CN111340606A - 一种全流程收入稽核方法和装置 - Google Patents

Abstract

本发明实施例提供一种全流程收入稽核方法和装置，其中所述方法包括：基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。本发明实施例提供的方法和装置，通过从订购、话单、账务和分摊四个维度对业务流程的异常情况进行全面的监控和分析，构建了完整的收入稽核系统，实现了收入流程的自动监控，保障了收入流程稽核的完整性和准确性。

Description

一种全流程收入稽核方法和装置

技术领域

本发明实施例涉及通信业务支撑技术领域，尤其涉及一种全流程收入稽核方法和装置。

背景技术

目前，业务支撑系统特别是计费、账务相关的BOSS(Business&Operation SupportSystem，业务运营支撑系统)、CRM(Customer relationship management，客户关系管理)系统等在运行过程中，由于涉及业务种类繁多，从话单、套餐优惠到账单等其业务流程非常长且复杂，系统运行过程中的异常情况极易导致收入不平衡、过程处理错误等问题。

现有的收入稽核方法，通常用于对在预设稽核周期内得到的在线计费清单和批价结果文件进行稽核处理，只关注单流程、单环节的收入平衡性，无法准确的识别出异常业务流程。

发明内容

本发明实施例提供一种全流程收入稽核方法和装置，用以解决现有的收入稽查方法无法准确识别异常业务流程的问题。

第一方面，本发明实施例提供一种全流程收入稽核方法，包括：

基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；

基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

第二方面，本发明实施例提供一种全流程收入稽核装置，包括：

稽核判断单元，用于基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；

结果获取单元，用于基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面所提供的方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提供的一种全流程收入稽核方法和装置，通过从订购、话单、账务和分摊四个维度对业务流程的异常情况进行全面的监控和分析，构建了完整的收入稽核系统，实现了收入流程的自动监控，保障了收入流程稽核的完整性和准确性。

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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的全流程收入稽核方法的流程示意图；

图2为本发明另一实施例提供的全流程收入稽核方法的流程示意图；

图3为本发明实施例提供的全流程收入稽核装置的结构示意图；

图4为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

图1为本发明实施例提供的全流程收入稽核方法的流程示意图，如图1所示，该方法包括：

110，基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种。

具体地，基于订购流程数据对应获取订购稽核结果，此处，订购流程数据是针对增值业务部分的数据，例如增值业务的订购量，再如增值业务的收费量。通过对订购流程数据进行分析，可以得到订购稽核结果。此处，订购稽核结果为异常或正常，订购稽核结果为异常，则说明订购流程数据中存在异常数据，例如某一增值业务的订购量存在异常，或是某一增值业务的收费量存在异常；订购稽核结果为正常，则说明订购流程数据中不存在异常数据。

基于话单流程数据对应获取话单稽核结果。此处，话单流程数据是针对话单与话单批价部分的数据，可以包括批价前的话单数据和批价后的话单数据，话单数据可以包括话单文件数量、话单文件大小、语音话单时长和数据话单流量等，本发明实施例对此不作具体限定。通过对话单流程数据进行分析，可以得到话单稽核结果。此处，话单稽核结果为异常或正常，话单稽核结果为异常，则说明话单流程数据中存在异常数据，话单稽核结果为正常，则说明话单流程数据中不存在异常数据，例如，通过判断话单流程数据中，批价前的话单数据与批价后的话单数据是否平衡，可以获知是否在批价过程中存在错单，如果存在错单，则话单稽核结果为异常，否则，话单稽核结果为正常。

基于账务流程数据对应获取账务稽核结果。此处，账务流程数据是针对账目项部分的账户费用数据，账务流程数据可以是账目项的使用费，还可以是账目项的固定费或者服务优惠费，本发明实施例对此不作具体限定。对账务流程数据进行分析，可以得到账务稽核结果。此处，账务稽核结果为异常或正常，账务稽核结果为异常，则说明账务流程数据中存在异常数据，账务稽核结果为正常，则说明账务流程数据中不存在异常数据。

