CN103124984A - 操作风险分析服务器和操作风险分析系统 - Google Patents
操作风险分析服务器和操作风险分析系统 Download PDFInfo
- Publication number
- CN103124984A CN103124984A CN2011800459106A CN201180045910A CN103124984A CN 103124984 A CN103124984 A CN 103124984A CN 2011800459106 A CN2011800459106 A CN 2011800459106A CN 201180045910 A CN201180045910 A CN 201180045910A CN 103124984 A CN103124984 A CN 103124984A
- Authority
- CN
- China
- Prior art keywords
- pattern
- phenomenon
- risk
- extremely
- packages
- 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
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
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种操作风险分析服务器和操作风险分析系统。在从数据库(4)中存储的操作风险事象中提取有频出增加倾向的事象发生原因时,提取对象不限于特定的事象发生原因的组合,可以不依赖于事象发生原因的操作量,而根据相对于该事象发生原因以外的相对的多少来提取,进而可以从有频出增加倾向的事象发生原因的组合深入提取有频出增加倾向的事象发生原因。分析服务器(1)对于出现频度为最小频度阈值以上的事象发生原因的组合模式,如果模式的风险事象件数相比操作量、或者以少数项目数异常提取出的模式的风险事象件数,显著地多于显著水准阈值以下,则提取该事象发生原因的组合模式。
Description
技术领域
本发明涉及从在数据库中存储的操作风险事象中提取有频出增加倾向的事象发生原因的操作风险分析服务器和操作风险分析系统。
背景技术
在金融机构迅速掌握作为事务处理的错误的事务事故、或作为来自顾客的申诉的不满意见等并进行应对的操作风险管理是必须的。
因此,将发生的事务事故、不满意见等内容作为操作风险事象登录到数据库中。例如,作为事象发生原因,将存储了事务事故发生的年、月、店以及事务处理的种类/工序的操作风险事象表存储在数据库中。并且,希望通过从在数据库中存储的操作风险事象中提取有频出增加倾向的事象发生原因,来掌握操作风险的要采取对策的点。
专利文献1中记载的技术,例如通过“A分店的汇兑业务的汇款操作的取消率相对于预定的基准为不良值,并且相对于其它店的汇兑业务的汇款操作的取消率为30%以上高的值”这样的比较,来提取事象发生原因。即,关于特定的事象发生原因的组合“汇兑业务的汇款操作的取消率”,通过相对于“预定的基准”这样的基准值、“相对于其它店30%以上”这样的固定值的比较来提取事象发生原因。
现有技术文献
专利文献
专利文献1:日本特开2010-165384号公报
发明内容
发明要解决的课题
但是,在专利文献1中记载的技术中,在从数据库中存储的操作风险事象中提取有频出增加倾向的事象发生原因时,存在如下问题点:提取对象被限定在特定的事象发生原因的组合;容易提取出操作量多的事象发生原因;无法从有频出增加倾向的事象发生原因的组合进一步深入提取有频出增加倾向的事象发生原因。
提取对象被限定于特定的事象发生原因的组合是因为需要针对事象发生原因的每个组合设定作为提取条件的基准值、固定值。
例如,对于“汇兑业务的汇款操作的订正率”为“相对于其它店30%以上”,需要将“汇兑业务的汇款操作的取消率”设定为“相对于其它店20%以上”。
容易提取出操作量多的事象发生原因是因为作为提取条件的基准值没有考虑事象发生原因发生的容易性。
例如,在“A分店”是比“其它店”规模大,操作量多的店的情况下,与规模成比例,“汇兑业务的汇款操作的订正或取消”也容易增加,因此容易提取出“A分店”。
无法从有频出增加倾向的事象发生原因的组合中进一步深入提取有频出增加倾向的事象发生原因是因为没有针对每次增加事象发生原因的组合的项目数来设定提取条件。
例如,如果将“汇兑业务的汇款操作的订正率”设定为“相对于其它店30%以上”,将“汇兑业务的汇款操作的GPT终端的订正率”设定为“相对于其它店50%以上”,则关于有频出增加倾向的事象发生原因的组合,相比于“汇兑业务的汇款操作的订正率”能够进一步深入提取有频出增加倾向的事象发生原因“GPT”终端。
但是,如果针对每次增加事象发生原因的组合的项目数设定条件,则提取条件过多,并不现实。
本发明的目的在于:提供一种操作风险分析服务器和操作风险分析系统,其在从数据库中存储的操作风险事象中提取有频出增加倾向的事象发生原因时,能够不将提取对象限定于特定的事象发生原因的组合,不依赖于事象发生原因的操作量,与相对于该事象发生原因以外的相对的多少来提取,能够从有频出增加倾向的事象发生原因的组合进一步深入提取有频出增加倾向的事象发生原因。
用于解决课题的手段
为了达到上述目的,本发明的操作风险分析服务器的特征在于,具备:存储单元,其对存储了由多个事项发生原因构成的操作风险事象的操作风险事象表进行存储;以及异常频出模式提取单元,其进行从所述操作风险事象表中提取出现频度高的事象发生原因的组合模式的分组分析,如果包含所述组合模式的第一项目的事象发生原因的风险事象件数显著地比包含该事象发生原因以外的风险事象件数多,则进行提取所述组合模式而作为异常频出模式的适合度检验。
优选本发明的操作风险分析服务器的特征在于,
所述存储单元对针对各事象发生原因存储了操作量的操作量表进行存储,
如果包含所述组合模式的第一项目的事象发生原因的风险事象件数比包含该事象发生原因以外的风险事象件数显著地多、且所述组合模式的风险事象件数比操作量显著地多,则所述异常频出模式提取单元提取所述组合模式作为异常频出模式。
优选本发明的操作风险分析服务器的特征在于,
如果包含所述组合模式的第一项目的事象发生原因的风险事象件数比包含该事象发生原因以外的风险事象件数显著地多、并且所述组合模式的风险事象件数比少数项目数的模式的风险事象件数显著地多,则所述异常频出模式提取单元提取所述组合模式作为异常频出模式。
优选本发明的操作风险分析服务器的特征在于,
如果包含所述组合模式的第一项目的事象发生原因的风险事象件数比包含该事象发生原因以外的风险事象件数显著地多、并且所述组合模式的风险事象件数比以少数项目数提取出的模式的风险事象件数显著地多,则所述异常频出模式提取单元提取所述组合模式作为异常频出模式。
