CN109410032A - 一种信息处理方法、服务器及计算机存储介质 - Google Patents
一种信息处理方法、服务器及计算机存储介质 Download PDFInfo
- Publication number
- CN109410032A CN109410032A CN201811134901.4A CN201811134901A CN109410032A CN 109410032 A CN109410032 A CN 109410032A CN 201811134901 A CN201811134901 A CN 201811134901A CN 109410032 A CN109410032 A CN 109410032A
- Authority
- CN
- China
- Prior art keywords
- loan
- mentioned
- scheme
- user
- data
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 13
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 90
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013468 resource allocation Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000000977 initiatory effect Effects 0.000 description 6
- 238000012790 confirmation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation 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
Abstract
本申请实施例公开了一种信息处理方法、服务器及计算机存储介质,涉及了对用户行为数据的数据分析和依据分析结果的智能推荐,其中方法包括:获取贷款用户的用户行为数据,所述用户行为数据包括历史贷款数据和浏览记录数据;根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案;向终端设备发送所述贷款推荐方案,可以及时有效地判断用户贷款的意向行为,智能推荐贷款方案,提高资源分配准确度。
Description
技术领域
本申请涉及数据分析领域,尤其涉及一种信息处理方法、服务器及计算机存储介质。
背景技术
随着经济的不断发展,人们消费观念的转变,超前消费成为这个社会的一种消费趋势或者主张,在购买大宗商品资金不足的情况,贷款业务的需求也越来越大,在出现资金不足的情况时,用户可以通过贷款解决由资金不足引起的问题。
在现有的贷款业务中,用户向贷款平台提交贷款请求后,贷款平台基于用户提交的信息判断是否通过贷款请求,在判定通过贷款请求后,贷款平台则可以向用户发放贷款,并基于一定的贷款利率计算贷款利息。但目前由金融机构的工作人员对用户的贷款请求进行审核的过程中,需要工作人员核对用户的大量数据信息,以判别贷款交易的风险情况,然后再和用户确认信息,对用户的调查和定位相对困难,不能及时有效地判断用户贷款的意向行为,导致市场坏账、烂账多,最终导致有用的资源没能给到真正需要的用户的手上,可能造成银行的损失同样也是贷款借款的用户的损失。
发明内容
本申请实施例提供一种信息处理方法、服务器及计算机存储介质,可以及时有效地判断用户贷款的意向行为,智能推荐贷款方案,提高资源分配准确度。
第一方面,本申请实施例提供了一种信息处理方法,该方法包括:
获取贷款用户的用户行为数据,所述用户行为数据包括历史贷款数据和浏览记录数据;
根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案;
向终端设备发送所述贷款推荐方案。
作为一种可能的实施方式,所述根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案包括:
根据所述历史贷款数据确定贷款偏好标签,根据所述浏览记录数据确定用户兴趣标签;
从所述推荐方案库中获取与所述贷款偏好标签和所述用户兴趣标签匹配的贷款方案为所述贷款推荐方案。
作为一种可能的实施方式,所述从所述推荐方案库中获取与所述贷款偏好标签和所述用户兴趣标签匹配的贷款方案为所述贷款推荐方案包括:
获得方案标签与所述贷款偏好标签的第一匹配度,获得所述方案标签与所述用户兴趣标签的第二匹配度,所述方案标签为所述推荐方案库中的贷款方案的标签;
确定所述第一匹配度大于第一匹配阈值并且所述第二匹配度大于第二匹配阈值的推荐方案为所述贷款推荐方案。
作为一种可能的实施方式,所述获取贷款用户的用户行为数据之前,所述方法还包括:
接收来自所述终端设备的贷款请求;
确定所述贷款请求对应的所述贷款用户。
作为一种可能的实施方式,所述贷款请求包括指定贷款方案,所述方法还包括:
获得所述指定贷款方案与所述用户行为数据的第三匹配度;
若所述第三匹配度大于第三匹配阈值,确定所述指定贷款方案为所述贷款推荐方案。
作为一种可能的实施方式,所述方法还包括:
若所述第三匹配度不大于所述第三匹配阈值,从所述推荐方案库中获取与所述指定贷款方案同类型的预选贷款方案;
确定第四匹配度大于所述第三匹配阈值的预设个数的所述预选贷款方案为所述贷款推荐方案,或者,确定所述第四匹配度最高的所述预选贷款方案为所述贷款推荐方案,所述第四匹配度为所述预选贷款方案与所述用户行为数据的匹配程度。
作为一种可能的实施方式,所述确定贷款推荐方案之后,所述方法还包括:
将所述贷款推荐方案与所述指定贷款方案比对,获得比对结果,所述比对结果包括所述第三匹配度与所述第四匹配度的大小比较结果。
第二方面,本申请实施例提供了一种服务器,包括:获取模块、分析模块和传输模块,其中:
所述获取模块,用于获取贷款用户的用户行为数据,所述用户行为数据包括历史贷款数据和浏览记录数据;
所述分析模块,用于根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案;
所述传输模块,用于向终端设备发送所述贷款推荐方案。
