賽題背景

隨著社會(huì)信用體系建設(shè)的深入推進(jìn)， 社會(huì)信用標(biāo)準(zhǔn)建設(shè)飛速發(fā)展，相關(guān)標(biāo)準(zhǔn)相繼發(fā)布，包括信用服務(wù)標(biāo)準(zhǔn)、信用數(shù)據(jù)釆集和服務(wù)標(biāo)準(zhǔn)、信用修復(fù)標(biāo)準(zhǔn)、城市信用標(biāo)準(zhǔn)、行業(yè)信用標(biāo)準(zhǔn)等在內(nèi)的多層次標(biāo)準(zhǔn)體系亟待出臺(tái)，社會(huì)信用標(biāo)準(zhǔn)體系建設(shè)有望快速推進(jìn)。社會(huì)各行業(yè)信用服務(wù)機(jī)構(gòu)深度參與廣告、政務(wù)、金融、共享單車、旅游、重大投資項(xiàng)目、教育、環(huán)保以及社會(huì)信用體系建設(shè)。社會(huì)信用體系建設(shè)是系統(tǒng)工程，通信運(yùn)營(yíng)商需要打造企業(yè)信用評(píng)分體系，助推整個(gè)社會(huì)的信用體系升級(jí)。同時(shí)國(guó)家也鼓勵(lì)推進(jìn)第三方信用服務(wù)機(jī)構(gòu)與政府的數(shù)據(jù)交換，以增強(qiáng)政府公共信用信息中心的核心競(jìng)爭(zhēng)力。

任務(wù)描述

中國(guó)移動(dòng)福建公司提供2018年x月份的樣本數(shù)據(jù)（脫敏），包括客戶的各類通信支出、欠費(fèi)情況、出行情況、消費(fèi)場(chǎng)所、社交、個(gè)人興趣等豐富的多維度數(shù)據(jù)，參賽者通過分析建模，運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，準(zhǔn)確評(píng)估用戶消費(fèi)信用分值。

賽題內(nèi)容和方向

隨著社會(huì)信用體系建設(shè)的深入推進(jìn)，社會(huì)信用傳統(tǒng)的信用評(píng)分主要通過客戶消費(fèi)能力等少數(shù)的維度來衡量，難以全面、客觀、及時(shí)地反映客戶的信用。作為通信運(yùn)營(yíng)商，中國(guó)移動(dòng)擁有海量、廣泛、高質(zhì)量、高時(shí)效的數(shù)據(jù)。如何基于豐富的大數(shù)據(jù)對(duì)客戶進(jìn)行智能評(píng)分是中國(guó)移動(dòng)和新大陸科技集團(tuán)目前亟須攻關(guān)的難題。運(yùn)營(yíng)商信用智能評(píng)分體系的建立不僅能完善社會(huì)信用體系，同時(shí)也為中國(guó)移動(dòng)內(nèi)部提供了豐富的應(yīng)用價(jià)值，包括全球通客戶服務(wù)品質(zhì)的提升、客戶欠費(fèi)額度的信用控制、根據(jù)信用等級(jí)享受各類業(yè)務(wù)優(yōu)惠等，希望通過本次算法比賽，征集優(yōu)秀的模型體系，準(zhǔn)確評(píng)估用戶信用分值。

賽題價(jià)值

傳統(tǒng)的信用評(píng)分主要以客戶消費(fèi)能力等少數(shù)維度來衡量，難以全面、客觀、及時(shí)地反映客戶的信用。中國(guó)移動(dòng)作為通信運(yùn)營(yíng)商擁有海量、廣泛、高質(zhì)量、高時(shí)效的數(shù)據(jù)，如何基于豐富的大數(shù)據(jù)對(duì)客戶進(jìn)行智能評(píng)分是中國(guó)移動(dòng)和新大陸科技集團(tuán)目前攻關(guān)的難題。運(yùn)營(yíng)商信用智能評(píng)分體系的建立不僅能完善社會(huì)信用體系，同時(shí)也為中國(guó)移動(dòng)內(nèi)部提供了豐富的應(yīng)用價(jià)值，包括全球通客戶服務(wù)品質(zhì)的提升、客戶欠費(fèi)額度的信用控制、根據(jù)信用等級(jí)享受各類業(yè)務(wù)優(yōu)惠等，希望通過本次比賽，征集優(yōu)秀的模型體系，準(zhǔn)確評(píng)估用戶信用分值。

賽題難點(diǎn)

本賽題的難點(diǎn)主要有幾個(gè)方面：

1.行業(yè)信用度評(píng)分與行業(yè)應(yīng)用場(chǎng)景、行業(yè)特征息息相關(guān)，因此需要參賽者了解基本通信行業(yè)特征，通過對(duì)通信業(yè)務(wù)進(jìn)行解讀，選取適合的字段進(jìn)行建模。本賽題提供了涉及用戶的身份特征、消費(fèi)能力、人脈關(guān)系、位置軌跡、應(yīng)用行為偏好信息等多個(gè)字段，需要理解信用度同字段的相關(guān)性，取舍字段信息。舉例來說，透過用戶的位置軌跡可以識(shí)別用戶在不同熱點(diǎn)商圈的消費(fèi)能力、是否居住在高檔小區(qū)、是否是商旅?？偷雀呦M(fèi)人群。同樣，對(duì)于一個(gè)網(wǎng)齡10年以上不換號(hào)、每月通信費(fèi)用在200元以上，從不欠費(fèi)的用戶，其對(duì)應(yīng)的信用分也一定越高。

2.選擇合適的模型。傳統(tǒng)的評(píng)分模型通過對(duì)關(guān)鍵因素和權(quán)重的線性統(tǒng)計(jì)來評(píng)分，孤立、靜態(tài)的理解各變量，無法準(zhǔn)確、實(shí)時(shí)、動(dòng)態(tài)地評(píng)價(jià)和預(yù)測(cè)消費(fèi)者的信用變化情況，參賽者應(yīng)通過對(duì)樣本數(shù)據(jù)的分析，采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等算法模型，更全面地進(jìn)行綜合評(píng)分。