个人信贷领域的用户画像建模与逾期识别集成算法研究

发布时间：2020-10-15 01:10

　　 随着我国经济发展进入新常态,国内金融信贷行业发展迅速,许多金融信贷服务逐步推广到大众生活当中,个人信贷业务已经风生水起,加上互联网金融的不断发展,个人信用消费越来越普遍,信贷行业用户画像模型与逾期识别模型的建立已经是一种迫切需求。本文首先针对基础样本数据的变量类型提出了变量细分的想法,得到了变量细分的十一个维度,并在传统RFM价值评价模型基础上建立了以信贷用户消费能力、用户粘性和还贷意愿这三个维度的综合评价指标体系。基于变量细分维度与综合评价指标体系我们建立了用户画像模型,其中包括了用户细分画像与用户漏斗画像。对于用户细分画像,我们使用综合评价指标体系在消费能力、用户粘性、还贷意愿这三个维度细分了信贷领域的用户群,针对性的评价了每类用户群的价值并提出了相应的资源配置策略。对于用户漏斗画像,我们基于变量细分维度后得到的十一个维度使用用户漏斗算法,得到了高逾期占比用户群体并捕获了高逾期占比用户群的行为路径。在构建完用户画像模型后,我们着力于构建逾期识别集成算法模型。首先基于变量细分的思想与相关机器学习算法,完成了对基础样本数据的打分、降维,得到了新的两类样本数据,全量特征打分数据与细分维度打分数据,研究了不同样本数据对随机森林集成算法预测精度的影响。再基于两种不同样本、五种不同的集成算法,通过对测试集、交叉验证集、学习曲线与若干评价指标的评估选择了最优的Stacking集成算法,提供了精准、稳定、科学的逾期风险识别模型。本文构建用户画像模型是为了更好的服务于业务,构建集成算法模型是为了更好的服务于逾期风险识别精度。
【学位单位】：安徽师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.4;TP18
【部分图文】：

中心所属的类。）所得到的 K 类聚类结果，重新计算新的 K 个类中心，再重复步骤（2）复步骤（3），直到满足迭代次数或损失函数收敛 算法使用的损失函数：( )21ik kii x cf x x x= = 价指标体系的用户细分体系主要指从消费能力、用户粘性和还贷意愿度决定了我们对用户的画像是三维立体的，而来说，消费能力、用户粘性和还贷意愿分别占符合每个坐标轴有正负的客观事实，这样我们就为八类，具备较好的细分效果。如图 3-1 所示

s 聚类算法达到用户分群的目的。按使用机器学习算法的顺序分卡算法使用评分卡算法。评分卡算法的主要工作是得到全体特征打打分数据、得到还贷意愿得分。体特征打分数据据预处理的样本数据，首先进行特征分箱处理，这里我们采使用 2.3.1 的公式（2-5）与公式（2-6），计算出每个特征的箱结果计算后的 WOE 值替换原始样本数据，得到 WOE 编码码数据为样本，使用Logistic回归拟合WOE编码数据，得到一，依据 Logistic 回归的回归系数、截距项及 WOE 值，使用 公式（2-8），可以对每个样本计算信用评分，此时 Logistic 回。实现这一整套操作的算法叫做评分卡算法。全量用户信用：

漏斗算法的召回率最终保持在 82.37%，精确率达到 94。在得到这种效果的同时，我们还“显示”的通过特征及到这种结果。这是其他算法无法做到的，我们在把“黑箱高的精确度，这是不容易的，也是具有较大业务价值的。 4-10 转换成易于理解的漏斗图，如图 4-5 所示，
【参考文献】

相关期刊论文 前8条

1 杜云生;;基于客户消费数据的信用卡持卡人细分研究[J];金融理论与实践;2014年09期

2 贺昌政;孔力;;基于CLV要素的信用卡客户细分模型[J];统计与决策;2013年11期

3 孙耀;;基于数据挖掘的客户价值评价研究[J];现代商业;2011年32期

4 陈光会;;基于BP网络的客户价值分析[J];统计与决策;2011年08期

5 钟雁;郭雨松;;数据挖掘技术在铁路货运客户细分中的应用[J];北京交通大学学报;2008年03期

6 赵晓煜;黄小原;;基于数据挖掘的客户价值预测方法[J];东北大学学报;2006年12期

7 黄亦潇,邵培基,李菁菁;基于客户价值的客户分类方法研究[J];预测;2004年03期

8 王光宏,蒋平;数据挖掘综述[J];同济大学学报(自然科学版);2004年02期

本文编号：2841462