基于核心企业交易数据的授信额度计算方法及系统

摘要

本发明涉及计算机信息处理技术领域，具体为一种基于核心企业交易数据的授信额度计算方法及系统，其中方法包括：S1、获取客户在第一预设时间段的交易额；S2、计算客户的RFI调整系数；S3、计算客户的信用调整系数和负债率调整系数；S4、将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度。本方法对于有核心企业提供交易数据的情况下，能符合总体授信额度分布预期、体现客户经营规模、便于线上自动化审批计算。

说明书

技术领域

本发明涉及计算机信息处理技术领域，具体为一种基于核心企业交易数据的授信额度计算方法及系统。

背景技术

授信额度是指商业银行为客户核定的短期授信业务的存量管理指标，一般可分为单笔贷款授信额度、借款企业额度和集团借款企业额度。

在信贷领域，计算B端客户授信额度的时候，通常采用以下几种方法：

方法一：根据交易额计算B端客户授信额度，具体为：根据客户资金流水，按照一定比例给与授信额度；

方法二：根据运营资金计算B端客户授信额度，具体为：计算客户经营所需运营流动资金，按照一定比例给与授信额度；

方法三：根据现金流计算B端客户授信额度，具体为：对于周期较长的生产型企业，根据资金成本投入、产出时间和到期现金流收益，结合当前负债，给与客户一个到期能有充足现金流还款的授信额度；

方法四：根据风险矩阵计算B端客户授信额度，具体为：根据信用模型等级、客户规模、企业纳税评级等维度，将客户进行划分，每个格子对应一个固定授信额度。

以上每种方法都有各自的优缺点，且分别适用于不同的业务场景，具有明显的单一性，具体地：

方法一中由于核心企业合作的客户往往符合二八原则，客户的交易额往往极度左偏，故按此方法给出的授信额度往往会两头极端化，分布不符合业务预期；

方法二中当核心企业提供的交易数据仅能代表客户部分营收情况或生产成本，仅用这部分数据去计算运营资金需求时，误差往往过大，影响授信额度的判断；

方法三中对线下尽调要求较高，需熟知客户的资产负责表、现金流量表，熟知生产流程、存货半成品数量、销售周期等，常用于大额客户线下授信，不太适用于线上的小微企业业务；

方法四仅适用于无法获知客户的交易数据时，其计算出的额度无法体现客户的经营规模，仅与信用分负债率等挂钩。

发明内容

本发明的目的之一在于提供一种基于核心企业交易数据的授信额度计算方法，对于有核心企业提供交易数据的情况下，能符合总体授信额度分布预期、体现客户经营规模、便于线上自动化审批计算。

本发明提供的基础方案一：基于核心企业交易数据的授信额度计算方法，包括如下内容：

S1、获取客户在第一预设时间段的交易额；

S2、计算客户的RFI调整系数；

S3、计算客户的信用调整系数和负债率调整系数；

S4、将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度。

说明：RFI调整系数为交易频次(Frequency，简称：F)、交易紧密度(Recently，简称：R)、交易增长率(Increase，简称：I)组成的调整系数。

基础方案一的有益效果：首先根据需求、产品类型和客户群体，可以设置不同的第一预设时间段，以此可自由设定获取客户任意时间的交易额，然后计算客户的RFI调整系数、信用调整系数和负债率调整系数，其中RFI调整系数为交易频次、交易紧密度、交易增长率组成的调整系数，最后将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度，其中RFI调整系数能将交易额通过于客户核心企业的关联度进行一定限度的上下浮调整，得到更能体现客户当前经营情况，而信用调整系数和负债率调整系数，打破现有授信方法的单一性，结合客户各方面的情况，全面的评估客户能获得授信额度，以此来对于有核心企业提供交易数据的情况下，让最终计算出的授信额度能更符合总体额度分布预期、体现客户经营规模。

并且本方法无需过多人为干预，无论是大型企业客户，还是微小企业客户，只要在有核心企业提供交易数据的情况下，都能进行纯线上自动化审批，方便快捷。

进一步，所述S2、包括：

S201、获取客户上次交易和当前时间的间隔天数；

S202、获取第一预设时间段交易次数和第二预设时间段交易次数，根据第二预设时间段交易增长率＝(第二预设时间段交易次数+1)/(第一预设时间段交易次数-第二预设时间段交易次数+2)，计算第二预设时间段交易增长率；

S203、计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分；

S204、根据间隔天数的单项评分、第二预设时间段交易增长率的单项评分和第一预设时间段交易次数的单项评分，求取平均值，为RFI评分；

S205、将RFI评分加上预设调整值，得到RFI调整系数。

有益效果：计算以当前时间为基点，保证各种数据能准确的反映客户申请授信时客户的具体情况；计算第二预设时间段交易增长率时，对第二预设时间段交易次数进行加一，对第一预设时间段交易次数-第二预设时间段交易次数进行加二，是针对交易次数不同但按照第二预设时间段交易次数/(第一预设时间段交易次数-第二预设时间段交易次数)计算出的增长率相同的情况，进行区分，保障计算出的第二预设时间段交易增长率，都具有排序区分能力；计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分，即将计算出的值进行排序，并映射到预设的区间内，取其在区间内的分位点为各自的单项评分，缩小数据范围，便于统一计算，减少计算复杂度；将RFI评分加上预设调整值，得到RFI调整系数，是为了后续能对第一预设时间段内交易额相同，体量也相同，但交易分布不同的客户做出区分，从而给客户更准确的授信额度。

进一步，所述S3，包括：

S301、获取客户信用评分和负债信息，根据负债信息计算负债率；

S302、将客户信用评分映射到预设的信用调整系数区间，并对映射后的结果进行上下幅调整，获得信用调整系数；将负债率映射到预设的负债率调整系数区间，并对映射后的结果进行上下幅调整，获得负债率调整系数。

有益效果：客户信用评分和负债信息均是现有的相对成熟的数据，获取客户信用评分和负债信息，根据负债信息计算负债率，再对客户信用评分和负债率进行映射和上下幅调整处理，分别得到信用调整系数和负债率调整系数，为后续计算提供数据，同时缩小数据范围，便于统一计算，减少计算复杂度。

进一步，所述客户授信额度计算模型为：授信额度＝(A×额度指数)×B×信用调整系数×负债率调整系数；

其中，额定指数＝ln(第一预设时间段的交易额×RFI调整系数)；

A和B为线性变换参数，将额度指数的分布区间(n，m)与产品的授信金额区间(N，M)做线性映射，得到线性变化参数A和B。

有益效果：第一预设时间段的交易额×RFI调整系数得到调整后的交易额，能准确反应客户在第一预设时间段的交易情况，对调整后的交易额取对数，得到额度指数，使得正常情况下，额度指数的分布为类正态分布，便于后续应用。

本发明的目的之二在于提供一种基于核心企业交易数据的授信额度计算系统，对于有核心企业提供交易数据的情况下，能符合总体授信额度分布预期、体现客户经营规模、便于线上自动化审批计算。

本发明提供基础方案二：基于核心企业交易数据的授信额度计算系统，包括：服务器和客户端；

服务器和客户端连接，获取客户端的交易数据；

服务器，用于获取交易数据中的第一预设时间段的交易额，计算客户的RFI调整系数、信用调整系数和负债率调整系数，将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度。

说明：RFI调整系数为交易频次(Frequency，简称：F)、交易紧密度(Recently，简称：R)、交易增长率(Increase，简称：I)组成的调整系数。

基础方案一的有益效果：首先根据需求、产品类型和客户群体，可以设置不同的第一预设时间段，以此服务器在客户端可自由设定获取客户任意时间的交易额，然后计算客户的RFI调整系数、信用调整系数和负债率调整系数，其中RFI调整系数为交易频次、交易紧密度、交易增长率组成的调整系数，最后将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度，其中RFI调整系数能将交易额通过于客户核心企业的关联度进行一定限度的上下浮调整，得到更能体现客户当前经营情况，而信用调整系数和负债率调整系数，打破现有授信方法的单一性，结合客户各方面的情况，全面的评估客户能获得授信额度，以此来对于有核心企业提供交易数据的情况下，让最终计算出的授信额度能更符合总体额度分布预期、体现客户经营规模。

并且本系统无需过多人为干预，无论是大型企业客户，还是微小企业客户，只要将客户端接入服务器，在有核心企业提供交易数据的情况下，都能进行纯线上自动化审批，方便快捷。

进一步，所述服务器包括数据获取模块和中心处理模块；

数据获取模块，用于在客户端获取客户上次交易和当前时间的间隔天数、第一预设时间段交易次数和第二预设时间段交易次数；

中心处理模块，用于根据第二预设时间段交易增长率＝(第二预设时间段交易次数+1)/(第一预设时间段交易次数-第二预设时间段交易次数+2)，计算第二预设时间段交易增长率；还用于计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分，并根据间隔天数的单项评分、第二预设时间段交易增长率的单项评分和第一预设时间段交易次数的单项评分，求取平均值，为RFI评分；还用于将RFI评分加上预设调整值，得到RFI调整系数。

有益效果：中心处理模块，计算以当前时间为基点，保证各种数据能准确的反映客户申请授信时客户的具体情况；计算第二预设时间段交易增长率时，对第二预设时间段交易次数进行加一对第一预设时间段交易次数-第二预设时间段交易次数进行加二，是针对交易次数不同但按照第二预设时间段交易次数/(第一预设时间段交易次数-第二预设时间段交易次数)计算出的增长率相同的情况，进行区分，保障计算出的第二预设时间段交易增长率，都具有排序区分能力；计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分，即将计算出的值进行排序，并映射到预设的区间内，取其在区间内的分位点为各自的单项评分，缩小数据范围，便于统一计算，减少计算复杂度；将RFI评分加上预设调整值，得到RFI调整系数，是为了后续能对第一预设时间段内交易额相同，体量也相同，但交易分布不同的客户做出区分，从而给客户更准确的授信额度。

进一步，数据获取模块，还用于在客户端获取客户信用评分和负债信息；

中心处理模块，还用于根据负债信息计算负债率；还用于将客户信用评分映射到预设的信用调整系数区间，并对映射后的结果进行上下幅调整，获得信用调整系数；将负债率映射到预设的负债率调整系数区间，并对映射后的结果进行上下幅调整，获得负债率调整系数。

有益效果：客户信用评分和负债信息均是现有的相对成熟的数据，获取客户信用评分和负债信息，根据负债信息计算负债率，再对客户信用评分和负债率进行映射和上下幅调整处理，分别得到信用调整系数和负债率调整系数，为后续计算提供数据，同时缩小数据范围，便于统一计算，减少计算复杂度。

进一步，所述客户授信额度计算模型为：授信额度＝(A×额度指数)×B×信用调整系数×负债率调整系数；

其中，额定指数＝ln(第一预设时间段的交易额×RFI调整系数)；

A和B为线性变换参数，将额度指数的分布区间(n，m)与产品的授信金额区间(N，M)做线性映射，得到线性变化参数A和B。

有益效果：第一预设时间段的交易额×RFI调整系数得到调整后的交易额，能准确反应客户在第一预设时间段的交易情况，对调整后的交易额取对数，得到额度指数，使得正常情况下，额度指数的分布为类正态分布，便于后续应用。

附图说明

图1为本发明基于核心企业交易数据的授信额度计算方法实施例的流程图；

图2为本发明基于核心企业交易数据的授信额度计算系统实施例的逻辑框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

本实施例基本如附图1所示：基于核心企业交易数据的授信额度计算方法，包括如下内容：

S1、获取客户在第一预设时间段的交易额；本实施例中第一预设时间段为近一年，即当前时间点之前的一年时间；第二预设时间段为近半年，即当前时间点之前的半年时间。

S2、计算客户的RFI调整系数；其中RFI调整系数为交易频次(Frequency，简称：F)、交易紧密度(Recently，简称：R)、交易增长率(Increase，简称：I)组成的调整系数；

计算客户的RFI调整系数，具体为：

S201、获取客户上次交易和当前时间的间隔天数，即R；

S202、获取第一预设时间段交易次数和第二预设时间段交易次数，其中第一预设时间段交易次数，即F，根据第二预设时间段交易增长率＝(第二预设时间段交易次数+1)/(第一预设时间段交易次数-第二预设时间段交易次数+2)，计算第二预设时间段交易增长率，即I。计算第二预设时间段交易增长率时，对第二预设时间段交易次数进行加一对第一预设时间段交易次数-第二预设时间段交易次数进行加二，是针对交易次数不同但按照第二预设时间段交易次数/(第一预设时间段交易次数-第二预设时间段交易次数)计算出的增长率相同的情况，进行区分，保障计算出的第二预设时间段交易增长率，都具有排序区分能力，例如：客户A近半年交易次数为0，近一年交易次数为3；客户B半年交易次数也为0，近一年交易次数为10，则客户A近半年交易增长率1/5,客户B近半年交易增长率1/12,客户A的增长率明显好于客户B，因为客户A是从3降到0，而客户B是从10降到0，若按第二预设时间段交易增长率＝第二预设时间段交易次数/(第一预设时间段交易次数-第二预设时间段交易次数)进行计算，不能获得客户A和客户B有区别的近半年交易增长率，则后续进行S203时，无法取得不同的分位点，即不具备排序区分能力。

S203、计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分；即将每个客户的计算出的值进行排序，并映射到预设的区间内，取其在区间内的分位点为各自的单项评分，缩小数据范围，便于统一计算，减少计算复杂度；其中全量客户即总体客户。本实施例中将计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数均映射到区间(0,1)，每个单项评分整体分布都是(0,1)上的均匀分布。

S204、根据间隔天数的单项评分、第二预设时间段交易增长率的单项评分和第一预设时间段交易次数的单项评分，求取平均值，为RFI评分；因为每个单项评分整体分布都是(0,1)上的均匀分布，所以RFI评分分布为均值0，中间多两边少的类正态分布。

S205、将RFI评分加上预设调整值，得到RFI调整系数；本实施例中预设调整值为0.5，即RFI评分+0.5，得到RFI调整系数，分布于(0.5,1.5)的类正态分布，RFI调整系数是为了体现客户在其供应链上的忠诚度和活跃度，RFI评分+0.5是针对近一年交易额相同的客户，客户A和客户B近一年交易额均为100万，基准额度均为10万，但是客户A近半年交易活跃，交易频繁且成上升状态，客户B近一年的上半年就完成了100万，近半年交易额为0，对RFI评分+0.5，将分布区间由(0，1)调整到(0.5,1.5)，从而区分客户A和客户B的RFI调整系数，实现区分近一年交易额相同，体量相同的客户在其供应链上的忠诚度和活跃度，RFI调整系数在于将交易额通过于客户核心企业的关联度进行预设调整值限度的上下浮调整。

S3、计算客户的信用调整系数和负债率调整系数；

具体为：S301、获取客户信用评分和负债信息，根据负债信息计算负债率；

S302、将客户信用评分映射到预设的信用调整系数区间，并对映射后的结果进行上下幅调整，获得信用调整系数；将负债率映射到预设的负债率调整系数区间，并对映射后的结果进行上下幅调整，获得负债率调整系数；其中上下幅调整，对映射后的结果加上预设幅度调整值，客户信用评分和负债信息均是现有的相对成熟的数据，客户信用评分可以在信用评估卡中获取，负债信息也可以从企业核心数据中获取。

S4、将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度，其中客户授信额度计算模型为：授信额度＝(A×额度指数)×B×信用调整系数×负债率调整系数；

其中，额定指数＝ln(第一预设时间段的交易额×RFI调整系数)；

A和B为线性变换参数，将额度指数的分布区间(n，m)与产品的授信金额区间(N，M)做线性映射，得到线性变化参数A和B；

客户授信额度计算模型先将近一年交易额乘以RFI调整系数，得到调整后的交易额，对调整后的交易额取对数，得到额度指数，正常情况下，额度指数的分布为类正态分布，将额度指数做线性转化后，即得到客户的基准额度，基准额度分布是在授信金额区间(N,M)内的类正态分布，最后基准额度乘以信用调整系数和负债率调整系数得到授信额度，即客户最终的授信额度。

本方法打破现有授信方法的单一性，结合客户各方面的情况，全面的评估客户能获得授信额度，以此来对于有核心企业提供交易数据的情况下，让最终计算出的授信额度能更符合总体额度分布预期、体现客户经营规模。并且本方法无需过多人为干预，无论是大型企业客户，还是微小企业客户，只要在有核心企业提供交易数据，都能进行纯线上自动化审批，方便快捷。

实施例二

本实施例基本如附图2所示：基于核心企业交易数据的授信额度计算系统，包括：服务器和客户端；服务器包括数据获取模块和中心处理模块；

服务器和客户端连接，通过数据获取模块获取客户端的交易数据；交易数据包括：第一预设时间段的交易额、客户上次交易和当前时间的间隔天数、第一预设时间段交易次数和第二预设时间段交易次数；

数据获取模块，用于获取交易数据中的第一预设时间段的交易额，客户上次交易和当前时间的间隔天数、第一预设时间段交易次数和第二预设时间段交易次数；还用于在客户端获取客户信用评分和负债信息。

中心处理模块，用于计算客户的RFI调整系数、信用调整系数和负债率调整系数，将交易额、RFI调整系数、信用调整系数和负债率调整系数输入客户授信额度计算模型计算授信额度；其中RFI调整系数为交易频次(Frequency，简称：F)、交易紧密度(Recently，简称：R)、交易增长率(Increase，简称：I)组成的调整系数；

计算客户的RFI调整系数，具体包括：根据第二预设时间段交易增长率＝(第二预设时间段交易次数+1)/(第一预设时间段交易次数-第二预设时间段交易次数+2)，计算第二预设时间段交易增长率；计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分，并根据间隔天数的单项评分、第二预设时间段交易增长率的单项评分和第一预设时间段交易次数的单项评分，求取平均值，为RFI评分；将RFI评分加上预设调整值，得到RFI调整系数。

计算第二预设时间段交易增长率时，对第二预设时间段交易次数进行加一对第一预设时间段交易次数-第二预设时间段交易次数进行加二，是针对交易次数不同但按照第二预设时间段交易次数/(第一预设时间段交易次数-第二预设时间段交易次数)计算出的增长率相同的情况，进行区分，保障计算出的第二预设时间段交易增长率，都具有排序区分能力，例如：客户A近半年交易次数为0，近一年交易次数为3；客户B半年交易次数也为0，近一年交易次数为10，则客户A近半年交易增长率1/5,客户B近半年交易增长率1/12,客户A的增长率明显好于客户B，因为客户A是从3降到0，而客户B是从10降到0，若按第二预设时间段交易增长率＝第二预设时间段交易次数/(第一预设时间段交易次数-第二预设时间段交易次数)进行计算，不能获得客户A和客户B有区别的近半年交易增长率，则后续无法取得不同的分位点，即不具备排序区分能力。

计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数在全量客户中的位置分布，获取其分位点为各自的单项评分，即将每个客户的计算出的值进行排序，并映射到预设的区间内，取其在区间内的分位点为各自的单项评分，缩小数据范围，便于统一计算，减少计算复杂度。本实施例中将计算间隔天数、第二预设时间段交易增长率和第一预设时间段交易次数均映射到区间(0,1)，每个单项评分整体分布都是(0,1)上的均匀分布，所以RFI评分分布为均值0，中间多两边少的类正态分布。

将RFI评分加上预设调整值，得到RFI调整系数，本实施例中预设调整值为0.5，即RFI评分+0.5，得到RFI调整系数，分布于(0.5,1.5)的类正态分布，RFI调整系数是为了体现客户在其供应链上的忠诚度和活跃度，RFI评分+0.5是针对近一年交易额相同的客户，客户A和客户B近一年交易额均为100万，基准额度均为10万，但是客户A近半年交易活跃，交易频繁且成上升状态，客户B近一年的上半年就完成了100万，近半年交易额为0，对RFI评分+0.5，将分布区间由(0，1)调整到(0.5,1.5)，从而区分客户A和客户B的RFI调整系数，实现区分近一年交易额相同，体量相同的客户在其供应链上的忠诚度和活跃度，RFI调整系数在于将交易额通过于客户核心企业的关联度进行预设调整值限度的上下浮调整。

中心处理模块，还用于根据负债信息计算负债率，将客户信用评分映射到预设的信用调整系数区间，并对映射后的结果进行上下幅调整，获得信用调整系数；将负债率映射到预设的负债率调整系数区间，并对映射后的结果进行上下幅调整，获得负债率调整系数；其中上下幅调整，对映射后的结果加上预设幅度调整值，客户信用评分和负债信息均是现有的相对成熟的数据，客户信用评分可以在信用评估卡中获取，负债信息也可以从企业核心数据中获取。

客户授信额度计算模型为：授信额度＝(A×额度指数)×B×信用调整系数×负债率调整系数；

其中，额定指数＝ln(第一预设时间段的交易额×RFI调整系数)；

A和B为线性变换参数，将额度指数的分布区间(n，m)与产品的授信金额区间(N，M)做线性映射，得到线性变化参数A和B；客户授信额度计算模型先将近一年交易额乘以RFI调整系数，得到调整后的交易额，对调整后的交易额取对数，得到额度指数，正常情况下，额度指数的分布为类正态分布，将额度指数做线性转化后，即得到客户的基准额度，基准额度分布是在授信金额区间(N,M)内的类正态分布，最后基准额度乘以信用调整系数和负债率调整系数得到授信额度，即客户最终的授信额度。

本系统打破现有授信方法的单一性，结合客户各方面的情况，全面的评估客户能获得授信额度，以此来对于有核心企业提供交易数据的情况下，让最终计算出的授信额度能更符合总体额度分布预期、体现客户经营规模。并且本系统无需过多人为干预，无论是大型企业客户，还是微小企业客户，只要将客户端接入服务器，在有核心企业提供交易数据的情况下，都能进行纯线上自动化审批，方便快捷。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。