普惠金融是我国在“十三五”期间重要的战略决策部署。个人征信是普惠金融中的一个重要环节,随着互联网的快速发展,因个人征信问题而产生的坏账率逐年上升,如何准确的对个人授信进行评估变得尤为重要。本文积极响应国家和地区战略的号召,依托我们实验室承建的甘肃银行“三农”数字普惠金融服务平台,以甘肃省“三农”大数据为基础,利用大数据技术,对甘肃省农户个人征信问题展开了相关研究。首先,对甘肃银行提供的农户基础数据和银行历史业务数据进行包括缺失值、异常值处理在内的数据预处理工作,进而通过综合应用Pearson系数、Spearman系数、主成分分析(PCA)等方法,最终选取特征值大于1,累计贡献率大于80%的特征作为实验特征。其次,以选取的实验样本特征为基础,利用Logistic回归、决策树、K近邻、随机森林和支持向量机(SVM)方法分别建立授信模型,依据准确度、AUC、耗费时间等评估标准进行预测结果对比。对比发现,Logistic回归算法的综合效果最好。因此,我们采用Logistic回归算法进行农户授信额度的预测,在预授信额度的基础上,结合中国人民银行提供的征信报告,计算出农户的最终授信额度。最后,因为现有研究中模型训练完成后直接被应用到实际生产中,不再持续更新参数,这导致模型预测准确度下降,坏账率上升,针对这一问题,文章设定用户增量和坏账率两个触发模型参数更新的条件,当数据增量达到10万条且银行贷款坏账率达到1.7%时,随机抽取原样本数据重新进行训练,将实验结果与原有的预授信额度进行比对,最终选用优于原预授信额度的实验结果。实验结果表明,在默认情况下逻辑回归的准确率达到81.695%,而通过模型参数更新后,模型的准确率达到了96.486%,AUC也达到了96.946%,得到较好的结果,达到模型保持较高预测准确度的目的。同时,通过模型系统的实现,实现了农户贷款全流程线上完成的工作模式。