CN112907362A - 贷款业务的处理方法、装置、电子设备和存储介质 - Google Patents
贷款业务的处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112907362A CN112907362A CN202110339861.2A CN202110339861A CN112907362A CN 112907362 A CN112907362 A CN 112907362A CN 202110339861 A CN202110339861 A CN 202110339861A CN 112907362 A CN112907362 A CN 112907362A
- Authority
- CN
- China
- Prior art keywords
- loan
- variable
- user
- historical
- preset
- 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
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013138 pruning Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了贷款业务的处理方法、装置、电子设备和存储介质,涉及人工智能技术领域。该方法的一具体实施方式包括:接收用户的贷款请求,获取贷款请求中的业务类型、用户标识和贷款需求信息,根据用户标识获取用户的历史业务数据;查询业务类型对应的输入变量,基于历史业务数据,调用预设的变量计算模型计算输入变量对应的变量值;将变量值输入预设的需求分析模型,计算用户对应的贷款调整参数;根据贷款调整参数调整贷款需求信息,得出用户的贷款发放信息。该实施方式能够解决部分客户在申请贷款后并不对其支用或支用较少,造成贷款资源的浪费,降低贷款资源的使用率的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种贷款业务的处理方法、装置、电子设备和存储介质。
背景技术
对贷款业务的处理方式通常为,客户提交贷款资料来申请贷款,银行等系统可以对客户提交的交贷款资料进行核定后,基于贷款资料确定出对应的贷款额度,并发放给客户。但是在客户贷款业务处理过程中可以发现,部分客户在申请贷款后并不对其支用或支用较少,即部分客户对贷款资金的需求并不强烈,如此造成贷款资源的浪费,降低贷款资源的使用率。
发明内容
有鉴于此,本发明实施例提供一种贷款业务的处理方法、装置、电子设备和存储介质,能够解决部分客户在申请贷款后并不对其支用或支用较少,造成贷款资源的浪费,降低贷款资源的使用率的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种贷款业务的处理方法。
本发明实施例的一种贷款业务的处理方法包括:接收用户的贷款请求,获取所述贷款请求中的业务类型、用户标识和贷款需求信息,根据所述用户标识获取所述用户的历史业务数据;查询所述业务类型对应的输入变量,基于所述历史业务数据,调用预设的变量计算模型计算所述输入变量对应的变量值;将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数;根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息。
在一个实施例中,将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数,包括:
将所述变量值输入预设的需求分析模型,得出所述用户对应的贷款需求度;
根据预设的映射关系,查询所述贷款需求度对应的贷款调整参数。
在又一个实施例中,所述贷款调整参数包括利率调整范围和/或额度调整范围;
根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息,包括:
根据所述贷款需求信息,查询所述用户对应的贷款利率,将所述贷款利率与所述利率调整参数的乘积,确定为所述贷款发放利率;
获取所述贷款需求数据中贷款需求额度,将所述贷款需求额度与所述额度调整参数的乘积,确定为所述贷款发放额度。
在又一个实施例中,在将所述变量值输入预设的需求分析模型之前,还包括:
获取各历史贷款用户的业务数据,从所述业务数据中提取各所述历史贷款用户的业务类型和历史业务数据;
根据所述业务类型对应的基础变量,从所述历史贷款用户的历史业务数据计算所述基础变量的变量值;
根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量;
根据各所述历史贷款用户的输入变量训练所述需求分析模型。
在又一个实施例中,根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量,包括:
根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值;
根据所述衍生变量的变量值,调用性能计算模型计算所述衍生变量的性能参数值,以将满足预设条件的性能参数值所对应衍生变量,确定为各所述历史贷款用户的输入变量。
在又一个实施例中,所述根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值,包括:
调用预设的分类聚合模型,根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值。
在又一个实施例中,所述从所述业务数据中提取各所述历史贷款用户的历史业务数据,包括:
对每个所述历史贷款用户,从所述业务数据中提取预设时间段内的待定业务数据;
计算所述待定业务数据中业务数据之间存储的时间间隔,判断所述时间间隔是否大于预设周期;
若是,则重新从所述业务数据中提取待定业务数据;
若否,则将所述待定业务数据确定为所述历史业务数据。
在又一个实施例中,在根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值之前,还包括:
判断所述基础变量的变量值是否属于预设的异常值范围;
若是,则删除所述基础变量的变量值;
若否,则不对所述基础变量的变量值进行操作。
在又一个实施例中,所述性能参数值包括覆盖率、稳定度、对贷款需求的预测程度和变量之间的相关度中的至少一项。
为实现上述目的,根据本发明实施例的另一方面,提供了一种贷款业务的处理装置。
本发明实施例的一种贷款业务的处理装置包括:接收单元,用于接收用户的贷款请求,获取所述贷款请求中的业务类型、用户标识和贷款需求信息,根据所述用户标识获取所述用户的历史业务数据;计算单元,用于查询所述业务类型对应的输入变量,基于所述历史业务数据,调用预设的变量计算模型计算所述输入变量对应的变量值;所述计算单元,还用于将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数;确定单元,用于根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息。
在一个实施例中,所述计算单元,具体用于:
将所述变量值输入预设的需求分析模型,得出所述用户对应的贷款需求度;
根据预设的映射关系,查询所述贷款需求度对应的贷款调整参数。
在又一个实施例中,所述贷款调整参数包括利率调整范围和/或额度调整范围;
所述确定单元,具体用于:
根据所述贷款需求信息,查询所述用户对应的贷款利率,将所述贷款利率与所述利率调整参数的乘积,确定为所述贷款发放利率;
获取所述贷款需求数据中贷款需求额度,将所述贷款需求额度与所述额度调整参数的乘积,确定为所述贷款发放额度。
在又一个实施例中,所述装置还包括:
获取单元,用于获取各历史贷款用户的业务数据,从所述业务数据中提取各所述历史贷款用户的业务类型和历史业务数据;
所述计算单元,还用于根据所述业务类型对应的基础变量,从所述历史贷款用户的历史业务数据计算所述基础变量的变量值;
所述计算单元,还用于根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量;
所述确定单元,还用于根据各所述历史贷款用户的输入变量训练所述需求分析模型。
在又一个实施例中,所述计算单元,具体用于:
根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值;
根据所述衍生变量的变量值,调用性能计算模型计算所述衍生变量的性能参数值,以将满足预设条件的性能参数值所对应衍生变量,确定为各所述历史贷款用户的输入变量。
在又一个实施例中,所述计算单元,具体用于:
调用预设的分类聚合模型,根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值。
在又一个实施例中,所述获取单元,具体用于:
对每个所述历史贷款用户,从所述业务数据中提取预设时间段内的待定业务数据;
计算所述待定业务数据中业务数据之间存储的时间间隔,判断所述时间间隔是否大于预设周期;
若是,则重新从所述业务数据中提取待定业务数据;
若否,则将所述待定业务数据确定为所述历史业务数据。
在又一个实施例中,所述计算单元,具体用于:
判断所述基础变量的变量值是否属于预设的异常值范围;
若是,则删除所述基础变量的变量值;
若否,则不对所述基础变量的变量值进行操作。
在又一个实施例中,所述性能参数值包括覆盖率、稳定度、对贷款需求的预测程度和变量之间的相关度中的至少一项。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种电子设备。
本发明实施例的一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例提供的贷款业务的处理方法。
为实现上述目的,根据本发明实施例的又一个方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例提供的贷款业务的处理方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明实施例中,接收用户的贷款请求后,可以根据贷款请求中业务类型查询出对应的输入变量,并根据用户的历史业务数据计算出输出变量的变量值,进而将变量值输入需求分析模型,可以计算出与该用户对应的贷款调整参数,进而可以对用户的贷款需求信息进行调整,得出用户的贷款发放信息。如此本发明实施例中在用户请求贷款时,可以基于用户的历史业务数据和业务类型,调用需求分析模型计算出该用户对应的贷款调整参数,进而确定出与该用户对应的贷款发放信息,从而实现为不同用户确定适合的贷款发放信息,避免出现用户在申请贷款后并不对支用或支用较少,造成贷款资源的浪费的问题,提高贷款资源的使用率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的贷款业务的处理方法的一种主要流程的示意图;
图2是根据本发明实施例的需求分析模型训练方法的一种主要流程的示意图;
图3是根据本发明实施例的贷款业务的处理装置的主要单元的示意图;
图4是本发明实施例可以应用于其中的一种示例性系统架构图;
图5是适于用来实现本发明实施例的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明中的实施例以及实施例中的特征可以互相组合。
本发明实施例提供了一种贷款业务的处理方法,该方法可由贷款业务处理系统执行,如图1所示,该方法包括以下步骤。
S101:接收用户的贷款请求,获取贷款请求中的业务类型、用户标识和贷款需求信息,根据用户标识获取用户的历史业务数据。
其中,用户在需要贷款时,可以向贷款请求,贷款请求中可以包括业务类型、用户标识和贷款需求信息。用户标识用于唯一标识申请贷款的用户,业务类型表示用户申请贷款所用业务的业务类型,贷款需求信息表示用户对贷款的具体需求,例如申请贷款额度、申请贷款年限等等。贷款业务处理系统接收用户发送的贷款请求之后,可以从中获取业务类型、用户标识和贷款需求信息。
为了能够对用户的贷款需求进行准确的分析,为不同用户确定个性化的贷款策略,本发明实施例中可以基于用户的历史业务数据对其贷款需求进行分析,进而确定准确的贷款策略,所以本步骤中获取用户标识之后,可以根据用户标识从存储历史数据的数据库中获取用户的历史业务数据。基于用户的类型,用户的历史业务数据也可以不同,通常包括贷款申请银行可以获取的各类型数据,例如,用户为企业时,历史业务数据可以包括企业基本信息、企业征信数据、工商数据、行内税务数据、国税数据、企业代发工资数据、公积金缴交情况数据等等;用户为个人时,历史业务数据可以包括个人基本信息、行内用户评分数据、用户等级数据、个人征信数据、贷款合约数据、贷款账户数据、贷款账户交易流水数据、贷款放款流水数据、贷记卡合约数据、贷记卡账户数据、贷记卡账户流水数据、AUM数据等。
S102:查询业务类型对应的输入变量,基于历史业务数据,调用预设的变量计算模型计算输入变量对应的变量值。
其中,输入变量表示用于对用户的贷款需求进行分析的参数。不同的业务类型,其对应的输入变量不同,各业务类型对应的输入变量为预先设置。本步骤中在查询出输入变量后,可以基于用户的历史业务数据来计算出输入变量对应的变量值,计算方式可以为通过调用预设的变量计算模型实现。
变量计算模型为预先设置,其可以包括各种算法,用于实现根据历史业务数据计算出输入变量。例如,输入变量包括平均值,历史业务数据包括N个月的工资,对应的输入变量包括平均值,则变量计算模型中可以设置对应平均值的算法,本步骤中调用预设的变量计算模型既可以计算出N个月工资的平均值,即输入变量的变量值。其中,N为大于1的整数。
S103:将变量值输入预设的需求分析模型,计算用户对应的贷款调整参数。
其中,需求分析模型为预先设置和训练的,可以用于对用户贷款需求进行分析,确定出与用户对应的贷款调整参数,以便于基于贷款调整参数来确定用户的贷款发放信息,从而实现对各用户不同的需求,确定不同的贷款策略,进而发放不同的贷款信息。
具体的,本发明实施例中,需求分析模型可以得出用户的需求等级,并设置不同需求等级所对应的贷款调整参数,即建立贷款需求度与贷款调整参数之间的映射关系。所以本步骤可以具体执行为:将变量值输入预设的需求分析模型,得出用户对应的贷款需求度;根据预设的映射关系,查询贷款需求度对应的贷款调整参数。贷款需求度即可表示贷款需求的等级。
S104:根据贷款调整参数调整贷款需求信息,得出用户的贷款发放信息。
其中,贷款需求信息可以包括用户申请贷款时对贷款需求的信息,例如申请贷款的额度、年限等等。步骤S103计算出用户对应的贷款调整参数后,可以基于其对用户的贷款需求信息进行调整,得出与该用户对应的贷款发放信息。
具体的,贷款调整参数可以包括利率调整范围和/或额度调整范围,利率和额度为贷款发放中比较重要的参数,所以对用户可以从此两个以对贷款需求信息进行调整。其中,利率调整范围可以为利率的调整比例,利率调整额度可以为额度的调整比例。
对于贷款利率,在为用户确定贷款发放信息时,通常会设置贷款申请额度和申请年限等所对应的贷款发放利率,本发明实施例中获取用户的贷款需求信息,可以基于贷款需求信息查询出用户贷款需求信息所对应的贷款利率,然后基于利率调整参数对其进行调整,得出贷款发放利率,具体为:根据所述贷款需求信息,查询用户对应的贷款利率,将贷款利率与利率调整参数的乘积,确定为贷款发放利率。
对于贷款额度,用户发送的贷款需求信息中通常包括贷款申请额度,所以本步骤中可以基于额度调整参数对其调整,并确定为贷款发放额度,具体可以执行为:获取贷款需求数据中贷款需求额度,将贷款需求额度与额度调整参数的乘积,确定为贷款发放额度。由于在处理用户贷款申请时,通常需要对用户的贷款需求信息进行审批,在审批通过后再基于贷款需求信息进行处理,所以在上述过程中,如果贷款需求信息中贷款申请额度审批不通过,可以为用户确定合理的贷款申请额度,然后再基于额度调整参数对其调整,得出贷款发放额度。
本发明实施例中,在用户申请贷款时,可以基于预设的需求分析模型对用户进行分析,确定用户对贷款的需求程度,相当于实现对用户的分层。如此对不同贷款的需求程度的用户,可以基于贷款调整参数实现对不同用户确定精细化的贷款策略,对不同贷款需求程度的用户,给予不同的贷款发放利率等贷款发放参数,实现对不同用户的精细化运营,可以达到增加用户群覆盖、提升用户满意度及用户粘性的目的。
本发明实施例中在用户请求贷款时,可以基于用户的历史业务数据和业务类型,调用需求分析模型计算出该用户对应的贷款调整参数,进而确定出与该用户对应的贷款发放信息,从而实现为不同用户确定适合的贷款发放信息,避免出现用户在申请贷款后并不对支用或支用较少,造成贷款资源的浪费的问题,提高贷款资源的使用率。
下面结合图1所示的实施例,对本发明实施例中需求分析模型的训练方法进行具体说明。如图2所示,该方法包括以下步骤。
S201:获取各历史贷款用户的业务数据,从业务数据中提取各历史贷款用户的业务类型和历史业务数据。
其中,本发明实施例对需求分析模型可以通过历史贷款用户的业务数据进行训练,所以先获取各历史贷款用户的业务数据。业务数据可以包括用户贷款前业务运行的数据、贷款成功后业务运行的数据,以便于可以对用户的贷款需求进行准确的分析。由于通常贷款成功并对贷款有支用表现的用户更能准确的分析出其贷款需求的程度,所以本步骤中历史贷款用户可以选择贷款申请成功且对贷款由支用表现的用户,支用表现是指用户对贷款成功后有使用记录,即可以获取到用户使用贷款的业务数据。在获取到历史贷款用户的业务数据后,可以从业务数据中提取各历史贷款用户的业务类型和历史业务数据。
具体的,用户为企业时,对应的历史业务数据可以包括企业基本信息、企业征信数据、工商数据、行内税务数据、国税数据、企业代发工资数据、公积金缴交情况数据及企业流水数据等。用户为个人时,对应的历史业务数据可以包括个人用户基本信息、行内用户评分数据、用户等级数据、个人征信数据、贷款合约数据、贷款账户数据、贷款账户交易流水数据、贷款放款流水数据、贷记卡合约数据、贷记卡账户数据、贷记卡账户流水数据、AUM数据等。
需要说明的是,由于对需求分析模型训练准确性,通常需要选择历史贷款用户连续时间段内的历史业务数据,所以在获取业务数据后,可以先提取处预设时间段内的业务数据作为待定业务数据。预设时间段可以根据实际场景设置,通常可以包括用户支用贷款的连续时间段,例如,以历史贷款用户为企业、业务类型为代发工资、对应的基础变量包括n个月代发工资金额的均值为例,由于对应的基础变量包括n个月代发工资金额的均值,需要通过最少n个月的业务数据计算,所以预设时间段需要至少为n个月。
由于对用户贷款需求分析通常采用连续的数据,所以在提取到待定业务数据后,还可以待定业务数据中业务数据之间存储的时间间隔,判断时间间隔是否大于预设周期。待定业务数据中通常按照周期存储的连续数据,如果存储时间的间隔过大,说明业务数据很可能不是连续的,即有可能有数据遗漏,此时业务数据用于需求分析模型训练将会降低训练结果的准确性。所以本步骤中计算出待定业务数据中各业务数据存储时的时间间隔,如果时间间隔不大于预设周期,则可以确定业务数据为连续的,所以可以将待定业务数据确定为历史业务数据;如果时间间隔大于预设周期,则可以确定业务数据不为连续的,所以此时可以从历史业务数据中重新提取待定业务数据,即提取新的待定业务数据,并基于上述原理判断是否为连续的业务数据,直到确定出连续的待定业务数据或者无法提取新的待定业务数据。无法提取新的待定业务数据表示业务数据中存储的时间间隔均大于预设周期,此时可以确定此历史贷款用户的业务数据无法用于模型训练,则可以删除此历史贷款用户。预设周期可以根据不同业务类型和应用场景进行设置。
需要说明的是,在确定历史业务数据时,操作人员还可以根据经验确定哪些业务数据可以用于需求模型训练,进而可以确定为历史业务数据,则可以输入指令,以指示哪些业务数据确定为历史业务数据。
S202:根据业务类型对应的基础变量,从历史贷款用户的历史业务数据计算基础变量的变量值。
由于对于不同的业务类型,在模型训练时所使用的变量并不完全相同,所以本步骤中建立各不同业务类型对应基础变量,进而本步骤中可以根据历史贷款用户的历史业务数据计算出对应基础变量的变量值。
具体的,由于基础变量已经确定,所以如何计算基础变量也可以预先确定,本步骤中可以通过不同程序语言(如Python和SQL等语言)编写基础变量的计算逻辑,进而通过这些计算逻辑计算出基础变量的变量值。
例如,以历史贷款用户为企业、业务类型为代发工资为例,对应的基础变量可以包括n个月代发工资金额的均值、最大值、最小值。本步骤中对历史贷款用户可以获取到的历史业务数据包括多种,如n个月代发工资金额,则可以计算出上述基础变量的变量值。
S203:根据基础变量的变量值,调用性能计算模型计算基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各历史贷款用户的输入变量。
其中,每个基础变量均可以作为一个贷款需求分析的特征,而各基础变量的变量值并不一定可以体现用户的贷款需求,即特征的性能较低,所以在计算出基础变量的变量值后,可以调用性能计算模型计算所述基础变量的性能参数值,进而根据性能参数和预设条件来从基础变量中筛选输入变量。
性能参数值可以包括覆盖率、稳定度、对贷款需求的预测程度和变量之间的相关度中的至少一项。
具体的,覆盖率可以分析变量的缺失程度,对于一个整体样本,覆盖率为样本中非空值的参数数量占样本中参数总量的比值,也可通过缺失率计算,缺失率为样本中空值的参数数量占样本中参数总量的比值。在计算出覆盖率后,可以设置对应的预设条件为覆盖率不大于0.95,也就是说基础特征的覆盖率小于0.95,则表示性能较低,不能确定为输入变量。
稳定度也可以表示为群体稳定度指标(Population Stability Index,PSI)。对于一个整体样本,可以按照时间分成两组,即A组和B组,然后将变量的取值按照预设的分位数进行分段。对于每一段可以按照下述方式计算稳定度:计算该段中属于A组的用户数占此段中用户总数的第一比例、该段中属于B组中的用户数占此段中用户总数的第二比例,第一比例减去第二比例的差再乘以第一比例和第二比例相除后的对数值,即可得出该段的稳定度。计算出每段的稳定度后,将各段的稳定度相加可以得出总体样本的稳定度,即可以计算出各基础变量的稳定度。本发明实施例中可以按照预设周期来分析基础变量的稳定度,并设置对应的预设条件为稳定度不大于0.1,即基础特征的稳定度大于0.1,则表示性能较低,不能确定为输入变量。
对贷款需求的预测程度也可以表示为信息值(Information Value,IV),可以用于分析变量对目标事件的单一预测能力高低。本发明实施例中可以设置对应的预设条件为信息值不小于0.05,即基础特征的稳定度小于0.05,则表示性能较低,不能确定为输入变量。
IV通常通过WOE(Weight of Evidence,证据权重)计算,WOE是对原始自变量的一种编码形式。要对一个变量进行WOE编码,需要首先把这个变量进行分组(或者离散化、分箱等等)处理。分组后,对于第i组,WOE的计算公式如公式1所示,然后基于公式2即可计算出第i组的信息值IVi。
在公式1中,pyi表示第i组中响应用户数量占所有响应用户数量的比例,pni表示第i组中没有响应用户数量占所有没有响应用户数量的比例,#yi表示第i组中响应用户数量,#yT表示第i组中所有响应用户数量,#ni示第i组中没有响应用户数量,#nT表示第i组中所有没有响应用户数量,其中i表示大于0且小于等于分组数量的整数。
变量之间的相关度也可以表示为变量之间的相关系数,即变量间的相关性,变量之间的相关系数可以根据公式3计算得出。
本发明实施例中可以设置对应的预设条件为若两个变量相关性低于0.9,则两个变量可以确定为输入变量;若两个变量相关性高于0.9,则将两个变量中IV较低的变量剔除,即不能确定为输入变量。
在公式3中,Cov(x,z)表示变量x和变量z之间的相关度,M为变量x和z中包括数据的个数,xf表示变量x中第f个数据,表示变量x中数据的平均值,zf表示变量z中第f个数据,表示变量z中数据的平均值,f为大于0且小于等于M的整数。
上述各性能参数的计算方式可以计算出各基础变量对应的性能参数,进而基于各性能参数对应的预设条件,可以从基础变量中筛选出输入变量。
S204:根据各历史贷款用户的输入变量训练需求分析模型。
在步骤S203确定出输入变量后,各输入变量的变量值也已经确定,则可以使用输入变量对需求分析模型进行训练,得出可以用于对用户进行需求分析的需求分析模型。
需要说明的是,由于基础变量通常是根据历史业务数据经简单计算得到的,其有可能不能充分体现用户对贷款的需求程度,所以本发明实施例中,还可以基于基础变量衍生出多个不同的变量,即衍生变量,进而从衍生变量中筛选输入变量,从而使输入变量更加多样化,提高需求分析模型训练的准确性。所以步骤S203可以执行为:根据基础变量的变量值,计算基础变量对应衍生变量的变量值;根据衍生变量的变量值,调用性能计算模型计算衍生变量的性能参数值,以将满足预设条件的性能参数值所对应衍生变量,确定为各历史贷款用户的输入变量。
变量衍生的方式可以包括多种,例如可以包括透传、统计描述、分类聚合等等。其中,透传是指直接将基础变量确定为衍生变量,例如企业代发工资单月金额,其为基础变量,也可以直接作为衍生变量;统计描述是指计算统计量,例如企业代发工资近n个月金额的均值等等统计值;分类聚合是指先对基础变量的变量值进行分类后聚合得到统计量,具体可以通过调用预设的分类聚合模型实现,例如企业代发工资近n个月中小于1万元的月份数。本发明实施例中为各基础变量设置对应的衍生变量以及计算方式,所以在计算出基础变量的变量值,可以通过预设的计算方式计算出基础变量对应衍生变量的变量值。
例如,用户企业时,衍生变量可以包括企业连续交税次数、近半年交税均值、对公流水交易对手方个数、行内外转账、交易次数、企业代发工资员工数、企业公积金缴交基数情况、企业他行贷款账户数、企业他行信贷产品余额、使用情况和逾期情况(次数)等;用户为个人时,衍生变量可以为银行内客户评分等级、有无个人征信、历史贷款类别、他行贷款金额及次数、历史贷款逾期情况(次数)、行内贷款关联账户数、行内贷款金额及次数、行内贷款申请行为、贷记卡使用次数、贷记卡账户数、贷记卡使用金额、行内金融资产总额等。
需要说明的是,本发明实施例中,在确定出基础变量的变量值后,还可以对变量值进行统计分析,确定其中的异常值,以删除异常值。
具体的,可以预先设置各基础变量的异常值范围,然后将判断基础变量的变量值是否属于预设的异常值范围;若是,则删除该基础变量的变量值;若否,则不对该基础变量的变量值进行操作。例如,基础变量为企业代发工资,而对应的变量值为1元,则可以确定为异常值。
本发明实施例中,通过上述过程可以确定出更能够体现用户贷款需求度的变量,进而训练出更加准确的需求分析模型。
本发明实施例中需求分析模型可以通过决策树算法实现。具体的,构成决策树可以采用自顶向下的贪婪算法,其在每个决策树中每个节点均会选择分类效果最好的属性来将训练数据进行二分类,如此重复此过程,直到这棵决策树能够准确的训练数据分类或者所有的属性均被使用执行了此过程。决策树算法的核心为在对每个结点进行测试后选择最佳的结点属性,并对决策树进行剪枝处理。
最常见的结点属性选择方法(标准)有信息增益、信息增益率、Gini指数、卡方检验(Chi-Square Statistics)等等。决策树的剪枝处理通常包括两种方式:先剪枝(Prepruning)和后剪枝(Postpruning)。
先剪枝为让决策树在生长之前,就确定出决策树的层数,以及每个节点所允许的最少的样本数量,而且在给点的节点不再分裂。后剪枝为让树充分生长,然后剪去子树,删除结点的分支并用树叶代替。CART算法中即包含了后剪枝方法,它使用的是代价复杂度剪枝算法,即将决策树的代价复杂度可作为树种树叶结点的个数和树的错误率的函数。C4.5使用的是悲观剪枝方法,类似于代替复杂度剪枝算法。
本发明实施例中使用决策树算法训练获得的需求分析模型,如此结合申请贷款用户的业务数据,可以对该用户进行贷款需求分析,确定出贷款需求度,进而确定出贷款发放参数,如此通过有效的细分用户贷款需求程度,可以定向的执行贷款营销策略,进而来实现贷款更高效的精细化运营。
为了解决现有技术存在的问题,本发明实施例提供了一种贷款业务的处理装置300,如图3所示,该装置300包括:
接收单元301,用于接收用户的贷款请求,获取所述贷款请求中的业务类型、用户标识和贷款需求信息,根据所述用户标识获取所述用户的历史业务数据;
计算单元302,用于查询所述业务类型对应的输入变量,基于所述历史业务数据,调用预设的变量计算模型计算所述输入变量对应的变量值;
所述计算单元302,还用于将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数;
确定单元303,用于根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息。
应理解的是,实施本发明实施例的方式与实施图1所示实施例的方式相同,在此不再赘述。
本发明实施例的一种实现方式中,所述计算单元302,具体用于:
将所述变量值输入预设的需求分析模型,得出所述用户对应的贷款需求度;
根据预设的映射关系,查询所述贷款需求度对应的贷款调整参数。
本发明实施例的又一种实现方式中,所述贷款调整参数包括利率调整范围和/或额度调整范围;
所述确定单元302,具体用于:
根据所述贷款需求信息,查询所述用户对应的贷款利率,将所述贷款利率与所述利率调整参数的乘积,确定为所述贷款发放利率;
获取所述贷款需求数据中贷款需求额度,将所述贷款需求额度与所述额度调整参数的乘积,确定为所述贷款发放额度。
本发明实施例的又一种实现方式中,所述装置300还包括:
获取单元,用于获取各历史贷款用户的业务数据,从所述业务数据中提取各所述历史贷款用户的业务类型和历史业务数据;
所述计算单元302,还用于根据所述业务类型对应的基础变量,从所述历史贷款用户的历史业务数据计算所述基础变量的变量值;
所述计算单元302,还用于根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量;
所述确定单元303,还用于根据各所述历史贷款用户的输入变量训练所述需求分析模型。
本发明实施例的又一种实现方式中,所述计算单元302,具体用于:
根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值;
根据所述衍生变量的变量值,调用性能计算模型计算所述衍生变量的性能参数值,以将满足预设条件的性能参数值所对应衍生变量,确定为各所述历史贷款用户的输入变量。
本发明实施例的又一种实现方式中,所述计算单元302,具体用于:
调用预设的分类聚合模型,根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值。
本发明实施例的又一种实现方式中,所述获取单元301,具体用于:
对每个所述历史贷款用户,从所述业务数据中提取预设时间段内的待定业务数据;
计算所述待定业务数据中业务数据之间存储的时间间隔,判断所述时间间隔是否大于预设周期;
若是,则重新从所述业务数据中提取待定业务数据;
若否,则将所述待定业务数据确定为所述历史业务数据。
本发明实施例的又一种实现方式中,所述计算单元302,具体用于:
判断所述基础变量的变量值是否属于预设的异常值范围;
若是,则删除所述基础变量的变量值;
若否,则不对所述基础变量的变量值进行操作。
本发明实施例的又一种实现方式中,所述性能参数值包括覆盖率、稳定度、对贷款需求的预测程度和变量之间的相关度中的至少一项。
应理解的是,实施本发明实施例的方式与实施图1或图2所示实施例的方式相同,在此不再赘述。
本发明实施例中在用户请求贷款时,可以基于用户的历史业务数据和业务类型,调用需求分析模型计算出该用户对应的贷款调整参数,进而确定出与该用户对应的贷款发放信息,从而实现为不同用户确定适合的贷款发放信息,避免出现用户在申请贷款后并不对支用或支用较少,造成贷款资源的浪费的问题,提高贷款资源的使用率。
根据本发明的实施例,本发明实施例还提供了一种电子设备和一种可读存储介质。
本发明实施例的电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行本发明实施例所提供的贷款业务的处理方法。
图4示出了可以应用本发明实施例的贷款业务的处理方法或贷款业务的处理装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种客户端应用。
终端设备401、402、403可以是但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,服务器可以对接收到的贷款请求等数据进行分析等处理,并将处理结果(例如贷款发放信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的贷款业务的处理方法一般由服务器405执行,相应地,贷款业务的处理装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的计算机系统500的结构示意图。图5示出的计算机系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,上述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、计算单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收单元的功能的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行本发明所提供的贷款业务的处理方法。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (16)
1.一种贷款业务的处理方法,其特征在于,包括:
接收用户的贷款请求,获取所述贷款请求中的业务类型、用户标识和贷款需求信息,根据所述用户标识获取所述用户的历史业务数据;
查询所述业务类型对应的输入变量,基于所述历史业务数据,调用预设的变量计算模型计算所述输入变量对应的变量值;
将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数;
根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息。
2.根据权利要求1所述的方法,其特征在于,将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数,包括:
将所述变量值输入预设的需求分析模型,得出所述用户对应的贷款需求度;
根据预设的映射关系,查询所述贷款需求度对应的贷款调整参数。
3.根据权利要求1所述的方法,其特征在于,所述贷款调整参数包括利率调整范围和/或额度调整范围;
根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息,包括:
根据所述贷款需求信息,查询所述用户对应的贷款利率,将所述贷款利率与所述利率调整参数的乘积,确定为所述贷款发放利率;
获取所述贷款需求数据中贷款需求额度,将所述贷款需求额度与所述额度调整参数的乘积,确定为所述贷款发放额度。
4.根据权利要求1所述的方法,其特征在于,在将所述变量值输入预设的需求分析模型之前,还包括:
获取各历史贷款用户的业务数据,从所述业务数据中提取各所述历史贷款用户的业务类型和历史业务数据;
根据所述业务类型对应的基础变量,从所述历史贷款用户的历史业务数据计算所述基础变量的变量值;
根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量;
根据各所述历史贷款用户的输入变量训练所述需求分析模型。
5.根据权利要求4所述的方法,其特征在于,根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量,包括:
根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值;
根据所述衍生变量的变量值,调用性能计算模型计算所述衍生变量的性能参数值,以将满足预设条件的性能参数值所对应衍生变量,确定为各所述历史贷款用户的输入变量。
6.根据权利要求5所述的方法,其特征在于,所述根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值,包括:
调用预设的分类聚合模型,根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值。
7.根据权利要求4所述的方法,其特征在于,所述从所述业务数据中提取各所述历史贷款用户的历史业务数据,包括:
对每个所述历史贷款用户,从所述业务数据中提取预设时间段内的待定业务数据;
计算所述待定业务数据中业务数据之间存储的时间间隔,判断所述时间间隔是否大于预设周期;
若是,则重新从所述业务数据中提取待定业务数据;
若否,则将所述待定业务数据确定为所述历史业务数据。
8.根据权利要求4所述的方法,其特征在于,在根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值之前,还包括:
判断所述基础变量的变量值是否属于预设的异常值范围;
若是,则删除所述基础变量的变量值;
若否,则不对所述基础变量的变量值进行操作。
9.根据权利要求4所述的方法,其特征在于,所述性能参数值包括覆盖率、稳定度、对贷款需求的预测程度和变量之间的相关度中的至少一项。
10.一种贷款业务的处理装置,其特征在于,包括:
接收单元,用于接收用户的贷款请求,获取所述贷款请求中的业务类型、用户标识和贷款需求信息,根据所述用户标识获取所述用户的历史业务数据;
计算单元,用于查询所述业务类型对应的输入变量,基于所述历史业务数据,调用预设的变量计算模型计算所述输入变量对应的变量值;
所述计算单元,还用于将所述变量值输入预设的需求分析模型,计算所述用户对应的贷款调整参数;
确定单元,用于根据所述贷款调整参数调整所述贷款需求信息,得出所述用户的贷款发放信息。
11.根据权利要求10所述的装置,其特征在于,所述计算单元,具体用于:
将所述变量值输入预设的需求分析模型,得出所述用户对应的贷款需求度;
根据预设的映射关系,查询所述贷款需求度对应的贷款调整参数。
12.根据权利要求10所述的装置,其特征在于,所述贷款调整参数包括利率调整范围和/或额度调整范围;
所述确定单元,具体用于:
根据所述贷款需求信息,查询所述用户对应的贷款利率,将所述贷款利率与所述利率调整参数的乘积,确定为所述贷款发放利率;
获取所述贷款需求数据中贷款需求额度,将所述贷款需求额度与所述额度调整参数的乘积,确定为所述贷款发放额度。
13.根据权利要求10所述的装置,其特征在于,所述装置还包括:
获取单元,用于获取各历史贷款用户的业务数据,从所述业务数据中提取各所述历史贷款用户的业务类型和历史业务数据;
所述计算单元,还用于根据所述业务类型对应的基础变量,从所述历史贷款用户的历史业务数据计算所述基础变量的变量值;
所述计算单元,还用于根据所述基础变量的变量值,调用性能计算模型计算所述基础变量的性能参数值,以将满足预设条件的性能参数值所对应基础变量,确定为各所述历史贷款用户的输入变量;
所述确定单元,还用于根据各所述历史贷款用户的输入变量训练所述需求分析模型。
14.根据权利要求13所述的装置,其特征在于,所述计算单元,具体用于:
根据基础变量的变量值,计算所述基础变量对应衍生变量的变量值;
根据所述衍生变量的变量值,调用性能计算模型计算所述衍生变量的性能参数值,以将满足预设条件的性能参数值所对应衍生变量,确定为各所述历史贷款用户的输入变量。
15.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110339861.2A CN112907362A (zh) | 2021-03-30 | 2021-03-30 | 贷款业务的处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110339861.2A CN112907362A (zh) | 2021-03-30 | 2021-03-30 | 贷款业务的处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907362A true CN112907362A (zh) | 2021-06-04 |
Family
ID=76109433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110339861.2A Pending CN112907362A (zh) | 2021-03-30 | 2021-03-30 | 贷款业务的处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907362A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283984A (zh) * | 2021-06-30 | 2021-08-20 | 中国工商银行股份有限公司 | 一种个人贷款信息的录入方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169784B1 (en) * | 2009-03-23 | 2019-01-01 | United Services Automobile Association (Usaa) | Systems and methods for loan origination and servicing based on a recurring deposit of funds |
CN111738840A (zh) * | 2020-06-23 | 2020-10-02 | 中国银行股份有限公司 | 基于可变利率的贷款业务处理方法及装置 |
CN112037013A (zh) * | 2020-08-25 | 2020-12-04 | 成都榕慧科技有限公司 | 人行征信变量衍生方法及装置 |
CN112241915A (zh) * | 2020-09-25 | 2021-01-19 | 中国建设银行股份有限公司 | 一种贷款产品的生成方法和装置 |
CN112308710A (zh) * | 2020-11-26 | 2021-02-02 | 平安普惠企业管理有限公司 | 贷款数据处理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-03-30 CN CN202110339861.2A patent/CN112907362A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169784B1 (en) * | 2009-03-23 | 2019-01-01 | United Services Automobile Association (Usaa) | Systems and methods for loan origination and servicing based on a recurring deposit of funds |
CN111738840A (zh) * | 2020-06-23 | 2020-10-02 | 中国银行股份有限公司 | 基于可变利率的贷款业务处理方法及装置 |
CN112037013A (zh) * | 2020-08-25 | 2020-12-04 | 成都榕慧科技有限公司 | 人行征信变量衍生方法及装置 |
CN112241915A (zh) * | 2020-09-25 | 2021-01-19 | 中国建设银行股份有限公司 | 一种贷款产品的生成方法和装置 |
CN112308710A (zh) * | 2020-11-26 | 2021-02-02 | 平安普惠企业管理有限公司 | 贷款数据处理方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283984A (zh) * | 2021-06-30 | 2021-08-20 | 中国工商银行股份有限公司 | 一种个人贷款信息的录入方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891695B2 (en) | Real-time analysis using a database to generate data for transmission to computing devices | |
US20050097028A1 (en) | Method and system for predicting attrition customers | |
CN111210341A (zh) | 一种确定业务额度的方法和装置 | |
CN111198873B (zh) | 数据处理的方法和装置 | |
CN111127214A (zh) | 资产组合的方法和装置 | |
CN114782169A (zh) | 一种客户流失率预警方法及装置 | |
CN114723481A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN112907362A (zh) | 贷款业务的处理方法、装置、电子设备和存储介质 | |
CN112162762A (zh) | 灰度发布方法、灰度发布装置和电子设备 | |
CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
CN112150290A (zh) | 用于智慧金融的产品推送方法 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN111161080A (zh) | 信息处理方法和装置 | |
CN111402045A (zh) | 一种账户数据监管方法和装置 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
US20230103753A1 (en) | Generating adaptive textual explanations of output predicted by trained artificial-intelligence processes | |
CN113487410B (zh) | 一种授信管理方法、装置、电子设备及计算机可读介质 | |
CN114240599A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN111429257B (zh) | 一种交易监控方法和装置 | |
CN114022295A (zh) | 一种群体欺诈识别方法和系统 | |
CN114723455A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
CN113450208A (zh) | 贷款风险变动预警、模型训练方法和装置 | |
CN112907361A (zh) | 一种用于处理贷款申请的方法和装置 | |
CN111429251A (zh) | 多模式下数据处理的方法和装置 |
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 |