一种汽车金融产品智能匹配系统

技术领域

本发明涉及汽车金融领域，具体涉及一种汽车金融产品智能匹配系统。

背景技术

随着汽车金融进一步深入到当前的汽车销售市场中，在消费端的汽车信贷规模已经达到了万亿级的体量。在如此巨大的体量下，银行，汽车金融，担保系，融资租赁，消费金融公司等推出了上万种不同信贷要求的金融产品，考虑到同一金融公司在不同城市也会推出不同的产品，金融产品的数量就更为巨大，并且其数量还在日益增加中，在当前的业务中，直接对接客户端的信贷业务人员需要将客户的整体信贷资料书面投递到金融产品的审批员处，基于金融公司内部的汽车金融风控模型，审批员决定该客户是否可以通过该金融产品的贷款。由此，对于信贷业务人员来说，在这样的大量的金融产品条目下，只有在不断地尝试多个金融产品的贷款之后，才可以为客户找到一个满意的贷款。最为关键的是，因为每家金融产品的机构都会查询客户的央行征信，所以业务人员每次的尝试会被限定在一家金融产品，以避免多次查询客户的央行征信信息从而影响贷款的成功率。

目前汽车金融产品选择大多为人工选择，人工筛选工作强度较大，且筛选的效率较低，同时由于人工筛选范围较小，误差较大，最后汽车金融产品的优质率较低。此外，当前汽车金融业中，在业务人员和需求贷款的客户进行交流中，需要采集客户的个人信息，财力信息等客户数据，以此来判断客户应该适合哪一家银行或者其他信贷机构的汽车金融产品。这些客户数据随后还会需要提交至银行等信贷机构以供判断客户资质，从而得出相符合的贷款产品。

目前汽车金融客户数据存储明显有着以下的问题：数据需要依靠可信的第三方来存储和交换，一旦第三方系统被攻破或者第三方变得不可信，则会发生数据泄密，进而影响汽车金融客户数据存储的安全性。

发明内容

为解决现有技术问题，本发明具体采用以下技术方案：

一种汽车金融产品智能匹配系统，包括单个汽车金融产品的匹配模型生成模块、新进用户最优汽车金融产品的匹配模型生成模块以及汽车金融数据存储系统；

所述单个汽车金融产品的匹配模型生成模块包括第一信息获取单元，所述第一信息获取单元通过信号连接有数据处理单元，所述数据处理单元通过信号连接有匹配生成单元，所述匹配生成单元通过信号连接有比对单元，所述比对单元的通过信号连接有金融产品数据库，所述比对单元通过信号连接有输出单元；所述匹配生成单元包括逻辑回归算法和XGBoost算法；

所述汽车金融数据存储系统包括客户信息输入模块和访问模块，所述客户信息输入模块通过数据线信号连接有加密模块，所述加密模块通过数据线信号连接有云储存系统，所述云储存系统通过数据线信号连接有区块链系统，所述访问模块通过数据线信号连接有信息发送模块，所述信息发送模块通过无线电信号连接有客户信息接收设备。

进一步的方案是，所述新进用户最优汽车金融产品的匹配模型生成模块包括第二信息获取单元，所述第二信息获取单元与数据处理单元信号连接，所述匹配生成单元通过信号连接有择优单元，所述择优单元通过信号与输出单元连接。

进一步的方案是，所述云储存系统和区块链系统均安装在远程服务器内。

进一步的方案是，所述区块链系统是借由密码学串接并保护内容的串连交易记录，是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。

进一步的方案是，所述加密模块为数据加密算法，数据加密算法是一种对称加密算法，很可能是使用最广泛的密钥系统，特别是在保护金融数据的安全中，最初开发的DEA是嵌入硬件中的。

进一步的方案是，所述金融产品数据库收录有消费金融公司等推出了上万种不同信贷要求的金融产品。

进一步的方案是，所述择优单元包括有择优算法，该择优算法为F(n)＝

G(N)+H(N)g(n)。

进一步的方案是，所述第一信息获取单元主要获取历史用户画像数据、车辆信息数据和贷款信息数据，所述第二信息获取机构主要获取当前用户画像数据、车辆信息数据好贷款信息数据。

进一步的方案是，还包括客户风险智能评分系统，所述客户风险智能评分系统包括智能评分系统构建模块与客户风险评估和资质判定模块，所述智能评分系统构建模块包括用于采集汽车金融历史业务的客户业务数据的业务数据采集模块、对业务数据采集模块采集到的数据集进行数据清洗的数据清洗模块、将数据集按一定比例进行划分的数据划分模块、通过逻辑回归算法训练智能风险评估模型的智能风险评估模型训练模块、不断优化模型的模型优化模块和资质判定阈值获取模块；

