CN111179051B - 资源目标客户确定方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种资源目标客户确定方法、装置、电子设备及计算机可读介质。该方法包括：基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取所述风险评分大于阈值的至少一个客户；基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及基于所述利润评分由所述至少一个客户中确定目标客户。本公开涉及的资源目标客户确定方法、装置、电子设备及计算机可读介质，能够通过风险和利润等多个角度对目标用户进行筛选，提高整体资源服务的通过率，提升公司利润。

Description

资源目标客户确定方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种资源目标客户确定方法、装置、电子设备及计算机可读介质。

背景技术

随着经济的发展，为了满足其自身发展的需要，个人用户或者企业用户经常由资源服务机构进行借款活动，对于资源服务机构而言，用户的借款活动很可能会给资源服务公司带来风险。在还款期限届满之前，借款人(信贷用户)财务商务状况的重大不利变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此，为了降低此类风险的发生概率，资源服务机构需要对借款人进行风险评估，根据风险评估结果，资源服务公司可拒绝为资源风险较高、不能还款的用户提供服务。

目前，资源风险的判别经常是通过对用户的信用风险进行分析获得。信用风险又称为交易对方风险或履约风险，指交易对方不履行到期债务的风险。信用风险作为互联网资源服务行业所面临的主要风险，一直是信贷风险管理的核心内容。但是在实际中发现，有些客户虽然不能够按时还款，但是由于涉及到违约金和利息等资源收益，在这些违约还款的用户还款的时候，其带来的利润也相较于按时还款的客户的利润高。而且，通过信用风险判定之后拒贷的客户中，有些客户带来的利润是可以覆盖风险，给资源服务公司带来利润收入。如何对这类用户进行分析，合理的对这些用户进行资源服务，是亟待解决的问题。

因此，需要一种新的资源目标客户确定方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种资源目标客户确定方法、装置、电子设备及计算机可读介质，能够通过风险和利润等多个角度对目标用户进行筛选，提高整体资源服务的通过率，提升公司利润。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种资源目标客户确定方法，该方法包括：基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取所述风险评分大于阈值的至少一个客户；基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及基于所述利润评分由所述至少一个客户中确定目标客户。

可选地，还包括：通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分。

可选地，通过历史客户的还款信息对第一机器学习模型进行训练，包括：通过历史客户的还款信息对梯度提升决策树模型进行训练。

可选地，还包括：通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分。

可选地，通过历史客户的收益信息对第二机器学习模型进行训练，包括：通过历史客户的收益信息对卡方自动交互检测决策树模型进行训练。

可选地，提取所述风险评分大于阈值的至少一个客户，包括：通过历史经验数据确定所述阈值；以及将所述多个客户的风险评分与所述阈值进行比较以提取所述至少一个客户。

可选地，基于所述利润评分由所述至少一个客户中确定目标客户，包括：将所述至少一个客户按照其对应的利润评分进行排序；基于排序结果和预设条件由所述至少一个客户中确定目标客户。

可选地，基于排序结果和预设条件由所述至少一个客户中确定目标客户，包括：基于风险支出和成本支出确定内部收益率；以及基于所述排序结果依次将所述至少一个客户中利润评分大于所述内部收益率的客户作为所述目标客户。

可选地，还包括：提取所述风险评分小于等于阈值的至少一个客户，将所述至少一个客户确定为目标客户。

可选地，还包括：基于所述风险评分和所述利润评分为所述目标客户确定资源服务策略。

根据本公开的一方面，提出一种资源目标客户确定装置，该装置包括：风险模块，用于基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取模块，用于提取所述风险评分大于阈值的至少一个客户；利润评分，用于基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及目标模块，用于基于所述利润评分由所述至少一个客户中确定目标客户。

可选地，还包括：第一训练模块，用于通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分。

可选地，所述第一训练模块，还用于通过历史客户的还款信息对梯度提升决策树模型进行训练。

可选地，还包括：第二训练模块，用于通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分。

可选地，所述第二训练模块，还用于通过历史客户的收益信息对卡方自动交互检测决策树模型进行训练。

可选地，所述提取模块，包括：阈值单元，用于通过历史经验数据确定所述阈值；以及比较单元，用于将所述多个客户的风险评分与所述阈值进行比较以提取所述至少一个客户。

可选地，所述目标模块，包括：排序单元，用于将所述至少一个客户按照其对应的利润评分进行排序；目标单元，用于基于排序结果和预设条件由所述至少一个客户中确定目标客户。

可选地，所述目标单元，还用于基于风险支出和成本支出确定内部收益率；以及基于所述排序结果依次将所述至少一个客户中利润评分大于所述内部收益率的客户作为所述目标客户。

可选地，还包括：客户模块，用于提取所述风险评分小于等于阈值的至少一个客户，将所述至少一个客户确定为目标客户。

可选地，还包括：策略模块，用于基于所述风险评分和所述利润评分为所述目标客户确定资源服务策略。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的资源目标客户确定方法、装置、电子设备及计算机可读介质，基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取所述风险评分大于阈值的至少一个客户；基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及基于所述利润评分由所述至少一个客户中确定目标客户的方式，能够通过风险和利润等多个角度对目标用户进行筛选，提高整体资源服务的通过率，提升公司利润。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种资源目标客户确定方法及装置的系统框图。

图2是根据一示例性实施例示出的一种资源目标客户确定方法的流程图。

图3是根据另一示例性实施例示出的一种资源目标客户确定方法的流程图。

图4是根据另一示例性实施例示出的一种资源目标客户确定方法的示意图。

图5是根据另一示例性实施例示出的一种资源目标客户确定方法的示意图。

图6是根据一示例性实施例示出的一种资源目标客户确定装置的框图。

图7是根据另一示例性实施例示出的一种资源目标客户确定装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

图9是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

在客户风险经营中，拒贷退规则的制定一般只考虑风险角度。实际发现，拒贷客户中有些客户带来的利润是可以覆盖风险，给公司带来利润收入。本公开的发明人认为拒贷规则的制定，不仅要考虑风险，还要考虑客户带来的利润，因此，是否为客户提供资源服务的策略的制定也应该将客户未来能够带来的利润作为重要的衡量指标。下面结合具体的实施例对本公开的资源目标客户确定方法及装置进行详细描述。

图1是根据一示例性实施例示出的一种资源目标客户确定方法及装置的系统框图。

如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如资源服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的资源服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如是否为目标用户、是否为该用户提供资源服务)反馈给资源服务网站的管理员。

服务器105可例如基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；服务器105可例如提取所述风险评分大于阈值的至少一个客户；服务器105可例如基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；服务器105可例如基于所述利润评分由所述至少一个客户中确定目标客户。

服务器105还可例如通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分。

服务器105还可例如通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可用于通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分；服务器105中的一部分可用于通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分；以及服务器105中的一部分还可用于基于风险评分和利润评分由所述至少一个客户中确定目标客户。

需要说明的是，本公开实施例所提供的资源目标客户确定方法可以由服务器105执行，相应地，资源目标客户确定装置可以设置于服务器105中。而提供给用户进行资源服务平台浏览的网页端一般位于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种资源目标客户确定方法的流程图。资源目标客户确定方法20至少包括步骤S202至S208。

如图2所示，在S202中，基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分。其中，可通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分。

在S204中，提取所述风险评分大于阈值的至少一个客户。包括：通过历史经验数据确定所述阈值；以及将所述多个客户的风险评分与所述阈值进行比较以提取所述至少一个客户。

在S206中，基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分。其中，可通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分。

更进一步，利润评分模型使用实际IRR(内部收益率)作为衡量客户未来带来利润的指标，也是模型的输出数据，实际IRR是连续变量，不仅可以提供借款者更精确的信息，而且包含客户未来是否违约的信息。选择用户相关的资源信息作为输入变量，使用利润评分模型，能够为输入的用户进行评分，输出预测的该用户对应的预测IRR。

在S208中，基于所述利润评分由所述至少一个客户中确定目标客户。包括：将所述至少一个客户按照其对应的利润评分进行排序；基于排序结果和预设条件由所述至少一个客户中确定目标客户。

在一个实施例中，还包括：提取所述风险评分小于等于阈值的至少一个客户，将所述至少一个客户确定为目标客户。

在一个实施例中，还包括：基于所述风险评分和所述利润评分为所述目标客户确定资源服务策略。利润评分模型辅助风险评分模型，为已经拒贷的客户生成拒贷捞回策略，以在已经拒贷的客户中筛选出可进行资源服务的客户，这种方式能够提高交易通过率以及公司的盈利。

在一个实施例中，可例如风险模型拒贷的客户预估年化风险是正常通过客户的2倍，假设正常通过客户年化风险为6％，则被拒贷客户年化风险阈值可为12％。在这部分拒贷客户中，如果有客户的实际IRR为33％，减去年化风险12％以及成本，这部分客户还是可以给公司运营带来利润的。

根据本公开的资源目标客户确定方法，基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取所述风险评分大于阈值的至少一个客户；基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及基于所述利润评分由所述至少一个客户中确定目标客户的方式，能够通过风险和利润等多个角度对目标用户进行筛选，提高整体资源服务的通过率，提升公司利润。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种资源目标客户确定方法的流程图。图3所示的流程是对图2所示的流程中S208“基于所述利润评分由所述至少一个客户中确定目标客户”的详细描述。

如图3所示，在S302中，将所述至少一个客户按照其对应的利润评分进行排序。

在S304中，基于风险支出和成本支出确定内部收益率。

在S306中，基于所述排序结果依次将所述至少一个客户中利润评分大于所述内部收益率的客户作为所述目标客户。

对于拒贷客群，使用利润评分模型预估该拒贷客群的实际IRR，从大到小排序，选择头部客群可以捞回通过，捞回原则是捞回客群的实际IRR可以覆盖风险以及成本，例如捞回群体的实际IRR为33％，减去年化风险12％以及成本，这部分客户还是可以给公司运营带来利润的。

图4是根据另一示例性实施例示出的一种资源目标客户确定方法的示意图。图4是对“通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分”的详细描述。

在一个实施例中，可例如通过历史客户的还款信息对梯度提升决策树模型进行训练。

GBDT(Gradient Boosting Decision Tree)是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来作为最终答案。在一个实施例中，GBDT是通过采用加法模型(即基函数的线性组合)，对历史客户的还款信息进行分析计算，不断减小训练过程产生的残差来达到将数据分类或者回归的算法。GBDT寻找的是最优函数F，每次将损失函数对F求偏导得到负梯度，通过拟合这个负梯度使得损失函数最小化。GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，弱分类器一般选择CART树，但是每个分类回归树的深度不会很深，最终的风险评分是将每轮训练得到的弱分类器的结果加权求和得到的。

图5是根据另一示例性实施例示出的一种资源目标客户确定方法的示意图。图5是对“通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分”的详细描述。

在一个实施例中，可例如通过历史客户的收益信息对卡方自动交互检测决策树模型进行训练。

卡方自动交互检测法(chi-squared automatic interaction detector,CHAID)是一个用来发现史客户的基础信息和其对应的收益信息之间关系的工具。CHAID可用于预测以及分类，并用于检测变量之间的相互作用。在一个实施例中，根据给定的历史用户的收益信息和其对应的基础信息对样本进行最优分割，按照卡方检验的显著性进行多元列联表的自动判断分组，以将历史用户分为不同的组别，每个组别对应一个收益率。利用卡方自动交互检测法可以快速、有效地挖掘出主要的影响因素，它不仅可以处理非线性和高度相关的数据，而且可以将缺失值考虑在内，能克服传统的参数检验方法在这些方面的限制。

卡方自动交互检测法的分类过程是：首先选定分类的反应变量，然后用解释变量与反应变量进行交叉分类，产生一系列二维分类表，分别计算二维分类表的特征值，以特征值最小的二维表作为最佳初始分类表，在最佳二维分类表的基础上继续使用解释变量对反应变量进行分类，重复上述过程直到特征值大于设定的有统计意义的阈值为止。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图6是根据一示例性实施例示出的一种资源目标客户确定装置的框图。如图6所示，资源目标客户确定装置60包括：风险模块602，提取模块604，利润模块606，目标模块608。

风险模块602用于基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；

提取模块604用于提取所述风险评分大于阈值的至少一个客户；所述提取模块604包括：阈值单元，用于通过历史经验数据确定所述阈值；以及比较单元，用于将所述多个客户的风险评分与所述阈值进行比较以提取所述至少一个客户。

利润模块606用于基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及

目标模块608用于基于所述利润评分由所述至少一个客户中确定目标客户。所述目标模块608包括：排序单元，用于将所述至少一个客户按照其对应的利润评分进行排序；目标单元，用于基于排序结果和预设条件由所述至少一个客户中确定目标客户。所述目标单元，还用于基于风险支出和成本支出确定内部收益率；以及基于所述排序结果依次将所述至少一个客户中利润评分大于所述内部收益率的客户作为所述目标客户。

图7是根据另一示例性实施例示出的一种资源目标客户确定装置的框图。如图7所示，资源目标客户确定装置70包括：第一训练模块702，第二训练模块704，客户模块706，策略模块708。

第一训练模块702用于通过历史客户的还款信息对第一机器学习模型进行训练，生成所述风险评分模型，所述风险评分模型用于生成客户违约还款的风险评分。所述第一训练模块702还用于通过历史客户的还款信息对梯度提升决策树模型进行训练。

第二训练模块704用于通过历史客户的收益信息对第二机器学习模型进行训练，生成所述利润评分模型，所述利润评分模型用于生成客户带来的年化收益的利润评分。所述第二训练模块704还用于通过历史客户的收益信息对卡方自动交互检测决策树模型进行训练。

客户模块706用于提取所述风险评分小于等于阈值的至少一个客户，将所述至少一个客户确定为目标客户。

策略模块708用于基于所述风险评分和所述利润评分为所述目标客户确定资源服务策略。

根据本公开的资源目标客户确定装置，基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取所述风险评分大于阈值的至少一个客户；基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及基于所述利润评分由所述至少一个客户中确定目标客户的方式，能够通过风险和利润等多个角度对目标用户进行筛选，提高整体资源服务的通过率，提升公司利润。

图8是根据一示例性实施例示出的一种电子设备的框图。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2，图3中所示的步骤。

所述存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

所述存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备800’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图9所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；提取所述风险评分大于阈值的至少一个客户；基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及基于所述利润评分由所述至少一个客户中确定目标客户。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (6)

1.一种资源目标客户确定方法，其特征在于，包括：

通过历史客户的还款信息对梯度提升决策树模型进行训练，梯度提升决策树通过基函数的线性组合，对历史客户的还款信息进行分析计算，不断减小训练过程产生的残差来将数据分类或者回归，进而生成风险评分模型，所述风险评分模型将每轮训练得到的结果加权求和生成客户违约还款的风险评分；

通过历史客户的收益信息对卡方自动交互检测决策树模型进行训练，卡方自动交互检测决策树模型根据给定的历史用户的收益信息和其对应的基础信息对样本进行最优分割，按照卡方检验的显著性进行多元列联表的自动判断分组，从而生成利润评分模型，所述利润评分模型进行多元列联表的自动判断分组，每个组别对应一个收益率，进而生成客户带来的年化收益的利润评分；

基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；

提取所述风险评分大于阈值的至少一个客户；

基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及

将所述至少一个客户按照其对应的利润评分进行排序；

基于风险支出和成本支出确定内部收益率；

基于排序结果依次将所述至少一个客户中利润评分大于所述内部收益率的客户作为目标客户；

在目标客户为无效客户时，对所述目标客户进行捞回处理；

基于所述风险评分和所述利润评分为所述目标客户确定资源服务策略。

2.如权利要求1所述的方法，其特征在于，提取所述风险评分大于阈值的至少一个客户，包括：

通过历史经验数据确定所述阈值；以及

将所述多个客户的风险评分与所述阈值进行比较以提取所述至少一个客户。

3.一种资源目标客户确定装置，其特征在于，包括：

第一训练模块，用于通过历史客户的还款信息对梯度提升决策树模型进行训练，梯度提升决策树通过基函数的线性组合，对历史客户的还款信息进行分析计算，不断减小训练过程产生的残差来将数据分类或者回归，进而生成风险评分模型，所述风险评分模型将每轮训练得到的结果加权求和生成客户违约还款的风险评分；

第二训练模块，用于通过历史客户的收益信息对卡方自动交互检测决策树模型进行训练，卡方自动交互检测决策树模型根据给定的历史用户的收益信息和其对应的基础信息对样本进行最优分割，按照卡方检验的显著性进行多元列联表的自动判断分组，从而生成利润评分模型，所述利润评分模型进行多元列联表的自动判断分组，每个组别对应一个收益率，进而生成客户带来的年化收益的利润评分；

风险模块，用于基于多个客户的资源信息和风险评分模型确定所述多个客户的风险评分；

提取模块，用于提取所述风险评分大于阈值的至少一个客户；

利润模块，用于基于所述至少一个客户的资源信息和利润评分模型确定所述至少一个客户的利润评分；以及

目标模块，用于将所述至少一个客户按照其对应的利润评分进行排序；基于风险支出和成本支出确定内部收益率；基于排序结果依次将所述至少一个客户中利润评分大于所述内部收益率的客户作为目标客户基于所述风险评分和所述利润评分为所述目标客户确定资源服务策略。

4.如权利要求3所述的装置，其特征在于，所述提取模块，包括：

阈值单元，用于通过历史经验数据确定所述阈值；以及

比较单元，用于将所述多个客户的风险评分与所述阈值进行比较以提取所述至少一个客户。

5.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。

6.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-2中任一所述的方法。