优选本发明的操作风险分析服务器的特征在于,
所述异常频出模式提取单元根据对所述组合模式的项目数的每个、且对所述少数项目数的模式的异常提取的有无的每个而不同的显著水准阈值,进行将所述组合模式作为异常频出模式来提取的适合度检验。
有效本发明的操作风险分析服务器的特征在于,
具备:异常频出模式列表生成单元,其生成各行是各所述异常频出模式、各列是所述异常频出模式的各项目的事象发生原因的异常频出模式列表。
优选本发明的操作风险分析服务器的特征在于,
具备:异常频出模式树生成单元,其将所述异常频出模式从第一项目开始顺序地针对各相同项目的相同事象发生原因进行汇集,由此生成层次化的异常频出模式树。
另外,本发明的操作风险分析系统的特征在于,
具备:上述的操作风险分析服务器;以及
为了调节所述异常频出模式的提取量而显示作为选项的程度的输入画面的客户机终端,
所述异常频出模式提取单元根据与所述程度对应的显著水准阈值,进行提取所述组合模式而作为异常频出模式的适合度检验。
另外,本发明的操作风险分析服务器的特征在于,
具备:存储单元,其对存储了由多个事象发生原因构成的操作风险事象的操作风险事象表进行存储;以及
异常增加模式提取单元,其进行从所述操作风险事象表提取出现频度高的事象发生原因的组合模式的分组分析,如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多,则进行提取所述组合模式而作为异常增加模式的适合度检验。
优选本发明的操作风险分析服务器的特征在于,
所述存储单元对针对各事象发生原因存储了之前期间和当前期间的操作量的操作量表进行存储,
所述异常增加模式提取单元如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多、并且所述组合模式的风险事象件数比操作量显著地多,则提取所述组合模式作为异常增加模式。
优选本发明的操作风险分析服务器的特征在于,
所述异常增加模式提取单元如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多、并且所述组合模式的风险事象件数比少数项目数的模式的风险事象件数显著地多,则提取所述组合模式作为异常增加模式。
优选本发明的操作风险分析服务器的特征在于,
所述异常增加模式提取单元如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多、并且所述组合模式的风险事象件数比以少数项目数提取出的模式的风险事象件数显著地多,则提取所述组合模式作为异常增加模式。
优选本发明的操作风险分析服务器的特征在于,
所述异常增加模式提取单元根据对所述组合模式的项目数的每个、且对所述少数项目数的模式的异常提取的有无的每个都不同的显著水准阈值,进行提取所述组合模式而作为异常增加模式的适合度检验。
优选本发明的操作风险分析服务器的特征在于,
具备:异常增加模式列表生成单元,其生成各行是各所述异常增加模式、各列是所述异常增加模式的各项目的事象发生原因的异常增加模式列表。
优选本发明的操作风险分析服务器的特征在于,
具备:异常增加模式树生成单元,其将所述异常增加模式从第一项目开始顺序地针对相同项目的相同事象发生原因进行汇集,由此生成层次化的异常增加模式树。
另外,本发明的操作风险分析系统,其特征在于,
具备:上述的操作风险分析服务器;以及
为了调节所述异常增加模式的提取量而显示作为选项的程度的输入画面的客户机终端,
所述异常增加模式提取单元根据与所述程度对应的显著水准阈值,进行将所述组合模式作为异常增加模式来提取的适合度检验。
发明效果
根据本发明,在从数据库中存储的操作风险事象中提取有频出增加倾向的事象发生原因时,不将提取对象限定在特定的事象发生原因的组合,不依赖于事象发生原因的操作量,能够根据相对于该事象发生原因以外的相对的多少来提取事象发生原因,能够从有频出增加倾向的事象发生原因的组合中进一步深入提取有频出增加倾向的事象发生原因。
附图说明
图1是表示本发明的实施方式的操作风险分析系统的结构的一例的图。
图2是表示操作风险分析系统中的处理的流程的一例的图。
图3是表示操作风险事象表的一例的图。
图4是表示操作量表的一例的图。
图5是表示阈值输入画面的一例的图。
图6是表示阈值变换表的一例的图。
图7是表示异常模式提取处理的一例的图。
图8是表示异常频出模式提取且模式的项目数为1时的适合度检验的分割表的图。
图9是表示异常频出模式提取且模式的项目数为2时的适合度检验的分割表的图。
图10是表示异常频出模式提取且模式的项目数为3时的适合度检验的分割表的图。
图11是表示异常增加模式提取且模式的项目数为1时的适合度检验的分割表的图。
图12是表示异常增加模式提取且模式的项目数为2时的适合度检验的分割表的图。
图13是表示异常增加模式提取且模式的项目数为3时的适合度检验的分割表的图。
图14是表示在基于卡方适合度检验以及一般化的卡方适合度检验中使用的计算方法的p值的计算的一例的图。
图15是表示基于在费雪的准确概率检验中使用的计算方法的p值的计算的一例的图。
图16是表示异常频出模式列表的一例的图。
图17是表示异常增加模式列表的一例的图。
图18是表示异常频出树的一例的图。
图19是表示异常增加模式树的一例的图。
具体实施方式
以下,参照附图说明本发明的实施方式的操作风险分析系统。
图1是表示本发明的实施方式的操作风险分析系统的结构的一例。
本发明的实施方式的操作风险分析系统由作为操作风险分析服务器而发挥作用的分析服务器1和客户机终端2构成。分析服务器1和客户机终端2可以经由网络2相互通信。
分析服务器1是具备CPU(Central Processing Unit:中央处理单元)11、存储器12、存储装置13和网络通信装置14的计算机。CPU11、存储器12、存储装置13和网络通信装置14通过数据总线连接。
存储器12由RAM(Random Access Memory)、ROM(Read Only Memory)等构成。
存储装置13由硬盘装置、光磁盘装置等构成。分析服务器1的存储装置存储操作风险分析程序15和数据库4。在数据库4中存储操作风险事象表5和操作量表6。
分析服务器1的CPU11通过将存储风险分析程序15从存储装置13读入到存储器12来执行存储风险分析程序15,实现异常频出模式提取部151、异常频出模式列表生成部152、异常频出模式树生成部153、异常增加模式提取部154、异常增加模式列表生成部155和异常增加模式树生成部156的各功能。
网络通信装置14经由网络3与客户机终端2进行数据收发。
客户机终端2是具备CPU21、存储器22、存储装置23、显示装置24、输入装置25和网络通信装置26的计算机。CPU21、存储器22、存储装置23、示装置24、输入装置25和网络通信装置26通过数据总线连接。
