CN110246030B - 多方联动的贷后风险管理方法、终端、装置及存储介质 - Google Patents
多方联动的贷后风险管理方法、终端、装置及存储介质 Download PDFInfo
- Publication number
- CN110246030B CN110246030B CN201910548190.3A CN201910548190A CN110246030B CN 110246030 B CN110246030 B CN 110246030B CN 201910548190 A CN201910548190 A CN 201910548190A CN 110246030 B CN110246030 B CN 110246030B
- Authority
- CN
- China
- Prior art keywords
- loan
- data
- post
- risk
- determining
- 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.)
- Active
Links
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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
本发明公开了一种多方联动的贷后风险管理方法,包括以下步骤:获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据,而后基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险,接下来在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果,最后基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。本发明还公开了一种装置、终端及可读存储介质。本发明通过银行数据、贷款企业合作平台数据以及客户数据实现多维度地评估中小微贷款企业的贷后风险,提升了贷后监管质量。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及一种贷后风险管理方法、终端、装置及存储介质。
背景技术
随着金融科技(Fintech),尤其是互联网科技金融的不断发展,越来越多的计算应用到金融领域。中小微企业在承载创新创业、调整经济结构,保障就业民生等方面发挥着至关重要的作用;我国政府鼓励银行等金融机构扶持中小微企业,服务实体经济、防范化解重大风险。
目前,我国银行业存在大规模不良贷款,银行产生不良贷款原因是多种多样的:企业经营决策失误、经济周期下的资源错配或市场失灵导致的资源配置无效等,同时受经济周期和经济结构调整的影响,我国银行业不良贷款率在加速提升,不良贷款增速进一步加快。因此,贷后风险管理显得尤为重要,贷后风险管理作为信贷管理的最终环节,对于确保银行贷款安全和案件防控具有至关重要的作用。银行等金融机构的贷后风险管理通常是通过人工调查的方式收集数据进行分析从而识别风险,信息来源主要依赖企业自行提供的财务报表,缺乏公信力,而且人工收集数据的方式又需要花费较长时间,因此导致这些贷后风险识别方式的数据源和数据维度不够全面,而且风险识别成本高、效率低、信息更新时效性差等问题。另外,中小微企业在资金需求中存在短、频、急的特点,传统的授信后管理难以适应中小微企业在经营和资金使用中的灵活性。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种贷后风险管理方法、终端、装置及存储介质,旨在解决现有贷款风险识别成本高、效率低等导致贷后管理不理想的技术问题。
为实现上述目的,本发明提供一种多方联动的贷后风险管理方法,所述的多方联动的贷后风险管理方法包括以下步骤:
获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据,其中,所述客户通过贷款企业作为客户贷款渠道;
基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险;
在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果;
基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。
进一步地,在一实施方式中,所述贷后风险还包括欺诈风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
获取所述客户数据中的客户对应的成交价格,基于所述成交价格及预设价格确定价格偏离度;
基于所述客户数据中的客户的收入信息以及所述成交价格确定客户购买力匹配度;
基于所述价格偏离度、所述客户购买力匹配度、所述交易数据中的退换率以及所述银行数据中客户的还款逾期率,确定所述贷款企业是否存在欺诈风险。
进一步地,在一实施方式中,所述贷后风险还包括区域风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
获取所述客户数据中的客户地址,基于所述客户地址以及预设区域划分规则,确定所述客户地址对应的区域;
基于所述区域中各个客户的成交价格以及所述各个成交价格对应的预设价格,确定所述区域的平均价格偏离度;
基于所述区域中各个客户的收入信息以及所述各个客户的成交价格确定所述区域的平均购买力匹配度;
基于所述银行数据获取所述区域中各个客户的逾期情况,并基于所述各个客户的逾期情况确定所述区域的平均逾期率;
基于所述平均价格偏离度、所述平均购买力匹配度以及所述平均逾期率,确定所述贷款企业是否存在区域风险。
进一步地,在一实施方式中,所述贷后风险还包括操作风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
基于所述合作平台获取所述贷款企业对应的客户的贷款申请影像资料,基于预设验证方法确定所述贷款申请影像资料对应的验证结果;
基于所述银行数据中抵押办理时长以及预期办理时长确定抵押办理时效;
基于所述银行数据中客户档案归档时长以及预期归档时长确定客户档案归档时效;
基于所述验证结果、所述抵押办理时效以及所述客户档案归档时效,确定所述贷款企业是否存在操作风险。
进一步地,在一实施方式中,所述贷后风险包括经营风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
基于所述交易数据和所述贷款企业的线下线上销售占比,确定所述贷款企业对应的第一销售数据;
基于所述银行数据、所述客户数据以及所述贷款企业对应的金融渗透率得到所述贷款企业的线上交易数据,并基于所述线上交易数据以及所述线下线上销售比,得到所述贷款企业对应的第二销售数据;
基于所述第一销售数据、所述第二销售数据以及阈值确定所述贷款企业是否存在经营风险。
进一步地,在一实施方式中,所述贷后风险还包括信用风险,所述银行数据包括各笔借款金额、各笔借款金额对应的借款期限及各笔借款金额对应的逾期情况,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
基于各笔借款金额确定所述贷款企业在同一授信周期内的平均借款金额,基于各笔借款金额对应的借款期限确定所述平均借款金额对应的平均借款期限,基于各笔借款金额对应的逾期情况确定所述平均借款金额对应的平均逾期比例;
基于所述平均借款金额、所述平均借款期限、所述平均逾期比例以及预设信用数据确定所述贷款企业是否存在信用风险。
进一步地,在一实施方式中,所述基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施的步骤包括:
基于所述贷后风险以及所述排出结果确定预警等级;
基于所述预警等级确定所述贷后管理措施。
进一步地,在一实施方式中,所述多方联动的多方联动的贷后风险管理装置包括:
获取模块,获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据;
处理模块,基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险;
发送模块,在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果;
确定模块,基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。
此外,为实现上述目的,本发明还提供一种终端,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多方联动的贷后风险管理程序,所述多方联动的贷后风险管理程序被所述处理器执行时实现上述任一项所述的多方联动的贷后风险管理方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有多方联动的贷后风险管理程序,所述多方联动的贷后风险管理程序被处理器执行时实现上述任一项所述的多方联动的贷后风险管理方法的步骤。
本发明通过获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据,而后基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险,接下来在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果,最后基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。本发明通过银行数据、贷款企业合作平台数据以及客户数据实现多维度地评估中小微贷款企业的贷后风险,提升了贷后监管质量。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图;
图2为本发明多方联动的贷后风险管理方法第一实施例的流程示意图;
图3为本发明多方联动的贷后风险管理方法第二实施例的流程示意图;
图4为本发明多方联动的贷后风险管理装置实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,客户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选客户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器等,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、客户接口模块以及异常检验程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;客户接口1003主要用于连接客户端(客户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的异常检验程序。
在本实施例中,终端包括:存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的异常检验程序,其中,处理器1001调用存储器1005中存储的异常检验程序时,执行本申请各个实施例提供的异常检验方法的步骤。
本发明还提供一种多方联动的贷后风险管理方法,参照图2,图2为本发明多方联动的贷后风险管理方法第一实施例的流程示意图。
本发明实施例提供了贷后风险管理方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,该多方联动的贷后风险管理方法包括:
步骤S10,获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据;
在本实施例中,中小微企业在推动我国经济社会发展中扮演着重要的角色,中小微企业规模小,经营管理不规范,财务制度不健全,生命周期短,抗风险能力弱,另外,对中小微企业而言,它所面临的市场环境变化快,竞争激烈,它的经营随时可能发生变化,所以要掌握小微企业实时的经营情况难度大、成本高。
