CN110941797A - 基于业务指标的经营指标监控及趋势预测系统 - Google Patents

Abstract

本发明公开了一种基于业务指标的经营指标监控及趋势预测系统，采用了指标树模型及先导指标预警模型，变“事后监控”为“事前预测”。本方法包含三个模块：核心指标预警模块，分析业务核心指标，通过因子分解实现核心指标的拆解；模型训练模块，基于指标预警提供的变量，通过线性回归算法和时间序列算法的组合模型训练；模型应用模块，实时预测核心指标变化趋势，并通过实际结果的反馈，支持模型的验证更新。

Description

基于业务指标的经营指标监控及趋势预测系统

技术领域

本发明涉及大数据技术，特别是涉及一种基于业务指标的经营指标监控及趋势预测系统。

背景技术

金融企业，在开展企业内部金融业务中，特别是在企业进行统计报表过程中，其流程通常为各级企事业，行政单位按规定的表格形式、内容、时间要求履行报送程序进行，往往是自上而下统一布置，自下而上提供统计资料的一种统计调查方式。

主要涉及的核心技术包括：线性回归，线性回归是利用梳理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，该运用已十分广泛，而且达到成熟的程度。其表达形式为y＝w＇x+e,e为误差服从均值为0的正态分布。

冠军/挑战者模式即把现有的策略作为冠军策略在生产中使用，在线上应用过程中，为了保证策略的最优，把另一个战略(挑战者)应用到相同或者其他类似可比较的场景，基于可量化的评价指标评估挑战者策略与冠军策略的表现情况，若挑战者策略在评价指标中更有效，则替代冠军策略投产使用，成为新的冠军策略，在生产中使用。

同时，还涉及自回归滑动平均模型，ARMA模型是研究时间序列的重要方法，由自回归模型与滑动平均模型为基础“混合”构成。

发明内容

线性回归算法，能够较好的确定两种或两种以上变量间相互依赖的定量关系，针对经营趋势预测场景，能够有效识别与经营指标相关的因素；以自回归滑动平均模型的未代表的时间序列模型，能够基于历史数据趋势，预测关键指标的发展趋势，但是缺乏问题定位能力，难以明确关键指标发展趋势的影响因素。

以往，部分金融机构主要通过财务指标来发现内部运营问题，而且，统计报表一般为固定模板形式，相对滞后且不易定义问题。本方案创新性地采用了指标树模型及先导指标预警模型，变“事后监控”为“事前预测”，从而可以在一定程度上为金融机构的经营方向提供有价值的参考依据。

采用指标树模型对业务指标进行层层拆解，准确定位金融机构内部运营问题，通过智能、实时的分析方式，直接定位报警指标异常原因；通过采用具有先导性的业务指标替代相对滞后的财务指标预警，及时发现金融机构内部运营问题。根据先导指标与核心指标的历史关系，可以构建预警模型，通过先导指标当前状态/变化预测核心指标的未来变化趋势；

基于如上两点，可更准确、更及时地定位金融机构的运营问题，便于提早发现潜在风险隐患，为解决核心经营问题提供自动化、智能化数据分析支持。

方案该方案基于大数据计算技术，可固化沉淀金融机构多年数据分析模型，将智能分析和数据挖掘方法紧密结合，实现核心指标监控预警，通过采用具有先导性的业务指标替代相对滞后的财务指标预警，及时发现金融机构内部运营问题，主要包括三部分内容：核心指标预警模块、模型训练模块和模型应用模块。

其中，核心指标预警模块包括：核心指标监控模块、因子分析模块、定位异常指标模块、异常指标分析模块；

模型训练模块包括：线性预测模块、时间顺序模块、模型组合模块、模型自更新模块；

模型应用模块包括：数据缓存模块、实施预测模块；

核心指标预警模块为模型训练模块提供变量；

模型训练模块为模型应用模块提供模型。

所述核心指标监控模块，即对核心指标本身的监控，通过核心指标与其前12个月的表现相比较，通过同比和环比等方式，监控并评估核心指标的发展是否正常。

所述因子分析模块，以分期贷款余额核心指标为例，分期贷款余额是卡中心营收的关键指标，通过业务层面的指标拆解，包括分期手续费、成本等因子完成指标第一层拆解，第二层第三层分别通过产品和渠道进行因子拆解，第四层至第七层分别通过交易客户、营销客户、目标客户及存量客户四个层面进行因子拆解，其中第一层至第四层的因子均能够通过公式直接计算与核心指标间的关系，第五层至第七层的因子则是与核心指标间存在线性关系，衍生超过1,000个指标，涵盖指标变化的影响因素。至此，已经实现了核心指标的因子分解，并通过树状结构的展现形式进行可视化展示。