图2表示操作风险分析系统中的处理的流程的一例。
客户机终端2当从输入装置25向在显示装置24中显示的阈值输入画面中输入阈值时,将阈值发送到分析服务器1。分析服务器1接收阈值(S101)。
异常频出模式提取部151最初进行异常模式提取处理中的异常频出模式提取情况下的处理。异常频出模式提取部151将阈值作为输入,参照操作风险事象表5和操作量表6,提取异常频出模式(S102)。
异常频出模式列表生成部152针对提取出的异常频出模式,生成各行是异常频出模式、各列是异常频出模式的各项目的事象发生原因的异常频出模式列表(S103)。
异常频出模式树生成部153针对异常频出模式列表,将异常频出模式从第一项目开始按顺序针对各相同项目的相同事象发生原因进行汇集,由此层次化,生成异常频出模式树(S104)。
异常增加模式提取部154接着进行异常模式提取处理中的异常增加模式提取情况下的处理。异常增加模式提取部154将阈值作为输入,参照操作风险事象表5和操作量表6,提取异常增加模式(S105)。
异常增加模式列表生成部155针对提取出的异常增加模式,生成各行是异常增加模式、各列是异常增加模式的各项目的事象发生原因的异常增加模式列表(S106)。
异常增加模式树生成部156针对异常增加模式列表,将异常增加模式从第一项目开始按顺序针对各相同项目的相同事象发生原因进行汇集,由此层次化,生成异常增加模式树(S107)。
分析服务器1向客户机终端2发送异常频出模式列表和异常增加模式列表,或者异常频出模式树和异常增加模式树(S108)。
然后,客户机终端2当从分析服务器1接收到异常频出模式列表和异常增加模式树,或者异常频出模式树和异常增加模式树时,将其显示在显示装置24上。
另外,分析服务器1可以在最初进行异常增加模式提取的情况下的处理,然后进行异常频出模式提取的情况下的处理。
此外,分析服务器1也可以仅进行异常频出模式提取的情况下的处理,向客户机终端2发送异常频出模式列表或者异常频出模式树。在这种情况下,客户机终端2当从分析服务器1接收了异常频出模式列表或者异常频出模式树时,将其显示在显示装置24上。
另外,分析服务器1可以仅进行异常增加模式提取的情况下的处理,向客户机终端2发送异常增加模式列表或者异常增加模式树。在这种情况下,客户机终端2当从分析服务器1接收了异常增加模式列表或者异常增加模式树时,将其显示在显示装置24上。
图3表示数据库4中存储的操作风险事象表5的一例。
操作风险事象表5中存储发生的事务事故或不满意见等内容。例如,图3的操作风险事象表5,作为事象发生原因,存储事务事故发生的年、月、店以及事务处理的种类、工序。
图4表示在数据库4中存储的操作量表6的一例。
在操作量表6中,针对操作风险事象表5的每个事象发生原因,存储事象发生原因的项目名和原因名以及过去一定期间(之前期间)和最近一定期间(当前期间)发生的操作量。例如,图4的操作量表6针对事务事故发生的月、店以及事务处理的种类、工序的每个存储在2008年(之前期间)和2009年(当前期间)发生的事务处理的件数。但是,作为操作量,也可以存储各店的账户总数、存款总余额这样的被认为与操作量大致成比例的值。
以下表示在分析服务器1执行的异常模式提取处理中使用的与事象发生原因有关的常数。
将事象发生原因的N个项目设为A[i],其中,1≤i≤N。在图3和图4的例子中,为N=4、A[1]=“发生月”、A[2]=“发生店”、A[3]=“事故种类”、A[4]=“原因工序”。
将项目的索引集合设为AI={i|1≤i≤N}。在图3和图4的例子中,AI={1,2,3,4}。
属于项目A[i]的N[i]个的事象发生原因设为B[i][j],其中,1≤j≤N[i]。在图3和图4的例子中,属于项目A[1]=“发生月”的N[1]=12个事象发生原因是B[1][1]=“1月”、B[1][2]=“2月”、…B[1][12]=“12月”。此外,属于项目A[2]=“发生店”的N[2]=26个事象发生原因是B[2][1]=“A店”、B[2][2]=“B店”、…B[2][26]=“Z店”。
将属于项目A[i]的原因的索引集合设为BI[i]={j|1≤j≤N[i]}。在图3和图4的例子中,属于项目A[1]=“发生月”的原因的索引集合是BI[1]={1,2,…,12}。另外,属于项目A[2]=“发生店”的原因的索引集合是BI[2]={1,2,…,26}。
以下表示在分析服务器1执行的异常模式提取处理中使用的针对数据库4的操作函数。
分析服务器1从在数据库4中存储的操作风险事象表5取得包含事象发生原因的组合的集合X的数据件数。其中,如果X=φ(空集合),则取得全部数据件数。
将当前期间的操作风险分析事象数据件数设为FCI(X),将之前期间的操作风险分析事象数据件数设为FPI(X)。在图3和图4的例子中,FCI()=8380,FCI(B[1][1])=651,FCI(B[1][1]∪B[2][1])=27,FPI()=7944,FPI(B[1][1])=705,FPI(B[1][1]∪B[2][1])=35。
分析服务器1从在数据库4中存储的操作量表6中取得与事象发生原因X对应的操作量。其中,如果X=φ(空集合),则在后述的异常模式提取处理打步骤4的适合度检验中取得属于项目A[i]的全部事象发生原因B[i][k]所对应的操作量的总和,其中,1≤k≤N[i]。
将当前期间的操作量设为FC0(X),将之前期间的操作量设为FP0(X)。在图3和图4中,当设i=1时,FC0(φ)Σ(1≤k≤N[i])FC0(B[i][k])=28302+...+52546、FC0(B[1][1])=28302、FP0(φ)Σ(1≤k≤N[i])FP0(B[i][k])=30479+...+49016、FP0(B[1][1])=30479。
图5表示客户机终端2在显示装置上显示的阈值输入画面的一例。
客户机终端2在显示装置的阈值输入画面中输入模式项目数阈值和最小频度阈值和各显著水准阈值时,向分析服务器1发送这些阈值。
图5的阈值输入画面是具备能够直接输入模式项目数阈值、最小频度阈值和各显著水准阈值的文本框、和从以下拉菜单形式显示的候选中分别选择异常提取灵敏度程度和异常提取深入程度的复选框的画面。如参照图6以后说明那样,通过选择异常提取灵敏度程度和异常提取深入程度,能够自动输入最小频度阈值和各显著水准阈值。
通过各阈值,指定用于从操作风险事象中提取作为有频出增加倾向的事象发生原因的组合模式的异常模式的条件。另外,在异常模式中有异常频出模式和异常增加模式两类。
通过模式项目数阈值TPN,指定为了成为异常模式,而包含在模式中的事象发生原因的组合的项目数为几个项目。例如,如果模式项目数阈值TPN=3,则指定3个项目以下。
通过最小频度阈值TF,指定为了成为异常模式,模式的出现频度为几件以上。例如,如果最小频度阈值TF=5,则指定5件以上。
通过显著水准阈值TPV,指定为了成为异常模式,模式的p值为多少以下。所谓p值是通过后述的适合度检验计算模式的风险事象件数以怎样程度的概率多所得的值。例如,如果显著水准阈值TPV=0.10,则指定p值为0.10以下,即模式的风险事象件数变得更多的概率为10%以下。
但是,针对模式中包含的事象发生原因的组合的项目数PN(1≤PN≤TPN)的每个且针对少数项目数的模式的异常提取的有无PF[n](1≤n≤PN,异常有PF[n]=true,异常无PF[n]=false)的每个来指定显著水准阈值TPV。例如,在模式项目数阈值为3的情况下,模式项目数为1时和模式项目数为2时,针对第一项目的异常有无的每个来指定显著水准阈值,在模式项目数为3的情况下,针对第一项目的异常有无和第二项目的异常有无的每个来指定显著水准阈值。
另外,针对组合模式,所谓少数项目数的模式是事象发生原因的组合的项目数比该组合模式少的模式。
图6表示在客户机终端2的存储装置中存储的阈值变换表的一例。
阈值变换表被存储在客户机终端2的存储装置中。在阈值变换表中存储异常提取灵敏度程度以及异常提取深入程度和最小频度阈值以及各显著水准阈值的对应关系。在图6中表示模式项目数阈值为3的情况并且异常提取灵敏度程度以及异常提取深入程度的各自的程度中,作为两个选项有“少量提取”和“多量提取”的情况下的例子。
用户通过图5的阈值输入画面的异常提取灵敏度程度和异常提取深入程度的复选框来选择用于调节异常模式的提取量的条件。客户机终端2当在阈值输入画面中选择异常提取灵敏度程度和异常提取深入程度时,从阈值变换表中取得与各个程度对应的最小频度阈值和各显著水准阈值,在文本框中对它们进行设定。
针对异常提取灵敏度程度,在选择了“少量提取”的情况下,与选择了“多量提取”的情况相比,在全部的显著水准阈值中设定更小的值。由此,能够调节后述的异常模式树的层次构造的横向的提取量。
针对异常提取深入程度,在选择了“少量提取”的情况下,与选择了“多量提取”的情况相比,在最小频度阈值中设定更大的值,在少数项目数的异常提取为有的情况的显著水准阈值中设定更小的值。由此,能够调节异常模式树的层次构造的纵向的提取量。
另外,在少数项目数的异常提取为有的情况下,与无的情况相比,在显著水准阈值中存储更大的值。由此,在异常模式提取处理中,当增加了异常模式的项目数时,能够容易地进行异常提取。
图7是表示分析服务器1(异常频出模式提取时为异常频出模式提取部151和异常频出模式列表生成部152,在异常增加模式提取时为异常增加模式提取部154和异常增加模式列表生成部155)执行的异常模式提取处理的一例。
其中,异常频出模式提取部151或异常增加模式提取部154执行的是异常模式提取处理中的步骤4的适合度检验的“向异常模式列表中追加作为异常模式的模式的事象发生原因的组合“PA[n]=PB[n]”(1≤n≤PN)”的处理以外的处理。
另外,异常频出模式列表生成部152或者异常增加模式列表生成部155执行的是异常模式提取处理中的步骤4的适合度检验的“向异常模式列表中追加作为异常模式的模式的事象发生原因的组合“PA[n]=PB[n]”(1≤n≤PN)”的处理。
分析服务器1当从客户机终端2接收到模式项目阈值、最小频度阈值以及各显著水准阈值时,分为异常频出模式提取和异常增加模式提取的情形,单独地执行异常模式提取出来,参照操作风险事象表5,生成图16所示的异常频出模式列表和图17所示的异常增加模式列表。
在步骤1的变量的初始化中,执行以下的处理。
设事象发生原因的模式的项目数为PN=0。设事象发生原因的模式的项目的索引集合为PAI=φ。
在步骤2的分组分析中,执行以下的处理。
进一步向模式中追加了事象发生原因时的操作风险事象数据件数如果为最小频度阈值以上(FCI((∪(1≤n≤PN)PB[N])∪B[i][j]≥TF),则执行步骤3以后的处理。
进一步向模式中追加了事象发生原因时的操作风险事象数据件数如果不足最小频度阈值(FCI((∪(1≤n≤PN)PB[N])∪B[i][j]<TF),则结束处理。
在步骤3的向模式追加事象发生原因的处理中,执行以下处理。
使模式的项目数增加(PN=PN+1)。
在模式的项目的索引集合中追加事象发生原因所属的项目的索引(PAI=PAI∪{i})。
将模式的第PN项目的项目设为PA[PN]=A[i]。
将模式的第PN项目的事象发生原因设为PB[PN]=B[i][j]。
在步骤4的适合度检验中,执行以下的处理。
根据模式的项目数PN和模式的异常有无标志PF[n](1≤n≤PN-1),生成分割表,计算p值PV[i][j],取得显著水准阈值TPV。
如果p值为显著水准阈值以下(PV[i][j]≤TPV),则将模式的异常有无标志设为异常有PF[PN]=true,在异常模式列表中追加作为异常模式的模式的事象发生原因的组合“PA[n]=PB[n]”(1≤n≤PN)。
如果p值超过显著水准阈值(PV[i][j]>TPV,则将模式的异常有无标志设为异常无PF[PN]=false。
在步骤5的模式的项目数的制约条件检查中,执行以下的处理。
如果模式的项目数步骤模式项目数阈值(PN<TPN),则返回步骤2,递归地执行异常模式提取处理。
关于步骤4中的分割表的生成,分为异常频出模式提取和异常增加模式提取,根据事象发生原因的模式的项目数PN进行说明。
其中,p值的计算,根据在卡方适合度检验或者一般卡方适合度检验或者费雪的正确概率检验中使用的计算方法,计算分割表的第一行第一列的模式的风险事象件数变得更多的概率。
图8表示异常频出提取且模式的项目数PN为1时的适合度检验的分割表。
第一行是模式的风险事象件数FCI(PB[1])及其期待值FCI(φ)×(FC0(PB[1])÷FC0(φ))。
第二行是包含属于模式的第一项目的项目的事象发生原因PB[1]以外的风险事象件数FCI(φ)-FCI(PB[1])及其期待值FCI(φ)×((FC0(φ)-FC0(PB[1]))÷FC0(φ))。
第一列是风险事象件数。
第二列是风险事象件数的期待值,期待值是与操作量的比例成正比的值。
基于图8的分割表,检验模式的第一项目的事象发生原因的风险事象件数是否比该事象发生原因以外的风险事象件数显著地多,并且模式的风险事象件数比与操作量的比例成正比的期待值显著地多。
图9表示异常频出模式提取并且模式的项目数为2时的适合度检验的分割表。
第一行是模式的风险事象件数FCI(PB[1]∪PB[2])及其期待值FCI(PB[2])×(FCI(PB[1])÷FCI(φ))。
第二行是包含属于模式的第一项目的项目的事象发生原因PB[1]以外且第二项目的事象发生原因PB[2]的风险事象件数FCI(PB[2])-FCI(PB[1]∪PB[2])及其期待值FCI(PB[2])×((FCI(φ)-FCI(PB[1]))÷FCI(φ))。
第一列是风险事象件数。
第二列是风险事象件数的期待值,期待值是成为比较对象的少数项目数的模式,即与项目数为1时的模式的风险事象件数的比例成正比的值。
通过和与少数项目数的模式的风险事象件数的比例成正比的期待值进行比较,从少数项目的模式进一步提取有频出倾向的模式。
基于图9的分割表,检验包含模式的第一项目的事象发生原因的风险事象件数是否比包含该事象发生原因以外的风险事象件数显著地多,并且模式的风险事象件数是否比与少数项目的模式的风险事象件数的比例成正比的期待值显著地多。
然后,关于异常频出模式提取且模式的项目数为3以上时的适合度检验,说明模式的项目数为3的情形。图10表示异常频出模式提取且模式的项目数为3时的适合度检验的分割表。
第一行是模式的风险事象件数FCI(PB[1]∪PB[2]∪PB[3])及其期待值(PF[2]=真时,FCI(PB[2]∪PB[3])×(FCI(PB[1]∪PB[2])÷FCI(PB[2])),PF[2]=假时,FCI(PB[2]∪PB[3])×(FCI(PB[1])÷FCI(φ)))。
第二行是包含属于模式的第一项目的项目的事象发生原因PB[1]以外且第二项目的事象发生原因PB[2]且第三项目的事象发生原因PB[3]的风险事象件数FCI(PB[2]∪PB[3])-FCI(PB[1]∪PB[2]∪PB[3])及其期待值(PF[2]=真时,FCI(PB[2]∪PB[3])×((FCI(PB[2])-FCI(PB[1]∪PB[2]))÷FCI(PB[2]))、PF[2]=假时,FCI(PB[2]∪PB[3])×((FCI(φ)-FCI(PB[1]))÷FCI(φ)))。
第一列是风险事象件数。
根据少数项目数的模式的异常有无来决定成为第二列的比较对象的少数项目数的模式。即,在模式的异常有无标志PF[2]=真时,第二列是与项目数为2时的模式的风险事象件数的比例成正比的值,在模式的异常有无标志PF[2]=假时,第二列是与项目数为1时的模式的风险事象件数的比例成正比的值。
通过和与以少数项目数进行异常提取出的模式的风险事象件数的比例成正比的期待值进行比较,提取比少数项目数的异常模式更有频出倾向的模式。
基于图10的分割表,检验包含模式的第一项目的事象发生原因的风险事象件数是否比包含该事象发生原因以外的风险事象件数显著地多,并且模式的风险事象件数是否比以少数项目数进行异常提取出的模式风险事象件数的比例成正比的期待值显著地多。
图11表示异常增加模式提取且模式的项目数为1时的适合度检验的分割表。
第一行是模式的当前期间的风险事象件数FCI(PB[1])及其期待值FCI(φ)×(FC0(PB[1])÷FC0(φ))。
第二行是模式的之前期间的风险事象件数FPI(PB[1])及其期待值FPI(φ)×(FP0(PB[1])÷FP0(φ))。
第一列是模式的风险事象件数。
第二列是模式的风险事象件数的期待值,期待值是与操作量的比例成正比的值。
基于图11的分割表,检验模式的当前期间的风险事象件数是否比之前期间的风险事象件数显著地多,并且模式的风险事象件数是否比与操作量的比例成正比的期待值显著地多。
图12表示异常增加模式提取且模式的项目数为2时的适合度检验的分割表。
第一行是模式的当前期间的风险事象件数FCI(PB[1]∪PB[2])及其期待值FCI(PB[2])×(FCI(PB[1])÷FCI(φ))。
第二行是模式的之前期间的风险事象件数FPI(PB[1]∪PB[2])及其期待值FPI(PB[2])×(FPI(PB[1])÷FPI(φ))。
第一列是模式的风险事象件数。
第二列是模式的风险事象件数的期待值,期待值是成为比较对象的少数项目数的模式,即与项目数为1时的模式的风险事象件数的比例成正比的值。
通过和与少数项目数的模式的风险事象件数的比例成正比的期待值进行比较,提取比少数项目的模式更有增加倾向的模式。
基于图12的分割表,检验模式的当前期间的风险事象件数是否比之前期间的风险事象件数显著地多,并且模式的风险事象件数是否比与少数项目数的模式的风险事象件数的比例成正比的期待值显著地多。
然后,关于异常增加模式提取且模式的项目数为3以上时的适合度检验,以模式的项目数为3时为例进行说明。图13表示异常增加模式提取且模式的项目数为3时的适合度检验的分割表。
第一行是模式的当前期间的风险事象件数FCI(PB[1]∪PB[2]∪PB[3])及其期待值(PF[2]=真时,FCI(PB[2]∪PB[3])×(FCI(PB[1]∪PB[2])÷FCI(PB[2])),PF[2]=假时,FCI(PB[2]∪PB[3])×(FCI(PB[1])÷FCI(φ)))。
第二行是模式的之前期间的风险事象件数FPI(PB[1]∪PB[2]∪PB[3])及其期待值(PF[2]=真时,FPI(PB[2]∪PB[3])×(FPI(PB[1]∪PB[2])÷FPI(PB[2])),PF[2]=假时,FPI(PB[2]∪PB[3])×(FPI(PB[1])÷FPI(φ)))。
第一列是模式的风险事象件数。
根据少数项目数的模式的异常有无来决定成为第二列的比较对象的少数项目数的模式。即,在模式的异常有无标志PF[2]=真时,第二列是与项目数为2时的模式的风险事象件数的比例成正比的值,在模式的异常有无标志PF[2]=假时,第二列是与项目数为1时的模式的风险事象件数的比例成正比的值。
通过和与以少数项目数进行异常提取出的模式的风险事象件数的比例成正比的期待值进行比较,提取比少数项目数的异常模式更有增加倾向的模式。
基于图13的分割表,检验模式的当前期间的风险事象件数是否比之前期间的风险事象件数显著地多,并且模式的风险事象件数是否比与以少数项目数进行异常提取出的模式的风险事象件数的比例成正比的期待值显著地多。
图14表示基于卡方适合度检验以及一般卡方适合度检验中使用的计算方法计算p值的一例。
单元期待值是用全体的合计值除行的合计值和列的合计值的积而得的值。在图14的例子中,第一行第一列的单元期待值被计算出为(30+30)×(30+15)÷(30+30+15+45)。
卡方值是针对各单元将单元值和单元期待值的差的平方用单元期待值除而得的值的总和。在图14的例子中,卡方值被计算为{(30-22.5)^2÷22.5}+{(30-37.5)^2÷37.5}+{(15-22.5)^2÷22.5}+{(40-37.5)^2÷37.5}=2.5+1.5+2.5+1.5=8。
首先说明基于卡方适合度检验中使用的计算方法计算p值。
分割表为两行两列而自由度为1,因此,将卡方值的平方根作为偏差,根据偏差计算标准正态分布的上侧累计概率密度UCD。
对于p值,如果第一行第一列的单元值为单元期待值以上,则为UCD,如果第一行第一列的单元值不足单元期待值,则为1-UCD。
