一种多循环分期决策的方法及系统与流程

本发明技术方案属于计算机技术领域，特别涉及一种多循环分期决策的方法及系统。

背景技术：

分期付款方式通常由银行和分期付款供应商联合提供。银行为消费者提供相当于所购物品金额的个人消费贷款，消费者用贷款向供应商支付货款，同时供应商为消费者提供担保，承担不可撤销的债务连带责任。而对于线下产生的一些消费，若要适用分期付款服务，还需要通过第三服务商代表买卖双方向第三方金融机构签订购买分期产品服务协议，第三金融机构在将总消费金额给付卖方，并依买方选择的分期方案向买方收取每期应付款项、利息或手续费。这样既增加了买方的经济负担，同时，对于那些没有与第三金融机构签订服务协议的卖方，也无法通过分期服务增加营收。

实现分期决策风险评估需要处理大量的不同类型的数据，而现有技术中并没有一种有效的技术方案：能在分析大量用户信息的基础上，进行用户信息的分类整合，然后对分类后的用户信息进行数据处理，并及时、准确的反馈分期决策方案。

技术实现要素：

通过建立包含反欺诈系统及信用评级系统的网络通信平台，为线上/线下交易提供分期决策。本发明技术方案解决的技术问题为：分类整合大量的用户信息，提取有效用户信息并进行数据处理，并及时、准确的反馈分期决策方案。

为了解决上述技术问题，本发明技术方案提供了一种多循环分期决策的方法，包括：

根据用户端输入的分期请求或外部触发获取目标用户的用户征信信息，所述用户征信信息包括所述用户的反欺诈信息及信用信息；

基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到风险评级信息；

基于所述信用信息及调用的信用模型申请信用扫描以得到信用评级信息；

将所述风险评级信息及信用评级信息与分期决策中的风险要求及信用要求进行匹配以输出匹配的分期决策。

优选地，所述获取用户征信信息至少包括以下步骤中的一种：

基于所述分期请求获取所述用户征信信息；

基于所述分期请求获取用户信息，并基于所述用户信息获取与该用户相关的互联网信息。

优选地，还包括：

基于所述分期请求为用户生成唯一的Token；

当再次接收所述用户端的分期请求及该用户对应的Token时所述获取用户征信信息包括：直接调用已存储的用户征信信息。

优选地，所述信用信息包括：年龄、性别、职业情况、居住情况、过往信用、借款及还款历史、负债情况、收入情况、运行商情况；所述反欺诈信息包括：用户端IP地址、浏览器信息、终端设备信息、社交信息、电商信息、社保信息以及所述信用信息中的至少一种信息。

优选地，所述反欺诈扫描包括以下步骤：

反欺诈信息预处理；

进行反欺诈前置扫描以获得反欺诈扫描规则；

将所述反欺诈扫描规则输入所述反欺诈模型以再次处理所述反欺诈信息，以输出扫描结果；

对该扫描结果输出所述风险评级信息。

优选地，所述反欺诈信息预处理包括：对所述反欺诈信息进行收集、清洗、加工及格式化。

优选地，所述反欺诈扫描规则包括：黑名单信息、多头借贷信息、团伙欺诈信息、套现信息、限额限贷信息、业务政策信息。

优选地，所述再次处理所述反欺诈信息包括：

依据所述反欺诈扫描规则，检测所述反欺诈信息对应于所述反欺诈规则的命中情况；

所述扫描结果为所述命中情况的反映。

优选地，所述再次处理所述反欺诈信息还包括：

依据所述反欺诈信息选择适用的反欺诈模型；

根据所选择的反欺诈模型调整所述命中情况对所述扫描结果的反映程度。

优选地，所述扫描结果至少基于以下步骤中的一个生成：

若反欺诈信息相较于反欺诈扫描规则命中情况无法确定，输出未命中，对所述扫描结果无累计；

若反欺诈信息相较于反欺诈扫描规则行为一致，则输出命中，对所述扫描结果累计；

若反欺诈信息相较于反欺诈扫描规则信息相似度高于阈值，则输出命中，对所述扫描结果累计；

若反欺诈信息相较于反欺诈扫描规则信息在身份信息上一致，则输出命中，对所述扫描结果累计；

若反欺诈信息相较于反欺诈扫描规则信息在信息格式上一致，则输出命中，对所述扫描结果累计；

若反欺诈信息相较于反欺诈扫描规则信息上为集合中的元素与所述集合的关系，则输出命中，对所述扫描结果累计；

若反欺诈信息相较于反欺诈扫描规则信息在行业规则上一致，则输出命中，对所述扫描结果累计；

若反欺诈信息相较于反欺诈扫描规则信息在用户账号上一致，则输出命中，对所述扫描结果累计。

优选地，所述对该扫描结果输出所述风险评级信息包括，包括：基于所述扫描结果选择该扫描结果所属风险等级，并输出所述风险评级信息。

优选地，所述信用扫描包括以下步骤：

信用信息预处理；

将处理后的信用信息输入所述信用模型以得到信用评分；

基于所述信用评分获得所述信用评级信息。

优选地，所述将所述风险评级信息及信用评级信息与分期决策中的风险要求及信用要求进行匹配以输出匹配的分期决策包括：

根据所述风险评级信息及信用评级信息确定分期决策的额度，所述额度基于所述风险要求及信用要求预先确定；

根据所述用户征信信息确定收入情况，并根据所述收入情况调整额度系数；

依据调整后的额度系数调整所述额度；

基于所述额度输出所述分期决策。

为了解决上述技术问题，本发明技术方案还提供了一种多循环分期决策的系统，包括：

获取单元，适于根据用户端输入的分期请求或外部触发获取目标用户的用户征信信息，所述用户征信信息包括所述用户的反欺诈信息及信用信息；

反欺诈扫描单元，适于基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到风险评级信息；

信用扫描单元，适于基于所述信用信息及调用的信用模型申请信用扫描以得到信用评级信息；

决策单元，适于将所述风险评级信息及信用评级信息与分期决策中的风险要求及信用要求进行匹配以输出匹配的分期决策。

优选地，所述反欺诈扫描单元包括：

第一预处理单元，适于反欺诈信息预处理；

前置扫描单元，适于进行反欺诈前置扫描以获得反欺诈扫描规则；

第一处理单元，适于将所述反欺诈扫描规则输入所述反欺诈模型以再次处理所述反欺诈信息，以输出扫描结果；

输出单元，适于对该扫描结果输出所述风险评级信息。

优选地，所述信用扫描单元包括：

第二预处理单元，适于信用信息预处理；

第二处理单元，适于将处理后的信用信息输入所述信用模型以得到信用评分；

第三处理单元，适于基于所述信用评分获得所述信用评级信息。

优选地，所述决策单元包括：

额度确定单元，适于根据所述风险评级信息及信用评级信息确定分期决策的额度，所述额度基于所述风险要求及信用要求预先确定；

系数调整单元，适于根据所述用户征信信息确定收入情况，并根据所述收入情况调整额度系数；

额度调整单元，适于依据调整后的额度系数调整所述额度；

第四处理单元，适于基于所述额度输出所述分期决策。

本发明技术方案的有益效果至少包括：

本发明技术方案可适用于为线上/线下交易提供分期决策，根据用户端输入的分期请求或外部触发获取目标用户的用户征信信息，然后调用相关模型得到风险评级信息和信用评级信息，将所述风险评级信息及信用评级信息与分期决策中的风险要求及信用要求进行匹配以输出匹配的分期方案。这样可以对大量用户信息进行分类处理，并通过系统算法得出风险评级和信用评级，及时、准确的输出分期方案。

在本发明技术方案的可选方案中，还包括根据所述风险评级信息及信用评级信息确定分期决策的额度，根据所述用户征信信息确定收入情况，并根据所述收入情况调整额度系数，依据调整后的额度系数调整所述额度，基于所述额度输出所述分期决策。通过这种方式，可以实现更加复杂的数据处理，以得到更加符合风控要求的分期方案。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：

图1示出根据本发明的第一具体实施例的，一种多循环分期决策方法的流程图；

图2示出根据本发明的第二具体实施例的，一种多循环分期决策方法的流程图；

图3示出根据本发明的第四具体实施例的，一种多循环分期决策的反欺诈扫描方法流程图；

图4示出根据本发明的第五具体实施例的，一种多循环分期决策的信用扫描方法流程图；

图5示出根据本发明的第六具体实施例的，一种多循环分期决策方法的流程图；

图6示出根据本发明的第一应用例的，一种多循环分期决策方法的风控模型示意图；

图7示出根据本发明的第二应用例的，一种多循环分期决策方法的业务流程的分期方案确定流程图；

图8示出根据本发明的第二应用例的，一种多循环分期决策方法的业务流程的贷后还款执行流程图；

图9示出根据本发明的第三应用例的，一种多循环分期决策方法的反欺诈流程图；

图10示出根据本发明的，一种多循环分期决策方法的用户注册界面示意图一；

图11示出根据本发明的，一种多循环分期决策方法的用户注册界面示意图二。

具体实施方式

为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。

图1示出根据本发明的第一具体实施例的，一种多循环分期决策方法的流程图；需要理解的是，本发明主要适用但不限于这样一种场景，买方甲与卖方乙在线下达成某个商品的交易，但买方甲由于资金短缺，无法一次性付清购买该商品所需的价款，买方甲想要通过分期付款的方式完成这桩交易，而卖方乙对于买方甲的还款诚信持怀疑态度。本发明技术方案提供一种多循环分期决策的方法，基于一定的算法，处理有关卖方乙的大量信息，筛选分类得到涉及风险评级和信用评级的信息，然后经过对风险评级信息和信用评级信息的数据处理，输出匹配的分期方案。具体步骤如下：

首选，进入步骤S101，根据用户端输入的分期请求获取目标用户的用户征信信息。具体地，所述用户端可以是计算机、手机等中的浏览器。用户终端的页面通常是通过浏览器接入的网站管理服务中的一个页面，服务器根据用户在所接入的页面上的操作发回响应信息；所述分期，即分期付款，指买卖双方约定，买方对所购买的产品/服务在一定时期内分次向卖方交付货款；所述获取即指服务器接收来自所述用户端输入的分期请求及对应生成用户服务账号，分期请求包括用户身份相关的注册信息和照片，注册信息是用户为了获取相关服务而通过所述用户端向服务器提交的规定信息，其中包含用户的个人信息、职位及收入情况等；所述用户征信信息是指由特定机关建立的个人信用数据库所采集、整理、保存的，为商业银行和个人提供信用报告查询服务，为货币政策制定、金融监管和法律、法规规定的其他用途提供有关信息服务所使用的个人信用信息，可以分为所述用户的反欺诈信息及信用信息两类。本领域技术人员理解，服务器可以通过用户的注册信息和照片在个人信用数据库中调取到用户的所述用户征信信息。

然后，执行步骤S102，基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到风险评级信息。具体地，所述反欺诈信息属于所述用户征信信息中可以用于判断用户还款能力的信息，即根据用户当前状况判断出用户未来是否有能力实现还款约定。所述扫描即指针对所述反欺诈信息进行筛选以将曾加欺诈可能性的信息识别出来。所述反欺诈模型为可以对所述反欺诈信息进行处理，判断当前反欺诈信息对应用户的还款能力，是否存在欺诈的可能及欺诈可能性的大小，本领域技术人员理解，本发明技术方案中所述反欺诈模型主要从速度、行为、不一致、账号、行业、身份验证、格式、黑白名单、阈值等设计，并结合外部数据、爬虫、设置指纹、深度关联、机器学习等技术、以数据驱动反欺诈引擎扫描。所述风险评级信息即指通过所述扫描后得到的所述反欺诈信息对应用户的欺诈可能性的大小，并将欺诈可能性的大小以数值的形式表现出来，例如可分为1～9级，等级越高，欺诈可能性越大。

接下来，进入步骤S103，基于所述信用信息及调用的信用模型申请信用扫描以得到信用评级信息。具体地，所述信用信息属于所述用户征信信息中可以用于判断用户还款意愿的部分信息，即根据用户当前状况判断出用户未来是否能在有还款能力的前提下按约定还款。所述扫描即指针对所述信用信息进行筛选以将减少信用的信息识别出来。所述信用模型为可以对所述信用信息进行处理，判断当前信用信息对应用户的还款意愿，是否存在不按约定执行还款的可能性的大小。所述信用评级信息即指通过所述扫描后得到的所述信用信息对应用户的违反约定可能性的大小，并将违反约定可能性的大小以数值的形式表现出来，例如可分为1～9级，等级越高，违反约定的可能性越大。

最后，执行步骤S104，将所述风险评级信息及信用评级信息与分期决策中的风险要求及信用要求进行匹配以输出匹配的分期决策。具体地，所述分期决策即指基于服务器的决策系统得到基于所述客户端的分期请求输出最终分期方案，例如，首付多少，分N期还余款(N＞1)，每期多少钱。所述风险要求及信用要求是分期决策中的参考项，分别与所述风险评级信息及信用评级信息相对应。下面将结合表一，进行举例说明：

表一为第一种分期决策方案

需要说明的是，在本实例中，风险评级为1～9级，等级越高，欺诈可能性越大。信用评级为1～9级，等级越高，违反约定的可能性越大。若所述客户端的风险评级和信用评级中有一/两项数值为9，则服务器拒绝输出分期决策，并提示当前请求不宜适用分期付款方式进行结算，结合表一。

实例一：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为3，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为2。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级3属于风险要求阈值1～4的范围之内，及信用评级2属于信用要求阈值1～4范围之内，决策系统输出的匹配结果为符合方案一，则输出首付20％，分12个月偿还余款的方案。

实例二：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为3，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为6。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级3属于风险要求阈值1～4的范围之内，及信用评级6属于信用要求阈值5～8范围之内，决策系统输出的匹配结果为符合方案二，则输出首付40％，分9个月偿还余款的方案。

实例三：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为6，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为2。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级6属于风险要求阈值5～8的范围之内，及信用评级2属于信用要求阈值1～4范围之内，决策系统输出的匹配结果为符合方案三，则输出首付40％，分9个月偿还余款的方案。

实例四：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为6，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为7。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级6属于风险要求阈值5～8的范围之内，及信用评级7属于信用要求阈值5～8范围之内，决策系统输出的匹配结果为符合方案四，则输出首付60％，分6个月偿还余款的方案。

需要注意的是，本领域技术人员可以根据表一及其实例所提供的模型适应性的变化出更细的分期方案，但决策系统仍然以数值匹配的方式进行数据处理。

图2示出根据本发明的第二具体实施例的，一种多循环分期决策方法的流程图。图2基于图1，需要强调的是，图1示出的第一具体实施例适于服务器第一次获取到所述用户端的分期请求时，所进行的分期决策。而图2示出的第二具体实施例则适于服务器第二次及后续获取到买方甲的分期请求时，所进行的分期决策。具体步骤如下：

首先，进入步骤S201，根据外部触发获取目标用户的用户征信信息。具体地，所述外部触发是指服务器接收到来自之前生成的用户服务账号传输的所述分期请求，然后服务器通过服务账号调取所述用户端初次输入的分期请求所对应的目标用户信息，再通过目标用户信息获取所述目标用户的用户征信信息。优选地，所述目标用户的用户征信信息在初次调取之后便存储在服务器的一个子数据库中，这样服务器可以根据所述外部触发对应的服务账号直接调取所述目标用户的用户征信信息。同时，该子数据库中的所述目标用户的用户征信信息随外部征信信息数据库进行信息实时更新。

然后，执行步骤S202，基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到风险评级信息。具体地，已在第一具体实施例中描述，此处不予赘述。

接下来，进入步骤S203，基于所述信用信息及调用的信用模型申请信用扫描以得到信用评级信息。具体地，已在第一具体实施例中描述，此处不予赘述。

最后，执行步骤S204，将所述风险评级信息及信用评级信息与分期决策中的风险要求及信用要求进行匹配以输出匹配的分期决策。具体地，已在第一具体实施例中描述，此处不予赘述。

继续参考图1，在根据本发明的第三具体实施例中，所述获取用户征信信息至少包括以下步骤中的一种：

基于所述分期请求获取所述用户征信信息。具体地，已在第一具体实施例中描述，此处不予赘述。

基于所述分期请求获取用户信息，并基于所述用户信息获取与该用户相关的互联网信息。具体地，所述用户信息即指可以用于确认用户身份的信息，包括用户姓名、身份证号、银行卡号、照片等信息。所述互联网信息主要包括多种黑名单数据(法院、犯罪记录、吸毒、网贷黑名单、欺诈黑名单等)，IP地址、浏览器信息、终端设备信息、社交信息、电商信息等。

进一步地，基于所述分期请求为用户生成唯一的Token，所述Token即计算机身份认证中令牌(临时)的意思，本发明技术方案中所述Token即指第一具体实施例中的用户服务账号，用于识别已注册用户的身份信息。当再次接收所述用户端的分期请求及该用户对应的Token时所述获取用户征信信息包括：直接调用已存储的用户征信信息。具体地，所述目标用户的用户征信信息在初次调取之后便存储在所述服务器的一个子数据库中，这样所述服务器可以根据所述外部触发对应的服务账号直接调取所述目标用户的用户征信信息。优选地，该子数据库中的所述目标用户的用户征信信息随外部征信信息数据库进行信息实时更新。

进一步地，所述信用信息包括：年龄、性别、职业情况、居住情况、过往信用、借款及还款历史、负债情况、收入情况、运行商情况；所述反欺诈信息包括：用户端IP地址、浏览器信息、终端设备信息、社交信息、电商信息、社保信息以及所述信用信息中的至少一种信息。

为了更好的理解本发明的技术方案，下面结合第一和第二具体实施例对进行说明，本发明提供一种基于Token(令牌)和强风控技术的多次循环分期方法及系统，方法包括：在首次进行分期时，用户通过移动/PC端向服务器发送分期请求，分期请求包括用户身份相关的注册信息和图像；服务器收到分期请求后，自动为用户生成唯一的Token(令牌)，然后分别通过反欺诈系统和信用评分系统打出欺诈分和信用分，并通过决策系统生成最终的分期方案，将分期方案和协议书发送至用户终端；收到用户终端采集的同意分期协议书命令时生成分期凭证，并将用户注册信息和分期凭证发送商家，商家确认并发货。在第二次和后续分期时，用户通过移动/PC端将唯一标识的Token(令牌)发送给服务器，服务器根据Token通过反欺诈系统进行用户扫描和账户分析并打出欺诈分，然后通过决策系统生成最终的分期方案。

图3示出根据本发明的第四具体实施例的，一种多循环分期决策的反欺诈扫描方法流程图。

首先，进入步骤S301，反欺诈信息预处理。具体地，本领域技术人员理解，所述反欺诈信息预处理包括：对所述反欺诈信息进行收集、清洗、加工及格式化。

其次，执行步骤S302，进行反欺诈前置扫描以获得反欺诈扫描规则。具体地，所述反欺诈扫描规则包括：黑名单信息、多头借贷信息、团伙欺诈信息、套现信息、限额限贷信息、业务政策信息。

接下来，进入步骤S303，将所述反欺诈扫描规则输入所述反欺诈模型以再次处理所述反欺诈信息，以输出扫描结果。具体地，所述再次处理所述反欺诈信息包括：依据所述反欺诈扫描规则，检测所述反欺诈信息对应于所述反欺诈规则的命中情况；所述扫描结果为所述命中情况的反映。所述再次处理所述反欺诈信息还包括：依据所述反欺诈信息选择适用的反欺诈模型；根据所选择的反欺诈模型调整所述命中情况对所述扫描结果的反映程度。

最后，执行步骤S304，对该扫描结果输出所述风险评级信息。具体地，已在第一具体实施例中描述，此处不予赘述。

图4示出根据本发明的第五具体实施例的，一种多循环分期决策的信用扫描方法流程图。

首先，进入步骤S401，信用信息预处理。具体地，所述信用信息主要包括年龄、性别、职业情况、居住情况、过往信用、借款及还款历史、负债情况、收入情况、运营商情况等，所述信用信息预处理即从前述维度做数据收集、清洗、加工和格式化，作为信用评分模型的输入条件。更加具体地，参照图3示出的第四具体实施例，步骤S301，此处不予赘述。

然后，执行步骤S402，将处理后的信用信息输入所述信用模型以得到信用评分。具体地，已在第一具体实施例中描述，此处不予赘述。

最后，进入步骤S403，基于所述信用评分获得所述信用评级信息。具体地，已在第一具体实施例中描述，此处不予赘述。

图5示出根据本发明的第六具体实施例的，一种多循环分期决策方法的流程图。

首先，进入步骤S501，根据所述风险评级信息及信用评级信息确定分期决策的额度。具体地，所述额度基于所述风险要求及信用要求预先确定，即所述额度是与所述风险要求及信用要求相对应的预设值，当所述风险评级信息及信用评级信息符合某一组所述风险要求及信用要求时，服务器就会自动匹配与所述风险要求及信用要求相对应所述额度，买方可以在所述额度范围内的货款上进行分期付款。例如，所述额度可以是一个固定数值，6000元等；或者，所述额度可以是相对货款的百分比值，如货款为10000元，所述风险要求及信用要求相对应的百分比为60％，则此时额度f＝10000*60％＝6000。

然后，执行步骤S502，根据所述用户征信信息确定收入情况，并根据所述收入情况调整额度系数。具体地，所述额度系数即步骤S501中描述的相对货款的百分比，服务器可以依据货款和额度系数之积得到具体的额度。本领域技术人员理解，步骤S502在额度系数的基础上还引入了变量参数，适于根据所述收入情况调整额度系数。

接下来，进入步骤S503，依据调整后的额度系数调整所述额度。具体地，服务器在实际计算过程中的实际适用所述额度系数是基于所述变量参数r与预设额度系数之积得到，然后通过得到的额度系数与货款之积得到调整后的实际额度。

最后，执行步骤S504，基于所述额度输出所述分期决策。具体地，服务器通过计算，将调整后得到的额度除以具体期数得到最终每期需要还款多少。

为了更好的理解第六具体实施例，下面结合表二举例说明：

表二为第二种分期决策方案

需要说明的是，在本实例中，风险评级为1～9级，等级越高，欺诈可能性越大。为1～9级，等级越高，违反约定的可能性越大。若所述客户端的风险评级和信用评级中有一/两项数值为9，则服务器决绝输出分期决策，并提示不宜适用分期付款方式进行结算。其中所述变量参数r值由所述收入情况与初始方案对应的每期付款数额比较得出。例如，所述用户端传输到服务器的待决策货款为10000元，且用户条件符合表二中的方案一，根据服务器计算得到的用户初始还款方案为500元/月。若用户每月收入n≥500，则r＝1，此时额度为6000元，服务器最终决策的用户还款方案为500元/月；若用户每月收n≤500，则r＝n/500，此时额度为(n/500)*60％*10000，服务器最终决策的用户还款方案为(n/500)*500元/月。例如n＝100时，此时额度为1200元，服务器最终决策的用户还款方案为100元/月。优选地，本领域技术人员理解，在方案一条件下，当用户的收入大于10000/12元/月时，系统可以决策输出备选方案，也即为用户输出可选择的零首付分期方案，结合表二。

实例五：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A待决策货款为10000元，每月收入为600元/月，基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为3，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为2。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级3属于风险要求阈值1～4的范围之内，及信用评级2属于信用要求阈值1～4范围之内，决策系统输出的匹配结果为符合方案一，则输出所述额度为6000元，服务器最终决策的用户还款方案为500元/月。

实例六：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A待决策货款为9000元，每月收入为300元/月，基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为3，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为6。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级3属于风险要求阈值1～4的范围之内，及信用评级6属于信用要求阈值5～8范围之内，决策系统输出的匹配结果为符合方案二，则输出所述额度为2700元，服务器最终决策的用户还款方案为300元/月。

实例七：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A待决策货款为9000元，每月收入为400元/月，基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为6，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为3。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级6属于风险要求阈值5～8的范围之内，及信用评级3属于信用要求阈值1～4范围之内，决策系统输出的匹配结果为符合方案三，则输出所述额度为3600元，服务器最终决策的用户还款方案为400元/月。

实例八：当服务器基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A待决策货款为6000元，每月收入为100元/月，基于所述反欺诈信息及调用的反欺诈模型申请反欺诈扫描以得到所述用户端A的风险评级为6，基于所述信用信息及调用的信用模型申请信用扫描以得到用户端A的信用评级为7。然后决策系统将所述风险评级及信用评级与分期决策中的风险要求阈值及信用要求进行匹配，得出用户端A的风险评级6属于风险要求阈值5～8的范围之内，及信用评级7属于信用要求阈值5～8范围之内，决策系统输出的匹配结果为符合方案四，则输出所述额度为600元，服务器最终决策的用户还款方案为100元/月。

需要注意的是，本领域技术人员可以根据表二提供的模型适应性的变化出更细的分期方案及备选方案，但决策系统仍然以数值匹配的方式进行数据处理。

应用例一、风控模型

参考图6，对照第一具体实施例，首先，获取所述用户端输入的分期请求，具体地，根据用户端输入的分期请求或外部触发获取目标用户的用户征信信息。商户在客户端确定、提交订单基本信息，具体参考图10、图11，包括姓名、手机号、身份证号、居住地等信息；然后，根据用户端输入的分期请求或外部触发获取目标用户的用户征信信息；接下来，系统对客户的所述征信信息进行判定，主要步骤包括互联网信息采集、反欺诈程序、决策引擎、评分卡和征信程序；最后，确认分期方案、贷后管理监控及催收策略选择，直到全部款项还清。

应用例二、业务流程

参考图7、图8，分期业务参与者主要有三个：用户端、商户端和系统端，业务流程主要分为两步，即分期方案确定和贷后流程执行。其中实线代表线上信息流，虚线代表资金流。

分期方案确定包括以下步骤：首先，用户端触发需求，场景过滤器，根据商户和贷款金额自动匹配场景，主要分为：(1)不定项贷款，即现金贷；(2)定向贷款，包括定向消费贷款、长租房贷款、汽车消费贷款、培训贷款和装修贷款；然后，用户端填写完整表单；接下来，系统端会根据用户端填写的信息进行前置反欺诈、身份认证、反欺诈引擎和决策引擎及评分模型等操作判断是否为该用户端提供分期策略建议，若否，则系统端结束操作，并将结果反馈；若是，则输出额度和利率；用户端接收到分期方案后，确定是否使用该方案，若否，则系统端结束操作，若是，则向系统端发送确认指令，系统端再向商户端发送确认指令；然后，商户端向用户端完成交付，同时，系统端判断是否商户自有资金放贷，若否，则商户端根据batch收到系统的款项；若是，则系统端收到默认支付成功的信息，并启动贷后监控流程。

贷后流程执行主要包括：贷后流程启动后，用户开始还款，系统端判断用户是否正常还款，若否，则系统端向用户端发送催收提醒，在收到催收提醒后，若正常还款则根据资金是否来自商户，区分根据batch收到系统端的用户还款(循环至结束)和资金方根据batch收到系统端的用户还款(循环至结束)。若后续没有正常还款，则采用低成本线下催收方法，催收不成则客户分群，催收策略差异化选择；若无异常，则判断资金是否来自商户，若是，则根据batch收到系统端的用户还款(循环至结束)。若否，则资金方根据batch收到系统端的用户还款(循环至结束)。

应用例三、反欺诈主要流程

参考图9，对应第四具体实施例，包括反欺诈信息预处理，进行反欺诈前置扫描以获得反欺诈扫描规则，将所述反欺诈扫描规则输入所述反欺诈模型以再次处理所述反欺诈信息，以输出扫描结果，对该扫描结果输出所述风险评级信息。具体地，通过收银台(API)将订单信息提交到订单系统，一方面订单信息传输到风控系统，风控系统经过数据预处理、反欺诈前置规则、反欺诈扫描、身份认证及反欺诈后置规则等程序，其中数据预处理包括数据收集、清洗、加工和格式化；反欺诈前置规则包括黑名单扫描、多头借贷扫描、团伙欺诈扫描、套现扫描、限额限次规则和业务政策规则；反欺诈扫描包括场景模型分类，涉及3C反欺诈模型、学生反欺诈模型、培训反欺诈模型、医美反欺诈模型及更多场景模型；身份认证及反欺诈后置规则包括身份三要素认证、银行三要素认证、身份二要素认证、账单认证等。然后，进入评分模型及决策系统，包括决策引擎、评分模型和定价策略。另一方面，订单系统和核心系统、支付系统及金融机构审批系统相连。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。