CN110555564A - 一种客户关联风险的预测方法及装置 - Google Patents
一种客户关联风险的预测方法及装置 Download PDFInfo
- Publication number
- CN110555564A CN110555564A CN201910841953.3A CN201910841953A CN110555564A CN 110555564 A CN110555564 A CN 110555564A CN 201910841953 A CN201910841953 A CN 201910841953A CN 110555564 A CN110555564 A CN 110555564A
- Authority
- CN
- China
- Prior art keywords
- risk
- client
- node
- incidence relation
- pair
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Technology Law (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种客户关联风险的预测方法及装置,依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,得到客户对间每种关联关系的风险传导系数,并进一步对客户对间每种关联关系的风险传导系数进行拟合,得到客户对间的拟合风险传导系数,使客户对间的关联关系风险可量化,在此基础上,依据客户对间的拟合风险传导系数将目标客户群划分为多个风险共同体,便于对其进行风险管理。
Description
技术领域
本发明涉及数据处理技术领域,更具体的,涉及一种客户关联风险的预测方法及装置。
背景技术
在外部经营环境方面,经济增速回落以及经济结构深入调整带来资产质量下行压力。随着企业跨地域、集团化经营业态的发展,风险传导机制日益复杂,增加了风险管理难度。银行信贷规模增长以及客户结构深刻变化,使得客户信用风险表现形式更加多元化,信用风险管理难度持续加大。
当前商业银行的对客户风险的计量,主要考虑客户本身的相关属性进行风险计量,包括客户评级、风险分类、打分卡等技术手段,该类风险计量方式均侧重于客户本身的风险计量,对于风险的关联和传导考虑较少或者不完整,不能对客户信用风险进行准确预测。
发明内容
有鉴于此,本发明提供了一种客户关联风险的预测方法及装置,能够有效解决传统信贷业务中,信用风险管理体系重点关注单个客户、同时过度依赖专家经验等问题。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种客户关联风险的预测方法,包括:
依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数;
分别对每个所述客户对间每种关联关系的风险传导系数进行拟合,得到每个所述客户对间的拟合风险传导系数;
依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体。
可选的,所述依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数,包括:
依据预设关联关系权重体系,确定每个所述客户对间每种关联关系类型对应的权重;
调用预先构建的逻辑回归模型,依据所述客户对间每种关联关系类型对应的权重以及所述客户对间目标客户发生逾期后预设周期内关联客户发生逾期的概率,计算所述客户对间每种关联关系的风险传导系数。
可选的,所述依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体,所述风险共同体中的所有客户具有相同的风险权重,包括:
依据所述目标客户群中每个客户对间的关联关系,生成关联关系网络,所述关联关系网络中的每个节点分别对应一个客户,所述客户对对应的两个节点互为邻居节点,节点之间的边权重为相应所述客户对间的拟合风险传导系数;
为每个节点设置一个唯一客群标识;
当所述关联关系网络不满足收敛条件时,对于任意一个节点,将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,直到所述关联关系网络满足收敛条件,具有相同客群标识的节点对应的客户构成风险共同体,其中,节点的总权重为节点与每个邻居节点之间的边权重之和。
可选的,所述将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,包括:
当存在多个总权重最高的邻居节点时,从其中随机选取一个总权重最高的邻居节点的客群标识作为本节点的客群标识。
一种客户关联风险的预测装置,包括:
风险传导系数计算单元,用于依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数;
风险传导系数拟合单元,用于分别对每个所述客户对间每种关联关系的风险传导系数进行拟合,得到每个所述客户对间的拟合风险传导系数;
风险共同体划分单元,用于依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体。
可选的,所述风险传导系数计算单元,具体用于:
依据预设关联关系权重体系,确定每个所述客户对间每种关联关系类型对应的权重;
调用预先构建的逻辑回归模型,依据所述客户对间每种关联关系类型对应的权重以及所述客户对间目标客户发生逾期后预设周期内关联客户发生逾期的概率,计算所述客户对间每种关联关系的风险传导系数。
可选的,所述风险共同体划分单元,具体用于:
依据所述目标客户群中每个客户对间的关联关系,生成关联关系网络,所述关联关系网络中的每个节点分别对应一个客户,所述客户对对应的两个节点互为邻居节点,节点之间的边权重为相应所述客户对间的拟合风险传导系数;
为每个节点设置一个唯一客群标识;
当所述关联关系网络不满足收敛条件时,对于任意一个节点,将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,直到所述关联关系网络满足收敛条件,具有相同客群标识的节点对应的客户构成风险共同体,其中,节点的总权重为节点与每个邻居节点之间的边权重之和。
可选的,所述风险共同体划分单元,具体用于当存在多个总权重最高的邻居节点时,从其中随机选取一个总权重最高的邻居节点的客群标识作为本节点的客群标识。
相对于现有技术,本发明的有益效果如下:
