CN111178672A - 一种基于平衡性的智能稽查方法 - Google Patents

Abstract

本发明公开了一种基于平衡性的智能稽查方法，包括将平衡审计式营销业务精准稽查应用至电力营销业务相关对象稽查方法的差错规则中；对电量电费相关业务对象的数据审计产生的数据进行业务数据全视角质检；对全视角质检后的异常问题的主动发现与有效提；构建精准稽查模型；并对异常问题智能处理及结果自动验；最后对电力营销业务相关对象稽查方法的差错规则的动态跟新，实现了融合现代化的审计技术对电费抄核收异常特征的智能提取，问题异常关联分析，智能比对评价结果，自动更新规则库，预警联动的全新的电量电费智能稽查体系。

Description

一种基于平衡性的智能稽查方法

技术领域

本发明涉及信息技术领域，具体涉及一种基于平衡性的智能稽查方法。

背景技术

目前营销稽查依据传统的稽查管理体制和稽查模式，对电费抄核收板块的差错规则采用的是SQL的方式，现有的营销稽查方式依靠单个稽查规则，通过简单的SQL实现，只能解决基础档案类静态的数据，而对于电量电费差错动态连续性的数据，无法通过准确的规则合理的判断，从而造成定义的规则虽然准确却精准度不到位，核查的结果误差率高，业务风险预警薄弱，需要人工筛选的工作量持高不下，影响稽查工作的效益。

发明内容

为此，本发明提供一种基于平衡性的智能稽查方法，通过借鉴审计的思路开展电力营销深度挖掘稽查的工作理论和方法路径，将审计的模式应用到抄核收稽查规则里，建立一种基于平衡性的智能稽查方式的新稽查体系，解决了使用SQL方式的差错规则的核查结果误差率高，业务风险预警薄弱，需要人工筛选的工作量持高不下，以及影响稽查工作的效益等问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于平衡性的智能稽查方法，包括如下步骤:

S100、构建平衡审计式营销业务精准稽查模式下电力营销业务的抄核收板块的差错规则，并通过差错规则对电力营销业务下的电量电费相关业务对象进行数据审计，生成审计数据；

S200、对所述成审计数据从数据缺失质检、数据不正确质检、数据不一致质检和库表关联性四个方面进行全视角数据质检，并在全视角数据质检过程中采用深度学习算法提炼数据中的异常计费数据进行补充和验证，生成质检数据；

S300、利用差错规则对所述质检数据进行异常问题提取；构建异常问题库，利用大数据异常问题分析法，依照异常的发生频率和数据平均位移方法提取质检数据的异常特征，将异常问题和异常特征进行关联分析。

S400、利用差错规则构建异常问题库内的异常问题相互之间关联信息的精准稽查模型，利用所述精准稽查模型发现问题库内异常问题之间的相关程度，以及某一异常问题引起其他异常问题出现的概率；

S500、利用模糊综合评价方法对数据审计产生数据，对利用模糊综合评价方法对数据审计产生的数据进行异常问题评价，并将异常问题和异常特征关联分析的结果与异常问题评价的结果进行对比验证，判断是否为异常问题，并在判断为异常问题时启动异常问题处理流程；

S600、根据步骤S100～S500的异常问题分析结果反复匹配差错规则，再根据电力营销业务政策法规、电力营销业务逻辑、数据勾稽关系以及电量电费相关业务对象经验形成专家规则。

可选的，还包括构建S100～S600步骤的异常问题预警模型，所述异常问题预警模型从执行层、管理层和领导层进行1～5级构建；

1～2级的预警模型的预警阈值依据执行层、管理层和领导层的工作标准时限和异常问题出现概率进行设置；

3～5级的依据模糊综合评价方法评价异常问题的严重程度进行阈值设置。

可选的，所述步骤S100包括：

S101、整理适合电力营销业务稽查审计的底稿，设计电力营销业务稽查审计的模板，检查异常问题预警模型下达的自查提纲；并在检查前制作检查计划书，在检查过程对各电力营销业务的相关业务对象的票据与费用的详细验证检查；

S102、运用分析性复核方法的比较分析、比率分析和趋势分析将待稽查的相关业务对象当期的财务、非财务、电费的信息与之前时期、历史同期以及类似行业信息比对分析。

可选的，所述步骤S200中，对所述成审计数据从数据缺失质检、数据不正确质检、数据不一致质检和库表关联性四个方面进行全视角数据质检包括：

数据缺失质检：对电量电费相关业务对象的数据缺失项进行标识；

数据不正确质检：通过设定的关键字提取不规范，不正确的数据字段；

数据不一致质检：对比同字段的电量电费数据值是否一致；

库表关联性：对于数据审计产生的数据的级联准确性进行检测。

可选的，所述步骤S300中，利用大数据异常问题分析法，依照数据发生频率和数据平均位移方法提取质检数据的异常特征的表征变量包括：平均问题数、问题频率、问题标准差、问题斜率，且异常特征的表征变量为一个统计时间周期内的表征变量。

可选的，所述步骤S300包括：

S301、根据差错规则对质检数据进行问题类别划分和预处理，对预处理数据采用K-Means算法(k均值聚类算法)分析和密度等聚类算法后定位到具体的异常问题；

S302、提取平均问题数、问题频率、问题标准差、问题斜率，作为被定位的异常问题的表征变量；

S303、通过电力营销业务相关对象的用户编号和时间信息对提取的问题库中异常问题和被定位的异常问题的表征变量进行关联分析，获取同一异常问题基因。

S304、采用基因组的问题分类方式，对关联分析的同一异常问题基因在问题库中进行重组，形成异常问题的智能分类分群。

可选的，所述步骤S301中，根据差错规则对质检数据进行问题类别划分和预处理，包括：

通过PCA处理方式提取质检数据的数据特征，再通过多项映射方式获取质检数据的数据特征映射，最后采用LR回归算法和随机森算法进行异常问题分类。

可选的，所述步骤S400包括：

S401、对问题库中各异常问题按电力一项业务专业和电力营销业务对象类型的不同分别进行编码；

S402、对编码的问题收集整理后，调用差错规则的Apriori算法进行分析，找出异常问题之间隐藏的相关关系。

可选的，所述步骤S500中，将异常问题和异常特征关联分析的结果与异常问题评价的结果进行对比验证后，还包括：

对模型的评价结果跟稽查处理结果进行跟踪验证；

启动异常问题处理流程包括：

采用立项、处理、销号和异常问题处理评价环节的自动化流程化管理，实时监控异常问题的整改进展，对异常问题的整改闭环进行督办，对异常问题及时销号，用于实现异常问题在问题库中的管控闭环。

可选的，所述步骤S600包括：

专家规则中对电力营销业务的数据库进行更新，更新的策略包括：

采用正向链的策略寻找可以同数据库中的事实或断言相匹配的规则，并运用冲突的消除策略，从这些都可满足的规则中挑选出一个规则用于执行，并替换原来电力营销业务的数据库的内容；

采用逆向链的策略将从选定的目标出发，寻找执行后果可以达到目标的规则；若这条规则的前提与电力营销业务的数据库中的事实相匹配，即解决了异常问题；若不匹配，这条规则的前提作为新的子目标，并对新的子目标寻找可以运用的规则；

执行逆向链的策略前提是直到最后运用的规则的前提可以与数据库中的事实相匹配，或者直到没有规则再可以应用；执行逆向链时，系统以对话形式请求用户回答并输入必需的事实。

本发明具有如下优点：

本发明是通过融合现代化的审计技术，内控测试评价法和分析性复核方法，实现了对电费抄核收异常特征的智能提取，问题异常关联分析，智能比对评价结果，自动更新规则库，预警联动的一个基于平衡性的电量电费智能稽查体系。

本发明以电量电费智能稽查体系为主，智能风险预警体系为辅，针对电量电费差错稽核进行了固化，稽查电量电费相关对象的计费中的运行容量、历史每月基本电费、电表行码、执行电价、线损标志、变损标志和力率执行等，最后数据能够运用图表的方式直接展示，对计费参数的不合理的变动，实现电量电费差错的全面稽核，及时发现异常问题并提前预防。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施方式中基于平衡性的智能稽查方法流程框图；

图2为本发明实施方式中差错规则对质检数据进行问题类别划分和预处理流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。

如图1所示，本发明提供了一种基于平衡性的智能稽查方法，包括步骤:

S100、构建平衡审计式营销业务精准稽查模式下电力营销业务的抄核收板块的差错规则，并通过差错规则对电力营销业务下的电量电费相关业务对象进行数据审计，生成审计数据。

S200、对所述成审计数据从数据缺失质检、数据不正确质检、数据不一致质检和库表关联性四个方面进行全视角数据质检，并在全视角数据质检过程中采用深度学习算法提炼数据中的异常计费数据进行补充和验证，生成质检数据。

S300、利用差错规则对所述质检数据进行异常问题提取；构建异常问题库，利用大数据异常问题分析法，依照异常的发生频率和数据平均位移方法提取质检数据的异常特征，将异常问题和异常特征进行关联分析。

S400、利用差错规则构建异常问题库内的异常问题相互之间关联信息的精准稽查模型，利用所述精准稽查模型发现问题库内异常问题之间的相关程度，以及某一异常问题引起其他异常问题出现的概率。

S500、利用模糊综合评价方法对数据审计产生数据，对利用模糊综合评价方法对数据审计产生的数据进行异常问题评价，并将异常问题和异常特征关联分析的结果与异常问题评价的结果进行对比验证，判断是否为异常问题，并在判断为异常问题时启动异常问题处理流程。

S600、根据步骤S100～S500的异常问题分析结果反复匹配差错规则，再根据电力营销业务政策法规、电力营销业务逻辑、数据勾稽关系以及电量电费相关业务对象经验形成专家规则。

还包括构建S100～S600步骤的异常问题预警模型，所述异常问题预警模型从执行层、管理层和领导层进行1～5级构建。

1～2级的预警模型的预警阈值依据执行层、管理层和领导层的工作标准时限和异常问题出现概率进行设置；

3～5级的依据模糊综合评价方法评价异常问题的严重程度进行阈值设置。

平衡审计式营销业务精准稽查模式的具体实现步骤包括：

S101、整理适合电力营销业务稽查审计的底稿，设计电力营销业务稽查审计的模板，检查异常问题预警模型下达的自查提纲；并在检查前制作检查计划书，在检查过程对各电力营销业务的相关业务对象的票据与费用的详细验证检查。

S102、再运用分析性复核方法的比较分析、比率分析和趋势分析将待稽查的相关业务对象当期的财务、非财务、电费的信息与之前时期、历史同期以及类似行业信息比对分析。

平衡审计式营销业务精准稽查模式中存在的比较分析方法是通过波动性分析算法分析数据波动变更是否一致的连续性，确认数据是否有异常的波动和在一定范围内是否一致。

按比较对象的不同，比较分析法可以分为绝对数比较分析、绝对数增减变动比较分析、百分比增减变动分析及比率增减变动分析。

例如，采用绝对值比较分析方法分析客户的计费容量的波动性，通过异常的波动找出容量的每月变化曲线。

按照被稽查单位或者被稽查用户的样本以财务的账务进行一一的比对。

通过输出“一本账一张表”的方式的财务结转平衡来进行电量电费账务审计，发现总账上的问题，账务之间数据关系是否平衡，财务对账之间的数据是否平衡等，进而实现总账审计、电费回收管理审计以及单用户审计。

总账审计：是对营销系统的多个报表以财务审计的角度，从期初数、应收、实收、欠费，按照期初数+应收-实收-欠费+退补＝0的模式。

电费回收管理审计：单位电费回收情况审计、大用户实时代扣电费审计、实时代扣欠费审计、可疑冲帐、退补理由及退补数据、违约用户退补清单、对存度误差比较大的用户进行退补的清单、不参与计算的退补流程清单、手工发票清单、电费违约金减免清单、退补方案各项不平。

单用户的审计：对每个样本，从样本的产生到样本目前，对每个周期的抄表计费参数的期初数及期末数进行核对，是否存在中途无工单变更参数的状况。起止度不连续、电表参数异常变更、计费参数异常变更。

数据缺失、数据不正确、数据不一致和库表关联性四个方面具体为：

数据缺失质检：对电量电费相关业务对象的数据缺失项进行标识；

数据不正确质检：通过设定的关键字提取不规范，不正确的数据字段；

数据不一致质检：对比同字段的电量电费数据值是否一致。

库表关联性：对于数据审计产生的数据的级联准确性进行检测。

利用大数据异常问题分析法，依照数据发生频率和数据平均位移方法提取质检数据的异常特征的表征变量包括平均问题数、问题频率、问题标准差、问题斜率，且异常特征的表征变量为一个统计时间周期内的表征变量。

在S300中，利用差错规则对全视角数据质检下产生质检数据进行异常问题提取以及利用大数据异常问题分析法，形成对异常问题的发现、分析和提取，其具体的步骤包括：

S301、根据差错规则对质检数据进行问题类别划分和预处理，对预处理数据采用K-Means算法分析和密度等聚类算法后定位到具体的异常问题；

S302、提取平均问题数、问题频率、问题标准差、问题斜率，作为被定位的异常问题的表征变量；

S303、通过电力营销业务相关对象的用户编号和时间信息对提取的问题库中异常问题和被定位的异常问题的表征变量进行关联分析，获取同一异常问题基因。

S304、采用基因组的问题分类方式，对关联分析的同一异常问题基因在问题库中进行重组，形成异常问题的智能分类分群。

将异常问题进行有效分类，整理出反映异常问题变化状况的特征指标，按专业、分类等维度反映统计时间周期内的问题数量。

按专业、分类进行过滤获得反映统计时间周期内的问题频率，反映问题在时间上的变化趋势，反映异常问题在空间上的分布规律。

再根据计算公式整理出反映异常问题特征的指标：平均问题数、问题数标准差、问题数斜率。

在S400中的精准稽查模型具体实施方法包括：

S401、对问题库中各异常问题按电力一项业务专业和电力营销业务对象类型的不同分别进行编码；

S402、对编码的问题收集整理后，调用差错规则的Apriori算法进行分析，找出异常问题之间隐藏的相关关系。

在S500中将异常问题和异常特征关联分析的结果与异常问题评价的结果进行对比验证后，对模型的评价结果跟稽查处理结果进行跟踪验证；

启动异常问题处理流程采用立项、处理、销号和异常问题处理评价环节的自动化流程化管理，实时监控异常问题的整改进展，对异常问题的整改闭环进行督办，对异常问题及时销号，实现异常问题在问题库中的管控闭环。

如图2所示，在S301中根据差错规则对质检数据进行问题类别划分和预处理，预处理的方法为通过PCA处理方式提取质检数据的数据特征，再通过多项映射方式获取质检数据的数据特征映射，最后采用LR回归算法和随机森算法进行异常问题分类。

在S600中的专家规则中对电力营销业务的数据库进行更新，具体的更新策略包括：

采用正向链的策略寻找可以同数据库中的事实或断言相匹配的规则，并运用冲突的消除策略，从这些都可满足的规则中挑选出一个执行，从而改变原来电力营销业务的数据库的内容。

采用逆向链的策略将从选定的目标出发，寻找执行后果可以达到目标的规则；如果这条规则的前提与电力营销业务的数据库中的事实相匹配，异常问题就得到解决；否则把这条规则的前提作为新的子目标，并对新的子目标寻找可以运用的规则。

执行逆向链的策略前提是直到最后运用的规则的前提可以与数据库中的事实相匹配，或者直到没有规则再可以应用时，系统便以对话形式请求用户回答并输入必需的事实。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于平衡性的智能稽查方法，其特征在于，包括如下步骤:

S100、构建平衡审计式营销业务精准稽查模式下电力营销业务的抄核收板块的差错规则，并通过差错规则对电力营销业务下的电量电费相关业务对象进行数据审计，生成审计数据；

S200、对所述成审计数据从数据缺失质检、数据不正确质检、数据不一致质检和库表关联性四个方面进行全视角数据质检，并在全视角数据质检过程中采用深度学习算法提炼数据中的异常计费数据进行补充和验证，生成质检数据；

S300、利用差错规则对所述质检数据进行异常问题提取；构建异常问题库，利用大数据异常问题分析法，依照异常的发生频率和数据平均位移方法提取质检数据的异常特征，将异常问题和异常特征进行关联分析；

S400、利用差错规则构建异常问题库内的异常问题相互之间关联信息的精准稽查模型，利用所述精准稽查模型发现问题库内异常问题之间的相关程度，以及某一异常问题引起其他异常问题出现的概率；

S500、利用模糊综合评价方法对数据审计产生数据，对利用模糊综合评价方法对数据审计产生的数据进行异常问题评价，并将异常问题和异常特征关联分析的结果与异常问题评价的结果进行对比验证，判断是否为异常问题，并在判断为异常问题时启动异常问题处理流程；

S600、根据步骤S100～S500的异常问题分析结果反复匹配差错规则，再根据电力营销业务政策法规、电力营销业务逻辑、数据勾稽关系以及电量电费相关业务对象经验形成专家规则。

2.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，还包括构建S100～S600步骤的异常问题预警模型，所述异常问题预警模型从执行层、管理层和领导层进行1～5级构建；

1～2级的预警模型的预警阈值依据执行层、管理层和领导层的工作标准时限和异常问题出现概率进行设置；

3～5级的依据模糊综合评价方法评价异常问题的严重程度进行阈值设置。

3.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S100包括：

S101、整理适合电力营销业务稽查审计的底稿，设计电力营销业务稽查审计的模板，检查异常问题预警模型下达的自查提纲；并在检查前制作检查计划书，在检查过程对各电力营销业务的相关业务对象的票据与费用的详细验证检查；

S102、运用分析性复核方法的比较分析、比率分析和趋势分析将待稽查的相关业务对象当期的财务、非财务、电费的信息与之前时期、历史同期以及类似行业信息比对分析。

4.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S200中，对所述成审计数据从数据缺失质检、数据不正确质检、数据不一致质检和库表关联性四个方面进行全视角数据质检包括：

数据缺失质检：对电量电费相关业务对象的数据缺失项进行标识；

数据不正确质检：通过设定的关键字提取不规范，不正确的数据字段；

数据不一致质检：对比同字段的电量电费数据值是否一致；

库表关联性：对于数据审计产生的数据的级联准确性进行检测。

5.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S300中，利用大数据异常问题分析法，依照数据发生频率和数据平均位移方法提取质检数据的异常特征的表征变量包括：平均问题数、问题频率、问题标准差、问题斜率，且异常特征的表征变量为一个统计时间周期内的表征变量。

6.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S300包括：

S301、根据差错规则对质检数据进行问题类别划分和预处理，对预处理数据采用K-Means算法分析和密度等聚类算法后定位到具体的异常问题；

S302、提取平均问题数、问题频率、问题标准差、问题斜率，作为被定位的异常问题的表征变量；

S303、通过电力营销业务相关对象的用户编号和时间信息对提取的问题库中异常问题和被定位的异常问题的表征变量进行关联分析，获取同一异常问题基因；

S304、采用基因组的问题分类方式，对关联分析的同一异常问题基因在问题库中进行重组，形成异常问题的智能分类分群。

7.根据权利要求6所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S301中，根据差错规则对质检数据进行问题类别划分和预处理，包括：

通过PCA处理方式提取质检数据的数据特征，再通过多项映射方式获取质检数据的数据特征映射，最后采用LR回归算法和随机森算法进行异常问题分类。

8.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S400包括：

S401、对问题库中各异常问题按电力一项业务专业和电力营销业务对象类型的不同分别进行编码；

S402、对编码的问题收集整理后，调用差错规则的Apriori算法进行分析，找出异常问题之间隐藏的相关关系。

9.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S500中，将异常问题和异常特征关联分析的结果与异常问题评价的结果进行对比验证后，还包括：

对模型的评价结果跟稽查处理结果进行跟踪验证；

启动异常问题处理流程包括：

采用立项、处理、销号和异常问题处理评价环节的自动化流程化管理，实时监控异常问题的整改进展，对异常问题的整改闭环进行督办，对异常问题及时销号，用于实现异常问题在问题库中的管控闭环。

10.根据权利要求1所述的一种基于平衡性的智能稽查方法，其特征在于，所述步骤S600包括：

专家规则中对电力营销业务的数据库进行更新，更新的策略包括：

采用正向链的策略寻找可以同数据库中的事实或断言相匹配的规则，并运用冲突的消除策略，从这些都可满足的规则中挑选出一个规则用于执行，并替换原来电力营销业务的数据库的内容；

采用逆向链的策略将从选定的目标出发，寻找执行后果可以达到目标的规则；若这条规则的前提与电力营销业务的数据库中的事实相匹配，即解决了异常问题；若不匹配，这条规则的前提作为新的子目标，并对新的子目标寻找可以运用的规则；

执行逆向链的策略前提是直到最后运用的规则的前提可以与数据库中的事实相匹配，或者直到没有规则再可以应用；执行逆向链时，系统以对话形式请求用户回答并输入必需的事实。

Images