所述定位异常指标模块，核心指标正常时为绿色，异常时在系统中会闪烁且变成红色，同时指标树异常因子同时也会闪烁且变成红色，核心指标与异常因子间的指标树连线也会闪烁且变成红色，帮助定位导致核心指标异常的因子。

所述异常指标分析模块，与核心指标一直，提供其前12个月的表现，通过同比和环比等方式，监控并评估指标的发展是否正常。

优选的，所述模型训练模块，通过线性回归算法和时间序列算法的组合模型训练，结合历史数据验证和应用数据验证，采用“冠军挑战者”模式挑选最优模型。

优选的，所述模型训练模块，结合历史数据验证和应用数据进行验证。

优选的，所述模型训练模块，采用“冠军挑战者”模式挑选最优模型。

优选的，所述模型训练模块中的因子分析模块，可通过因子分解实现核心指标的拆解，并对拆解后指标的影响程度进行量化。

优选的，所述的模型训练模块当中的线性预测模块，采用Time Series算法进行先导指标的趋势预测，基于先导指标的趋势，去预测核心指标的趋势。

优选的，模型应用模块用Redis缓存准实时数据。

本发明技术效果：基于机器学习技术，变“事后监控”为“事前预测”，传统的数据展示，主要是通过报表的方式，报表展示缺乏层次关系且无法分析数据间的关系。核心指标预警平台方案采用了决策树结构的方式，进行数据展示，数据分析人员能够灵活地选择分析节点，并基于节点的树关系，层层递推分析，便于定位问题及进行决策。具体的说：

对于采用参数控制台动态联调模式，变“静态分析”为“动态分析”，即核心指标预警平台基于树结构的展示方式，并设置了参数控制台进行数据展示，数据分析人员能够灵活地选择分析节点，基于参数控制台对参数进行调整，层层联动分析，从而实现变“静态分析”为“动态分析”，以便于定位问题及进行决策。

对于组合预测模型结合自优化模型，是针对解决先导指标预警模型的开发，

难以依赖单一模型实现的问题。先导指标预警模型既需要分析指标与目标的线性关系，也需要分析指标的变化趋势，由此，针对模型的两个分析目标，

分别采用了Liner Regression模型和Time Series模型，并进行了模型的组合，将对目标的趋势预测，细化为相关先导指标的趋势预测，通过组合模型的方式，更准确细致地对业务核心指标进行预测，从而实现更准确高效的数据挖掘。此技术方案的设计，相比传统的静态的数据挖掘模型有明显优势，改变了模型参数及模型系数无法动态更新的情况。核心指标预警平台采用“冠军挑战者”模式，将模型部署到线上，每月基于最新数据训练模型，作为“挑战者”模型，自动与“冠军挑战者”模型进行比较，若“冠军挑战者”模型效果优于冠军模型，则替换线上模型。

附图说明

图1是本发明的基于业务指标的经营指标监控及趋势预测系统的示意图。

具体实施方式

该方案基于大数据计算技术，固化沉淀金融数据分析模型，将智能分析和数据挖掘方法紧密结合，实现核心指标监控预警，通过采用具有先导性的业务指标替代相对滞后的财务指标预警，及时发现金融机构内部运营问题，主要包括三部分内容：核心指标预警模块、模型训练模块和模型应用模块。本系统详细运行说明如下：

1、核心指标预警模块

核心指标监控模块通过因子分解实现异常定位，并为预警模型提供变量选择。具体的，核心指标预警模块联合业务部门，深入分析业务核心指标，基于业务逻辑层层追溯，从客户维度、交易维度、风险维度等多个维度对因子分解，从而实现核心指标的拆解，达到能够具体到每个相关指标的效果，并且，还能够对相关指标对业务影响程度进行量化。以分期贷款余额核心指标为例，该系统具体工作实现过程如下：

(1)基于业务经营需求，设计核心经营指标，分期贷款余额是金融机构，特别是银行类营收的关键指标，基于数据整合，包括分期手续费、成本等因素完成指标定义；

(2)联合相关业务部门从产品、渠道对分期贷款进行划分，并基于交易客户、营销客户、目标客户及存量客户四个层面，涵盖经营能力、客户质量和外部因素等方面，采用树状结构进行细化，衍生超过1,000个指标，形成因子分析模块，涵盖指标变化的影响因素，形成最为全面的分期贷款余额核心指标树；所述因子分析模块，以分期贷款余额核心指标为例，分期贷款余额是卡中心营收的关键指标，通过业务层面的指标拆解，包括分期手续费、成本等因子完成指标第一层拆解，第二层第三层分别通过产品和渠道进行因子拆解，第四层至第七层分别通过交易客户、营销客户、目标客户及存量客户四个层面进行因子拆解，其中第一层至第四层的因子均能够通过公式直接计算与核心指标间的关系，第五层至第七层的因子则是与核心指标间存在线性关系，衍生超过1,000个指标，涵盖指标变化的影响因素。至此，已经实现了核心指标的因子分解，并通过树状结构的展现形式进行可视化展示。

(3)定位异常指标模块能够准确定位经营问题，基于该模块准确定位核心指标的表现情况，并量化各个指标的影响权重，能够帮助业务部门及时定位经营问题。定位异常指标模块的工作机制是，当核心指标正常情况下，显示为绿色，核心指标异常时，在系统中会闪烁且变成红色，同时指标树异常因子同时也会闪烁且变成红色，核心指标与异常因子间的指标树连线也会闪烁且变成红色，帮助定位导致核心指标异常的因子。

(4)异常指标分析模块对指标的关联因素进行拆解，提供指标层级的统计分析，帮助业务完成异常分析，找出经营问题。异常指标分析模块与核心指标一直，提供其前12个月的表现，通过同比和环比等方式，监控并评估指标的发展是否正常。

2、模型训练模块

基于指标预警提供的变量，通过线性回归算法和时间序列算法的组合模型训练，结合历史数据验证和应用数据验证，采用“冠军挑战者”模式挑选最优模型。模型训练通过以下模块配合工作完成：

(1)以核心指标预警模块为基础，确定先导指标与核心指标的历史关系，采用Liner Regression算法识别先导指标与核心指标的历史关系，包括同时间周期的关系以及跨时间周期的关系，构建线性预测模块。

(2)时间顺序模块模块基于线性预测模块结果，采用Time Series算法进行先导指标的趋势预测，基于先导指标的趋势，去预测核心指标的发展趋势。

(3)模型组合模块模块对线性预测及趋势预测模型结果进行组合，基于组合模型结果，形成先导指标预警模型，识别潜在风险隐患，为金融机构的内部运营提供指引。

(4)模型自更新模块采用“冠军挑战者”模式，将模型部署到线上，每月基于最新数据训练模型，作为“挑战者”模型，自动与“冠军”模型进行比较，若“挑战者”模型效果优于冠军模型，则替换线上模型。

3、模型应用模块

模型应用模块基于最优模型，以REDIS缓存准实时数据，实时预测核心指标变化趋势，并通过实际结果的反馈，支持模型的验证更新。

基于以上实施例说明，展示了核心指标预警平台方案采用决策树结构的方式，进行数据展示，数据分析人员能够灵活地选择分析节点，并基于节点的树关系，层层递推分析，便于定位问题及进行决策，变“事后监控”为“事前预测”。同时，采用参数控制台动态联调模式，核心指标预警平台基于树结构的展示方式，设置了参数控制台进行数据展示，数据分析人员可基于参数控制台对参数进行调整，层层联动分析，变“静态分析”为“动态分析”。

组合预测模型结合自优化模型，通过该组合模型的方式，更准确细致地对业务核心指标进行预测。从而实现模型参数及模型系数的动态更新。

Claims (7)

1.一种基于业务指标的经营指标监控及趋势预测系统，其特征在于，包括核心指标预警模块、模型训练模块、模型应用模块，所述核心指标预警模块包括核心指标监控模块、因子分析模块、定位异常指标模块、异常指标分析模块；所述模型训练模块包括线性预测模块、时间顺序模块、模型组合模块；所述模型应用模块包括数据缓存模块、实施预测模块；

其中，所述核心指标监控模块通过所述因子分析模块实现异常定位，定位异常指标模块定位后，异常指标分析模块对指标的关联因素进行分解，提供指标层级的统计分析，得到训练用的数据；

所述模型训练模块基于核心指标预警提供的数据，通过线性预测模块和时间序列模块的组合模型训练，为模型应用模块提供模型；

所述模型应用模块基于最优模型，实时预测核心指标变化趋势，并通过实际结果的反馈，支持模型的验证更新。

2.根据权利要求1所述的基于业务指标的经营指标监控及趋势预测系统，其特征在于，所述模型训练模块通过线性回归算法和时间序列算法进行组合模型训练。

3.根据权利要求2所述的基于业务指标的经营指标监控及趋势预测系统，其特征在于，所述模型训练模块训练得到的模型通过历史数据验证和应用数据验证挑选得到最优模型。

4.根据权利要求1所述的基于业务指标的经营指标监控及趋势预测系统，其特征在于，所述因子分析模块通过因子分解实现指标的拆解，并对拆解后的指标进行量化。

5.根据权利要求1所述的基于业务指标的经营指标监控及趋势预测系统，其特征在于，所述线性预测模块采用Time Series算法进行先导指标的趋势预测，再基于先导指标的趋势预测核心指标的趋势。

6.根据权利要求1所述的基于业务指标的经营指标监控及趋势预测系统，其特征在于，所述模型应用模块用Redis缓存准实时数据。

7.根据权利要求1所述的基于业务指标的经营指标监控及趋势预测系统，其特征在于，所述模型训练模块还带有模型自更新模块。

Images