CN108520460A - 业务数据测算处理方法、装置、计算机设备和存储介质 - Google Patents
业务数据测算处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108520460A CN108520460A CN201810254332.0A CN201810254332A CN108520460A CN 108520460 A CN108520460 A CN 108520460A CN 201810254332 A CN201810254332 A CN 201810254332A CN 108520460 A CN108520460 A CN 108520460A
- Authority
- CN
- China
- Prior art keywords
- loan
- credit
- data
- business datum
- giving credit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000012550 audit Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 13
- 238000003491 array Methods 0.000 claims description 11
- 239000010931 gold Substances 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000205 computational method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 150000002343 gold Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种业务数据测算处理方法、装置、计算机设备和存储介质。方法包括：获取业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；根据业务数据生成可贷金额测算请求，将可贷金额测算请求发送至服务器，可贷金额测算请求用于指示服务器调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率，根据审核通过概率确定风险系数，根据还款计划数据，计算最高还款金额，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；接收服务器返回的可贷款额度，显示可贷款额度。采用本方法能够获得较高准确性的可贷款额度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种业务数据测算处理方法、装置、计算机设备和存储介质。
背景技术
随着生活水平的提高，人们的消费观念也发生了较大的变化，个人贷款逐渐受到人们的推崇。用户通常可通过APP(Application，应用程序)或网页在银行或其他金融机构平台进行个人贷款，且同一用户可办理多个贷款业务。在办理贷款业务之前，用户可以得知金融机构平台所提供贷款业务的授信额度。
然而，由于不同的贷款业务会有不同的授信额度及还款计划数据等业务数据，传统方法是用户利用金融机构平台提供的信息，对自己每个贷款业务进行单独测算处理，继而根据测算结果前去金融机构办理一定额度的贷款业务。当存在多个贷款业务时，若用户在测算时所使用的授信额度过高，则容易导致无法按时还款，若使用的授信额度过低，则无法充分利用授信额度。由此导致用户在已办理多次贷款业务后无法自己准确测算出再次贷款时的可贷款额度。因此，当用户想再次申请贷款时，如何测算得到准确性较高的可贷款额度成为目前需要解决的一个技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够获得较高准确性的可贷款额度的业务数据测算处理方法、装置、计算机设备和存储介质。
一种业务数据测算处理方法，所述方法包括：获取业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；根据所述业务数据生成可贷金额测算请求，将所述可贷金额测算请求发送至服务器，所述可贷金额测算请求用于指示所述服务器调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率，根据所述审核通过概率确定风险系数，根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；接收所述服务器返回的所述可贷款额度，显示所述可贷款额度。
在其中一个实施例中，所述方法还包括：对所述已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息；生成与单次还款消息关联的消息组件；将生成的消息组件，按照所关联的单次还款消息对应的还款时间点的时序展示；获取针对展示的消息组件的选择指令；输出所述选择指令针对的消息组件所关联的单次还款消息。
一种业务数据测算处理方法，所述方法包括：获取终端上传的业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率；统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额；根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将所述可贷款额度发送至所述终端。
在其中一个实施例中，所述业务数据还包括当前用户数据，所述调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率之前，还包括：获取与多个已授信业务标识对应的历史数据；根据所述历史数据生成多个多维特征数组和与多维特征数组对应的分类数值；通过所述多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型；将所述当前用户数据输入所述当前逻辑回归模型，得到与所述多个已授信业务标识相应的审核通过概率。
在其中一个实施例中，所述通过所述多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型，包括：获取初始逻辑回归模型；根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对所述初始逻辑回归模型进行拟合得到拟合系数；根据所述拟合系数和所述初始逻辑回归模型构建当前逻辑回归模型。
在其中一个实施例中，所述方法还包括：根据与已授信业务标识对应的还款计划数据，获取所述与多个已授信业务标识对应的贷款利率和授信额度；按照贷款利率对所述多个已授信业务标识进行排序；按照所述可贷款额度，根据排序后的多个已授信业务标识对应的授信额度确定与多个已授信业务标识对应的推荐贷款金额，将多个推荐贷款金额发送至所述终端。
一种业务数据测算处理装置，所述装置包括：获取模块，用于获取业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；发送模块，用于根据所述业务数据生成可贷金额测算请求，将所述可贷金额测算请求发送至服务器，所述可贷金额测算请求用于指示所述服务器调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率，根据所述审核通过概率确定风险系数，根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；接收模块，用于接收所述服务器返回的所述可贷款额度，显示所述可贷款额度。