第三方面,本申请实施例还提供了一种服务器,包括:处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面及其任一种可能的实施方式所述的方法。
第四方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面及其任一种可能的实施方式的方法。
本申请实施例通过获取贷款用户的用户行为数据,其中,用户行为数据包括历史贷款数据和浏览记录数据,根据上述历史贷款数据和浏览记录数据,确定贷款推荐方案,再向终端设备发送上述贷款推荐方案,可以及时有效地判断用户贷款的意向行为,精确推荐贷款方案,提高资源分配准确度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种信息处理方法的流程示意图;
图2是本申请另一实施例提供的一种信息处理方法的流程示意图;
图3是本申请实施例提供的一种服务器的结构示意图;
图4是本申请实施例提供的另一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了能够更好地理解本申请实施例,下面将对应用本申请实施例的方法进行介绍。
本申请实施例中提到的终端设备是可以与服务器进行通信的设备,上述服务器也称伺服器,是提供计算服务的设备,可以允许多个终端设备进行访问。上述终端设备可以为移动终端,包括各种具有无线通信功能的手持设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(User Equipment,UE),移动台(Mobile Station,MS)等等。
终端用户可以在任意具有远程桌面连接的终端设备连接服务器(终端服务器)。如:当终端用户连接到微软终端服务器,服务器将会分配一个独立的会话给用户,提供桌面环境或者单独应用程序环境给终端用户使用。用户的终端设备(客户端),比如计算机不处理所运行的应用的程序,只是将键盘和鼠标的点击讯号传送给服务器,所有的处理运算将由服务器完成。
请参见图1,是本申请实施例提供的一种信息处理方法的示意流程图,本方法可以应用于服务器,如图1所示该方法可包括:
101、获取贷款用户的用户行为数据,上述用户行为数据包括历史贷款数据和浏览记录数据。
其中,上述用户行为数据可以来自终端设备。包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
用户在使用终端设备(如手机)时会发生多项交互操作,尤其是许多与交易相关的行为,可以作为对贷款用户的贷款意向分析的用户行为数据。
用户行为分析,是指在获得网站访问量基本数据的情况下,对有关数据进行统计、分析,从中发现用户访问网站的规律,并将这些规律与网络营销策略等相结合,从而发现目前网络营销活动中可能存在的问题,并为进一步修正或重新制定网络营销策略提供依据。这是狭义的只指网络上的用户行为分析。
在本申请中主要涉及对贷款用户或者贷款潜在客户的消费者习惯行为分析,上述用户行为数据主要是指与贷款相关的行为数据,获得这些用户行为数据可能是经过统计得到的,上述浏览记录数据可以包括贷款用户对各种贷款产品的浏览时长、浏览次数等,可以统计贷款用户对各种贷款产品的浏览时长、浏览次数,以及贷款用户近期打开贷款类应用程序(Application,app)的时间等进行统计分析,获得多种形式的浏览记录数据。还可以对贷款用户的历史贷款(借款)数据进行统计和获取,上述历史贷款数据可以理解为历史贷款行为相关的数据,具体可以包括贷款金额、贷款产品类型、贷款时间、用户交易方式、是否按时还款等数据。
具体的,上述用户行为数据的采集,对于浏览,主要关注的是浏览了哪个页面,以及与之相关的元数据;对于点击,主要关注的是点击了哪个页面的哪个元素,与该元素相关联的其他元素的信息,以及相关的元数据。
除了页面中的数据信息,还有两个重要的维度信息:用户和时间。用户维度,用来关联同一用户在某个客户端上的行为,一般采用的方案是由后端生成一个随机的通用唯一识别码(Universally Unique Identifier,UUID),前端获取后进行缓存,如果是登录的用户,可以通过元数据中的用户ID来关联;时间维度,主要用于数据统计,考虑到前端可能延迟上报,前端上报时会加上事件的发生时间(目前大多数正常使用的移动终端,时间信息一般自动同步)。
本申请中的用户行为数据可以通过埋点采集。传统的埋点方式,就是在需要上报的位置组织数据、调用应用程序编程接口(Application Programming Interface,API),将数据传给后端(缺点是需要在代码里嵌入调用,与业务逻辑耦合在一起)。近几年,一些新的数据公司提出了“无埋点”的概念,通过在底层挂钩(hook)所有的点击事件,将用户的操作尽量多的采集下来,因此也可以称为“全埋点”。这种方式无需嵌入调用,代码耦合性弱。
服务器可以接收并存储上述用户行为数据,周期性地执行步骤101,进而执行步骤102,也可以按照用户设置的推送时间,比如每个月10号,或者每周一15时,定时执行该方法。
102、根据上述历史贷款数据和浏览记录数据,确定贷款推荐方案。
其中,上述贷款推荐方案可以包括贷款推荐产品,一般放款方在发布各项贷款产品时,可以设置贷款产品的交易需求(包产品本身的详细交易条款、和对用户信用、还款时间等要求),贷款产品的标签(对贷款产品做多元的分类),例如一个贷款产品可以属于中长期贷款方案或者属于小额助学贷款,以及要求用户信用评分的要求等。
具体的,可以根据上述历史贷款数据确定贷款偏好标签,根据上述浏览记录数据确定用户兴趣标签;
从上述推荐方案库中获取与上述贷款偏好标签和上述用户兴趣标签匹配的贷款方案为上述贷款推荐方案。
可以采用对贷款用户进行分类的方式,通过上述用户行为数据,分析出贷款用户的对应的标签,由历史贷款数据可以确定贷款用户的贷款偏好标签(即首先确定贷款用户在贷款方面的属性,例如保守型),根据上述浏览记录数据可以确定贷款用户的用户兴趣标签(即可以确定贷款用户在贷款和消费方面的兴趣,例如对教育类贷款产品感兴趣),从而便于找出最适合向其推荐的贷款方案。
获取该贷款用户的历史贷款数据,可以通过分析历史贷款数据得到分析结果,比如获得用户信用度、贷款产品偏好等,便于准确定位用户贷款消费定位,为用户推荐合适的贷款产品或者贷款方案。
