[发明专利]一种基于医疗美容场景的客户违约概率预测方法

说明书

本发明公开了一种基于医疗美容场景的客户违约概率预测方法。本发明包括如下步骤：步骤1、确认影响客户违约因素；步骤2、特征的采集、转化、量化和存储；步骤3、构建模型进行迭代及运算；步骤1所述的确认影响客户违约因素，其中影响因素包括客户基本信息与第三方信息两大类；步骤3所述的构建模型进行迭代及运算包括建立特征工程、建立模型和采用XGBoost算法预测客户违约概率。本发明结合目前最新的机器学习算法，对客户违约概率进行评估，并取得了良好的效果。

技术领域

本发明是基于女性群体在医疗美容分期信贷申请过程填写的个人基础信息、设备信息，结合运营商、第三方平台征信、电商等数据，运用相关性特征挖掘技术，通过XGBOOST算法提供一种基于医疗美容场景的客户违约概率预测方法。

背景技术

有医美服务和消费分期需求的丽人群体、力求降低用户使用成本及获客成本的医疗美容机构和依托医美机构推荐来拓展其分期业务的消费金融平台，三者共同构成了医美消费金融产业生态圈。在医疗美容市场远未达到饱和、正处于黄金发展期的同时，医美分期面临的头号难题仍然是反欺诈。而仅基于借款申请用户提交的信息预测违约概率是远远不够的，我们采用更主动的方式，基于多维度数据包括运营商数据、第三方数据、电商报告等梳理用户人群画像，判断每一笔进件为欺诈或逾期风险的可能性。依托高可用分布式大数据集群平台，进行实时的数据采集、处理与计算，快速获取丽人用户各类历史信息，结合机器学习中强大的集成学习算法，精准预判每个丽人用户的信用状况，解决了该群体信用评估难的问题。大数据规模、高维度、实时性与精准评分，成为我们的最大优势。

发明内容

本发明的目的是为解决丽人用户信用评估准确性的问题，提供一种基于医疗美容场景的客户违约概率预测方法。本发明通过采集用户基础信息、运营商信息以及第三方数据信息(包括风险评分、多头借贷、终端使用情况等等)，对可能影响其违约的特征进行提取、转换、定性和量化计算，并结合XGBOOST算法，分步骤构建违约模型并进行实例验证。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1、用户违约因素的确认。

步骤2、构建模型进行迭代及运算。

步骤3、效果验证。

步骤1所述用户违约因素的确认，具体实现如下：

将影响用户逾期的特征分为两大类：基础信息和第三方数据信息；

1.1基础信息

基础信息包括申请人基本数据、申请设备数据以及衍生数据；申请人基本数据是指用户在申请贷款过程中填写的个人信息，包括年龄、申请项目金额、手术项目类型、医疗机构信息、借款金额、借款期限、申请地、户籍地；申请设备数据包括申请设备名称、系统、版本、设备id；衍生数据包括申请人户籍地GDP排名、申请地GPD排名、申请地与户籍地是否一致。

1.2第三方数据信息

①用户在其他借贷平台的申请借贷信息，包括个体在其他多个平台提出的借贷申请或是已借款的相关信息；

②用户常用APP活跃度信息；

③用户各类信用评分信息；

基于第三方数据公司获取用户群体在其它多个平台的借贷申请或已借款的相关信息,包括个人信息核查、不良信息扫描、多平台借贷申请、信贷逾期信息和司法不良记录。

基于用户申请时使用的终端设备，借助第三方平台获取终端设备相关信息。

基于用户申请注册用的手机号码，借助第三方平台获取手机号运营商信息。

基于用户申请注册用的姓名、手机和身份证，借助第三方平台获取用户的信用评分信息。