然后,说明基于一般卡方适合度检验中使用的计算方法计算p值。
预先将无效假设的逃逸量决定为常数,将非中心度设为无效假设的逃逸量和全体的合计值的积,根据卡方值计算自由度1的非中心卡方分布的上侧累计概率密度UCD。
对于p值,如果第一行第一列的单元值为单元期待值以上,则为UCD,如果第一行第一列的单元值不足单元期待值,则为1-UCD。
在图14的例子中,无效假设的逃逸量=0.0009,非中心度=0.0009×(30+30+15+45),非中心卡方分布的上侧累计概率密度UCD=0.0070,第一行第一列的单元值为单元期待值以上(30≥22.5),因此,计算出p值=0.0070。
图15表示基于在费雪的正确概率检验中使用的计算方法计算p值的一例。
p值是费雪的正确概率的上侧累计概率密度,即分割表的第一行第一列的模式的风险事象件数成为更多的分割表的发生概率的总和。
在图15的例子中,根据第一行第一列的模式的风险事象件数x=13、第一行的合计值(13+4=17)以及第一列的合计值(13+6=19)的最小值=17,计算出p值=(x=13的分割表的发生概率)+(x=14的分割表的发生概率)+…+(x=17的分割表的发生概率)=0.0058。
图16表示异常频出模式列表的一例,图17表示异常增加模式列表的一例。
异常频出模式列表的各行是各异常频出模式,异常频出模式列表的各列是异常频出模式的各项目的事象发生原因。
此外,异常增加模式列表的各行是各异常增加模式,异常增加模式列表的各列是异常增加模式的各项目的事象发生原因。
进而,作为异常频出模式列表或者异常增加模式列表的列,可以追加模式的当前期间的风险事象件数、从模式的之前期间到当前期间的风险事象件数的增减。
图18表示异常频出模式树的一例,图19表示异常增加模式树的一例。
分析服务器1(异常频出模式树生成部153),关于异常频出模式列表,将异常频出模式从第一项目开始按照顺序针对各相同项目的相同事象发生原因进行汇集而层次化,生成异常频出模式树。
另外,分析服务器1(异常增加模式树生成部156),关于异常增加模式列表,与异常频出模式列表一样,将异常增加模式从第一项目开始按照顺序针对各相同项目的相同事象发生原因进行汇集而层次化,生成异常增加模式树。
在图16和图18的例子中,首先,最初,针对异常频出模式树的第一项目的事象发生原因“发生月=1月”,汇集到异常频出模式树的最上位的层次。
然后,因为在第一项目的事象发生原因是“发生月=1月”的异常频出模式列表的第二项目的事象发生原因中有“发生店=A店”和“事务处理种类=出纳事务”,所以将“发生店=A店”和“事务处理种类=出纳事务”汇集在异常频出模式树的第二位的层次。
然后,因为在第一项目的事象发生原因是“发生月=1月”且第二项目的事象发生原因是“发生店=A店”的异常频出模式列表的第三项目的事象发生原因中有“事务处理种类=汇兑事务”和“事务处理工序=顾客事务工序”,所以将“事务处理种类=汇兑事务”和“事务处理工序=顾客事务工序”汇集在异常频出模式树的第三位的层次。
此外,因为第一项目的事象发生原因是“发生月=1月”且第二项目的事象发生原因是“事务处理种类=出纳事务”的异常频出模式列表的第三项目的事象发生原因中有“事务处理工序=现金接收供给工序”,所以将“事务处理工序=现金接收供给工序”汇集在在异常频出模式树的第三位的层次。
例如,如图18所示,当在第一项目的事象发生原因是“发生月=1月”且第二项目的事象发生原因是“发生店=A店”的异常频出模式列表的第三项目的事象发生原因中有“事务处理种类=汇兑事务”和“事务处理工序=顾客事务工序”时,称为在异常频出模式树的层次构造的横向提取出两个模式,称为在异常频出模式树的层次构造的纵向提取到第三项目。
此外,例如,当第一项目的事象发生原因是“发生月=4月”的异常频出模式中有第二项目的事象发生原因“事务处理工序=窗口工序”时,称为在异常频出模式树的层次构造的纵向提取到第二项目。
最后,分析服务器1向客户机终端2发送异常频出模式列表和异常增加模式列表,或者异常频出模式树和异常增加模式树。然后,客户机终端2当从分析服务器1接收到异常频出模式列表和异常增加模式列表,或者异常频出模式树和异常增加模式树时,将其显示在显示装置24上。
如上所述,在本发明中,关于出现频度为最小频度阈值以上的事象发生原因的组合模式,如果模式的风险事象件数显著地在显著水准阈值以下较多,则进行提取。由此,不依赖于事象发生原因的组合,因为是最小频度阈值以上或显著水准阈值以下这样的相同的提取条件,所以提取对象并不限定于特定的事象发生原因的组合。
另外,在本发明中,如果模式的风险事象件数部操作量显著地多,则进行提取。由此,成为与事象发生原因的操作量成正比的提前条件,所以,能够不依赖于事象发生原因的操作量地根据事象发生原因相对于该事象发生原因以外的相对的多少、或当前期间相对于之前期间的相对的多少来提取。
另外,在本发明中,如果模式的风险事象件数比以少数项目数进行异常提取出的模式的风险事象件数显著地多,则进行提取。由此,成为与少数项目数的异常模式的风险事象件数成正比的提取条件,所以能够进一步深入提取比少数项目数的异常模式有频出增加倾向的模式。
符号说明
1:分析服务器;11:CPU;12:存储器;13:存储装置;14:网络通信装置;15:操作风险分析程序;151:异常频出模式提取部;152:异常频出模式列表生成部;153:异常频出模式树生成部;154:异常增加模式提取部;155:异常增加模式列表生成部;156:异常增加模式树生成部;2:客户机终端;21:CPU;22:存储器;23:存储装置;24:显示装置;25:输入装置;26:网络通信装置;3:网络;4:数据库;5:操作风险事象表;6:操作量表。
Claims (16)
1.一种操作风险分析服务器,其特征在于,具备:
存储单元,其对存储了由多个事项发生原因构成的操作风险事象的操作风险事象表进行存储;
异常频出模式提取单元,其进行从所述操作风险事象表提取出现频度高的事象发生原因的组合模式的分组分析,如果包含所述组合模式的第一项目的事象发生原因的风险事象件数显著地比包含该事象发生原因以外的风险事象件数多,则进行提取所述组合模式作为异常频出模式的适合度检验。
2.根据权利要求1所述的操作风险分析服务器,其特征在于,
所述存储单元对针对每个事象发生原因存储了操作量的操作量表进行存储,
如果包含所述组合模式的第一项目的事象发生原因的风险事象件数比包含该事象发生原因以外的风险事象件数显著地多、并且所述组合模式的风险事象件数比操作量显著地多,则所述异常频出模式提取单元提取所述组合模式作为异常频出模式。
3.根据权利要求1所述的操作风险分析服务器,其特征在于,
如果包含所述组合模式的第一项目的事象发生原因的风险事象件数比包含该事象发生原因以外的风险事象件数显著地多、并且所述组合模式的风险事象件数比少数项目数的模式的风险事象件数显著地多,则所述异常频出模式提取单元提取所述组合模式作为异常频出模式。
4.根据权利要求1所述的操作风险分析服务器,其特征在于,
如果包含所述组合模式的第一项目的事象发生原因的风险事象件数比包含该事象发生原因以外的风险事象件数显著地多、并且所述组合模式的风险事象件数比按照少数项目数而异常提取出的模式的风险事象件数显著地多,则所述异常频出模式提取单元提取所述组合模式作为异常频出模式。
5.根据权利要求2~4中任一项所述的操作风险分析服务器,其特征在于,
所述异常频出模式提取单元根据对所述组合模式的项目数的每个、并且对所述少数项目数的模式的异常提取的有无的每个都不同的显著水准阈值,进行提取所述组合模式而作为异常频出模式的适合度检验。
6.根据权利要求1~5中任一项所述的操作风险分析服务器,其特征在于,
具备:异常频出模式列表生成单元,其生成各行是各所述异常频出模式、各列是所述异常频出模式的各项目的事象发生原因的异常频出模式列表。
7.根据权利要求1~6中任一项所述的操作风险分析服务器,其特征在于,
具备:异常频出模式树生成单元,其将所述异常频出模式从第一项目开始顺序地针对各相同项目的相同事象发生原因的每个进行汇集,由此生成层次化的异常频出模式树。
8.一种操作风险分析系统,其特征在于,具备:
权利要求1~7中任一项所述的操作风险分析服务器;
为了调节所述异常频出模式的提取量而显示作为选项的程度的输入画面的客户机终端,其中
所述异常频出模式提取单元根据与所述程度对应的显著水准阈值,进行抽出所述组合模式而作为异常频出模式的适合度检验。
9.一种操作风险分析服务器,其特征在于,具备:
存储单元,其对存储了由多个事象发生原因构成的操作风险事象的操作风险事象表进行存储;
异常增加模式提取单元,其进行从所述操作风险事象表提取出现频度高的事象发生原因的组合模式的分组分析,如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多,则进行提取所述组合模式而作为异常增加模式的适合度检验。
10.根据权利要求9所述的操作风险分析服务器,其特征在于,
所述存储单元对针对每个事象发生原因存储了之前期间和当前期间的操作量的操作量表进行存储,
所述异常增加模式提取单元如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多、并且所述组合模式的风险事象件数比操作量显著地多,则提取所述组合模式作为异常增加模式。
11.根据权利要求9所述的操作风险分析服务器,其特征在于,
所述异常增加模式提取单元如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多、并且所述组合模式的风险事象件数比少数项目数的模式的风险事象件数显著地多,则提取所述组合模式作为异常增加模式。
12.根据权利要求9所述的操作风险分析服务器,其特征在于,
所述异常增加模式提取单元如果所述组合模式的当前期间的风险事象件数比之前期间的风险事象件数显著地多、并且所述组合模式的风险事象件数比按照少数项目数而异常提取出的模式的风险事象件数显著地多,则提取所述组合模式作为异常增加模式。
13.根据权利要求10~12所述的操作风险分析服务器,其特征在于,
所述异常增加模式提取单元根据对所述组合模式的项目数的每个、并且对所述少数项目数的模式的异常提取的有无的每个都不同的显著水准阈值,进行提取所述组合模式而作为异常增加模式的适合度检验。
14.根据权利要求9~13中任一项所述的操作风险分析服务器,其特征在于,
具备:异常增加模式列表生成单元,其生成各行是各所述异常增加模式、各列是所述异常增加模式的各项目的事象发生原因的异常增加模式列表。
15.根据权利要求9~14中任一项所述的操作风险分析服务器,其特征在于,
具备:异常增加模式树生成单元,其将所述异常增加模式从第一项目开始顺序地针对各相同项目的相同事象发生原因的每个进行汇集,由此生成层次化的异常增加模式树。
16.一种操作风险分析系统,其特征在于,具备:
权利要求9~15中任一项所述的操作风险分析服务器;
为了调节所述异常增加模式的提取量而显示作为选项的程度的输入画面的客户机终端,其中
所述异常增加模式提取单元根据与所述程度对应的显著水准阈值,进行提取述组合模式而作为异常增加模式的适合度检验。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010214108 | 2010-09-24 | ||
JP2010-214108 | 2010-09-24 | ||
JP2011140762 | 2011-06-24 | ||
JP2011-140762 | 2011-06-24 | ||
PCT/JP2011/069172 WO2012039232A1 (ja) | 2010-09-24 | 2011-08-25 | オペレーショナルリスク分析サーバおよびオペレーショナルリスク分析システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103124984A true CN103124984A (zh) | 2013-05-29 |
Family
ID=45873722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011800459106A Pending CN103124984A (zh) | 2010-09-24 | 2011-08-25 | 操作风险分析服务器和操作风险分析系统 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP5523574B2 (zh) |
CN (1) | CN103124984A (zh) |
WO (1) | WO2012039232A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6085497B2 (ja) * | 2013-03-06 | 2017-02-22 | 株式会社日立ソリューションズ西日本 | オペレーショナルリスク分析サーバ装置 |
CN110032490A (zh) * | 2018-12-28 | 2019-07-19 | 中国银联股份有限公司 | 用于检测系统异常的方法及其装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1538334A (zh) * | 2003-04-18 | 2004-10-20 | 鸿富锦精密工业(深圳)有限公司 | 报价策略分析系统及方法 |
US20050021554A1 (en) * | 2003-07-23 | 2005-01-27 | International Business Machines Corporation | Classification factor detection |
US20050283505A1 (en) * | 2004-06-21 | 2005-12-22 | Fuji Xerox Co., Ltd. | Distribution goodness-of-fit test device, consumable goods supply timing judgment device, image forming device, distribution goodness-of-fit test method and distribution goodness-of-fit test program |
US20070079195A1 (en) * | 2005-08-31 | 2007-04-05 | Ken Ueno | Time-series data analyzing apparatus |
JP2010165384A (ja) * | 2010-05-06 | 2010-07-29 | Toshiba Solutions Corp | 情報処理システム、情報処理プログラムおよび情報処理方法 |
-
2011
- 2011-08-25 WO PCT/JP2011/069172 patent/WO2012039232A1/ja active Application Filing
- 2011-08-25 CN CN2011800459106A patent/CN103124984A/zh active Pending
- 2011-08-25 JP JP2012534971A patent/JP5523574B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1538334A (zh) * | 2003-04-18 | 2004-10-20 | 鸿富锦精密工业(深圳)有限公司 | 报价策略分析系统及方法 |
US20050021554A1 (en) * | 2003-07-23 | 2005-01-27 | International Business Machines Corporation | Classification factor detection |
US20050283505A1 (en) * | 2004-06-21 | 2005-12-22 | Fuji Xerox Co., Ltd. | Distribution goodness-of-fit test device, consumable goods supply timing judgment device, image forming device, distribution goodness-of-fit test method and distribution goodness-of-fit test program |
US20070079195A1 (en) * | 2005-08-31 | 2007-04-05 | Ken Ueno | Time-series data analyzing apparatus |
JP2010165384A (ja) * | 2010-05-06 | 2010-07-29 | Toshiba Solutions Corp | 情報処理システム、情報処理プログラムおよび情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2012039232A1 (ja) | 2014-02-03 |
WO2012039232A1 (ja) | 2012-03-29 |
JP5523574B2 (ja) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242261B (zh) | 基于大数据评估保全风险的方法及终端设备 | |
CN109658217B (zh) | 一种智能财务决策大数据分析系统 | |
CN106780140A (zh) | 基于大数据的电力信用评价方法 | |
CN110930260B (zh) | 种植业保险标的地块级全核全验方法及装置 | |
CN107705207A (zh) | 客户价值评估的方法、装置、设备及计算机存储介质 | |
CN107945050B (zh) | 一种用电客户类型的识别与标识方法、装置及中央服务器 | |
CN109461071A (zh) | 农业信贷融资担保业务管理系统 | |
CN102262664A (zh) | 一种质量评价的方法和装置 | |
CN107689009A (zh) | 年金数据处理方法、装置、服务器和存储介质 | |
CN107844923A (zh) | 一种erp管理系统及方法 | |
CN112288369A (zh) | 订单违规检测方法、装置、设备及存储介质 | |
CN110991858A (zh) | 一种跨境电网联网项目评估方法和相关装置 | |
CN103124984A (zh) | 操作风险分析服务器和操作风险分析系统 | |
CN110175189A (zh) | 一种辅助判断是否存在农民工工资欠薪行为的系统及方法 | |
CN113869602A (zh) | 核电厂备件需求预测方法、系统、计算机设备和存储介质 | |
Sari | Asset growth on sharia insurance | |
CN111754330A (zh) | 定期账户提前支取的计息装置及方法 | |
CN106204252A (zh) | 内部债权债务余额识别、采集及核对的方法和系统 | |
CN112561674B (zh) | 客运收入结算方法、装置、存储介质及电子设备 | |
CN112037049B (zh) | 银行卡收费方法及装置 | |
CN109325102B (zh) | 一种识别非法单据的方法以及识别装置 | |
CN112418600A (zh) | 一种基于指标集的企业政策评分方法及系统 | |
Whiteman | The efficiency of developing country public financial management systems | |
CN206178965U (zh) | 一种用于电力通信的信息化业务管理系统 | |
CN115496553B (zh) | 边缘计算下基于可信计算的用户信用评价系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130529 |