可选的,可以采用人工智能算法分析上述用户行为数据,获得分析结果;再根据上述分析结果从推荐方案库中获取上述贷款推荐方案。
人工智能(Artificial Intelligence,AI),是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。本申请实施例中,可以根据预先编写的人工智能算法,对获取的用户行为数据进行分析,得到分析结果,从而确定上述贷款推荐方案。
可选的,从上述推荐方案库中获取与所述贷款偏好标签和所述用户兴趣标签匹配的贷款方案为上述贷款推荐方案具体可包括:
获得方案标签与上述贷款偏好标签的第一匹配度,获得上述方案标签与上述用户兴趣标签的第二匹配度,上述方案标签为上述推荐方案库中的贷款方案的标签;
确定上述第一匹配度大于第一匹配阈值并且上述第二匹配度大于第二匹配阈值的推荐方案为上述贷款推荐方案。
推荐方案库中的贷款方案可以携带上述方案标签,用于描述该贷款方案的属性、类别特征等。通过用户行为数据可以确定贷款用户的标签(包括贷款偏好标签和用户兴趣标签),服务器可以将方案标签与上述贷款偏好标签进行比对,获得第一匹配度,将方案标签与上述用户兴趣标签进行比对,获得第二匹配度,服务器中可以存储有上述第一匹配阈值和上述第二匹配阈值(可以相同或者不同),将上述第一匹配度与第一匹配阈值比较,以及将上述第二匹配度与第二匹配阈值比较,若第一匹配度大于第一匹配阈值并且第二匹配度大于第二匹配阈值,则该贷款方案可以确定为上述贷款推荐方案,获取该贷款推荐方案,可以执行步骤103。
103、向终端设备发送上述贷款推荐方案。
在确定上述贷款推荐方案之后,由于已经确定了贷款推荐产品,可以向客户端发送上述贷款推荐方案,向用户介绍上述贷款推荐产品的详细信息,比如交易方式、贷款条件等等,具体的,可以通过app内推送消息、HTML5(H5)页面或者邮件等形式进行消息推送,本申请实施例不作限制。
本申请实施例通过获取贷款用户的用户行为数据,其中,用户行为数据包括历史贷款数据和浏览记录数据,根据上述历史贷款数据和浏览记录数据,确定贷款推荐方案,再向终端设备发送上述贷款推荐方案,可以及时有效地判断用户贷款的意向行为,精确推荐贷款方案,提高资源分配准确度。
参见图2,是本申请实施例提供的另一种信息处理方法的示意流程图,图2所示的实施例可以是在图1所示的实施例的基础上得到的,如图2所示该方法可包括:
201、接收来自终端设备的贷款请求,上述贷款请求包括指定贷款方案。
贷款用户在终端设备可以主动发起上述贷款请求,在服务器接收到上述贷款请求时,系统可以进行存储(便于以后进行用户行为分析),具体的,上述贷款请求中可以携带用户编号或者标签,用于确认贷款用户。服务器在接收到上述贷款请求之后,可以执行步骤202。
202、确定上述贷款请求对应的贷款用户,获取上述贷款用户的用户行为数据,上述用户行为数据包括历史贷款数据和浏览记录数据。
由上述贷款请求可以确定发起贷款请求的贷款用户(可以是贷款用户的账号信息)。在确定发起贷款请求的贷款用户之后,可以获取到该贷款用户的身份信息,并判断该贷款用户是否符合贷款条件,进而执行步骤203。
可选的,获取贷款用户的用户行为数据之前,该方法还可以包括:
向终端设备发送权限请求,使上述终端设备共享上述用户行为数据。
可以先获取终端设备的数据获取权限。服务器可以向终端设备发送上述权限请求,终端设备接收到上述权限请求之后可以进行身份验证,贷款用户可以选择允许该服务器的数据获取,即提供上述用户行为数据给该服务器,上述用户行为数据的共享可以由终端设备侧和服务器侧签署保密协议,并且数据传输过程可以进行加密,提高安全性。
具体的,上述贷款用户使用用户账号在终端设备中登录后,可以允许终端设备后台对其部分操作数据进行获取,具体可以为:接收到上述服务器的权限请求后,若贷款用户确认共享上述用户行为数据,则可以向服务器反馈确认信息,终端设备可以开启数据获取权限,在终端设备上发生操作时可以获取或者说存储产生的用户行为数据,再向服务器发送(可以为周期性地发送,或者定期发送等)。
在接收到终端设备的确认信息之后,可以执行步骤201和202。在获取上述贷款用户的用户行为数据之后,可以执行步骤203。
其中,上述步骤202可以参考图1所示的实施例中步骤101的具体描述,此处不再赘述。
203、获得上述指定贷款方案与上述用户行为数据的第三匹配度。
通过上述贷款请求和用户行为数据可以全面地了解用户的贷款需求、贷款习惯、和信用度等信息,与上述指定贷款方案中的贷款产品类型、适用人群标签、贷款条件等分别进行匹配,获得上述第三匹配度,比如:贷款用户A为保守型,其指定贷款方案a、b适用于保守型,并且该贷款用户A满足上述指定贷款方案a和b的贷款条件,但方案a的利息略高于方案b,此时上述第三匹配度分别为91%和96%。其中,具体的匹配度算法有多种方式,此处不作限制。
上述贷款方案可以携带有方案标签,用于描述该贷款方案的属性、类别特征等。通过用户行为数据可以确定贷款用户的标签(包括贷款偏好标签和用户兴趣标签),可以参考图1所示的实施例的步骤102中的具体描述。进一步地,服务器可以获取到上述指定贷款方案的方案标签,将上述方案标签与上述贷款用户的标签进行比对,判断其是否匹配。可以获得上述指定贷款方案的方案标签与上述贷款偏好标签的匹配度,以及可以获得上述方案标签与上述用户兴趣标签的匹配度,再基于上述两者以取平均值或加权相加的方式计算获得上述第三匹配度,可反映上述指定贷款方案与上述用户行为数据的匹配程度。
204、判断上述第三匹配度是否大于第三匹配度阈值。
进一步地,服务器可以预先存储有上述第三匹配度阈值,可以判断上述第三匹配度是否大于第三匹配度阈值,若大于,可以执行步骤205;若不大于,可以执行步骤206。
205、确定上述指定贷款方案为上述贷款推荐方案。
上述第三匹配度大于上述第三匹配度阈值,则表示对应的指定贷款方案适用于此次发起贷款请求的用户,可以向该用户推荐,因此可以确定上述指定贷款方案为上述贷款推荐方案,可以执行步骤208。
可选的,还可以向终端设备发送提示信息对贷款用户进行提醒,以提示指定贷款方案匹配度不高,可以选择其他贷款方案,以及再执行后续为其推荐预选贷款方案的步骤。当然在满足贷款条件的前提下,若贷款用户坚持选择上述指定贷款方案也可以执行,此时可以不再推荐别的内容。
206、从推荐方案库中获取与上述指定贷款方案同类型的预选贷款方案。
若上述第三匹配度不大于第三匹配阈值,即指定贷款方案与贷款用户的匹配度较低,可以向贷款用户推荐其他贷款方案。
服务器中可以有用于存储多个贷款方案的数据库——推荐方案库,可以确定指定贷款方案的类型,在上述推荐方案库中查找同类型的预选贷款方案。
上述类型可以理解为贷款方案的分类,服务器中存储的贷款方案可以有类型标记,比如以标签形式分类管理,比如按照风险级别分的风险类型(低、中、高风险)或者其他分类方式,此处不做限制。在确定上述预选贷款方案之后可以执行步骤207。
207、确定第四匹配度最高的预选贷款方案为上述贷款推荐方案,其中,上述第四匹配度为上述预选贷款方案与上述用户行为数据的匹配程度。
具体的,上述预选贷款方案可以有一个或者多个,当上述预选贷款方案为至少两个时,可以确定上述第四匹配度最高的预选贷款方案为上述贷款推荐方案。具体的,服务器可以获得上述预选贷款方案与上述用户行为数据的第四匹配度,具体方法可以与步骤203中获得指定贷款方案与上述用户行为数据的第三匹配度相同,此处不再赘述,在获得上述预选贷款方案的第四匹配度之后,可以将各个预选贷款方案的第四匹配度进行比较,获得第四匹配度最高的贷款推荐方案。
当上述预选贷款方案为一个,可以直接将该预选贷款方案作为上述贷款推荐方案,进而执行步骤208。
可选的,服务器中还可以设置多个匹配阈值,用于更精确地定位预选贷款方案的匹配程度,比如还存储有第四匹配阈值,上述第四匹配阈值小于上述第三匹配阈值,(例如第四匹配阈值为30%,第三匹配阈值为70%),当得到上述第三匹配度时,可以将第三匹配度与第四匹配阈值比较,若小于第四匹配阈值,则确定该用户选择的贷款方案不适合(可能是不满足贷款条件),需要发送提示信息注明原因(为何匹配度过低)对其进行提醒,可以引起用户重视,以规避风险或者选择其他贷款方案。即在设置多个匹配阈值的情况下,其匹配阈值高低不同,对应的提示信息可以分不同的级别进行提醒,可以是匹配度越低,提示信息的提醒越显眼。
208、向终端设备发送上述贷款推荐方案。
可选的,上述贷款推荐方案可以依据其与贷款用户的匹配度由高到低进行展示。
其中,上述步骤208可以参考图1所示的实施例中步骤103的具体描述,此处不再赘述。
可选的,服务器在向终端设备发送了贷款推荐方案之后,贷款用户进行查看时可以对上述贷款推荐方案进行评价、打分或者进行交易,作为反馈信息发送给该服务器。服务器可以接收上述反馈信息并存储,作为该用户的用户行为数据,便于使以后的行为分析更准确。比如,贷款用户觉得贷款推荐方案十分贴切,在页面内操作评价该贷款推荐方案为“很满意”,并且选择按照推荐贷款方案进行贷款,则该服务器可以接收到上述评价,以及检测到该贷款用户已按照该推荐贷款方案进行贷款,表明此次分析结果较为准确,贴合用户需求,将上述反馈信息记录在服务器数据库中,作为后续进行用户行为数据分析的依据;而如果贷款用户认为该推荐内容不是自己想要的,打分为三颗星一下(一共五颗星),并且后续选择了该贷款推荐方案之外的其他贷款方案,则服务器可以接收到上述打分情况以及检测到用户选择了其他贷款方案,表明此次分析结果不符合用户预期,将上述反馈信息作为上述用户行为数据进行存储,可以实时调整对用户的定位分析,从而实时地更新用户行为数据,使用户行为数据更加全面,以分析出更贴合用户需求的推送内容。
可选的,在确定贷款推荐方案之后,该方法还可以包括:
将上述贷款推荐方案与上述指定贷款方案比对,获得比对结果,上述比对结果可以包括上述第三匹配度与上述第四匹配度的大小比较结果。
通过上述贷款推荐方案与上述指定贷款方案的比较,可以使用户了解指定贷款方案和贷款推荐方案的区别,贷款用户能够从比对结果中直观的得出考虑多方因素时哪一种方案更适合自己,为贷款用户的贷款选择提供判断依据。
本申请实施例通过接收来自终端设备的贷款请求,上述贷款请求包括指定贷款方案,确定上述贷款请求对应的贷款用户,获取上述贷款用户的用户行为数据,上述用户行为数据包括历史贷款数据和浏览记录数据,获得上述指定贷款方案与上述用户行为数据的第三匹配度,若第三匹配度高于第三匹配阈值,可以确定上述指定贷款方案为上述贷款推荐方案,若不高于,可以从推荐方案库中获取与上述指定贷款方案同类型的预选贷款方案,再确定第四匹配度最高的预选贷款方案为上述贷款推荐方案,其中,上述第四匹配度为上述预选贷款方案与上述用户行为数据的匹配程度,以及向终端设备发送上述贷款推荐方案,可以及时有效地判断用户贷款的意向行为,精确推荐贷款方案,提高资源分配准确度。
通过精准获取用户行为数据进行分析,一方面便于及时推送相匹配的贷款方案,另一方面对市场贷款需求了然于心,从而了解市场变化,以及使坏账、赖账率大幅度减少。
请参见图3,图3是本申请实施例提供的一种服务器300的结构示意图,该服务器300包括获取模块310、分析模块320和传输模块330,其中:
上述获取模块310,用于获取贷款用户的用户行为数据,上述用户行为数据包括历史贷款数据和浏览记录数据;
上述分析模块320,用于根据上述历史贷款数据和浏览记录数据,确定贷款推荐方案;
上述传输模块330,用于向终端设备发送上述贷款推荐方案。
其中,上述贷款推荐方案可以包括贷款推荐产品,一般放款方在发布各项贷款产品时,可以设置贷款产品的交易需求(包产品本身的详细交易条款、和对用户信用、还款时间等要求),贷款产品的标签(对贷款产品做多元的分类),例如一个贷款产品可以属于中长期贷款方案或者属于小额助学贷款,以及要求用户信用评分的要求等。
具体的,上述分析模块320可以根据上述历史贷款数据确定贷款偏好标签,根据上述浏览记录数据确定用户兴趣标签;
从上述推荐方案库中获取与上述贷款偏好标签和上述用户兴趣标签匹配的贷款方案为上述贷款推荐方案。
可以采用对贷款用户进行分类的方式,通过上述用户行为数据,分析出贷款用户的对应的标签,由历史贷款数据可以确定贷款用户的贷款偏好标签(即首先确定贷款用户在贷款方面的属性,例如保守型),上述分析模块320根据上述浏览记录数据可以确定贷款用户的用户兴趣标签(即可以确定贷款用户在贷款和消费方面的兴趣,例如对教育类贷款产品感兴趣),从而便于找出最适合向其推荐的贷款方案。
获取该贷款用户的历史贷款数据后,上述分析模块320可以可以通过分析历史贷款数据得到分析结果,比如获得用户信用度、贷款产品偏好等,便于准确定位用户贷款消费定位,为用户推荐合适的贷款产品或者贷款方案。
可选的,上述分析模块320可以采用人工智能算法分析上述用户行为数据,获得分析结果;再根据上述分析结果从推荐方案库中获取上述贷款推荐方案。
可选的,上述分析模块320还包括确定单元321和获取单元322,其中:
确定单元321用于,根据上述历史贷款数据确定贷款偏好标签,根据上述浏览记录数据确定用户兴趣标签;
获取单元322用于,从上述推荐方案库中获取与上述贷款偏好标签和上述用户兴趣标签匹配的贷款方案为上述贷款推荐方案。
可选的,上述确定单元321具体用于:
获得方案标签与上述贷款偏好标签的第一匹配度,获得上述方案标签与上述用户兴趣标签的第二匹配度,上述方案标签为上述推荐方案库中的贷款方案的标签;
确定上述第一匹配度大于第一匹配阈值并且上述第二匹配度大于第二匹配阈值的贷款方案为上述贷款推荐方案。
具体的,推荐方案库中的贷款方案可以携带上述方案标签,用于描述该贷款方案的属性、类别特征等。确定单元321通过用户行为数据可以确定贷款用户的标签(包括贷款偏好标签和用户兴趣标签),确定单元321可以将方案标签与上述贷款偏好标签进行比对,获得第一匹配度,将方案标签与上述用户兴趣标签进行比对,获得第二匹配度,服务器300中可以存储有上述第一匹配阈值和上述第二匹配阈值(可以相同或者不同),确定单元321将上述第一匹配度与第一匹配阈值比较,以及将上述第二匹配度与第二匹配阈值比较,若第一匹配度大于第一匹配阈值并且第二匹配度大于第二匹配阈值,则该贷款方案可以确定为上述贷款推荐方案,获取该贷款推荐方案。
在确定上述贷款推荐方案之后,由于已经确定了贷款推荐产品,传输模块330可以向客户端发送上述贷款推荐方案,向用户介绍上述贷款推荐产品的详细信息,比如交易方式、贷款条件等等,具体的,可以通过app内推送消息、HTML5(H5)页面或者邮件等形式进行消息推送,本申请实施例不作限制。
可选的,上述传输模块330,还用于接收来自上述终端设备的贷款请求;
上述获取模块310,还用于确定上述贷款请求对应的上述贷款用户。
贷款用户在终端设备可以主动发起上述贷款请求,在服务器300接收到上述贷款请求时,系统可以进行存储(便于以后进行用户行为分析),具体的,上述贷款请求中可以携带用户编号或者标签,用于获取模块310确认贷款用户。
获取模块310由上述贷款请求可以确定发起贷款请求的贷款用户(可以是贷款用户的账号信息)。在确定发起贷款请求的贷款用户之后,获取模块310可以获取到该贷款用户的身份信息,并判断该贷款用户是否符合贷款条件。
可以先获取终端设备的数据获取权限。服务器300可以向终端设备发送上述权限请求,终端设备接收到上述权限请求之后可以进行身份验证,贷款用户可以选择允许该服务器300的数据获取,即提供上述用户行为数据给该服务器300,上述用户行为数据的共享可以由终端设备侧和服务器300侧签署保密协议,并且数据传输过程可以进行加密,提高安全性。
可选的,上述确定单元321具体还用于:
获得上述指定贷款方案与上述用户行为数据的第三匹配度;
若上述第三匹配度大于第三匹配阈值,确定上述指定贷款方案为上述贷款推荐方案。
具体的,通过上述贷款请求和用户行为数据可以全面地了解用户的贷款需求、贷款习惯、和信用度等信息,确定单元321与上述指定贷款方案中的贷款产品类型、适用人群标签、贷款条件等分别进行匹配,获得上述第三匹配度,比如:贷款用户A为保守型,其指定贷款方案a、b适用于保守型,并且该贷款用户A满足上述指定贷款方案a和b的贷款条件,但方案a的利息略高于方案b,此时上述第三匹配度分别为91%和96%。其中,具体的匹配度算法有多种方式,此处不作限制。
上述贷款方案可以携带有方案标签,用于描述该贷款方案的属性、类别特征等。通过用户行为数据可以确定贷款用户的标签(包括贷款偏好标签和用户兴趣标签),可以参考图1所示的实施例的步骤102中的具体描述。进一步地,服务器300可以获取到上述指定贷款方案的方案标签,将上述方案标签与上述贷款用户的标签进行比对,判断其是否匹配。确定单元321可以获得上述指定贷款方案的方案标签与上述贷款偏好标签的匹配度,以及可以获得上述方案标签与上述用户兴趣标签的匹配度,再基于上述两者以取平均值或加权相加的方式计算获得上述第三匹配度,可反映上述述指定贷款方案与上述用户行为数据的匹配程度。
可选的,上述确定单元321具体还用于:若上述第三匹配度不大于上述第三匹配阈值,从上述推荐方案库中获取与上述指定贷款方案同类型的预选贷款方案;
确定第四匹配度大于上述第三匹配阈值的预设个数的上述预选贷款方案为上述贷款推荐方案,或者,确定上述第四匹配度最高的上述预选贷款方案为上述贷款推荐方案,上述第四匹配度为上述预选贷款方案与上述用户行为数据的匹配程度。
上述第三匹配度大于上述第三匹配度阈值,则表示对应的指定贷款方案适用于此次发起贷款请求的用户,可以向该用户推荐,因此确定单元321可以确定上述指定贷款方案为上述贷款推荐方案。
可选的,传输模块330还可以向终端设备发送提示信息对贷款用户进行提醒,以提示指定贷款方案匹配度不高,可以选择其他贷款方案,以及再执行后续为其推荐预选贷款方案的步骤。当然在满足贷款条件的前提下,若贷款用户坚持选择上述指定贷款方案也可以执行,此时可以不再推荐别的内容。
若上述第三匹配度不大于第三匹配阈值,即指定贷款方案与贷款用户的匹配度较低,可以向贷款用户推荐其他贷款方案。
服务器300中可以有用于存储多个贷款方案的数据库——推荐方案库,可以确定指定贷款方案的类型,在上述推荐方案库中查找同类型的预选贷款方案。
上述类型可以理解为贷款方案的分类,服务器300中存储的贷款方案可以有类型标记,比如以标签形式分类管理,比如按照风险级别分的风险类型(低、中、高风险)或者其他分类方式,此处不做限制。
具体的,上述预选贷款方案可以有一个或者多个,当上述预选贷款方案为至少两个时,确定单元321可以确定上述第四匹配度最高的预选贷款方案为上述贷款推荐方案。具体的,确定单元321可以获得上述预选贷款方案与上述用户行为数据的第四匹配度,具体方法可以与步骤203中获得指定贷款方案与上述用户行为数据的第三匹配度相同,此处不再赘述,在获得上述预选贷款方案的第四匹配度之后,确定单元321可以将各个预选贷款方案的第四匹配度进行比较,获得第四匹配度最高的贷款推荐方案。