所述客户风险评估和资质判定模块包括用于输入客户个人信息和财务信息的数据输入模块、通过智能评分系统构建模块中的资质判定阈值获取模块获取的阈值进行对客户风险评分进行判定的风险评分判定模块和将客户资质情况进行反馈给业务人员的资质信息反馈模块。

本发明的有益效果：

本发明通过设置有第一信息获取单元、第二信息获取单元、数据处理单元和匹配单元，通过第一信息获取单元人工收集或者在后端数据库中提取的方式，获得初始的包含用户贷款信息和结果的历史数据，然后通过数据处理单元对获取的历史数据进行数据清洗，将不符合规则的数据清除，并确保每条数据都被标注成“贷款成功”或者“贷款不成功”，将数据集按照一定比例拆分为训练数据集与测试数据集，基于训练数据集，使用逻辑回归算法，来获得该汽车金融产品的智能匹配判别模型；

本发明通过在测试集上测试各人工智能算法所生成的模型的效果，选择评价最佳的人工智能算法以及对应的匹配判别模型作为该汽车金融产品的智能匹配模型，针对所有的汽车信贷产品，实现为每个汽车金融产品生成了最佳的智能匹配判别模型，之后对新进用户最优汽车金融产品的匹配模型生成，将客户信息输入系统中，然后将清洗后的数据导入多个汽车金融产品的匹配判别模型中，得到一个可以“贷款成功”的汽车金融产品集合，不需要人工筛选，省时省力，该结构具备实现智能筛选，筛选速度快，降低了工作人员的劳动强度，提高了汽车金融产品的效率，且大范围筛选能够降低筛选误差，能够选出最优汽车金融产品，提高汽车金融产品的优质率。

本发明通过设置有区块链系统和云储存系统，通过区块链与云端存储的相配合，将汽车金融所需的客户个人信息和财力信息数据的摘要存储到区块链上，将客户数据的具体内容存储到云端，从而在区块链系统的保护下，基于区块链的特性，实现了客户个人数据的完整保护，并且每个数据存储之后不可篡改，该系统实现了客户拥有自己的数据的所有权和访问控制权，能够有效提高汽车金融客户数据存储的安全性，避免因客户数据泄露而造成客户经济损失的情况。

本发明通过基于贷款客户的个人信息和财产信息，可以对客户的贷款险予以智能评分，并基于此将客户分成优秀，一般和较差三种资质，从而帮助业务人员在实际工作中快速判断出客户可能获得成功贷款的金融产品，加速决策过程，提高生产效率，对于有部分银行在决定贷款的过程中，其风控系统仍然是采用人工方式，该智能系统的风险智能评分也是一个有力的证据和补充，极大的提高了效率，能够为客户节约时间。

附图说明

图1为本发明实施例一种汽车金融产品智能匹配系统的结构示意图；

图2为本发明实施例中汽车金融数据存储系统的结构原理图；

图3为本发明实施例中客户风险智能评分系统的结构原理图。

具体实施方式

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。

如图1-3所示，本发明的一个实施例公开了一种汽车金融产品智能匹配系统，包括单个汽车金融产品的匹配模型生成模块和新进用户最优汽车金融产品的匹配模型生成模块，单个汽车金融产品的匹配模型生成模块包括第一信息获取单元，第一信息获取单元通过信号连接有数据处理单元，数据处理单元通过信号连接有匹配生成单元，匹配生成单元通过信号连接有比对单元，比对单元的通过信号连接有金融产品数据库，所述比对单元通过信号连接有输出单元。

新进用户最优汽车金融产品的匹配模型生成模块包括第二信息获取单元，第二信息获取单元与数据处理单元信号连接，匹配生成单元通过信号连接有择优单元，择优单元通过信号与输出单元连接。

数据处理单元包括数据清洗功能，同时将数据集合拆分成训练数据集和测试数据集。

金融产品数据库收录有消费金融公司等推出了上万种不同信贷要求的金融产品。

匹配单元包括逻辑回归算法和XGBoost算法，该算法如下所示：

该择优算法演算步骤如下所示，逻辑回归中是使用方程来进行映射，其中z就是线性函数的z，因为g(z)最后输出的时样本类别的概率值，所以我们可以把阈值设为0.5，g(z)大于等于0.5的看作1，小于0.5的看作0，这样我们就能利用逻辑回归来处理二分类汽车金融产品，然后利用公式选择优质汽车金融产品，并通过进行预测，最后根据梯度下降法求最小值，该最小值算法为最后经过一系列演算步骤得到逻辑回归算法而XGBoost算法通过损失函数演化得到。

择优单元包括有择优算法，该择优算法如下所示：F(n)＝G(N)+H(N)g(n)，该择优算法演算步骤如下所示，第一步把初始结点So放入open表中，F(S0)＝G(S0)+h(S0)；第二步如果open表为空，则问题无解，失败退出；第三步把open表中的第一个结点取出放入closed表中，并记该结点为n；第四步把考察结点n是否为目标结点。若是，则找到了问题的解，退出，不是目标结点就进行下一步，第五步考察结点是否可扩展，不可扩展就返回第二步，可扩展就进行下一步，第六步.扩展结点n,生成子节点计算每个子节点的估价函数，并为每一个子节点设置指向父节点的指针，然后将这些结点放入open表中，第七步根据估价函数的值的大小对open表中的结点进行从小到大的排序(最小就在open表中的第一个)，其中(n)为结点深度，h(n)为不在位数码的个数。

第一信息获取单元主要获取历史用户画像数据、车辆信息数据和贷款信息数据，第二信息获取机构主要获取当前用户画像数据、车辆信息数据好贷款信息数据。

单个汽车金融产品的匹配模型生成模块具体操作步骤如下：

S1：针对单个汽车金融产品，通过人工收集或者在后端数据库中提取的方式，获得初始的包含用户贷款信息和结果的历史数据。

S2：对获取的历史数据进行数据清洗，将不符合规则的数据清除，并确保每条数据都被标注成“贷款成功”或者“贷款不成功”。

S3：将数据集按照一定比例拆分为训练数据集与测试数据集。

S4：基于训练数据集，使用逻辑回归算法，来获得该汽车金融产品的智能匹配判别模型。

S5：通过在测试集上测试各人工智能算法所生成的模型的效果，选择评价最佳的人工智能算法以及对应的匹配判别模型作为该汽车金融产品的智能匹配模型。

S6：针对所有的汽车信贷产品，重复上述S1-S5，从而为每个汽车金融产品生成了最佳的智能匹配判别模型。

新进用户最优汽车金融产品的匹配模型生成模块具体操作步骤如下：

S7：采集新进用户的用户画像数据，所购车辆信息，所需贷款信息。

S8：对采集的数据进行数据清洗。

S9：将清洗后的数据导入多个汽车金融产品的匹配判别模型中，得到一个可以“贷款成功”的汽车金融产品集合。

S10：在该可以“贷款成功”的汽车金融产品集合中，选取出最符合用户实际情况的金融产品，譬如依据首付款，贷款利率，贷款期限等来选择最优的汽车金融产品。

本发明通过在测试集上测试各人工智能算法所生成的模型的效果，选择评价最佳的人工智能算法以及对应的匹配判别模型作为该汽车金融产品的智能匹配模型，针对所有的汽车信贷产品，实现为每个汽车金融产品生成了最佳的智能匹配判别模型，之后对新进用户最优汽车金融产品的匹配模型生成，将客户信息输入系统中，然后将清洗后的数据导入多个汽车金融产品的匹配判别模型中，得到一个可以“贷款成功”的汽车金融产品集合，不需要人工筛选，省时省力，该结构具备实现智能筛选，筛选速度快，降低了工作人员的劳动强度，提高了汽车金融产品的效率，且大范围筛选能够降低筛选误差，能够选出最优汽车金融产品，提高汽车金融产品的优质率。

本发明实施例中提供的一种汽车金融产品智能匹配系统还包括客户信息输入模块和访问模块，客户信息输入模块通过数据线信号连接有加密模块，加密模块通过数据线信号连接有云储存系统，云储存系统通过数据线信号连接有区块链系统，访问模块通过数据线信号连接有信息发送模块，信息发送模块通过无线电信号连接有客户信息接收设备，该系统的具体操作步骤如下；

首先汽车金融业务人员请求客户在客户信息输入模块内填写客户个人基本信息和财力信息，在该客户信息输入模块中既有文字性输入，也有图片性和视频性文件的输入；

接着当客户提交了数据之后，这些数据会通过数据加密模块的数据加密算法以对称加密的方式进行加密，并存储到云储存系统内，这些数据的哈希值也会被计算出来，并以对称加密的方式加密后存入云端，以便后续验证这些数据是否真实，保证数据安全；

然后在客户将数据加密存入云端之后，会在汽车金融区块链系统生成一个新的区块，该区块会记录在什么时候，什么地方，在云端什么位置记录了该客户的个人基本和财力信息数据，由于在区块链中，相应的哈希值也被存入该区块，从而保证了该区块所存数据是不可以被篡改的，否则任何修改都会导致哈希值不一致；

至此，客户的信息和信息摘要都被完整加密存入了汽车金融区块链和云储存系统中，没有客户的加密秘钥，是无法从云端系统中解锁出客户的数据的，在此处，该系统实现了客户拥有自己的数据的所有权和访问控制权；

客户信息接收设备有智能手机和电脑，手机和电脑设备能够连接互联网接收授权信息。

云储存系统和区块链系统均安装在远程服务器内，能够保护云存储系统数据的安全。

区块链系统是借由密码学串接并保护内容的串连交易记录，是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。

云储存系统是通过云计算技术，网络服务提供者可以在数秒之内，处理数以千万计甚至亿计的信息，达到和”超级计算机”同样强大的网络服务。

加密模块为数据加密算法，数据加密算法是一种对称加密算法，很可能是使用最广泛的密钥系统，特别是在保护金融数据的安全中，最初开发的DEA是嵌入硬件中的。

本发明通过设置有区块链系统和云储存系统，通过区块链与云端存储的相配合，将汽车金融所需的客户个人信息和财力信息数据的摘要存储到区块链上，将客户数据的具体内容存储到云端，从而在区块链系统的保护下，基于区块链的特性，实现了客户个人数据的完整保护，并且每个数据存储之后不可篡改；

本发明实施例中提供的一种汽车金融产品智能匹配系统还包括客户风险智能评分系统，所述客户风险智能评分系统包括智能评分系统构建模块与客户风险评估和资质判定模块，所述智能评分系统构建模块包括用于采集汽车金融历史业务的客户业务数据的业务数据采集模块、对业务数据采集模块采集到的数据集进行数据清洗的数据清洗模块、将数据集按一定比例进行划分的数据划分模块、通过逻辑回归算法训练智能风险评估模型的智能风险评估模型训练模块、不断优化模型的模型优化模块和资质判定阈值获取模块；

客户风险评估和资质判定模块包括用于输入客户个人信息和财务信息的数据输入模块、通过智能评分系统构建模块中的资质判定阈值获取模块获取的阈值进行对客户风险评分进行判定的风险评分判定模块和将客户资质情况进行反馈给业务人员的资质信息反馈模块。

基于智能评分系统构建模块进行智能风险评分系统构建过程包括如下步骤：

A：通过业务数据采集模块去采集汽车金融历史业务的客户业务数据，包括在业务中客户的个人信息和财务信息数据，通过和银行，客户联系，采集每个历史客户的贷后情况，包括是否有逾期，逾期天数等情况；

B：通过数据清洗模块对采集到的数据集进行数据清洗，对于不符合规则的数据予以清除，确保每条历史数据中，每个客户的贷后情况都被统计和标注；

C：通过数据划分模块将数据集按一定比例划分为训练集合和测试集合；

D：通过智能风险评估模型训练模块，基于训练集合的数据，通过逻辑回归算法，训练智能风险评估模型；

E：通过模型优化模块，基于测试集合的数据，测定智能风险评估模型的效果，并根据这个效果不断优化模型直至模型满足要求；

F：通过资质判定阈值获取模块，结合模型和原始数据，获得两个资质判定阈值，一个阈值是优秀资质阈值，另一个是一般资质阈值，使得客户风险评分高于优秀资质阈值即为优质资质客户，评分高于一般资质阈值即为一般资质客户，其余评分即为较差资质客户。

基于客户风险评估和资质判定模块进行新客户风险评估和资质判定过程包括如下步骤：

G：当有新的汽车金融业务进行时，业务人员采集客户的个人信息和财务信息数据；

H：通过数据输入模块将客户个人信息和财务信息数据输入智能模型，得出该客户的风险评分；

I：通过风险评分判定模块，将风险评分和优秀资质阈值与一般资质阈值进行比对，判定客户的资质是优秀、一般还是较差；

J：通过资质信息反馈模块，将客户资质情况反馈给业务人员与客户经理，业务人员和客户经理可以根据此来确定客户最合适的汽车金融贷款产品。

步骤D中的逻辑回归算法，该算法如下所示：

该逻辑回归算法演算步骤如下所示，逻辑回归中是使用方程来进行映射，其中z就是线性函数的z，因为g(z)最后输出的时样本类别的概率值，所以我们可以把阈值设为0.5，g(z)大于等于0.5的看作1，小于0.5的看作0，这样我们就能利用逻辑回归来处理二分类汽车金融产品，然后利用公式选择优质汽车金融产品，并通过进行预测，最后根据梯度下降法求最小值，该最小值算法为最后经过一系列演算步骤得到逻辑回归算法。

本发明通过基于贷款客户的个人信息和财产信息，可以对客户的贷款险予以智能评分，并基于此将客户分成优秀，一般和较差三种资质，从而帮助业务人员在实际工作中快速判断出客户可能获得成功贷款的金融产品，加速决策过程，提高生产效率，对于有部分银行在决定贷款的过程中，其风控系统仍然是采用人工方式，该智能系统的风险智能评分也是一个有力的证据和补充，极大的提高了效率，能够为客户节约时间。

最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。