企业申贷评估系统

本发明涉及一种金融系统，特别是指一种远端征信及快速核贷的企业申贷评估系统。

随着创业风气兴盛，社会上逐渐出现许多中小型或微型企业，但伴随企业经营而来的资金周转问题，往往让许多企业主疲于奔命。资金是维系公司经营的关键，相较于个人信用贷款，企业贷款因为现有的法规要求而导致需要征提的文件较多，使得一般银行习惯于被动地等待客户来回咨询及补齐纸本文件后，才开始审核办理贷款申请。如此一来，不但造成企业申贷时间冗长，且最后核定的额度条件与客户预期更是常有落差，对企业经营资金的调度安排及运营发展都造成不便，进而影响企业向银行申贷的意愿，因此，成为一个待解决的问题。

本发明的目的在于提供一种远端征信及快速核贷的企业申贷评估系统。

于是，本发明提供一种企业申贷评估系统，适用于第一行动装置及联合征信中心电脑系统，并包含银行电脑系统。所述银行电脑系统归属于银行，且能够与所述第一行动装置建立连线，并包括额度计算征审模块及数据库，所述数据库储存机器学习模型及相关于企业的客户数据。

当所述银行电脑系统接收到来自所述第一行动装置的申请文件影像时，对所述申请文件影像作影像辨识，以产生所述申请文件影像所包含的多个纸本申请文件的内容的申请文件数据，所述纸本申请文件相关于所述企业所提出的贷款申请。

所述额度计算征审模块根据所述申请文件数据，自所述联合征信中心电脑系统获得相关于所述企业的联征数据，且自所述数据库获得相关所述企业的所述客户数据，再根据所述联征数据及所述客户数据，获得输入数据，以输入所述机器学习模型，进而计算以产生可贷额度，所述银行电脑系统再将所述可贷额度传送至所述第一行动装置，以即时地通知所述企业。

在一些实施态样中，其中，所述机器学习模型是一种梯度提升决策树(Gradientboosting decision tree，GBDT)模型。

在另一些实施态样中，其中，所述额度计算征审模块根据所述联征数据或所述客户数据，获得所述企业所属产业别的产业别变数数据、在所述银行所属评等的评等变数数据、相关于所述企业的营收的多个营收变数数据、相关于所述企业的资产的多个资产变数数据、相关于所述企业的负债的多个负债变数数据、及多个公司资历变数数据，以作为所述输入数据。

在一些实施态样中，其中，评等变数数据包括对应多个不同评等的多个不同数值的其中一者。所述产业别变数数据包括对应多个不同产业别的多个不同数值的其中一者。

所述营收变数数据包含所述企业最近12个月营收的第1变数、所述企业近三个月汇入存折明细可供辨识为营收的月均额的第2变数、所述企业近半年实际营收的月均额的第3变数、所述企业近三个月汇入存折明细可供辨识为营收的月均额除以所述企业近半年实际营收的月均额的第4变数、所述企业及所述企业的负责人与配偶近三个月存绩除以所述企业最近12个月营收的第5变数、及所述企业最近12个月营收减去去年度营收的第6变数的其中至少一者。

所述资产变数数据包含所述企业的负责人与配偶与子女是否有不动产的第7变数、及所述企业与所述企业的负责人与配偶近三个月的存绩的第8变数的其中至少一者。

所述负债变数数据包含所述企业最近总授信余额的第9变数、所述企业的负责人夫妻总授信余额的第10变数、所述企业与所述企业的负责人与配偶的每月本息支出的第11变数、所述企业最近总授信余额除以最近12个月营收的第12变数、所述企业最近总授信余额与所述企业的负责人夫妻总授信余额的和除以所述企业最近12个月营收的第13变数、所述企业及所述企业的负责人与配偶近三个月存绩除以所述企业及所述企业的负责人与配偶的月本息支出的第14变数、及所述企业与所述企业的负责人与配偶的最近总授信余额减去所述企业与所述企业的负责人与配偶的去年同期总授信余额的第15变数的其中至少一者。

所述公司资历变数数据包含所述企业有无与租赁公司往来的第16变数、所述企业近三个月被多少家银行联征查询的第17变数、所述企业与包含所述银行的多少家银行往来的第18变数、所述企业与不包含所述银行的多少家银行往来的第19变数、所述企业连续多少个月营业的第20变数、景气指标的其中至少一者。所述景气指标包含对应多个不同景气等级的多个不同数值的其中一者。

在另一些实施态样中，其中，所述机器学习模型是先以训练输入数据及训练目标数据完成训练(Training)，所述训练输入数据包含属于所述银行且在训练时间区间且介于相关于营收与授信比例的第一比例与第二比例间的多个企业客户的所述产业别变数数据、所述评等变数数据、所述营收变数数据、所述资产变数数据、所述负债变数数据、及所述公司资历变数数据，所述训练目标数据为分别对应所述训练输入数据的所述企业客户的多个实际贷款额度。

在另一些实施态样中，其中，所述营收变数数据的其中一者是所述企业在预定时间区间的营收区间收入，所述额度计算征审模块根据所述产业别变数数据、所述评等变数数据、及所述营收区间收入的其中至少一者，决定产业注记、评等注记、及营收区间注记的其中至少一对应者，以将所述产业注记、所述评等注记、及所述营收区间注记的其中至少所述对应者作为所述输入数据的一部分。

在一些实施态样中，其中，所述产业注记、所述评等注记、及所述营收区间注记的其中每一者包含两种数值。所述额度计算征审模块根据所述产业别变数数据判断所述企业所属产业别分别等于及不等于设定产业时，决定所述产业注记分别等于第一数值及第二数值，且根据所述评等变数数据判断所述企业在所述银行所属评等分别高于等于及低于设定评等时，决定所述评等注记分别等于第三数值及第四数值，且根据所述企业在所述预定时间区间的所述营收区间收入分别大于等于及小于设定金额时，决定所述营授区间注记分别等于第五数值及第六数值。

在另一些实施态样中，其中，所述机器学习模型是先以训练输入数据及训练目标数据完成训练(Training)，所述训练输入数据包含属于所述银行且在训练时间区间且介于相关于营收与授信比例的第一比例与第二比例间的多个企业客户的所述产业别变数数据、所述评等变数数据、所述营收变数数据、所述资产变数数据、所述负债变数数据、所述公司资历变数数据、所述产业注记、所述评等注记、及所述营收区间注记，所述训练目标数据为分别对应所述训练输入数据的所述企业客户的多个实际贷款额度。

在另一些实施态样中，其中，所述营收与授信比例＝(所述企业的金融负债-所述企业的长期担保及长期放款借款+所述企业的负责人的金融负债-所述企业的负责人的长期担保及长期放款借款+所述企业的负责人的信用卡的循环卡费+所述企业的负责人的现金卡的借款余额+所述企业的负责人的配偶的金融负债-所述企业的负责人的配偶的长期担保及长期放款借款+所述企业的负责人的配偶的信用卡的循环卡费+所述企业的负责人的配偶的现金卡的借款余额)/所述企业近12个月的401表的营收。

在另一些实施态样中，其中，所述企业申贷评估系统还适用于征信人员及第二行动装置，在所述第一行动装置通知所述企业所述可贷额度后，且将确认申贷指令传送至所述银行电脑系统后，其中，所述银行电脑系统产生对应所述企业所属产业别的征信题组，并将所述征信题组传送至所述第二行动装置，所述第二行动装置通过所述征信人员获得对应所述征信题组的征信报告，且将所述征信报告撰写完成并传送至所述银行电脑系统，所述银行电脑系统根据所述征信报告，决定是否核准对应所述可贷额度的所述贷款申请。

本发明的有益的效果在于：所述银行电脑系统在接收到所述第一行动装置的所述申请文件影像，先根据所述申请文件影像获得所述申请文件数据，再据以分别由所述联合征信中心电脑系统及所述数据库获得所述联征数据及所述客户数据。所述额度计算征审模块根据所述联征数据及所述客户数据获得所述输入数据，以输入所述机器学习模型，进而计算出所述可贷额度，而能够即时地传送至所述第一行动装置以通知所述企业，所以能有效地解决现有申贷时所遇到的问题。

图1是一个方块图，说明本发明企业申贷评估系统的一个实施例。

下面结合附图及实施例对本发明进行详细说明。

在本发明被详细描述之前，应当注意在以下的说明内容中，类似的元件是以相同的编号来表示。

参阅图1，本发明企业申贷评估系统的一个实施例，适用于一个业务人员、一个征信人员、一个第一行动装置2、一个第二行动装置3、及一个联合征信中心电脑系统4，并包含一个银行电脑系统1。该第一行动装置2及该第二行动装置3的其中任一者例如是一个智能型手机、一个平板电脑、或其他类似且具备连网功能的可携式电子装置。该银行电脑系统1、该业务人员、及该征信人员都归属于同一个银行。该联合征信中心电脑系统4例如是一个或多个电脑主机或伺服器，以提供征信服务。

该第一行动装置2预先安装该银行所提供的一个应用程式(APP)并包含一个影像撷取模块21。该影像撷取模块21例如是摄影镜头及相关的感测器。该业务人员拜访一个客户，如一个企业的一个负责人，并在确认该企业有向该银行提出一个贷款申请的意愿后，该第一行动装置2通过该业务人员选择执行该应用程式，以利用该影像撷取模块21撷取包含多个纸本申请文件的一个申请文件影像，并与该银行电脑系统1建立连线，以将该申请文件影像传送至该银行电脑系统1。所述纸本申请文件相关于该企业(即该负责人)所提出的该贷款申请。举例来说，所述纸本文件包含相关关系人的个人资料保护法同意书、公司登记资料、各项财务报表、保人文件资料及财力资料等等各种办理贷款所需要的文件。

该银行电脑系统1例如是该银行的一个或多个电脑主机或伺服器，并包括一个额度计算征审模块11及一个数据库12。该额度计算征审模块11例如是单独的一个电脑主机或伺服器，但不以此为限。该数据库12储存一个机器学习模型及相关于该企业的一个客户数据。在本实施例中，该机器学习模型属于一种监督式学习模型，并例如是一种梯度提升决策树(Gradient boosting decision tree，GBDT)模型。

当该银行电脑系统1接收到来自该第一行动装置2的该申请文件影像时，先对该申请文件影像作影像辨识，以产生包含所述纸本申请文件的内容的一个申请文件数据。该额度计算征审模块11再根据该申请文件数据，自该联合征信中心电脑系统4获得相关于该企业的一个联征数据，且自该数据库12获得相关该企业的该客户数据，再根据该联征数据及该客户数据，获得一个输入数据。该额度计算征审模块11再将该输入数据输入该机器学习模型，进而计算以产生一个可贷额度，该银行电脑系统1再将该可贷额度传送至该第一行动装置2，以即时地通知该企业。

更详细地说，该额度计算征审模块11根据该联征数据或该客户数据，获得该企业所属产业别的一个产业别变数数据、在该银行所属评等的一个评等变数数据、相关于该企业的营收的多个营收变数数据、相关于该企业的资产的多个资产变数数据、相关于该企业的负债的多个负债变数数据、及多个公司资历变数数据。

在本实施例中，评等变数数据包括对应多个不同评等的多个不同数值的其中一者，例如A、B、C、D、E五个评等的等级分别对应1～5的数值。该产业别变数数据包括对应多个不同产业别的多个不同数值的其中一者，例如制造业、批发业、服务业、零售餐饮业、营建营造业、及其他产业所对应的数值分别是1～6。

所述营收变数数据包含一个第1变数至一个第6变数。该第1变数是该企业最近12个月营收，单位例如是千元。该第2变数是该企业近三个月汇入存折明细可供辨识为营收的月均额，单位例如是千元。该第3变数是该企业近半年实际营收的月均额，单位例如是千元。该第4变数是该企业近三个月汇入存折明细可供辨识为营收的月均额除以该企业近半年实际营收的月均额。该第5变数是该企业及该企业的负责人与配偶近三个月存绩除以该企业最近12个月营收。存绩即存折绩数，是以存折每月的5、10、15、20、25、及30日的存款余额计算其均额。该第6变数是该企业最近12个月营收减去去年度营收，单位例如是千元。

所述资产变数数据包含一个第7变数至一个第8变数。该第7变数例如是等于0或1，分别表示该企业的负责人与配偶与子女未持有或持有不动产。该第8变数是该企业与该企业的负责人与配偶近三个月的存绩，单位例如是千元。

所述负债变数数据包含一个第9变数至一个第15变数。该第9变数是该企业最近总授信余额，最近总授信余额是最近一次的联征中心所更新的总授信余额，例如，联征中心是在每月的15日更新数据，单位例如是千元。该第10变数是该企业的负责人夫妻总授信余额，单位例如是千元。该第11变数是该企业与该企业的负责人与配偶的每月本息支出，单位例如是千元。该第12变数是该企业最近总授信余额除以最近12个月营收。该第13变数是该企业最近总授信余额与该企业的负责人夫妻总授信余额的和除以该企业最近12个月营收。该第14变数是该企业及该企业的负责人与配偶近三个月存绩除以该企业及该企业的负责人与配偶的月本息支出。该第15变数是该企业与该企业的负责人与配偶的最近总授信余额减去该企业与该企业的负责人与配偶的去年同期总授信余额，单位例如是千元。

所述公司资历变数数据包含一个第16变数至一个第20变数及一个景气指标。该第16变数例如是等于0或1，分别表示该企业没有或有和租赁公司往来。该第17变数是该企业近三个月被多少家银行联征查询。第18变数是该企业与包含该银行的多少家银行往来。该第19变数是该企业与不包含该银行的多少家银行往来。该第20变数是该企业连续多少个月营业。该景气指标例如是等于1～5分别表示景气属于极差、略差、中等、略佳、及极佳。

此外，所述营收变数数据的其中一者是该企业在一个预定时间区间的一个营收区间收入，例如年营收。该额度计算征审模块11根据该产业别变数数据、该评等变数数据、及该营收区间收入，分别决定一个产业注记、一个评等注记、及一个营收区间注记。在本实施例中，该产业注记、该评等注记、及该营收区间注记的其中每一者包含两种数值，该额度计算征审模块11根据该产业别变数数据判断该企业所属产业别分别等于及不等于一个设定产业时，决定该产业注记分别等于一个第一数值及一个第二数值，且根据该评等变数数据判断该企业在该银行所属评等分别高于等于及低于一个设定评等时，决定该评等注记分别等于一个第三数值及一个第四数值，且根据该企业在该预定时间区间的该营收区间收入分别大于等于及小于一个设定金额时，决定该营收区间注记分别等于一个第五数值及一个第六数值。

举例来说，该设定产业是营建营造业，产业别是该营建营造业时，该产业注记等于0(即该第一数值)，相反地，则等于1(即该第二数值)。该设定评等是等级B，评等是等级A或B时，该评等注记等于1(即该第三数值)，相反地，则等于0(即该第四数值)。该设定金额是4000万元，年营收大于等于4000万元时，该营收区间注记等于1，(即该第五数值)，相反地，则等于0(即该第六数值)。

该额度计算征审模块11将所述产业别变数数据、所述评等变数数据、所述营收变数数据、所述资产变数数据、所述负债变数数据、所述公司资历变数数据、所述产业注记、所述评等注记、及所述营收区间注记，作为该输入数据，以输入该机器学习模型，进而计算以产生该可贷额度。另外要特别补充说明的是：在其他的实施例中，该输入数据也可以省略该产业注记、该评等注记、及该营收区间注记，但所计算获得的该可贷额度的效果会稍微差一点。

该机器学习模型是事先以一个训练输入数据及一个训练目标数据完成训练(Training)，该训练输入数据包含属于该银行且在一个训练时间区间且介于相关于一个营收与授信比例的一个第一比例与一个第二比例间的多个企业客户的所述产业别变数数据、所述评等变数数据、所述营收变数数据、所述资产变数数据、所述负债变数数据、所述公司资历变数数据、所述产业注记、所述评等注记、及所述营收区间注记。该训练目标数据为分别对应该训练输入数据的所述企业客户的多个实际贷款额度。

举例来说，该营收与授信比例＝(该企业的金融负债-该企业的长期担保及长期放款借款+该企业的负责人的金融负债-该企业的负责人的长期担保及长期放款借款+该企业的负责人的信用卡的循环卡费+该企业的负责人的现金卡的借款余额+该企业的负责人的配偶的金融负债-该企业的负责人的配偶的长期担保及长期放款借款+该企业的负责人的配偶的信用卡的循环卡费+该企业的负责人的配偶的现金卡的借款余额)/该企业近12个月的401表的营收，该第一比例是6.3％，该第二比例是92.5％，该训练时间区间是当月前12个月中的前11个月，并以当月前的前一个月的对应数据作为测试数据。在训练后的测试过程中，当该机器学习模型所计算的每一该可贷额度大于等于对应的该实际贷款额度的80％时，则视为命中(hit)，也就是估算的结果被视为有效。另外要特别说明的是：在本实施例中，该可贷额度的计算结果例如是对应一种还本型贷款的金额，但也能够再经由预定设计的公式换算为另一种循环型贷款的金额。

在该业务人员通过该第一行动装置2将该申请文件影像传送至该银行电脑系统1后，该银行电脑系统1能够即时地将该可贷额度传回给该第一行动装置2，使得该业务人员能够现场给予客户(即该负责人)产品组合与额度建议。当该企业确定要申办该可贷额度的该贷款申请时，该第一行动装置2通过该业务人员将一个确认申贷指令传送至该银行电脑系统1，使得该银行电脑系统1产生对应该企业所属产业别的一个征信题组，并将该征信题组传送至该第二行动装置3。

然后，该征信人员携带该第二行动装置3前往该企业与该负责人面谈，并对该负责人提出该征信题组的问题，且通过该第二行动装置3输入并产生对应该征信题组的一个征信报告，即撰写完成该征信报告。该第二行动装置3再将该征信报告传送至该银行电脑系统1，使得该银行电脑系统1根据该征信报告，决定是否核准对应该可贷额度的该贷款申请。举例来说，该征信报告是一种5P问卷，并包含：1.People，企业沿革、负责人本业经验等等；2.Purpose，借款用途及目前举债的合理性；3.Payment，还款来源；4.Protection，保人相关资历；及5.Perspective，公司未来发展及展望。此外，通过授权人员再次确认相关资料的正确性及合理性，或由该银行电脑系统1自动辨识与判读内容，以作决定是否核准该贷款申请。因此，该征信人员能够根据该第二行动装置3的该征信题组在访问结束时，同时完成访厂报告，所以能大幅地减少核贷所需要的时间。

综上所述，该银行电脑系统1在接收到该第一行动装置2的该申请文件影像，先根据该申请文件影像获得该申请文件数据，再据以分别由该联合征信中心电脑系统4及该数据库12获得该联征数据及该客户数据。该额度计算征审模块11根据该联征数据及该客户数据获得该输入数据，以输入该机器学习模型，进而计算出该可贷额度，而能够即时地传送至该第一行动装置2以通知该企业。再者，该征信人员通过该第二行动装置3在执行征信访谈的同时，一并完成访厂报告，所以都能有效地解决现有申贷时所遇到的问题，所以确实能达成本发明的目的。

惟以上所述者，仅为本发明的实施例而已，当不能以此限定本发明实施的范围，即但凡依本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明涵盖的范围内。