一种业务数据测算处理装置，所述装置包括：获取模块，用于获取终端上传的业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；查找模块，用于调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率；统计模块，用于统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；计算模块，用于根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额；根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将所述可贷款额度发送至所述终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个实施例中所述的业务数据测算处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例中所述的业务数据测算处理方法的步骤。
上述业务数据测算处理方法、装置、计算机设备和存储介质，服务器接收到终端上传的业务数据之后，服务器可根据业务数据查找多个已授信业务标识相应的审核通过概率，确定审核不通过导致的风险系数。服务器还可根据业务数据中多个已授信业务标识对应的还款计划数据，计算最高还款金额。服务器通过已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度之后，将可贷款额度发送至终端进行显示。通过已贷款数据、风险系数和最高还款金额计算可贷款额度，保证了用户在最高还款金额对应的时间点具有高于最高还款金额的授信额度，避免了由于部分已授信业务审核不通过导致的逾期还款风险，且利用了授信额度可重复使用的特性，提高了授信额度的利用度。因此，提高了测算得到的可贷款额度的准确性。
附图说明
图1为一个实施例中业务数据测算处理方法的应用场景图；
图2为一个实施例中业务数据测算处理方法的流程示意图；
图3为另一个实施例中业务数据测算处理方法的流程示意图；
图4A为一个实施例中消息组件展示的示意图；
图4B为另一个实施例中消息组件展示的示意图；
图5为又一个实施例中业务数据测算处理方法的流程示意图；
图6为一个实施例中业务数据测算处理装置的结构框图；
图7为另一个实施例中业务数据测算处理装置的结构框图；
图8为一个实施例中计算机设备的内部结构图；
图9为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一已授信业务称为第二已授信业务，且类似地，可将第二已授信业务称为第一已授信业务。第一已授信业务和第二已授信业务两者都是已授信业务，但其不是同一已授信业务。
本申请提供的业务数据测算处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102中安装了应用程序。用户通过应用程序输入包括已贷款数据和已授信数据的业务数据。终端102根据业务数据生成可贷金额测算请求，并将可贷金额测算请求发送至服务器104。服务器104调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率。服务器104根据审核通过概率统计得到风险系数，通过已授信数据计算得到最高还款金额之后，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将可贷款额度发送至终端102。终端102可显示可贷款额度。
在一个实施例中，如图2所示，提供了一种业务数据测算处理方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤202，获取业务数据。
业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据。其中，已贷款数据是指用户当前已办理的贷款业务的相关数据。比如说，已贷款总额、已贷款业务标识等。已授信数据是指用户当前已授信，但还未办理的贷款业务的相关数据。当前已授信，但还未办理的贷款业务可称为已授信业务。已授信业务标识指用于将每个已授信业务区分于其他被已授信业务的标识，且已授信业务标识为全局唯一标识。已授信业务标识可为被触摸控件的名称或编号。已授信业务标识可以是包括数字、字母和符号中至少一种字符的字符串。还款计划数据是指已授信业务的还款计划的相关数据。还款计划数据包括但不限于还款类型、授信额度、贷款利率、还款时间点等数据。
在一个实施例中，针对业务数据测算，终端可通过应用程序提供一个业务数据获取界面，用户可根据业务数据获取界面中的信息提示，将业务数据输入相应的预设文本框。用户还可以将业务数据填入表格模板之后，再将包含业务数据的表格通过业务数据获取界面上传至终端。终端可对用户上传的表格进行解析，得到已贷款数据和多个已授信业务标识，以及与已授信业务标识对应的还款计划数据。
步骤204，根据业务数据生成可贷金额测算请求，将可贷金额测算请求发送至服务器。
可贷金额测算请求是指携带业务数据，用于指示服务器进行业务数据测算处理的请求。可贷金额测算请求用于指示服务器调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率，根据审核通过概率确定风险系数，根据多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度。
在一个实施例中，终端通过应用程序提供的业务数据获取界面上可包括业务数据测算控件。当检测到作用于业务数据测算控件的点击操作时，则终端可根据用户通过业务数据获取界面输入的业务数据生成可贷金额测算请求，并将可贷金额测算请求发送至应用程序对应的服务器。
步骤206，接收服务器返回的可贷款额度，显示可贷款额度。
当服务器根据可贷金额测算请求计算得到可贷款额度之后，服务器可将可贷款额度发送至终端。终端可将可贷款额度通过显示屏显示。
在一个实施例中，可贷金额测算请求还可用于指示服务器根据与已授信业务标识对应的还款计划数据，获取与多个已授信业务标识对应的贷款利率和授信额度；按照贷款利率对多个已授信业务标识进行排序；按照可贷款额度，根据排序后的多个已授信业务标识对应的授信额度确定与多个已授信业务标识对应的推荐贷款金额。当服务器根据可贷金额测算请求计算得到与多个已授信业务标识对应的推荐贷款金额之后，服务器可将多个推荐贷款金额发送至终端。终端可将推荐贷款金额通过显示屏显示。比如将多个推荐贷款金额以列表的形式进行显示，列表内容可包括已授信业务标识及相应的推荐贷款金额。
上述业务数据测算处理方法中，终端在获取业务数据之后，根据业务数据生成可贷金额测算请求，并将可贷金额测算请求发送至服务器。服务器可根据业务数据查找多个已授信业务标识相应的审核通过概率，确定审核不通过导致的风险系数。服务器还可根据业务数据中多个已授信业务标识对应的还款计划数据，计算最高还款金额。服务器通过已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度之后，将可贷款额度发送至终端进行显示。通过已贷款数据、风险系数和最高还款金额计算可贷款额度，保证了用户在最高还款金额对应的时间点具有高于最高还款金额的授信额度，避免了由于部分已授信业务审核不通过导致的逾期还款风险，且利用了授信额度可重复使用的特性，提高了授信额度的利用度。因此，提高了测算得到的可贷款额度的准确性。
在一个实施例中，该方法还包括：对已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息；生成与单次还款消息关联的消息组件；将生成的消息组件，按照所关联的单次还款消息对应的还款时间点的时序展示；获取针对展示的消息组件的选择指令；输出选择指令针对的消息组件所关联的单次还款消息。
其中，还款时间点是指根据已贷款数据计算出来的需要用户进行还款的时间点。单次还款消息包括用户在还款时间点的已贷款业务标识、还款类型、单次还款金额等其中一种或多种的组合。当前已办理的贷款业务可称为已授信业务。已贷款业务标识为已授信业务的标识，包括但不限于已授信业务的贷款业务编号。比如说，第一已贷款业务的还款类型为等额本息，还款时间点为每月2号，由于等额本息每次还款金额是固定的，其中包含了本金和利息，则在每个还款时间点的还款金额都相同。再比如，第二已贷款业务的还款类型为等额本金，还款时间点为每月15号，由于等额本息每次还款金额是固定的，其中包含了本金和利息，则在每个还款时间点的还款金额都相同。
组件是具有视觉形态的界面组成单元。消息组件是用于将消息内容或者消息相关数据显示在UI(User Interface，用户界面)中的组件。消息内容是消息具体的内容。比如单次还款消息的消息内容即为文本内容。消息相关数据可以是消息类型、消息时间或者消息发送者标识等。消息组件中可封装有用于显示文本的文本控件或者用于显示图片的图片控件等。消息组件可通过封装的控件进行消息内容的显示，也可直接进行消息内容显示。终端可预先生成若干空白消息组件，将生成的空白消息组件存储在文件或者缓存中，以在需要的时候获取。终端在解析得到单次还款消息之后，从文件或者缓存中获取空白消息组件，将获取的空白消息组件与解析得到单次还款消息关联，得到与单次还款消息关联的消息组件。
在一个实施例中，终端可直接将消息组件按照所关联的单次还款消息对应的还款时间点的时序分散展示。终端在分散展示消息组件时，相邻展示的消息组件之间的距离可以是固定的预设距离，也可以是根据相邻展示的消息组件对应的还款时间点之间的时间间隔所计算得到的距离。终端还可将消息组件按照所关联的单次还款消息对应的还款时间点的时序堆叠展示。图4A为消息组件展示的示意图，多个消息组件通过时间轴连接，在时间轴上可通过文本标记出时间区间。可直接预设显示的时间区间，还可以根据用户的滑动操作移动时间轴，从而改变时间区间。当获取到针对展示的消息组件的选择指令时，可输出选择指令针对的消息组件所关联的单次还款消息。比如说，如图4B所示，在所选的消息组件3的上方显示文本框，并在文本框中显示关联的单次还款消息。
上述业务数据测算处理方法中，通过对已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息，并按照还款时间点的时序以消息组件的方式展示单次还款消息，从而清晰地展示出针对已贷款业务的还款情况，使得用户能够针对已还款业务的还款时间点，与将来需要办理的已授信业务的还款时间点进行错开。
在一个实施例中，如图3所示，提供了另一种业务数据测算处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤302，获取终端上传的业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据。
其中，已贷款数据是指用户当前已办理的贷款业务的相关数据。比如说，已贷款总额、已贷款业务标识等。已授信数据是指用户当前已授信，但还未办理的贷款业务的相关数据。当前已授信，但还未办理的贷款业务可称为已授信业务。已授信业务标识指用于将每个已授信业务区分于其他被已授信业务的标识，且已授信业务标识为全局唯一标识。已授信业务标识可为被触摸控件的名称或编号。已授信业务标识可以是包括数字、字母和符号中至少一种字符的字符串。还款计划数据是指已授信业务的还款计划的相关数据。还款计划数据包括但不限于还款类型、授信额度、贷款利率、还款时间点等数据。
在一个实施例中，服务器还可获取终端上传的当前用户数据。当前用户数据是指与用户信息相关的数据。比如用户性别、年龄、住址、月收入、公积金月缴存额等其中一种或多种数据。
步骤304，调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率。
当前逻辑回归模型是指根据历史数据构建完成的逻辑回归模型(Logit model，也称“分类评定模型”)。用户在办理贷款业务之前，虽然能从提供贷款业务的金融机构提前得知授信额度，但是在办理贷款业务过程中，可能由于用户信息不符合贷款业务条件等因素导致无法通过授信验证，贷款业务审核不通过。因此可通过构建当前逻辑回归模型，根据用户提供的当前用户数据，确定针对每个已授信业务的审核通过概率。审核通过概率是指用户通过已授信业务的审核流程并最终得到授信额度的可能性。
在一个实施例中，服务器中设置有训练样本集，在训练样本集中存储着多个已授信业务标识对应的历史数据。其中，历史数据可以是由服务器通过网络爬虫采集的金融机构平台下的审核标准数据，也可以是采集的金融机构平台下多个用户的业务数据和审核结果。训练样本集中的已授信业务标识对应的历史数据还可以是终端在接收到用户输入的历史数据之后，再由终端将得到的历史数据上传至服务器。服务器可根据训练样本集训练得到当前逻辑回归模型。
步骤306，统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数。
预设阈值可以是预先设置的数值，比如说60％。当审核通过概率小于预设阈值时，说明该已授信业务审核不通过的可能性很大。若已授信业务审核不通过，则用户将无法使用该已授信业务对应的授信额度。在调用当前逻辑回归模型，得到已授信业务标识审核通过概率之后，统计审核通过概率小于预设阈值的已授信业务标识的数量，并将该数量作为风险系数。
步骤308，根据多个已授信业务标识对应的还款计划数据，计算最高还款金额。
最高还款金额是指多个已授信业务标识对应的已授信业务，在每个还款周期内数值最高的还款金额。比如说，第一已授信业务在每月2号对应的还款金额为1000，第二已授信业务在每月6号对应的还款金额为2000，第三已授信业务在每月15号对应的还款金额1500，则最高还款金额为2000。
在一个实施例中，根据多个与已授信业务标识对应的还款计划数据，获取多个已授信业务标识对应的贷款类型、授信额度和数值内容；根据已授信业务标识对应的授信额度和数值内容，采用相应贷款类型对应的还款金额计算模型计算已授信业务标识对应的已授信业务在每个还款时间点的单项利息和；根据已授信业务标识对应的授信额度与单项利息和进行计算，生成已授信业务标识对应的已授信业务在每个还款时间点的单项负债金额；通过比较计算出的多个已授信业务标识在每个还款时间点的单项负债金额，得到最高还款金额。
在一个实施例中，根据已授信业务标识对应的授信额度、贷款利率与还款时间点，采用相应贷款类型对应的还款金额计算模型计算已授信业务标识在每个还款时间点的单项利息和，包括：当贷款类型为第一贷款类型时，则根据授信额度和与数值内容，数值内容中包含贷款利率和前次结息时间点；通过预设的第一还款金额计算模型利用贷款利率和前次结息时间点计算已授信业务标识对应的已授信业务在预设还款时间点的单项利息和；第一贷款类型包括等额本金贷款。举例来说，通过下列公式计算已授信业务标识对应的已授信业务在预设还款时间点的单项利息和iX1。其中，ZX1表示已授信业务X1在未来K时间点的本金和，M0是指前次结息时间点，M1为下一结息时间点，r表示贷款年利率，依据中国人民银行规定的计算方法，日利率等于年利率除以360。
当贷款类型为第二贷款类型时，则根据授信额度与数值内容，数值内容中包含贷款利率、还款频度和还款次数；通过预设的第二还款金额计算模型利用贷款利率、还款频度和还款次数计算已授信业务标识对应的已授信业务在预设还款时间点的单项利息和；第二贷款类型包括等额本息贷款。举例来说，通过下列公式计算已授信业务标识对应的已授信业务在预设还款时间点的单项利息和iX1。其中，A表示已授信业务X1的本金，表示月利率，c表示还款月数。
步骤310，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将可贷款额度发送至终端。
可贷款额度是指在最大化利用授信额度且的最小化逾期还款风险前提下，可以进行贷款的额度。
在一个实施例中，可通过以下公式根据已贷款数据、风险系数和最高还款金额计算可贷款额度：可贷款额度＝总授信额度-已贷款总额-最高还款金额*风险系数。其中，总授信额度为每个已授信业务标识对应的授信额度之和，已贷款总额为每个已贷款业务标识对应的已贷款金额之和。风险系数是在调用当前逻辑回归模型，得到已授信业务标识审核通过概率之后，统计审核通过概率小于预设阈值的已授信业务标识的数量，并将该数量作为风险系数。业务数据还可包括预期额外收入，则可通过以下公式计算可贷款额度：可贷款额度＝总授信额度+预期额外收入-已贷款总额-最高还款金额*风险系数。其中，预期额外收入是指用户根据自身情况确认的，在贷款时间点之间能够获得的额外收入。
举例来说：用户在第一已授信业务有8万授信额度，第二已授信业务有6万授信额度，第三已授信业务有3万授信额度，第四已授信业务有20万授信额度。还款计划数据分别为：第一已授信业务日息为万分之4，最长贷款期限为24期(两年)；第二已授信业务日息为万分之5，最长贷款期限为24期(两年)；第三已授信业务年息为16％，最长贷款期限为12期(一年)；第四已授信业务年息18％，最长贷款期限36期(三年)。第一已授信业务和第二已授信业务的贷款类型为等额本金贷款，第三已授信业务和第四已授信业务的贷款类型为等额本息贷款。总授信额度为37万。该用户每个月需要还款的金额分别为：第一已授信业务：利息80000*0.0004*30＝960元/月，本金80000/24＝3333.33元/月；第二已授信业务：利息60000*0.0005*30＝900元/月，本金60000/24＝2500元/月；第三已授信业务：等额本息每月还款总额为2721.92元/月，第一个月利息为399.99元；第四已授信业务：等额本息每月还款总额为7230.48元/月，第一个月利息为3000元。经过上面的计算，该用户单月最高还款金额为7230.48元。则该用户这37万总授信额度中可贷款额度为：总授信额度(370000)-最高还款金额(7230.48)*风险系数(2)＝355539.04元。
上述业务数据测算处理方法中，服务器接收到终端上传的业务数据之后，服务器可根据业务数据查找多个已授信业务标识相应的审核通过概率，确定审核不通过导致的风险系数。服务器还可根据业务数据中多个已授信业务标识对应的还款计划数据，计算最高还款金额。服务器通过已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度之后，将可贷款额度发送至终端进行显示。通过已贷款数据、风险系数和最高还款金额计算可贷款额度，保证了用户在最高还款金额对应的时间点具有高于最高还款金额的授信额度，避免了由于部分已授信业务审核不通过导致的逾期还款风险，且利用了授信额度可重复使用的特性，提高了授信额度的利用度。因此，提高了测算得到的可贷款额度的准确性。
在一个实施例中，业务数据还包括当前用户数据调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率之前，还包括：根据历史数据生成多个多维特征数组和与多维特征数组对应的分类数值；通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型；将当前用户数据输入当前逻辑回归模型，得到与多个已授信业务标识相应的审核通过概率。
其中，历史数据包括但不限于用户性别、年龄、住址、月收入、公积金月缴存额、贷款平台数量、贷款总额、等其中一种或多种数据，以及用户的已授信业务的审核结果。可根据用户性别、年龄、住址、月收入、公积金月缴存额、贷款平台数量、贷款总额、等其中一种或多种数据生成多维特征数组，根据已授信业务的审核结果生成与多维特征数组对应的分类数值。
举例来说，根据历史数据生成已授信业务标识对应的多维特征数组x＝{x1,x2,.......,xn}，和与多维特征数组对应的分类数值y＝{0,1}，其中1代表审核通过，0代表审核不通过。
在一个实施例中，通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型，包括：获取初始逻辑回归模型；根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对初始逻辑回归模型进行拟合得到拟合系数；根据拟合系数和初始逻辑回归模型构建当前逻辑回归模型。
其中，初始逻辑回归模型是指初始化的逻辑回归模型，即模型中的多个系数为初始化参数。举例来说，初始逻辑回归模型可表示为：
g(x)＝β0+β1x1+......+βnxn，那么审核通过与审核不通过的概率比(审核通过事件的发生比odds)通过下列公式进行计算：对odds取对数，则得到log(eg(x))＝g(x)。可根据具体的多维特征数组x＝{x1,x2,.......,xn}，和与多维特征数组对应的分类数值y＝{0,1}对初始逻辑回归模型进行拟合，可得到拟合系数β0至βn。根据拟合系数和初始逻辑回归模型构建当前逻辑回归模型之后，可根据当前用户数据生成用户的多维特征数组，并将用户的多维特征数组输入当前逻辑回归模型，得到与多个已授信业务标识相应的审核通过概率。
在一个实施例中，方法还包括：根据与已授信业务标识对应的还款计划数据，获取与多个已授信业务标识对应的贷款利率和授信额度；按照贷款利率对多个已授信业务标识进行排序；按照可贷款额度，根据排序后的多个已授信业务标识对应的授信额度确定与多个已授信业务标识对应的推荐贷款金额，将多个推荐贷款金额发送至终端。
其中，由于贷款利率越低，所需还款的利息越少，因此可以按照贷款利率的由低到高对多个已授信业务标识进行排序，并确定每个已授信业务标识对应的推荐贷款金额。举例来说，用户在第一已授信业务有8万授信额度，日息为万分之4，第二已授信业务有6万授信额度，日息为万分之5，第三已授信业务有3万，年息为16％。则排序为第一已授信业务、第三已授信业务、第二已授信业务。当可贷款额度为15万时，第一已授信业务的推荐贷款金额为8万，第二已授信业务的推荐贷款金额为4万，第三已授信业务的推荐贷款金额为3万。
在一个实施例中，如图5所示，提供了又一种业务数据测算处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤502，获取与多个已授信业务标识对应的历史数据。
步骤504，根据历史数据生成多个多维特征数组和与多维特征数组对应的分类数值。
步骤506，获取初始逻辑回归模型。
步骤508，根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对初始逻辑回归模型进行拟合得到拟合系数。
步骤510，根据拟合系数和初始逻辑回归模型构建当前逻辑回归模型。
步骤512，获取终端上传的业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据。
步骤514，将当前用户数据输入当前逻辑回归模型，得到与多个已授信业务标识相应的审核通过概率。
步骤516，调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率。
步骤518，统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数。
步骤520，根据多个已授信业务标识对应的还款计划数据，计算最高还款金额。
步骤522，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将可贷款额度发送至终端。
上述业务数据测算处理方法中，服务器在获取到历史数据之后，根据历史数据构建逻辑回归模型。服务器接收到终端上传的业务数据之后，服务器可根据业务数据查找多个已授信业务标识相应的审核通过概率，确定审核不通过导致的风险系数。服务器还可根据业务数据中多个已授信业务标识对应的还款计划数据，计算最高还款金额。服务器通过已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度之后，将可贷款额度发送至终端进行显示。通过已贷款数据、风险系数和最高还款金额计算可贷款额度，保证了用户在最高还款金额对应的时间点具有高于最高还款金额的授信额度，避免了由于部分已授信业务审核不通过导致的逾期还款风险，且利用了授信额度可重复使用的特性，提高了授信额度的利用度。因此，提高了测算得到的可贷款额度的准确性。
应该理解的是，虽然图2、3和5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、3和5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种业务数据测算处理装置600，包括：获取模块602，用于获取业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；发送模块604，用于根据业务数据生成可贷金额测算请求，将可贷金额测算请求发送至服务器，可贷金额测算请求用于指示服务器调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率，根据审核通过概率确定风险系数，根据多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；接收模块606，用于接收服务器返回的可贷款额度，显示可贷款额度。
在一个实施例中，该装置还包括：生成模块，用于对已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息；生成与单次还款消息关联的消息组件；展示模块，用于将生成的消息组件，按照所关联的单次还款消息对应的还款时间点的时序展示；获取针对展示的消息组件的选择指令；输出选择指令针对的消息组件所关联的单次还款消息。
在一个实施例中，如图7所示，提供了另一种业务数据测算处理装置700，包括：获取模块702，用于获取终端上传的业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；查找模块704，用于调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率；统计模块706，用于统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；计算模块708，用于根据多个已授信业务标识对应的还款计划数据，计算最高还款金额；根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将可贷款额度发送至终端。
在一个实施例中，该装置还包括：构建模块，用于获取与多个已授信业务标识对应的历史数据；根据历史数据生成多个多维特征数组和与多维特征数组对应的分类数值；通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型；将当前用户数据输入当前逻辑回归模型，得到与多个已授信业务标识相应的审核通过概率。
在一个实施例中，构建模块还用于获取初始逻辑回归模型；根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对初始逻辑回归模型进行拟合得到拟合系数；根据拟合系数和初始逻辑回归模型构建当前逻辑回归模型。
关于业务数据测算处理装置的具体限定可以参见上文中对于业务数据测算处理方法的限定，在此不再赘述。上述业务数据测算处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储业务数据、当前逻辑回归模型等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务数据测算处理方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务数据测算处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8和9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；根据业务数据生成可贷金额测算请求，将可贷金额测算请求发送至服务器，可贷金额测算请求用于指示服务器调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率，根据审核通过概率确定风险系数，根据多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；接收服务器返回的可贷款额度，显示可贷款额度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息；生成与单次还款消息关联的消息组件；将生成的消息组件，按照所关联的单次还款消息对应的还款时间点的时序展示；获取针对展示的消息组件的选择指令；输出选择指令针对的消息组件所关联的单次还款消息。
在一个实施例中，提供了另一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取终端上传的业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率；统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；根据多个已授信业务标识对应的还款计划数据，计算最高还款金额；根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将可贷款额度发送至终端。
在一个实施例中，业务数据还包括当前用户数据，处理器执行计算机程序时，所实现的调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率的步骤之前，还包括以下步骤：获取与多个已授信业务标识对应的历史数据；根据历史数据生成多个多维特征数组和与多维特征数组对应的分类数值；通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型；将当前用户数据输入当前逻辑回归模型，得到与多个已授信业务标识相应的审核通过概率。
在一个实施例中，处理器执行计算机程序时，所实现的通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型，还包括以下步骤：获取初始逻辑回归模型；根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对初始逻辑回归模型进行拟合得到拟合系数；根据拟合系数和初始逻辑回归模型构建当前逻辑回归模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据与已授信业务标识对应的还款计划数据，获取与多个已授信业务标识对应的贷款利率和授信额度；按照贷款利率对多个已授信业务标识进行排序；按照可贷款额度，根据排序后的多个已授信业务标识对应的授信额度确定与多个已授信业务标识对应的推荐贷款金额，将多个推荐贷款金额发送至终端。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；根据业务数据生成可贷金额测算请求，将可贷金额测算请求发送至服务器，可贷金额测算请求用于指示服务器调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率，根据审核通过概率确定风险系数，根据多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；接收服务器返回的可贷款额度，显示可贷款额度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息；生成与单次还款消息关联的消息组件；将生成的消息组件，按照所关联的单次还款消息对应的还款时间点的时序展示；获取针对展示的消息组件的选择指令；输出选择指令针对的消息组件所关联的单次还款消息。
在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取终端上传的业务数据；业务数据包括已贷款数据和已授信数据，已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率；统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；根据多个已授信业务标识对应的还款计划数据，计算最高还款金额；根据已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将可贷款额度发送至终端。
在一个实施例中，业务数据还包括当前用户数据，计算机程序被处理器执行时，所实现的调用当前逻辑回归模型，利用当前逻辑回归模型查找与多个已授信业务标识相应的审核通过概率的步骤之前，还包括以下步骤：获取与多个已授信业务标识对应的历史数据；根据历史数据生成多个多维特征数组和与多维特征数组对应的分类数值；通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型；将当前用户数据输入当前逻辑回归模型，得到与多个已授信业务标识相应的审核通过概率。
在一个实施例中，计算机程序被处理器执行时，所实现的通过多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型，还包括以下步骤：获取初始逻辑回归模型；根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对初始逻辑回归模型进行拟合得到拟合系数；根据拟合系数和初始逻辑回归模型构建当前逻辑回归模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据与已授信业务标识对应的还款计划数据，获取与多个已授信业务标识对应的贷款利率和授信额度；按照贷款利率对多个已授信业务标识进行排序；按照可贷款额度，根据排序后的多个已授信业务标识对应的授信额度确定与多个已授信业务标识对应的推荐贷款金额，将多个推荐贷款金额发送至终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务数据测算处理方法，所述方法包括：
获取业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；
根据所述业务数据生成可贷金额测算请求，将所述可贷金额测算请求发送至服务器，所述可贷金额测算请求用于指示所述服务器调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率，根据所述审核通过概率确定风险系数，根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；
接收所述服务器返回的所述可贷款额度，显示所述可贷款额度。
2.根据权利要求1所述的方法，所述方法还包括：
对所述已贷款数据进行解析，得到多个还款时间点以及在还款时间点的单次还款消息；
生成与单次还款消息关联的消息组件；
将生成的消息组件，按照所关联的单次还款消息对应的还款时间点的时序展示；
获取针对展示的消息组件的选择指令；
输出所述选择指令针对的消息组件所关联的单次还款消息。
3.一种业务数据测算处理方法，所述方法包括：
获取终端上传的业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；
调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率；
统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；
根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额；
根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将所述可贷款额度发送至所述终端。
4.根据权利要求3所述的方法，其特征在于，所述业务数据还包括当前用户数据，所述调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率之前，还包括：
获取与多个已授信业务标识对应的历史数据；
根据所述历史数据生成多个多维特征数组和与多维特征数组对应的分类数值；
通过所述多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型；
将所述当前用户数据输入所述当前逻辑回归模型，得到与所述多个已授信业务标识相应的审核通过概率。
5.根据权利要求4所述的方法，其特征在于，所述通过所述多个多维特征数组和与多维特征数组对应的分类数值构建当前逻辑回归模型，包括：
获取初始逻辑回归模型；
根据相同已授信业务标识对应的多维特征数组和与多维特征数组对应的分类数值，对所述初始逻辑回归模型进行拟合得到拟合系数；
根据所述拟合系数和所述初始逻辑回归模型构建当前逻辑回归模型。
6.根据权利要求3至5任意一项所述的方法，其特征在于，所述方法还包括：
根据与已授信业务标识对应的还款计划数据，获取所述与多个已授信业务标识对应的贷款利率和授信额度；
按照贷款利率对所述多个已授信业务标识进行排序；
按照所述可贷款额度，根据排序后的多个已授信业务标识对应的授信额度确定与多个已授信业务标识对应的推荐贷款金额，将多个推荐贷款金额发送至所述终端。
7.一种业务数据测算处理装置，其特征在于，所述装置包括：
获取模块，用于获取业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；
发送模块，用于根据所述业务数据生成可贷金额测算请求，将所述可贷金额测算请求发送至服务器，所述可贷金额测算请求用于指示所述服务器调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率，根据所述审核通过概率确定风险系数，根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额，根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度；
接收模块，用于接收所述服务器返回的所述可贷款额度，显示所述可贷款额度。
8.一种业务数据测算处理装置，其特征在于，所述装置包括：
获取模块，用于获取终端上传的业务数据；所述业务数据包括已贷款数据和已授信数据，所述已授信数据包括多个已授信业务标识，以及与已授信业务标识对应的还款计划数据；
查找模块，用于调用当前逻辑回归模型，利用所述当前逻辑回归模型查找与所述多个已授信业务标识相应的审核通过概率；
统计模块，用于统计审核通过概率小于预设阈值的已授信业务标识的数量，作为风险系数；
计算模块，用于根据所述多个已授信业务标识对应的还款计划数据，计算最高还款金额；根据所述已贷款数据、风险系数和最高还款金额进行计算，得到可贷款额度，并将所述可贷款额度发送至所述终端。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810254332.0A CN108520460A (zh) | 2018-03-26 | 2018-03-26 | 业务数据测算处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810254332.0A CN108520460A (zh) | 2018-03-26 | 2018-03-26 | 业务数据测算处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108520460A true CN108520460A (zh) | 2018-09-11 |
Family
ID=63434417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810254332.0A Pending CN108520460A (zh) | 2018-03-26 | 2018-03-26 | 业务数据测算处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108520460A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544264A (zh) * | 2018-10-17 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 金融借贷产品推荐方法、装置、计算机设备及存储介质 |
| CN109543848A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市轱辘汽车维修技术有限公司 | 一种维修人员的风险控制方法及装置 |
| CN109584036A (zh) * | 2018-10-11 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 对象计算方法、装置、电子设备及计算机可读存储介质 |
| CN109636576A (zh) * | 2018-10-25 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 信贷数据的处理方法、装置、设备和存储介质 |
| CN109636567A (zh) * | 2018-10-19 | 2019-04-16 | 深圳平安财富宝投资咨询有限公司 | 基于大数据的业务办理方法、服务器、存储介质及装置 |
| CN109785118A (zh) * | 2018-12-18 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 贷后数据处理的方法、装置、介质及电子设备 |
| CN110348811A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 辅助采集信息的方法、装置、电子设备及存储介质 |
| CN110443497A (zh) * | 2019-08-05 | 2019-11-12 | 深圳市盟天科技有限公司 | 服务运营质量检测方法、装置、设备及存储介质 |
| CN110826921A (zh) * | 2019-11-08 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
| CN111242716A (zh) * | 2018-11-29 | 2020-06-05 | 重庆小雨点小额贷款有限公司 | 农产品交易数据处理方法、装置、服务器及存储介质 |
| CN111275542A (zh) * | 2020-01-17 | 2020-06-12 | 中国建设银行股份有限公司 | 一种贷款请求的处理方法、装置和系统 |
| CN111583010A (zh) * | 2019-02-18 | 2020-08-25 | 北京奇虎科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN112231550A (zh) * | 2020-09-11 | 2021-01-15 | 重庆誉存大数据科技有限公司 | 一种信贷金融产品推荐处理方法及装置 |
| CN112581256A (zh) * | 2020-12-14 | 2021-03-30 | 中国建设银行股份有限公司 | 授信额度数据处理的方法、装置、设备和计算机可读介质 |
| CN112598470A (zh) * | 2020-12-24 | 2021-04-02 | 上海优扬新媒信息技术有限公司 | 业务数据的处理方法、设备以及存储介质 |
| CN112598500A (zh) * | 2020-12-21 | 2021-04-02 | 中国建设银行股份有限公司 | 一种无额度客户的授信处理方法及系统 |
| CN112950299A (zh) * | 2019-11-26 | 2021-06-11 | 浙江大搜车软件技术有限公司 | 方案设计方法、装置、计算机设备和存储介质 |
| CN112965881A (zh) * | 2021-03-29 | 2021-06-15 | 深圳乐信软件技术有限公司 | 一种数据计算方法、引擎、系统、设备及介质 |
| CN112967129A (zh) * | 2021-03-08 | 2021-06-15 | 中国建设银行股份有限公司 | 一种金融数据的测算方法、装置、计算机设备及存储介质 |
| CN113379537A (zh) * | 2021-07-05 | 2021-09-10 | 中国农业银行股份有限公司 | 业务处理方法、装置及设备 |
| CN113869888A (zh) * | 2021-12-03 | 2021-12-31 | 广东卓维网络有限公司 | 一种用电审批处理方法和装置 |
| CN114862561A (zh) * | 2022-06-17 | 2022-08-05 | 平安国际融资租赁有限公司 | 还款规划方案的测算方法、装置、存储介质及电子设备 |
| CN115731023A (zh) * | 2022-11-23 | 2023-03-03 | 联洋国融(北京)科技有限公司 | 一种贷款回收现金流数额的预测方法和系统 |
| CN116894726A (zh) * | 2023-07-26 | 2023-10-17 | 湖南企企通科技有限公司 | 贷款信息跟踪处理方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003060786A2 (fr) * | 2002-01-11 | 2003-07-24 | Ufj Bank Limited | Systeme de gestion de prets adapte a l'evaluation collaterale, dispositif de gestion de prets, et procede de gestion de prets |
| CN107067319A (zh) * | 2017-03-13 | 2017-08-18 | 平安科技（深圳）有限公司 | 贷款额度测算方法和装置 |
| CN107483420A (zh) * | 2017-07-31 | 2017-12-15 | 北京百悟科技有限公司 | 信息审核装置及方法 |
-
2018
- 2018-03-26 CN CN201810254332.0A patent/CN108520460A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003060786A2 (fr) * | 2002-01-11 | 2003-07-24 | Ufj Bank Limited | Systeme de gestion de prets adapte a l'evaluation collaterale, dispositif de gestion de prets, et procede de gestion de prets |
| CN107067319A (zh) * | 2017-03-13 | 2017-08-18 | 平安科技（深圳）有限公司 | 贷款额度测算方法和装置 |
| CN107483420A (zh) * | 2017-07-31 | 2017-12-15 | 北京百悟科技有限公司 | 信息审核装置及方法 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584036A (zh) * | 2018-10-11 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 对象计算方法、装置、电子设备及计算机可读存储介质 |
| CN109544264A (zh) * | 2018-10-17 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 金融借贷产品推荐方法、装置、计算机设备及存储介质 |
| CN109636567A (zh) * | 2018-10-19 | 2019-04-16 | 深圳平安财富宝投资咨询有限公司 | 基于大数据的业务办理方法、服务器、存储介质及装置 |
| CN109543848A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市轱辘汽车维修技术有限公司 | 一种维修人员的风险控制方法及装置 |
| CN109636576A (zh) * | 2018-10-25 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 信贷数据的处理方法、装置、设备和存储介质 |
| CN111242716A (zh) * | 2018-11-29 | 2020-06-05 | 重庆小雨点小额贷款有限公司 | 农产品交易数据处理方法、装置、服务器及存储介质 |
| CN111242716B (zh) * | 2018-11-29 | 2023-09-15 | 重庆小雨点小额贷款有限公司 | 农产品交易数据处理方法、装置、服务器及存储介质 |
| CN109785118A (zh) * | 2018-12-18 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 贷后数据处理的方法、装置、介质及电子设备 |
| CN111583010A (zh) * | 2019-02-18 | 2020-08-25 | 北京奇虎科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN110348811A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 辅助采集信息的方法、装置、电子设备及存储介质 |
| CN110443497A (zh) * | 2019-08-05 | 2019-11-12 | 深圳市盟天科技有限公司 | 服务运营质量检测方法、装置、设备及存储介质 |
| CN110826921A (zh) * | 2019-11-08 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
| CN110826921B (zh) * | 2019-11-08 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
| CN112950299A (zh) * | 2019-11-26 | 2021-06-11 | 浙江大搜车软件技术有限公司 | 方案设计方法、装置、计算机设备和存储介质 |
| CN111275542A (zh) * | 2020-01-17 | 2020-06-12 | 中国建设银行股份有限公司 | 一种贷款请求的处理方法、装置和系统 |
| CN112231550A (zh) * | 2020-09-11 | 2021-01-15 | 重庆誉存大数据科技有限公司 | 一种信贷金融产品推荐处理方法及装置 |
| CN112231550B (zh) * | 2020-09-11 | 2024-05-17 | 重庆誉存大数据科技有限公司 | 一种信贷金融产品推荐处理方法及装置 |
| CN112581256A (zh) * | 2020-12-14 | 2021-03-30 | 中国建设银行股份有限公司 | 授信额度数据处理的方法、装置、设备和计算机可读介质 |
| CN112598500A (zh) * | 2020-12-21 | 2021-04-02 | 中国建设银行股份有限公司 | 一种无额度客户的授信处理方法及系统 |
| CN112598470A (zh) * | 2020-12-24 | 2021-04-02 | 上海优扬新媒信息技术有限公司 | 业务数据的处理方法、设备以及存储介质 |
| CN112967129A (zh) * | 2021-03-08 | 2021-06-15 | 中国建设银行股份有限公司 | 一种金融数据的测算方法、装置、计算机设备及存储介质 |
| CN112965881A (zh) * | 2021-03-29 | 2021-06-15 | 深圳乐信软件技术有限公司 | 一种数据计算方法、引擎、系统、设备及介质 |
| CN113379537A (zh) * | 2021-07-05 | 2021-09-10 | 中国农业银行股份有限公司 | 业务处理方法、装置及设备 |
| CN113869888A (zh) * | 2021-12-03 | 2021-12-31 | 广东卓维网络有限公司 | 一种用电审批处理方法和装置 |
| CN114862561A (zh) * | 2022-06-17 | 2022-08-05 | 平安国际融资租赁有限公司 | 还款规划方案的测算方法、装置、存储介质及电子设备 |
| CN115731023A (zh) * | 2022-11-23 | 2023-03-03 | 联洋国融(北京)科技有限公司 | 一种贷款回收现金流数额的预测方法和系统 |
| CN116894726A (zh) * | 2023-07-26 | 2023-10-17 | 湖南企企通科技有限公司 | 贷款信息跟踪处理方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520460A (zh) | 业务数据测算处理方法、装置、计算机设备和存储介质 | |
| Bellini | IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS | |
| CN109767320A (zh) | 订单审核方法、装置、计算机设备和存储介质 | |
| CN101685526A (zh) | 一种贷款准入评估方法和系统 | |
| CN107944738A (zh) | 一种税务信用积分计算方法及装置 | |
| Petrides et al. | Cost-sensitive learning for profit-driven credit scoring | |
| CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
| CN107622444A (zh) | 业务准入方法及装置、电子设备 | |
| Chehrazi et al. | Dynamic valuation of delinquent credit-card accounts | |
| EP2528031A1 (en) | Methods and apparatus for on-line analysis of financial accounting data | |
| CN110415123B (zh) | 金融产品推荐方法、装置和设备及计算机存储介质 | |
| Jin et al. | Does citizens’ financial literacy relate to bank financial reporting transparency? | |
| CN110110884A (zh) | 信息预测方法、装置、计算机设备和存储介质 | |
| US20160042374A1 (en) | Methods and Systems for Identifying Merchant and ATM Demand | |
| CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
| CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
| CN115271886A (zh) | 金融产品的推荐方法及装置、存储介质、电子设备 | |
| CN108256667A (zh) | 资产数据处理方法、装置、存储介质和计算机设备 | |
| CN116800831B (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
| CN107590732A (zh) | 一种业务数据试算方法及其设备、终端 | |
| Su et al. | Reserve accumulation and money supply in China: a time-varying analysis | |
| Montes et al. | Uncertainties and disagreements in expectations of professional forecasters: Evidence from an inflation targeting developing country | |
| CN114764412A (zh) | 一种数据处理方法及装置 | |
| Whiteman | The efficiency of developing country public financial management systems | |
| CN114240610B (zh) | 资金自动归集方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180911 |
|
| RJ01 | Rejection of invention patent application after publication |