基于分摊流程数据对应获取分摊稽核结果。此处，分摊流程数据是针对出账后分摊检查部分的数据，分摊流程数据可以包括分摊前的数据和分摊后的数据，分摊流程数据还可以包括用户、套餐和账目项等各个层级的数据，本发明实施例不对此作具体限定。对分摊流程数据进行分析，可以得到分摊稽核结果。此处，分摊稽核结果为异常或正常，分摊稽核结果为异常，则说明分摊流程数据中存在异常数据，分摊稽核结果为正常，则说明分摊流程数据中不存在异常数据。

步骤110中，可以获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的任意一种、两种、三种或者全部，且获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果可以是同步执行的，也可以是按照任意顺序执行的，本发明实施例对此不作具体限定。

120，基于订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

具体地，获取收入稽核结果可以是基于订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的任意一种、两种、三种或者全部，收入稽核结果的确定依据于步骤110最终获取的稽核结果。此处，收入稽核结果是对订购流程、话单流程、账务流程和分摊流程中的至少一种的综合，即收入稽核结果是针对全业务流程中各个方面的流程进行稽核得到的稽核结果，收入稽核结果为异常或正常，收入稽核结果为异常，则说明订购流程数据、话单流程数据、账务流程数据和分摊流程数据中的至少一种存在异常数据。

本发明实施例提供的方法，通过从订购、话单、账务和分摊四个维度对业务流程的异常情况进行全面的监控和分析，构建了完整的收入稽核系统，实现了收入流程的自动监控，保障了收入流程稽核的完整性和准确性。

基于上述实施例，步骤110具体包括：111，基于订购流程数据，对应获取订购稽核结果。112，基于话单流程数据，对应获取话单稽核结果。113，基于账务流程数据，对应获取账务稽核结果。114，基于分摊流程数据，对应获取分摊稽核结果。

具体地，步骤110用于获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果。需要说明的是，步骤111、112、113和114是同步执行的，也可以是按照任意顺序执行的，本发明实施例对此不作具体限定。

对应地，步骤120具体包括：基于订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果，获取收入稽核结果。

此处，收入稽核结果的确定依据于步骤110最终获取的全部稽核结果。此处，收入稽核结果是对订购流程、话单流程、账务流程和分摊流程的综合，即收入稽核结果是针对全业务流程中各个方面的流程进行稽核得到的稽核结果，收入稽核结果为异常或正常，收入稽核结果为异常，则说明订购流程数据、话单流程数据、账务流程数据和分摊流程数据中的至少一种存在异常数据，收入稽核结果为正常，则说明订购流程数据、话单流程数据、账务流程数据和分摊流程数据中均不存在异常数据。

基于上述任一实施例，订购流程数据包括多个增值业务的订购量和收费量；对应地，步骤111具体包括：针对任一增值业务，若该增值业务的订购量不处于该增值业务的预设订购区间内，则确认该增值业务的订购量异常；若该增值业务的收费量不处于该增值业务的预设收费区间内，则确认该增值业务的收费量异常；其中，预设订购区间和预设收费区间是基于箱线图获取的；若任一增值业务的订购量和/或收费量异常，则订购稽核结果为异常。

具体地，每一增值业务均存在对应的预设订购区间和预设收费区间，其中预设订购区间用于限定对应的增值业务的订购量的正常数量区间，如果对应的增值业务的订购量不处于预设订购区间内，则确认该增值业务的订购量存在异常；预设收费区间用于限定对应的增值业务的收费量的正常数量区间，如果对应的增值业务的收费量不处于预设收费区间内，则确认该增值业务的收费量存在异常。

