本發(fā)明涉及異常客戶群判斷，特別是涉及一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒跋到y(tǒng)。

背景技術(shù)：

1、目前，伴隨著經(jīng)濟下行，在汽車分期/租賃、個貸、現(xiàn)金貸等場景中，不斷的出現(xiàn)欺詐類申請，其中，包裝類欺詐及團伙類欺詐成為隱藏最深的群體，由于這部分客戶的社保繳費、公積金繳費、工資、購房情況都可能被包裝造假，使用基于這些信息的模型，難以發(fā)現(xiàn)其中的風險。除此之外，針對白戶類人群，由于缺乏歷史數(shù)據(jù)，無法基于歷史數(shù)據(jù)搭建申請評分卡模型。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒跋到y(tǒng)，本發(fā)明解決了現(xiàn)有技術(shù)中在貸款領(lǐng)域資質(zhì)信息容易造假，識別率低并且對于白戶類人群評價困難的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒?，包括：

4、獲取待測客戶的目標特征；

5、將所述目標特征輸入至構(gòu)建好的異常判別模型中，得到待測客戶的二維坐標點和分類散點圖；

6、根據(jù)所述二維坐標點和分類散點圖，得到所述待測客戶的類別；

7、所述異常判別模型的構(gòu)建方法為：

8、獲取客戶的使用行為數(shù)據(jù)；

9、對所述使用行為數(shù)據(jù)進行預(yù)處理，得到客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)；

10、將所述客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)整理得到寬表數(shù)據(jù)；

11、基于判別分析方法，繪制散點圖并將散點圖和所述寬表數(shù)據(jù)輸入，得到異常判別模型。

12、優(yōu)選地，所述目標特征包括：

13、申請人年齡、首付比例、申請車輛價格、終端客戶申請資料填寫總時長和某一頁面停留時長。

14、優(yōu)選地，所述微變量數(shù)據(jù)包括：

15、申請總時長、頁面停留時長、頁面滑動速度、終端跳出次數(shù)、各類附件上傳速度和上傳的影像件中所包含的拍攝設(shè)備信息。

16、優(yōu)選地，所述二維坐標點的橫坐標計算表達式為：

17、function1＝-0.346*x1-0.525*x2+0.846*x3+0.613*x4+0.313*x5；

18、其中，x1為申請人年齡，x2為首付比例，x3為申請車輛價格，x4為終端客戶申請資料填寫總時長，x5為某一頁面停留時長。

19、優(yōu)選地，所述二維坐標點的縱坐標計算表達式為：

20、function2＝0.039*x1+0.742*x2-0.386*x3+0.555*x4-0.216*x5。

21、一種基于埋點數(shù)據(jù)與判別分析確定異常客戶群的系統(tǒng)，包括：

22、客戶行為數(shù)據(jù)提取模塊，用于獲取待測客戶的行為數(shù)據(jù)；

23、數(shù)據(jù)處理模塊，用于對所述行為數(shù)據(jù)進行預(yù)處理得到客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)；

24、客戶標簽處理模塊，用于將所述客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)整理成寬表數(shù)據(jù)并對每個樣本進行標簽，得到整理好的寬表數(shù)據(jù)；

25、模型構(gòu)建模塊，用于根據(jù)整理好的寬表數(shù)據(jù)和判別分析方法構(gòu)建異常判別模型；

26、結(jié)論處理模塊，用于將待測客戶的目標特征輸入至異常判別模型，得到待測客戶的類別。

27、本發(fā)明公開了以下技術(shù)效果：

28、本發(fā)明提供了一種基于埋點數(shù)據(jù)與判別分析確定異常客戶群的方法及系統(tǒng)，方法包括：

29、獲取待測客戶的目標特征；將所述目標特征輸入至構(gòu)建好的異常判別模型中，得到待測客戶的二維坐標點和分類散點圖；根據(jù)所述二維坐標點和分類散點圖，得到所述待測客戶的類別；所述異常判別模型的構(gòu)建方法為：獲取客戶的使用行為數(shù)據(jù)；對所述使用行為數(shù)據(jù)進行預(yù)處理，得到客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)；將所述客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)整理得到寬表數(shù)據(jù)；基于判別分析方法，繪制散點圖并將散點圖和所述寬表數(shù)據(jù)輸入，得到異常判別模型。本發(fā)明通過引入客戶的使用行為數(shù)據(jù)這些微小變量，利用判別分析方法構(gòu)建異常判別模型，提升了判斷申請人風險的準確度，并為白戶人群的判定提供了判斷依據(jù)。

技術(shù)特征：

1.一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒ǎ涮卣髟谟?，包括：

2.根據(jù)權(quán)利要求1所述的一種基于埋點數(shù)據(jù)與判別分析確定異常客戶群的方法，其特征在于，所述目標特征包括：

3.根據(jù)權(quán)利要求1所述的一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒?，其特征在于，所述微變量數(shù)據(jù)包括：

4.根據(jù)權(quán)利要求1所述的一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒?，其特征在于，所述二維坐標點的橫坐標計算表達式為：

5.根據(jù)權(quán)利要求4所述的一種基于埋點數(shù)據(jù)與判別分析確定異常客戶群的方法，其特征在于，所述二維坐標點的縱坐標計算表達式為：

6.一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱南到y(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提供了一種基于埋點數(shù)據(jù)與判別分析確定異?？蛻羧旱姆椒跋到y(tǒng)，涉及異常客戶群判斷技術(shù)領(lǐng)域，方法包括：獲取待測客戶的目標特征；將目標特征輸入至構(gòu)建好的異常判別模型中，得到待測客戶的二維坐標點和分類散點圖；根據(jù)二維坐標點和分類散點圖，得到待測客戶的類別；異常判別模型的構(gòu)建方法為：獲取客戶的使用行為數(shù)據(jù)；對使用行為數(shù)據(jù)進行預(yù)處理，得到客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)；將客戶特征數(shù)據(jù)、車輛特征數(shù)據(jù)和微變量數(shù)據(jù)整理得到寬表數(shù)據(jù)；基于判別分析方法，繪制散點圖并將散點圖和寬表數(shù)據(jù)輸入，得到異常判別模型。本發(fā)明解決了現(xiàn)有技術(shù)中貸款領(lǐng)域資質(zhì)信息容易造假，識別率低并且對于白戶類人群評價困難的問題。

技術(shù)研發(fā)人員：張曉雷
受保護的技術(shù)使用者：南京田雨企業(yè)咨詢管理有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19