一种面向电商的在线信贷方法及系统

本发明涉及金融信贷技术领域，特别涉及一种面向电商的在线信贷方法及系统。

近年来，我国电子商务的快速发展取得了令人瞩目的成绩，保持着快速增长势头， 众多中小企业纷纷利用电子商务模式开拓市场渠道，提升企业销售额。2014年我国电子商 务服务企业直接从业人员超过250万人。由电子商务间接带动的就业人数，已超过2000万 人。到2015年电子商务服务企业直接从业人员规模达到265万人。电子商务行业日益成为拉 动我国消费需求、促进传统产业升级、发展现代服务业的重要引擎。

相较传统行业而言，因为电子商务平台存在较长的账期，对广大从事电商行业的 中小企业造成了较大的资金压力，资金成为困扰电商企业发展壮大的首要难题。长期以来， 我国银行传统信用借贷采用抵押、担保、质押等模式，对于轻资产的电商而言，由于缺少固 定资产质押很难从银行成功贷款。其次，电商企业的信用评估和额度确定一直是困扰信贷 行业的一个难题。此外，电商借贷具有频率高、资金周转快的特点，而银行贷款多是单笔授 信、单笔使用，多数不可循环，并且手续复杂、审批周期上、下款速度慢。

基于以上分析，可以看出，银行的传统信贷模型已经不能满足电商经营的需要。

在该情况下，不少电商转向民间借贷，一方面其合法性有待考虑，且风险高，另一 方面，其利率过高。

本发明的目的在于提供一种面向电商的在线信贷方法及系统，以解决现有的信贷 技术不能满足需要、风险高、效率低的问题。

为实现上述目的，本发明提供了一种面向电商的在线信贷方法，包括以下步骤：

S1：接收来自客户端的借贷申请，所述借贷申请携带有借贷人的身份信息、借贷期 限和期望贷款额度；

S2：根据借贷申请中的身份信息从各个电商平台中获取所述借贷申请对应的借贷 人名下所有店铺的店铺信息以及历史销售信息；

S3：根据所述店铺信息和历史销售信息对所述借贷申请进行回款风险评估，得到 评价结果，并根据所述评价结果确定是否可以放款，如是，进入步骤S4，如否，退出；

S4：根据所述评价结果，计算对所述借贷申请可放款的贷款额度；

S5：将所述贷款额度反馈给客户端，待接收到客户端的确认指令后进行贷款操作。

较佳地，所述步骤S3中，进行回款风险评估具体包括：

S31：根据公式确定开店时间T：T＝max{t1,t2,……,tN}，根据所述店铺信息中的开 店时间进行如下操作：当T

S32：确定n个店铺的销售增长率，包括：

S321：判断n个店铺中的每个店铺是否为有效参考对象；

S322：根据所有有效参考对象的历史销售信息统计月均增长率作为销售增长率

S323：判断是否成立，其中，为预设的增长率阈值，如是，返回拒绝放贷的评价结果，如否，执行步骤S33；

S33：统计所有有效参考对象的销售额之和得到累计销售额：

若所述累计销售额小于预设的累计销售额阈值，则返回拒绝放贷的评价结果；

否则，执行步骤S34；

S34：计算预定时间段内的销售总额作为近期销售总额，若所述近期销售总额小于 预设的近期销售额阈值，则返回拒绝放贷的评价结果，否则，返回同意放款的评价结果。

较佳地，所述步骤S3中，进行回款风险评估具体包括：

A.根据由所述店铺信息得到的开店时间、销售增长率和累计销售额计算回款因子 ε：

其中，T为开店时间，T_th1为第一预设时间阈值，为销售增长率，为销售增长率阈值，V为累计销售额，V_th为累计销售额阈值，S为预定时间段内的销售总额，S_th为预定时间段内的销售总额阈值；

B.根据所述回款因子ε的值确定是否放贷：

若ε＜εth，则返回拒绝放贷的评价结果；

否则，返回可以放贷的评价结果，εth为回款因子阈值。

较佳地，所述步骤S4中，计算贷款额度的方法具体包括以下步骤：

S41：获取借贷人的提现金额P1以及该借贷人的各个电商账户的可用余额P2；

S42：获取借贷人正在处理订单的订单详情，并根据订单详情计算所有订单的交易 额总额P3；

S43：预测借贷人在所述借贷期限内的销售额P4；

S44：根据如下公式计算贷款额度P：

其中，ωk为Pk对应的权重，k＝1,2,3,4，具体的：ω1、ω2、ω3、ω4分别为P1、P2、P3和 P4的权重。

较佳地，所述步骤S4中，计算贷款额度的方法具体包括以下步骤：

S41：获取借贷人的提现金额P1以及该借贷人的各个电商账户的可用余额P2；

S42：获取借贷人正在处理订单的订单详情，并根据订单详情计算所有订单的交易 额总额P3；

S43：预测借贷人在所述借贷期限内的销售额P4；

S44：根据如下公式计算贷款额度P：

其中，φ为回款因子ε的正则化结果，ωk为Pk对应的权重，k＝1,2,3,4，具体的： ω1、ω2、ω3、ω4分别为P1、P2、P3和P4的权重。

较佳地，计算所述交易额总额P3的方法包括以下步骤：

S421：确定当前正在处理订单的订单对应的商品种类，根据买家针对该种类商品 的退货率计算出当前订单的退货率；

S422：根据各个订单的退货率计算交易额总额P3：

其中，α_i为买家针对第i个订单的退货率，β_j为商品j所属商品类别的退货率，Sc_j为商品j的单价，为第i个订单的商品j的交易数量。

较佳地，预测所述销售额P4的方法包括以下步骤：

S431：获取所述借贷人在所述借贷期限内的营销预算；

S432：对所述历史销售信息按照所述借贷期限进行分期处理，并根据该借贷人在 贷款之前的历史销售信息确定回购率；

S433：根据所述历史销售信息的分期处理结果，针对每一期内的历史销售信息进 行分期统计，分别得到前l年同期的销售额和前s期的销售额，其中，l、s分别为预设的正整 数；

S434：基于所述营销预算、回购率、前l年同期的销售额和前s期的销售额形成待测 样本，将所述待测样本输入至预先构建的预测模型中，得到的输出为所述借贷期限内的销 售额P4。

较佳地，所述回购率为所述借贷期限之前成功购买两次及以上的用户数量与所有 成功购买的用户总数量的比值。

较佳地，所述预测模型的构建方法为：

获取所述历史销售信息形成训练集和测试集，每个样本包括所述借贷期限内的营 销预算及回购率，前l年同期的销售额，前s期的销售额；

将所述训练集的样本分为输入向量和输出变量，其中，根据预测需要的精度设置 训练集的个数；

以所述输入向量作为输入，所述输出变量为输出，训练BP神经网络；

并采用所述测试集对所述神经网络进行测试，将测试合格后的BP神经网络作为所 述预测模型。

本发明还提供了一种面向电商的在线信贷系统，包括：信息交互与控制单元，执行 接收来自客户端的贷款申请，并获取所述贷款申请中所携带的借贷人的身份信息、借贷期 限和期望贷款额度，以及向客户端反馈计算的贷款额度；

数据采集单元，执行根据所述借贷人的身份信息从各个电商平台中获取该借贷人 名下所有店铺的店铺信息以及历史销售信息；

回款风险评估单元，执行根据所述店铺信息和历史销售信息对所述贷款申请进行 回款风险评估，得到评价结果，并根据评价结果确定是否可以放款；

贷款额度计算单元，执行根据所述评价结果，计算对所述借贷申请可放款的贷款 额度。

本发明具有以下有益效果：

1)提供了一种面向电商的在线借贷系统和借贷模式，轻资产、无抵押，申请简单、 放款速度款；且整个流程能够完全在线自动化处理，无需人工干预；

2)仅仅根据历史销售数据(历史销售信息)进行回款风险评估，不需要提交其他信 息，相较于银行的传统放贷模式，大大简化了借贷流程，同时也能够有效的控制回款风险， 保证了放款方的利益；

3)可从不同维度计算得到贷款额度，综合考虑了放款方的汇款风险控制和借贷人 申请款额的关系。

图1为本发明方法整体流程图；

图2为实施例一的回款风险评估流程图；

图3为优选实施例的计算贷款额度的方法流程图；

图4为优选实施例的分期处理中期限划分示意图；

图5为优选实施例的BP神经网络模型示意图；

图6为本发明系统组成结构示意图。

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述 和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明 中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施 例，都属于本发明的保护范围。

为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的 解释说明，且各个实施例不构成对本发明实施例的限定。

实施例一

本实施例提供了一种面向电商的在线信贷方法，该在线信贷方法特别适用于面向 小额、短期贷款，额度在100万以内，借贷期限在半年内的借贷申请。则采用该方法进行信贷 申请处理时，如图1所示，具体包括以下步骤：

S1：接收来自客户端的借贷申请，所述借贷申请携带有借贷人的身份信息、借贷期 限和期望贷款额度；

S2：根据借贷申请中的身份信息从各个电商平台中获取所述借贷申请对应的借贷 人名下所有店铺的店铺信息以及历史销售信息；

S3：根据所述店铺信息和历史销售信息对所述借贷申请进行回款风险评估，得到 评价结果，并根据评价结果确定是否可以放款，如是，进入步骤S4，如否，退出；

S4：根据所述评价结果，计算对所述借贷申请可放款的贷款额度；

S5：将所述贷款额度反馈给客户端，待接收到客户端的确认指令后进行贷款操作。

实际应用时：在回款风险评估的评价结果为拒绝放贷时，则通过客户端反馈给借 贷人拒绝放贷信息；而在借贷系统计算得到贷款额度后，也将贷款额度通过客户端反馈给 用户，借贷人可以根据该贷款额度调整最终贷款额度，并反馈给借贷系统，并由借贷系根据 反馈统继续处理并完成放款。

参见图2所示，上述的步骤S3中，本实施例中，跟进开店时间、销售额增长率和销售 额进行回款风险评估，具体包括以下步骤：

S31：首先根据公式确定开店时间T：T＝max{t1,t2,……,tN}，然后再根据店铺信息 中的开店时间进行如下操作：判断T

S32：确定n个店铺的销售增长率，本步骤具体包括：

S321：判断n个店铺中的每个店铺是否为有效参考对象，具体为对第i个店铺，判断 ti≤Tth2是否成立，如是则第i个店铺为无效参考对象，如否则第i个店铺为有效参考对象， 在对n个店铺判断完毕后再执行S322，其中，这里的Tth2为第二预设时间阈值，为本领域技术 人员根据实际需要预设的时间阈值；

S322：根据所有有效参考对象的历史销售信息统计月均增长率作为销售增长率θ：

首先计算每个月的增长率，第r个月的月增长率θr：

其中，Mr为本月(即r月)所有有效参考对象的销售额之和，Mr-1为上月所有有效参 考对象的销售额之和；

然后对所有月增长率θr求平均值即可得到月均增长率；

S323：判断是否成立，其中，为预设的销售增长率阈值，如是，返回拒绝放贷的评价结果，如否，执行步骤S33；

S33：统计所有有效参考对象的销售额之和得到累计销售额：

若累计销售额小于预设的累计销售额阈值，则返回拒绝放贷的评价结果；

否则，执行步骤S34；

S34：计算预定时间段内的销售总额作为近期销售总额，若所述近期销售总额小于 预设的近期销售额阈值，则返回拒绝放贷的评价结果，否则，返回同意放款的评价结果。

上述各个中间参数对应的阈值(包括第一预设时间阈值、第二预设时间阈值、销售 增长率阈值、累计销售额阈值、近期销售额阈值等)预先根据应用需求设置，在实际应用过 程中，可根据应用需求调整。

再参考图3所示，上述的步骤S4中计算贷款额度的方法具体包括以下步骤：

S41：获取借贷人的提现金额P1以及该借贷人的各个电商账户的可用余额P2；

提现金额P1和可用余额P2可以由借贷人提供。在第三方支付平台或电商平台开放 权限时，还可以直接从第三方支付平台或电商平台获取，以保证数据的真实性和可靠性。

S42：获取借贷人正在处理订单的订单详情，并根据订单详情计算所有订单的交易 额总额P3；其中，订单详情中包括商品种类、订单的交易金额、买家信息和卖家信息；

S43：预测借贷人在所述借贷期限内的销售额P4；

S44：利用上述的提现金额P1、可用余额P2、交易额总额P3及借贷期限内的销售额 P4，根据如下公式计算贷款额度P为：

其中，ωk为Pk对应的权重，k＝1,2,3,4，具体的：ω1、ω2、ω3、ω4分别为P1、P2、P3和 P4的权重，本实施例中，ω1＝1，ω2＝1，ω3＝1，ω4＝0.9。实际应用时，ω1、ω2、ω3、ω4的取 值可以根据应用需求调整。

其中，上述的步骤S42中计算交易额总额P3的方法进一步地包括以下步骤：

S421：确定当前正在处理订单的订单对应的商品种类，根据买家针对该商品的退 货率计算出当前订单的退货率；

S422：根据各个订单的退货率计算交易额总额P3：

其中，α_i为买家针对第i个订单的退货率，β_j为商品j所属商品类别的退货率，Sc_j为商品j的单价，为第i个订单的商品j的交易数量。

而上述的步骤S43中，在进行预测销售额P4时，该步方法进一步包括以下步骤：

S431：获取所述借贷人在所述借贷期限内的营销预算；

S432：对所述历史销售信息按照所述借贷期限进行分期处理，并根据该借贷人在 贷款之前的历史交易记录(历史销售信息中包括了历史交易记录)确定回购率；

S433：根据所述历史销售信息的分期处理结果，针对每一期内的历史销售信息进 行分期统计，分别得到前两年同期的销售额和前4期的销售额；

S434：基于上述的营销预算、回购率、前两年同期的销售额和前4期的销售额形成 待测样本，将待测样本输入至预先构建的预测模型中，得到的输出为借贷期限内的销售额 P4。

本实施例中，步骤S432中的回购率为借贷期限之前成功购买两次及以上的用户数 量与所有成功购买的用户总数量的比值。

而步骤S432中的分期处理主要为：按照借贷期限，将所有历史数据按照时间进行 分类，针对每个时间区域内的销售额进行单独统计。称一个时间区域为一期，本实施例中的 一期指一个借贷期限，按照月份，以滑动窗口进行分期。举例说明，若该借贷期限为3个月 (分别为2017年8月、9月和10月)，则以3个月作为一期。期限划分示意图如图4所示。则步骤 S433中获取的前2年销售额分别表示为Yk1、Yk2。其中，Yk1表示2015年8月、9月和10月的销售 额，Yk2表示2015年8月、9月和10月的销售额。而步骤S433中获取的前4期销售额分别表示为 Xk-4，Xk-3，Xk-2，Xk-1。其中，Xk-1表示借贷期限前的第1期，对应于借贷期限第1个三个月：2017 年5月、6月及7月；Xk-2表示借贷期限前的第2期，对应于借贷期限第2个三个月：2017年4月、5 月及6月；Xk-3表示借贷期限前的第3期，对应于借贷期限第3个三个月：2017年3月、4月及5 月；Xk-4表示借贷期限前的第4期，对应于借贷期限第4个三个月：2017年2月、3月及4月。

根据以上描述，可以看出本实施例中的待测样本包括借贷期限内的营销预算Madk 以及回购率ηk，前两年同期的销售额Yk1、Yk2，前4期的销售额Xk-4，Xk-3，Xk-2，Xk-1。以向量形式 表示为：{Madk，ηk，Yk1，Yk2，Xk-4，Xk-3，Xk-2，Xk-1}。

本实施例中预先构建的预测模型根据历史销售信息的历史销售数据得到。本实施 例中采用的预测模型为BP神经网络模型，通过训练得到，该预测模型的构建方法为：

(1)获取历史销售信息形成训练集和测试集，每个样本包括所述借贷期限内的营 销预算及回购率，前两年同期的销售额，前4期的销售额；

(2)将训练集的样本分为输入向量和输出变量，表示如下：输入向量形式格式待测 样本相同，具体如下{Madk，ηk，Xk-4，Xk-3，Xk-2，Xk-1}，输出变量为Xk。以上述借贷期限为2017年8 月、9月和10月为例进行说明，Madk为8～10月的营销预算，ηk为2017年8月份之前的历史回购 率，Yk1，Yk2分别为2015年和2016年的8～10月销售额，Xk-4，Xk-3，Xk-2，Xk-1，Xk分别为相应期限 内的销售额。其中，根据预测需要的精度设置训练集的个数，通常为25～100个；

(3)以上述的输入向量作为输入，输出变量为输出，训练BP神经网络；

(4)并采用上述的测试集对BP神经网络进行测试，将测试合格后的BP神经网络作 为预测模型。

需要说明的是，为进一步提高准确率，在数据量足够多的情况下，还可以增加如下 输入项，如借贷期限前的第5期的销售额，借贷期限前的第6期的销售额，借贷期限前的第3 年的同期销售额等中的至少一项。

相反，针对开店时间不长的店铺，由于历史销售数据不足，也可以相应的减少输入 项，如借贷期限前的第2年的同期销售额，此时，输入向量为{Madk，ηk，Yk1，Xk-4，Xk-3，Xk-2， Xk-1}。基于上述例子，Yk2为2016年的7～9月销售额。

需要注意的是，在训练集和测试集中的样本增加或减少输入项的时候，意味着作 为预测模型的神经网络中输入层的结点数量进行相应的增加或减少；相应的，在预测P4时， 待测样本中也需要增加或减少相应的信息项。

则以上述的各个训练样本中的输入向量作为输入，以输出变量作为输出，训练BP 神经网络，得到的训练好的BP神经网络即为预测模型。

如图5所示，该BP神经网络包括输入层、输出层和隐藏层，具有5个输入结点、1个输出结点和6个隐结点，各层结点之间的作用函数为：型函数。

上下层之间各个神经元实现全连接，下层的每个结点与上层每个结点都实现全连 接，而每层各个结点之间无连接。

此外，上述的步骤S433中，进行分期统计时，得到的销售额的年数不限于前两年， 还可以为前3年、前4年等若干年(以l表示年数)的同期销售额，同理，期数也不限于前4期， 也可根据需要设为前5期、前6期等若干期(以s表示年数)的销售额，本领域技术人员可根据 需要设置l、s的值，其中，l、s分别为预设的正整数。相应地，后续进行预测模型的构建时，采 用与l、s的值对应的销售额进行模型建立。

实施例二

本实施例除以下内容与实施例一有所区别外，其余部分内容均与实施例一的内容 相同，相同部分内容不再赘述，下面对本实施例的不同之处作详细说明，具体如下：

本实施例中，上述的步骤S3中进行回款风险评估的方法与上述优选实施例的方法 不同，本实施例的回款风险评估的过程具体包括以下两个步骤：

A.根据由上述的店铺信息得到的开店时间、销售增长率和累计销售额计算回款因 子ε：

其中，T为开店时间，T_th1为第一预设时间阈值，为销售增长率，为销售增长率阈值，V为累计销售额，V_th为累计销售额阈值，S为近期(预定时间段)销售总额，S_th为近期(预定时间段)销售总额阈值；

B.根据所述回款因子ε的值确定是否放贷：

若ε＜εth，则返回拒绝放贷的评价结果；

否则，返回可以放贷的评价结果，其中，εth为回款因子阈值。

则上述的S44中，利用上述的提现金额P1、可用余额P2、交易额总额P3及借贷期限内 的销售额P4，根据如下公式计算贷款额度P为：

其中，φ为回款因子ε的正则化结果。具体地，本实施例中，根据如下公式对回款因 子ε进行正则化：

其中，[εmin,εmax]为ε的取值分布区间，εmax为回款因子ε的最大值，εmin为回款因子ε 的最小值，[εm′in,εm′ax]为对ε正则化后的期望取值分布区间。

这里ε的取值分布区间[εmin,εmax]可以采用统计学方法获取，对大量数据进行统计 得到。

而对ε正则化后的期望取值分布区间[εm′in,εm′ax]预先设定，可根据实际应用情况 进行调整。

在另一变形的实施例中，实施例二中进行贷款额度的计算时，也可采用如实施例一种所示的步骤S41～S44进行贷款额度的计算，也即，步骤S3中进行回款风险评估的方法为采用回款因子的方式，而计算贷款额度时，不必利用回款因子，直接按式计算得到即可。其余部分与实施例一的实施方式相同。

本领域技术人员可根据需要选择上述的任意一种回款风险评估的方法，及对应的 贷款额度计算方式。

如图6所示，对应于上述的方法，本实施例还提供了一种面向电商的在线信贷系统 620，该系统620包括：

信息交互与控制单元621，执行接收来自客户端的贷款申请的操作，并获取该贷款 申请中所携带的借贷人的身份信息、借贷期限和期望贷款额度，以及在系统620计算得到贷 款额度后，将系统620计算的贷款额度反馈给发送了贷款申请的客户端，以便向用户反馈申 请结果；

数据采集单元622，执行根据借贷人的身份信息从电商平台630中的各个电商平台 处获取该借贷人名下所有店铺的店铺信息以及历史销售信息；

回款风险评估单元623，执行根据上述的店铺信息和历史销售信息对借款人的贷 款申请进行回款风险评估，得到评价结果，并根据评价结果确定是否可以放款；

贷款额度计算单元624，执行根据上述的评价结果，计算对借贷申请可放款的贷款 额度。

参考图6，用户(也即借贷人)利用该系统620进行借贷时，用户通过客户端610输入 贷款申请，并由客户端将该贷款申请转发给系统620，系统620接收到来自客户端610的借贷 申请后，根据借贷人在各个电商平台的店铺信息进行回款风险评估，并根据风险评估结果 计算贷款额度，并反馈给客户端610。其中，客户端可根据需要设为多个(图6中仅示出3个客 户端分别为客户端611～613)，借款系统620与电商平台630进行数据交互，电商平台630包 括m个电商平台，分别为电商平台1～m。

该方法及系统面向电商提供在线借贷，通过在电商支付平台嵌入本发明的在线借 贷系统，电商能够很方便的在线提出贷款申请。且对于放款方而言，能够根据商户(电商)的 历史销售数据对回款风险进行评估，并基于未来一段时间内商户店铺的销售数据预测以及 商户在电子商务平台中的流动资金确定放款额度，一方面直接借助电商平台和支付平台对 商户身份信息的审核和监控而不再单独进行身份审核，更重要的是，能够快速根据从电商 平台获取的商户信息快速评估回款风险，计算出可贷款额度并下放贷款，整个借贷处理过 程均不需要人工干预，大大缩短了放款时间，节省了人力审核评估成本。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何 本领域的技术人员在本发明揭露的技术范围内，对本发明所做的变形或替换，都应涵盖在 本发明的保护范围之内。因此，本发明的保护范围应以所述的权利要求的保护范围为准。