TWI721446B - 基於歸戶大數據的個人信用評分方法 - Google Patents
基於歸戶大數據的個人信用評分方法 Download PDFInfo
- Publication number
- TWI721446B TWI721446B TW108119450A TW108119450A TWI721446B TW I721446 B TWI721446 B TW I721446B TW 108119450 A TW108119450 A TW 108119450A TW 108119450 A TW108119450 A TW 108119450A TW I721446 B TWI721446 B TW I721446B
- Authority
- TW
- Taiwan
- Prior art keywords
- customer
- information
- credit
- big data
- scoring
- Prior art date
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000012546 transfer Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 238000007477 logistic regression Methods 0.000 claims 1
- 238000012552 review Methods 0.000 description 6
- 208000034188 Stiff person spectrum disease Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000007115 recruitment Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種個人信用評分方法包含：根據客戶的聯徵資訊，決定客戶所屬的客群類型；利用機器學習演算法分析多筆相關於多個特徵參數的參考歸戶大數據，以獲得對應於客群類型的評分模型，其相關於多個選自該等特徵參數的代表特徵參數；蒐集客戶的歸戶大數據，其包含客戶的基本資訊、金融資產資訊、聯徵資訊、關聯戶資訊、住房房價資訊、生活機能資訊、平均所得資訊及數位足跡資訊，及客戶持有之行動裝置的定位及通訊資訊；自歸戶大數據擷取出多個對應於該等代表特徵參數的資料部分；及根據該等資料部分及評分模型，獲得客戶的個人信用評分結果。
Description
本發明是有關於個人信用評分，特別是指一種基於歸戶大數據的個人信用評分方法。
目前市場上所使用的現有個人信用評分方式通常可採用決策樹迴歸或羅吉斯迴歸方式來分析客戶基本資料，或進一步分析聯徵中心所提供的個人信用資料，以預測客戶的信用風險。例如，由聯徵中心研發之J10(即，個人信用評分產品)以羅吉斯迴歸方式分析一家或多家銀行所提供對於同一客戶的歷史個人信用資料，以估算出該客戶的信用評分，藉此信用評分來預測該客戶的信用風險。
然而，在上述現有個人信用評分方式中，對於作為分析基礎的客戶基本資料及個人信用資料，在資料豐富度與資料多元性方面仍有很大的改良空間，特別是，在未考量客戶在非金融行為上所呈現的風險態樣的情況下所預測的客戶信用風險亦恐欠缺風險評估上的完整性。
因此，本發明的目的，即在提供一種基於歸戶大數據的個人信用評分方法，其能克服現有技術的至少一缺點。
於是，本發明所提供的一種基於歸戶大數據的個人信用評分方法用於評分一銀行機構的一客戶，且利用一評分系統來執行，並包含以下步驟：根據來自於一聯徵機構且有關該客戶的聯徵資訊，決定該客戶所屬的一客群類型；利用機器學習演算法分析多筆相關於多個參數且分別對應於多個屬於該客群類型的參考客戶的參考歸戶大數據，以獲得一對應於該客群類型的評分模型，該評分模型相關於多個選自該等參數且代表該客群類型的代表特徵參數；蒐集相關於該客戶的歸戶大數據，該歸戶大數據包含來自於該銀行機構且有關該客戶的基本資訊及金融資產資訊，該聯徵資訊，有關該客戶的關聯戶資訊，相關於該客戶的居住地理區域的住房房價資訊、生活機能資訊及平均所得資訊，相關於該客戶所持有的一行動裝置的定位及通訊資訊，以及相關於該客戶的數位足跡資訊；自所蒐集的該歸戶大數據，擷取出多個分別對應於該等代表特徵參數的目標資料部分；及根據該等目標資料部分及該評分模型，獲得該客戶的個人信用評分結果。
在一些實施態樣中，每筆參考歸戶大數據包含相關於該等參考客戶其中一個對應參考客戶的參考基本資訊、參考關聯戶
資訊、參考金融資產資訊、參考聯徵資訊、參考住房房價資訊、參考生活機能資訊、參考平均所得資訊、參考定位及通訊資訊、及參考數位足跡資訊。