本发明公开的客户关联风险的预测方法,依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,得到客户对间每种关联关系的风险传导系数,并进一步对客户对间每种关联关系的风险传导系数进行拟合,得到客户对间的拟合风险传导系数,使客户对间的关联关系风险可量化,在此基础上,依据客户对间的拟合风险传导系数将目标客户群划分为多个风险共同体,便于对其进行风险管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种客户关联风险的预测方法的流程示意图;
图2为本发明实施例公开的一种客户关联风险的预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
发明人经研究发现客户的信用风险应该包括两部分,一部分是客户本身产生的风险,另一部分是由于客户各类关联关系带来的传导风险。其中,客户本身产生的风险可以通过客户评级、风险分类、打分卡等现有技术手段进行预测计算,本发明主要涉及对客户关联风险的预测。
请参阅图1,本实施例公开了一种客户关联风险的预测方法,具体包括以下步骤:
S101:依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数;
不同的企业间经常会存在不止一种的关联关系,如担保关系、投资关系等,而不同的关联关系其风险程度不同,因此,在对客户间风险传导进行量化时需要先对两个客户间存在的关联关系进行识别,本实施例对目前客观存在的客户间的关联关系进行梳理,得到以下10大类40种关联关系,并依据在大量历史数据的基础上采用各种科学分析方法计算每种关联关系的权重,构建了关联关系权重体系如下:
表1 关联关系权重体系
通过调用上述关联关系权重体系,可以确定目标客户群中每个客户对间的每种关联关系类型的权重。
调用预先构建的逻辑回归模型,依据所述客户对间每种关联关系类型对应的权重以及所述客户对间目标客户发生逾期后预设周期内关联客户发生逾期的概率,计算所述客户对间每种关联关系的风险传导系数。
具体的,逻辑回归模型如下:
log(pi/1-pi)=α+β1xi1+β2xi2+…+βkxik
log(odds)=α+β1xi1+β2xi2+…+βkxik
P(Y=1)=elog(odds)/(1+elog(odds))
因变量Y=1表示目标客户发生逾期后预设周期内关联客户发生逾期或预警的事件,P(Y=1)表示Y=1时的预测概率,xik表示所有影响P(Y=1)的自变量,即目标客户与关联客户之间每种关联关系类型对应的权重,βk为xik的系数,即xik对应的关联关系的风险传导系数。
S102:分别对每个所述客户对间每种关联关系的风险传导系数进行拟合,得到每个所述客户对间的拟合风险传导系数。
假设客户对AB间存在n种关联关系,每种关联关系的风险传导系数为βn,则客户对AB间风险传导系数拟合采用公式
β=1-(1-β1)(1-β2)(…)(1-βn)
具体的,请参阅表2,客户A与其他客户之间的拟合风险传导系数示例如下:
表2 客户间信用风险传导系数
S103:依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体。
依据所述目标客户群中每个客户对间的关联关系,生成关联关系网络,所述关联关系网络中的每个节点分别对应一个客户,所述客户对对应的两个节点互为邻居节点,节点之间的边权重为相应所述客户对间的拟合风险传导系数;
为每个节点设置一个唯一客群标识;
当所述关联关系网络不满足收敛条件时,对于任意一个节点,将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,直到所述关联关系网络满足收敛条件,具有相同客群标识的节点对应的客户构成风险共同体,其中,节点的总权重为节点与每个邻居节点之间的边权重之和。
需要说明的是,当存在多个总权重最高的邻居节点时,从其中随机选取一个总权重最高的邻居节点的客群标识作为本节点的客群标识。
其中,收敛条件是指移动任一节点,整个关联关系网络的模块度不再增加,即达到收敛。也就是说,关联关系网络中风险共同体不再改变。
本实施例公开的客户关联风险的预测方法,依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,得到客户对间每种关联关系的风险传导系数,并进一步对客户对间每种关联关系的风险传导系数进行拟合,得到客户对间的拟合风险传导系数,使客户对间的关联关系风险可量化,在此基础上,依据客户对间的拟合风险传导系数将目标客户群划分为多个风险共同体,便于对其进行风险管理。
基于上述实施例公开的一种客户关联风险的预测方法,本实施例对应公开了一种客户关联风险的预测装置,请参阅图2,该装置包括:
风险传导系数计算单元201,用于依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数;
风险传导系数拟合单元202,用于分别对每个所述客户对间每种关联关系的风险传导系数进行拟合,得到每个所述客户对间的拟合风险传导系数;
风险共同体划分单元203,用于依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体。
可选的,所述风险传导系数计算单元201,具体用于:
依据预设关联关系权重体系,确定每个所述客户对间每种关联关系类型对应的权重;
调用预先构建的逻辑回归模型,依据所述客户对间每种关联关系类型对应的权重以及所述客户对间目标客户发生逾期后预设周期内关联客户发生逾期的概率,计算所述客户对间每种关联关系的风险传导系数。
可选的,所述风险共同体划分单元203,具体用于:
依据所述目标客户群中每个客户对间的关联关系,生成关联关系网络,所述关联关系网络中的每个节点分别对应一个客户,所述客户对对应的两个节点互为邻居节点,节点之间的边权重为相应所述客户对间的拟合风险传导系数;
为每个节点设置一个唯一客群标识;
当所述关联关系网络不满足收敛条件时,对于任意一个节点,将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,直到所述关联关系网络满足收敛条件,具有相同客群标识的节点对应的客户构成风险共同体,其中,节点的总权重为节点与每个邻居节点之间的边权重之和。
可选的,所述风险共同体划分单元,具体用于当存在多个总权重最高的邻居节点时,从其中随机选取一个总权重最高的邻居节点的客群标识作为本节点的客群标识。
本实施例公开的客户关联风险的预测装置,依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,得到客户对间每种关联关系的风险传导系数,并进一步对客户对间每种关联关系的风险传导系数进行拟合,得到客户对间的拟合风险传导系数,使客户对间的关联关系风险可量化,在此基础上,依据客户对间的拟合风险传导系数将目标客户群划分为多个风险共同体,便于对其进行风险管理。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种客户关联风险的预测方法,其特征在于,包括:
依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数;
分别对每个所述客户对间每种关联关系的风险传导系数进行拟合,得到每个所述客户对间的拟合风险传导系数;
依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体。
2.根据权利要求1所述的方法,其特征在于,所述依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数,包括:
依据预设关联关系权重体系,确定每个所述客户对间每种关联关系类型对应的权重;
调用预先构建的逻辑回归模型,依据所述客户对间每种关联关系类型对应的权重以及所述客户对间目标客户发生逾期后预设周期内关联客户发生逾期的概率,计算所述客户对间每种关联关系的风险传导系数。
3.根据权利要求1所述的方法,其特征在于,所述依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体,所述风险共同体中的所有客户具有相同的风险权重,包括:
依据所述目标客户群中每个客户对间的关联关系,生成关联关系网络,所述关联关系网络中的每个节点分别对应一个客户,所述客户对对应的两个节点互为邻居节点,节点之间的边权重为相应所述客户对间的拟合风险传导系数;
为每个节点设置一个唯一客群标识;
当所述关联关系网络不满足收敛条件时,对于任意一个节点,将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,直到所述关联关系网络满足收敛条件,具有相同客群标识的节点对应的客户构成风险共同体,其中,节点的总权重为节点与每个邻居节点之间的边权重之和。
4.根据权利要求3所述的方法,其特征在于,所述将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,包括:
当存在多个总权重最高的邻居节点时,从其中随机选取一个总权重最高的邻居节点的客群标识作为本节点的客群标识。
5.一种客户关联风险的预测装置,其特征在于,包括:
风险传导系数计算单元,用于依据预设关联关系权重体系和目标客户群中每个客户对间的关联关系类型,计算每个所述客户对间每种关联关系的风险传导系数;
风险传导系数拟合单元,用于分别对每个所述客户对间每种关联关系的风险传导系数进行拟合,得到每个所述客户对间的拟合风险传导系数;
风险共同体划分单元,用于依据每个所述客户对间的拟合风险传导系数将所述目标客户群划分为多个风险共同体。
6.根据权利要求5所述的装置,其特征在于,所述风险传导系数计算单元,具体用于:
依据预设关联关系权重体系,确定每个所述客户对间每种关联关系类型对应的权重;
调用预先构建的逻辑回归模型,依据所述客户对间每种关联关系类型对应的权重以及所述客户对间目标客户发生逾期后预设周期内关联客户发生逾期的概率,计算所述客户对间每种关联关系的风险传导系数。
7.根据权利要求5所述的装置,其特征在于,所述风险共同体划分单元,具体用于:
依据所述目标客户群中每个客户对间的关联关系,生成关联关系网络,所述关联关系网络中的每个节点分别对应一个客户,所述客户对对应的两个节点互为邻居节点,节点之间的边权重为相应所述客户对间的拟合风险传导系数;
为每个节点设置一个唯一客群标识;
当所述关联关系网络不满足收敛条件时,对于任意一个节点,将所有邻居节点中总权重最高的节点的客群标识作为本节点的客群标识,直到所述关联关系网络满足收敛条件,具有相同客群标识的节点对应的客户构成风险共同体,其中,节点的总权重为节点与每个邻居节点之间的边权重之和。
8.根据权利要求7所述的装置,其特征在于,所述风险共同体划分单元,具体用于当存在多个总权重最高的邻居节点时,从其中随机选取一个总权重最高的邻居节点的客群标识作为本节点的客群标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910841953.3A CN110555564A (zh) | 2019-09-06 | 2019-09-06 | 一种客户关联风险的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910841953.3A CN110555564A (zh) | 2019-09-06 | 2019-09-06 | 一种客户关联风险的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555564A true CN110555564A (zh) | 2019-12-10 |
Family
ID=68739310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910841953.3A Pending CN110555564A (zh) | 2019-09-06 | 2019-09-06 | 一种客户关联风险的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555564A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339436A (zh) * | 2020-02-11 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种数据识别方法、装置、设备以及可读存储介质 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004102801A (ja) * | 2002-09-11 | 2004-04-02 | Mitsui Sumitomo Insurance Co Ltd | 保険料算出サーバ、保険料算出方法、及びプログラム |
US8943154B1 (en) * | 2012-05-11 | 2015-01-27 | Amazon Technologies, Inc. | Systems and methods for modeling relationships between users, network elements, and events |
CN108550076A (zh) * | 2018-04-23 | 2018-09-18 | 中国农业银行股份有限公司 | 一种核心客户的识别方法、装置及电子设备 |
