一种基于风控模型的放款风险预测方法及装置

本发明涉及跨境物流里的风控领域，尤其是涉及一种基于风控模型的放款风险预测方法及装置。

目前跨境物流里涉及到供应链金融的企业，特别是中小企业，他们有很强烈的放款需求，有一些出口企业，对出口退税也有很大需求。但涉及企业风险评估时，中小企业往往遇到评估分值低、放款周期长、资金周转困难的问题。

而对于提供这种金融服务的企业来说，如何正确评估中小企业的信誉，如何解决在放贷和退税过程中出现的周期长的问题，如何解决后期还款逾期等问题，都是对金融服务企业来说是一种挑战。

针对上述情况，本发明的目的是提供于风控模型的放款风险预测方法及装置。

为了实现上述目的，本发明采用的技术方案如下：

一方面，本发明提供了一种基于风控模型的放款风险预测方法，所述方法包括如下步骤：

获取放款申请人的综合信息数据；

基于第一风控模型对所述综合信息数据进行评估打分；

将所述评估打分的结果反馈给放款方；

所述申请人在被放款后，第二风控模型监控款项使用是否存在风险、以及监控定期还款情况；

根据所述风险及还款情况采取相应措施。

进一步地，在所述步骤“获取放款申请人的综合信息数据”中，具体包括：

获取预设时间段内所述申请人历史订单数据及结算数据；

通过第三方获取所述申请人的企业风险信息；

获取所述企业所在的行业价值信息。

进一步地，在所述步骤“基于第一风控模型对所述综合信息数据进行评估打分”中，所述第一风控模型指的是所述申请人被放款前所构建的，包括申请模型、反欺诈模型、价值模型及定价模型，所述评估打分具体为，

所述申请模型基于预设时间段内申请人历史订单数据及结算数据而构建对应的模型，得到基础评分；

所述反欺诈模型基于通过第三方获取所述申请人的企业风险信息进行评估打分；

所述价值模型基于所述企业所在的行业价值信息进行评估打分；

所述定价模型基于所述申请模型、反欺诈模型和价值模型的结果进行评估打分，采用减分制，得到一个综合评估结果。

进一步地，所述申请模型、反欺诈模型及价值模型中分别设置评分规则，根据所述评分规则对相应的数据或者信息进行评估打分。

进一步地，在所述步骤“所述申请人在被放款后，第二风控模型判断款项使用是否存在风险、以及监控定期还款情况”中，所述第二风控模型指的所述申请人被放款后所构建的，包括交易欺诈模型、还款模型，具体为，

所述交易欺诈模型根据所述申请人在收到放款后所进行的交易性质是否存在风险行为，若存在风险将风险信息汇入所述第一风控模型，将影响所述申请人下次申请放款时的评分；

所述还款模型会定期对周期内的还款金额进行实时计算，相应调整每个周期的还款额度。

进一步地，在所述步骤“根据所述风险及还款情况采取相应措施”中，具体为，所述第二风控模型还包括提前预警模型，如果发现所述申请人在还款周期内出现逾期情况，根据所述逾期程度产生预警，所述逾期程度包括轻度逾期和重度逾期。

进一步地，在所述步骤“根据所述风险及还款情况采取相应措施”中，具体为，所述第二风控模型还包括失联修复模型，当所述申请人出现失联或重度逾期时，所述申请人将会列入黑名单，不再对其进行评分以及不再享有申请放款的权利。

进一步地，所述第二风控模型还包括客户流失模型，对于曾被放款的优质申请人，有一段时间未曾申请过放款，可对所述优质申请人进行适当加分，并将所述加分加入至所述第一风控模型中。

另一方面，本发明提供了一种基于风控模型的放款风险预测装置，所述装置包括获取模块、第一风控模型、反馈模块及第二风控模型，其中，

所述获取模块，用于获取放款申请人的综合信息数据，包括获取预设时间段段内所述申请人历史订单数据及结算数据、通过第三方获取所述申请人的企业风险信息以及所述企业所在的行业价值信息；

所述第一风控模型，在所述申请人被放款前，用于对所述申请人的综合信息数据进行评估打分；

所述反馈模块，用于将所述评估打分的结果反馈给放款方，以及将所述放款方是否放款及放款额度信息反馈至风控模型；

所述第二风控模型，在所述申请人被放款后，用于监控款项使用是否存在风险、以及监控定期还款情况，并根据所述风险及还款情况采取相应措施。

本发明具有如下有益效果：本发明基于风控模型，第一，在放款前，可准确评估申请人的信誉度，有利于放款方决定是否放款及放款额度；第二，在放款后，可跟进款项使用是否存在风险及是否有逾期情况；第三，可针对风险和逾期问题采取风险预警或者其他措施；第四，还可跟进优质申请人的申请动态，以免优质客户流失。

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于风控模型的放款风险预测方法流程图；

图2为本发明实施例提供的一种基于风控模型的放款风险预测装置示意图。

为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，需要指出的是，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

一方面，本发明实施例提供了一种基于风控模型的放款风险预测方法流程图，如图1所示，所述方法包括如下步骤：

步骤S11，获取放款申请人的综合信息数据；

在所述步骤S11中，所述综合信息数据具体包括：获取预设时间段内所述申请人历史订单数据及结算数据；通过第三方获取所述申请人的企业风险信息；获取所述企业所在的行业价值信息。

所述预设时间段为预设的历史时间点到当前时间点之间的一段时间。本实施例中，预设时间段为预设的历史时间点到当前时间点之间的一段时间，预设时间段可以是预设的多个不同的时间段。在另一些实施例中，预设时间段也可以是第一历史时间点到第二历史时间点之间的一端时间，第二历史时间点晚于第一历史时间点。在本实施例中，预设时间段的时间长度可以是一周、一个月、三个月、六个月、一年等等。例如，放款申请人的放款申请额较大，那么可以选择时间长度较长的一个预设时间段，以保证评估结果的准确性；放款申请人的放款申请额较小，那么可以选择时间长度较小的一个预设时间段，以降低后续数据处理量。

所述历史订单数据及结算数据，包含客户的订单数量、成单率、订单金额、结算金额、逾期金额、逾期时长。另外如果客户不是第一次申请，那么还会获取历史放款及还款情况。

所述行业价值信息可以根据与所述申请人合作后带来的影响来决定加分还是减分，比如加分项包括带来更多的订单金额、更多的业界好评，又或者是更多的行业曝光度等，减分项则包括申请人有不恰当的举动，与其合作后会影响声誉、或是影响回款，又或者这个行业属于高危行业等等。

步骤S12，基于第一风控模型对所述综合信息数据进行评估打分；

所述第一风控模型指的是所述申请人被放款前所构建的，包括申请模型、反欺诈模型、价值模型及定价模型，所述申请模型、反欺诈模型及价值模型中分别设置评分规则，根据所述评分规则对相应的数据或者信息进行评估打分。所述评估打分具体为，

所述申请模型基于预设时间段内客户历史订单数据及结算数据而构建对应的模型，得到基础评分。例如，会以订单金额加上过往还款金额作为计算基础，划分5个基础分值梯度：

1)当基础金额大于0且小于10万时，给予基础评分20分；

2)大于10万且小于50万时，给予基础评分40分；

3)大于50万且小于200万时，给予基础评分60分；

4)大于200万且小于1000万时，给予基础评分80分；

5)大于1000万时，给予基础评分100分。

当有订单逾期及还款逾期时，会触发所述定价模型的减分机制，在基础评分基础上进行减分。

所述反欺诈模型基于通过第三方获取所述申请人的企业风险信息进行评估打分；通过第三方获取对方公司的风险信息，并自动进行评分，所述第三方包括企查查、海关监管系统等。例如，在第三方平台上是否有不良信誉记录，是否有比较多的官司记录，如果有，则根据预先设置的评分规则进行扣减，此处扣减是在所述申请模型的基础评分上进行，扣减的动作在所述定价模型中进行。所述预先设置的评分规则可以是如下，需要说明的是此处仅仅是为了更好的理解本发明内容，并不是对本发明进行限制。

一、来自第三方系统，如企查查的查询反馈得到内容：

1)警告级别：-0.5分；

2)劳务官司：-1.5分；

3)与其他公司资金纠纷，10万以下：-2分；

4)与其他公司资金纠纷，10万-100万：-3分；

5)与其他公司资金纠纷，100万-500万：-5分；

6)与其他公司资金纠纷，大于500万：-20分；

7)其他类型影响较轻的：-0.5分；

8)其他类型影响较大的：-5分；

二、来自第三方系统，如海关监管系统的查询反馈得到内容：

1)违章行为级别，每项扣减10分，包含：

⑴未按规定办理出口退税登记的；

⑵未按规定建立、使用和保存有关出口关税账薄票证的；

⑶拒绝主管退税的税务机关检查和提供退税资料、凭证的；

2)出口企业过失，每项扣减20分，包含：

⑴由于出口企业过失而造成实际退(免)税款大于应退(免)税款或企业办

理来料加工免税手续后逾期未核销的；

⑵企业采取伪造、涂改、贿赂或其他非法手段骗取退税的；

⑶对为经营出口货物企业非法提供或开具假专用税票或其他假退税凭证的

3)对于多次或重大的处理，包含：

⑴如果超过2次(不包含2次)非重大风险的，拒绝合作；

⑵海关给予重大风险提示的，一旦出现，直接拒绝合作。

所述价值模型基于所述企业所在的行业价值信息进行评估打分，可以根据与所述申请人合作后带来的影响来决定加分还是减分，比如加分项包括带来更多的订单金额、更多的业界好评，又或者是更多的行业曝光度等，减分项则包括申请人有不恰当的举动，与其合作后会影响声誉、或是影响回款，又或者这个行业属于高危行业等等。

所述定价模型基于所述申请模型、反欺诈模型和价值模型的结果进行评估打分，采用减分制，得到一个综合评估结果，且把最终的评估分数反馈给放款方。此处的业务是实时计算的，如果要查询评估明细，会有历史数据查询，并制作趋势图以方便甄别。

步骤S13，将所述评估打分的结果反馈给放款方；业务人员根据实际情况选择放款和不放款，以及放款额度。所述放款额度与历史订单额、预设比例及所述评估打分的结果有关。例如，放款额度根据历史订单额的百分之二十进行，最大不超过订单额的百分之二十，按照打分的百分比乘以订单额的百分之二十。如某公司订单额为100万，评估后其得分为50分。那么最终放款额度不超过：100万*20％*50％＝10万。

步骤S14，所述申请人在被放款后，第二风控模型监控款项使用是否存在风险、以及监控定期还款情况；

在本实施例中，所述第二风控模型指的所述申请人被放款后所构建的，包括交易欺诈模型、还款模型，具体为，

所述交易欺诈模型根据所述申请人在收到放款后所进行的交易性质是否存在风险行为，若存在风险将风险信息汇入所述第一风控模型，具体为所述反欺诈模型，将影响所述申请人下次申请放款时的评分。例如，如果在放款后，发现申请人在申请过程中，出现申请内容和实际使用不一致的情况，或者对重大风险出现故意隐瞒的情况，恶意刷单或者骗取退税等其他各种风险行为。首先会对正在发放且为完全发放完成的申请进行重新评估，根据希克斯需求函数计算其最新的评分，将最新的评分反馈给放款方，以便放款方能够及时重新评估是否需要调整最高放款金额，或者是及时停止放款。其次，将所述风险信息汇入至所述反欺诈模型，作为减分项影响所述申请人下次申请放款时的评分。

所述还款模型会定期对周期内的还款金额进行实时计算，相应调整每个周期的还款额度。在现实情况中，申请人每一期的还款金额，有可能随着汇率波动、提前还款、国家政策以及其它不可抗力原因发生了变化，那么每个周期的还款额度需要做相应的调整，这种调整也需要及时通知客户，以便客户可以选择处理策略，是提前还款还是保持还款周期不变，或者是维持金额，延长或缩短还款周期。

步骤S15，根据所述风险及还款情况采取相应措施。

在本实施例中，所述第二风控模型还包括提前预警模型，如果发现所述申请人在还款周期内出现逾期情况，根据所述逾期程度产生预警，所述逾期程度包括轻度逾期和重度逾期。比如，轻度逾期，可以认为是3个还款周期内出现有逾期还款的情况。这种情况下有可能是因为客户的疏忽造成的，首先会对客户进行提醒，同时会触发所述反欺诈模型的减分项，但只减少0.5分。如果逾期情况超过3个还款周期，那么会变为重度逾期，除了所述反欺诈模型的减分，还会被大量扣分。

进一步地，所述第二风控模型还包括失联修复模型，当所述申请人出现失联或重度逾期时，所述申请人将会列入黑名单，不再对其进行评分以及不再享有申请放款的权利。与此同时，还会提醒放款方，以便及时通过法律程序对所述申请人进行处理。

进一步地，所述第二风控模型还包括客户流失模型，对于曾被放款的优质申请人，有一段时间未曾申请过放款，可对所述优质申请人进行适当加分，并将所述加分加入至所述第一风控模型中，具体体现在所述价值模型中。比如，在使用或者申请过款项，但又在很长一个周期里(一般指一年以上)没有进行其他的申请。那么在发放金额、账期上可以适当酌情的加分，最终加分项体现在所述价值模型中，属于可以为公司带来更多收益的优秀客户。那么在申请放款时，也会相应的放宽放款额度，以及适当延长还款周期。

另一方面，本发明实施例还提供了一种基于风控模型的放款风险预测装置示意图，如图2所示，所述装置包括获取模块1、第一风控模型2、反馈模块3及第二风控模型4，其中，

所述获取模块1，用于获取放款申请人的综合信息数据，包括获取预设时间段段内客户历史订单数据及结算数据、通过第三方获取所述申请人的企业风险信息以及所述企业所在的行业价值信息；

所述第一风控模型2，在所述申请人被放款前，用于对所述申请人的综合信息数据进行评估打分；

所述反馈模块3，用于将所述评估打分的结果反馈给放款方，以及将所述放款方是否放款及放款额度信息反馈至风控模型；

所述第二风控模型4，在所述申请人被放款后，用于监控款项使用是否存在风险、以及监控定期还款情况，并根据所述风险及还款情况采取相应措施。

关于所述装置中第一风控模型2和第二风控模型4的功能和作用，可参考前述所公开的方法实施例，在此不再重复赘述。

综上所述，本发明基于风控模型，第一，在放款前，可准确评估申请人的信誉度，有利于放款方判断是否放款及放款额度；第二，在放款后，可跟进款项使用是否存在风险及是否有逾期情况；第三，可针对风险和逾期问题采取风险预警或者其他措施；第四，还可跟进优质申请人的申请动态，以免优质客户流失。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。