贷款企业的经营收入作为第一还款来源,是评估经营性贷款风险的核心要素,本发明通过嵌入交易场景,多方交互联动的方式,有效解决实时评估中小微企业经营风险的难题,由此来灵活地进行中小微企业授信管理,包括动态的提额、降额、冻结,既可以满足小微企业在资金使用上短、频、急的特点,也达到低成本有效控制风险的效果。
进一步地,为了清楚描述本发明多方联动的贷后风险管理方法,以车商贷产品为例进行说明。汽车经销商:从事汽车交易的中间商,下文简称车商或贷款企业;车商贷:向汽车经销商发放的用于采购车辆等经营周转用途的贷款业务;汽车消费贷款:银行等金融机构对在汽车经销商处购买汽车的客户发放的贷款;汽车交易运营服务平台:汽车在线交易服务提供商,下文简称合作平台;客户:购车消费者
具体地,将与贷款企业有交互的多方主体纳入到贷后监测中,通过多方主体的相关数据共同确定贷款企业的贷后风险。对于车商贷而言,参与监测的多方主体包括:银行、合作平台、客户。进一步地,获取贷款企业对应的银行数据、贷款企业对应的合作平台的交易数据以及贷款企业对应的客户数据。
步骤S20,基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险;
在本实施例中,贷款企业从银行等金融机构申请贷款,银行数据包括:贷款企业或客户的贷款金额、借款期限、逾期记录、还款记录等;贷款企业与在线交易服务提供商合作,线上销售产品,合作平台的交易数据包括:经营数据、退换率等;客户在贷款企业购买商品,以及部分客户通过贷款企业作为客户贷款渠道,客户数据包括客户的基本信息、客户的收入情况等。根据银行数据、交易数据以及客户数据确定贷款企业是否存在贷后风险,其中贷后风险又包括:经营风险、信用风险、欺诈风险、区域风险以及操作风险,贷款企业可能存在一种或多种贷后风险。
步骤S30,在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果;
在本实施例中,当根据银行数据、交易数据以及客户数据确定贷款企业存在经营风险、信用风险、欺诈风险、区域风险以及操作风险中的一种或多种时,需要进一步通过线下人工排查的方式进行最终核实。
进一步地,贷后管理人员在接收到人工排查请求后,启动对贷款企业的线下排查,对贷款企业进行定期的巡查、蹲点,通过不定期的线下尽调,以及通过线上线下的联动共同认定贷款企业的贷后风险类型以及预警等级,并反馈给贷后管理终端,用于确定贷款企业的贷后管理措施。
步骤S40,基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。
在本实施例中,贷后风险包括:经营风险、信用风险、欺诈风险、区域风险以及操作风险,每种风险又包括不同的预警等级,预警等级与贷后管理措施一一对应。
具体地,步骤S40包括:
步骤S41,基于所述贷后风险以及所述排出结果确定预警等级;
在本实施例中,贷后管理人员进行人工排查后,会将排查结果反馈给贷后风险管理终端,反馈结果包括风险的种类,即经营风险、信用风险、欺诈风险、区域风险以及操作风险中的一种或几种,以及预警等级。
具体地,当贷后风险管理系统根据银行数据、交易数据以及客户数据确定贷款预警等级与人工排查的预警等级不同时,根据预设的判断规则来确定最终的预警等级,判断规则根据实际情况确定,优选地,以人工排查的预警等级为最终的预警等级。
步骤S42,基于所述预警等级确定所述贷后管理措施。
在本实施例中,根据实际情况设置预警等级,不同的预警等级对应不同的贷后管理措施。举例说明,可选地,预警等级从高到低依次为:重大预警、额度预警、客户端重大预警和客户端额度预警;贷后管理措施包括:动态调额、冻结额度、对客户端限额以及停止贷款企业作为客户端贷款渠道。进一步地,根据预警优先等级确定贷后管理措施,当预警等级为重大预警时,对应的贷后管理措施为冻结额度,需要迅速冻结该贷款企业的贷款账号,并采取相应的措施,甚至使用法律手段尽快收回该贷款企业对应的已发放贷款;当预警等级为额度预警时,对应的贷后管理措施为动态调额,即根据预设的调额比例,重新调整贷款企业的贷款额度,降低贷款企业的偿还风险;当预警等级为客户端重大预警时,对应的贷后管理措施为停止贷款企业作为客户端贷款渠道,此时客户购买贷款企业的商品,该商品不能再作为客户贷款的申请理由,银行等金融机构不再接受此类贷款申请;当预警等级为客户端额度预警时,对应的贷后管理措施为对客户端限额,即根据预设的调额比例,重新调整客户的贷款额度,降低客户的偿还风险。
本实施例提出的多方联动的贷后风险管理方法,获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据,而后基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险,接下来在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果,最后基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。通过银行数据、贷款企业合作平台数据以及客户数据实现多维度地评估中小微贷款企业的贷后风险,提升了贷后监管质量。
基于第一实施例,参照图3,提出本发明多方联动的贷后风险管理方法的第二实施例,在本实施例中,步骤S20包括:
步骤S21,获取所述客户数据中的客户对应的成交价格,基于所述成交价格及预设价格确定价格偏离度;
在本实施例中,贷后风险包括欺诈风险,通过对客户贷款的逾期率、客户成交车辆与第三方车价评估平台的车价偏离度、合作平台交互信息客户购车后的退换率、客户的投诉率、抵押登记的办理时效,银行贷款的提前结清率等监测是否存在欺诈风险。具体地,获取客户数据中的客户对应的成交价格,并根据成交价格及预设价格确定价格偏离度,其中预设价格可以从第三方车价评估平台获取,例如,预设价格可以是车辆的官网价格,预设价格与成交价格的差值的绝对值,再用该绝对值除以预设价格得到价格偏离度。
步骤S22,基于所述客户数据中的客户的收入信息以及所述成交价格确定客户购买力匹配度;