CN108711064A (zh) * | 2018-06-06 | 2018-10-26 | 中国农业银行股份有限公司 | 一种划分客户关系网络的方法及装置 |
CN109949046A (zh) * | 2018-11-02 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
-
2019
- 2019-09-06 CN CN201910841953.3A patent/CN110555564A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004102801A (ja) * | 2002-09-11 | 2004-04-02 | Mitsui Sumitomo Insurance Co Ltd | 保険料算出サーバ、保険料算出方法、及びプログラム |
US8943154B1 (en) * | 2012-05-11 | 2015-01-27 | Amazon Technologies, Inc. | Systems and methods for modeling relationships between users, network elements, and events |
CN108550076A (zh) * | 2018-04-23 | 2018-09-18 | 中国农业银行股份有限公司 | 一种核心客户的识别方法、装置及电子设备 |
CN108711064A (zh) * | 2018-06-06 | 2018-10-26 | 中国农业银行股份有限公司 | 一种划分客户关系网络的方法及装置 |
CN109949046A (zh) * | 2018-11-02 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339436A (zh) * | 2020-02-11 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种数据识别方法、装置、设备以及可读存储介质 |
CN111339436B (zh) * | 2020-02-11 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 一种数据识别方法、装置、设备以及可读存储介质 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102121360B1 (ko) | 사용자 신용 점수를 최적화하기 위한 방법 및 장치 | |
Economou et al. | Equilibrium customer strategies and social–profit maximization in the single‐server constant retrial queue | |
CN104737132B (zh) | 用于按需服务环境中的消息队列的基于竞价的资源共享 | |
WO2021208720A1 (zh) | 基于强化学习的业务分配方法、装置、设备及存储介质 | |
CN104202339B (zh) | 一种基于用户行为的跨云认证服务方法 | |
CN104424598A (zh) | 现金需求量预测装置与方法 | |
CN104468413B (zh) | 一种网络服务方法及系统 | |
US11769099B2 (en) | Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring | |
CN106779608B (zh) | 一种基于微信平台的信息处理方法及信息处理系统 | |
CN107862615A (zh) | 理赔信息处理方法、装置、计算机设备和存储介质 | |
CN111080101A (zh) | 一种基于ahp对供电渠道服务效能多维度评价的方法 | |
CN110555564A (zh) | 一种客户关联风险的预测方法及装置 | |
Wilson et al. | Entry threat, entry delay, and Internet speed: The timing of the US broadband rollout | |
Aktekin et al. | Stochastic call center staffing with uncertain arrival, service and abandonment rates: A Bayesian perspective | |
CN109428760B (zh) | 一种基于运营商数据的用户信用评估方法 | |
Glas et al. | Uncertainty measures from partially rounded probabilistic forecast surveys | |
US20220229926A1 (en) | Predictive update of profile database with update logic | |
CN110991744B (zh) | 一种交易限额的设置方法及系统 | |
Lee et al. | Semiparametric regression analysis for alternating recurrent event data | |
CN111291957A (zh) | 生成客服调度信息的方法及装置、电子设备、存储介质 | |
Ma et al. | Dynamic pricing in the presence of participation-dependent social learning | |
CN109872215A (zh) | 一种基于互联网的家居设计提供方法及系统 | |
Koudou et al. | Efficiency combined with simplicity: new testing procedures for Generalized Inverse Gaussian models | |
Wang et al. | Perspectives of bandwidth sharing schemes in communication systems with blocking | |
Delgado Alvarez et al. | Managing service facilities with endogenous arrival and service rates |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |