述的方法，模型决策过程包括接收实时授信数据和延时授信数据，经模型计算作出决策，其中所接收的实时授信数据来源于实时指标计算，所接收的延时授信数据来源于实时指标计算和/或异步指标计算。

12.如权利要求1所述的方法，其中模型决策包括模型计算，其算法包括逻辑回归、线性回归、随机森林、Gradient Boosting、Xgboost、Lasso、GBDT、Decision Tree、Genetic Algorithms、Neural network、SVM、Logistic Regression、Ada Boost、以及Naive Bayes。

13.如权利要求7-12之一所述的方法，依据异步指标计算结果进行模型迭代，并使用更新的模型作为决策的依据。

14.如权利要求7-12之一所述的方法，依据异步指标计算结果以及真实的风险表现进行模型迭代，并使用更新的模型作为决策的依据。

15.如权利要求13或14所述的方法，上述更新是持续更新。

16.如权利要求1-15之一所述的方法，借贷放款取决于模型计算结果和/或信用调整结果。

17.如权利要求7-16之一所述的方法，依据异步指标计算结果对信用进行动态调整，并影响授信放款。

18.一种基于多维度指标计算的授信决策系统，该系统包括：

数据流入标准化模块，其将流入的数据处理成具有统一格式的数据；

指标计算模块，其根据不同的指标计算方法进行指标计算；

模型决策模块，其根据所接收数据，与所采用的不同模型进行模型决策；

授信放款模块，其根据模型决策结果，或根据模型决策结果与其它调整因素进行授信和放款。

19.如权利要求18所述的系统，数据流入标准化模块包括数据接入模块和数据标准化模块。

20.如权利要求19所述的系统，数据接入模块的数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。

21.如权利要求20所述的系统，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。

22.如权利要求20或21所述的系统，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据流入标准化模块中数据的来源。