[发明专利]基于变量影响度指标进行用户分群提额的方法、装置和电子设备

说明书

本发明公开了一种基于变量影响度指标进行用户分群提额的方法、装置、电子设备和计算机可读介质。所述方法计算历史金融用户集中的用户数据的自变量对因变量的影响度指标，根据所述影响度指标确定分群变量和分群规则，并对历史金融用户集中的用户按照所述分群规则进行分群，并为不同分群分别建立提额模型。对于新用户，按照所述的分群规则进行分群，并使用与该用户对应的用户群的提额模型确定提额策略。本发明基于变量影响度指标进行用户分群，让模型在每个用户群中选择不同的评估方法，能够有效的提高模型的预测力，同时对用户群的风险识别度会更加的精准。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于变量影响度指标进行用户分群提额的方法、装置和电子设备。

背景技术

基于信用体系的不足，在商业银行持有信用卡的用户比率较低，大部分人群的信用记录不完善，信用资料缺乏，商业银行难以覆盖到这类人群提供金融服务。金融科技的快速发展，加快了普惠金融的步伐。各互联网金融机构、小贷公司通过让客户提交各类材料，现场或者电话交谈来判断客户的资金需求情况的真实性及偿还能力，一定程度上解决了无信用记录的金融服务对象的授信问题。大家争先恐后研究设计风险策略，如查询客户信用记录被查询的次数、性别等通过这些策略来判断和识别客户的金融风险。

在实际操作中，上述方法存在一些弊端和缺陷：1、客户填写资料可能会造假，核实人力成本和难度均较大；2、存在客户享受到金融服务后将相关财产变卖转移的风险；3、在真实的应用场景中人群也会不稳定带来策略的不稳定性，因此，简单的设计一套风险策略可能错过优质客户，接纳低质客户。

发明内容

本发明旨在解决现有的提额模型无法针对不同的用户群采取针对性的提额策略，从而带来风险策略的不适应性。

为了解决上述技术问题，本发明第一方面提出一种基于变量影响度指标进行用户分群提额的方法，包括：

计算历史金融用户集中的用户数据的自变量对因变量的影响度指标；

根据所述影响度指标确定分群变量和分群规则；

对历史金融用户集中的用户按照所述分群规则进行分群，并为不同分群分别建立提额模型；

对于新用户，按照所述的分群规则进行分群，并使用与该用户对应的用户群的提额模型确定提额策略。

根据本发明的优选实施方式，所述计算所述历史金融用户集中的用户数据的自变量对因变量的影响度指标包括：使用Boruta算法计算所述自变量对因变量的影响度。

根据本发明的优选实施方式，使用Boruta算法计算所述自变量对因变量的影响度包括：为整个历史金融用户集建立提额模型，并使用历史金融用户集训练该提额模型；使用Boruta算法对自变量的影响度进行排序；删选出具有较高影响度的自变量。

根据本发明的优选实施方式，所述使用Boruta算法对自变量的影响度进行排序包括：创建自变量的阴影特征，拼接到自变量的特征矩阵，构成新的特征矩阵；使用所述新的特征矩阵训练所述提额模型，计算阴影特征和原自变量特征的重要分；取阴影特征最大值，当自变量特征的重要分大于阴影特征重要时，记录一次命中；利用所述自变量特征的累计命中次数作为作为影响度指标，对所述自变量的影响度进行排序。

根据本发明的优选实施方式，所述为不同分群分别建立提额模型包括：对于各用户群，分别由该用户群内的历史金融用户数据建立训练数据集、测试数据集及提额模型

根据本发明的优选实施方式，所述为不同分群分别建立提额模型还包括：使用各用户群的训练数据集、测试数据集对相应的提额模型进行训练和测试。

根据本发明的优选实施方式，计算各模型的K-S值曲线，当所述所述K-S不满足预定目标时，对所述分群规则进行调整。