在一些實施態樣中，該行動裝置安裝有一應用程式，且藉由該應用程式的執行將該定位及通訊資訊傳送至該個人信用評分系統。
在一些實施態樣中，該關聯戶資訊包含指示出與該客戶的同一家戶的信用卡管制狀況的家庭關聯資料、指示出該客戶於一預定歷史期間所有轉帳交易的相關戶的信用卡平均刷卡額的金流關聯資料、及指示出有關該銀行機構居住於該居住地理區域的其他客戶的無擔保平均授信額的地緣關聯資料。
在一些實施態樣中，該數位足跡資訊由至少一電商平台提供，並包含有關於該客戶於一預定歷史期間在該至少一電商平台所執行之交易的交易資訊。
在一些實施態樣中，該機器學習演算法包含線性迴歸演算法及羅吉斯迴歸演算法其中至少一者。
在一些實施態樣中，該個人信用評分結果包含該客戶被評為一相對壞信用的機率及該客戶被評為一相對好信用的機率其中至少一者。
在一些實施態樣中，該評分模型包含一相關於該等代
表特徵參數並代表該客戶被評為相對好信用之機率p對於該客戶被評為相對壞信用之機率(1-p)之勝算比Odds的關係式，以及一有關於該等代表特徵參數的建模代表值查找表，該關係式被表示成ln(Odds)=β 0+β 1 X 1+β 2 X 2+β 3 X 3+…+β n X n
其中
，β 0~β n 代表迴歸係數，且X 1~X n 代表多個分別對應於
該等代表特徵參數且根據該等目標資料部分從該建模代表值查找表查找出的建模代表值。
本發明之功效在於：由於該歸戶大數據不僅含有該客戶的該基本資訊、該金融資產資訊及該聯徵資訊，還包含該關聯戶資訊、該客戶所持之行動裝置的該定位及通訊資訊、該住房房價資訊、該生活機能資訊、該平均所得資訊及該數位足跡資訊，因此充分呈現資料的豐富度及多元性。特別是，該歸戶大數據將客戶在非金融行為上所呈現的風險態樣納入考量。於是，基於此歸戶大數據所獲得的評分模型能以相對完整的方式來估測該客戶的個人信用評分。
100:評分系統
1:資料伺服器
2:評分伺服器
21:客群決定模組
22:建模模組
23:目標資料擷取模組
24:評分模組
200:通訊網路
300:銀行資料伺服器
400:電商平台
500:行動裝置
600:聯徵資料伺服器
700:不動產資訊平台
800:所得資訊平台
S21~S26:步驟
本發明之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，示例性地繪示一評分系統，以及相關的伺服器
與平台；及圖2是一流程圖，示例性地說明該評分系統如何執行本發明實施例基於歸戶大數據的個人信用評分方法。
在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1，所繪示的一評分系統100是用來實施本發明實施例基於歸戶大數據的個人信用評分方法。該個人信用評分方法是用於評分一銀行機構的一客戶。在本實施例中，該評分系統100例如包含一資料伺服器1、及一評分伺服器2。
該資料伺服器1可經由一通訊網路200(例如網際網路)連接一由該銀行機構所提供的銀行資料伺服器300、一個或多個電商平台400(圖1僅顯示一個)、該客戶所持的一行動裝置500(例如智慧型手機)、一由一聯徵機構(例如聯徵中心)所提供的聯徵資料伺服器600，以及例如，但不限於，由政府機構所提供的一不動產資訊平台700及一所得資訊平台800。
在本實施例中，該銀行資料伺服器300可使實際需要提供其每一客戶的基本資訊(例如包含年齡、學歷、婚姻情況、居屋情況、家戶成員情況等資訊，但不在此限)、金融資產資訊(例如包含
帳戶總覽情況、所購買金融商品等資訊，但不在此限)。該帳戶總覽狀況除了包含帳戶往來及定存紀錄外，還含有例如最近半年內的平均儲蓄總額、例如最近一年的最低儲蓄活存總額、最近一個月台幣轉出次數、最近一年的台幣轉入總金額等。該(等)電商平台400可為該客戶在例如最近半年內執行網路交易的購物平台，如Yahoo購物中心，並且可視實際需要提供例如有關該客戶在最近半年內的每月平均交易金額、及每月平均正評數量等，但不在此限。該行動裝置500安裝有一應用程式，並在該應用程式被執行時，可經由該通訊網路200例如將該行動裝置500的定位資料(如GPS位置)，以及已儲存的通訊錄筆數及於例如最近三個月內所接獲的信用卡交易通知簡訊、催收簡訊及催收電郵等的數量資訊傳送至該資料伺服器1。該聯徵資料伺服器600可視實際需要提供任一客戶的聯徵資訊，此聯徵資訊包含負債情況資訊(如無擔保授信總餘額、房貸總餘額、信用卡循環總餘額、當期/近期無擔保餘額成長率等)、信用狀況資訊(如所持有信用卡的卡數、所持有信用卡的發卡銀行家數、信用卡繳款延滯月份數、信用卡延滯金額等)、及信用卡額度資訊(如所持有信用卡的額度總和、所持有每一信用卡的當期額度使用率等)。該不動產資訊平台700可視實際需要提供任一居住區域(例如市、區、里、村、鄰等)於例如最近一年居住區域的住房平均房價、及於例如最近半年居住區域的住房房價成長率等。該所得資訊平台800可視
實際需要提供任一居住區域(例如市、區、里、村、鄰等)的家戶(每月)平均所得。
該評分伺服器2連接該資料伺服器1，且例如包含一客群決定模組21、一建模模組22、一目標資料擷取模組23、及一評分模組24。在本實施例中，該客群決定模組21、該建模模組22、該目標資料擷取模組23及該評分模組24其中每一者能以硬體、軟體或韌體之形式來實施。
以下，參閱圖1及圖2來示例地說明該評分系統100如何在結合該銀行資料伺服器300、該電商平台400、該行動裝置500、該聯徵資料伺服器600、該不動產資訊平台700及該所得資訊平台800的情況下執行該個人信用評分方法。該個人信用評分方法包含以下步驟S21~S26。
首先，當該評分系統100接收到該客戶的一評分請求時，在步驟S21中，該資料伺服器1經由與該聯徵資料伺服器600的通訊且根據該評分請求所包含的該客戶的身分識別資歷(例如，身分字號)獲得來自該聯徵資料伺服器600且有關於該客戶的聯徵資訊，並將該聯徵資料傳送至該評分伺服器21。值得注意的是，在本實施例中，該評分請求例如可由該銀行機構所提供的一風險管理系統(圖未示)所發出，但不以此為限，該風險管理系統可利用該客戶的個人信用評分而推估該客戶所屬的風險等級，以利該銀行機構的
授信審核處理。在本實施例中，該聯徵資訊例如包含該客戶的負債情況資訊(如無擔保授信總餘額、房貸總餘額、信用卡循環總餘額、當期/近期無擔保餘額成長率等)、信用狀況資訊(如所持有信用卡的卡數、所持有信用卡的發卡銀行家數、信用卡繳款延滯月份數、信用卡延滯金額等)、及信用卡額度資訊(如所持有信用卡的額度總和、所持有每一信用卡的當期額度使用率等)。
然後，在步驟S22中，該客群決定模組21根據來自於該資料伺服器1的該聯徵資料決定該客戶所屬的一客群類型。舉例來說，若該客群決定模組21經由分析該聯徵資訊，而判定出該客戶與金融機構往來期間較短或該客戶的信用資訊內容較少時，該客群決定模組21決定將該客戶歸屬於「信用資訊不足」的客群類型；若該客群決定模組21經由分析該聯徵資訊，而判定出該客戶持有循環型產品或已進行預借現金交易時，該客群決定模組21決定將該客戶歸屬於「高資金需求」的客群類型；若該客群決定模組21經由分析該聯徵資訊，而判定出該客戶僅持有信用卡(無任何授信產品)且全額繳清信用卡的刷卡費時，該客群決定模組21決定將該客戶歸屬於「全額繳清」的客群類型，但不以此例為限。在使用時，該客群決定模組21可依實際需求制定新的客群類型，或修改每一客群類型的條件。
之後，在步驟S23中，該建模模組22在獲得該客群決定
模組21所決定的該客戶類型後，利用機器學習演算法分析預先儲存或獲得的多筆相關於多個特徵參數且分別對應於多個屬於該客群類型的參考客戶的參考歸戶大數據，以獲得一對應於該客群類型的評分模型。在本實施例中，該機器學習演算法例如包含線性迴歸演算法及羅吉斯迴歸演算法其中至少一者。另一方面，該等參考客戶例如為該銀行機構之客戶，而該等筆參考歸戶大數據可由該銀行機構所預先提供或者由該資料伺服器1預先蒐集而獲得。值得注意的是，每筆參考歸戶大數據包含相關於該等參考客戶其中一個對應參考客戶的參考基本資訊(包含年齡、學歷、婚姻情況、居屋情況、家戶成員情況等資訊)、參考關聯戶資訊(包含指示出與該對應參考客戶的同一家戶的信用卡管制狀況的家庭關聯資料、指示出該客戶於一預定歷史期間所有交易的相關戶(可包含轉出戶及/或轉入戶)的信用卡平均刷卡額的金流關聯資料、及指示出有關該銀行機構居住於該居住地理區域的其他客戶的無擔保平均授信額的地緣關聯資料)、參考金融資產資訊(包含帳戶總覽情況、所購買金融商品等資訊)、參考聯徵資訊(包含負債情況資訊、信用狀況資訊及信用卡額度資訊)、參考住房房價資訊、參考生活機能資訊(包含居住區域的相關設施資訊)、參考平均所得資訊、參考定位及通訊資訊(包含該對應參考客戶所持行動裝置的定位資料、已儲存的通訊錄筆數、及最近三個月內所接獲的信用卡交易通知簡訊、催收簡訊及催收電郵
