CN111626572A - 数字化智能风控方法及相关产品 - Google Patents
数字化智能风控方法及相关产品 Download PDFInfo
- Publication number
- CN111626572A CN111626572A CN202010382945.XA CN202010382945A CN111626572A CN 111626572 A CN111626572 A CN 111626572A CN 202010382945 A CN202010382945 A CN 202010382945A CN 111626572 A CN111626572 A CN 111626572A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- wind control
- model
- risk
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种数字化智能风控方法及相关产品,包括:智能设备进入企业服务器的应用访问层,确定该企业的行业分类;智能设备获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据,将所需数据以及基础数据组成第一AI模型的输入数据;智能设备调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;智能设备将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。本申请提供的技术方案具有风控准确度高的优点。
Description
技术领域
本申请涉及互联网领域,具体涉及一种数字化智能风控方法及相关产品。
背景技术
目前在互联网中,一般都依赖业务综合系统处理各类业务,而随着互联网技术的不断发展,各机构对于互联网安全的要求也越来越高,且机构间的“信息孤岛化”也日趋严重。
既希望共享数据,节省自身运营及人工成本,又担心共享信息后会失去自身积累的优势并导致优质客户流失。传统风控模型/系统在开发初始已经固化,无法因为驱动力因素的变化而变更结果,策略调整的灵活性极低,因此会有无法根据实际情况对最终结果进行灵活变更,不能够快速响应风险情势的情况出现。导致降低风险的识别率,影响风险防控的效果,降低用户体验度。
申请内容
本申请实施例提供了一种数字化智能风控方法及相关产品,提高了风控的准确性的同时,保证数据的安全性,提高了用户体验度。
第一方面,本申请实施例提供一种数字化智能风控方法,所述方法包括如下步骤:
智能设备进入企业服务器的应用访问层,确定该企业的行业分类;
智能设备获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据,将所需数据以及基础数据组成第一AI模型的输入数据;
智能设备调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;
智能设备将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。
第二方面,提供数字化智能风控系统,所述系统包括:
获取单元,用于进入企业服务器的应用访问层,确定该企业的行业分类,获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据;
处理单元,用于将所需数据以及基础数据组成第一AI模型的输入数据;调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。
第三方面,提供一种计算机可读存储介质,其存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行第一方面提供的所述的方法。
第四方面,提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行第一方面提供的方法。
实施本申请实施例,具有如下有益效果:
可以看出,本申请提供的技术方案进入企业服务器的应用访问层,确定该企业的行业分类;智能设备获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据,将所需数据以及基础数据组成第一AI模型的输入数据;智能设备调用与兴业分类的第一AI模型对应的权值数据,将该权值数据添加值该第一AI模型;智能设备将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级,由于本申请的技术方案的数据调用采用本地连接直接在企业调用,企业无需担心网络泄露数据的风险,另外,本申请依据不同的行业分类调用不同的权值数据来实现对行业分类的匹配,从而提高风控计算的准确性,因此上述方案具有提高风控准确度的优点。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的一种智能家具的结构示意图。
图2是本申请实施例公开的一种数字化智能风控方法的流程示意图。
图3是本申请循环神经网络的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1为一种智能设备的示意图,如图1所示,该智能设备可以为智能手机、计算机、平板电脑等等,以智能手机为例,该智能手机可以包括:处理器、存储器、麦克风、摄像头10和显示屏等等。
参阅图2,图2提供了一种数字化智能风控方法,该方法可以由如图1所示的智能设备执行,该方法如图2所示,包括如下步骤:
步骤S200、智能设备进入企业服务器的应用访问层,确定该企业的行业分类;
上述智能设备进入企业服务器的应用访问层可以通过本地连接的方式,即通过有线接口来进入企业服务器的应用访问层,这样能够提高数据的安全性,避免通过网络传输数据导致数据的丢失或泄露。
步骤S201、智能设备获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据,将所需数据以及基础数据组成第一AI模型的输入数据;
步骤S202、智能设备调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;
上述将该权值数据添加至该第一AI模型具体可以包括:确定该第一AI模型的权值存储区域,将该权值数据替换该存储区域内存储的数据。
步骤S203、智能设备将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。
本申请提供的技术方案进入企业服务器的应用访问层,确定该企业的行业分类;智能设备获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据,将所需数据以及基础数据组成第一AI模型的输入数据;智能设备调用与兴业分类的第一AI模型对应的权值数据,将该权值数据添加值该第一AI模型;智能设备将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级,由于本申请的技术方案的数据调用采用本地连接直接在企业调用,企业无需担心网络泄露数据的风险,另外,本申请依据不同的行业分类调用不同的权值数据来实现对行业分类的匹配,从而提高风控计算的准确性,因此上述方案具有提高风控准确度的优点。
上述依据该计算结果与多个风控模板结果比对确定该企业的风控等级具体可以包括:
若多个风控模板对应高风险模板结果,中风险模板结果和低风险模板结果,将该计算结果与该高风险模板结果,中风险模板结果和低风险模板结果分别执行减法运算得到3个差值,从3个差值中选择最小值,若该最小值小于第一阈值,确定该企业的风控等级为该最小值对应的风险等级。
例如,3个差值中,最小值为该计算结果与高风险模板结果之间的差值,并且该最小值小于第一阈值,则确定该风险等级为高风险等级。此方案实现了对具体的风险等级的计算。
在一种可选的方案中,若该最小值大于第一阈值,获取该输入数据的第一年限,从该行业分类中提取超过第一年限的第二AI模型,获取第二AI模型对应的第二年限,计算第二年限与第一年限的时间差,依据该时间差确定该输入数据每个子矩阵(一个子矩阵对应一个数据类型)的补充数据的第一尺寸以及该补充数据在每个子矩阵中的第一区域,依据每个子矩阵中相同行的值计算得到每个子矩阵第一尺寸的补充数据,将补充数据填充每个子矩阵的第一区域后,将所有子矩阵按子矩阵编号排列得到第二输入数据,将第二输入数据输入到第二AI模型计算得到第二计算结果,依据该第二计算结果与第二AI模型对应的风控模板结果比对确定该企业的风控等级(其获得风控等级的方式可以参见第一AI模型的方式,这里不再赘述)。
下面以企业营业收入、营运成本及现金流量为例,假设第一年限y1为3年,那么提取的企业营业收入、营运成本及现金流量为3年的数据,假设输入数据为CI*CO矩阵数据,其中CI为行数量,CO为列数量,那么由企业营业收入、营运成本及现金流量的3年的数据总共的元素数量为3*12*3=108个元素值,每个元素值代表一个数据类型对应的月度数值,即该CI*CO矩阵可以为12*9的矩阵,其中该12*9的矩阵可以由3个12*3的子矩阵组成,每个子矩阵代表一个数据类型(例如企业营业收入)对应的3年数值,由于通过第一AI模型计算得到的计算结果无法准确的判断出该企业的风控等级,那么只有两种可能,第一种可能为输入数据的元素值是错误的,这种可能情况只有通过人工来排查,本申请不讨论,第二种可能为输入数据的采样的数据量不够,即3年的数据可能无法准确计算出该企业的风控等级,在此种情况下,本申请需要增加数据采样的数量,但是对于部分企业来说,其可能不具有足够年份的数据,例如一个企业只成立了3年,如果直接将以前(企业成立之前)的数据置零,很显然是不能体现该企业的特性的(所有的企业全部这样处理,对于增长率比较平稳的企业不好,增长率比较平稳的企业刚好是风控等级比较高的企业),那么为了更好的对此种企业的风控等级做一个评估,本申请就需要对输入数据进行扩展(即对输入数据进行补充),并且该扩展尽可能的还原该企业的实际情况,这样计算出的第二计算结果才更可能的准确。
为了减少计算量,这里第二AI模型中的第二年限与第一年限的时间差最好为1年,那么本申请可以依据1年确定该输入数据的每个子矩阵补充数据的第一尺寸为1列,以企业营业收入、营运成本及现金流量,确定该第二输入数据为CI*(CO+3)的矩阵,即对3个子矩阵插入第1列数据,即将12*3的子矩阵的插入第1列数据成为12*4的子矩阵,该第1列数据中的元素值可以为,对于插入1列数据的子矩阵β,第一列的第i行数据值γ1i=γ2i*[(γ3i/γ2i)-1];其中,γ1i表示子矩阵β第1列第i行的数据值;β为数据类型的编号,例如企业营业收入对应的编号为1,营运成本对应的编号为2,现金流量对应的编号为3,这样对第一列的所有行的数据值进行计算得到第一列的所有数据,进而得到12*4的子矩阵,得到所有12*4的子矩阵以后,将所有12*4的子矩阵按编号排列即得到第二输入数据。
此计算方式为,对于以时间为参数的输入数据的排列方式来说,相同月份的数据排列的子矩阵的一行,例如每年3月的企业营业收入均排列在第3行,因此,比较理想的补充数据的方式是,按每月的相邻2年数据变化率计算得到补充数据在该月对应的数值,例如,3年3月份的3个数值分别为:10、15、50,则补充的3月的数据具体为:5*(15/10-1)=2.5,这个单位均可以为万元。通过实验发现,此种补充的输入数据的真实性较高,能够使得该企业的输入数据不失真,进而提高企业风控等级计算的准确性。
在一种可选的方案中,若该最小值大于第一阈值,获取该企业的多个关联企业的基本信息数据以及所需要数据,获取该多个关联企业与该企业的多个关联度,将该多个关联企业的基本信息数据以及所需要数据组成多个输入数据,将多个输入数据输入到该多个关联企业对应的行业的第一AI模型计算得到多个计算结果,依据多个计算结果确定该多个关联企业的多个风险等级,依据该多个风险等级对应的风险值以及多个关联度计算得到该企业的风控级别。
上述该多个风险等级以及多个关联度计算具体可以包括:
假设具有4个关联企业,4个关联企业的关联度分别为A、B、C、D,4个关联企业对应的4个风险等级对应的风险值为:X1、X2、X3、X4,则该企业的风险值=A*X1+B*X2+C*X3+D*X4,确定该风险值对应的区间范围,将该区间范围对应的风险等级确定该企业的风险等级。
上述关联度的获取方式具体可以包括:确定企业的n个股东以及n个份额,假设具有相同股东y,获取第一关联企业的股东y的份额w,该关联度=w*p;上述p为股东y在企业的份额值,该w为股东y在第一关联企业的份额值。若具有多个相同的股东,则分别计算相同股东的多个关联度,然后求和即得到第一关联公司的关联度。
本申请还提供一种数字化智能风控系统,该智能风控评估系统可以实现风控评估方法,包括以下步骤:
A、企业进入应用访问层;确定企业行业分类;
B、确定企业行业分类后,获取企业基本信息数据;企业基本信息数据进入数据储存计算层采集数据,针对企业所处行业给出要求其提供相对应的数据;
C、调用企业提供数据抽取系统所需要数据;保留所需数据后清洗其他无用数据;
D、根据所需数据,系统从企业财报中获取企业营业收入、营运成本及现金流量表中收到的现金数据进行处理;
营业收入-营运成本=息税前利润
E、系统在流水中确认可核实的收入数据;
F、系统在纳税申报表中按适用税率计算适用税率销售额;
G、根据系统的运算处理,确认企业收入公式:现金流量表中收到的现金/营业收入=可核实的收入/X(假设数据)
H、AVE(X、适用税率销售额)=M
I、根据系统的运算处理,确认企业支出公式为:营业成本/营业收入+可核实债务计息+放款期内需归还的本金(可调金额)
J、根据系统的运算处理,确认企业利润公式为:M-企业支出=Y
K、根据步骤J运算,确认企业可贷金额公式为:Y*0.7=可贷金额1,其中0.7根据市场行情变化随时调整。另外两项可贷金额相关比例系数为:
流动资金测算=可贷金额2
符合增长所需资金=可贷金额3
根据上述步骤,评估系统进行公共转换处理;
根据权利要求1所述的企业评估方法,其特征在于:通过企业评估运算结果和识别采集企业信息中的关键信息点,评估系统生成对企业五大维度的发展评价和建议信息、企业能力评价信息。
企业基本信息数据包括企业名称、简介、成立日期、所在地区、所属行业、企业交易流水、财务报表、资产信息、行业数据。
根据权利1所述的企业评估的处理方法,其特征在于:在步骤B中,数据库要求企业提供的数据涉及历史数据查询、客户增量、账户增量、全量数据、企业信息拉链表、交易流水增量表。
第一轮估值方法至少包括PS估值法、PE估值法、PB估值法、互联网估值法。
步骤G中,根据企业成立时间识别确定需进行估值分析和计算的企业财务数据年度,涉及最近三年一期的财务数据,包括营业收入、净利润、最近一年和一期的净资产、负债、资产;根据企业提供最近一期数据时,处理系统进行该年度的第一次营业收入、净利润预测;根据行业增长率,处理系统进行该年度第二次营业收入、净利润预测;系统将第一、二次营业收入、净利润预测进行自动比对,取孰高者作为后续模型运算基础数据;系统将企业当前一期的净资产数据作为后续模型运算基础数据;当前新设企业以次年的预测数据作为后续模型运算基础数据。
数据库包括优中劣三层级数据库。第一层级数据库主要涉及在某个特定的经济周期中经验较优的企业;第二层级数据库主要涉及在某个特定的经济周期中经验中等的企业;第三层级数据库主要涉及在某个特定的经济周期中经验较差的企业;
处理系统自主获取数据,针对校准系数和估值模型进行持续调整,并主动获取用户数据进行用户估值运算处理;其中通过人工评审机制形成的项目估值数据库,处理系统根据估值结果的信息数据采用线性回归法对校准系数进行持续自主调整,并实时更新校准系数;通过人工评审机制形成的项目估值数据库,处理系统持续获取对应行业发展的最新发展元素和特点的信息数据,并进行估值模型调整;或,通过与第三方合作的合作数据库,处理系统由合作数据库中获取企业的对应信息并进行识别对应、数据收集、企业能力评级、估值计算;处理系统通过对已评估企业的标签识别与定义进行系统归类及大数据的统计运算,并根据上述结果进行估值模型的调整。
参阅图3,图3提供了一种数字化智能风控系统,所述系统包括:
获取单元301,用于进入企业服务器的应用访问层,确定该企业的行业分类,获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据;
处理单元302,用于将所需数据以及基础数据组成第一AI模型的输入数据;调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。
可选的,处理单元302,具体用于确定该第一AI模型的权值存储区域,将该权值数据替换该存储区域内存储的数据。
可选的,
所述处理单元,具体用于若多个风控模板对应高风险模板结果,中风险模板结果和低风险模板结果,将该计算结果与该高风险模板结果,中风险模板结果和低风险模板结果分别执行减法运算得到3个差值,从3个差值中选择最小值,若该最小值小于第一阈值,确定该企业的风控等级为该最小值对应的风险等级。
可选的,所述处理单元,还用于若该最小值大于第一阈值,获取该企业的多个关联企业的基本信息数据以及所需要数据,获取该多个关联企业与该企业的多个关联度,将该多个关联企业的基本信息数据以及所需要数据组成多个输入数据,将多个输入数据输入到该多个关联企业对应的行业的第一AI模型计算得到多个计算结果,依据多个计算结果确定该多个关联企业的多个风险等级,依据该多个风险等级对应的风险值以及多个关联度计算得到该企业的风控级别。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种数字化智能风控方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种数字化智能风控方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种数字化智能风控方法,其特征在于,所述方法包括如下步骤:
智能设备进入企业服务器的应用访问层,确定该企业的行业分类;
智能设备获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据,将所需数据以及基础数据组成第一AI模型的输入数据;
智能设备调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;
智能设备将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。
2.根据权利要求1所述的方法,其特征在于,所述将该权值数据添加至该第一AI模型具体包括:确定该第一AI模型的权值存储区域,将该权值数据替换该存储区域内存储的数据。
3.根据权利要求1所述的方法,其特征在于,所述依据该计算结果与多个风控模板结果比对确定该企业的风控等级具包括:
若多个风控模板对应高风险模板结果,中风险模板结果和低风险模板结果,将该计算结果与该高风险模板结果,中风险模板结果和低风险模板结果分别执行减法运算得到3个差值,从3个差值中选择最小值,若该最小值小于第一阈值,确定该企业的风控等级为该最小值对应的风险等级。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若该最小值大于第一阈值,获取该企业的多个关联企业的基本信息数据以及所需要数据,获取该多个关联企业与该企业的多个关联度,将该多个关联企业的基本信息数据以及所需要数据组成多个输入数据,将多个输入数据输入到该多个关联企业对应的行业的第一AI模型计算得到多个计算结果,依据多个计算结果确定该多个关联企业的多个风险等级,依据该多个风险等级对应的风险值以及多个关联度计算得到该企业的风控级别。
5.一种数字化智能风控系统,其特征在于,所述系统包括:
获取单元,用于进入企业服务器的应用访问层,确定该企业的行业分类,获取企业的基本信息数据,调用企业提供数据抽取系统所需要数据;
处理单元,用于将所需数据以及基础数据组成第一AI模型的输入数据;调用与行业分类的第一AI模型对应的权值数据,将该权值数据添加至该第一AI模型;将该输入数据输入到该第一AI模型执行AI计算得到该计算结果,依据该计算结果与多个风控模板结果比对确定该企业的风控等级。
6.根据权利要求5所述的系统,其特征在于,所述处理单元,具体用于确定该第一AI模型的权值存储区域,将该权值数据替换该存储区域内存储的数据。
7.根据权利要求5所述的系统,其特征在于,
所述处理单元,具体用于若多个风控模板对应高风险模板结果,中风险模板结果和低风险模板结果,将该计算结果与该高风险模板结果,中风险模板结果和低风险模板结果分别执行减法运算得到3个差值,从3个差值中选择最小值,若该最小值小于第一阈值,确定该企业的风控等级为该最小值对应的风险等级。
8.根据权利要求7所述的系统,其特征在于,
所述处理单元,还用于若该最小值大于第一阈值,获取该企业的多个关联企业的基本信息数据以及所需要数据,获取该多个关联企业与该企业的多个关联度,将该多个关联企业的基本信息数据以及所需要数据组成多个输入数据,将多个输入数据输入到该多个关联企业对应的行业的第一AI模型计算得到多个计算结果,依据多个计算结果确定该多个关联企业的多个风险等级,依据该多个风险等级对应的风险值以及多个关联度计算得到该企业的风控级别。
9.一种计算机可读存储介质,其特征在于,其存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382945.XA CN111626572A (zh) | 2020-05-08 | 2020-05-08 | 数字化智能风控方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382945.XA CN111626572A (zh) | 2020-05-08 | 2020-05-08 | 数字化智能风控方法及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626572A true CN111626572A (zh) | 2020-09-04 |
Family
ID=72260048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010382945.XA Pending CN111626572A (zh) | 2020-05-08 | 2020-05-08 | 数字化智能风控方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149095A (zh) * | 2020-10-26 | 2020-12-29 | 上海松鼠课堂人工智能科技有限公司 | 学生数据安全治理方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8694339B1 (en) * | 2011-11-01 | 2014-04-08 | Guy Carpenter & Company, LLC. | System and method for determining loss data based on industry indices |
CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN110691084A (zh) * | 2019-09-27 | 2020-01-14 | 武汉极意网络科技有限公司 | 风控规则引擎的适配方法及装置 |
-
2020
- 2020-05-08 CN CN202010382945.XA patent/CN111626572A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8694339B1 (en) * | 2011-11-01 | 2014-04-08 | Guy Carpenter & Company, LLC. | System and method for determining loss data based on industry indices |
CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN110691084A (zh) * | 2019-09-27 | 2020-01-14 | 武汉极意网络科技有限公司 | 风控规则引擎的适配方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙中元: "《生产企业风险级别分类模式研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149095A (zh) * | 2020-10-26 | 2020-12-29 | 上海松鼠课堂人工智能科技有限公司 | 学生数据安全治理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ackerberg et al. | Quantifying equilibrium network externalities in the ACH banking industry | |
WO2014004675A1 (en) | Novel systems and processes for enhanced microlending | |
US8694413B1 (en) | Computer-based systems and methods for determining interest levels of consumers in research work product produced by a research department | |
CN109740792A (zh) | 数据预测方法、系统、终端及计算机存储介质 | |
Muhammad et al. | The determinants of potential failure of islamic peer-to-peer lending: perceptions of stakeholders in Indonesia | |
Breeden et al. | Multihorizon discrete time survival models | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN113962603A (zh) | 风险评估方法及装置、存储介质及电子设备 | |
CN114140221A (zh) | 一种欺诈风险预警方法、装置及设备 | |
CN112308293B (zh) | 违约概率预测方法及装置 | |
CN111626572A (zh) | 数字化智能风控方法及相关产品 | |
CN110544165B (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
CN111737308A (zh) | 基于最小熵分值的股票交易点预测方法、系统及存储介质 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN115373847A (zh) | 资源管理方法、装置、计算机设备和存储介质 | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
JP7344609B2 (ja) | 確定値及び推定値に基づくデータ定量化方法 | |
US20170186095A1 (en) | Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
CN114240610B (zh) | 资金自动归集方法、装置、计算机设备和存储介质 | |
CN113538157B (zh) | 一种年金的费用管理方法及装置 | |
CN113674076B (zh) | 一种用户授信额度的确定方法及装置 | |
CN115631035A (zh) | 风险预测方法、风险预测装置、计算机设备及存储介质 | |
TWM638665U (zh) | 信託帳戶規劃系統 | |
CN117575607A (zh) | 交易风险识别方法、装置、计算机设备和存储介质 |
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 |