CN112381640A - 业务数据监控方法、装置、设备及存储介质 - Google Patents
业务数据监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112381640A CN112381640A CN202011282952.9A CN202011282952A CN112381640A CN 112381640 A CN112381640 A CN 112381640A CN 202011282952 A CN202011282952 A CN 202011282952A CN 112381640 A CN112381640 A CN 112381640A
- Authority
- CN
- China
- Prior art keywords
- data
- loan
- monitoring
- fund
- money
- 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
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
Abstract
本发明涉及数据处理领域,公开了一种业务数据监控方法、装置、设备及存储介质,通过调用数据采集接口采集放款后的用款数据,对用款数据执行预处理,得到款后监控数据,利用预置贷款用途监控模型,对款后监控数据进行款项使用审核,得到审核结果,根据审核结果,计算贷款人对款项的使用评分,得到可疑分值,若可疑分值为异常分值,则基于可疑分值确定贷款业务的处理策略,并基于处理策略对所述贷款业务进行异常处理;该方法实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。此外,本发明还涉及区块链技术,贷款相关的数据可存储于区块链中。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种业务数据监控方法、装置、设备及存储介质。
背景技术
随着人工智能技术的不断发展,智能监控技术的应用在各个领域上越来越普及使用了,尤其是在金融业务的后期监控审核中,目前的贷款放款审核主要是对借款人的基本财产或者还款能力来进行严格的审核,也即是在贷款业务流程的实现中仅仅实现了对借款人存在基本的还款能力和抵押财产的审核,而对于放款后对款项的使用过程中,并没有实现自动监控和使用的审核监控,即使是用监控也是通过例行巡查的方式来进行实地的调查,并没有实时跟踪,实时进行风险监控的业务流程。
同时随着互联网技术的发展,传统金融机构与互联网技术的结合越来越紧密,使得传统金融机构中产生的数据量急速上升,而在大批量数据的前提下,若继续采用传统的巡查监控方式对贷款后的用款行为进行记录检查,则显得效率极低,并且还需要耗费大量的人力资源,并且巡查监控方式需要巡查人员在对应的金融软件上上传采集到的信息,才能实现监控,而这样的方式对于数据的有效性要求极高,不易实现,从而难以实现有效精准的监控。
发明内容
本发明的主要目的是为了解决传统的贷款业务的监控方案中,仅能实现对借款人的基本信用信息的跟踪和风险监控,并不能实现实时的款后行为监控的技术问题。
本发明第一方面提供了一种业务数据监控方法,所述业务数据监控方法包括:
在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的用款数据,其中所述用款数据包括贷款人行为数据、账户信息和资金流向数据;
对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据,所述预处理包括清除所述用款数据中冗余的信息;
将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值;
若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理。
可选地,在本发明第一方面的第一种实现方式中,所述调用数据采集接口采集放款后的用款数据包括:
获取所述贷款人的账户信息,并基于所述账户信息确定对应的账户接口,通过监控小程序对所述账户接口进行实时监控,得到监控结果;
若所述监控结果为异常,则调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据。
可选地,在本发明第一方面的第二种实现方式中,所述调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据包括:
以所述贷款人行为数据为搜索索引,从各所述征信系统中提取与所述贷款人相关的区块链数据及所述贷款人的贷后人行征信报告查询;
从所述区块链数据及所述贷后人行征信报告查询中提取贷款人在贷款事后的行为数据;
计算所述贷款事后的行为数据的至少两个筛选维度信息,基于所述至少两个筛选维度信息从各所述征信系统中进行二次筛选,得到行为数据集;
判断所述行为数据集与所述贷款人在申请贷款时请求的行为数据是否一致;
若不一致,则获取款项使用数据,并从中提取资金流向数据。
可选地,在本发明第一方面的第三种实现方式中,所述获取款项使用数据,并从中提取资金流向数据包括:
在所述贷款事后的行为数据与所述请求的行为数据不一致时,向所述贷款人发送款项使用资料的上传请求;
获取所述贷款人基于所述上传请求上传的款项使用资料,并利用OCR识别技术提取所述贷款使用材料中的印章和款项使用用途数据;
将提取到的所述印章上传至预设的印章校验库中进行合法校验;
若校验的结果为合法,则将所述款项使用用途数据与贷款请求时录入的用途信息进行比较;
若比较的结果为不一致,则将所述贷款使用材料跳转至人工复验任务池,并通知审核人员进行人工审核;
在人工审核通过后,启动图片识别程序,逐一对所述款项使用资料中的文字进行识别,形成可编辑文本;
提取所述款项使用资料中的主题名称,基于所述主题名称中系统中查询对应的模板数据,基于所述模板数据对所述可编辑文本中的内容进行识别提取,得到款项使用明细;
基于所述款项使用明细和所述款项使用用途数据生成资金流向数据。
可选地,在本发明第一方面的第四种实现方式中,所述基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果包括:
检测所述款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
将所述资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
根据所述第一总数X、第二总数Y和款项用途分析结果B,确定所述贷款业务的审核结果S。
可选地,在本发明第一方面的第五种实现方式中,所述根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值包括:
将所述第一总数X、第二总数Y和款项用途分析结果B,输入至预设的评分模型中进行使用评分的预测,得到预测结果;
从预先统计的可疑行为分类表中,查询出与所述预测结果相匹配的类型,并确定所述贷款人行为数据的可疑分值。
本发明第二方面提供了一种业务数据监控装置,所述业务数据监控装置包括:
调用模块,用于在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的用款数据,其中所述用款数据包括贷款人行为数据、账户信息和资金流向数据;
预处理模块,用于对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据,所述预处理包括清除所述用款数据中冗余的信息;
审核模块,用于将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
计算模块,用于根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值;
处理模块,用于在所述可疑分值为异常分值时,基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理。
可选地,在本发明第二方面的第一种实现方式中,所述调用模块包括:
监控单元,用于获取所述贷款人的账户信息,并基于所述账户信息确定对应的账户接口,通过监控小程序对所述账户接口进行实时监控,得到监控结果;
采集单元,用于在所述监控结果为异常时,调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据。
可选地,在本发明第二方面的第二种实现方式中,所述采集单元具体用于:
以所述贷款人行为数据为搜索索引,从各所述征信系统中提取与所述贷款人相关的区块链数据及所述贷款人的贷后人行征信报告查询;
从所述区块链数据及所述贷后人行征信报告查询中提取贷款人在贷款事后的行为数据;
计算所述贷款事后的行为数据的至少两个筛选维度信息,基于所述至少两个筛选维度信息从各所述征信系统中进行二次筛选,得到行为数据集;
判断所述行为数据集与所述贷款人在申请贷款时请求的行为数据是否一致;
若不一致,则获取款项使用数据,并从中提取资金流向数据。
可选地,在本发明第二方面的第三种实现方式中,所述采集单元具体用于:
在所述贷款事后的行为数据与所述请求的行为数据不一致时,向所述贷款人发送款项使用资料的上传请求;
获取所述贷款人基于所述上传请求上传的款项使用资料,并利用OCR识别技术提取所述贷款使用材料中的印章和款项使用用途数据;
将提取到的所述印章上传至预设的印章校验库中进行合法校验;
若校验的结果为合法,则将所述款项使用用途数据与贷款请求时录入的用途信息进行比较;
若比较的结果为不一致,则将所述贷款使用材料跳转至人工复验任务池,并通知审核人员进行人工审核;
在人工审核通过后,启动图片识别程序,逐一对所述款项使用资料中的文字进行识别,形成可编辑文本;
提取所述款项使用资料中的主题名称,基于所述主题名称中系统中查询对应的模板数据,基于所述模板数据对所述可编辑文本中的内容进行识别提取,得到款项使用明细;
基于所述款项使用明细和所述款项使用用途数据生成资金流向数据。
可选地,在本发明第二方面的第四种实现方式中,所述审核模块包括:
检测单元,用于检测所述款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
对比单元,用于将所述资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
分析单元,用于根据所述第一总数X、第二总数Y和款项用途分析结果B,确定所述贷款业务的审核结果S。
可选地,在本发明第二方面的第五种实现方式中,所述计算模块包括:
第一计算单元,用于将所述第一总数X、第二总数Y和款项用途分析结果B,输入至预设的评分模型中进行使用评分的预测,得到预测结果;
第二计算单元,用于从预先统计的可疑行为分类表中,查询出与所述预测结果相匹配的类型,并确定所述贷款人行为数据的可疑分值。
本发明第三方面提供了一种业务数据监控设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述业务数据监控设备执行上述的业务数据监控方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的业务数据监控方法。
本发明提供的技术方案中,通过调用数据采集接口采集放款后的用款数据,对所述用款数据执行预处理,以清除冗余数据,得到款后监控数据,利用预置贷款用途监控模型,对所述款后监控数据进行款项使用审核,得到审核结果,根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值,若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理;该方法实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。
附图说明
图1为本发明实施例中业务数据监控方法的第一个实施例示意图;
图2为本发明实施例中业务数据监控方法的第二个实施例示意图;
图3为本发明实施例中业务数据监控方法的第三个实施例示意图;
图4为本发明实施例中业务数据监控方法的第四个实施例示意图;
图5为本发明实施例中业务数据监控装置的一个实施例示意图;
图6为本发明实施例中业务数据监控装置的另一个实施例示意图;
图7为本发明实施例中业务数据监控设备的一个实施例示意图。
具体实施方式
针对于上述的缺陷,提出了一种通过搭建一种事后监测客户贷款用途模型,对已发放贷款的客户进行信息核查,挖掘疑似非法贷款的客户,让客户提供真实的贷款用途材料,如果客户无法提供,则需要提前归还贷款资金并且取消其后续贷款资格,从而实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中业务数据监控方法的第一个实施例包括:
101、在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的贷款人行为数据、账户信息和资金流向数据;
本实施例中,所述贷款业务包括贷前和贷后,而贷前主要是对贷款人的贷款申请进行审核,审核通过后进入贷后流程,而这里的检测存在贷款业务放款应该理解为检测到贷款业务的贷前流程审核通过或者是贷款业务已处于贷后节点,在检测到存在上述情况后,通过数据爬虫工具或者数据采集软件,通过贷款业务的数据接口采集对应的用款数据,具体的通过API接口来监控和采集。
在实际应用中,也可以通过银行获取贷后被监控对象的账户信息及资金流向数据,其中,账户信息为贷后被监控对象在各个银行所开取的账户信息,而资金流向数据包括在上述账户信息之间的资金互转数据,或从上述账户转出的资金数据,或转入上述账户信息的资金数据。
102、对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据;
在该步骤中,所述预处理具体可以理解为是对数据中重复内容、相似内容和无用内容进行合并、删除等处理,具体的对于重复的内容采用合并的处理,例如合并所述贷后监控对象的银行账户,清除在所述银行账户间流转的资金总额。
具体的,获取到贷后监控对象的账户信息、资金流向数据及经营数据后,对上述数据执行预处理的过程可以具体为:合并贷后监控对象的银行账户,以获取在上述银行账户间流转的资金总额,以及清除在贷后监控对象账户间相互流转的资金数据,即清除掉在账户间相互流转的重复数据,如:贷后监控对象的第一账户在第一时间向自身的第二账户转入5000元,第二账户又在第二时间向第一账户转入6000元,则需要消除掉该账户间的互转数据,因为该资金相当于一直在贷后监控对象的自身账户中相互流转,从未流入第三方账户,也未从第三方账户流入贷后监控对象的账户。
在实际应用中,资金流向数据具体可以是通过获取所述贷款人的经营数据,如贷款人的上游经营信息和下游经营信息。
为了对贷后监控对象的资金风险进行微观把控,还需要从贷后监控对象的经营数据中获取贷后监控对象的上游信息及下游信息,具体的上下游信息可以包括但不限于:上下游的公司名称、上下游的公司账户、贷后监控对象与上下游之间的资金流向数据,以及贷后监控对象与上下游发生资金流向的事项、时间、地点等。
基于贷款人的经营数据来确定款项从贷款系统中的转移情况,从而得到资金流向数据。
进一步的,通过所述贷款用途监控模型对所述款后监控数据进行审核时,具体实现还可以为:
获取所述上游经营信息和出账数据,将所述上游经营信息和出账数据按照第一时间周期,生成上游时间资金直方图,以用于对所述款后监控数据中的资金用途进行评估;
获取所述下游经营信息和进账数据,将所述下游经营信息和进账数据按照所述第一时间周期,生成下游时间资金直方图,以用于对所述款后监控数据中的资金收益及收益周期进行评估;
获取所述上游时间资金直方图与所述下游时间资金直方图的差值面积,以用于对所述款后监控数据中的资金成效进行评估。
103、将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
本实施例中,该贷款用途监控模型具体的利用历史数据进行训练得到的神经网络模型,具体是从系统的数据库中获取基于人工筛选的已完成的贷款数据,利用神经网络对所述贷款数据中的贷后数据进行学习,得到贷款用途监控模型。
基于该贷款用途监控模型对贷后监控数据进行分析,提取出其中的款项使用的详细信息,将该详细信息与贷款人在申请贷款时填写的款项使用情况进行比对,然后得到审核的结果。
在实际应用中,该审核结果具体可以是通过对贷款人的上下游经营信息来评估,具体的贷款用途监控模型对上下游经营信息进行与贷款人填写的信息进行比对,首先将所述上下游经营信息和进出账数据按照时间周期,生成时间资金图像,然后根据时间资金图像中的记录匹配填写用途信息是否一致,从而对所述贷后监控对象的资金用途及资金成效进行评估。即是得到贷后监控对象的经营信息(上下游信息)和进出账数据后,即可将经营信息和进出账数据按照时间周期,生成时间资金图像,以通过时间资金图像对贷后监控对象的资金用途及资金成效进行评估。
104、根据审核结果,计算贷款人对款项的使用评分,得到可疑分值;
在本实施例中,该评分可以是通过设置一个评分模型来实现,具体的审核结果中包含有对贷款人在贷款后的行为数据的检测结果、账户信息的使用记录和款项的具体流转信息,将这些信息输入到评分模型中进行打分,而该模型在打分过程中,还需要根据贷款人填写的款项使用选项和款项使用的宽限范围进行打分,基于宽限范围的具体匹配点来计算出对应的分值,从而得到款项使用的可疑分值。
105、若可疑分值为异常分值,则基于可疑分值确定贷款业务的处理策略,并基于处理策略对贷款业务进行异常处理。
该步骤中,判断所述可疑分值是否为异常分值,若是,则确定该贷款的款项使用存在异常,并基于可疑分值从处理策略关系表中选择对应的处理方式进行处理,而该处理可以是通知提前归还贷款资金并且取消其后续贷款资格。
通过对上述提供的方法的执行,通过调用数据采集接口采集放款后的用款数据,对所述用款数据执行预处理,以清除冗余数据,得到款后监控数据,利用预置贷款用途监控模型,对所述款后监控数据进行款项使用审核,得到审核结果,根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值,若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理;该方法实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。
请参阅图2,本发明实施例中业务数据监控方法的第二个实施例包括:
201、获取贷款人的账户信息,并基于账户信息确定对应的账户接口,通过监控小程序对账户接口进行实时监控,得到监控结果;
202、若监控结果为异常,则调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取贷款人行为数据和资金流向数据,得到用款数据;
在本实施例中,具体是监控其调用是否合法或者是是否属于款项转移的调用请求,并且该调用请求是否处于贷款人填写的用途调用。
在实际应用中,在采集用款数据的同时还包括获取贷款人在贷款请求时系统给请求款项使用时的标记信息,在监控接口的数据调用是否异常时,通过获取接口的调用请求,基于调用请求提取其中携带的标记信息,基于标记信息进行匹配,判断是否属于其中的用途请求。
若异常,则生成贷款用途不一致的清单,基于该清单来核查实际款项的使用用途,具体的,首先可以从征信系统中获取贷款人的行为数据和资金流向数据,以生成最终的用款数据。
203、对贷款人行为数据、账户信息和资金流向数据执行预处理,以清除冗余数据,得到款后监控数据;
204、将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
在本实施例中,该模型具体是通过对款后监控数据中的行为进行区分,然后基于区分出来的可疑行为和合理行为进行放款使用的监控审核,具体的实现可以如下:
检测所述款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
将所述资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
根据所述第一总数X、第二总数Y和款项用途分析结果B,确定所述贷款业务的审核结果S。
205、根据审核结果,计算贷款人对款项的使用评分,得到可疑分值;
该步骤中,具体通过对可疑行为和合理行为的评分来判断款型使用是否存在异常,其实现可为:
根据所述第一总数X和第二总数Y,计算出所述贷款人行为数据的第一可疑度评分A,其中,所述第一可疑度评分的计算公式为:A=2X/Y;
计算所述第一可疑度评分A和所述款项用途分析结果B的比值,得到可疑分值S,其中,所述可疑分值S的计算公式为S=A*B。
206、若可疑分值为异常分值,则基于可疑分值确定贷款业务的处理策略,并基于处理策略对贷款业务进行异常处理。
通过对上述方法的实施,通过该贷款用途模型对用款数据进行监控分析,对已发放贷款的客户进行信息核查,挖掘疑似非法贷款的客户,让客户提供真实的贷款用途材料,如果客户无法提供,则需要提前归还贷款资金并且取消其后续贷款资格。
请参阅图3,本发明实施例中业务数据监控方法的第三个实施例包括:
301、获取贷款人的账户信息,并监控账户信息对应的接口的数据调用是否异常;
在该步骤中,对异常的检测具体是基于所述账户信息确定对应的账户接口,通过监控小程序对所述账户接口进行实时监控来实现。
302、若异常,以贷款人行为数据为搜索索引,从各征信系统中提取与贷款人相关的区块链数据及所述贷款人的贷后人行征信报告查询;
303、从区块链数据及所述贷后人行征信报告查询中提取贷款人在贷款事后的行为数据;
304、计算贷款事后的行为数据的至少两个筛选维度信息,基于至少两个筛选维度信息从各征信系统中进行二次筛选,得到行为数据集;
该步骤中,利用聚类算法的反向应用计算所述贷款事后的行为数据的筛选维度信息,具体的将满足贷款资格审核要求的筛选维度的至少一个维度子项作为该贷款事后的行为数据的筛选维度信息,基于该筛选维度信息利用相似度计算方式拓展出多个维度向量,基于拓展的维度向量进行二次数据筛选,得到行为数据集。
305、判断行为数据集与所述贷款人在申请贷款时请求的行为数据是否一致;
306、若不一致,则获取款项使用数据,并从中提取资金流向数据;
在实际应用中,对于款项的使用数据,为了保证数据的安全性,一般都采用区块链的方式进行存储,而从征信系统中获取,则需要利用区块链技术进行提取,在提取到数据后,还需要对数据进行预判断,判断其与贷款请求时请求的用途是否一致,其判断包括检测可以行为和合理行为,具体实现如下:
检测贷款人是否存在金融行为,而在贷款款项使用时一般不允许同时存在其他的贷款请求,例如:
是否有新增购房记录;
是否有其他借贷机构借款记录;
是否有新增股票/基金投资行为;
其他机构借款是否有新增逾期行为;
是否新增超过n张信用卡。
检测贷款人是否采用该贷款款项进行相关的项目使用,即是与借款时选择借款用途匹配的活动项,比如小微企业主的货品采购行为等。
若上述的请款都是否或者是部分存在否,则获取款项的使用数据,并提取资料流向数据,例如获取款项的使用证明材料,从证明材料中提取资金的流向信息。
307、对贷款人行为数据、账户信息和资金流向数据执行预处理,以清除冗余数据,得到款后监控数据;
308、检测款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
在该步骤中,具体是通过行为识别模型来对款后监控数据中记录的行为进行识别,并将识别的结果进行分类统计得到可疑行为数据和合理行为数据;在实际应用中,可以通过该调用API数据接口从各个信用网页中爬取与该贷款人相关的信息,通过对该信息进行特征的提取,以得到行为数据,将得到的行为数据输入到行为识别模型中进行分辨识别。
309、将资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
310、根据第一总数X、第二总数Y和款项用途分析结果B,确定贷款业务的审核结果S;
该步骤中,具体是将该第一总数、第二总数和款项用途分析结果输入到预设的贷款业务审核模型中进行贷款资格的重新审核,以输出审核结果。
311、根据审核结果,计算贷款人对款项的使用评分,得到可疑分值;
312、若可疑分值为异常分值,则基于可疑分值确定贷款业务的处理策略,并基于处理策略对贷款业务进行异常处理。
综上,通过调用数据采集接口采集放款后的用款数据,对所述用款数据执行预处理,以清除冗余数据,得到款后监控数据,利用预置贷款用途监控模型,对所述款后监控数据进行款项使用审核,得到审核结果,根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值,若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理;该方法实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。
请参阅图4,本发明实施例中业务数据监控方法的第四个实施例包括:
401、获取贷款人的账户信息,并监控账户信息对应的接口的数据调用是否异常;
402、若异常,以贷款人行为数据为搜索索引,从各征信系统中提取与贷款人相关的区块链数据及所述贷款人的贷后人行征信报告查询;
403、利用区块链的数据提取方法,从区块链数据及所述贷后人行征信报告查询中提取贷款人在贷款事后的行为数据;
404、计算贷款事后的行为数据的至少两个筛选维度信息,基于至少两个筛选维度信息从各征信系统中进行二次筛选,得到行为数据集;
405、判断行为数据集与贷款人在申请贷款时请求的行为数据是否一致;
406、若不一致,则向贷款人发送款项使用资料的上传请求;
407、获取贷款人基于所述上传请求上传的款项使用资料,并利用OCR识别技术提取贷款使用材料中的印章和款项使用用途数据;
408、将提取到的印章上传至预设的印章校验库中进行合法校验;
409、若校验的结果为合法,则将所述款项使用用途数据与贷款请求时录入的用途信息进行比较;
410、若比较的结果为不一致,则将贷款使用材料跳转至人工复验任务池,并通知审核人员进行人工审核,并在审核通过后,根据款项使用用途数据生成资金流向数据;
在本实施例中的,可通过电话、短信或者APP消息等手段通知客户对之前贷款的实际用途进行材料上传,证明贷款使用用途和去向;如果客户无法在一定的期限内上传,则该客户基本可以确认为骗贷客户。
其中,在校验所述印章是否为合法时,具体是通过将印章上传至印章校验库中提取印章中的隐藏校验信息,若能够从印章中提取到隐藏校验信息,则确定该印章为合法印章,反之则不合法;进一步的,还可以是将印章直接与印章校验库中的预设印章图形进行比对,若比对一致,则确定为合法,反之为不合法。
在实际应用中,在从所述贷款使用材料中提取款项使用用途数据时,采用OCR识别技术,通过图像预处理,版面处理,图像切分,特征提取、模型匹配,识别后处理等步骤得到材料中记录的款项使用用途数据,其中:
图像预处理包括:、二值化,倾斜检测与校正,行、字切分,平滑,规范化;
灰度化是通过外设采集的图像通常为彩色图像,彩色图像会夹杂一些干扰信息,灰度化处理的主要目的就是滤除这些信息,灰度化的实质其实就是将原本由三维描述的像素点,映射为一维描述的像素点。
二值化是经过灰度处理的彩色图像还需经过二值化处理将文字与背景进一步分离开,所谓二值化,就是将灰度值(或者彩色值)图像信号转化成只有黑(l)和白(0)的二值图像信号。二值化效果的好坏,会直接影响灰度文本图像的识别率。二值化方法大致可以分为局部阈值二值化和整体阈值二值化。
倾斜校正分为手动校正和自动校正两种。手动校正,是指识别系统提供某种人机交互手段,实现文本图像的倾斜校正。自动校正,是指由计算机自动分析文本图像的版面特征,估计图像的倾斜角度,并根据倾斜角度对文本图像进行校正。
具体是基于投影图的方法将文本图像沿不同方向进行投影。当投影方向和文字行方向一致时,文字行在投影图上的峰值最大,并且投影图存在明显的峰谷,此时的投影方向就是倾斜角度。然后再利用Hough变换的特性,将图像中的前景像素映射到极坐标空间,通过统计极坐标空间各点的累加值得到文档图像的倾斜角度。
基于最近邻聚类方法,取文本图像的某个子区域中字符连通域的中心点作为特征点,利用基线上的点的连续性,计算出对应的文本行的方向角,从而得到整个页面的倾斜角。
规范化为将输入的任意尺寸的文字都处理成统一尺寸的标准文字,以便与己经预先存储在字典中的参考模板相匹配。规范化操作包括1211:位置规范化、大小规范化以及笔划粗细规范化。在本节只讨论位置规范化和大小规范化。
特征提取是从单个字符图像上提取统计特征或结构特征的过程。所提取的特征的稳定性及有效性,决定了识别的性能。对于统计特征的提取,可利用统计模式识别中的特征提取方法,而对结构特征的提取,应根据具体文字所确定的识别基元确定相应的特征提取方法。在相当长的文字识别的研究过程中,是利用人们的经验知识,指导文字特征的提取。例如边缘特征、变换特征、穿透特征、网格特征、特征点特征、方向线素特征等等。
特征匹配是将从材料中提取到的特征输入至已有的特征库中查询,找到与待识别文字相似度最高的文字。当待识别文字提取完特征之后,可以通过使用统计特征或者是结构特征的方式从特征库中进行查询和比对,其中特征库中应包含欲识别字符集中所有文字的特征。
特征匹配的方法可以采用欧式空间的比对法、松弛比对法、动态程序比对法以及HMM(HiddneMarkovModel)法等等。
411、对贷款人行为数据、账户信息和资金流向数据执行预处理,以清除冗余数据,得到款后监控数据;
412、检测款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
413、将资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
414、根据第一总数X、第二总数Y和款项用途分析结果B,确定贷款业务的审核结果S;
415、将所述第一总数X、第二总数Y和款项用途分析结果B,输入至预设的评分模型中进行使用评分的预测,得到预测结果;
416、从预先统计的可疑行为分类表中,查询出与所述预测结果相匹配的类型,并确定所述贷款人行为数据的可疑分值;
在实际应用中,通过评分模型进行可疑分值的计算具体可以为:
根据第一总数X和第二总数Y,计算出贷款人行为数据的第一可疑度评分A,其中,所述第一可疑度评分的计算公式为:A=2X/Y;
计算第一可疑度评分A和款项用途分析结果B的比值,得到可疑分值S,其中,所述可疑分值S的计算公式为S=A*B;
在该步骤之前,还包括从贷款业务的历史数据中提取贷款成功的业务数据,基于该业务数据提取审核特征信息,基于审核特征信息,利用神经网络算法对审核特征信息进行学习,生成行为识别模型和贷款业务审核模型,进一步的,利用回归算法对模型进行优化、检验处理,得到最最终的行为识别模型和贷款业务审核模型。
在本实施例中,若匹配X个可疑行为及Y个(每匹配到一项行为,则Y+1)合理行为,则生成大数据核查的最终可疑度评分A,计算公式为
A=2X/Y
当匹配的可疑行为越多时,可疑度评分越大;
当匹配到合理行为越多时,可疑度评分相应减小;
信息核查:通过贷后催员与借款人及借款人联系人进行信息核查,比对回访的借款去向与借款时选择借款用途,生成信息核查评分B:
一致:B=1;
不一致:B=10;
最终根据大数据核查和信息核查的分值,生成本监测模型的可疑度评分S
S=A*B
若可疑度评分超过预先设置的阈值,则该客户进入贷款用途不一致清单;
对上述贷款用途不一致清单内的客户,平台可通过电话、短信或者APP消息等手段通知客户对之前贷款的实际用途进行材料上传,证明贷款使用用途和去向;如果客户无法在一定的期限内上传,则该客户基本可以确认为骗贷客户;
材料上传验证方式包括系统OCR识别自动认证及人工复验两部分:
OCR识别:系统通过OCR识别技术,识别客户上传的贷款用途材料内容,与借款时录入的信息是否一致;如不一致,则流入人工复验任务池;
人工复验:针对OCR识别不通过的贷款证明材料,流入人工复验平台,由贷后运营人员进行人工核对;
若人工复验发现客户上传材料不足以证明其贷款用途,则认定为骗贷客户;
对于认定为骗贷的客户,为了避免后续资金损失,贷款公司有权收回所发放的贷款,对客户进行提前还款催缴;同时,该客户存在重大信用风险,客户后续的贷款资质将会被取消或冻结。
在实际应用那种,对于利用OCR识别上传材料的真实性,具体可以通过通过所述合法性识别模型,提取所述图像证据信息中的印章,并对其进行合法性识别,具体实现步骤包括:
根据印章的颜色配置规则,识别所述图像证据信息中的印章区域,并对其从进行切割,得到印章图像;
通过灰度共生矩阵技术,对所述印章图像进行处理,并提取处理后的印章图像中的印章纹理特征;
计算所述印章纹理特征与预设的印章数据库中对应的印章图像的第一相似度;
判断所述相似度是否大于预设预值;
若是,则确定所述图像证据信息为合法信息;
若否,则确定所述图像证据信息为非法信息。
417、若可疑分值为异常分值,则基于可疑分值确定贷款业务的处理策略,并基于处理策略对贷款业务进行异常处理。
通过上述方案的实施,通过调用数据采集接口采集放款后的用款数据,对所述用款数据执行预处理,以清除冗余数据,得到款后监控数据,利用预置贷款用途监控模型,对所述款后监控数据进行款项使用审核,得到审核结果,根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值,若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理;该方法实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。
进一步的,通过该贷款用途模型对用款数据进行监控分析,对已发放贷款的客户进行信息核查,挖掘疑似非法贷款的客户,让客户提供真实的贷款用途材料,如果客户无法提供,则需要提前归还贷款资金并且取消其后续贷款资格。
上面对本发明实施例中业务数据监控方法进行了描述,下面对本发明实施例中业务数据监控装置进行描述,请参阅图5,本发明实施例中业务数据监控装置的第一个实施例包括:
调用模块501,用于在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的用款数据,其中所述用款数据包括贷款人行为数据、账户信息和资金流向数据;
预处理模块502,用于对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据,所述预处理包括清除所述用款数据中冗余的信息;
审核模块503,用于将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
计算模块504,用于根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值;
处理模块505,用于在所述可疑分值为异常分值时,基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理。
在本实施例中,所述业务数据监控装置运行上述业务数据监控方法,该方法清除冗余数据,得到款后监控数据,利用预置贷款用途监控模型,对所述款后监控数据进行款项使用审核,得到审核结果,根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值,若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理;该方法实现了对贷后款项用途的实时核查,挖掘疑似非法贷款的客户,有效降低客户骗贷风险,避免公司资金非法流向及催收风险。
请参阅图6,本发明实施例中业务数据监控装置的第二个实施例,该业务数据监控装置具体包括:
调用模块501,用于在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的用款数据,其中所述用款数据包括贷款人行为数据、账户信息和资金流向数据;
预处理模块502,用于对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据,所述预处理包括清除所述用款数据中冗余的信息;
审核模块503,用于将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
计算模块504,用于根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值;
处理模块505,用于在所述可疑分值为异常分值时,基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理。
在本实施例中,所述调用模块501包括:
监控单元5011,用于获取所述贷款人的账户信息,并基于所述账户信息确定对应的账户接口,通过监控小程序对所述账户接口进行实时监控,得到监控结果;
采集单元5012,用于在所述监控结果为异常时,调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据。
可选地,所述采集单元5012具体用于:
以所述贷款人行为数据为搜索索引,从各所述征信系统中提取与所述贷款人相关的区块链数据及所述贷款人的贷后人行征信报告查询;
从所述区块链数据及所述贷后人行征信报告查询中提取贷款人在贷款事后的行为数据;
计算所述贷款事后的行为数据的至少两个筛选维度信息,基于所述至少两个筛选维度信息从各所述征信系统中进行二次筛选,得到行为数据集;
判断所述行为数据集与所述贷款人在申请贷款时请求的行为数据是否一致;
若不一致,则获取款项使用数据,并从中提取资金流向数据。
可选地,所述采集单元5012具体用于:
在所述贷款事后的行为数据与所述请求的行为数据不一致时,向所述贷款人发送款项使用资料的上传请求;
获取所述贷款人基于所述上传请求上传的款项使用资料,并利用OCR识别技术提取所述贷款使用材料中的印章和款项使用用途数据;
将提取到的所述印章上传至预设的印章校验库中进行合法校验;
若校验的结果为合法,则将所述款项使用用途数据与贷款请求时录入的用途信息进行比较;
若比较的结果为不一致,则将所述贷款使用材料跳转至人工复验任务池,并通知审核人员进行人工审核;
在人工审核通过后,启动图片识别程序,逐一对所述款项使用资料中的文字进行识别,形成可编辑文本;
提取所述款项使用资料中的主题名称,基于所述主题名称中系统中查询对应的模板数据,基于所述模板数据对所述可编辑文本中的内容进行识别提取,得到款项使用明细;
基于所述款项使用明细和所述款项使用用途数据生成资金流向数据。
在本实施例中,所述审核模块503包括:
检测单元5031元,用于检测所述款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
对比单元5032,用于将所述资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
分析单元5033,用于根据所述第一总数X、第二总数Y和款项用途分析结果B,确定所述贷款业务的审核结果S。
在本实施例中,所述计算模块504包括:
第一计算单元5041,用于将所述第一总数X、第二总数Y和款项用途分析结果B,输入至预设的评分模型中进行使用评分的预测,得到预测结果;
第二计算单元5042,用于从预先统计的可疑行为分类表中,查询出与所述预测结果相匹配的类型,并确定所述贷款人行为数据的可疑分值。
上面图5和图6从模块化功能实体的角度对本发明实施例中的业务数据监控装置进行详细描述,下面从硬件处理的角度对本发明实施例中业务数据监控设备进行详细描述。
图7是本发明实施例提供的一种业务数据监控设备的结构示意图,该业务数据监控设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对业务数据监控设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在业务数据监控设备600上执行存储介质630中的一系列指令操作,以实现上述业务数据监控方法的步骤。
业务数据监控设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的业务数据监控设备结构并不构成对本申请提供的业务数据监控设备的限定,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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述各实施例提供的业务数据监控方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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介质中。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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种业务数据监控方法,其特征在于,所述业务数据监控方法包括:
在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的用款数据,其中所述用款数据包括贷款人行为数据、账户信息和资金流向数据;
对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据,所述预处理包括清除所述用款数据中冗余的信息;
将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值;
若所述可疑分值为异常分值,则基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理。
2.根据权利要求1所述的业务数据监控方法,其特征在于,所述调用数据采集接口采集放款后的用款数据包括:
获取所述贷款人的账户信息,并基于所述账户信息确定对应的账户接口,通过监控小程序对所述账户接口进行实时监控,得到监控结果;
若所述监控结果为异常,则调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据。
3.根据权利要求2所述的业务数据监控方法,其特征在于,所述调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据包括:
以所述贷款人行为数据为搜索索引,从各所述征信系统中提取与所述贷款人相关的区块链数据及所述贷款人的贷后人行征信报告查询;
从所述区块链数据及所述贷后人行征信报告查询中提取贷款人在贷款事后的行为数据;
计算所述贷款事后的行为数据的至少两个筛选维度信息,基于所述至少两个筛选维度信息从各所述征信系统中进行二次筛选,得到行为数据集;
判断所述行为数据集与所述贷款人在申请贷款时请求的行为数据是否一致;
若不一致,则获取款项使用数据,并从中提取资金流向数据。
4.根据权利要求3所述的业务数据监控方法,其特征在于,所述获取款项使用数据,并从中提取资金流向数据包括:
在所述贷款事后的行为数据与所述请求的行为数据不一致时,向所述贷款人发送款项使用资料的上传请求;
获取所述贷款人基于所述上传请求上传的款项使用资料,并利用OCR识别技术提取所述贷款使用材料中的印章和款项使用用途数据;
将提取到的所述印章上传至预设的印章校验库中进行合法校验;
若校验的结果为合法,则将所述款项使用用途数据与贷款请求时录入的用途信息进行比较;
若比较的结果为不一致,则将所述贷款使用材料跳转至人工复验任务池,并通知审核人员进行人工审核;
在人工审核通过后,启动图片识别程序,逐一对所述款项使用资料中的文字进行识别,形成可编辑文本;
提取所述款项使用资料中的主题名称,基于所述主题名称中系统中查询对应的模板数据,基于所述模板数据对所述可编辑文本中的内容进行识别提取,得到款项使用明细;
基于所述款项使用明细和所述款项使用用途数据生成资金流向数据。
5.根据权利要求4所述的业务数据监控方法,其特征在于,所述基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果包括:
检测所述款后监控数据中的贷款人行为数据的可疑行为和合理行为,并统计可疑行为的第一总数X和合理行为的第二总数Y;
将所述资金流向数据中记录的款项去向与请求贷款时选择款项用途进行对比,得到款项用途分析结果B;
根据所述第一总数X、第二总数Y和款项用途分析结果B,确定所述贷款业务的审核结果S。
6.根据权利要求5所述的业务数据监控方法,其特征在于,所述根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值包括:
将所述第一总数X、第二总数Y和款项用途分析结果B,输入至预设的评分模型中进行使用评分的预测,得到预测结果;
从预先统计的可疑行为分类表中,查询出与所述预测结果相匹配的类型,并确定所述贷款人行为数据的可疑分值。
7.一种业务数据监控装置,其特征在于,所述业务数据监控装置包括:
调用模块,用于在检测到贷款业务系统中存在贷款业务放款后,调用数据采集接口采集放款后的用款数据,其中所述用款数据包括贷款人行为数据、账户信息和资金流向数据;
预处理模块,用于对所述贷款人行为数据、账户信息和资金流向数据进行预处理,得到款后监控数据,所述预处理包括清除所述用款数据中冗余的信息;
审核模块,用于将所述款后监控数据输入至预置的贷款用途监控模型中,通过所述贷款用途监控模型提取所述款后监控数据中资金流向数据的上游经营信息、出账数据、下游经营信息和进账数据,并基于所述上游经营信息、出账数据、下游经营信息和进账数据生成资金直方图,基于所述资金直方图和贷款人行为数据进行款项使用审核,得到审核结果;
计算模块,用于根据所述审核结果,计算所述贷款人对所述款项的使用评分,得到可疑分值;
处理模块,用于在所述可疑分值为异常分值时,基于所述可疑分值确定所述贷款业务的处理策略,并基于所述处理策略对所述贷款业务进行异常处理。
8.根据权利要求7所述的业务数据监控装置,其特征在于,所述调用模块包括:
监控单元,用于获取所述贷款人的账户信息,并基于所述账户信息确定对应的账户接口,通过监控小程序对所述账户接口进行实时监控,得到监控结果;
采集单元,用于在所述监控结果为异常时,调用数据采集接口,通过大数据筛查的方式从各种征信系统中获取所述贷款人行为数据和资金流向数据,得到所述用款数据。
9.一种业务数据监控设备,其特征在于,所述业务数据监控设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述业务数据监控设备执行如权利要求1-6中任一项所述的业务数据监控方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1-6中任一项所述的业务数据监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011282952.9A CN112381640A (zh) | 2020-11-17 | 2020-11-17 | 业务数据监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011282952.9A CN112381640A (zh) | 2020-11-17 | 2020-11-17 | 业务数据监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381640A true CN112381640A (zh) | 2021-02-19 |
Family
ID=74585697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011282952.9A Pending CN112381640A (zh) | 2020-11-17 | 2020-11-17 | 业务数据监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381640A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159916A (zh) * | 2021-03-09 | 2021-07-23 | 中国农业银行股份有限公司福建省分行 | 一种农户贷款业务授信额度核查信息辅助诊断系统 |
CN113807953A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
CN117422546A (zh) * | 2023-12-18 | 2024-01-19 | 四川享宇科技有限公司 | 一种防治非法货款行为的处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190917A (zh) * | 2018-08-09 | 2019-01-11 | 厦门市七星通联科技有限公司 | 一种信用贷款的风险控制方法和系统 |
CN109670929A (zh) * | 2018-09-13 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 贷款预警的控制方法、装置、设备及计算机可读存储介质 |
CN110060149A (zh) * | 2019-04-26 | 2019-07-26 | 深圳微众税银信息服务有限公司 | 一种贷后风险管控方法及系统 |
CN110246030A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 多方联动的贷后风险管理方法、终端、装置及存储介质 |
-
2020
- 2020-11-17 CN CN202011282952.9A patent/CN112381640A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190917A (zh) * | 2018-08-09 | 2019-01-11 | 厦门市七星通联科技有限公司 | 一种信用贷款的风险控制方法和系统 |
CN109670929A (zh) * | 2018-09-13 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 贷款预警的控制方法、装置、设备及计算机可读存储介质 |
CN110060149A (zh) * | 2019-04-26 | 2019-07-26 | 深圳微众税银信息服务有限公司 | 一种贷后风险管控方法及系统 |
CN110246030A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 多方联动的贷后风险管理方法、终端、装置及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159916A (zh) * | 2021-03-09 | 2021-07-23 | 中国农业银行股份有限公司福建省分行 | 一种农户贷款业务授信额度核查信息辅助诊断系统 |
CN113807953A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
CN113807953B (zh) * | 2021-09-24 | 2023-11-03 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
CN117422546A (zh) * | 2023-12-18 | 2024-01-19 | 四川享宇科技有限公司 | 一种防治非法货款行为的处理方法 |
CN117422546B (zh) * | 2023-12-18 | 2024-03-08 | 四川享宇科技有限公司 | 一种防治非法贷款行为的处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381640A (zh) | 业务数据监控方法、装置、设备及存储介质 | |
Wang | A comprehensive survey of data mining-based accounting-fraud detection research | |
US20120158563A1 (en) | Multidimensional risk-based detection | |
CN109509093B (zh) | 一种基于主体画像的交易安全控制方法及系统 | |
CN106530078A (zh) | 基于跨行业数据的贷款风险预警方法及系统 | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
US20060202012A1 (en) | Secure data processing system, such as a system for detecting fraud and expediting note processing | |
Schreyer et al. | Detection of accounting anomalies in the latent space using adversarial autoencoder neural networks | |
US20150278812A1 (en) | Biometric matching system using input biometric sample | |
KR20180060044A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
CN105809448A (zh) | 账户交易的聚类方法及其系统 | |
CN113011973A (zh) | 基于智能合约数据湖的金融交易监管模型、系统、设备 | |
CN115082225A (zh) | 一种企业融资风险的评估方法和装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN112416979A (zh) | 基于地理位置的反欺诈方法、装置、设备及存储介质 | |
CN114821725A (zh) | 一种基于神经网络的矿工人脸识别系统 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN109242658B (zh) | 可疑交易报告生成方法、系统、计算机设备和存储介质 | |
CN111709844A (zh) | 一种保险洗钱人员检测方法、装置和计算机可读存储介质 | |
CN110458684A (zh) | 一种基于双向长短期记忆神经网络的金融反欺诈检测方法 | |
CN110766547A (zh) | 一种可信度等级的确定方法、装置、设备和存储介质 | |
CN113077355B (zh) | 保险理赔方法、装置、电子设备及存储介质 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN114330962A (zh) | 一种基于人工智能的金融数据分析平台 | |
KR20220160996A (ko) | 자금세탁 방지를 위한 안면인증 기반의 비대면 본인인증 및 요주의 인물 확인 시스템과 그 방법 |
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 |