在执行步骤111之前，还应该基于箱线图(Box-whisker Plot)获取每一增值业务对应的预设订购区间和预设收费区间。具体地，以任一增值业务对应的预设订购区间为例，将该增值业务的历史订购量作为输入，计算历史订购量对应的上四分位数Q3和下四分位数Q1，并基于Q1和Q3构建矩形图，矩形图的上下两边分别对应Q3和Q1，矩形图中绘制有与上下两边平行的中位线，中位线对应历史订购量对应的中位数。四分位距IQR＝Q3-Q1，在Q3+1.5IQR和Q1-1.5IQR处分别绘制两条和中位线一样的线段，此处两条线段为异常值截断点，即内限。在Q3+3IQR和Q1-3IQR处分别绘制两条和中位线一样的线段，此处两条线段为外限。处于内限与四分位数之间的订购量为温和异常量，处于两个外限构成的区间以外的订购量为极端异常量。本发明实施例中，可以将温和异常量和极端异常量均作为异常数据，也可以仅将极端异常量作为异常数据，即预设订购区间可以是两个内限构成的区间，也可以是两个外限构成的区间，本发明实施例对此不作具体限定。

在得到预设订购区间后，通过判断增值业务的订购量是否处于对应的预设订购区间内，确定订购量是否异常；同样地，在得到预设收费区间后，通过判断增值业务的收费量是否处于对应的预设收费区间内，确定收费量是否异常。若订购流程数据中，任一增值业务的订购量或收费量存在异常，则确认订购流程数据存在异常，即订购稽核结果为异常。

本发明实施例提供的方法，基于箱线图算法获取预设订购区间和预设收费区间，进而实现订购流程数据的异常判断，具有训练速度快、模型直观的优点。

基于上述任一实施例，步骤112具体包括：将话单流程数据输入至话单平衡性模型，获取话单平衡性模型输出的错单标记，将错单标记作为话单稽核结果；其中，话单流程数据包括批价前话单数据和批价后话单数据，话单平衡性模型是基于样本话单流程数据和样本话单流程数据对应的样本错单标记，通过机器学习得到的。

具体地，话单流程数据包括批价前话单数据和批价后话单数据，话单数据包括话单文件数量、话单文件大小、语音话单时长和数据话单流量，由于话单流程数据的数据量大，数据种类多，且数据类型为连续性的数据，适合通过机器学习逻辑回归训练得到话单平衡性模型进行预测告警。

将话单流程数据输入至话单平衡性模型，获取话单平衡性模型输出的错单标记，错单标记用于标记异常的话单流程数据，例如批价前话单数据与批价后话单数据不平衡的话单流程数据。错单标记为异常或正常。

在执行步骤112之前，还可预先训练得到话单平衡性模型，具体可通过如下方式训练得到：首先，收集大量样本话单流程数据与样本话单流程数据的样本错单标记；其中，样本话单流程数据的样本错单标记是预先确定的，且样本错单标记为样本话单流程数据的错单标记，用于指示样本话单流程数据是否异常。基于样本话单流程数据与样本话单流程数据的样本错单标记对初始模型进行训练，从而得到话单平衡性模型。其中，初始模型可以是单一神经网络模型，也可以是多个神经网络模型的组合，本发明实施例不对初始模型的类型和结构作具体限定。

本发明实施例提供的方法，通过机器学习判断批价前话单数据和批价后话单数据是否平衡，进而获取话单稽核结果，实现了准确、快速的话单稽核。

基于上述任一实施例，步骤112中，在将话单流程数据输入至话单平衡性模型之前，还需要对话单流程数据进行稀疏性正则化。同样地，在基于样本话单流程数据和样本话单流程数据对应的样本错单标记训练话单平衡性模型之前，也需要对样本流程数据进行稀疏性正则化。

具体地，由于话单流程数据和样本话单流程数据的特征点很多，直接将话单流程数据应用于话单平衡性模型的训练和预测，可能会导致话单平衡性模型过于庞大，且可能需要大量的RAM(random access memory，随机存取存储器)。因此，对话单流程数据和样本话单流程数据进行稀疏性正则化，将大量冗余的话单特征点去掉，只保留与话单平衡性模型最相关的特征变量，简化模型的同时保留了数据集中最重要的信息，减少数据中的噪点，有效解决了高维数据集建模的诸多问题，使得最终话单平衡性模型可以更准确的预测话单流程数据的异常概率和原因。