当上述预选贷款方案为一个,确定单元321可以直接将该预选贷款方案作为上述贷款推荐方案。
可选的,服务器300中还可以设置多个匹配阈值,用于更精确地定位预选贷款方案的匹配程度,比如还存储有第四匹配阈值,上述第四匹配阈值小于上述第三匹配阈值,(例如第四匹配阈值为30%,第三匹配阈值为70%),当得到上述第三匹配度时,确定单元321可以将第三匹配度与第四匹配阈值比较,若小于第四匹配阈值,则确定该用户选择的贷款方案不适合(可能是不满足贷款条件),需要发送提示信息注明原因(为何匹配度过低)对其进行提醒,可以引起用户重视,以规避风险或者选择其他贷款方案。即在设置多个匹配阈值的情况下,其匹配阈值高低不同,对应的提示信息可以分不同的级别进行提醒,可以是匹配度越低,提示信息的提醒越显眼。
可选的,上述分析模块320还用于,将上述贷款推荐方案与上述指定贷款方案比对,获得比对结果,上述比对结果包括上述第三匹配度与上述第四匹配度的大小比较结果。
通过分析模块320对上述贷款推荐方案与上述指定贷款方案的比较,可以使用户了解指定贷款方案和贷款推荐方案的区别,贷款用户能够从比对结果中直观的得出考虑多方因素时哪一种方案更适合自己,为贷款用户的贷款选择提供判断依据。
根据本申请实施例的具体实施方式,图1与图2所示的信息处理方法涉及的步骤101~103、201~208可以是由图3所示的服务器300中的各个模块来执行的。例如,图1中的步骤101~103可以分别由图3中所示的获取模块310、分析模块320和传输模块330来执行。
通过本申请实施例的服务器300,服务器300可以获取贷款用户的用户行为数据,其中,用户行为数据包括历史贷款数据和浏览记录数据,根据上述历史贷款数据和浏览记录数据,确定贷款推荐方案,再向终端设备发送上述贷款推荐方案,可以及时有效地判断用户贷款的意向行为,精确推荐贷款方案,提高资源分配准确度。
请参阅图4,图4是本申请实施例公开的另一种服务器的结构示意图。如图4所示,该服务器400包括处理器401和存储器402,其中,服务器400还可以包括总线403,处理器401和存储器402可以通过总线403相互连接,总线403可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。总线403可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。其中,服务器400还可以包括输入输出设备404,输入输出设备404可以包括显示屏,例如液晶显示屏。存储器402用于存储包含指令的一个或多个程序;处理器401用于调用存储在存储器402中的指令执行上述图1和图2实施例中提到的部分或全部方法步骤。
应当理解,在本申请实施例中,所称处理器401可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备402可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备403可以包括显示器(LCD等)、扬声器等。
该存储器404可以包括只读存储器和随机存取存储器,并向处理器401提供指令和数据。存储器404的一部分还可以包括非易失性随机存取存储器。例如,存储器404还可以存储设备类型的信息。
通过本申请实施例的服务器400,服务器400可以获取贷款用户的用户行为数据,其中,用户行为数据包括历史贷款数据和浏览记录数据,根据上述历史贷款数据和浏览记录数据,确定贷款推荐方案,再向终端设备发送上述贷款推荐方案,可以及时有效地判断用户贷款的意向行为,精确推荐贷款方案,提高资源分配准确度。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种信息处理方法的部分或全部步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种信息处理方法,其特征在于,所述方法包括:
获取贷款用户的用户行为数据,所述用户行为数据包括历史贷款数据和浏览记录数据;
根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案;
向终端设备发送所述贷款推荐方案。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案包括:
根据所述历史贷款数据确定贷款偏好标签,根据所述浏览记录数据确定用户兴趣标签;
从所述推荐方案库中获取与所述贷款偏好标签和所述用户兴趣标签匹配的贷款方案为所述贷款推荐方案。
3.根据权利要求2所述的方法,其特征在于,所述从所述推荐方案库中获取与所述贷款偏好标签和所述用户兴趣标签匹配的贷款方案为所述贷款推荐方案包括:
获得方案标签与所述贷款偏好标签的第一匹配度,获得所述方案标签与所述用户兴趣标签的第二匹配度,所述方案标签为所述推荐方案库中的贷款方案的标签;
确定所述第一匹配度大于第一匹配阈值并且所述第二匹配度大于第二匹配阈值的推荐方案为所述贷款推荐方案。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述获取贷款用户的用户行为数据之前,所述方法还包括:
接收来自所述终端设备的贷款请求;
确定所述贷款请求对应的所述贷款用户。
5.根据权利要求4所述的方法,其特征在于,所述贷款请求包括指定贷款方案,所述方法还包括:
获得所述指定贷款方案与所述用户行为数据的第三匹配度;
若所述第三匹配度大于第三匹配阈值,确定所述指定贷款方案为所述贷款推荐方案。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若所述第三匹配度不大于所述第三匹配阈值,从所述推荐方案库中获取与所述指定贷款方案同类型的预选贷款方案;
确定第四匹配度大于所述第三匹配阈值的预设个数的所述预选贷款方案为所述贷款推荐方案,或者,确定所述第四匹配度最高的所述预选贷款方案为所述贷款推荐方案,所述第四匹配度为所述预选贷款方案与所述用户行为数据的匹配程度。
7.根据权利要求6所述的方法,其特征在于,所述确定贷款推荐方案之后,所述方法还包括:
将所述贷款推荐方案与所述指定贷款方案比对,获得比对结果,所述比对结果包括所述第三匹配度与所述第四匹配度的大小比较结果。
8.一种服务器,其特征在于,包括:获取模块、分析模块和传输模块,其中:
所述获取模块,用于获取贷款用户的用户行为数据,所述用户行为数据包括历史贷款数据和浏览记录数据;
所述分析模块,用于根据所述历史贷款数据和浏览记录数据,确定贷款推荐方案;
所述传输模块,用于向终端设备发送所述贷款推荐方案。
9.一种服务器,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134901.4A CN109410032A (zh) | 2018-09-26 | 2018-09-26 | 一种信息处理方法、服务器及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134901.4A CN109410032A (zh) | 2018-09-26 | 2018-09-26 | 一种信息处理方法、服务器及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410032A true CN109410032A (zh) | 2019-03-01 |
Family
ID=65465371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811134901.4A Pending CN109410032A (zh) | 2018-09-26 | 2018-09-26 | 一种信息处理方法、服务器及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410032A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069924A (zh) * | 2019-03-16 | 2019-07-30 | 浙江无极互联科技有限公司 | 计算机用户行为监测方法及计算机可读存储介质 |
CN110119979A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于数据分析的房产评估系统推荐方法、装置及服务器 |
CN110135944A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 贷款产品推荐方法、装置、计算机设备和存储介质 |
CN110135700A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 基于扩充标签数据的信贷风险评估方法及装置 |
CN110321480A (zh) * | 2019-06-05 | 2019-10-11 | 平安科技(深圳)有限公司 | 推荐信息的推送方法、装置、计算机设备和存储介质 |
CN110442799A (zh) * | 2019-07-05 | 2019-11-12 | 中国平安人寿保险股份有限公司 | 基于数据管理平台的方案推送方法、装置及设备 |
CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
CN111667361A (zh) * | 2020-06-19 | 2020-09-15 | 上海印闪网络科技有限公司 | 一种基于用户行为的贷款产品推荐方法 |
CN113158042A (zh) * | 2021-04-19 | 2021-07-23 | 深圳市安全守护科技有限公司 | 应用推荐方法、装置、设备及计算机可读存储介质 |
CN113724064A (zh) * | 2021-08-30 | 2021-11-30 | 深圳前海微众银行股份有限公司 | 基于人工智能的参数确定方法、装置、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558756B1 (en) * | 2001-12-28 | 2009-07-07 | Fannie Mae | Method and system for evaluating loan workout scenarios |
CN101968802A (zh) * | 2010-09-30 | 2011-02-09 | 百度在线网络技术(北京)有限公司 | 一种基于用户浏览行为进行互联网内容推荐的方法与设备 |
CN107729443A (zh) * | 2017-09-29 | 2018-02-23 | 平安科技(深圳)有限公司 | 贷款产品推广方法、装置及计算机可读存储介质 |
CN107871276A (zh) * | 2017-07-25 | 2018-04-03 | 平安科技(深圳)有限公司 | 贷款产品的查询装置、方法及计算机可读存储介质 |
-
2018
- 2018-09-26 CN CN201811134901.4A patent/CN109410032A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558756B1 (en) * | 2001-12-28 | 2009-07-07 | Fannie Mae | Method and system for evaluating loan workout scenarios |
CN101968802A (zh) * | 2010-09-30 | 2011-02-09 | 百度在线网络技术(北京)有限公司 | 一种基于用户浏览行为进行互联网内容推荐的方法与设备 |
CN107871276A (zh) * | 2017-07-25 | 2018-04-03 | 平安科技(深圳)有限公司 | 贷款产品的查询装置、方法及计算机可读存储介质 |
CN107729443A (zh) * | 2017-09-29 | 2018-02-23 | 平安科技(深圳)有限公司 | 贷款产品推广方法、装置及计算机可读存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069924A (zh) * | 2019-03-16 | 2019-07-30 | 浙江无极互联科技有限公司 | 计算机用户行为监测方法及计算机可读存储介质 |
CN110119979A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于数据分析的房产评估系统推荐方法、装置及服务器 |
CN110135944A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 贷款产品推荐方法、装置、计算机设备和存储介质 |
CN110135700A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 基于扩充标签数据的信贷风险评估方法及装置 |
CN110321480A (zh) * | 2019-06-05 | 2019-10-11 | 平安科技(深圳)有限公司 | 推荐信息的推送方法、装置、计算机设备和存储介质 |
CN110442799A (zh) * | 2019-07-05 | 2019-11-12 | 中国平安人寿保险股份有限公司 | 基于数据管理平台的方案推送方法、装置及设备 |
CN110442799B (zh) * | 2019-07-05 | 2023-11-21 | 中国平安人寿保险股份有限公司 | 基于数据管理平台的方案推送方法、装置及设备 |
CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
CN111667361A (zh) * | 2020-06-19 | 2020-09-15 | 上海印闪网络科技有限公司 | 一种基于用户行为的贷款产品推荐方法 |
CN113158042A (zh) * | 2021-04-19 | 2021-07-23 | 深圳市安全守护科技有限公司 | 应用推荐方法、装置、设备及计算机可读存储介质 |
CN113724064A (zh) * | 2021-08-30 | 2021-11-30 | 深圳前海微众银行股份有限公司 | 基于人工智能的参数确定方法、装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410032A (zh) | 一种信息处理方法、服务器及计算机存储介质 | |
US20190147430A1 (en) | Customizing payment sessions with machine learning models | |
CN108446210A (zh) | 系统性能的度量方法、存储介质和服务器 | |
CN109727123A (zh) | 用户征信数据构建方法、装置及计算机可读存储介质 | |
CN109711969A (zh) | 基于数据分析的校园信贷方法、装置、设备和存储介质 | |
KR101945711B1 (ko) | 주식거래 관련정보를 제공하는 멘토정보제공서버, 멘토정보제공방법, 및 컴퓨터-판독가능 매체 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN108629682A (zh) | 用户金融风险评估方法、装置、设备及可读存储介质 | |
Huang et al. | Improve reputation evaluation of crowdsourcing participants using multidimensional index and machine learning techniques | |
CN110457364A (zh) | 用户信息视图生成的方法及装置 | |
CN110489691A (zh) | 页面组件显示方法及终端设备 | |
Ismael et al. | Measuring digital and traditional financial inclusion in Egypt: a new index | |
CN114398553A (zh) | 对象推荐方法、装置、电子设备以及存储介质 | |
US20140288979A1 (en) | System and method for selecting an insurance carrier | |
McLaughlin et al. | A large scale study of the ethereum arbitrage ecosystem | |
Toloie-Eshlaghy et al. | Ranking information system success factors in mobile banking systems with VIKOR | |
CN109829593A (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
TWM595266U (zh) | 個資交易裝置 | |
Kiboori | Electronic banking channels as a strategy for gaining competitive advantage in banking services: A case of Kenya commercial bank | |
JP6839241B2 (ja) | 情報管理システム、情報管理方法及び情報管理プログラム | |
Oluoch | Factors affecting internet banking adoption in Kenya: Case study of National Bank of Kenya and equity Bank | |
CN108985758A (zh) | 数据处理方法、数据处理系统及终端设备 | |
JP2002109206A (ja) | ポートフォリオにおけるリバランス戦略の優劣判定システム | |
US20220308934A1 (en) | Prediction system, prediction method, and program | |
Al Fouri et al. | Mobile Commerce Model: SHEIN as a Case Study |
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 |