CN112184427A - 一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法 - Google Patents

Abstract

本发明涉及一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，包括以下步骤，步骤S1：贷款推荐平台采集用户在其应用中的浏览、点击的操作行为；步骤S2:与贷款推荐平台连接的服务器将操作行为归入各个Bin，同时贷款推荐平台通过大数据检索产生用户的信用数据；步骤S3：将这些整理后的数据连同贷款机构产品提供的用户的信用数据一起输入GBDT机器学习模型，得出损益曲线上的最佳平衡点，即得到风险模型，进而得出借贷指数的映射；之后服务器得到的某用户操作行为的Bin可直接输入风险模型，进而得到某一个用户的借贷指数，将借贷指数传输给贷款机构的产品做进一步风险参考。

Description

一种基于用户在线上贷款推荐应用上的操作行为分析借贷风 险的方法

技术领域

本发明涉及线上贷款技术领域，尤其是涉及一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法。

背景技术

线上贷款推荐作为一种商业模式，为银行等相关金融放贷机构的金融产品提供了用户来源。

当前线上贷款推荐一般只是将用户的基本资料等传输给金融放贷机构，是现有金融机构做风险控制的主要来源。但在一些拥有自主应用的放贷机构，正在使用用户的操作行为作为风险控制的补充。用户在线上贷款推荐应用上的操作也可以作为平行于基本资料的新信息传输给放贷机构的产品做风险控制。一些放贷机构的自主所有的应用中，会利用用户在其应用上的操作行为作为风险控制的重要输入项。而在这些应用的上游用户来源的线上贷款推荐应用中还没有采集、分析并传输给放贷产品的先例。

用户行为作为一种用户的下意识操作留存，对判断放贷风险有一定作用。当前只在一些放贷机构的自主应用中有为风险控制所用，如通过用户填写资料时的输入时间判断是否为不熟悉资料的他人代填等。而放贷机构在做用户风险判断时，普遍对用户的多头借贷水平很重视，这是放贷机构的自主应用不可能获取的信息，又因各贷款机构之间的贷款信息不共享而苦于没有多头借贷的数据支撑，因此造成不能正确判断用户偿债能力。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，其通过分析用户在诸多贷款产品里挑选贷款产品的行为轨迹留存，生成用户的借贷指数，对放贷机构有效判断用户的多头、欺诈等起到支持作用。

本发明的上述发明目的是通过以下技术方案得以实现的：

一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，包括以下步骤，

步骤S1：贷款推荐平台采集用户在其应用中的浏览、点击的操作行为；

步骤S2:与所述贷款推荐平台连接的服务器将所述操作行为归入各个Bin，同时所述贷款推荐平台通过大数据检索产生用户的信用数据；

步骤S3：将这些整理后的数据连同贷款机构产品提供的用户的信用数据一起输入GBDT机器学习模型，得出损益曲线上的最佳平衡点，即得到风险模型，进而得出借贷指数的映射；

之后所述服务器得到的某用户操作行为的Bin可直接输入所述风险模型，进而得到某一个用户的所述借贷指数，将所述借贷指数传输给贷款机构的产品做进一步风险参考。

通过上述技术方案，用户在终端上浏览贷款产品列表，点击一些产品进入产品详情，上下浏览并点击其中一些内容。在这期间，将记录每一个用户点击、停留、返回等操作的时间和间隔时间，上报服务器分析并得出借贷指数。借贷指数对放贷机构有效判断用户的多头借贷、欺诈等起到支持作用，使得贷款机构能够正确判断用户偿债能力，其中的多头借贷指的是用户在多个产品中同时借贷，是对用户偿还贷款能力的重要判断标准。

用户在线上贷款推荐的列表中浏览、选择需要的贷款产品时，会以自己的习惯和需求查看不同产品的属性(如利率、周期、额度等)，在这期间会形成自己的行为轨迹。行为轨迹包括点击、浏览停留、收藏等行为的发起、持续等有迹可循的行为。

这些用户的下意识操作行为留存是用户当下借款意图的外在表现，对贷款产品有很强的参考意义，可以作为贷款产品控制多头借贷(用户在多个产品中同时借贷，是对用户偿还贷款能力的重要判断标准)风险的重要参考项。

本发明在一较佳示例中可以进一步配置为：在步骤S2中，客户端采集的所述用户操作行为的项目包括列表打开次数及停留时间、在列表中点击贷款产品数量、点击了哪些贷款产品进入它们的详情页、某贷款产品详情页上的停留时间、某贷款产品详情页上是否点击了“去申请”按钮以及某贷款产品详情页上点击“去申请”后转入贷款产品自主申请页面后至重新回到贷款推荐应用的时间间隔。

通过上述技术方案，从这六个方面采集用户的操作行为，从而使得服务器能够根据风险模型对用户的偿债能力进行全方位的分析，保证生成的借贷指数的准确性。

本发明在一较佳示例中可以进一步配置为：所述服务器通过网络分别与贷款推荐应用终端以及放贷机构服务器连接。

通过上述技术方案，服务器接收贷款推荐应用终端采集的用户行为，经由服务器上的风险模型分析，得出用户的借贷指数传输给放贷机构服务器。

放贷机构的产品也可以通过其服务器对特别用户的借贷指数进行查询，服务器根据事先通过特殊标识标定的用户在系统中查询借贷指数并返回给放贷机构。

本发明在一较佳示例中可以进一步配置为：在所述步骤S2中，用户在线上贷款推荐产品上的被推荐“贷款产品列表页”上拖动浏览、停留、直到点击某产品的时间都将被记录；

所述用户点击所述“贷款产品列表页”的任一一款贷款产品进入“贷款产品详情页”，所述用户在详情页上面的拖动、浏览、停留直到点击“去申请”转入贷款产品-提供的自主申请页面前的时间都将被记录。

通过上述技术方案，这些记录将作为风险控制分析的输入进行风险评估，同时放贷机构可以通过本技术提供的借贷指数对用户的多头借贷等有基本的风险参考，通过在贷款推荐应用中的用户行为提炼出更多的风险意义。

综上所述，本发明包括以下至少一种有益技术效果：

1.用户在终端上浏览贷款产品列表，点击一些产品进入产品详情，上下浏览并点击其中一些内容。在这期间，将记录每一个用户点击、停留、返回等操作的时间和间隔时间，上报服务器分析并得出借贷指数。借贷指数对放贷机构有效判断用户的多头借贷、欺诈等起到支持作用，使得贷款机构能够正确判断用户偿债能力，其中的多头借贷指的是用户在多个产品中同时借贷，是对用户偿还贷款能力的重要判断标准。

2.从六个方面采集用户的操作行为，从而使得服务器能够根据风险模型对用户的偿债能力进行全方位的分析，保证生成的借贷指数的准确性。

3.服务器接收贷款推荐应用终端采集的用户行为，经由服务器上的风险模型分析，得出用户的借贷指数传输给放贷机构服务器。

放贷机构的产品也可以通过其服务器对特别用户的借贷指数进行查询，服务器根据事先通过特殊标识标定的用户在系统中查询借贷指数并返回给放贷机构。

附图说明

图1为本发明的流程简图。

图2为本发明展示服务器与贷款推荐应用终端的交互场景图。

图3为本发明展示贷款终端界面中“贷款产品列表页”的示意图。

图4为本发明展示贷款终端界面中“贷款产品详情页”的示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

参照图1，为本发明公开的一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，包括以下步骤，

步骤S1：贷款推荐平台采集用户在其应用中的浏览、点击的操作行为；

步骤S2:与贷款推荐平台连接的服务器将操作行为归入各个Bin，同时贷款推荐平台通过大数据检索产生用户的信用数据；

步骤S3：将这些整理后的数据连同贷款机构产品提供的用户的信用数据一起输入GBDT机器学习模型，得出损益曲线上的最佳平衡点，即得到风险模型，进而得出借贷指数的映射；

之后服务器得到的某用户操作行为的Bin可直接输入风险模型，进而得到某一个用户的借贷指数，将借贷指数传输给贷款机构的产品做进一步风险参考。

在步骤S2中，客户端采集的用户操作行为的项目包括1、列表打开次数及停留时间；2、在列表中点击贷款产品数量；3、点击了哪些贷款产品进入它们的详情页；4、某贷款产品详情页上的停留时间；5、某贷款产品详情页上是否点击了“去申请”按钮；6、某贷款产品详情页上点击“去申请”后转入贷款产品自主申请页面后至重新回到贷款推荐应用的时间间隔。

从这六个方面采集用户的操作行为，从而使得服务器能够根据风险模型对用户的偿债能力进行全方位的分析，保证生成的借贷指数的准确性。

在本实施例中进行特征提取，包括以上操作行为的一众行为数据被归入各自的Bin。如项目2的“在列表中点击贷款产品数量”被归入Bin：

[0,3)->”LOANCOUNT_BIN_1”，

[3,6)->”LOANCOUNT_BIN_2”，

[6,10)->”LOANCOUNT_BIN_3”，

[10,...)->”LOANCOUNT_BIN_4”。

再比如项目4的“某贷款产品详情页上的停留时间”被归入Bin：

[0,10)->”DETAILSTAY_BIN_1”，

[10,20)->”DETAILSTAY_BIN_2”，

[20,30)->”DETAILSTAY_BIN_3”，

[30,60)->”DETAILSTAY_BIN_4”，

[60,120)->”DETAILSTAY_BIN_5”，

[120,...)->”DETAILSTAY_BIN_6”。

接着再进行步骤S3。参照图2，服务器通过网络分别与贷款推荐应用终端以及放贷机构服务器连接。服务器接收贷款推荐应用终端采集的用户行为，经由服务器上的风险模型分析，得出用户的借贷指数传输给放贷机构服务器。放贷机构的产品也可以通过其服务器对特别用户的借贷指数进行查询，服务器根据事先通过特殊标识标定的用户在系统中查询借贷指数并返回给放贷机构。

参照图3，在步骤S2中，用户在线上贷款推荐产品上的被推荐“贷款产品列表页”上拖动浏览、停留、直到点击某产品的时间都将被记录；

用户点击“贷款产品列表页”的任一一款贷款产品进入“贷款产品详情页”，用户在详情页上面的拖动、浏览、停留直到点击“去申请”转入贷款产品-提供的自主申请页面前的时间都将被记录。

这些记录将作为风险控制分析的输入进行风险评估，同时放贷机构可以通过本技术提供的借贷指数对用户的多头借贷等有基本的风险参考，通过在贷款推荐应用中的用户行为提炼出更多的风险意义。在本实施例中，贷款推荐应用终端采集的用户行为可以多种多样，不仅局限在上述的项目。将用户操作行为进行特征提取的过程可以很多种，风险模型的训练可以用非GBDT的其他工具实现。

本实施例的实施原理为：用户在终端上浏览贷款产品列表，点击一些产品进入产品详情，上下浏览并点击其中一些内容。在这期间，将记录每一个用户点击、停留、返回等操作的时间和间隔时间，上报服务器分析并得出借贷指数。借贷指数对放贷机构有效判断用户的多头借贷、欺诈等起到支持作用，使得贷款机构能够正确判断用户偿债能力，其中的多头借贷指的是用户在多个产品中同时借贷，是对用户偿还贷款能力的重要判断标准。

用户在线上贷款推荐的列表中浏览、选择需要的贷款产品时，会以自己的习惯和需求查看不同产品的属性(如利率、周期、额度等)，在这期间会形成自己的行为轨迹。行为轨迹包括点击、浏览停留、收藏等行为的发起、持续等有迹可循的行为。

这些用户的下意识操作行为留存是用户当下借款意图的外在表现，对贷款产品有很强的参考意义，可以作为贷款产品控制多头借贷(用户在多个产品中同时借贷，是对用户偿还贷款能力的重要判断标准)风险的重要参考项。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (4)

1.一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，其特征在于：包括以下步骤，

步骤S1：贷款推荐平台采集用户在其应用中的浏览、点击的操作行为；

步骤S2:与所述贷款推荐平台连接的服务器将所述操作行为归入各个Bin，同时所述贷款推荐平台通过大数据检索产生用户的信用数据；

步骤S3：将这些整理后的数据连同贷款机构产品提供的用户的信用数据一起输入GBDT机器学习模型，得出损益曲线上的最佳平衡点，即得到风险模型，进而得出借贷指数的映射；

之后所述服务器得到的某用户操作行为的Bin可直接输入所述风险模型，进而得到某一个用户的所述借贷指数，将所述借贷指数传输给贷款机构的产品做进一步风险参考。

2.根据权利要求1所述的一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，其特征在于：在步骤S2中，客户端采集的所述用户操作行为的项目包括列表打开次数及停留时间、在列表中点击贷款产品数量、点击了哪些贷款产品进入它们的详情页、某贷款产品详情页上的停留时间、某贷款产品详情页上是否点击了“去申请”按钮以及某贷款产品详情页上点击“去申请”后转入贷款产品自主申请页面后至重新回到贷款推荐应用的时间间隔。

3.根据权利要求1所述的一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，其特征在于：所述服务器通过网络分别与贷款推荐应用终端以及放贷机构服务器连接。

4.根据权利要求1所述的一种基于用户在线上贷款推荐应用上的操作行为分析借贷风险的方法，其特征在于：在所述步骤S2中，用户在线上贷款推荐产品上的被推荐“贷款产品列表页”上拖动浏览、停留、直到点击某产品的时间都将被记录；

所述用户点击所述“贷款产品列表页”的任一一款贷款产品进入“贷款产品详情页”，所述用户在详情页上面的拖动、浏览、停留直到点击“去申请”转入贷款产品-提供的自主申请页面前的时间都将被记录。

Images