等的數量資訊)、及參考數位足跡資訊(包含該對應參考客戶於最近半年在電商平台所執行之交易的交易資訊)。此外，為了具體說明，僅簡單示例地說明該等特徵參數可包含「學歷」、「婚姻」、「居屋」、「年齡」、「同一家戶是否有信用卡管制戶」、「無擔保授信總餘額」、「房貸總餘額」、「信用卡循環總餘額」、「當期/近期無擔保餘額成長率」、「持有信用卡卡數」、「信用卡繳款延滯月份數」、「信用卡延滯金額」、「最近三個月最高他行信用卡額度」、「活動範圍」、「通訊錄筆數」、「最近三個月催收簡訊的數量」、「最近三個月信用卡交易結果通知簡訊的數量」、「最近三個月催收電郵的數量」、「所有轉帳交易的相關戶(可包含轉出戶及/或轉入戶)的信用卡平均刷卡額」、「同一行政區域之客戶的無擔保平均授信額」、「最近半年在電商平台的平均交易金額與平均正評數量」、「最近半年的平均儲蓄總額、最近一年的最低儲蓄活存總額」、「最近一個月台幣轉出次數」、「最近一年的台幣轉入總金額」、「最近一年居住區域的住房平均房價」、「最近半年居住區域的住房房價成長率」、「居住區域的大型百貨數量」、「居住區域的便利商店數量」、「居住區域的嫌惡設施數量」、「居住區域的每月平均所得」等，但不以此為限，而該等參數仍可視實際情況而增減。
值得注意的是，在本實施例中，該機器學習演算法透過
具多元化且相對完整的該等筆參考歸戶大數據的訓練與學習，藉此決定出能充分反映該客群類型的多個選自該等特徵參數的代表特徵參數。因此，該評分模型僅相關於能代表該客群類型的該等代表特徵參數。另外，在本實施例中，該評分模型例如包含一相關於該等代表特徵參數並代表該客戶被評為相對好信用之機率p對於該客
戶被評為相對壞信用之機率(1-p)之勝算比Odds(即，
)的
關係式，以及一有關於該等代表特徵參數的建模代表值查找表(圖未示)，該關係式被表示以下式(1)：ln(Odds)=β 0+β 1 X 1+β 2 X 2+β 3 X 3+…+β n X n ............(1)其中，β 0~β n 代表迴歸係數，且X 1~X n 代表多個分別對應於該等代表特徵參數且可從該建模代表值查找表查找出的建模代表值。
舉例來說，若該客戶被該客群決定模組21於步驟S22決定為「高資金需求」的客群類型時，該建模模組22所決定的該等代表特徵參數例如為(選自該等特徵參數的)十個特徵參數，且分別為「學歷」、「房貸總餘額」、「持有信用卡卡數」、「最近三個月最高他行信用卡額度」、「最近一個月台幣轉出次數」、「通訊錄筆數」、「最近半年的平均儲蓄總額」、「居住區域的每月平均所得」、「同一家戶是否有信用卡管制戶」及「最近半年在電商平台的平均正評數量」。該評分模型所包含的該關係式被表示成以下式(2)：
其中，β 0=7.4377，β 1=0.0104，β 2=0.00187，β 3=0.00376，β 4=0.0026，β 5=0.00489，β 6=0.00188，β 7=0.0044，β 8=0.00586，β 9=0.00399，β 10=0.00649。
另一方面，跟隨在步驟S21的步驟S24中，該資料伺服器1透過與該銀行資料伺服器300、該(等)電商平台400、該行動裝置500、該聯徵資料伺服器600、該不動產資訊平台700及該所得資產平台800，蒐集相關於該客戶的歸戶大數據。在本實施例中，該歸戶大數據例如包含有關該客戶的基本資訊、金融資產資訊、該聯徵資訊、關聯戶資訊、住房房價資訊、生活機能資訊、平均所得資訊、定位及通訊資訊及數位足跡資訊。以下將進一步示例地詳細說明前述資訊的內容。
該基本資訊及該金融資產資訊是由該銀行資料伺服器300提供。如上所述，該基本資訊例如包含該客戶的年齡、學歷、婚姻情況、居屋情況、家戶成員情況等資訊，但不在此限，而該金融資產資訊例如包含該客戶的(銀行)帳戶總覽情況、所購買金融商品等資訊，但不在此限。應注意的是，該帳戶總覽狀況除了包含帳戶往來及定存紀錄外，還含有例如最近半年內的平均儲蓄總額、例如最近一年的最低儲蓄活存總額、最近一個月台幣轉出次數、最近一年的台幣轉入總金額等。
該關聯戶資訊例如包含由該銀行資料伺服器300所提供且指示出與該考客戶的同一家戶的信用卡管制狀況的家庭關聯資料、指示出有關該客戶於一預定歷史期間(例如最近一年內)所有轉帳交易的相關戶的信用卡平均刷卡額的金流關聯資料、及指示出有關該銀行機構居住於該居住地理區域的其他客戶的無擔保平均授信額的地緣關聯資料。該資料伺服器1在獲得來自於該銀行資料伺服器300的所有受款方後，根據該聯徵資料伺服器600所提供的所有受款方的信用卡刷卡資料獲得該金流關聯資料。該地緣關聯資料是由該銀行資料伺服器300提供。
該住房房價資訊是由該不動產資訊平台提供，並且例如包含相關於該客戶的居住地理區域(例如市、區、里、村、鄰等)於例如最近一年居住區域的住房平均房價、及於例如最近半年該居住區域的住房房價成長率等。藉由該住房房價資訊可推估該居住地理區域的住房房價水準。
該生活機能資訊是由該資料伺服器1本身進行蒐集而獲得，並且例如包含位於該居住地理區域的大型百貨、便利商店及嫌惡設施等的數平均所得資訊、定位及通訊資訊及數位足跡資訊量資料。藉由該生活機能資訊可推估該居住地理區域的生活機能水準。
該平均所得資訊是由該所得資訊平台800，並且例如包
含該居住地理區域的家戶(每月)平均所得資料。藉由該平均所得資訊可推估該居住地理區域的富裕程度。
該定位及通訊資訊是由該行動裝置500提供，並且例如包含該行動裝置500的定位資料(如GPS位置)，以及已儲存的通訊錄筆數及於例如最近三個月內所接獲的信用卡交易通知簡訊、催收簡訊及催收電郵等的數量資訊。藉由該定位資料可獲得該客戶的活動範圍。
該數位足跡資訊是由該(等)電商平台400提供，並且例如包含該客戶在最近半年內的每月平均交易金額、及每月平均正評數量等的資料。
跟隨在步驟S23及步驟S24之後的步驟S25中，該目標資料擷取模組23自該歸戶大數據，擷取出多個分別對應於該等代表特徵參數的目標資料部分。
最後，在步驟S26中，該評分模組24根據步驟S25所擷取的該等目標資料部分及步驟23所建立的該評分模型，獲得該客戶的個人信用評分結果。值得注意的是，在本實施例中，該個人信用評分結果包含該客戶被評為一相對壞信用的機率及該客戶被評為一相對好信用的機率其中至少一者。更明確地，上述關係式(即，式(1))中的建模代表值X 1~X n 可根據該等目標資料部分從查找該建模代表值查找表而獲得。
舉例來說，若沿用上述範例，也就是在該等代表特徵參數為「學歷」、「房貸總餘額」、「持有信用卡卡數」、「最近三個月最高他行信用卡額度」、「最近一個月台幣轉出次數」、「通訊錄筆數」、「最近半年的平均儲蓄總額」、「居住區域的每月平均所得」、「同一家戶是否有信用卡管制戶」及「最近半年在電商平台的平均正評數量」且該關係式為式(2)的情況下，對應於該等代表特徵參數的該等目標資料部分，以及查找出的該等建模代表值X 1~X 10如下表1所示。
至此，該個人信用評分方法執行完畢。該評分系統100可進一步將所獲得之該客戶的個人信用評分結果例如傳送至該風險管理系統，以作為其推估該客戶所屬風險等級的參考。
綜上所述，由於本發明個人信用評估方法所蒐集的該歸戶大數據不僅含有該客戶的該基本資訊、該金融資產資訊及該聯徵資訊，還包含該關聯戶資訊、該客戶所持之行動裝置的該定位及通訊資訊、該住房房價資訊、該生活機能資訊、該平均所得資訊及該數位足跡資訊，因此充分呈現資料的豐富度及多元性。特別是，該歸戶大數據將客戶在非金融行為上所呈現的風險態樣納入考量。於是，基於此歸戶大數據所獲得的評分模型能以相對完整且精準的方式來估測該客戶的個人信用評分。故確實能達成本發明的目的。
惟以上所述者，僅為本發明之實施例而已，當不能以此限定本發明實施之範圍，凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。
S21-S26:步驟
Claims (4)
- 一種基於歸戶大數據的個人信用評分方法，用於評分一銀行機構的一客戶，且利用一評分系統來執行，並包含以下步驟：根據來自於一聯徵機構且有關該客戶的聯徵資訊，決定該客戶所屬的一客群類型；利用含線性迴歸演算法及羅吉斯迴歸演算法其中至少一者的機器學習演算法分析多筆相關於多個特徵參數且分別對應於多個屬於該客群類型的參考客戶的參考歸戶大數據，以獲得一對應於該客群類型的評分模型，每筆參考歸戶大數據包含相關於該等參考客戶其中一個對應參考客戶的參考基本資訊、參考關聯戶資訊、參考金融資產資訊、參考聯徵資訊、參考住房房價資訊、參考生活機能資訊、參考平均所得資訊、參考定位及通訊資訊、及參考數位足跡資訊，該評分模型相關於多個選自該等特徵參數且代表該客群類型的代表特徵參數，該評分模型包含一相關於該等代表特徵參數並代表該客戶被評為相對好信用之機率p對於該客戶被評為相對壞信用之機率(1-p)之勝算比Odds的關係式，以及一有關於該等代表特徵參數的建模代表值查找表，該關係式被表示成ln(Odds)=β 0+β 1 X 1+β 2 X 2+β 3 X 3+…+β n X n 其中，β 0~β n 代表迴歸係數，且X 1~X n 代表多個分 別對應於該等代表特徵參數且根據該等目標資料部分從該建模代表值查找表查找出的建模代表值； 蒐集相關於該客戶的歸戶大數據，該歸戶大數據包含來自於該銀行機構且有關該客戶的基本資訊及金融資產資訊，該聯徵資訊，有關該客戶的關聯戶資訊，相關於該客戶的居住地理區域的住房房價資訊、生活機能資訊及平均所得資訊，相關於該客戶所持有的一行動裝置的定位及通訊資訊，以及相關於該客戶的數位足跡資訊；自所蒐集的該歸戶大數據，擷取出多個分別對應於該等代表特徵參數的目標資料部分；及根據該等目標資料部分及該評分模型，獲得該客戶的個人信用評分結果，該個人信用評分結果包含該客戶被評為一相對壞信用的機率及該客戶被評為一相對好信用的機率其中至少一者。
- 如請求項1所述的基於歸戶大數據的個人信用評分方法，其中，該行動裝置安裝有一應用程式，且藉由該應用程式的執行將該定位及通訊資訊傳送至該個人信用評分系統。
- 如請求項1所述的基於歸戶大數據的個人信用評分方法，其中，該關聯戶資訊包含指示出與該客戶的同一家戶的信用卡管制狀況的家庭關聯資料、指示出有關該客戶於一預定歷史期間所有轉帳交易的相關戶的信用卡平均刷卡額的金流關聯資料、及指示出有關該銀行機構居住於該居住地理區域的其他客戶的無擔保平均授信額的地緣關聯資料。
- 如請求項1所述的基於歸戶大數據的個人信用評分方法，其中，該數位足跡資訊由至少一電商平台提供，並包含有 關於該客戶於一預定歷史期間在該至少一電商平台所執行之交易的交易資訊。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108119450A TWI721446B (zh) | 2019-06-05 | 2019-06-05 | 基於歸戶大數據的個人信用評分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108119450A TWI721446B (zh) | 2019-06-05 | 2019-06-05 | 基於歸戶大數據的個人信用評分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202046207A TW202046207A (zh) | 2020-12-16 |
| TWI721446B true TWI721446B (zh) | 2021-03-11 |
Family
ID=74668437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108119450A TWI721446B (zh) | 2019-06-05 | 2019-06-05 | 基於歸戶大數據的個人信用評分方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI721446B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI837971B (zh) * | 2021-12-17 | 2024-04-01 | 日商樂天集團股份有限公司 | 結帳系統、結帳手段之加值方法、及程式產品 |
| TWI848819B (zh) * | 2022-09-16 | 2024-07-11 | 新加坡商樂天亞洲私人有限公司 | 資訊處理裝置、資訊處理方法及程式產品 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102656587A (zh) * | 2009-08-13 | 2012-09-05 | 赛门铁克公司 | 在信誉系统中使用客户端装置的置信量度 |
| CN106779457A (zh) * | 2016-12-29 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业信用评估方法及系统 |
-
2019
- 2019-06-05 TW TW108119450A patent/TWI721446B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102656587A (zh) * | 2009-08-13 | 2012-09-05 | 赛门铁克公司 | 在信誉系统中使用客户端装置的置信量度 |
| CN102656587B (zh) | 2009-08-13 | 2016-06-08 | 赛门铁克公司 | 在信誉系统中使用客户端装置的置信量度 |
| CN106779457A (zh) * | 2016-12-29 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业信用评估方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI837971B (zh) * | 2021-12-17 | 2024-04-01 | 日商樂天集團股份有限公司 | 結帳系統、結帳手段之加值方法、及程式產品 |
| TWI848819B (zh) * | 2022-09-16 | 2024-07-11 | 新加坡商樂天亞洲私人有限公司 | 資訊處理裝置、資訊處理方法及程式產品 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202046207A (zh) | 2020-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ndungu et al. | Assessment of factors influencing adoption of agency banking in Kenya: The case of Kajiado North Sub County | |
