CN105706125A - 随着时间推移从经综合处理和分析后的数据信号推导出重大变化属性以预测常规预测因子的未来变化的系统及方法 - Google Patents

Abstract

一种用于随着时间推移推导出重大变化属性以预测至少一个预测因子的未来变化的系统和方法，该方法包括：从至少一个数据源收集前兆数据；通过评估前兆数据的至少一个特征来处理该前兆数据；根据处理后的前兆数据生成至少一个重大变化信号；评估重大变化信号以确定在对预测因子的未来变化进行预测时信号的值，并且可选地返回至上述收集和处理步骤以处理另外的前兆数据；以及根据所评估出的重大变化信号生成至少一个重大变化属性。

Description

随着时间推移从经综合处理和分析后的数据信号推导出重大变化属性以预测常规预测因子的未来变化的系统及方法

技术领域

本公开总体上涉及使用重大变化来预测风险、机会及其他商业结果的常规预测因子的变化。特别地，本发明涉及一种通过根据结构化或非结构化数据对前兆事件和趋势进行检测、识别、鉴定、评估、合成、连接、推理及评分来生成可执行见解的系统及方法。

背景技术

公认的是使用时间以在建模(其中，关于未来结果的预测是感兴趣的)中分离观察数据和执行数据。在这些情况下，使用历史数据来训练(例如，系数、匹配)模型，该历史数据包括两个时间标记：观察时段和执行时段。

在分析领域，公认的是使用属性进行预测。为了使用可用测量和所关注的结果之间的关联，不需要归因于因果关系。对重大变化不要求对因果关系的推定。比随机关联检测更好是本发明的最小目标。

因此，在预测模型中使用的属性的变化驱动在对商业实体的属性进行评估时的变化。洞察属性(如预测因子)的未来变化是有价值的，并且是本发明的主题。

本发明涉及创建新的分析解决方案，以生成用于预测在评估风险或机会时通常使用的商业属性及其前兆的变化的系统化及其它见解，从而使得商业实体能够进行有利可图的活动。该见解可以用于预测建模、资料搜集、分割、市场规模、投资组合管理、未来分析以及所有成熟的高级分析，从而为与商业实体的有关的商业风险和市场应用提供通常的决策支持。

本公开内容还提供了许多额外的优点，随着下面的描述这将变得明显。

发明内容

本公开的系统和方法，不同于由事后事实上的事件信息和标记提供的目前基于比分卡的模式，迁移可执行见解反馈的生成以将“前兆数据”合成到可执行见解中。这种合成包括根据结构化和非结构化数据对前兆事件和趋势进行检测、识别、鉴定、评估、合成、连接以及评分。

前兆数据是根据预定标准、推理或递归算法、或决策矩阵被评判为“重要的”的数据，但其本身可以是或可以不是“可操作的”，这是因为其可能不独立地具有至“直接触发器”、结果、具体的业务实体或自然人、或其他可操作的已识别业务事件的可预见的或直接有关的关联。

直接触发器是在现有技术中被馈送至记分卡或解析解决方案的业务事件或标记。直接触发器的示例为宣告破产、支付期限违约事件、申请信贷或雇用人员。

在本公开中被限定为“重大变化”的前兆数据的示例可以包括但不限于：与特定类别的供应商增加接触、由业务提供的信贷期限的变化、公司网站的更新频率变化、或企业的主管人员的文章发表。

一种方法被设计用于随着时间推移推导出重大变化属性，以预测至少一个预测因子的未来变化，该方法包括：从至少一个数据源收集前兆数据；通过评估前兆数据的至少一个特征来处理该前兆数据；根据处理后的前兆数据生成至少一个重大变化信号；评估重大变化信号以确定在预测预测因子的未来变化时信号的值，并且可选地返回至上述收集和处理步骤以处理另外的前兆数据；以及根据所评估出的重大变化信号生成至少一个重大变化属性。

优选地，通过使用感测和/或学习处理来识别数据源。学习处理包括聚焦于人类行为和/或人类学习的试探法以及其他辨别方法。

优选地，对前兆数据的处理包括综合处理。综合处理针对选自以下中的至少一个特征处理前兆数据：时间、速度、容量、种类以及评估数据源的真实性。特征选自以下中的至少一个：趋势分析、测量、计数事件、计数源、记录顺序、评估连续性、检测交互、以及结合或聚合。重大变化属性选自以下中的至少一个：风险、市场推广、销售或其他关联性市场。

一种用于预测至少一个预测因子在未来的变化的方法，该方法包括：生成用于预测所关注的结果的至少一个预测因子；以及生成至少一个重大变化信号，所述至少一个重大变化信号预测预测因子的未来变化，由此得到所关注的结果的变化。该方法还包括：根据预测因子的相应变化而改变对所关注的结果的预测。

一种用于随着时间推移生成重大变化属性以预测至少一个预测因子的未来变化的计算机系统，该系统包括处理器，所述处理器：从至少一个数据源收集前兆数据；通过评估前兆数据的至少一个特征来处理前兆数据；根据处理后的前兆数据生成至少一个重大变化信号；评估重大变化信号以确定在预测预测因子的未来变化时所述信号的值；以及根据所评估出的重大变化信号生成至少一个重大变化属性。

一种存储介质，该存储介质包括用于控制处理器的指令，所述处理器：从至少一个数据源收集前兆数据；通过评估前兆数据的至少一个特征来处理前兆数据；根据处理后的前兆数据生成至少一个重大变化信号；评估重大变化信号以确定在预测所述预测因子的未来变化时信号的值；以及根据所评估出的重大变化信号生成至少一个重大变化属性。

通过参照下面的附图和详细描述将理解本公开内容的其他目的、特征以及优点。

附图说明

图1是本公开的处理的示意性表示，其中，重大变化预测常规预测因子的变化即预测因子的未来变化，从而影响所预测的结果；

图2是重大变化如何改变预测因子的未来变化以及其对机会和风险结果的影响的示例的示意性表示；

图3和图4是根据本公开的从随着时间推移摄取数据到综合处理这样的数据、分析/合成经综合处理后的数据以及最后生成重大变化属性的处理流程的示意性表示；

图5是用于运行本公开的处理流程的计算机系统的框图；以及

图6是根据本公开的处理的逻辑流程图。

具体实施方式

可以将关于被感测和编纂的商业实体或实体的集合的事件合成为见解(即，重大变化)。

需要提供预测常规预测因子及其变化的见解。在许多情况下，预测因子的变化可能仅在商业实体的重大变化发生之后显才现。成功(盈利)参与商业实体通常需要在这些预测因子变化之前采取行动。

输出将包括具有经观察和综合处理后的、为原始或汇总形式的新收集数据的变化以及数据的历史变化，这二者合在一起可以表现为重大变化。因此，当数据变化发生时，可能存在关于一个或更多个商业实体的潜在新的重大变化输出。

为了满足该需求，本公开以属性以及从这些属性得出的见解的形式生成解析得出的输出(即，重大变化)。例如，输出可以为分割和预期迁移至另一分割的矢量的组合。其他类似的见解是可能的，但是所有都被当作重大变化输出。

本公开内容是非预期的并且其显著不同于现有技术之处在于：基于结果及其可能先例的常规预测因子的变化来进行预测，而不仅仅基于结果自身进行预测。

一些属性的变化用作双重角色，即用作重大变化和常规预测因子二者。该观察在其他变化的上下文中不排除使用这些变化来生成可以视为重大变化的见解。

需要分析以确定属性的哪些变化单独或组合地跨越时间构成重大变化，以及这些变化在预测常规预测因子变化时的值。使用基于时间的关联分析来评估每个个体属性变化和属性变化的集合，以将其鉴定为重大变化。

重大变化的限定和相关预测二者将取决于所关注的结果的度，即其是否与风险、机会或另一关联性结果集合有关。

预想分割及关联的指定动作是本公开的产品表现，但不限于可分配给本公开的用例的方面。

可以使用一个或更多个重大变化来限定用于提高这种参与商业实体的盈利能力的指定动作或参与策略。这些变化是具体事例，并且并非都能够在分析之前很好地理解，其可能需要专门分析来限定。

重大变化示例

以下示例，一个来自销售和市场推广(机会)，一个来自信贷违约(风险)，其以理解可从本公开获得的见解的构建和使用二者的方式来呈现。本公开需要关于业务实体或一组业务实体的事件，这些事件随着时间推移被发现、综合处理以及记录作为新的数据属性。分析这些历史属性产生用于预测与风险和机会的评估关联的尚未显现的变化的数学函数。

分析将包括基于所记录的事件的顺序来得出基于时间的属性，例如：

·趋势分析

·测量

·计数事件

·计数源

·记录顺序

·评估连续性

·检测交互

·结合

·聚合

·其他

另外的分析将发现一些具有因果关系而一些没有因果关系的关联，这些关联产生被汇总为测量(得分、指标、数据等)的见解，这将改变对业务实体评估的前景。

一旦用于开发功能的分析完成，就生成了利用这些功能的解决方案。解决方案可以是警报、得分属性的生成或者分割。本公开实现的解决方案的集合不限于此处列出的这些解决方案，并且其不需要针对要创建的本公开来识别。本公开的实质是以下处理：即生成用于预测风险和机会评估的传统限定的预测因子的见解。

机会示例

事件随着时间推移依次或偶然地发生，这可以通过各种方法来感测。通常产生对事件细节的一些编纂。例如，业务建立之日可能存在如下所示的对该事件的数据记录。还示出了随后事件，这些事件也可以分别具有其自身的编纂类型。例如，交易信贷(TC)可以为交易信贷中的额外美元、额外交易信贷发生率、业务的第一交易信贷的出现等。编纂可能不同(标称值、间隔、序号等)，只要能够变换至可以受到所建立的数学处理的形式即可。

·BO＝业务开通

·TC＝额外交易信贷

·JP1＝第一职位招聘时段计数

·JP2＝第二职位招聘时段计数

·SO＝新站点开通

·Obs＝用于模型训练的观察时段

·CS＝年销售额的变化(增加)，观察后日期。

观察时段提供了分析中使用的已知事件和‘未知’事件之间的划分。由于使用了档案，因此未知事件实际上是已知的，其中，观察日期早于分析日期。

在分析期间，一个发现可以是，如果针对一组业务发生以下中的所有：

1.业务在开通的6个月内添加交易信贷

2.业务在雇佣方面有增加趋势

3.业务在开通的一年内开通了新站点

则就年销售额而言，这些业务的‘规模’相比于这些事件不发生或以不同的顺序或时间跨度发生的业务倾向于增加更多。由于传统预测解决方案在评估销售机会(需求)时利用业务规模，这些结果产生重大变化见解，即这些业务的未来前景包括日益增加的需求(参见图2—需求的未来变化)。根据该示例可以生成的一种可能解决方案是使得能够在证实业务规模增加前进行以下业务分割，即识别具有需求增加的前景的业务组。

风险示例

再次，事件随着时间推移依次或偶然地发生，其可以通过各种方法来感测。

·RS＝支出减少

·DS＝情绪下降

·PE＝专利到期

·Obs＝模型训练的观察时段

·SP＝支付及时性的变化(下降)，观察后日期。

在分析期间，一个发现可以为，如果针对一组业务发生以下中的所有：

1.针对该业务的关键专利到期

2.情绪分析指示投资者对于该业务感到悲观

3.企业开始更慢地偿还其信贷义务

则就未来支付行为而言，这些业务的前景相比于这些事件不发生或以不同的顺序或时间跨度发生的业务更倾向于恶化。由于传统预测解决方案在评估信贷违约概率时利用支付行为的恶化，因此这些结果产生以下重大变化见解即这些业务的未来前景包括日益增加的违约可能性(参见图2—坏帐风险的变化)。

根据该示例可以生成的一种可能解决方案是：使得能够进行以下业务分割，即识别应当放置在信贷支付行为的观看列表上的业务组。

不仅重大变化信号的存在非常重要，而且定时和顺序也会影响解释和用例适用性。

重大变化信号可以显示在企业发生的事件，而若干重大变化信号的交互可以更深入了解业务环境。专利到期可以预示业务的市场表现未来下滑。然而，在业务支出减少之后不久接着发生的专利到期可以预示财政困难。重大变化信号的存在提供了重要信息，但是这些信号不是脱离实际而发生。在不是信号单独存在的情况下，发生之间的时间和其发生的顺序提供了同样多的信息。

例如，可以使用XYZ公司的预测模型来预测其针对IT办公产品的支出倾向。传统预测模型会利用关于XYZ公司的行业、规模和信贷可靠性的信息。模型很可能显示某些行业对IT办公产品具有更高的倾向。例如，理发店对IT办公产品具有较低的支出倾向，而国家银行具有较高的支出倾向。大公司很可能比小公司具有更高的支出倾向。原因很可能是，在所有事情平等的情况下，200个雇员的公司会比10000个雇员的公司需要更少的计算机。最后，具有良好信贷的公司很可能比信贷不足的公司支出更多。通常，具有良好信贷的公司具有财政能力来购买IT办公产品，而信贷不足的公司可能不具有财政能力来购买IT办公产品。

预测因子(例如，行业、规模及信贷可靠性)中的一个预测因子的变化可以显示支出倾向的变化。如果XYZ公司从50个雇员增加到150个雇员，则存在增加IT办公产品的需求。该100个雇员的增加会馈送至标准预测模型中，并且在所有其他预测因子保持恒定的情况下输出IT办公产品的支出倾向增加。

为了说明根据本公开的重大变化处理的见解的重要性，仅在雇员数增加之后可以看到IT办公产品的支出倾向的增加。仅在公司将新雇员引进门并且为其提供必要的工作用品(如IT办公产品)之后，模型会显示公司需要更多的IT办公产品。重大变化处理使得能够在新雇员开始工作之前预见IT办公产品支出倾向的变化，从而使得IT办公产品供应商能够对即将到来的销售机会采取行动。重大变化处理使用重大变化信号来预测XYZ公司雇员的变化，因此能够预测IT办公产品支出倾向的变化。可以通过股票发行、债券发行、职位招聘及并购活动来预测员工数的变化。XYZ公司发行股票，然后开始发布比前些年更多的新的开放岗位的可能事件顺序可以用于预测雇员数的显著增加。该信息将用于预测未来IT办公产品支出倾向的增加，因此IT办公产品供应商可以对XYZ公司将需要购买IT办公产品的见解采取行动。

数据摄取的发现处理涉及通过发现和学习技术识别数据源。这些技术将系统地识别和综合处理可以用于重大变化处理的数据。数据源可以为永久和重复来源，或者数据源可以为具有较短使用周期的临时来源。数据摄取涉及常规处理以及对通过感测技术发现的数据的获取。

综合处理涉及采用所摄取的数据并且开始初步处理。数据将经过评估许多特征的处理。这些特征可以另外包括：趋势分析、测量、计数、结合、聚合以及评估连续性。这些初步处理将制备用于进一步处理的数据，同时还测试真实性和优先级。

分析和合成阶段涉及开发用于预测的信号。将针对与所关注的变量的关系来评估信号。然后，将具有值的这些信号传递至下一阶段。

最后阶段采用来自分析阶段的信号并且生成用于重大变化处理的最后预测因子。预测因子用于重大变化属性桶、风险、市场或其他关联性市场中的一个或若干个。

图5是用于利用本发明的系统500的框图。系统500包括计算机505，计算机505耦接至网络3930例如因特网。

计算机3905包括用户接口510、处理器515以及存储器520。计算机505可以在通用微计算机上实现。虽然此处计算机505被表示为单独的装置，但是其不限于此，而是替代地可以经由网络530耦接至其他装置(未示出)。

处理器515被配置为响应于指令并且执行指令的逻辑电路。

存储器520存储用于控制处理器515的操作的数据和指令。存储器520可以实现为随机存取存储器(RAM)、硬盘驱动器、只读存储器(ROM)、或者其组合。存储器520的组件中的一个组件是程序模块525。

程序模块525包含用于控制处理器515以执行此处所描述的方法的指令。例如，作为执行程序模块525的结果，处理器515随着时间推移通过以下步骤推导出重大变化属性以预测至少一个预测因子的未来变化：从至少一个数据源收集前兆数据；通过评估前兆数据的至少一个特征来处理前兆数据；根据处理后的前兆数据生成至少一个重大变化信号；评估重大变化信号以确定在预测预测因子的未来变化时信号的值并且可选地返回至上述收集和处理步骤以处理另外的前兆数据；以及根据评估出的重大变化信号生成至少一个重大变化属性。

在本文中术语“模块”用于指代以下功能操作，其可以实施为独立组件或者可以实施为多个从属组件的集成配置。因此，程序模块525可以实现为单个模块，或者可以实现为彼此协作地操作的多个模块。此外，虽然在本文中程序模块525被描述为安装在存储器520中，因此以软件来实现，但是程序模块525可以以硬件(例如电子电路)、固件、软件中的任一个或者其组合的形式来实现。

用户接口510包括输入装置(如键盘或语音识别子系统)，用于使用户能够将信息和命令选择传达给处理器515。用户接口510还包括输出装置，如显示器或打印机。光标控件如鼠标、跟踪球或操纵杆使用户能够操纵显示器上的光标以将另外的信息和命令选择传达给处理器515。

处理器515向用户接口510输出执行本文所描述的方法的结果。替选地，处理器515可以将输出经由网络530引导至远程装置(未示出)。

虽然程序模块525被指示为已经加载到存储器520中，但是程序模块525可以被配置在存储介质535上用于随后加载到存储器520中。存储介质535可以是存储有程序模块525的为有形形式的任何传统存储介质。存储介质535的实例包括软盘、致密盘、磁带、只读存储器、光存储介质、通用串行总线(USB)闪存驱动器、数字多功能盘、或极碟驱动器。替选地，存储介质535可以为位于远程存储系统上并且经由网络530耦接至计算机505的随机存取存储器或其他类型的电子存储装置。

图6是根据本公开的一个实施方式的逻辑流程图，其中，通过使用感测和学习技术从各种数据源输入601发现数据以使处理知道有用的先前存在的和新生成的源来启动系统600。这些数据源可以是内部的/外部的，永久的/暂时的，以及还可以是一般可用的或专用的。然后，系统在继续进行至综合处理步骤603之前在602处确定数据源是否包括新的或经更新的数据。如果没有新数据，则系统返回至601。如果检测到新数据，则系统在603处综合处理新数据即操纵新数据。数据操纵包括但不限于：趋势分析、测量、计数事件、计数源、记录顺序、评估连续性、检测交互、结合、聚合等。对产生重大变化信号值的所有操纵进行分析并且将其合成用于另外的测试。综合处理将结合来自608的历史数据使用来自602的新的和经更新的数据。如果在604中没有至少一个新的重大变化信号，则系统返回至步骤601。如果在604中生成至少一个新的重大变化信号，则系统进行至分析和合成重大变化信号605。

分析和合成步骤605确定信号在预测常规预测因子的变化时的值。然后，提供预测能力的重大变化信号构成重大变化属性，并且用于预测常规预测因子的变化。在步骤606中，不存在提供常规预测因子的预测能力的至少一个重大变化属性，然后系统返回至步骤601。然而，如果步骤606确定至少一个属性提供常规预测因子的预测能力，则系统进行至计算607例如评分或得出数据资产。也就是说，将属性用于计算得分和其他导出的数据资产。来自607的这样的得分和其他导出数据资产将生成以下中的至少一个：历史数据、派生数据、元数据、输出或其组合。这样存储的数据将流回至综合处理603，由此生成用于新的和经更新的数据。

虽然示出和描述了根据本发明的若干实施方式，但是应清楚地理解，对于本领域的技术人员而言可以对其作出许多变化。因此，不限于所示出和描述的细节，而是意在示出在所附权利要求的范围内的所有变化和修改。

Claims (19)

1.一种用于随着时间推移推导出重大变化属性以预测至少一个预测因子的未来变化的计算机实现的方法，所述方法包括：

从至少一个数据源收集前兆数据；

通过评估所述前兆数据的至少一个特征来处理所述前兆数据；

根据处理后的前兆数据生成至少一个重大变化信号；

评估所述重大变化信号以确定在预测所述预测因子的未来变化时所述信号的值；以及

根据所评估出的重大变化信号生成至少一个所述重大变化属性。

2.根据权利要求1所述的方法，其中，通过使用感测和/或学习处理来识别所述数据源。

3.根据权利要求2所述的方法，其中，所述学习处理包括聚焦于人类行为和/或人类学习的试探法。

4.根据权利要求1所述的方法，其中，对所述前兆数据的所述处理包括综合处理。

5.根据权利要求1所述的方法，其中，所述特征选自以下中的至少一个：趋势分析、测量、计数事件、计数源、记录顺序、评估连续性、检测交互、以及结合聚合。

6.根据权利要求4所述的方法，其中，所述综合处理针对选自以下中的至少一个特征来处理所述前兆数据：时间、速度、容量、种类以及评估所述数据源的真实性。

7.根据权利要求1所述的方法，其中，所述重大变化属性选自以下中的至少一个：风险、市场推广、销售以及其他类似物。

8.根据权利要求1所述的方法，还包括：返回至所述收集和处理步骤以处理另外的前兆数据。

9.一种用于预测至少一个预测因子在未来的变化的方法，所述方法包括：

生成用于预测所关注的结果的至少一个预测因子；以及

生成至少一个重大变化信号，所述至少一个重大变化信号预测所述预测因子的未来变化，由此得到所关注的结果的变化。

10.根据权利要求9所述的方法，还包括：根据所述预测因子的相应变化而改变对所关注的结果的预测。

11.一种用于随着时间推移生成重大变化属性以预测至少一个预测因子的未来变化的计算机系统，所述系统包括：

处理器，所述处理器：

从至少一个数据源收集前兆数据；

通过评估所述前兆数据的至少一个特征来处理所述前兆数据；

根据处理后的前兆数据生成至少一个重大变化信号；

评估所述重大变化信号以确定在预测所述预测因子的未来变化时所述信号的值；以及

根据所评估出的重大变化信号生成至少一个所述重大变化属性。

12.根据权利要求11所述的系统，其中，通过使用感测和/或学习处理来识别所述数据源。

13.根据权利要求12所述的系统，其中，所述学习处理包括聚焦于人类行为和/或人类学习的试探法。

14.根据权利要求11所述的系统，其中，对所述前兆数据的所述处理包括综合处理。

15.根据权利要求11所述的系统，其中，所述特征选自以下中的至少一个：趋势分析、测量、计数事件、计数源、记录顺序、评估连续性、检测交互、以及结合聚合。

16.根据权利要求14所述的系统，其中，所述综合处理针对选自以下中的至少一个特征来处理所述前兆数据：时间、速度、容量、种类以及评估所述数据源的真实性。

17.根据权利要求11所述的系统，其中，所述重大变化属性选自以下中的至少一个：风险、市场推广、销售以及其他类似物。

18.根据权利要求11所述的系统，还包括：返回至所述收集和处理步骤以处理另外的前兆数据。

19.一种存储介质，所述存储介质包括用于控制处理器的指令，所述处理器：

从至少一个数据源收集前兆数据；

通过评估所述前兆数据的至少一个特征来处理所述前兆数据；

根据处理后的前兆数据生成至少一个重大变化信号；

评估所述重大变化信号以确定在预测所述预测因子的未来变化时所述信号的值；以及

根据所评估出的重大变化信号生成至少一个所述重大变化属性。