基于上述任一实施例，步骤113具体包括：基于局部因子异常算法，分别获取账务流程数据中每一费用点的局部可达密度；费用点包括使用费费用点、固定费费用点和账务优惠费费用点；若任一费用点的局部可达密度小于任一费用点的预设密度，则确认任一费用点为异常点；若存在任一费用点为异常点，则账务稽核结果为异常。

具体地，账务流程稽核用于根据账目项的波动情况进行分析，得到账务稽核结果。此处，账务流程数据中包含大量费用数据，包括使用费、固定费和账务优惠费。由于账务流程数据特征单一，基于局部因子异常算法，即可轻易区分出远离正常费用的异常数据点。

局部异常因子(Local Outlier Factor，LOF)算法是在中等高维数据集上执行异常值检测的一种有效方法。本发明实施例中，局部因子异常算法用于构建XY散点图，通过比较每个费用点和其邻域点的局部可达密度来判断该点是否为异常点。费用点的局部可达密度越低，越可能被认定是异常点。此处，任一费用点的局部可达密度是通过该费用点与邻域费用点之间的距离来计算的。需要说明的是，针对不同的数据集，用于判断费用点是否为异常点的预设密度是不同的，即使用费费用点、固定费费用点和账务优惠费费用点分别对应不同的预设密度。

在基于历史数据中的账务流程数据和局部异常因子算法得到不同费用点的预设密度后，针对账务流量数据中的任一费用，计算该费用在XY散点图中对应的费用点的局部可达密度，并将该费用点的局部可达密度与对应的预设密度比较，如果局部可达密度大于等于对应的预设密度，则该费用正常，否则，该费用点为异常点，该费用异常。

在账务流程稽核过程中，账务流程数据中任一费用对应的费用点为异常点，则确认账务稽核结果为异常。

本发明实施例提供的方法，基于局部异常因子算法对账务流程数据中原理正常费用的异常费用数据进行区分，实现了简便准确的账务流程稽核。

基于上述任一实施例，步骤114具体包括：将分摊流程数据输入至分摊平衡性模型，获取分摊平衡性模型输出的异常分数，基于异常分数确定分摊稽核结果；其中，分摊流程数据包括用户级分摊数据、套餐级分摊数据以及账目项级分摊数据，分摊数据包括分摊前数据和分摊后数据；分摊平衡模型是基于随机森林算法，通过样本分摊流程数据训练得到的。

此处，分摊平衡性模型用于根据输入的分摊流程数据，确定分摊流程数据的异常分数，此处异常分数用于指示分摊流程数据异常的概率。此处，分摊流程数据包括用户级、套餐级和账目项级三个维度的分摊前数据和分摊后数据。

同样地，样本分摊流程数据包括用户级、套餐级和账目项级三个维度的分摊前样本数据和分摊后样本数据。由于样本分摊流程数据的数据量大，且未区分正负样本，故本发明实施例中分摊平衡性模型采用随机森林算法构建。随机森林(Random forest)算法是一个包含多个决策树的分类器。在执行步骤114之前，还可预先训练得到分摊平衡性模型，具体可通过如下方式训练得到：首先，收集大量样本分摊流程数据。基于样本分摊流程数据对初始随机森林进行训练，从而得到分摊平衡性模型。

在基于分摊平衡性模型获取分摊流程数据的异常分数后，基于异常分数确定分摊稽核结果。例如，异常分数的范围为0-1，设置异常分数阈值为0.8，则当分摊流程数据的异常分数大于0.8，确认该分摊流程数据存在异常，分摊稽核结果为异常。

本发明实施例提供的方法，基于随机森林算法，从用户级、账目级和套餐级三个维度对分摊流程数据中的异常数据进行区分，实现了简便准确的分摊流程稽核。

基于上述任一实施例，分摊平衡性模型的训练方法步骤如下：

在构建一颗iTree时，取多天的样本分摊流程数据，从这些数据中均匀抽样，此处为无放回抽样，得到ψ个样本出来，作为iTree的训练样本。

在训练样本中，随机选一个分摊特征，例如分摊前费用，在分摊前的所有值范围内(最小值与最大值之间)随机选取一个值，对训练样本进行二叉划分，将样本中小于该值的划分到节点的左边，大于等于该值的划分到节点的右边。

由此得到一个分裂条件和左、右两边的数据集，然后分别在左右两边的数据集上重复上面的过程，直接达到终止条件。终止条件有两个，一个是数据本身不可再分，即只包括一个样本，或者全部样本相同，另外一个是树的高度达到log2(ψ)。不同于传统的决策树，iTree在算法里面已经限制了树的高度。当然不限制也可以，只是算法为了效率考虑，只需要达到log2(ψ)深度即可。

把所有的iTree树构建好了，就可以对分摊流程数据进行预测了。预测的过程就是把需要稽核的分摊流程数据在iTree树上沿对应的条件分支往下走，直到达到叶子节点，并记录这过程中经过的路径长度h(x)，假设iTree的训练样本中所在叶子节点的样本数T.size，那么h(x)＝e+C(T.size)，从根节点，穿过中间的节点，最后到达叶子节点，所走过的边的数量就是得到的预测结果。

公式中，e表示数据x从iTree的根节点到叶节点过程中经过的边的数目，C(T.size)可以认为是一个修正值，它表示在一棵用T.size条样本数据构建的二叉树的平均路径长度。一般地，C(n)的计算公式如下：

最后，将h(x)和C(n)代入，计算每条待测数据的异常分数(Anomaly Score)公式如下：

异常分数具有以下性质：异常分数越接近1，则分摊流程数据为异常点的可能性越高；如果异常分数小于0.5，那么基本可以确定分摊流程数据为正常数据；如果所有异常分数都在0.5附近，那么分摊流程数据中不包含明显的异常点。

基于上述任一实施例，步骤120之后，还包括：若收入稽核结果为异常，则发出异常告警信息，并派发异常分析工单。

具体地，在得到收入稽核结果之后，若收入稽核结果为异常，则直接出发异常告警，通过发出异常告警信息告知相关人员当前收入稽核中存在异常，并自动派发异常分析工单，调派相关人员接入分析，优化业务流程，规避收入流失风险。

本发明实施例提供的方法，通过对收入稽核结果为异常的业务流程设置异常告警提醒，并形成工单自动派送给相应的人员进行处理和优化分析。以此形成了一个稽核、监控、告警、工单派送的闭环管理系统，从而确保业务支撑系统收入流程的正常运行。

基于上述任一实施例，图2为本发明另一实施例提供的全流程收入稽核方法的流程示意图，如图2所示，全流程收入稽核方法，包括如下步骤：

首先，根据样本订购流程数据的箱线图，得到用于订购流程的预设订购区间和预设收费区间；基于机器学习技术，根据样本话单流程数据和样本话单流程数据对应的样本错单标记，训练得到用于话单流程的话单平衡性模型；基于局部因子异常算法，根据样本账务流程数据获取用于账务流程的预设密度；基于随机森林算法，根据样本分摊流程数据训练得到用于分摊流程的分摊平衡性模型。

其次，在订购流程中，订购流程主要针对增值业务的订购量和费用监控，判断订购流程数据中每一增值业务的订购量是否处于该增值业务对应的预设订购区间内，每一增值业务的收费量是否处于该增值业务对应的预设收费区间内，从而得到订购稽核结果。

在话单流程中，通过监控话单流程数据中的批价前话单数据和批价后话单数据，判断批价过程中是否存在错单。具体地，将话单流程数据输入至话单平衡性模型，获取输出的错单标记，进而确定话单稽核结果。

在账务流程中，对出账前的账务费用进行稽核，基于局部因子异常算法获取账务流程数据中每一费用点的局部可达密度，判断每一费用点的局部可达密度是否小于预设密度，进而确认费用点是否异常，得到账务稽核结果。

在分摊流程中，对出账后的分摊前数据和分摊后数据的费用差异进行稽核。具体地，将分摊流程数据输入至分摊平衡性模型，获取输出的异常分数，通过异常分数确定分摊流程数据是否存在异常，进而得到分摊稽核结果。

接着，在得到订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果后，执行自动稽核监控。若上述稽核结果中的任一稽核结果为异常，则收入稽核结果为异常。若上述稽核结果均为正常，则收入稽核结果为正常。

如果收入稽核结果为异常，则发出异常告警信息，并派发异常分析工单。

本发明实施例提供的方法，通过对全业务流程中的数据流进行梳理，对收入保障各流程进行量化分析，识别出收入流程中的异常业务流程，构建流程稽核标准体系，对监控的业务流程进行平衡性稽核，分析出流程中的异常情况形成自动告警并派单处理，以此形成一个涵盖了稽核、监控、告警、工单自动派送的闭环管理体系，从而确保业务支撑系统中收入稽核工作的正常运行。此外，面对运营商日益增长的用户，本发明实施例提供的方法可以完成稽核、监控、告警、工单自动派送的全流程闭环管理体系，通过上述方法，可全面的稽核收入流程风险点，准确有效的定位异常流程，及时推送异常告警流程，有效的优化异常业务流程，提升了稽核流程时效性、准确性、完整性，并减少了人力稽核成本，提高稽核效率。

基于上述任一实施例，图3为本发明实施例提供的全流程收入稽核装置的结构示意图，如图3所示，全流程收入稽核装置包括稽核判断单元310和结果获取单元320：

其中，稽核判断单元310用于基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；

结果获取单元320用于基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

本发明实施例提供的装置，通过从订购、话单、账务和分摊四个维度对业务流程的异常情况进行全面的监控和分析，构建了完整的收入稽核系统，实现了收入流程的自动监控，保障了收入流程稽核的完整性和准确性。

基于上述任一实施例，稽核判断单元310包括订购稽核子单元、话单稽核子单元、账务稽核子单元和分摊稽核子单元；

其中，订购稽核子单元用于基于所述订购流程数据，对应获取所述订购稽核结果；话单稽核子单元用于基于所述话单流程数据，对应获取所述话单稽核结果；账务稽核子单元用于基于所述账务流程数据，对应获取所述账务稽核结果；分摊稽核子单元用于基于所述分摊流程数据，对应获取所述分摊稽核结果；

对应地，结果获取单元320具体用于：基于所述订购稽核结果、所述话单稽核结果、所述账务稽核结果和所述分摊稽核结果，获取所述收入稽核结果。

基于上述任一实施例，所述订购流程数据包括多个增值业务的订购量和收费量；

对应地，订购稽核子单元具体用于：

针对任一所述增值业务，若所述任一增值业务的所述订购量不处于所述任一增值业务的预设订购区间内，则确认所述任一增值业务的所述订购量异常；若所述任一增值业务的所述收费量不处于所述任一增值业务的预设收费区间内，则确认所述任一增值业务的所述收费量异常；其中，所述预设订购区间和所述预设收费区间是基于箱线图获取的；

若任一所述增值业务的所述订购量和/或所述收费量异常，则所述订购稽核结果为异常。

基于上述任一实施例，话单稽核子单元具体用于：

将所述话单流程数据输入至话单平衡性模型，获取所述话单平衡性模型输出的错单标记，将所述错单标记作为所述话单稽核结果；

其中，所述话单流程数据包括批价前话单数据和批价后话单数据，所述话单平衡性模型是基于样本话单流程数据和所述样本话单流程数据对应的样本错单标记，通过机器学习得到的。

基于上述任一实施例，账务稽核子单元具体用于：

基于局部因子异常算法，分别获取所述账务流程数据中每一费用点的局部可达密度；所述费用点包括使用费费用点、固定费费用点和账务优惠费费用点；

若任一所述费用点的所述局部可达密度小于所述任一费用点的预设密度，则确认所述任一费用点为异常点；

若存在任一所述费用点为异常点，则所述账务稽核结果为异常。

基于上述任一实施例，分摊稽核子单元具体用于：

将所述分摊流程数据输入至分摊平衡性模型，获取所述分摊平衡性模型输出的异常分数，基于所述异常分数确定所述分摊稽核结果；

其中，所述分摊流程数据包括用户级分摊数据、套餐级分摊数据以及账目项级分摊数据，所述分摊数据包括分摊前数据和分摊后数据；所述分摊平衡模型是基于随机森林算法，通过样本分摊流程数据训练得到的。

基于上述任一实施例，全流程收入稽核装置还包括告警派单单元；告警派单单元用于若所述收入稽核结果为异常，则发出异常告警信息，并派发异常分析工单。

图4为本发明实施例提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储在存储器403上并可在处理器401上运行的计算机程序，以执行上述各实施例提供的全流程收入稽核方法，例如包括：基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的全流程收入稽核方法，例如包括：基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种全流程收入稽核方法，其特征在于，包括：

基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；

基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

2.根据权利要求1所述的方法，其特征在于，所述基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，具体包括：

基于所述订购流程数据，对应获取所述订购稽核结果；

基于所述话单流程数据，对应获取所述话单稽核结果；

基于所述账务流程数据，对应获取所述账务稽核结果；

基于所述分摊流程数据，对应获取所述分摊稽核结果；

对应地，所述基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果，具体包括：

基于所述订购稽核结果、所述话单稽核结果、所述账务稽核结果和所述分摊稽核结果，获取所述收入稽核结果。

3.根据权利要求2所述的方法，其特征在于，所述订购流程数据包括多个增值业务的订购量和收费量；

对应地，所述基于所述订购流程数据，对应获取所述订购稽核结果，具体包括：

针对任一所述增值业务，若所述任一增值业务的所述订购量不处于所述任一增值业务的预设订购区间内，则确认所述任一增值业务的所述订购量异常；若所述任一增值业务的所述收费量不处于所述任一增值业务的预设收费区间内，则确认所述任一增值业务的所述收费量异常；其中，所述预设订购区间和所述预设收费区间是基于箱线图获取的；

若任一所述增值业务的所述订购量和/或所述收费量异常，则所述订购稽核结果为异常。

4.根据权利要求2所述的方法，其特征在于，所述基于所述话单流程数据，对应获取所述话单稽核结果，具体包括：

将所述话单流程数据输入至话单平衡性模型，获取所述话单平衡性模型输出的错单标记，将所述错单标记作为所述话单稽核结果；

其中，所述话单流程数据包括批价前话单数据和批价后话单数据，所述话单平衡性模型是基于样本话单流程数据和所述样本话单流程数据对应的样本错单标记，通过机器学习得到的。

5.根据权利要求2所述的方法，其特征在于，所述基于所述账务流程数据，对应获取所述账务稽核结果，具体包括：

基于局部因子异常算法，分别获取所述账务流程数据中每一费用点的局部可达密度；所述费用点包括使用费费用点、固定费费用点和账务优惠费费用点；

若任一所述费用点的所述局部可达密度小于所述任一费用点的预设密度，则确认所述任一费用点为异常点；

若存在任一所述费用点为异常点，则所述账务稽核结果为异常。

6.根据权利要求2所述的方法，其特征在于，所述基于所述分摊流程数据，对应获取所述分摊稽核结果，具体包括：

将所述分摊流程数据输入至分摊平衡性模型，获取所述分摊平衡性模型输出的异常分数，基于所述异常分数确定所述分摊稽核结果；

其中，所述分摊流程数据包括用户级分摊数据、套餐级分摊数据以及账目项级分摊数据，分摊数据包括分摊前数据和分摊后数据；所述分摊平衡模型是基于随机森林算法，通过样本分摊流程数据训练得到的。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果，之后还包括：

若所述收入稽核结果为异常，则发出异常告警信息，并派发异常分析工单。

8.一种全流程收入稽核装置，其特征在于，包括：

稽核判断单元，用于基于订购流程数据、话单流程数据、账务流程数据和分摊流程数据中至少一种，对应获取订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种；

结果获取单元，用于基于所述订购稽核结果、话单稽核结果、账务稽核结果和分摊稽核结果中的至少一种，获取收入稽核结果。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如权利要求1至7任一所述的方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。

Images