在本实施例中,根据客户数据中的客户的收入情况以及车辆的成交价格确定客户购买力匹配度,具体地,可以设定客户购买力匹配度有两种,一种是匹配,另一种是不匹配。客户购车贷款后,每个月需要还贷,如果客户的月均收入,或者通过年均收入计算得到月均收入,低于还款金额,则说明客户收入与所购车辆价值不匹配,该客户属于低收入客群,此时客户购买力匹配度的结果是不匹配。另外,首付资金出资方式也可以作为客户购买力匹配度的参考值。
步骤S23,基于所述价格偏离度、所述客户购买力匹配度、所述交易数据中的退换率以及所述银行数据中客户的还款逾期率,确定所述贷款企业是否存在欺诈风险。
在本实施例中,客户通过合作平台采购车商售出的车辆,并支取贷款后,客户的投诉率、抵押登记的办理时效以及银行贷款的提前结清率、客户还款的逾期率等,均可用于监测欺诈风险。进一步地,可选地,监测客户购车后配合度,如抵押办理时效;贷后逾期爆发时间点,比如首期即逾期;客户还款行为:完全无还款行为;贷后催收客户失联率高或客户不知情比例等。
可选地,检测车商运营指标来评估是否存在欺诈风险,如监测车商成立时间、展业时间、管理者历史从业经验、营业执照主要信息变迁、车商在展业过程是否存在虚假宣传、传销性质方案推广、客户投诉率(购车交车率和时效)、贷款提前结清率等要素。通过上述多个维度来评估车商作为渠道存在的欺诈风险,并给出预警等级。
进一步地,在一实施例中,步骤S20还包括:
步骤24,获取所述客户数据中的客户地址,基于所述客户地址以及预设区域划分规则,确定所述客户地址对应的区域;
在本实施例中,贷后风险还包括区域风险,可选地,监测是否存在批量获客的情况,从交易集中性(如团购)、客户属地集中性来分析。获取客户数据中的客户地址,根据客户地址以及预设区域划分规则,确定所述客户地址对应的区域。
步骤25,基于所述区域中各个客户的成交价格以及所述各个成交价格对应的预设价格,确定所述区域的平均价格偏离度;
在本实施例中,获取客户数据中的客户对应的成交价格,并根据成交价格及预设价格确定价格偏离度,其中,预设价格可以从第三方车价评估平台获取,例如,预设价格可以是车辆的官网价格,预设价格与成交价格的差值的绝对值,再用该绝对值除以预设价格得到价格偏离度。分别计算区域中各个客户的价格偏离度,进而计算区域的平均价格偏离度。
步骤26,基于所述区域中各个客户的收入信息以及所述各个客户的成交价格确定所述区域的平均购买力匹配度;
在本实施例中,根据客户数据中的客户的收入情况以及车辆的成交价格确定客户购买力匹配度,可选地,可以设定客户购买力匹配度有两种,一种是匹配,另一种是不匹配。客户购车贷款后,每个月需要还贷,如果客户的月均收入,或者通过年均收入计算得到月均收入,低于还款金额,则说明客户收入与所购车辆价值不匹配,该客户属于低收入客群,此时客户购买力匹配度的结果是不匹配。分别计算区域中各个客户的购买力匹配度,进而计算区域的平均购买力匹配度。
步骤27,基于所述银行数据获取所述区域中各个客户的逾期情况,并基于所述各个客户的逾期情况确定所述区域的平均逾期率;
在本实施例中,银行数据中记录了区域中各个客户的逾期情况,进而可以计算出每个客户的逾期率。具体地,根据银行数据获取所述区域中各个客户的逾期情况,并根据各个客户的逾期情况进一步计算确定区域的平均逾期率。
步骤28,基于所述平均价格偏离度、所述平均购买力匹配度以及所述平均逾期率,确定所述贷款企业是否存在区域风险。
在本实施例中,客户通过合作平台采购车商售出的车辆,并支取贷款后,根据该区域的平均价格偏离度、平均购买力匹配度以及平均逾期率评估是否存在区域风险。客户的投诉率、抵押登记的办理时效以及银行贷款的提前结清率、客户还款的逾期率等,均可用于监测欺诈风险。可选地,监测客户购车后配合度,如抵押办理时效;贷后逾期爆发时间点,比如首期即逾期;客户还款行为:完全无还款行为;贷后催收客户失联率高或客户不知情比例等。通过多个维度来评估区域风险,并给出预警等级。
进一步地,在一实施例中,步骤S20还包括:
步骤a,基于所述合作平台获取所述贷款企业对应的客户的贷款申请影像资料,基于预设验证方法确定所述贷款申请影像资料对应的验证结果;
步骤b,基于所述银行数据中抵押办理时长以及预期办理时长确定抵押办理时效;
步骤c,基于所述银行数据中客户档案归档时长以及预期归档时长确定客户档案归档时效;
步骤d,基于所述验证结果、所述抵押办理时效以及所述客户档案归档时效,确定所述贷款企业是否存在操作风险。
在本实施例中,贷后风险还包括操作风险,通过合作平台传递给的客户影像资料,可选地,与公安、人脸识别、运营商数据等第三方数据进行客户身份识别,验证资料真伪;监测客户抵押办理时效、客户档案归档时效、运车时效。
可选地,根据银行数据中抵押办理时长以及预期办理时长确定抵押办理时效,进一步根据银行数据中客户档案归档时长以及预期归档时长确定客户档案归档时效,最后根据验证结果、抵押办理时效以及客户档案归档时效,确定所述贷款企业是否存在操作风险,并给出预警等级。
进一步地,在一实施例中,步骤S20还包括:
步骤e,基于所述交易数据和所述贷款企业的线下线上销售占比,确定所述贷款企业对应的第一销售数据;
在本实施例中,贷后风险包括经营风险,具体地,贷后管理系统通过与合作平台的系统对接,获取合作平台的第一线上交易数据,其中,交易数据包括车商作为买方买车的交易记录,也有作为卖方卖车的交易记录,同时还可以实时统计出车商的进车量、库存量、销售车辆、每辆车的销售时间等。车商通过多个合作平台销售车辆,获取全部合作平台的交易数据,并根据交易数据得到车商的线上销售数据,根据历史数据等统计出车商线下线上销售占比,进一步地可以计算出车商的整体销售数据,确定第一销售数据=第一线上销售数据x(1+线下线上销售比)。
步骤f,基于所述银行数据、所述客户数据以及所述贷款企业对应的金融渗透率得到所述贷款企业的线上交易数据,并基于所述线上交易数据以及所述线下线上销售比,得到所述贷款企业对应的第二销售数据;
在本实施例中,根据客户的交易订单及贷款情况,以及汽车购买行为中金融渗透率的平均水平也可以推算出线上交易数据,即第二线上交易数据,其中,金融渗透率表示线上购买车的客户中贷款客户和非贷款客户的消费百分比。进一步地,根据历史数据等统计出车商线下线上销售占比,再计算出车商的整体销售数据,确定第二销售数据=第二线上销售数据x(1+线下线上销售比)。
步骤g,基于所述第一销售数据、所述第二销售数据以及阈值确定所述贷款企业是否存在经营风险。
在本实施例中,第一销售数据和第二销售数据是分别根据合作平台的交易数据以及客户端的购买及贷款数据分别推算得到的,进一步地,将第一销售数据和第二销售数据进行交叉验证,进而判断车商的经营情况。
具体地,基于第一销售数据、第二销售数据以及阈值确定贷款企业是否存在经营风险。可选地,计算第一销售数据和第二销售数据的差值并求绝对值,将该绝对值与阈值进行比较,阈值是根据实际情况确定,当该绝对值小于或等于阈值时,说明贷款企业不存在经营风险,当该绝对值大于阈值时,说明贷款企业存在经营风险,并给出预警等级。
进一步地,在一实施例中,步骤S20还包括:
步骤h,基于各笔借款金额确定所述贷款企业在同一授信周期内的平均借款金额,基于各笔借款金额对应的借款期限确定所述平均借款金额对应的平均借款期限,基于各笔借款金额对应的逾期情况确定所述平均借款金额对应的平均逾期比例;
在本实施例中,贷后风险包括信用风险,具体地,贷款企业在一个授信周期会产生多笔借款,每笔借款的金额、借款期限可能不同,例如,车商在一个授信周期产生了3笔借款,第一笔借款的金额是100万,借款期限为6个月,第二笔借款的金额是50万,借款期限为4个月,第三笔借款的金额是150万,借款期限为8个月。在贷款支用后,每个还款日,车商需要按期还款,如果未及时偿还,则会产生逾期记录。具体地,在一个授信周期,根据各笔借款金额计算出贷款企业的平均借款金额,根据各笔借款金额对应的借款期限计算出贷款企业的平均借款期限,根据各笔借款金额对应的逾期情况计算出贷款企业的平均逾期比例。
步骤i,基于所述平均借款金额、所述平均借款期限、所述平均逾期比例以及预设信用数据确定所述贷款企业是否存在信用风险。
在本实施例中,通过监测车商的平均借款金额、平均借款期限、平均逾期比例,分析车商用信行为和习惯。进一步地,还可以通过第三方数据获取车商的信用信息,包括监测车商的多头借贷、负面行为、运营商数据、公安、工商、司法等多维度的数据,按照预设的信用评判标准来综合判断车商的整体信用风险,并给出预警等级。
本实施例提出的多方联动的贷后风险管理方法,通过基于银行数据、交易数据以及客户数据确定贷款企业是否存在经营风险、信用风险、欺诈风险、区域风险以及操作风险,贷款企业可能存在一种或多种贷后风险,并给出预警等级,实现多维度地评估中小微贷款企业的贷后风险,提升了贷后监管质量。
本发明进一步提供一种多方联动的贷后风险管理装置,参照图4,图4为本发明多方联动的贷后风险管理装置实施例的功能模块示意图。
获取模块10,获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据;
处理模块20,基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险;
发送模块30,在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果;
确定模块40,基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施。
进一步地,所述处理模块20还用于:
获取所述客户数据中的客户对应的成交价格,基于所述成交价格及预设价格确定价格偏离度;
基于所述客户数据中的客户的收入信息以及所述成交价格确定客户购买力匹配度;
基于所述价格偏离度、所述客户购买力匹配度、所述交易数据中的退换率以及所述银行数据中客户的还款逾期率,确定所述贷款企业是否存在欺诈风险。
进一步地,所述处理模块20还用于:
获取所述客户数据中的客户地址,基于所述客户地址以及预设区域划分规则,确定所述客户地址对应的区域;
基于所述区域中各个客户的成交价格以及所述各个成交价格对应的预设价格,确定所述区域的平均价格偏离度;
基于所述区域中各个客户的收入信息以及所述各个客户的成交价格确定所述区域的平均购买力匹配度;
基于所述银行数据获取所述区域中各个客户的逾期情况,并基于所述各个客户的逾期情况确定所述区域的平均逾期率;
基于所述平均价格偏离度、所述平均购买力匹配度以及所述平均逾期率,确定所述贷款企业是否存在区域风险。
进一步地,所述处理模块20还用于:
基于所述合作平台获取所述贷款企业对应的客户的贷款申请影像资料,基于预设验证方法获取所述贷款申请影像资料对应的验证结果;
基于所述银行数据中抵押办理时长以及预期办理时长确定抵押办理时效;
基于所述银行数据中客户档案归档时长以及预期归档时长确定客户档案归档时效;
基于所述验证结果、所述抵押办理时效以及所述客户档案归档时效,确定所述贷款企业是否存在操作风险。
进一步地,所述处理模块20还用于:
基于所述交易数据和所述贷款企业的线下线上销售占比,确定所述贷款企业对应的第一销售数据;
基于所述银行数据、所述客户数据以及所述贷款企业对应的金融渗透率确定所述贷款企业的线上交易数据,并基于所述线上交易数据以及所述线下线上销售占比,确定所述贷款企业对应的第二销售数据;
基于所述第一销售数据、所述第二销售数据以及阈值确定所述贷款企业是否存在经营风险。
进一步地,所述处理模块20还用于:
基于各笔借款金额确定所述贷款企业在同一授信周期内的平均借款金额,基于各笔借款金额对应的借款期限确定所述平均借款金额对应的平均借款期限,基于各笔借款金额对应的逾期情况确定所述平均借款金额对应的平均逾期比例;
基于所述平均借款金额、所述平均借款期限、所述平均逾期比例以及预设信用数据确定所述贷款企业是否存在信用风险。
进一步地,所述确定模块40还用于:
基于所述贷后风险以及所述排出结果确定预警等级;
基于所述预警等级确定所述贷后管理措施。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有多方联动的贷后风险管理程序,所述多方联动的贷后风险管理程序被处理器执行时实现上述各个实施例中多方联动的贷后风险管理方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台系统设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (14)
1.一种多方联动的贷后风险管理方法,其特征在于,所述的多方联动的贷后风险管理方法包括以下步骤:
获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据,其中,所述客户通过贷款企业作为客户贷款渠道;
基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险;
在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果;
基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施;
其中,所述贷后风险还包括欺诈风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
获取所述客户数据中的客户对应的成交价格,基于所述成交价格及预设价格确定价格偏离度;
基于所述客户数据中的客户的收入信息以及所述成交价格确定客户购买力匹配度;
基于所述价格偏离度、所述客户购买力匹配度、所述交易数据中的退换率以及所述银行数据中客户的还款逾期率,确定所述贷款企业是否存在欺诈风险。
2.如权利要求1所述的多方联动的贷后风险管理方法,其特征在于,所述贷后风险还包括区域风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
获取所述客户数据中的客户地址,基于所述客户地址以及预设区域划分规则,确定所述客户地址对应的区域;
基于所述区域中各个客户的成交价格以及所述各个成交价格对应的预设价格,确定所述区域的平均价格偏离度;
基于所述区域中各个客户的收入信息以及所述各个客户的成交价格确定所述区域的平均购买力匹配度;
基于所述银行数据获取所述区域中各个客户的逾期情况,并基于所述各个客户的逾期情况确定所述区域的平均逾期率;
基于所述平均价格偏离度、所述平均购买力匹配度以及所述平均逾期率,确定所述贷款企业是否存在区域风险。
3.如权利要求1所述的多方联动的贷后风险管理方法,其特征在于,所述贷后风险还包括操作风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
基于所述合作平台获取所述贷款企业对应的客户的贷款申请影像资料,基于预设验证方法确定所述贷款申请影像资料对应的验证结果;
基于所述银行数据中抵押办理时长以及预期办理时长确定抵押办理时效;
基于所述银行数据中客户档案归档时长以及预期归档时长确定客户档案归档时效;
基于所述验证结果、所述抵押办理时效以及所述客户档案归档时效,确定所述贷款企业是否存在操作风险。
4.如权利要求1所述的多方联动的贷后风险管理方法,其特征在于,所述贷后风险包括经营风险,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
基于所述交易数据和所述贷款企业的线下线上销售占比,确定所述贷款企业对应的第一销售数据;
基于所述银行数据、所述客户数据以及所述贷款企业对应的金融渗透率确定所述贷款企业的线上交易数据,并基于所述线上交易数据以及所述线下线上销售占比,确定所述贷款企业对应的第二销售数据;
基于所述第一销售数据、所述第二销售数据以及阈值确定所述贷款企业是否存在经营风险。
5.如权利要求1所述的多方联动的贷后风险管理方法,其特征在于,所述贷后风险还包括信用风险,所述银行数据包括各笔借款金额、各笔借款金额对应的借款期限及各笔借款金额对应的逾期情况,所述基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险的步骤包括:
基于各笔借款金额确定所述贷款企业在同一授信周期内的平均借款金额,基于各笔借款金额对应的借款期限确定所述平均借款金额对应的平均借款期限,基于各笔借款金额对应的逾期情况确定所述平均借款金额对应的平均逾期比例;
基于所述平均借款金额、所述平均借款期限、所述平均逾期比例以及预设信用数据确定所述贷款企业是否存在信用风险。
6.如权利要求1至5中任一项所述的多方联动的贷后风险管理方法,其特征在于,所述基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施的步骤包括:
基于所述贷后风险以及所述排查结果确定预警等级;
基于所述预警等级确定所述贷后管理措施。
7.一种基于多方联动的贷后风险管理装置,其特征在于,所述多方联动的贷后风险管理装置包括:
获取模块,获取贷款企业对应的银行数据、所述贷款企业对应的合作平台的交易数据以及所述贷款企业对应的客户数据;
处理模块,基于所述银行数据、所述交易数据以及所述客户数据确定所述贷款企业是否存在贷后风险;
发送模块,在所述贷款企业存在贷后风险时,发送人工排查请求至预设管理终端,以使所述预设管理终端反馈人工排查请求对应的排查结果;
确定模块,基于所述贷后风险以及所述排查结果确定所述贷款企业对应的贷后管理措施;
所述处理模块还用于:
获取所述客户数据中的客户对应的成交价格,基于所述成交价格及预设价格确定价格偏离度;
基于所述客户数据中的客户的收入信息以及所述成交价格确定客户购买力匹配度;
基于所述价格偏离度、所述客户购买力匹配度、所述交易数据中的退换率以及所述银行数据中客户的还款逾期率,确定所述贷款企业是否存在欺诈风险。
8.如权利要求7所述的多方联动的贷后风险管理装置,其特征在于,所述处理模块还用于:
获取所述客户数据中的客户地址,基于所述客户地址以及预设区域划分规则,确定所述客户地址对应的区域;
基于所述区域中各个客户的成交价格以及所述各个成交价格对应的预设价格,确定所述区域的平均价格偏离度;
基于所述区域中各个客户的收入信息以及所述各个客户的成交价格确定所述区域的平均购买力匹配度;
基于所述银行数据获取所述区域中各个客户的逾期情况,并基于所述各个客户的逾期情况确定所述区域的平均逾期率;
基于所述平均价格偏离度、所述平均购买力匹配度以及所述平均逾期率,确定所述贷款企业是否存在区域风险。
9.如权利要求7所述的多方联动的贷后风险管理装置,其特征在于,所述处理模块还用于:
基于所述合作平台获取所述贷款企业对应的客户的贷款申请影像资料,基于预设验证方法获取所述贷款申请影像资料对应的验证结果;
基于所述银行数据中抵押办理时长以及预期办理时长确定抵押办理时效;
基于所述银行数据中客户档案归档时长以及预期归档时长确定客户档案归档时效;
基于所述验证结果、所述抵押办理时效以及所述客户档案归档时效,确定所述贷款企业是否存在操作风险。
10.如权利要求7所述的多方联动的贷后风险管理装置,其特征在于,所述处理模块还用于:
基于所述交易数据和所述贷款企业的线下线上销售占比,确定所述贷款企业对应的第一销售数据;
基于所述银行数据、所述客户数据以及所述贷款企业对应的金融渗透率确定所述贷款企业的线上交易数据,并基于所述线上交易数据以及所述线下线上销售占比,确定所述贷款企业对应的第二销售数据;
基于所述第一销售数据、所述第二销售数据以及阈值确定所述贷款企业是否存在经营风险。
11.如权利要求7所述的多方联动的贷后风险管理装置,其特征在于,所述处理模块还用于:
基于各笔借款金额确定所述贷款企业在同一授信周期内的平均借款金额,基于各笔借款金额对应的借款期限确定所述平均借款金额对应的平均借款期限,基于各笔借款金额对应的逾期情况确定所述平均借款金额对应的平均逾期比例;
基于所述平均借款金额、所述平均借款期限、所述平均逾期比例以及预设信用数据确定所述贷款企业是否存在信用风险。
12.如权利要求7所述的多方联动的贷后风险管理装置,其特征在于,所述确定模块还用于:
基于所述贷后风险以及所述排查结果确定预警等级;
基于所述预警等级确定所述贷后管理措施。
13.一种贷后风险管理终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多方联动的贷后风险管理程序,所述多方联动的贷后风险管理程序被所述处理器执行时实现如权利要求1至6中任一项所述的多方联动的贷后风险管理方法的步骤。
14.一种存储介质,其特征在于,所述存储介质上存储有所述多方联动的贷后风险管理程序,所述多方联动的贷后风险管理程序被处理器执行时实现如权利要求1至6中任一项所述的多方联动的贷后风险管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548190.3A CN110246030B (zh) | 2019-06-21 | 2019-06-21 | 多方联动的贷后风险管理方法、终端、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548190.3A CN110246030B (zh) | 2019-06-21 | 2019-06-21 | 多方联动的贷后风险管理方法、终端、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246030A CN110246030A (zh) | 2019-09-17 |
CN110246030B true CN110246030B (zh) | 2023-06-20 |
Family
ID=67888969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548190.3A Active CN110246030B (zh) | 2019-06-21 | 2019-06-21 | 多方联动的贷后风险管理方法、终端、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246030B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992032A (zh) * | 2019-12-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 多方联合进行可信用户评估的方法及装置 |
CN111178704B (zh) * | 2019-12-17 | 2021-03-12 | 东方微银科技(北京)有限公司 | 一种风险目标识别方法及设备 |
CN111105307A (zh) * | 2019-12-27 | 2020-05-05 | 中国工商银行股份有限公司 | 一种贷后管理方法、系统、设备及可读介质 |
CN113450200A (zh) * | 2020-03-25 | 2021-09-28 | 上海欧冶金融信息服务股份有限公司 | 一种多层次可交互的风险预警系统 |
CN111523793A (zh) * | 2020-04-21 | 2020-08-11 | 北京易点淘网络技术有限公司 | 一种信用租赁业务中的风险监控预警方法及系统 |
CN111552733B (zh) * | 2020-04-27 | 2023-09-01 | 大汉电子商务有限公司 | 一种基于大数据的运营动态分析系统及方法 |
CN111913994B (zh) * | 2020-08-12 | 2023-09-15 | 武汉众邦银行股份有限公司 | 基于行内数据和外部数据的客户风险数据监测方法 |
CN112381640A (zh) * | 2020-11-17 | 2021-02-19 | 平安普惠企业管理有限公司 | 业务数据监控方法、装置、设备及存储介质 |
CN112613980A (zh) * | 2020-12-22 | 2021-04-06 | 中国工商银行股份有限公司 | 交易处理方法及装置、电子设备和计算机可读存储介质 |
CN113450208A (zh) * | 2021-06-30 | 2021-09-28 | 中国建设银行股份有限公司 | 贷款风险变动预警、模型训练方法和装置 |
CN113689289B (zh) * | 2021-08-26 | 2024-04-30 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192242A1 (en) * | 2006-01-18 | 2007-08-16 | Reto Kunz | System and method for credit risk detection and monitoring |
CN106530078A (zh) * | 2016-11-29 | 2017-03-22 | 流量海科技成都有限公司 | 基于跨行业数据的贷款风险预警方法及系统 |
CN107886430A (zh) * | 2017-11-29 | 2018-04-06 | 南京甄视智能科技有限公司 | 贷后风险控制方法和系统 |
CN109064307A (zh) * | 2018-06-06 | 2018-12-21 | 陆正来 | 商业银行基于其内部数据挖掘的贷款获客、发放和管理的方法及系统 |
-
2019
- 2019-06-21 CN CN201910548190.3A patent/CN110246030B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110246030A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246030B (zh) | 多方联动的贷后风险管理方法、终端、装置及存储介质 | |
Nadauld et al. | The impact of securitization on the expansion of subprime credit | |
Callen et al. | Revenue manipulation and restatements by loss firms | |
US8788388B2 (en) | Using commercial share of wallet to rate business prospects | |
US20150026039A1 (en) | System and method for predicting consumer credit risk using income risk based credit score | |
US20110166987A1 (en) | Evaluating Loan Access Using Online Business Transaction Data | |
US8775291B1 (en) | Systems and methods for enrichment of data relating to consumer credit collateralized debt and real property and utilization of same to maximize risk prediction | |
US9147217B1 (en) | Systems and methods for analyzing lender risk using vehicle historical data | |
US20140172686A1 (en) | Using commercial share of wallet to make lending decisions | |
US20140019331A1 (en) | Using commercial share of wallet to rate business prospects | |
Green et al. | Accelerator or brake? cash for clunkers, household liquidity, and aggregate demand | |
CN112330439A (zh) | 一种基于五流合一业务数据的金融风险识别装置及方法 | |
CN112734557A (zh) | 基于大数据的智慧网贷管理系统 | |
Loshin | Evaluating the business impacts of poor data quality | |
Chiu et al. | The automation of financial statement fraud detection: a framework using process mining | |
CN112581291B (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
Armantier et al. | Insurance and portfolio decisions: A wealth effect puzzle | |
US7734530B1 (en) | Meta-marketplace method | |
Miller | Why are larger motor carriers more compliant with safety regulations? | |
US7970711B2 (en) | Warranty management system and method | |
KR100478691B1 (ko) | 기업간 거래 위험도 분석을 통한 연쇄 부도 위험 측정방법 및 시스템 | |
Klee et al. | Post-crisis signals in securitization: Evidence from auto ABS | |
CN113269412A (zh) | 风险评估方法及相关装置 | |
CN115131070B (zh) | 一种在线商品预定量虚标的识别及处理方法及装置 | |
US20220164309A1 (en) | Systems and methods for dealerships for optimizing customer financing options |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |