CN108711101A - 一种贷款交易方法、装置、系统和电子设备 - Google Patents

Abstract

本发明公开了一种贷款交易方法和系统，涉及互联网大数据和金融领域。其中，贷款交易方法包括获取对申贷用户的贷款申请的审核结果；如果审核结果为失败，则生成失败原因推测信息。本发明解决了由于贷款交易双方信息不对称导致贷款交易率低的问题，当放贷用户对申贷用户的审核结果为失败时，本发明对申贷用户的个人信用数据进行评估，得到失败原因推测信息，并将失败原因推测信息发送给申贷用户，从而使得申贷用户了解自己申请贷款失败的原因，从而便于针对性的改善自己的个人信用数据，使得放贷用户能够更为全面的获取申贷用户的个人信用数据，大大降低误判的产生，提高了贷款交易率。

Description

一种贷款交易方法、装置、系统和电子设备

技术领域

本发明涉及互联网大数据和金融领域，尤其涉及一种贷款交易方法、装置、系统和电子设备。

背景技术

随着互联网金融行业的蓬勃发展，越来越多的用户通过互联网平台向小额贷款机构申请贷款。这种贷款多是信用贷款而不是抵押贷款，由于缺乏抵押物，小额贷款机构常常面临较高的风险。因此，为了控制风险，小额贷款机构对申请贷款的用户的审核通过率并不会特别高，并且平台呈现给用户的只有“审核通过”或者“审核不通过”的最终结果，而不会告知用户造成最终结果的原因。由于用户对自身的信用现状和与之相匹配的贷款产品了解甚少，因此也无法判断被拒绝或被接受背后的理由。

近来，随着大数据行业的发展，使用大数据为用户做信用评级成为可能，也就是计算机基于大数据可以对一个用户的信用情况进行快速的、自动的判断。这些手段能够更快速的匹配贷款人和小额贷款机构，并给予信用评估提升贷款的审核通过率。

然而，由于大数据技术也不能完全获得一个用户的全部信用相关数据，因此，仍然存在由于小额贷款机构由于缺少足够的数据而无法精准判断用户的信用，使得贷款申请无法通过审核的情况。一部分情况，是由于用户的信用水平确实较低而造成的，另一部分情况是由于小额贷款机构获取个人信用数据的能力有限造成的。针对后者情况，如何提高小额贷款机构获取用户的信用数据的能力，是亟待解决的技术问题。

发明内容

(一)发明目的

本发明的目的是解决由于贷款交易双方信息不对称导致贷款交易率低的问题。

(二)技术方案

为解决上述问题，本发明的第一方面提供了一种，贷款交易方法，包括：

获取对申贷用户的贷款申请的审核结果；

如果所述审核结果为失败，则生成所述审核结果的失败原因推测信息。

可选地，所述生成所述审核结果的失败原因推测信息包括：基于预设的评估模型对预存的个人信用数据进行分析，生成所述审核结果的失败原因推测信息。

可选地，所述预设的评估模型包括：高风险数据项评估模型、同款产品评估模型、综合评估模型中的一种或多种；

所述高风险数据项评估模型，用于从所述申贷用户的个人信用数据的各数据项中找出高风险数据项，将高风险数据项作为失败原因推测信息之一；

所述同款产品评估模型，用于将所述申贷用户的个人信用数据与申请同一种贷款产品的其他申贷用户的个人信用数据进行比对，生成失败原因推测信息之一；

所述综合评估模型，用于对预定时间和/或预定区域内多个申请贷款产品的审核结果为失败的申贷用户的个人信用数据进行分析，找到共同数据项，将共同数据项作为失败原因推测信息之一。

可选地，所述同款产品评估模型包括：同款产品差异数据评估模型和/或同款产品类似数据评估模型；

所述同款产品差异数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品成功的申贷用户的个人信用数据进行比对，找到差异数据项，将所述差异数据项作为失败原因推测信息之一；

所述同款产品类似数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品失败的申贷用户的个人信用数据进行比对，找到类似数据项，将所述类似数据项作为失败原因推测信息之一。

可选地，所述的方法还包括：获取所述申贷用户的个人信用数据。

可选地，所述个人信用数据包括：个人基本信息、个人征信大数据和历史交易数据中的一种或多种。

可选地，所述个人征信大数据包括：银行交易记录、个人征信记录、个人教育经历、职业履历信息、违约记录、司法纠纷记录、网购数据和社交数据中的一种或多种。

可选地，所述获取所述申贷用户的个人信用数据包括：

获取所述申贷用户的身份识别信息和授权信息；

基于所述身份识别信息和授权信息获取所述申贷用户的个人征信大数据。

可选地，在所述获取所述申贷用户的个人信用数据之后，还包括：

基于预设的信用评级模型对所述申贷用户的个人信用数据进行分析，得到所述申贷用户的信用评级；

基于预设的匹配规则从预存的贷款产品中选择与所述申贷用户的信用评级相匹配的贷款产品，并将所述贷款产品推送给所述申贷用户。

可选地，所述贷款产品包括：对所述失败原因推测信息不敏感的贷款产品。

根据本发明的另一方面，提供了一种贷款交易装置，包括：

审核结果获取模块，用于获取对申贷用户的贷款申请的审核结果；

审核结果分析模块，用于判断所述审核结果是否为失败，如果是，则生成所述审核结果的失败原因推测信息。

可选地，所述审核结果分析模块，还用于基于预设的评估模型对预存的个人信用数据进行分析，生成失败原因推测信息。

所述预设的评估模型包括：高风险数据项评估模型、同款产品评估模型、综合评估模型中的一种或多种；

所述高风险数据项评估模型，用于从所述申贷用户的个人信用数据的各数据项中找出高风险数据项，将高风险数据项作为失败原因推测信息之一；

所述同款产品评估模型，用于将所述申贷用户的个人信用数据与申请同一种贷款产品的其他申贷用户的个人信用数据进行比对，生成失败原因推测信息之一；

所述综合评估模型，用于对预定时间和/或预定区域内多个申请贷款产品的审核结果为失败的申贷用户的个人信用数据进行分析，找到共同数据项，将共同数据项作为失败原因推测信息之一。

可选地，所述同款产品评估模型包括：同款产品差异数据评估模型和/或同款产品类似数据评估模型；

所述同款产品差异数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品成功的申贷用户的个人信用数据进行比对，找到差异数据项，将所述差异数据项作为失败原因推测信息之一；

所述同款产品类似数据评估模型，用于将该申贷用户的个人信用数据和申请同一种贷款产品失败的申贷用户的个人信用数据进行比对，找到类似数据项，将所述类似数据项作为失败原因推测信息之一。

可选地，所述贷款交易装置还包括：个人信用数据获取模块，用于获取所述申贷用户的个人信用数据。

可选地，所述个人信用数据获取模块包括以下单元中的一种或多种：

个人基本信息获取单元，用于获取申贷用户输入的个人基本信息；

个人征信大数据获取单元，用于获取申贷用户的个人征信大数据

历史交易数据获取单元，用于获取申贷用户的历史交易数据。

可选地，所述个人征信大数据包括：银行交易记录、个人征信记录、个人教育经历、职业履历信息、违约记录、司法纠纷记录、网购数据和社交数据中的一种或多种。

可选地，所述个人信用数据获取模块，还包括：

身份识别信息获取单元，用于获取申贷用户的身份识别信息；

授权信息获取单元，用于获取申贷用户的授权信息；

个人征信大数据获取单元，用于基于所述身份识别信息和授权信息获取申贷用户的个人征信大数据。

可选地，所述贷款交易装置还包括：信用评级模块，用于基于预设的信用评级模型对所述申贷用户的个人信用数据进行分析，得到所述申贷用户的信用评级；匹配模块，用于基于预设的匹配规则从预存的贷款产品中选择与所述申贷用户的信用评级相匹配的贷款产品，并将所述贷款产品推送给所述申贷用户。

可选地，所述贷款产品包括：对所述失败原因推测信息不敏感的贷款产品。

根据本发明的又一方面，提供了一种贷款交易的系统，包括前述任一项所述的贷款交易装置，还包括：申贷客户端，用于获取申贷用户输入的贷款申请；还用于接收对所述贷款申请的审核结果和所述失败原因推测信息；放贷客户端，用于获取放贷用户输入的贷款产品；还用于获取放贷用户输入的对所述贷款申请的审核结果。

根据本发明的又一方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现所述贷款交易方法的步骤。

根据本发明的又一方面，提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述贷款交易方法的步骤。

(三)有益效果

本发明的上述技术方案具有如下有益的技术效果：当放贷用户对申贷用户的审核结果为失败时，本发明基于预设的评估模型，对申贷用户的个人信用数据进行评估，得到失败原因推测信息，并将失败原因推测信息发送给申贷用户，从而使得申贷用户了解自己申请贷款失败的原因，从而便于针对性的改善自己的个人信用数据，使得放贷用户能够更为全面的获取申贷用户的个人信用数据，大大降低误判的产生，提高了贷款交易率。

附图说明

图1是本发明提供的贷款交易方法的一个实施例的步骤流程图；

图2是本发明提供的贷款交易方法的一个实施例中失败原因推测信息的示意图；

图3是本发明提供的贷款交易系统涉及到的多个端的结构关系示意图。

图4是本发明提供的贷款交易装置的一个实施例的模块关系示意图；

图5是本发明图3中各个端的数据交互的流程图；

图6是本发明提供的电子设备的硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

图1是本发明提供的贷款交易方法的一个实施例的步骤流程图。

如图1所示，在本实施例中，贷款交易方法包括以下步骤S101-S103：

S101，获取对申贷用户的贷款申请的审核结果。

S102，判断所述审核结果是否为失败，如果是，则执行S103。

S103，生成所述审核结果的失败原因推测信息。

其中，生成所述审核结果的失败原因推测信息包括：基于预设的评估模型对预存的个人信用数据进行分析，生成所述审核结果的失败原因推测信息。

可选地，所述预设的评估模型包括：高风险数据项评估模型、同款产品评估模型、综合评估模型中的一种或多种。

所述高风险数据项评估模型，用于从所述申贷用户的个人信用数据的各数据项中找出高风险数据项，将高风险数据项作为失败原因推测信息之一。

例如：一个申贷用户的多项个人信用数据良好，因此，该申贷用户的整体信用级别较高。但是，该申贷用户存在多次信用卡还款违约记录，并且违约数量远超平均水平。此时，高风险数据项评估模型能够识别该数据项为高风险数据项，并将该数据项列入失败原因推测信息的列表中。

所述同款产品评估模型，用于将所述申贷用户的个人信用数据与申请同一种贷款产品的其他申贷用户的个人信用数据进行比对，生成失败原因推测信息之一。对于同一款贷款产品，其属于同一家贷款机构，因此可以认为多个申请该贷款产品的申贷用户均被该贷款机构按照相同的标准进行审核。通过同款产品评估模型比对某失败的申贷用户与申请成功的申贷用户的个人信用数据，可以发现该申贷用户与申请成功的申贷用户的数据异常项，进而推测出潜在审核失败的关联数据项，并将该数据项列入失败原因推测信息的列表中。

所述综合评估模型，用于对预定时间和/或预定区域内多个申请贷款产品的审核结果为失败的申贷用户的个人信用数据进行分析，找到共同数据项，将共同数据项作为失败原因推测信息之一。采用综合评估模型的原因在于，对于某些敏感数据项，大部分贷款机构均视作否决因素，而该数据项可能在预先生成的申贷用户的信用评级信息没有得到体现，这是由于这些因素是短期的、变动的，因此在对申贷用户进行信用评级时，没有捕捉到这些因素。例如由于受到政策的影响，某职业领域短期存在较高违约风险，因此贷款机构对某一具体领域的从业人员的贷款进行风险控制，因此申请人的“职业”数据项可能被综合评估模型所识别，并将该数据项列入失败原因推测信息的列表中。

可选地，所述同款产品评估模型包括：同款产品差异数据评估模型和/或同款产品类似数据评估模型。

所述同款产品差异数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品成功的申贷用户的个人信用数据进行比对，找到差异数据项，将所述差异数据项作为失败原因推测信息之一。

例如，某贷款机构提供较高的贷款额度以及较高的利息率，因此需要锁定拥有较高还款能力的申贷用户。通过同款产品差异数据评估模型对比某失败的申贷用户与申请成功的申贷用户的个人信用数据，发现该失败的申贷用户的工作年限较短，而过往申请成功的数据显示申贷用户工作年限均大于10年，因此同款产品差异数据评估模型将“工作年限”列入失败原因推测信息的列表中。

再例如，基于某一贷款产品申请成功的申贷用户均提供了额外的房地产持有信息，而当前申请失败的申贷用户的个人信用数据中并没有该信息，则同款产品差异数据评估模型通过比对则发现该申请人审核失败的原因可能在于没有提供房地产持有信息，因此同款产品差异数据评估模型将“缺少地产持有信息”列入失败原因推测信息的列表中。

所述同款产品类似数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品失败的申贷用户的个人信用数据进行比对，找到类似数据项，将所述类似数据项作为失败原因推测信息之一。

图2是本发明提供的贷款交易方法的一个实施例中失败原因推测信息的示意图。该示例图可以展示在用户的客户端软件或页面之上。

如图2所示，失败原因推测信息包括造成申贷失败的数据项，例如：信用逾期、资产证明、收入情况等数据项。进一步地，失败原因推测信息还可以包括与每个数据项对应的原因分析信息。进一步地，失败原因推测信息还可以包括与每个数据项对应的建议信息。

在本发明贷款交易方法的另一个实施例中，所述的方法还包括：获取所述申贷用户的个人信用数据。所述个人信用数据包括：个人基本信息、个人征信大数据和历史交易数据中的一种或多种。其中，所述个人征信大数据包括：银行交易记录、个人征信记录、个人教育经历、职业履历信息、违约记录、司法纠纷记录、网购数据和社交数据中的一种或多种。其中，违约记录为从不同的数据库得到不同的违约记录，例如：贷款违约记录、租房违约记录、租车违约记录等等。

在本发明贷款交易方法的另一个实施例中，所述获取所述申贷用户的个人信用数据包括以下步骤S100和S200。

S100，获取所述申贷用户的身份识别信息和授权信息。

S200，基于所述身份识别信息和授权信息获取所述申贷用户的个人征信大数据。

在本发明贷款交易方法的另一个实施例中，在所述获取所述申贷用户的个人信用数据之后，还包括以下步骤S011和S022：

S011，基于预设的信用评级模型对所述申贷用户的个人信用数据进行分析，得到所述申贷用户的信用评级。

其中，预设的信用评级模型基于多项考评标准评测该申贷用户的信用分数，基于分数将各个申贷用户设定信用等级。需要说明的是，预设的信用评级模型可以参考现有技术中各大网络信贷平台或各大银行的信用评级模型，该模型本身并不是本发明的发明点，在此不做赘述。

S022，基于预设的匹配规则从预存的贷款产品中选择与所述申贷用户的信用评级相匹配的贷款产品，并将所述贷款产品推送给所述申贷用户。

可选地，所述贷款产品包括：对所述失败原因推测信息不敏感的贷款产品。其中，判断一个贷款产品对失败原因推测信息是否敏感可以通过多个方法来实现，例如通过产品的二次贷款成功率即可得到一个贷款产品对失败原因推测信息不敏感，本发明的保护范围不局限于该方法。

图3是本发明提供的贷款交易系统涉及到的多个端的结构关系示意图。图4是本发明提供的贷款交易装置的一个实施例的模块关系示意图。

如图3-4所示，在本实施例中，贷款交易装置包括：审核结果获取模块和审核结果分析模块。

审核结果获取模块，用于获取对申贷用户的贷款申请的审核结果。

审核结果分析模块，用于判断所述审核结果是否为失败，如果是，则生成所述审核结果的失败原因推测信息。

可选地，所述审核结果分析模块，还用于基于预设的评估模型对预存的个人信用数据进行分析，生成失败原因推测信息。

所述预设的评估模型包括：高风险数据项评估模型、同款产品评估模型、综合评估模型中的一种或多种；

所述高风险数据项评估模型，用于从所述申贷用户的个人信用数据的各数据项中找出高风险数据项，将高风险数据项作为失败原因推测信息之一。

例如：一个申贷用户的多项个人信用数据良好，因此，该申贷用户的整体信用级别较高。但是，该申贷用户存在多次信用卡还款违约记录，并且违约数量远超平均水平。此时，高风险数据项评估模型能够识别该数据项为高风险数据项，并将该数据项列入失败原因推测信息的列表中。

所述同款产品评估模型，用于将所述申贷用户的个人信用数据与申请同一种贷款产品的其他申贷用户的个人信用数据进行比对，生成失败原因推测信息之一。对于同一款贷款产品，其属于同一家贷款机构，因此可以认为多个申请该贷款产品的申贷用户均被该贷款机构按照相同的标准进行审核。通过同款产品评估模型比对某失败的申贷用户与申请成功的申贷用户的个人信用数据，可以发现该申贷用户与申请成功的申贷用户的数据异常项，进而推测出潜在审核失败的关联数据项，并将该数据项列入失败原因推测信息的列表中。

所述综合评估模型，用于对预定时间和/或预定区域内多个申请贷款产品的审核结果为失败的申贷用户的个人信用数据进行分析，找到共同数据项，将共同数据项作为失败原因推测信息之一。采用综合评估模型的原因在于，对于某些敏感数据项，大部分贷款机构均视作否决因素，而该数据项可能在预先生成的申贷用户的信用评级信息没有得到体现，这是由于这些因素是短期的、变动的，因此在对申贷用户进行信用评级时，没有捕捉到这些因素。例如由于受到政策的影响，某职业领域短期存在较高违约风险，因此贷款机构对某一具体领域的从业人员的贷款进行风险控制，因此申请人的“职业”数据项可能被综合评估模型所识别，并将该数据项列入失败原因推测信息的列表中。

可选地，所述同款产品评估模型包括：同款产品差异数据评估模型和/或同款产品类似数据评估模型。

所述同款产品差异数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品成功的申贷用户的个人信用数据进行比对，找到差异数据项，将所述差异数据项作为失败原因推测信息之一。

例如，某贷款机构提供较高的贷款额度以及较高的利息率，因此需要锁定拥有较高还款能力的申贷用户。通过同款产品差异数据评估模型对比某失败的申贷用户与申请成功的申贷用户的个人信用数据，发现该失败的申贷用户的工作年限较短，而过往申请成功的数据显示申贷用户工作年限均大于10年，因此同款产品差异数据评估模型将“工作年限”列入失败原因推测信息的列表中。

再例如，基于某一贷款产品申请成功的申贷用户均提供了额外的房地产持有信息，而当前申请失败的申贷用户的个人信用数据中并没有该信息，则同款产品差异数据评估模型通过比对则发现该申请人审核失败的原因可能在于没有提供房地产持有信息，因此同款产品差异数据评估模型将“缺少地产持有信息”列入失败原因推测信息的列表中。

所述同款产品类似数据评估模型，用于将该申贷用户的个人信用数据和申请同一种贷款产品失败的申贷用户的个人信用数据进行比对，找到类似数据项，将所述类似数据项作为失败原因推测信息之一。

在本发明贷款交易装置的另一个实施例中，所述贷款交易装置还包括：个人信用数据获取模块，用于获取所述申贷用户的个人信用数据。

可选地，所述个人信用数据获取模块包括个人基本信息获取单元、个人征信大数据获取单元、历史交易数据获取单元中的一种或多种。

个人基本信息获取单元，用于获取申贷用户输入的个人基本信息。

个人征信大数据获取单元，用于获取申贷用户的个人征信大数据。

历史交易数据获取单元，用于获取申贷用户的历史交易数据。

可选地，所述个人征信大数据包括：银行交易记录、个人征信记录、个人教育经历、职业履历信息、违约记录、司法纠纷记录、网购数据和社交数据中的一种或多种。其中，违约记录为从不同的数据库得到不同的违约记录，例如：贷款违约记录、租房违约记录、租车违约记录等等。

在本发明贷款交易装置的另一个实施例中，所述个人信用数据获取模块，还包括：身份识别信息获取单元授权信息获取单元和个人征信大数据获取单元。

其中，身份识别信息获取单元，用于获取申贷用户的身份识别信息。授权信息获取单元，用于获取申贷用户的授权信息。所述个人征信大数据获取单元，用于基于所述身份识别信息和授权信息获取申贷用户的个人征信大数据。

在本发明贷款交易装置的另一个实施例中，贷款交易装置还包括：信用评级模块和匹配模块。

其中，信用评级模块，用于基于预设的信用评级模型对所述申贷用户的个人信用数据进行分析，得到所述申贷用户的信用评级。其中，预设的信用评级模型基于多项考评标准评测该申贷用户的信用分数，基于分数将各个申贷用户设定信用等级。需要说明的是，预设的信用评级模型可以参考现有技术中各大网络信贷平台或各大银行的信用评级模型，该模型本身并不是本发明的发明点，在此不做赘述。

匹配模块，用于基于预设的匹配规则从预存的贷款产品中选择与所述申贷用户的信用评级相匹配的贷款产品，并将所述贷款产品推送给所述申贷用户。可选地，所述贷款产品包括：对所述失败原因推测信息不敏感的贷款产品。

根据本发明的又一方面，提供了一种贷款交易的系统，包括前述任一项所述的贷款交易装置，还包括：申贷客户端和放贷客户端。

其中，申贷客户端，用于获取申贷用户输入的贷款申请；还用于接收对所述贷款申请的审核结果和所述失败原因推测信息。

放贷客户端，用于获取放贷用户输入的贷款产品；还用于获取放贷用户输入的对所述贷款申请的审核结果。

图5是本发明图3中各个端的数据交互的流程图。

如图5所示，各个端的数据交互流程包括以下步骤S1—S22。

S1，申贷客户端获取申贷用户输入的个人基本信息。

S2，申贷客户端将个人基本信息发送至服务器。相应的，服务器接收申贷客户端发送的申贷用户的个人基本信息。

S3，服务器基于申贷用户的个人基本信息，获取申请用户的个人征信大数据和历史交易数据。

S4，放贷客户端获取放贷用户输入的贷款产品。

S5，放贷客户端将贷款产品发送至服务器。相应的，服务器接收并存储放贷客户端发送的贷款产品。

其中，需要说明的是，步骤S1-S3与步骤S4-S5没有确定的时间逻辑关系。例如，可以是先执行步骤S1-S3，再执行步骤S4-S5；也可以是先执行步骤S4-S5，在执行步骤S1-S3；还可以将步骤S1-S3和步骤S4-S5同时执行或交叉执行。

S6，服务器基于预设的信用评级模型对所述个人信用数据进行分析，得到申贷用户的信用评级。

S7，服务器基于预设的匹配规则从预存的贷款产品中选择与申贷用户的信用评级相匹配的贷款产品。

S8，服务器将匹配的贷款产品推送给申贷客户端。相应的，申贷客户端接收服务器所推送的贷款产品。

S9，申贷客户端获取申贷用户输入的贷款申请。

S10，申贷客户端将贷款申请发送至服务器。相应的，服务器获取申贷客户端发送的贷款申请。

S11，服务器将接收到的贷款申请发送至放贷客户端。相应的，放贷客户端接收服务器发送的贷款申请。

S12，放贷客户端从服务器获取申请该贷款产品的用户的信用评级和/或个人信用数据。

S13，放贷客户端获取放贷用户输入的审核结果：失败。

S14，放贷客户端将审核结果发送至服务器。相应的，服务器接收放贷客户端发送的审核结果。

S15，服务器对审核结果进行分析，如果审核结果为失败，则生成失败原因推测信息。

S16，服务器将审核结果和失败原因推测信息发送至申贷客户端。相应的，申贷客户端接收服务器发送的审核结果和失败原因推测信息。

S17，申贷客户端获取申贷用户输入或上传的补充信息。

S18，申贷客户端将补充信息发送至服务器。相应的，服务器接收申贷客户端发送的补充信息。

S19，服务器将补充信息发送至放贷客户端。相应的，放贷客户端接收服务器发送的补充信息。

S20，放贷客户端，获取放贷用户输入的审核结果：成功。

经过以上步骤S1-S20，一次贷款交易完成。在一次贷款交易完成之后，或完成的过程中，还可以包括以下步骤：S21-S22

S21，服务器从预存的贷款产品中选择与申贷用户的信用评级相匹配，且对所述失败原因推测信息不敏感的贷款产品。

S22，服务器将选择的贷款产品再次推送给申贷客户端。相应的，申贷客户端，接收服务器再次所推送的贷款产品。

以下通过两个具体实施例对本发明进行进一步说明。

具体实施例一：

在本实施例中，申贷用户通过申贷客户端向服务器发送身份验证信息和授权信息，以授权服务器获取自己的个人信用数据。服务器在接收到申贷用户的授权之后，经过大数据分析，发现该申贷用户是一个信用白户，即该申贷用户并没有使用信用卡或者其他信贷业务的记录。具体实施而言，服务器通过该申贷用户的ID访问该申贷用户的信用卡消费记录或还款记录，如果找不到相关记录，说明该申贷用户的个人信用数据缺失。此时，虽然该申贷用户的个人信用数据缺失，但是大数据分析也没有发现申贷用户的劣化信息。在这种情况下，服务器对该申贷用户的信用评级为中级，且为该申贷用户匹配了一个额度中等、利率中等的贷款产品。申贷用户通过申贷客户端接收到服务器推荐的贷款产品后，考虑之后决定向提供该贷款产品的放贷用户申请该贷款产品，因此，通过申贷客户端向放贷客户端发送贷款申请。放贷客户端在接收到该贷款申请之后，从服务器获取该申贷用户的信用评级为中等，但由于无法获取该申贷用户的进一步的个人信用数据，在考虑之后，尽管该申贷用户的信用评级为中级，还是拒绝向其提供贷款。

此时，服务器接收到放贷客户端发送的审核结果。在确认该审核结果为失败后，基于预设的评估模型分析申请该贷款产品的其他申贷用户的个人信用数据，得到失败原因推测信息。该失败原因推测信息中显示缺少关键数据项。例如“年收入”、“工作单位”、“父母征信记录”等数据项。此时，服务器将审核结果和失败原因推测信息反馈回申贷客户端。申贷用户在收到审核结果后，可以通过申贷客户端向放贷客户端或服务器提供补充信息，例如：公司开具的就职证明、银行流水单、父母征信报告等。放贷客户端收到该申贷用户的补充信息后，对该申贷用户进行二次审核。由于该申贷用户相较于之前的信用白户状态有了进一步的信用详情，使得放贷用户可以进行更精准的判断申贷用户的信用程度，因此有可能发放贷款。

此实施例应用于当服务器无法通过互联网访问不同数据源的方法得到申贷用户诸如“年收入”、“工作单位”、“父母征信记录”等隐私性的信用数据时，服务器仍然可以通过评估模型分析其他申贷用户的个人信用数据，得到失败原因推测信息，并将失败原因推测信息反馈给申贷用户，使得申贷用户了解到自己可能因为哪些原因被放贷用户拒绝，从而进一步提供更为完善的个人信用数据，提高了贷款交易的成交率。

具体实施例二：

在本实施例中，申贷用户通过申贷客户端向服务器发送身份验证信息和授权信息，以授权服务器获取自己的个人信用数据。服务器在接收到申贷用户的授权之后，经过大数据分析，发现该申贷用户在多处申请贷款并在还款期中。然而，由于该申贷用户拥有较高的信用评级，因此服务器匹配多个贷款产品给该申贷用户。该申贷用户向某放贷用户申请某一贷款产品。在接到该申贷用户的贷款申请后，放贷用户通过服务器发现该申贷用户拥有较多的贷款产品，尽管该申贷用户的信用评级较高，但基于风控的考虑，担心该申贷用户无能力偿还诸多贷款，因此放贷用户仍然拒绝了该贷款申请。然而，该申贷用户并不是没有能力偿还诸多贷款的能力，其经济的真实的情况是：日常现金流较大，会经常性出现暂时的现金短缺，因此需要频繁的申请贷款。而这些真实情况无法通过大数据分析获得。因此，服务器在接收到放贷用户审核结果，确认审核结果为失败后，基于评估模型对该申贷用户的个人信用数据和与其申请同一种贷款产品且申请成功的申贷用户的个人信用数据进行比对，发现该申贷用户拥有贷款产品的数量远远超过其他申贷用户。因此，将这些数据项列入失败原因推测信息中。同时，评估模型也给出了其他潜在数据项，这些数据项并非审核失败的原因项，而是可以进一步影响审核失败原因项对放贷用户的决策的数据项，例如“固定资产证明”、“日常消费流水证明”等数据项。当申贷用户接收到审核结果和失败原因推测信息之后，则可以上传固定资产的证明文件和日常消费流水证明文件。放贷用户通过固定资产证明可以得知该申贷用户相较其主要客户群的资产总额更高时，也就可以对其多处申请贷款的风险评估进行调整，进而修改此前的决策。

如图6所示，本发明还提供了一种电子设备，包括：一个或多个处理器以及存储器，图6中以一个处理器为例。电子设备还可以包括：输入装置和输出装置。

处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接，图6中以通过总线连接的方式为例。

本领域技术人员可以理解，图6中示出的电子设备的结构并不构成对本发明实施例的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

处理器可以由集成电路(IntegratedCircuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器可以仅包括中央处理器(CentralProcessingUnit，简称CPU)，也可以是CPU、数字信号处理器(digitalsignalprocessor，简称DSP)、图形处理器(GraphicProcessingUnit，简称GPU)及各种控制芯片的组合。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机课执行程序以及模块，如本申请实施例中的贷款交易的装置、系统对应的程序模块(例如，附图3所示的审核结果获取模块和审核结果分析模块)。处理器通过运行存储在存储器的非暂态软件程序以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述贷款交易的方法实施例的处理方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；在本发明实施例中，操作系统可以是linux系统、Android系统、iOS系统或Windows操作系统等等。存储数据区可存储依据贷款交易的装置、系统的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或者其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置可接收输入的数字或字符信息，以及产生与列表操作的处理装置的用户设置以及功能控制有关的键信号输入。输入装置可以包括触摸屏、键盘、鼠标等，也可以包括有线接口、无线接口等。

电子设备可以为服务器、智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备MobileInternetDevices，MID)、PAD等。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (23)

1.一种贷款交易方法，其特征在于，包括：

获取对申贷用户的贷款申请的审核结果；

如果所述审核结果为失败，则生成所述审核结果的失败原因推测信息。

2.根据权利要求1所述的方法，其特征在于，所述生成所述审核结果的失败原因推测信息包括：基于预设的评估模型对预存的个人信用数据进行分析，生成所述审核结果的失败原因推测信息。

3.根据权利要求2所述的方法，其特征在于，所述预设的评估模型包括：高风险数据项评估模型、同款产品评估模型、综合评估模型中的一种或多种；

所述高风险数据项评估模型，用于从所述申贷用户的个人信用数据的各数据项中找出高风险数据项，将高风险数据项作为失败原因推测信息之一；

所述同款产品评估模型，用于将所述申贷用户的个人信用数据与申请同一种贷款产品的其他申贷用户的个人信用数据进行比对，生成失败原因推测信息之一；

所述综合评估模型，用于对预定时间和/或预定区域内多个申请贷款产品的审核结果为失败的申贷用户的个人信用数据进行分析，找到共同数据项，将共同数据项作为失败原因推测信息之一。

4.根据权利要求3所述的方法，其特征在于，所述同款产品评估模型包括：同款产品差异数据评估模型和/或同款产品类似数据评估模型；

所述同款产品差异数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品成功的申贷用户的个人信用数据进行比对，找到差异数据项，将所述差异数据项作为失败原因推测信息之一；

所述同款产品类似数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品失败的申贷用户的个人信用数据进行比对，找到类似数据项，将所述类似数据项作为失败原因推测信息之一。

5.根据权利要求1-4任一项所述的方法，其特征在于，还包括：

获取所述申贷用户的个人信用数据。

6.根据权利要求5所述的方法，其特征在于，所述个人信用数据包括：个人基本信息、个人征信大数据和历史交易数据中的一种或多种。

7.根据权利要求6所述的方法，其特征在于，所述个人征信大数据包括：银行交易记录、个人征信记录、个人教育经历、职业履历信息、违约记录、司法纠纷记录、网购数据和社交数据中的一种或多种。

8.根据权利要求5所述的方法，其特征在于，所述获取所述申贷用户的个人信用数据包括：

获取所述申贷用户的身份识别信息和授权信息；

基于所述身份识别信息和授权信息获取所述申贷用户的个人征信大数据。

9.根据权利要求5所述的方法，其特征在于，在所述获取所述申贷用户的个人信用数据之后，还包括：

基于预设的信用评级模型对所述申贷用户的个人信用数据进行分析，得到所述申贷用户的信用评级；

基于预设的匹配规则从预存的贷款产品中选择与所述申贷用户的信用评级相匹配的贷款产品，并将所述贷款产品推送给所述申贷用户。

10.根据权利要求9所述的方法，其特征在于，所述贷款产品包括：

对所述失败原因推测信息不敏感的贷款产品。

11.一种贷款交易装置，其特征在于，包括：

审核结果获取模块，用于获取对申贷用户的贷款申请的审核结果；

审核结果分析模块，用于判断所述审核结果是否为失败，如果是，则生成所述审核结果的失败原因推测信息。

12.根据权利要求11所述的装置，其特征在于，

所述审核结果分析模块，还用于基于预设的评估模型对预存的个人信用数据进行分析，生成失败原因推测信息。

13.根据权利要求12所述的装置，其特征在于，所述预设的评估模型包括：高风险数据项评估模型、同款产品评估模型、综合评估模型中的一种或多种；

所述高风险数据项评估模型，用于从所述申贷用户的个人信用数据的各数据项中找出高风险数据项，将高风险数据项作为失败原因推测信息之一；

所述同款产品评估模型，用于将所述申贷用户的个人信用数据与申请同一种贷款产品的其他申贷用户的个人信用数据进行比对，生成失败原因推测信息之一；

所述综合评估模型，用于对预定时间和/或预定区域内多个申请贷款产品的审核结果为失败的申贷用户的个人信用数据进行分析，找到共同数据项，将共同数据项作为失败原因推测信息之一。

14.根据权利要求13所述的装置，其特征在于，所述同款产品评估模型包括：同款产品差异数据评估模型和/或同款产品类似数据评估模型；

所述同款产品差异数据评估模型，用于将所述申贷用户的个人信用数据和申请同一种贷款产品成功的申贷用户的个人信用数据进行比对，找到差异数据项，将所述差异数据项作为失败原因推测信息之一；

所述同款产品类似数据评估模型，用于将该申贷用户的个人信用数据和申请同一种贷款产品失败的申贷用户的个人信用数据进行比对，找到类似数据项，将所述类似数据项作为失败原因推测信息之一。

15.根据权利要求11-14任一项所述的装置，其特征在于，还包括：

个人信用数据获取模块，用于获取所述申贷用户的个人信用数据。

16.根据权利要求15所述的装置，其特征在于，所述个人信用数据获取模块包括以下单元中的一种或多种：

个人基本信息获取单元，用于获取申贷用户输入的个人基本信息；

个人征信大数据获取单元，用于获取申贷用户的个人征信大数据

历史交易数据获取单元，用于获取申贷用户的历史交易数据。

17.根据权利要求16所述的装置，其特征在于，所述个人征信大数据包括：银行交易记录、个人征信记录、个人教育经历、职业履历信息、违约记录、司法纠纷记录、网购数据和社交数据中的一种或多种。

18.根据权利要求15所述的装置，其特征在于，所述个人信用数据获取模块，还包括：

身份识别信息获取单元，用于获取申贷用户的身份识别信息；

授权信息获取单元，用于获取申贷用户的授权信息；

个人征信大数据获取单元，用于基于所述身份识别信息和授权信息获取申贷用户的个人征信大数据。

19.根据权利要求15所述的装置，其特征在于，还包括：

信用评级模块，用于基于预设的信用评级模型对所述申贷用户的个人信用数据进行分析，得到所述申贷用户的信用评级；

匹配模块，用于基于预设的匹配规则从预存的贷款产品中选择与所述申贷用户的信用评级相匹配的贷款产品，并将所述贷款产品推送给所述申贷用户。

20.根据权利要求19所述的装置，其特征在于，所述贷款产品包括：

对所述失败原因推测信息不敏感的贷款产品。

21.一种贷款交易的系统，包括如权利要求11-20任一项所述的贷款交易装置，还包括：

申贷客户端，用于获取申贷用户输入的贷款申请；还用于接收对所述贷款申请的审核结果和所述失败原因推测信息；

放贷客户端，用于获取放贷用户输入的贷款产品；还用于获取放贷用户输入的对所述贷款申请的审核结果。

22.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1至10中任一项所述方法的步骤。

23.一种电子设备，其特征在于，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至10任一项所述方法的步骤。