| Sakanko et al. | The effect of electronic payment systems on financial performance of microfinance banks in Niger State | |
| KR101955546B1 (ko) | 대출 중개 플랫폼 시스템 및 신용도평가 장치와 그 방법 | |
| KR20190095896A (ko) | 블록체인 참여자 보상 방법 및 시스템 | |
| JP2019114019A (ja) | 情報処理装置、判定方法及びプログラム | |
| US8788413B2 (en) | System and method for managing related accounts | |
| Rahman | Bkash vs. Bank-led option: Factors influencing customer’s preferences–does it warrant voluntary-insurance-policy for rapid-growth digital-banking in Bangladesh-economy? | |
| Panza et al. | Hidden in plain sight: Correspondent banking in the 1930s | |
| Nguyen et al. | Consumer Payment Behaviour in Australia| Bulletin–June 2023 | |
| TWI721446B (zh) | 基於歸戶大數據的個人信用評分方法 | |
| JP2009087091A (ja) | 仮想空間提供システム及び仮想空間提供方法 | |
| JP6411562B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20140372195A1 (en) | Electronic reward system | |
| KR102468220B1 (ko) | 외부 온라인 계정에 대한 활동가치 평가를 기반으로 하는 주식 거래 시스템 | |
| Howell et al. | Value increasing model in commercial e-banking | |
| US20150348081A1 (en) | System and method for managing deposit account rewards based on customizable payment card transaction details | |
| KR20190032305A (ko) | 대출 중개 플랫폼 시스템 및 신용도평가 장치 | |
| AGABONIFO et al. | An Assessment of the Role of ICT in the Readiness of Nigerian Bank Customers for the Introduction of Cashless Transactions. | |
| JP2018160258A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20110213704A1 (en) | Business customer community hub | |
| TWM582173U (zh) | Credit card quota management system | |
| Alfadri et al. | SWOT Analysis of The Application of Financial Technology in Mobile Services PT. Bank Syariah Indonesia | |
| Vidani | To study effectiveness of online payment modes | |
| JP7774135B2 (ja) | 利用者財務情報を管理するための方法 | |
| McLean et al. | An investigation of recent trends in the remittance industry: Evidence from Jamaica |