[发明专利]风险尾端客户分析方法、装置、设备及计算机存储介质

权利要求书

1.一种风险尾端客户分析方法，其特征在于，所述风险尾端客户分析方法包括如下步骤：

在接收到风险分析请求时，确定所述风险分析请求对应待分析的目标客户，并获取所述目标客户的客户信息；

将所述客户信息输入至预设的不同类别风险特征对应的不同尾端分析模型，通过所述尾端分析模型中各层级的层级规则分析所述客户信息，获得各类风险特征的尾端层级评分；

将各类风险特征的尾端层级评分进行融合获得所述目标客户的综合风险评分，根据所述综合风险评分输出提示信息。

2.如权利要求1所述的风险尾端客户分析方法，其特征在于，所述在接收到风险分析请求时，确定所述风险分析请求对应待分析的目标客户，并获取所述目标客户的客户信息的步骤之前，所述方法包括：

获取样本数据集，构建初始尾端分层模型；

将所述初始尾端分层模型的任意一层输出作为目标变量，以预定义的分群维度作为自变量，构建多杈决策树，划分样本数据集中样本数据，形成样本数据子集；

通过各所述样本数据子集分别训练所述初始尾端分层模型，获得客群分析子模型；

将各所述客群分析子模型中的分层规则进行组合，获得尾端分层模型。

3.如权利要求2所述的风险尾端客户分析方法，其特征在于，所述将各所述客群分析子模型中的分层规则进行组合，获得尾端分层模型的步骤，包括：

获取各所述客群分析子模型中影响面最大的最外层分层规则，将各所述最外层分层规则进行组合作为模型最外层；

寻找性能最优路径，使各所述客群子模型规则都向内移动一层；

依次类推直至移动到各客群分析子模型的最内层，迭代所形成的最优路径组成最终模型的层级，获得具有客群差异的尾端分层模型。

4.如权利要求3所述的风险尾端客户分析方法，其特征在于，所述依次类推直至移动到各客群分析子模型的最内层，迭代所形成的最优路径组成最终模型的层级，获得具有客群差异的尾端分层模型的步骤，包括：

获取各客群分析子模型每次层级移动对应的层级规则，及所述分层规则的影响面；

将各客群分析子模型层级移动对应层级规则的影响面进行比较；

若存在一目标客群分析子模型当前的层级规则的影响面与除所述目标客群分析子模型之外的其他客群影响面的差异大于预设差异阈值，则本次迭代停止移动所述目标客群分析子模型，穷举除所述目标客群分析子模型之外的其他客群分析子模型向内移动一层的所有路径，从中选取性能最优路径；

若不存在层级规则的影响面异常的目标客群分析子模型，穷举所有子模型向内移动一层的路径，从中选取性能最优路径。

迭代寻优直至所有子模型都移动至最内层，各次迭代的最优路径组合为具有客群差异的尾端分层模型。

5.如权利要求2所述的风险尾端客户分析方法，其特征在于，所述获取样本数据集，构建初始尾端分层模型的步骤，包括：

针对样本数据集中样本数据构建风险特征集，将所述风险特征集中的各风险特征转化为初始变量值组成初始变量集；

穷举所述初始变量集中的各初始变量值后预设占比的分位数分别作为初始规则阈值，根据各所述初始规则阈值确定初始规则集；

根据所述初始规则集从所述初始变量集中选择与风险分析有关联性的初始变量作为入模变量值，将选择的所述入模变量值组成入模变量集；

穷举所述入模变量集中的各入模变量值后预设占比的分位数分别作为入模规则阈值，根据各所述入模规则阈值确定入模规则集；

根据所述样本数据集和所述入模规则集训练初始模型，获得初始尾端分层模型。

6.如权利要求1所述的风险尾端客户分析方法，其特征在于，所述将所述客户信息输入至预设的不同类别风险特征对应的不同尾端分析模型，通过所述尾端分析模型中各层级的层级规则分析所述客户信息，获得各类风险特征的尾端层级评分的步骤，包括：

将所述客户信息输入至预设的不同类别风险特征对应的尾端分析模型中，通过所述尾端分析模型中各层级的层级规则分析所述客户信息，获得各层级对应的坏样本率；

处理所述各层级对应的坏样本率，获得各类风险特征的尾端层级评分，其中，所述尾端层级评分为：

。