CN116993456A - 一种智能推荐贷款产品的方法和装置 - Google Patents

Abstract

本申请实施例公开了一种智能推荐贷款产品的方法和装置，该方法包括以下步骤：获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据，所述指标数据为根据客户情况从不同口径计算加工得出的结果数据；将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。本申请实施例通过将客户的指标数据和预先配置的多个贷款产品的模型及规则数据进行计算，能够精准地评估用户的风险程度，从而提供个性化的营销策略和智能推荐服务，进而更好地应对用户的风险和不确定性，提高推荐准确性。

Description

一种智能推荐贷款产品的方法和装置

技术领域

本申请属于计算机技术领域，具体涉及一种智能推荐贷款产品的方法和装置。

背景技术

贷款是银行或其他金融机构按一定利率和必须归还等条件出借货币资金的一种信用活动形式，贷款具有“三性原则”，指安全性、流动性、效益性，这是商业银行贷款经营的根本原则，其中贷款安全是商业银行面临的首要问题，随着小额贷款的逐渐增加，贷款申请审核标准也逐渐杂乱，贷款流动性增大，而安全性却随之降低，进行充分的贷前调查可以进一步减少贷款风险项，过滤信用值较低的用户，对信用值高的用户进行优先放款，提高银行与用户之间的约束力。

在现有的贷款产品的推荐方案中，也有一些研究关注于风险管理和个性化推荐。例如，某些研究利用用户的购买历史和信用评分等信息，构建用户的风险模型，并根据风险程度对推荐结果进行调整。然而，这些方法主要依靠用户的历史行为数据进行推荐，推荐结果的个性化程度上存在一定的局限性，且缺乏对用户风险的评估和针对性的风险管理策略，无法充分应对用户的风险需求和变化。

申请内容

本申请实施例的目的是提供一种智能推荐贷款产品的方法和装置，以解决现有技术的推荐结果的个性化程度存在局限性的缺陷。

为了解决上述技术问题，本申请是这样实现的：

第一方面，提供了一种智能推荐贷款产品的方法，包括以下步骤：

获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据，所述指标数据为根据客户情况从不同口径计算加工得出的结果数据；

将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。

第二方面，提供了一种智能推荐贷款产品的装置，包括：

获取模块，用于获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据，所述指标数据为根据客户情况从不同口径计算加工得出的结果数据；

计算模块，用于将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。

本申请实施例通过将客户的指标数据和预先配置的多个贷款产品的模型及规则数据进行计算，能够精准地评估用户的风险程度，从而提供个性化的营销策略和智能推荐服务，进而更好地应对用户的风险和不确定性，提高推荐准确性。

附图说明

图1是本申请实施例提供的一种智能推荐贷款产品的方法流程图；

图2是本申请实施例提供的智能推荐贷款产品的方法的一种具体实现图；

图3是本申请实施例提供的一种智能推荐贷款产品的装置的结构示意图。

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。基于本申请中的实施例，本领域普通技术人员在没有作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。

本申请实施例旨在提供一种基于风险模型指标的精准营销及智能推荐的方法和装置，通过风险模型指标的引入，对用户的风险进行评估和分析，实现精准的营销策略和智能的推荐服务。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的一种智能推荐贷款产品的方法进行详细地说明。

如图1所示，为本申请实施例提供的一种智能推荐贷款产品的方法流程图，该方法包括以下步骤：

步骤101，获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据。

其中，指标数据为根据客户情况从不同口径计算加工得出的结果数据。

本实施例中，还可以使用RPA(Robotic Process Automation，机器人流程自动化)对客户进行数据采集，得到客户原始的发票和税务数据，作为后续模型计算统计的基础数据。

步骤102，将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。

本实施例中，在输出各个贷款产品的评分以及推荐结果之后，还可以对所述推荐结果进行封装，将封装后的推荐结果持久化到HBase中。

在将所述指标数据分别与各个贷款产品的模型及规则数据进行计算之后，还可以输出不推荐列表，以及对应排名优先级的多条拒绝原因。

此外，上述方法，还包括：根据各个贷款产品的要求，分别设置各个贷款产品的法人规则、工商规则和发票规则，并对每条规则映射一个拒绝原因。

本申请实施例通过将客户的指标数据和预先配置的多个贷款产品的模型及规则数据进行计算，能够精准地评估用户的风险程度，从而提供个性化的营销策略和智能推荐服务，进而更好地应对用户的风险和不确定性，提高推荐准确性。

在本申请实施例中，在MySQL中配置了产品的法人、工商和发票规则，并为每条规则映射了拒绝原因。通过urule不同产品进行模型指标的规则配置。客户使用RPA进行数据采集和处理，数据服务通过Kafka实现数据与业务的解耦。决策引擎前置服务接收并处理消息，从HBase查询指标数据，通知核心计算模块进行计算。核心计算模块从MySQL获取预先配置的模型规则，与前置服务传入的指标数据进行计算，输出评分和推荐结果。并将结果发送到kafka。业务服务消费消息并将结果持久化到HBase。针对法人、工商、发票规则的数据处理服务使用Java和QLEXpress规则引擎计算，得到推荐和不推荐列表以及拒绝原因，实现了贷款申请处理的自动化决策和推荐功能。

如图2所示，为本申请实施例提供的智能推荐贷款产品的方法的一种具体实现图。法人、工商、发票的规则的配置，在MYSQL中，根据不同贷款产品的要求，分别设置不同的规则，并对每条规则映射一个拒绝原因；模型指标的规则配置，是在角色引擎系统urule平台前端界面中根据不同产品进行不同指标的规则配置。客户在进行RPA数据采集时，数据服务将数据处理完成后，会发送一条消息到Kafka，通过Kafka来进行数据和业务解耦。其中，RPA数据采集可以是票税采集，即，采集客户原始的发票和税务数据，作为后续模型计算统计等的基础数据。

进一步地，决策引擎前置服务接收并处理消息，查询数据源Hbase中的指标数据，汇聚成决策引擎核心计算模块需要的数据格式，并通知其进行计算。其中，客户指标数据是根据客户情况从不同口径计算加工得出的结果数据。决策引擎核心计算模块从Mysql中拉取预先配置的模型及规则数据，与前置服务传入的指标数据进行计算，输出评分及是否推荐的结果。例如，评分卡1的指标含义为L1-L12加权平均税率，其计算逻辑为：最近第1个月至最近第12个月(税率1*该税率对应的有效票总额+税率2*该税率对应的有效票总额……)/所有有效票总金额。

最后，前置服务接收到计算结果，进行结果封装，然后通过Kafka消息方式把模型结果发送出来。业务服务接收到kafka消息后，使用Flinkr任务把推荐结果持久化到HBase中，供业务服务查询使用。法人、工商、发票规则维度的数据处理服务使用Java技术根据实际的申请企业信息，规则引擎QLEXpress加载预配置的规则进行计算获取到推荐和不推荐列表，不推荐会返回排名优先级的多条拒绝原因。前端平台，包括贷款超市、渠道营销平台、合伙人营销平台等，营销员登录后，通过查看推荐产品功能，查看推荐和不推荐的产品列表。

具体地，在根据模型计算后，综合得分进行排名，得分越高排名越前的原则；模型计算后，每个指标会有得分，拒绝的指标原因都会展示给客户，方便客户找拒绝原因，调整策略，以便后续融资需求。例如，若客户的近12个月红票发票开票额占比>10％，则会被拒绝。客户得到原因后，减少红票开具，降低占比即满足要求。

本申请实施例引入了风险模型指标，通过构建风险模型并定义相应的风险指标，可以更精准地评估用户的风险程度，从而提供个性化的营销策略和智能推荐服务。此外，针对不同贷款产品的规则配置，利用过urule和规则引擎QLEXpress对不同产品进行模型指标的规则配置和计算，使用Kafka作为消息传递机制实现业务解耦，能够更好地应对用户的风险和不确定性，提高推荐准确性和营销效果。

如图3所示，为本申请实施例提供的一种智能推荐贷款产品的装置的结构示意图，包括：

获取模块310，用于获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据，所述指标数据为根据客户情况从不同口径计算加工得出的结果数据。

计算模块320，用于将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。

本实施例中，上述装置，还包括：

设置模块，用于根据各个贷款产品的要求，分别设置各个贷款产品的法人规则、工商规则和发票规则，并对每条规则映射一个拒绝原因。

采集模块，用于使用RPA对客户进行数据采集，得到客户原始的发票和税务数据，作为后续模型计算统计的基础数据。

封装模块，用于对所述推荐结果进行封装，将封装后的推荐结果持久化到HBase中。

输出模块，用于输出不推荐列表，以及对应排名优先级的多条拒绝原因。

本申请实施例通过将客户的指标数据和预先配置的多个贷款产品的模型及规则数据进行计算，能够精准地评估用户的风险程度，从而提供个性化的营销策略和智能推荐服务，进而更好地应对用户的风险和不确定性，提高推荐准确性。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述智能推荐贷款产品的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。

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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。

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，本申请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终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种智能推荐贷款产品的方法，其特征在于，包括以下步骤：

获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据，所述指标数据为根据客户情况从不同口径计算加工得出的结果数据；

将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据各个贷款产品的要求，分别设置各个贷款产品的法人规则、工商规则和发票规则，并对每条规则映射一个拒绝原因。

3.根据权利要求1所述的方法，其特征在于，还包括：

使用机器人流程自动化RPA对客户进行数据采集，得到客户原始的发票和税务数据，作为后续模型计算统计的基础数据。

4.根据权利要求1所述的方法，其特征在于，所述输出各个贷款产品的评分以及推荐结果之后，还包括：

对所述推荐结果进行封装，将封装后的推荐结果持久化到HBase中。

5.根据权利要求1所述的方法，其特征在于，所述将所述指标数据分别与各个贷款产品的模型及规则数据进行计算之后，还包括：

输出不推荐列表，以及对应排名优先级的多条拒绝原因。

6.一种智能推荐贷款产品的装置，其特征在于，包括：

获取模块，用于获取客户的指标数据和预先配置的多个贷款产品的模型及规则数据，所述指标数据为根据客户情况从不同口径计算加工得出的结果数据；

计算模块，用于将所述指标数据分别与各个贷款产品的模型及规则数据进行计算，输出各个贷款产品的评分以及推荐结果。

7.根据权利要求6所述的装置，其特征在于，还包括：

设置模块，用于根据各个贷款产品的要求，分别设置各个贷款产品的法人规则、工商规则和发票规则，并对每条规则映射一个拒绝原因。

8.根据权利要求6所述的装置，其特征在于，还包括：

采集模块，用于使用RPA对客户进行数据采集，得到客户原始的发票和税务数据，作为后续模型计算统计的基础数据。

9.根据权利要求6所述的装置，其特征在于，还包括：

封装模块，用于对所述推荐结果进行封装，将封装后的推荐结果持久化到HBase中。

10.根据权利要求6所述的装置，其特征在于，还包括：

输出模块，用于输出不推荐列表，以及对应排名优先级的多条拒绝原因。