CN110109905A - 风险名单数据生成方法、装置、设备及计算机存储介质 - Google Patents

风险名单数据生成方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN110109905A
CN110109905A CN201910358508.1A CN201910358508A CN110109905A CN 110109905 A CN110109905 A CN 110109905A CN 201910358508 A CN201910358508 A CN 201910358508A CN 110109905 A CN110109905 A CN 110109905A
Authority
CN
China
Prior art keywords
data
risk
risk list
list
newly
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
Application number
CN201910358508.1A
Other languages
English (en)
Inventor
张凯
麦天柱
鄢仁柱
周红娟
郑萌
曾岩
李晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN201910358508.1A priority Critical patent/CN110109905A/zh
Publication of CN110109905A publication Critical patent/CN110109905A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21Design, administration or maintenance of databases
    • G06F16/215Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23Updating
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60Protecting data
    • G06F21/602Providing cryptographic facilities or services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种风险名单数据生成方法。该风险名单数据生成方法包括:在接收到风险名单数据生成请求时,根据风险名单数据生成请求获取新增数据和存量风险名单明细数据;对新增数据进行分析处理,得到增量风险名单明细数据,并对存量风险名单明细数据进行清除处理,以清除过期数据;对经清除处理的存量风险名单明细数据和增量风险名单明细数据进行合并处理,得到风险名单汇总数据。本发明还公开了一种风险名单数据生成装置、设备及计算机存储介质。本发明能够实现智能生成风险名单汇总数据,从而可便于银行等金融机构基于该风险名单汇总数据直接查询企业或个人的信用风险数据,可提高风险评估效率。此外,本发明也可以与区块链技术相结合。

Description

风险名单数据生成方法、装置、设备及计算机存储介质
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及一种风险名单数据生成方法、装置、设备及计算机存储介质。
背景技术
近年来,随着计算机技术的发展,越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域,传统金融业正在逐步向金融科技(Fintech)转变。目前,金融信用已经逐渐成为互联网金融发展的重要基础,从某种意义上来讲,现代市场经济实际上已成为一种“信用经济”。在信贷的整个流程中,都需要通过信用风险分析来确定相关操作,例如,在贷前,银行等金融机构常常会对企业或个人的信用风险进行评估,以确定是否对其贷款;在贷后,常常需要通过信用风险评估进行风险监控,以及时发现和化解风险。然而,目前通常是针对单个个人或单个企业分别进行信用风险分析,当需要进行信用风险分析时,通过人工或计算机来采集数据并进行分析,其风险评估时间难免较长,从而导致风险评估效率较低。因此,亟需一种可智能生成风险名单汇总数据的方式,对众多企业和用户的风险数据进行汇总和定期更新,以便于银行等金融机构根据该风险名单汇总数据直接查询各企业或个人的信用风险数据。
发明内容
本发明的主要目的在于提供一种风险名单数据生成方法、装置、设备及计算机存储介质,旨在实现智能生成风险名单汇总数据,从而可便于银行等金融机构查询企业或个人的信用风险数据,可提高风险评估效率。
为实现上述目的,本发明提供一种风险名单数据生成方法,所述风险名单数据生成方法包括:
在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
可选地,所述对所述新增数据进行分析处理,得到增量风险名单明细数据的步骤包括:
对所述新增数据进行分类,并检测各类别内的新增数据是否符合预设风险条件,得到第一检测结果;
根据所述第一检测结果确定所述新增数据的风险类别和风险等级,并根据所述风险类别和所述风险等级确定数据有效期;
根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据。
可选地,所述根据所述第一检测结果确定所述新增数据的风险类别和风险等级的步骤之后,还包括:
根据所述风险类别和所述风险等级检测所述新增数据是否符合预设不得开户条件和预设不得贷款条件,得到第二检测结果,并根据所述第二检测结果生成对应的标签;
所述根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据的步骤包括:
根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级、所述数据有效期和所述标签,生成增量风险名单明细数据。
