随着计算机、数据库和移动互联网技术的快速发展,各行业中累积的数据量和形态越来越丰富。征信不再局限于传统的金融领域,逐步向多行业,大流量,小实体的方式转变。运动,社交,交易,通讯等数据都有可能被采集到征信系统中,给传统征信业务带来巨大挑战。从模型角度,大量数据集的并入,导致样本指标非常稀疏,模型稳定性不足。从系统角度,各类数据形态的整合,以及针对不同场景的模型灵活配置,大量用户的业务并发,都对系统提出了更高的要求。本文从模型和系统两方面着手,对传统征信的自动化评估方法进行了改进。为了有效解决数据稀疏性的问题,先根据指标覆盖度对用户进行分群,再根据不同分群提炼的模型进行组合,提炼出基于用户分群的组合模型算法。并结合自动化决策系统,灵活采集和调用大量的征信数据集,同时支持用户在无需编码的情况下对整个信用决策流程进行自定义设计,减少人工介入,将采集、决策和监控体系完整融合,使整个信用评估流程变得更准确,更高效。理论上,借鉴了大量国内外个人征信产品的案例,研究同类产品中的信用评估方法。包括基于专家评分法的信用评估理论,和基于逻辑回归,朴素贝叶斯,决策树,随机森林等多种单一模型的信用评估理论等。但是这些理论在指标覆盖度差异较大的情况下,表现出了较差的稳定性。因此,在传统征信理论的基础上,通过对样本数据集进行分类,提出了基于用户分群的个人信用评估组合模型。实验中,通过数据采集,获得了10万条个人征信报告样本数据,并且对违约样本进行了标注。再将采集到的样本数据随机切分为训练集和测试集,模拟对比了传统征信理论与基于用户分群的组合模型理论,以实验数据验证了这套理论的优势。这套理论有较强的普适性,同样可以被推广到消费金融,供应链金融,汽车金融等新兴金融行业。工程上,为了实现个人信用自动化评估,还需要一套更智能的信用决策系统。它的智能化与自动化主要体现在以下几个方面:即插即用的数据源采集器,全自然语言定义的决策逻辑,自由拖拽串联的流程设计器与自动化的结论评估。将个人信用评估的整个流程进行组件化包装,真正实现决策流程的零代码设计。在应用方面,以案例的方式将基于用户分群的组合模型理论应用到了这套决策系统中,实现自动化评分。也通过完整的功能测试和性能测试。证明该平台具备较强的稳定性和较高的并发能力,为实现整个社会的信用体系建设提供技术参考。