CN110716774B

CN110716774B - 金融业务数据大脑的数据驱动方法、系统及存储介质

Info

Publication number: CN110716774B
Application number: CN201910779023.XA
Authority: CN
Inventors: 毕锋; 吴文; 宋刚
Original assignee: Huaxin Yongdao Beijing Technology Co ltd
Current assignee: Huaxin Yongdao Beijing Technology Co ltd
Priority date: 2019-08-22
Filing date: 2019-08-22
Publication date: 2021-06-25
Anticipated expiration: 2039-08-22
Also published as: CN110716774A

Abstract

本发明提供一种金融业务数据大脑的数据驱动方法、系统及存储介质，其中的方法包括数据拉取方式和数据推送方式；其中，数据拉取方式包括：根据用户操作事件的编码执行对应的驱动模型；基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示；数据推送方式包括：基于驱动条件触发驱动事件，并调用驱动引擎API；通过驱动引擎API执行驱动对象API和驱动模型API，驱动模型API根据成员依赖执行大数据API；通过大数据API对驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过消息列队将分析处理结果推送至前端展示。利用上述发明能够实现业务数据智能驱动的转型，给客户提供智能化金融化服务及智能化运维能力的体验。

Description

金融业务数据大脑的数据驱动方法、系统及存储介质

技术领域

本发明涉及数据驱动技术领域，更为具体地，涉及一种金融业务数据大脑的数据驱动方法、系统及存储介质。

背景技术

伴随着信息技术的迅猛发展，基础层的云计算、大数据等因素的成熟带来了人工智能的进步，近年来人工智能概念发展十分迅速，深度学习带来的技术突破使得复杂任务处理准确率得到大幅提升，人工智能步入发展黄金期。

在大数据处理能效显著提升与人工智能快速渗透的时代背景下，行业大数据搭载人工智能技术，使行业数据的分析越来越科技化、多样化与普适化，虽然在我国大数据的挖掘和应用尚在起步阶段，但如政务、金融等行业数据作为大数据中最具含金量的数据源，也逐渐受到越来越多的重视。

目前，随着人工智能与大数据分析理念的普及，各种大数据分析应用系统层出不穷。现有技术中也出现了一些行业大数据系统平台，但是这些大数据平台都是针对业务领域或应用实现的大数据分析系统，并不能探知客户需求所在、应用场景所在，使得数据驱动的数字化、智能化程度较低，导致用户体验差、风控防控能力较弱。

发明内容

鉴于上述问题，本发明的目的是提供一种金融业务数据大脑的数据驱动方法、系统及存储介质，以解决目前数据驱动的数字化、智能化程度较低，导致用户体验差、风险防控能力较弱等问题。

本发明提供的金融业务数据大脑的数据驱动方法，包括数据拉取方式和数据推送方式；其中，

数据拉取方式包括：

根据用户操作事件的编码执行对应的驱动模型；

基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示；

数据推送方式包括：

基于驱动条件触发驱动事件，并调用驱动引擎API；

通过驱动引擎API执行驱动对象API和驱动模型API，驱动模型API根据成员依赖执行大数据API；

通过大数据API对驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过消息列队将分析处理结果推送至前端展示。

