[发明专利]支持多数据源的汽车金融风控方法

说明书

本发明公开了支持多数据源的汽车金融风控方法，所述支持多数据源的汽车金融风控方法的实现步骤如下：数据分类，模型训练，数据合并；所述模型训练包括以下步骤：数量确定、权重确定、偏置值设置、初始权重设置、Lw计算、权重标准化和循环，所述数据合并包括以下步骤：公共字段并入、单字段模型训练、单字段合并并入和结果模型训练，该支持多数据源的汽车金融风控方法设计合理，使能够包涵多家汽车融资租赁公司订单数据的平台成为可能。

技术领域

本发明是支持多数据源的汽车金融风控方法，属于汽车金融风控技术领域。

背景技术

现有的汽车金融风控模型只能分析一家公司的订单数据，不同的汽车融资租赁公司由于用的是不同的订单管理系统或者是由于业态不同，它们的订单数据都各不相同，其中有些基础字段是一致的，还有很多字段是相似但互不相同的，比如说贷前的订单申请流程可能包括客户申请、进件审批、担保审批、征信审核、车辆评估和通过审核并放款等，虽然描述的是同一个订单申请的过程，但在数据库的字段表示出来时却很可能是完全不一样的，也就是说两家公司的订单申请过程的数据是没办法直接合并的。

在汽车金融风控领域，订单数据是非常宝贵的，完全可以说对风控模型准确性起决定性作用的是输入风控模型的数据(订单)的数量和质量，而不是算法，所以尽量的合并不同公司的数据提高数据量是至关重要的，而现有的算法是做不到这一点的。

所以，发明一种能够收录来自不同汽车融资租赁公司的订单数据并且能够把不同公司的订单数据合并成一份数据的模型具有非常重要的意义，为此，本发明提出一种支持多数据源的汽车金融风控方法。

发明内容

针对现有技术存在的不足，本发明目的是提供支持多数据源的汽车金融风控方法，以解决上述背景技术中提出的问题，本发明设计合理，使能够包涵多家汽车融资租赁公司订单数据的平台成为可能。

为实现上述目的，本发明提供如下技术方案：支持多数据源的汽车金融风控方法，所述支持多数据源的汽车金融风控方法的实现步骤如下：

步骤一：数据分类；首先，把汽车金融风控模型分类成5个维度，即贷前数据、贷中数据、反欺诈数据、背景调查数据和历史消费还款数据，每个公司的字段会先分别归类到这5个维度中，每个维度的数据会继续细分，每个维度的数据分类确定后，对原始数据进行切割，首先对表进行横向切割(即按行切割)，把不同公司的数据分开到不同的表中，接着再进行纵向切割(即按列切割)，把同一公司不同类型的数据切割到相对较小的表中，这样表就被切割成4张分表，数据切割完毕之后将会分别放入模型进行训练，每个维度数据的分类如下：

①：贷前数据；第一个维度是贷前数据，贷前数据包含公共数据、订单申请流程数据和订单申请结果数据：

(a)：贷前数据有较多的共有字段，因为贷前包含很多申请人的基础资料，提取贷前每个公司都共有的公共字段，另外，对汽车融资租赁公司的性质进行分类，对平台中的每一个公司按四个方面：车辆类型、车辆用途、渠道模式和租赁类型进行定性，并把这四个方面作为四个共有字段；

(b)：订单申请流程数据为贷前工单数据；

(c)：订单申请的结果即申请是通过还是拒绝，订单申请的结果是贷前数据的目标列，这里的目标列指的是机器学习中监督学习的目标列；

②：贷中数据；第二个维度是贷中数据，贷中数据又分为还款数据(这是时间序列数据)、车载GPS数据(时间序列数据)和贷中工单数据，贷中数据的目标列是还款数据，表示一个订单是正常还款还是已经逾期或坏账；

③：反欺诈数据；第三个维度是反欺诈数据，对于反欺诈，模型的侧重点是搭建人际关系网络，所以可以反映人与人之间关系的数据，比如通话记录，在模型中都被归类为反欺诈数据，对于反欺诈数据的训练是一个无监督学习的过程，所以在反欺诈数据中没有目标列；