基于貸后預警模型的貸后預警平臺及方法與流程
1.本發明涉及信息技術管理技術領域，具體地說是一種基于貸后預警模型的貸后預警平臺及方法。
背景技術：
2.隨著“互聯網+普惠金融”日益興盛，各銀行在堅守傳統業務的同時，紛紛引入新的業務模式，積極推動零售業務轉型，以滿足客戶對金融服務便捷化、線上化的需求，實踐普惠金融戰略。為更好實踐國家發展普惠金融戰略，推動銀行更好的服務“三農”和小微等實體經濟發展，擴大信貸規模和服務覆蓋范圍，降低貸后管理的信貸服務風險，提升市場競爭力，助力銀行快速開展線上快貸業務。
3.故如何實現客戶風險等級的分級分類，并針對性的制定貸后方案，降低銀行貸后管理成本的同事，提升客戶經理人均管戶是目前亟待解決的技術問題。
技術實現要素：
4.本發明的技術任務是提供一種基于貸后預警模型的貸后預警平臺及方法，來解決如何實現客戶風險等級的分級分類，并針對性的制定貸后方案，降低銀行貸后管理成本的同事，提升客戶經理人均管戶的問題。
5.本發明的技術任務是按以下方式實現的，一種基于貸后預警模型的貸后預警平臺，該貸后預警平臺包括基礎設施層以及應用層，基礎設施層包括數據后臺的各類數據存儲服務器、消息服務器、模型計算服務器、磁盤陣列存儲器、web應用服務器以及網絡通信設備；該貸后預警平臺接入大數據需要建設數據庫服務器集，提供企業預警類相關數據，并結合業務數據庫和消息服務器共同匯入模型計算服務器中，通過模型計算服務器分別為應用服務器提供貸后預警模型決策結果與應用支持；
6.應用層基于三層體系架構，以通訊和計算機中間件技術為核心，采用b/s體系架構，基于業界成熟、穩定的javaee框架，遵守j2ee規范進行建設和開發。
7.作為優選，該貸后預警平臺的整個信息安全防護體系嫁接在浪潮云應用服務器，浪潮云應用服務器包括云操作系統、云安全管理平臺、網絡節點、存儲節點以及若干計算機節點，計算機節點上暗賬虛擬機安全套件，虛擬機安全套件安裝于各個計算機節點，充當安全代理；云安全管理平臺作為管理節點部署于單獨的物理節點。
8.作為優選，該貸后預警平臺具有如下功能；
9.①
、業務分類管理：按整體業務開展情況設定不同的業務分類，企業在導入時，選擇該企業所歸屬業務分類；
10.②
、企業入庫模板配置：對企業入庫時需要錄入的企業信息進行配置；
11.③
、報告模板配置：對定期檢查報告、不定期檢查報告、重點檢查報告以及任務類預警界面所需要業務人員填寫內容進行配置；
12.④
、預警等級配置：默認配置預警等級為“任務類”及“知悉類”兩種；
13.⑤
、周期性模型配置：針對不同業務分類配置不同任務生成周期；
14.⑥
、企業監控模型：從“默認監控規則庫”中選擇系統監控規則進行配置，包括當前監控規則狀態(開啟、關閉)及監控規則閾值/等級內容；
15.⑦
、企業批量導入：供業務人員批量導入待投后管理的企業使用；
16.⑧
、企業入庫審批：根據用戶權限及審批流程設置，上級業務管理人員對批量導入的信息及單戶新增的企業進行入庫審批；
17.⑨
、企業入庫接口：提供企業入庫接口，供后續審批系統直接調用接口完成企業自動入庫；
18.⑩
、任務待辦查看：企業產生的定期檢查任務，將自動下發至企業歸屬客戶經理(企業入庫時指定)任務列表；
19.一鍵歸檔申請：通過業務詳情查詢，查詢到需要歸檔的企業，確認各類信息無誤后，即可發起歸檔申請；
20.材料歸檔審批：歸檔申請提交后，由上級對歸檔申請進行審批；
21.系統管理：為滿足金融組織架構要求，采用“多租戶”建設方式，各下屬公司間通過系統權限管理完成業務“邏輯隔離；
22.審批流程配置：集團管理員對任務、歸檔審批流程進行配置，選擇對應工作是否開啟審批節點。
23.更優地，周期性模型配置具體如下：
24.業務人員選擇新增周期性模型規則配置；
25.選擇需要新增監控的業務類型；
26.填寫該業務類型的監控周期，監控頻率包括天、月。
27.一種基于貸后預警模型的貸后預警方法，該方法具體如下：
28.企業大數據對接：通過對接行業內的企業征信大數據，完成對企業信貸服務指標的監測；
29.數據傳輸：采用組合加密方式實現數據加密以及加密傳輸；
30.建設指標層數據庫：融合策略與算法，基于外部征信數據形成的企業標準mysql標準庫，建立覆蓋三級體系的指標庫；并在指標庫基礎上抽取信用特征集，建立樣本抽取邏輯從海量企業中抽取訓練樣本建立樣本庫，基于抽取的信用特征集、訓練樣本集并基于機器學習、人工智能及大數據等先進的建模技術構建信用評分模型，通過評分轉換方法形成最終的企業信用評價結果，基于訓練所得企業信用評分模型預測新企業的企業信用評分及信用等級。
31.作為優選，企業大數據對接的數據項通過天眼查、企查查、憑安征信及天元征信獲取。
32.更優地，企業大數據對接是采用數據服務接口的模式，通過api調用的方式獲取數據json樣例，再對json樣例數據進行解析，實現對企業貸后監測數據的系統性接入。
33.更優地，企業大數據接入內容包括：
34.(1)、被執行人：通過公司名稱獲取是否存在被執行人信息，被執行人信息包括執
行法院、案件內容、執行標的、被執行人名稱以及組織機構代碼；
35.(2)、失信被執行人：通過公司名稱判定企業失信情況，企業失信情況包括失信人名稱、組織機構代碼、履行情況以及失信行為具體情形；
36.(3)、限制高消費：通過公司名稱獲取限制消費令信息，限制消費令信息包括執行法院、案件內容以及被執行人名稱；
37.(4)、法院判決未履行：通過公司名稱獲取執行信息，執行信息包括執行法院、案件內容、被執行人名稱、執行標的及未履行金額信息；
38.(5)、企業失信情況：通過公司名稱判定企業失信情況，企業失信情況包括失信人名稱、組織機構代碼、履行情況及失信行為具體情形的字段的詳細信息，并通過失信人履行情況判斷是否履行；
39.(6)、經營狀態：通過公司名稱獲取企業基本信息，企業基本信息包括人員規模、經營開始時間、注冊號、注冊資本、登記機關、注冊地址、行業、核準時間、納稅人識別號、經營范圍、組織機構代碼、企業狀態、成立日期、法人、經營結束時間、實收注冊資金、企業類型、統一社會信用代碼、吊銷日期、吊銷原因、注銷日期及注銷原因；
40.(7)、成立時長：通過企業基本信息接口一并查詢經營狀態、成立市場、機構類型、限制行業及注冊登記地信息；
41.(8)、法人持股比例：通過公司名稱獲取企業股東信息，企業股東信息包括股東名、出資比例、出資金額及股東總數的信息；
42.(9)、法人變更：通過公司名稱獲取企業變更記錄信息，企業變更記錄信息包括工商變更事項及變更前后信息，根據工商變更事項判斷是否為法人變更；
43.(10)、限制行業：通過企業基本信息接口一并查詢經營狀態、成立市場、機構類型、限制行業及注冊登記地信息，企業基本信息接口中返回國民經濟行業分類(包括大類、中類、小類)，根據此分類判斷限制行業；
44.(11)、機構類型為分支機構、外資或集體所有制：通過企業基本信息接口查詢企業類型或通過企業類型查詢接口查詢企業類型；
45.(12)、是否為淘汰落后企業：是否為當地政府發布名單或通過行業分類進行判斷；
46.(13)、產能企業：事件名稱、事件類型、企業名稱及數據類型；
47.(14)、注冊登記地：通過企業基本信息接口一并查詢經營狀態、成立市場、機構類型、限制行業、及注冊登記地信息；
48.(15)、行政處罰：通過公司名稱獲取企業行政處罰信息，行政處罰信息包括處罰日期、決定書文號、處罰事由及違法行為類型、處罰結果及內容、處罰單位和數據來源信息；
49.(16)、股權變更：通過公司名稱獲取企業股權變更信息，企業股權變更信息包括變更前后的股東名及變更時間的字段的詳細信息；
50.通過公司名稱獲取上市公司股本變動信息，上市公司股本變動信息包括變動時間、變動原因、變動后a股總股本、變動后流通a股及變動后限售a股；
51.(17)、股權質押：通過公司名稱獲取股權出質信息，股權出質信息包括企業質權人信息、出質人信息、出質股權標的企業信息及出質股權數額的字段的詳細信息；
52.(18)、股權凍結：公示類型、出質標的物信息、股份持有人、凍結股數、本次凍結股份占所持股份比例、質押期限、實際累計凍結金額、網站發布日期、款人及抵押人；
53.(19)、嚴重違法失信企業：通過公司名稱判定企業失信情況，企業失信情況信息包括失信人名稱、組織機構代碼、履行情況及失信行為具體情形的字段的詳細信息；
54.(20)、司法拍賣：通過關鍵字(公司名稱、注冊號或社會統一信用代碼)獲取企業司法拍賣公告信息，企業司法拍賣公告信息包括拍賣公告標題、執行法院、拍賣時間、拍賣標的及起拍價格的字段的詳細信息；
55.(21)、經營異常：通過公司名稱獲取企業經營異常信息，企業經營異常信息包括列入和/或移除原因、時間及做出決定機關等俄字段的詳細信息；
56.(22)、擔保過高：通過公司名稱獲取上市公司對外擔保信息，對外擔保信息包括公告日期、擔保方、被擔保方、擔保方式及擔保金額，并獲取擔保數據后，計算判斷擔保是否過高；
57.(23)、稅務非正常戶：企業名稱、內容、事件名稱、事件結果、關聯方名稱、發布時間、認定時間及稅務登記號；
58.(24)、重大稅收違法：通過公司名稱獲取稅收違法信息，稅收違法信息包括納稅人名稱及案件性質俄字段的詳細信息；
59.(25)、催繳和/或欠稅：通過公司名稱或id獲取企業欠稅信息，企業欠稅信息包括欠稅公告、納稅人識別號、證件號碼、經營地點、欠稅稅種及欠稅余額的字段的詳細信息；
60.(26)、涉訴公告：案號、法院名稱、立案時間及當事人；當事人信息包括案由、法院類型、公告類型、訴訟地位(原審)、當前稱號、主體類型、當事人名稱；
61.(27)、開庭公告：通過公司名稱獲取企業開庭公告，企業開庭公告包括被告或被上訴人、法院、原告或上訴人、開庭日期、案由、內部id及案號的字段的詳細信息；
62.(28)、裁判文書：內容、案號、法院、判決結果、審結日期、依據、審理狀態、當事人、判決金額、訴訟地位(原審)及勝負關系；
63.(29)、終本案件：通過公司名稱獲取執行信息，執行信息包括執行法院、案件內容、被執行人名稱、執行標的及未履行金額；
64.(30)、新聞輿情：根據公司名稱(精確匹配)獲取新聞列表；
65.(31)、疑似空殼企業：綜合分析企業的基本信息及日常經營信息挖掘企業的異常特征或者企業間的異常關聯特征，洞察識別空殼公司。
66.本發明的基于貸后預警模型的貸后預警平臺及方法具有以下優點：
67.(一)本發明適用于銀行貸后預警場景中，在用戶充分授權數據并且數據資源充足的情況下，基于貸后預警規則，實現對客戶貸后風險的實時監測，降低銀行貸后管理成本；
68.(二)本發明替代傳統的客戶經理貸后盡調檢查機制，利用實時更新的大數據，實現對客戶貸后風險的綜合預判，業務統籌平臺模型策略中心會建立貸后預警策略機制，結合實時風險預警、存量風險預判、客戶綜合信用評估的情況建立綜合決策策略，策略中心支持對策略進行管理，對監控維度、監控規則進行自定義設置，能夠對各類監控模型、監控指標進行靈活配置，包括對監控指標、模型計算規則、閾值規則等的配置，從而便于靈活調整模型參數，實現監控的個性化管理；本發明會實時發出預警信號指導銀行人員對貸款個體進行重點關注采取對應處理辦法，當同樣的非財務預警信號或者財務預警信號再次出現時能夠通過過去的處理方法而迅速的運用曾經使用的有效手段將風險進行預防和控制；
69.(三)本發明以建設自動化投后預警平臺為目標，通過系統規則設定，自動對企業
投后周期性檢查進行提醒；結合各類外部數據，打造自動化風險預警模型，實現企業風險自動預警；同時，結合企業管理、預警處置、稽核歸檔等流程化操作，實現投后風險管理閉環，提升風險管理效率與質量；
70.(四)本發明有效地對接銀行內部已有的信貸核心，將已經放款的用戶自動對接到貸后預警平臺上，進行風險預警，實現客戶風險等級的分級分類，并針對性的制定貸后方案，降低銀行貸后管理成本，提升客戶經理人均管戶；
71.(五)本發明基于多方數據源進行貸后預警模型建設，將模型結果對應輸出到雨后預警平臺，實現企業貸后風險實時監測，具體如下：
72.①
企業風險數據接入：需要按照數據要求接入相關數據；
73.②
實現數據指標化：對數據進行指標化處理，并基于模型建設方法，對各項風險指標劃定監測閾值；其中，本發明采用tdos數據采集治理平臺，對多源數據進行采集、治理；
74.③
業務系統對接：對行內已有的金融業務進行梳理，對接信貸核心，自動監測已放款企業，并在完成還款后自動移出貸后預警清單，對接行內信貸審批核心，配置客戶體系對接。
附圖說明
75.下面結合附圖對本發明進一步說明。
76.附圖1為基于貸后預警模型的貸后預警平臺的結構示意圖；
77.附圖2為基于貸后預警模型的貸后預警方法的流程示意圖。
具體實施方式
78.參照說明書附圖和具體實施例對本發明的基于貸后預警模型的貸后預警平臺及方法作以下詳細地說明。
79.實施例1：
80.如附圖1所示，本發明的基于貸后預警模型的貸后預警平臺，該貸后預警平臺包括基礎設施層以及應用層，基礎設施層包括數據后臺的各類數據存儲服務器、消息服務器、模型計算服務器、磁盤陣列存儲器、web應用服務器以及網絡通信設備；該貸后預警平臺接入大數據需要建設數據庫服務器集，提供企業預警類相關數據，并結合業務數據庫和消息服務器共同匯入模型計算服務器中，通過模型計算服務器分別為應用服務器提供貸后預警模型決策結果與應用支持；其中，數據庫服務器、應用服務器以及消息服務器的參數具體如下表所示：
[0081][0082]
軟件要求如下表所示：
[0083][0084]
應用層基于三層體系架構，以通訊和計算機中間件技術為核心，采用b/s體系架構，基于業界成熟、穩定的javaee框架，遵守j2ee規范進行建設和開發。
[0085]
本實施例中的貸后預警平臺的整個信息安全防護體系嫁接在浪潮云應用服務器，浪潮云應用服務器包括云操作系統、云安全管理平臺、網絡節點、存儲節點以及若干計算機節點，計算機節點上暗賬虛擬機安全套件，虛擬機安全套件安裝于各個計算機節點，充當安全代理；云安全管理平臺作為管理節點部署于單獨的物理節點。
[0086]
為了解決貸后預警的全流程服務，貸后預警主要分為以下幾個部分，一是基于貸后預警模型事先的企業信息預警，二是針對于預警信息的等級不同，形成的貸后管理，本實施例中的貸后預警平臺具有如下功能；
[0087]
①
、業務分類管理：按整體業務開展情況設定不同的業務分類，企業在導入時，選擇該企業所歸屬業務分類；
[0088]
②
、企業入庫模板配置：對企業入庫時需要錄入的企業信息進行配置；
[0089]
③
、報告模板配置：對定期檢查報告、不定期檢查報告、重點檢查報告以及任務類預警界面所需要業務人員填寫內容進行配置；
[0090]
④
、預警等級配置：默認配置預警等級為“任務類”及“知悉類”兩種；
[0091]
⑤
、周期性模型配置：針對不同業務分類配置不同任務生成周期；
[0092]
⑥
、企業監控模型：從“默認監控規則庫”中選擇系統監控規則進行配置，包括當前監控規則狀態(開啟、關閉)及監控規則閾值/等級內容；
[0093]
⑦
、企業批量導入：供業務人員批量導入待投后管理的企業使用；
[0094]
⑧
、企業入庫審批：根據用戶權限及審批流程設置，上級業務管理人員對批量導入的信息及單戶新增的企業進行入庫審批；
[0095]
⑨
、企業入庫接口：提供企業入庫接口，供后續審批系統直接調用接口完成企業自
動入庫；
[0096]
⑩
、任務待辦查看：企業產生的定期檢查任務，將自動下發至企業歸屬客戶經理(企業入庫時指定)任務列表；
[0097]
一鍵歸檔申請：通過業務詳情查詢，查詢到需要歸檔的企業，確認各類信息無誤后，即可發起歸檔申請；
[0098]
材料歸檔審批：歸檔申請提交后，由上級對歸檔申請進行審批；
[0099]
系統管理：為滿足金融組織架構要求，采用“多租戶”建設方式，各下屬公司間通過系統權限管理完成業務“邏輯隔離；
[0100]
審批流程配置：集團管理員對任務、歸檔審批流程進行配置，選擇對應工作是否開啟審批節點。
[0101]
本實施例中的周期性模型配置具體如下：
[0102]
業務人員選擇新增周期性模型規則配置；
[0103]
選擇需要新增監控的業務類型；
[0104]
填寫該業務類型的監控周期，監控頻率包括天、月。
[0105]
實施例2：
[0106]
本實施例提供了一種基于貸后預警模型的貸后預警方法，該方法具體如下：
[0107]
企業大數據對接：通過對接行業內的企業征信大數據，完成對企業信貸服務指標的監測；
[0108]
數據傳輸：采用組合加密方式實現數據加密以及加密傳輸；以某種特殊的算法改變原有的信息數據，使得未授權的用戶即使獲得了已加密的信息，但因不知解密的方法，仍然無法了解信息的內容，確保信息安全。
[0109]
信用信息涉及數據由于其種類復雜多樣的特殊性，需使用對稱加密和不對稱機密結合的方式保證信息的安全性。
[0110]
建設指標層數據庫：融合策略與算法，基于外部征信數據形成的企業標準mysql標準庫，建立覆蓋三級體系的指標庫；并在指標庫基礎上抽取信用特征集，建立樣本抽取邏輯從海量企業中抽取訓練樣本建立樣本庫，基于抽取的信用特征集、訓練樣本集并基于機器學習、人工智能及大數據等先進的建模技術構建信用評分模型，通過評分轉換方法形成最終的企業信用評價結果，基于訓練所得企業信用評分模型預測新企業的企業信用評分及信用等級。
[0111]
金融機構的貸后風險預警，是指金融機構的風險管理者對貸款企業的能否償還貸款的潛在可能性進行預測。風險的分類以及每種分類背后的原因進行分析過程。正確的貸后風險預警系統是貸款能夠及時收回的保證，而正確的指標選取又是保證貸后風險預警系統正常運行的關鍵，貸后預警指標選取如下：
[0112]
[0113]
[0114][0115]
本實施例中的企業大數據對接的數據項通過天眼查、企查查、憑安征信及天元征信獲取。
[0116]
本實施例中的企業大數據對接是采用數據服務接口的模式，通過api調用的方式獲取數據json樣例，再對json樣例數據進行解析，實現對企業貸后監測數據的系統性接入。
[0117]
本實施例中的企業大數據接入內容如下表所示：
[0118]
[0119]
[0120][0121]
最后應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的范圍。