在一个具体实施方式中，驱动模型预先定义在数据库表中；

驱动模型包括驱动模型ID、驱动模型描述、驱动对象类型、驱动对象展示方式、驱动对象展示位置、协同模型算法、驱动推送渠道、驱动方式、定时表达式和大数据API。

在一个具体实施方式中，基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示的步骤包括：

驱动模型API通过API方式或者参数方式获取与用户操作事件相对应的驱动主体ID；

驱动引擎API通过成员依赖执行驱动对象API方法，同时通过反射实例化执行驱动模型API方法；

驱动模型API通过成员依赖规则API调用对应的规则引擎，同时通过成员依赖参数API，调用参数引擎；

规则引擎与参数引擎通过联合运算返回执行策略编码；

根据策略编码返回对应的策略结果作为解析执行结果，并在前端浏览器中展现。

在一个具体实施方式中，数据推送方式还包括：

通过ETL定时任务从业务系统数据库和系统日志平台进行数据抽取和转换，抽取和转换后的数据经数据清洗后持久化存储到数据仓库中；

同时，驱动引擎的批量作业任务通过事件与ETL任务隐性关联，当满足驱动条件时触发驱动事件，并调用驱动引擎API。

在一个具体实施方式中，通过大数据API对驱动事件进行数据分析处理的步骤包括：

采用实时计算方式：大数据API访问实时计算平台，通过实时计算平台实时分析运算并返回分析处理结果；

或者，采用离线计算方式：大数据API调用离线计算平台，通过离线计算平台访问数据仓库中的数据进行分析计算并返回分析处理结果。

在一个具体实施方式中，消息列队包括风险监控平台消息队列和运维监控平台消息队列；

风险监控平台和运维监控平台的消息消费者将分析处理结果推送到告警平台，最终发送到短信平台、呼叫中心平台和Email平台；

同时，运维监控平台将分析处理结果推送至运维监控大屏展示。

此外，本发明还提供一种金融业务数据大脑的数据驱动系统，系统包括数据拉取单元和数据推送单元；其中，

数据拉取单元包括：

驱动模型调用模块，根据用户操作事件的编码执行对应的驱动模型；

结果反馈及展示模块，用于基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示；

数据推送单元包括：

驱动引擎API调用模块，用于基于驱动条件触发驱动事件，并调用驱动引擎API；

大数据API执行模块，用于通过驱动引擎API执行驱动对象API和驱动模型API，驱动模型API根据成员依赖执行大数据API；

结果推送及展示模块，用于通过大数据API对驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过消息列队将分析处理结果推送至前端展示。

在一个具体实施方式中，结果反馈及展示模块包括：

驱动主体ID获取模块，用于驱动模型API通过API方式或者参数方式获取与用户操作事件相对应的驱动主体ID；

驱动模型API方法执行模块，用于驱动引擎API通过成员依赖执行驱动对象API方法，同时通过反射实例化执行驱动模型API方法；

参数引擎调用模块，用于驱动模型API通过成员依赖规则API调用对应的规则引擎，同时通过成员依赖参数API，调用参数引擎；

执行策略编码返回模块，用于规则引擎与参数引擎通过联合运算返回执行策略编码；

展示模块，用于根据策略编码返回对应的策略结果作为解析执行结果，并在前端浏览器中展现。

在一个具体实施方式中，数据推送单元还包括：

数据存储模块，用于通过ETL定时任务从业务系统数据库和系统日志平台进行数据抽取和转换，抽取和转换后的数据经数据清洗后持久化存储到数据仓库中；

此外，本发明还提供一种算机可读存储介质，计算机可读存储介质中包括金融业务数据大脑的数据驱动程序，金融业务数据大脑的数据驱动程序被处理器执行时，实现如上的金融业务数据大脑的数据驱动方法中的任一步骤。

利用上述金融业务数据大脑的数据驱动方法、装置及存储介质，具有极致体验的智能化金融化服务及智能化运维能力；同时，能够深入客户行为习惯，用大数据方式说话，通过业务数据驱动赋能人工智慧去探知客户需求所在、应用场景所在，以提升用户体验。此外，本发明中业务数据大脑及数据驱动建立，让数据说话，为业务指路，最终为客户提供一个极致的客户体验，从而实现业务数据智能驱动的业务转型，实现一条数字化、智能化、降成本、提升服务质量和效率、提高智能化风险防控能力之路。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的金融业务数据大脑的数据驱动方法的流程图一；

图2为根据本发明实施例的金融业务数据大脑的数据驱动方法的流程图二；

图3为根据本发明实施例的金融业务数据大脑的数据驱动方法的原理图：

图4为根据本发明实施例的金融业务数据大脑的数据驱动系统的逻辑框图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

为详细描述本发明的金融业务数据大脑的数据驱动方法，以下将结合附图对本发明的具体实施例进行详细描述。

图1、图2和图3分别示出了根据本发明实施例的金融业务数据大脑的数据驱动方法的流程图和原理图。

如图1和图2共同所示，本发明实施例的金融业务数据大脑的数据驱动方法包括数据拉取方式和数据推送方式。

其中，数据拉取方式包括：

S110：根据用户操作事件的编码执行或调取对应的驱动模型。

其中，用户操作事件可以在应用层实现或采集，应用层可以为柜面系统、渠道系统、运维系统、网上业务系统、移动端APP等，驱动模型预先定义在数据库表中；驱动模型包括驱动模型ID、驱动模型描述、驱动对象类型、驱动对象展示方式、驱动对象展示位置(H-UIheader区；L-Left区；R-right区；B-bottom区；M-middle区)、协同模型算法(00-距离模型；01-矩阵分解模型；03-图模型)、驱动推送渠道、驱动方式(0-推送方式；1-拉取方式)、定时表达式和大数据API。

S120：基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示。

基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示的步骤包括：

1、驱动模型API通过API方式或者参数方式获取与用户操作事件相对应的驱动主体ID；

2、驱动引擎API通过成员依赖执行驱动对象API方法，同时通过反射实例化执行驱动模型API方法；

3、驱动模型API通过成员依赖规则API调用对应的规则引擎，同时通过成员依赖参数API，调用参数引擎；

4、规则引擎与参数引擎通过联合运算返回执行策略编码；

5、根据策略编码返回对应的策略结果作为解析执行结果，并在前端浏览器中展现。

数据推送方式包括：

S210：基于驱动条件触发驱动事件，并调用驱动引擎API。

S220：通过驱动引擎API执行驱动对象API和驱动模型API，驱动模型API根据成员依赖执行大数据API。

S230：通过大数据API对驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过消息列队将分析处理结果推送至前端展示。

此外，数据推送方式还包括：

上述步骤S230通过大数据API对驱动事件进行数据分析处理的步骤进一步包括实时计算和离线计算两种数据分析处理方式。

采用离线计算方式：大数据API调用离线计算平台，通过离线计算平台访问数据仓库中的数据进行分析计算并返回分析处理结果。

作为具体示例，以下将结合具体实施例对本发明进行详细描述。

本发明实施例的金融业务数据大脑的数据驱动方法总体上分为：数据采集、数据建模(驱动模型的创建，以下模型均指代驱动模型)、数据分析和数据驱动展示四个步骤。其中，数据采集作为数据驱动的基础其类型包括用户行为数据、用户数据、业务运行数据和内容数据等。

换言之，金融业务数据大脑的数据驱动方法总体上分为以下步骤：

步骤一：采集待分析的金融业务数据；

步骤二：基于金融业务数据进行数据建模，数据建模包括数据存储、数据模型创建和数据处理；

步骤三：根据创建的数据模型对金融业务数据进行数据分析处理，并获取对应的分析处理结果；

步骤四：将金融业务数据的分析处理结果进行数据驱动展示。

具体地，在数据采集过程中，数据采集的对象包括：

1、前端操作，例如点击按钮、下拉选择、功能操作、页面跳转；

2、后端代码，例如关键后端操作逻辑点；

3、后端日志，规范日志输出精细化分析业务，如查询、办理等业务操作；

4、业务数据，例如，用户基础信息、配偶信息、缴存数据、贷款数据等离散元素。

在上述数据采集过程中，可采用前端埋点或后端埋点的方式。其中，前端埋点主要指在前端嵌入数据驱动，对每一关键行为调用接口，将必要的时间、属性字段写入代码，发送到后台服务器。后端埋点或代码埋点主要是指将相关事件、属性通过后端模块调用数据驱动接口的方式发送到后台服务器。这种数据采集方式颗粒度更细，灵活下钻，方便后续深入分析。

另一方面，数据建模进一步包含数据存储、模型创建和数据处理；数据建模最重要的是数据模型的选择创建以及对应的储存。在本发明具体实施例中，可选用三种数据模型：Item实体模型、Event事件模型、User用户模型，其他自定义模型可通过此三种模型实现，在此模型下面能够减少数据采集到建模所要做的工作，从而确保数据驱动的通用化和产品化。

以智能推荐为例，智能推荐是以用户为中心的推荐，为提升用户的体验、提高用户留存，按照数据驱动技术方案，完成采集点击日志、展示日志、业务日志等所需用户行为数据，基于行为数据构建学习算法策略，采用梯度提升决策树加逻辑回归算法排序模型训练数据。

然后，在粗排序阶段根据用户的历史行为数据分析出其兴趣和偏好，再在海量的政策信息、业务信息、业务功能等内容中，挑选出一个小的候选集，例如用户主要对贷款业务感兴趣，候选集可以是贷款政策和贷款相关功能的内容，排序阶段会以此为基础进行更精准地计算，通过机器学习预估用户的喜欢程度对使用不同的算法获得的候选集的内容进行更精细化地打分，使其变得有序，经过这两个阶段后，最终为用户精挑细选出用户最感兴趣的高质量内容展现。

可知，本发明中对于数据驱动的数字化转型，其主要是从海量的数据中挖掘价值、获取洞察，进而帮助企业提升运营效率、降低管理成本、增强在市场上的竞争力。金融领域产品同质化严重，同时监管力度越来越强。求变求新，通过新的产品和服务来应对利差减小压力，通过业务数字驱动提高业务管理水平、提高智能化风险防控能力已成为当务之急。

与上述金融业务数据大脑的数据驱动方法相对应，本发明还提供一种金融业务数据大脑的数据驱动系统100，系统包括数据拉取单元和数据推送单元。

如图4根据本发明实施例的金融业务数据大脑的数据驱动系统的逻辑图所示：

本发明实施例的金融业务数据大脑的数据驱动系统100包括数据拉取单元和数据推送单元；其中，

数据拉取单元10包括：

驱动模型调用模块11，根据用户操作事件的编码执行或调取对应的驱动模型；

结果反馈及展示模块12，用于基于驱动模型对用户操作事件进行解析执行，并将解析执行结果反馈至前端展示；

数据推送单元20包括：

驱动引擎API调用模块21，用于基于驱动条件触发驱动事件，并调用驱动引擎API；

大数据API执行模块22，用于通过驱动引擎API执行驱动对象API和驱动模型API，驱动模型API根据成员依赖执行大数据API；

结果推送及展示模块23，用于通过大数据API对驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过消息列队将分析处理结果推送至前端展示。

在一个具体实施方式中，结果反馈及展示模块包括：

在一个具体实施方式中，数据推送单元还包括：

利用上述本发明的金融业务数据大脑的数据驱动方法、系统及存储介质，通过金融业务数据大脑封装规则引擎、参数引擎、ETL数据抽取引擎、大数据引擎等内部结构，客户端只需要通过配置界面进行简单的策略定义及配置，而无需关心复杂的技术实现细节，即可实现业务数据驱动功能；能够盘活金融业务数据资产打造核心能力，提供极致体验的智能化金融化服务及智能化运维能力、智能化风险防控能力。同时，能够深入客户行为习惯，通过业务数据赋能人工智慧去探知客户需求所在、应用场景所在，提升用户体验。

如上参照附图以示例的方式描述根据本发明的金融业务数据大脑的数据驱动方法、系统及存储介质。但是，本领域技术人员应当理解，对于上述本发明所提出的金融业务数据大脑的数据驱动方法、系统及存储介质，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims

1.一种金融业务数据大脑的数据驱动方法，其特征在于，所述方法包括数据拉取方式和数据推送方式；其中，

所述数据拉取方式包括：

根据用户操作事件的编码执行对应的驱动模型；

基于所述驱动模型对所述用户操作事件进行解析执行，并将所述解析执行结果反馈至前端展示；

所述数据推送方式包括：

通过ETL定时任务从业务系统数据库和系统日志平台进行数据抽取和转换，所述抽取和转换后的数据经数据清洗后持久化存储到数据仓库中；

同时，驱动引擎的批量作业任务通过事件与ETL任务隐性关联，当满足驱动条件时触发驱动事件，并调用所述驱动引擎API；

通过所述驱动引擎API执行驱动对象API和驱动模型API，所述驱动模型API根据成员依赖执行大数据API；

通过所述大数据API对所述驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过所述消息列队将所述分析处理结果推送至前端展示；其中，

所述基于所述驱动模型对所述用户操作事件进行解析执行，并将所述解析执行结果反馈至前端展示的步骤包括：

所述驱动模型API通过API方式或者参数方式获取与所述用户操作事件相对应的驱动主体ID；

所述驱动模型API通过成员依赖规则API调用对应的规则引擎，同时通过成员依赖参数API，调用参数引擎；

所述规则引擎与所述参数引擎通过联合运算返回执行策略编码；

根据所述策略编码返回对应的策略结果作为所述解析执行结果，并在前端浏览器中展现。

2.根据权利要求1所述的金融业务数据大脑的数据驱动方法，其特征在于，

所述驱动模型预先定义在数据库表中；

所述驱动模型包括驱动模型ID、驱动模型描述、驱动对象类型、驱动对象展示方式、驱动对象展示位置、协同模型算法、驱动推送渠道、驱动方式、定时表达式和所述大数据API。

3.根据权利要求1所述的金融业务数据大脑的数据驱动方法，其特征在于，所述通过所述大数据API对所述驱动事件进行数据分析处理的步骤包括：

采用实时计算方式：所述大数据API访问实时计算平台，通过所述实时计算平台实时分析运算并返回所述分析处理结果；

或者，采用离线计算方式：所述大数据API调用离线计算平台，通过所述离线计算平台访问所述数据仓库中的数据进行分析计算并返回所述分析处理结果。

4.根据权利要求1所述的金融业务数据大脑的数据驱动方法，其特征在于，

所述消息列队包括风险监控平台消息队列和运维监控平台消息队列；

所述风险监控平台和所述运维监控平台的消息消费者将所述分析处理结果推送到告警平台，最终发送到短信平台、呼叫中心平台和Email平台；

同时，所述运维监控平台将所述分析处理结果推送至运维监控大屏展示。

5.一种金融业务数据大脑的数据驱动系统，其特征在于，所述系统包括数据拉取单元和数据推送单元；其中，

所述数据拉取单元包括：

结果反馈及展示模块，用于基于所述驱动模型对所述用户操作事件进行解析执行，并将所述解析执行结果反馈至前端展示；

所述数据推送单元包括：

数据存储模块，用于通过ETL定时任务从业务系统数据库和系统日志平台进行数据抽取和转换，所述抽取和转换后的数据经数据清洗后持久化存储到数据仓库中；

驱动引擎API调用模块，用于驱动引擎的批量作业任务通过事件与ETL任务隐性关联，当满足驱动条件时触发驱动事件，并调用所述驱动引擎API；

大数据API执行模块，用于通过所述驱动引擎API执行驱动对象API和驱动模型API，所述驱动模型API根据成员依赖执行大数据API；

结果推送及展示模块，用于通过所述大数据API对所述驱动事件进行数据分析处理，并将分析处理结果发送至消息列队中，通过所述消息列队将所述分析处理结果推送至前端展示；其中，所述结果反馈及展示模块包括：

驱动主体ID获取模块，用于所述驱动模型API通过API方式或者参数方式获取与所述用户操作事件相对应的驱动主体ID；

参数引擎调用模块，用于所述驱动模型API通过成员依赖规则API调用对应的规则引擎，同时通过成员依赖参数API，调用参数引擎；

执行策略编码返回模块，用于所述规则引擎与所述参数引擎通过联合运算返回执行策略编码；

展示模块，用于根据所述策略编码返回对应的策略结果作为所述解析执行结果，并在前端浏览器中展现。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括金融业务数据大脑的数据驱动程序，所述金融业务数据大脑的数据驱动程序被处理器执行时，实现如权利要求1至4中任一项所述的金融业务数据大脑的数据驱动方法的步骤。