一种智能推荐贷款产品的方法和装置制造方法及图纸

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。提高推荐准确性。提高推荐准确性。

【技术实现步骤摘要】
一种智能推荐贷款产品的方法和装置


[0001]本申请属于计算机
，具体涉及一种智能推荐贷款产品的方法和装置。

技术介绍

[0002]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。
[0003]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。
[0004]申请内容
[0005]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。
[0006]为了解决上述技术问题，本申请是这样实现的：
[0007]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：
[0008]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；
[0009]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。
[0010]第二方面，提供了一种智能推荐贷款产品的装置，包括：
[0011]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；
[0012]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。
[0013]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
[0014]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；
[0015]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；
[0016]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
[0017]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。
[0018]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。
[0019]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。
[0020]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：
[0021]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。
[0022]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。
[0023]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。
[0024]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。
[0025]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。
[0026]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。
[0027]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。
[0028]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。
[0029]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。
[0030]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。
[0031]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：康嘉鑫，魏冬冬，刘方明，宋吕军，周宇新，杨骁锋，杨海波，
申请(专利权)人：北京百望慧眼数据科技有限公司，
类型：发明
国别省市：