可选地,所述对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据的步骤包括:
检测经清除处理的存量风险名单明细数据与所述增量风险名单明细数据之间是否存在可合并数据,得到第三检测结果;
根据所述第三检测结果采用对应的合并规则对所述经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单明细数据;
对所述风险名单明细数据中同一用户所对应的数据按预设格式进行拼接,生成风险名单汇总数据。
可选地,将所述风险名单明细数据和所述风险名单汇总数据存储至预设数据库中。
可选地,所述在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据的步骤之前,还包括:
在接收到数据导入指令时,根据所述数据导入指令确定数据源及其数据存储形式;
调用与所述数据存储形式对应的数据导入工具将所述数据源的数据导入到所述预设数据库中,得到所述增量数据。
可选地,所述对所述新增数据进行分析处理,得到增量风险名单明细数据的步骤之前,还包括:
采用预设加密算法对所述新增数据中的用户身份信息进行身份加密处理;
所述对所述新增数据进行分析处理,得到增量风险名单明细数据的步骤包括:
对经身份加密处理的新增数据进行分析处理,得到增量风险名单明细数据。
可选地,所述风险名单数据生成方法还包括:
在接收到风险数据查询请求时,根据所述风险数据查询请求获取目标查询用户身份信息;
采用所述预设加密算法对所述目标查询用户身份信息进行身份加密处理,得到加密身份信息;
检测所述风险名单汇总数据中是否存在所述加密身份信息;
若所述风险名单汇总数据中存在所述加密身份信息,则获取与所述加密身份信息对应的风险数据,并发送至对应的查询端。
此外,为实现上述目的,本发明还提供一种风险名单数据生成装置,所述风险名单数据生成装置包括:
数据获取模块,用于在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
数据处理模块,用于对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
数据生成模块,用于对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
此外,为实现上述目的,本发明还提供一种风险名单数据生成设备,所述风险名单数据生成设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风险名单数据生成程序,所述风险名单数据生成程序被所述处理器执行时实现如上所述的风险名单数据生成方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机存储介质,所述计算机存储介质上存储有风险名单数据生成程序,所述风险名单数据生成程序被处理器执行时实现如上所述的风险名单数据生成方法的步骤。
本发明提供一种风险名单数据生成方法、装置、设备及计算机存储介质,在接收到风险名单数据生成请求时,根据该风险名单数据生成请求获取新增数据和存量风险名单明细数据;对新增数据进行分析处理,得到增量风险名单明细数据,并对存量风险名单明细数据进行清除处理,以清除过期数据;对存量风险名单明细数据进行清除处理后,对经清除处理的存量风险名单明细数据和增量风险名单明细数据进行合并处理,得到风险名单汇总数据。本发明通过对数据进行批量处理,然后对数据进行识别和分类分级等处理,进而智能生成风险名单汇总数据,可实现对众多企业和用户的风险数据进行汇总和定期更新,以便于银行等金融机构根据该风险名单汇总数据直接查询各企业或个人的信用风险数据,可提高金融机构的风险评估效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明风险名单数据生成方法第一实施例的流程示意图;
图3为本发明风险名单数据生成装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例风险名单数据生成设备可以是智能手机,也可以是PC(PersonalComputer,个人计算机)、平板电脑、便携计算机等终端设备。
如图1所示,该风险名单数据生成设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的风险名单数据生成设备结构并不构成对风险名单数据生成设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风险名单数据生成程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端,与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的风险名单数据生成程序,并执行以下操作:
在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
对所述新增数据进行分类,并检测各类别内的新增数据是否符合预设风险条件,得到第一检测结果;
根据所述第一检测结果确定所述新增数据的风险类别和风险等级,并根据所述风险类别和所述风险等级确定数据有效期;
根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
根据所述风险类别和所述风险等级检测所述新增数据是否符合预设不得开户条件和预设不得贷款条件,得到第二检测结果,并根据所述第二检测结果生成对应的标签;
根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级、所述数据有效期和所述标签,生成增量风险名单明细数据。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
检测经清除处理的存量风险名单明细数据与所述增量风险名单明细数据之间是否存在可合并数据,得到第三检测结果;
根据所述第三检测结果采用对应的合并规则对所述经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单明细数据;
对所述风险名单明细数据中同一用户所对应的数据按预设格式进行拼接,生成风险名单汇总数据。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
将所述风险名单明细数据和所述风险名单汇总数据存储至预设数据库中。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
在接收到数据导入指令时,根据所述数据导入指令确定数据源及其数据存储形式;
调用与所述数据存储形式对应的数据导入工具将所述数据源的数据导入到所述预设数据库中,得到所述增量数据。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
采用预设加密算法对所述新增数据中的用户身份信息进行身份加密处理;
对经身份加密处理的新增数据进行分析处理,得到增量风险名单明细数据。
进一步地,处理器1001可以调用存储器1005中存储的风险名单数据生成程序,还执行以下操作:
在接收到风险数据查询请求时,根据所述风险数据查询请求获取目标查询用户身份信息;
采用所述预设加密算法对所述目标查询用户身份信息进行身份加密处理,得到加密身份信息;
检测所述风险名单汇总数据中是否存在所述加密身份信息;
若所述风险名单汇总数据中存在所述加密身份信息,则获取与所述加密身份信息对应的风险数据,并发送至对应的查询端。
基于上述硬件结构,提出本发明风险名单数据生成方法的各实施例。
本发明提供一种风险名单数据生成方法。
参照图2,图2为本发明风险名单数据生成方法第一实施例的流程示意图。
在本实施例中,该风险名单数据生成方法包括:
步骤S10,在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
在上述步骤S10之前,该风险名单数据生成方法还可以包括以下步骤:
步骤A,在接收到数据导入指令时,根据所述数据导入指令确定数据源及其数据存储形式;
步骤B,调用与所述数据存储形式对应的数据导入工具将所述数据源的数据导入到所述预设数据库中,得到所述增量数据。
本实施例的风险名单数据生成方法是由风险名单数据生成设备实现的,该设备以服务器为例进行说明。在本实施例中,服务器在接收到数据导入指令时,根据该数据导入指令确定数据源及该数据源的数据存储形式。其中,该数据导入指令可以是定时发送的,例如,设定T日对T-1日数据进行处理,进而对风险名单汇总数据更新汇总时,可以设定为每天的固定时间自动发送数据导入指令,以导入前一日的数据。可以理解的是,可选用多个数据源的数据来生成风险名单汇总数据,以提高风险名单汇总数据的准确性和全面性。例如,以金融行业中某银行针对贷款的信用风险评估场景为例进行说明,其数据源可以包括行内数据源、行外数据源和其他渠道,其中行内数据源可以包括贷款、安全、合规等各部门的数据、如贷款逾期数据、核销数据、贷款黑名单和白名单等,行外数据源可以包括人行征信的征信报告、法院的法院公告、执行文书和判决等,此处仅作举例用,不作为对本发明的限定。
在确定出数据源及其数据存储形式后,分别调用与各数据存储形式对应的数据导入工具将各数据源的数据导入到预设数据库中,得到增量数据。可选地,该预设数据库可以为Hive数据仓库。针对不同的数据存储形式,需采用不同的输入导入工具进行导入。例如,当预设数据库为Hive数据仓库时;对于保存在Hive数据仓库的数据,可使用Hive SQL(一种针对Hive使用的类SQL查询语言)这一导入工具导入;对于保存在关系型数据库MySQL的数据,使用Sqoop工具(一种用于在Hive和传统的数据库(MySQL等)间进行数据传递的工具)导入;第三种对于文件形式存储的数据,通过Hive SQL命令导入。
服务器在接收到风险名单数据生成请求时,根据该风险名单数据生成请求获取新增数据和存量风险名单明细数据。其中,该风险名单数据生成请求也可以是系统定时发送的,也可在数据导入完成后,自动触发。新增数据即为新导入到预设数据库中的数据,即指上述例中的来源于各数据源的T-1日的数据,存量风险名单明细数据是指针对各数据源T-1日前的数据处理得到的,可以包括但不限于用户身份信息、风险类别、风险等级、数据有效期和标签等风险明细数据。
步骤S20,对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
在获取到新增数据和存量风险名单明细数据之后,对新增数据进行分析处理,得到增量风险名单明细数据,并对存量风险名单明细数据进行清除处理,以清除过期数据。在对存量风险名单明细数据进行清除处理时,可以根据存量风险名单明细数据中的数据有效期和当前日期来进行清除,若当前日期已超过数据有效期,则将与该数据有效期对应的数据进行删除,其中,数据有效期根据数据所对应的风险类别和风险等级来确定。通过清除处理,可及时清除过期数据,以避免过期数据影响风险名单明细数据的准确性。
此外,步骤“对所述新增数据进行分析处理,得到增量风险名单明细数据”包括:
步骤a1,对所述新增数据进行分类,并检测各类别内的新增数据是否符合预设风险条件,得到第一检测结果;
在本实施例中,先对新增数据进行分类,并检测各类别内的新增数据是否符合预设风险条件,得到第一检测结果。其中,分类方式可根据数据源和业务场景进行分类,例如,上述例中,其数据源包括贷款、安全、合规、人行征信、法院和其他渠道,同一数据源包括不同的业务场景类型,如贷款包括微粒贷和非微粒贷,人行征信可以细分为信用卡和/或贷款出现逾期、行政处罚、强制执行等,对应的,可分为贷款微粒贷、贷款非微粒贷、人行征信信用卡和/或贷款出现逾期、人行征信行政处罚、人行征信强制执行等类别。在设定预设风险条件时,可根据各类别分别设定对应的预设风险条件,并设定各预设风险条件所对应的风险等级。例如,对于贷款逾期,可按逾期天数按不同区间段划分等级,逾期A天以上(包含A端点)为1级,逾期A-B天(包含B端点,不包含A端点)为2级,逾期B-C天(包含C端点,不包含B端点)为3级,以此类推;也可以按逾期次数进行分级,比如N个月内出现M次逾期为1级,X个月内出现Y次逾期为2级。当然,此处仅作举例用,不作为对本发明的限定。具体的分类方法和预设风险条件的设定方法可根据实际需要进行设定。
步骤a2,根据所述第一检测结果确定所述新增数据的风险类别和风险等级,并根据所述风险类别和所述风险等级确定数据有效期;
步骤a3,根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据。
然后,根据第一检测结果确定新增数据的风险类别和风险等级,并根据风险类别和风险等级确定数据有效期,进而根据新增数据中的用户身份信息、风险类别、风险等级和数据有效期,生成增量风险名单明细数据。
进一步的,在步骤“根据所述第一检测结果确定所述新增数据的风险类别和风险等级”之后,还可以包括:
步骤a4,根据所述风险类别和所述风险等级检测所述新增数据是否符合预设不得开户条件和预设不得贷款条件,得到第二检测结果,并根据所述第二检测结果生成对应的标签;
根据银监会的监管要求,对于存在某些风险的用户,不得开会或不得贷款,因此,在确定出新增数据的风险类别和风险等级后,可检测是否存在不得开户和不得贷款的数据,并进行标记,以便于后续银行等金融企业的查看分析。具体的,可根据风险类别和风险等级检测新增数据是否符合预设不得开户条件和预设不得贷款条件,得到第二检测结果,并根据第二检测结果生成对应的标签。其中,预设不得开户条件和预设不得贷款条件可根据银监会的监管要求进行设定,若检测到某一新增数据符合预设不得开户条件和/或预设不得贷款条件,则生成对应的不得开户标签和/或不得贷款标签。可以理解的是,在具体实施例,还可以设置其他类型的标签,并不限于是不得开户标签和不得贷款标签。
此时,步骤a3包括:根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级、所述数据有效期和所述标签,生成增量风险名单明细数据。
然后,根据新增数据中的用户身份信息、风险类别、风险等级、数据有效期和标签,生成增量风险名单明细数据。当然,在具体实施例中,增量风险名单明细数据中所包含的数据指标并不限于上述所列的用户身份信息、风险类别、风险等级、数据有效期和标签,还可以包括发生时间、持续时间、金额等,可根据实际需要设定增量风险名单明细数据中所包含的数据指标,此处不作具体限定。
步骤S30,对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
在得到增量风险名单明细数据,并对存量风险名单明细数据进行清除处理后,对经清除处理的存量风险名单明细数据和增量风险名单明细数据进行合并处理,得到风险名单汇总数据。具体的,步骤S30包括:
步骤b1,检测经清除处理的存量风险名单明细数据与所述增量风险名单明细数据之间是否存在可合并数据,得到第三检测结果;
步骤b2,根据所述第三检测结果采用对应的合并规则对所述经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单明细数据;
先检测经清除处理的存量风险名单明细数据与增量风险名单明细数据之间是否存在可合并数据,得到第三检测结果,然后根据第三检测结果采用对应的合并规则对经清除处理的存量风险名单明细数据和增量风险名单明细数据进行合并处理,得到风险名单明细数据。为方便说明,将经清除处理的存量风险名单明细数据简称为存量数据,增量风险名单明细数据简称为增量数据,其中,对于可合并数据的定义,可以为存量数据和增量数据之间存在同一用户的同一风险类别同一风险等级的数据,也可以为存量数据和增量数据之间存在同一用户的某些同一风险类别的多个不同风险等级的数据。若存量数据与增量数据之间存在可合并数据,则先对存量数据和增量数据之间的可合并数据进行合并,得到更新后的存量数据,进而将增量数据中除可合并数据外其他不可合并数据与更新后的存量数据进行合并,以进一步更新存量数据,即得到风险名单明细数据。若存量数据与增量数据之间不存在可合并数据,则直接对存量数据和增量数据进行合并,得到风险名单明细数据。例如,若存量数据和增量数据之间存在同一用户的同一风险类别同一风险等级的数据,则保存存量数据,并将存量数据中该条可合并数据的数据有效期更新为对应增量数据中可合并数据的数据有效期,得到初步合并后的存量数据,进而将增量数据中除可合并数据外的其他数据合并至上述经初步合并后的存量数据,即可得到风险名单明细数据。再例如,若存量数据和增量数据之间存在同一用户的某一同一风险类别的多个不同风险等级的数据,则保留该风险类别最严重等级所对应的数据,以此为标准将增量数据中的可合并数据初步合并至存量数据中,得到初步合并后的存量数据,进而将增量数据中除可合并数据外的其他数据合并至上述经初步合并后的存量数据,即可得到风险名单明细数据。
步骤b3,对所述风险名单明细数据中同一用户所对应的数据按预设格式进行拼接,生成风险名单汇总数据。
在得到风险名单明细数据后,对风险名单明细数据中同一用户所对应的数据按预设格式进行拼接,生成风险名单汇总数据。通过对同一用户的数据进行拼接,可将同一用户的各条明细数据汇总会一条,便于后续银行等金融机构的查询。其中,预设格式,可以根据实际需要进行设定,此处不作具体限定。该风险名单汇总数据可用于信贷业务贷前授信过程中的风险识别与预防,贷中监控与额度管理,贷后本息催收过程的风险识别与控制。银行等金融机构通过该风险名单汇总数据查询到企业或个人存在违约的风险,就会慎重贷款或拒贷,或提高贷款利率。
进一步的,该风险名单数据生成方法还包括:将所述风险名单明细数据和所述风险名单汇总数据存储至预设数据库中。
在得到风险名单明细数据和风险名单汇总数据之后,可将风险名单明细数据和风险名单汇总数据存储至预设数据库中。该预设数据库可选地为Hive数据仓库。
本实施例中,通过任务调度器去定期执行大数据的离线批量处理,进而进行风险数据的识别和分类分级,最后智能生成风险名单汇总数据,可实现对众多企业和用户的风险数据进行汇总和定期更新,以便于银行等金融机构根据该风险名单汇总数据直接查询各企业或个人的信用风险数据,进而提高金融机构的风险评估效率。需要说明的是,上述例中均以Hive计算框架为例进行说明,通过Hive SQL对数据进行处理,在具体实施例中,还可以选择其他离线处理架构对数据进行处理分析,例如Spark(一种基于大数据的快速的分布式计算框架),对应的,采用Spark SQL(一种基于Spark框架的用于结构化数据处理和对Spark数据执行类SQL查询语言)来实现数据处理。
还需要说明的是,上述整个处理流程可由WTSS调度器(一个行内开发的批量工作流任务调度器)按调度计划每天定时自动执行,T日对T-1日数据进行处理,以定期更新得到风险名单汇总数据。当然,WTSS调度系统也可以换成其他支持大数据集群的任务调度系统,比如Apache Azkaban(Apache Azkaban是一个批量工作流任务调度器),Apache Oozie(Apache Oozie是用于Hadoop平台的一种工作流调度引擎)等,此外,数据的具体执行时间可根据实际需求进行设定。
本发明实施例提供一种风险名单数据生成方法,在接收到风险名单数据生成请求时,根据该风险名单数据生成请求获取新增数据和存量风险名单明细数据;对新增数据进行分析处理,得到增量风险名单明细数据,并对存量风险名单明细数据进行清除处理,以清除过期数据;对存量风险名单明细数据进行清除处理后,对经清除处理的存量风险名单明细数据和增量风险名单明细数据进行合并处理,得到风险名单汇总数据。本发明实施例通过对数据进行批量处理,然后对数据进行识别和分类分级等处理,进而智能生成风险名单汇总数据,可实现对众多企业和用户的风险数据进行汇总和定期更新,以便于银行等金融机构根据该风险名单汇总数据直接查询各企业或个人的信用风险数据,可提高金融机构的风险评估效率。
进一步的,基于图2所示的第一实施例,提出本发明风险名单数据生成方法的第二实施例。
在本实施例中,为保证数据安全性,在步骤S20之前,该风险名单数据生成方法还包括:
步骤C,采用预设加密算法对所述新增数据中的用户身份信息进行身份加密处理;
在本实施例中,为保证数据的安全性,可对敏感信息(如身份证号、姓名、手机号、银行卡号、客户号、企业的组织机构代码等)进行加密处理,在本实施例中,选择对用户身份信息进行身份加密处理,考虑到身份证号和组织机构代码的唯一性,针对个人而言,该用户身份信息至少包括身份证号,还可以包括姓名、银行卡号等其他身份信息中的一种或多种,可根据具体情况进行选择,此处不作限定;针对企业而言,该用户身份信息至少包括组织机构代码,还可以包括其他一些企业信息。具体的,服务器在获取到新增数据和存量风险名单明细数据之后,先采用预设加密算法对新增数据中的用户身份信息进行身份加密处理。其中,预设加密算法可以为通过SHA256算法(Secure Hash Algorithm 256,安全散列算法256)进行加盐加密,当然,可以理解的是,SHA256算法也可以替换为其他加密算法,比如MD5(消息摘要算法),SHA224(安全散列算法224),SHA384(安全散列算法384),SHA512(安全散列算法512)等,其具体的加密过程与现有的加密过程一致,此处不作赘述。
当然,可以理解的是,在具体实施例中,身份加密处理这一过程,可在数据导入的同时执行,即在数据导入时,直接对待导入数据中的用户身份信息进行身份加密处理,从而使得导入到预设数据库中的数据已是经身份加密处理后的。
此时,步骤S20包括:对经身份加密处理的新增数据进行分析处理,得到增量风险名单明细数据。
在对新增数据中的用户身份信息进行身份加密处理后,对经身份加密处理的新增数据进行分析处理,得到增量风险名单明细数据,进而执行后续步骤,其执行过程可参照上述第一实施例,此处不作赘述。
此外,需要说明的是,在具体实施例中,还可以采用数据脱敏的方式,对新增数据中的敏感信息进行脱敏处理,来保障数据的安全性。
本实施例中,通过对新增数据中的用户身份信息进行身份加密处理,可提高数据的安全性。
进一步,基于上述第一实施例和第二实施例,提出本发明风险名单数据生成方法的第三实施例。
在本实施例中,该风险名单数据生成方法还包括:
步骤D,在接收到风险数据查询请求时,根据所述风险数据查询请求获取目标查询用户身份信息;
在本实施例中,当银行等金融机构需查询某企业或个人的信用风险数据时,可发起对应的风险数据查询请求,此时,服务器在接收到风险数据查询请求时,根据该数据风险查询请求获取目标查询用户身份信息。需要说明的是,此处的用户可代表企业或个人。
步骤E,采用所述预设加密算法对所述目标查询用户身份信息进行身份加密处理,得到加密身份信息;
步骤F,检测所述风险名单汇总数据中是否存在所述加密身份信息;
在获取到目标查询用户身份信息后,采用预设加密算法对目标查询用户身份信息进行身份加密处理,得到加密身份信息,然后,检测风险名单汇总数据中是否存在该加密身份信息。
步骤G,若所述风险名单汇总数据中存在所述加密身份信息,则获取与所述加密身份信息对应的风险数据,并发送至对应的查询端。
若该风险名单汇总数据中存在该加密身份信息,则获取与该加密身份信息对应的风险数据,并将该风险数据发送至发起该风险数据查询请求的查询端。其中,该风险数据可以包括但不限于风险类别、风险等级、数据有效期和标签等数据。
若该风险名单汇总数据中不存在该加密身份信息,则生成对应的提示信息并发送至该查询端,以告知该查询者不存在该目标查询用户的风险数据。
此外,需要说明的是,在生成风险名单汇总数据的过程中,若未对用户身份信息进行加密,在根据接收到的风险数据查询请求获取到目标查询用户身份信息后,则直接检测风险名单汇总数据中是否存在该目标查询用户身份信息,进而执行后续步骤。
本实施例中,在接收到风险数据查询请求时,根据目标查询用户身份信息在风险名单汇总数据中查询获取对应的风险数据,可便于银行等金融机构根据该风险名单汇总数据快速查询获取到各企业或个人的风险数据,进而及时根据风险数据做出相应的判断和操作。
此外,需要说明的是,由于各金融机构的数据处理能力有限,其得到的风险名单汇总数据可能并不全面,对此,各金融机构可基于区块链技术实现风险名单汇总数据的共享。具体的,各金融机构可通过准入机制获得授权,然后加入区块链共享平台,以作为区块链的不同节点,进而将各自生成的明显名单汇总数据存储在对应的区块中。当银行等金融机构需查询某企业或个人的信用风险数据时,可发起对应的风险数据查询请求,进而通过区块链将该数据查询请求广播至各区块链节点,以获取目标查询用户的风险数据。
本发明还提供一种风险名单数据生成装置。
参照图3,图3为本发明风险名单数据生成装置第一实施例的功能模块示意图。
如图3所示,所述风险名单数据生成装置包括:
数据获取模块10,用于在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
数据处理模块20,用于对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
数据生成模块30,用于对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
进一步的,所述数据处理模块20包括:
第一检测单元,用于对所述新增数据进行分类,并检测各类别内的新增数据是否符合预设风险条件,得到第一检测结果;
信息确定单元,用于根据所述第一检测结果确定所述新增数据的风险类别和风险等级,并根据所述风险类别和所述风险等级确定数据有效期;
第一生成单元,用于根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据。
进一步的,所述数据处理模块20还包括:
标签生成单元,用于根据所述风险类别和所述风险等级检测所述新增数据是否符合预设不得开户条件和预设不得贷款条件,得到第二检测结果,并根据所述第二检测结果生成对应的标签;
第一生成单元,具体用于根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级、所述数据有效期和所述标签,生成增量风险名单明细数据。
进一步的,所述数据生成模块30包括:
第二检测单元,用于检测经清除处理的存量风险名单明细数据与所述增量风险名单明细数据之间是否存在可合并数据,得到第三检测结果;
数据合并单元,用于根据所述第三检测结果采用对应的合并规则对所述经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单明细数据;
第二生成单元,用于对所述风险名单明细数据中同一用户所对应的数据按预设格式进行拼接,生成风险名单汇总数据。
进一步的,所述风险名单数据生成装置还包括:
数据存储模块,用于将所述风险名单明细数据和所述风险名单汇总数据存储至预设数据库中。
进一步的,所述风险名单数据生成装置还包括:
信息确定模块,用于在接收到数据导入指令时,根据所述数据导入指令确定数据源及其数据存储形式;
数据导入模块,用于调用与所述数据存储形式对应的数据导入工具将所述数据源的数据导入到所述预设数据库中,得到所述增量数据。
进一步的,所述风险名单数据生成装置还包括:
第一加密模块,用于采用预设加密算法对所述新增数据中的用户身份信息进行身份加密处理;
所述数据处理单元20,具体用于对经身份加密处理的新增数据进行分析处理,得到增量风险名单明细数据。
进一步的,所述风险名单数据生成装置还包括:
信息获取模块,用于在接收到风险数据查询请求时,根据所述风险数据查询请求获取目标查询用户身份信息;
第二加密模块,用于采用所述预设加密算法对所述目标查询用户身份信息进行身份加密处理,得到加密身份信息;
信息检测模块,用于检测所述风险名单汇总数据中是否存在所述加密身份信息;
数据发送模块,用于若所述风险名单汇总数据中存在所述加密身份信息,则获取与所述加密身份信息对应的风险数据,并发送至对应的查询端。
其中,上述风险名单数据生成装置中各个模块的功能实现与上述风险名单数据生成方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明还提供一种计算机存储介质,该计算机存储介质上存储有风险名单数据生成程序,所述风险名单数据生成程序被处理器执行时实现如以上任一项实施例所述的风险名单数据生成方法的步骤。
本发明计算机存储介质的具体实施例与上述风险名单数据生成方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种风险名单数据生成方法,其特征在于,所述风险名单数据生成方法包括:
在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
2.如权利要求1所述的风险名单数据生成方法,其特征在于,所述对所述新增数据进行分析处理,得到增量风险名单明细数据的步骤包括:
对所述新增数据进行分类,并检测各类别内的新增数据是否符合预设风险条件,得到第一检测结果;
根据所述第一检测结果确定所述新增数据的风险类别和风险等级,并根据所述风险类别和所述风险等级确定数据有效期;
根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据。
3.如权利要求2所述的风险名单数据生成方法,其特征在于,所述根据所述第一检测结果确定所述新增数据的风险类别和风险等级的步骤之后,还包括:
根据所述风险类别和所述风险等级检测所述新增数据是否符合预设不得开户条件和预设不得贷款条件,得到第二检测结果,并根据所述第二检测结果生成对应的标签;
所述根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级和所述数据有效期,生成增量风险名单明细数据的步骤包括:
根据所述新增数据中的用户身份信息、所述风险类别、所述风险等级、所述数据有效期和所述标签,生成增量风险名单明细数据。
4.如权利要求1所述的风险名单数据生成方法,其特征在于,所述对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据的步骤包括:
检测经清除处理的存量风险名单明细数据与所述增量风险名单明细数据之间是否存在可合并数据,得到第三检测结果;
根据所述第三检测结果采用对应的合并规则对所述经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单明细数据;
对所述风险名单明细数据中同一用户所对应的数据按预设格式进行拼接,生成风险名单汇总数据。
5.如权利要求4所述的风险名单数据生成方法,其特征在于,所述风险名单数据生成方法还包括:
将所述风险名单明细数据和所述风险名单汇总数据存储至预设数据库中。
6.如权利要求5所述的风险名单数据生成方法,其特征在于,所述在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据的步骤之前,还包括:
在接收到数据导入指令时,根据所述数据导入指令确定数据源及其数据存储形式;
调用与所述数据存储形式对应的数据导入工具将所述数据源的数据导入到所述预设数据库中,得到所述增量数据。
7.如权利要求1至6中任一项所述的风险名单数据生成方法,其特征在于,所述对所述新增数据进行分析处理,得到增量风险名单明细数据的步骤之前,还包括:
采用预设加密算法对所述新增数据中的用户身份信息进行身份加密处理;
所述对所述新增数据进行分析处理,得到增量风险名单明细数据的步骤包括:
对经身份加密处理的新增数据进行分析处理,得到增量风险名单明细数据。
8.如权利要求7所述的风险名单数据生成方法,其特征在于,所述风险名单数据生成方法还包括:
在接收到风险数据查询请求时,根据所述风险数据查询请求获取目标查询用户身份信息;
采用所述预设加密算法对所述目标查询用户身份信息进行身份加密处理,得到加密身份信息;
检测所述风险名单汇总数据中是否存在所述加密身份信息;
若所述风险名单汇总数据中存在所述加密身份信息,则获取与所述加密身份信息对应的风险数据,并发送至对应的查询端。
9.一种风险名单数据生成装置,其特征在于,所述风险名单数据生成装置包括:
数据获取模块,用于在接收到风险名单数据生成请求时,根据所述风险名单数据生成请求获取新增数据和存量风险名单明细数据;
数据处理模块,用于对所述新增数据进行分析处理,得到增量风险名单明细数据,并对所述存量风险名单明细数据进行清除处理,以清除过期数据;
数据生成模块,用于对经清除处理的存量风险名单明细数据和所述增量风险名单明细数据进行合并处理,得到风险名单汇总数据。
10.一种风险名单数据生成设备,其特征在于,所述风险名单数据生成设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风险名单数据生成程序,所述风险名单数据生成程序被所述处理器执行时实现如权利要求1至8中任一项所述的风险名单数据生成方法的步骤。
11.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有风险名单数据生成程序,所述风险名单数据生成程序被处理器执行时实现如权利要求1至8中任一项所述的风险名单数据生成方法的步骤。
CN201910358508.1A 2019-04-26 2019-04-26 风险名单数据生成方法、装置、设备及计算机存储介质 Pending CN110109905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910358508.1A CN110109905A (zh) 2019-04-26 2019-04-26 风险名单数据生成方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910358508.1A CN110109905A (zh) 2019-04-26 2019-04-26 风险名单数据生成方法、装置、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110109905A true CN110109905A (zh) 2019-08-09

Family

ID=67487665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910358508.1A Pending CN110109905A (zh) 2019-04-26 2019-04-26 风险名单数据生成方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110109905A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659999A (zh) * 2019-08-30 2020-01-07 中国人民财产保险股份有限公司 一种数据处理方法、装置及电子设备
CN111461728A (zh) * 2020-03-31 2020-07-28 支付宝(杭州)信息技术有限公司 一种风险识别方法、装置和系统
CN111582754A (zh) * 2020-05-19 2020-08-25 深圳前海微众银行股份有限公司 风险排查方法、装置、设备及计算机可读存储介质
CN111754202A (zh) * 2020-06-29 2020-10-09 深圳前海微众银行股份有限公司 票据直贴方法、装置、设备与计算机可读存储介质
CN112162993A (zh) * 2020-11-10 2021-01-01 平安普惠企业管理有限公司 黑名单的数据更新方法、装置以及计算机设备
CN113298636A (zh) * 2021-04-28 2021-08-24 上海淇玥信息技术有限公司 一种基于模拟资源申请的风险控制方法、装置和系统
CN115801457A (zh) * 2023-02-01 2023-03-14 上海金仕达软件科技股份有限公司 一种获取集团内部风险数据总和的加密传输方法
CN111582754B (zh) * 2020-05-19 2024-06-28 深圳前海微众银行股份有限公司 风险排查方法、装置、设备及计算机可读存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659999A (zh) * 2019-08-30 2020-01-07 中国人民财产保险股份有限公司 一种数据处理方法、装置及电子设备
CN111461728A (zh) * 2020-03-31 2020-07-28 支付宝(杭州)信息技术有限公司 一种风险识别方法、装置和系统
CN111461728B (zh) * 2020-03-31 2023-03-10 支付宝(杭州)信息技术有限公司 一种风险识别方法、装置和系统
CN111582754A (zh) * 2020-05-19 2020-08-25 深圳前海微众银行股份有限公司 风险排查方法、装置、设备及计算机可读存储介质
CN111582754B (zh) * 2020-05-19 2024-06-28 深圳前海微众银行股份有限公司 风险排查方法、装置、设备及计算机可读存储介质
CN111754202A (zh) * 2020-06-29 2020-10-09 深圳前海微众银行股份有限公司 票据直贴方法、装置、设备与计算机可读存储介质
CN111754202B (zh) * 2020-06-29 2024-05-28 深圳前海微众银行股份有限公司 票据直贴方法、装置、设备与计算机可读存储介质
CN112162993A (zh) * 2020-11-10 2021-01-01 平安普惠企业管理有限公司 黑名单的数据更新方法、装置以及计算机设备
CN113298636A (zh) * 2021-04-28 2021-08-24 上海淇玥信息技术有限公司 一种基于模拟资源申请的风险控制方法、装置和系统
CN115801457A (zh) * 2023-02-01 2023-03-14 上海金仕达软件科技股份有限公司 一种获取集团内部风险数据总和的加密传输方法
CN115801457B (zh) * 2023-02-01 2023-05-16 上海金仕达软件科技股份有限公司 一种获取集团内部风险数据总和的加密传输方法

Similar Documents

Publication Publication Date Title
CN110109905A (zh) 风险名单数据生成方法、装置、设备及计算机存储介质
US11977995B2 (en) Machine learning artificial intelligence system for predicting hours of operation
CN108876133A (zh) 基于业务信息的风险评估处理方法、装置、服务器和介质
CN110442712B (zh) 风险的确定方法、装置、服务器和文本审理系统
CN110163618A (zh) 异常交易的检测方法、装置、设备及计算机可读存储介质
US20190236608A1 (en) Transaction Aggregation and Multi-attribute Scoring System
CN108304486A (zh) 一种基于区块链的数据处理方法及装置
CN112907243B (zh) 区块链交易审计方法及装置
CN112598513B (zh) 识别股东风险交易行为的方法及装置
CN109523124A (zh) 资产数据处理方法、装置、计算机设备和存储介质
CN111931189A (zh) Api接口转用风险检测方法、装置和api服务系统
CN115758435A (zh) 公司营销数据对外共享安全处理方法及相关设备
CN115936895A (zh) 基于人工智能的风险评估方法、装置、设备及存储介质
CN112669039B (zh) 基于知识图谱的客户风险管控系统及方法
CN117036001A (zh) 交易业务的风险识别处理方法、装置、设备及存储介质
CN116662387A (zh) 业务数据处理方法、装置、设备及存储介质
CN115564591A (zh) 一种融资产品的确定方法及相关设备
CN113094595A (zh) 对象识别方法、装置、计算机系统及可读存储介质
Dziawgo Supervisory technology as a new tool for banking sector supervision
Guo et al. After the collision of crisis and opportunity to redefining the artificial intelligence in finance: the new intelligent finance era
US20240193308A1 (en) Methods and systems for federated learning utilizing customer synthetic data models
US20240193431A1 (en) Methods and systems for forkable federated learning pathways for versatile learning pathways
Annunziata Further issues and final conclusions
Petrivskyi et al. Principles and Algorithms for Creating Automated Intelligent Control Systems of Electronic Banking.
Ikonomi et al. Artificial Intelligence in Insurance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination