CN112581291A - 风险测评异动检测方法、装置、设备及存储介质 - Google Patents

风险测评异动检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112581291A
CN112581291A CN202011577561.XA CN202011577561A CN112581291A CN 112581291 A CN112581291 A CN 112581291A CN 202011577561 A CN202011577561 A CN 202011577561A CN 112581291 A CN112581291 A CN 112581291A
Authority
CN
China
Prior art keywords
user
evaluated
data
accuracy
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.)
Granted
Application number
CN202011577561.XA
Other languages
English (en)
Other versions
CN112581291B (zh
Inventor
罗国辉
许海金
罗芳
韦亚雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011577561.XA priority Critical patent/CN112581291B/zh
Publication of CN112581291A publication Critical patent/CN112581291A/zh
Application granted granted Critical
Publication of CN112581291B publication Critical patent/CN112581291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，公开了一种风险测评异动检测方法、装置、设备及存储介质，用于检测风险测评数据的异动，该方法包括：获取用户的行为数据和业务数据；根据行为数据计算投资经验评估值、意向评估值和分别对应的第一准确度和第二准确度；根据业务数据，计算风险承受能力评估值和对应的第三准确度；当用户填写问卷测评时，将上述评估值与问卷测评的测评数据比对，得到初步预估异动系数；根据第一准确度、第二准确度和第三准确度，计算初步异动可信度，判断初步预估异动系数和初步异动可信度是否均大于预设阈值，若是，并将用户的用户信息发送至工作人员终端。此外，本发明还涉及区块链技术，用户的行为数据和业务数据可存储于区块链中。

Description

风险测评异动检测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种风险测评异动检测方法、装置、设备及存储介质。
背景技术
客户在购买投资理财产品前，需要对客户的风险等级进行评定，根据监管规定，客户只能购买自身风险等级范围内的投资理财产品，例如客户风险等级为C1保守型，则只能购买R1低风险产品，客户风险等级为C2稳健型，则只能购买R2中低风险及以下产品，以此类推，客户风险等级与理财产品都有5个等级对应。目前各银行金融机构都是通过让客户填写问卷方式，基于客户填写问卷的结果进行风险测评评定，问卷的题目主要分为个人及财务状况、投资经验、投资目的、风险承受能力等方面。
基于以上的客户风险测评方式，可能会存在部分理财客户经理为了提高业绩，直接引导客户填写高风险等级的答案，让实际低风险等级的客户得到高风险的评估结果，进而购买高风险的理财产品，最终造成客户投诉和消保监管部门的问责。通过问卷方式对客户风险等级进行测评的方法，答案是非常主观的，容易受到理财客户经理的刻意引导，导致客户风险等级及实际不符的异常情况，针对客户理财风险等级测评异动的问题解决，业界普遍使用的方法有：当客户风险等级测评结果如果较上次向高风险升上跨度超过2级，则认为出现的异常。这种简单的方式准确率比较低，较多本来确实风险承受能力有较大提升的客户测评数据也认为是异常数据，且对于首次测评的客户的测评数据无法识别出是否异常。
发明内容
本发明的主要目的在于解决现有的客户理财风险等级测评异动检测准确率较低的技术问题。
本发明第一方面提供了一种风险测评异动检测方法，包括：
获取待评估用户的行为数据和业务数据；
根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、投资经验评估值，以及意向评估值对应的第一准确度和第二准确度，其中，第一准确度和第二准确度用于判断计算得到投资经验评估值和意向评估值是否可信；
根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度，其中，第三准确度用于判断计算得到风险承受能力评估值是否可信；
获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；
将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；
根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；
判断初步预估异动系数和初步异动可信度是否均大于预设阈值；
若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。
可选的，在本发明第一方面的第一种实现方式中，所述行为数据包括交易记录和浏览记录；
所述根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度包括：
根据所述交易记录和所述浏览记录，计算所述投资经验评估值；
根据所述浏览记录中所述待评估用户浏览各风险等级产品的频率，计算所述待评估用户购买各风险等级产品的对应的意向评估值；
根据所述交易记录的数据量和所述浏览记录的数据量，分别计算第一准确度和第二准确度。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述交易记录和所述浏览记录，计算所述投资经验评估值包括：
从所述交易记录中获取所述待评估用户的首次交易时间，并根据所述首次交易时间和当前时间，计算所述待评估用户的经验年限；
确定所述交易记录中所述待评估用户交易次数最多的风险等级，根据所述交易次数最多的风险等级确定投资经验评估值的取值区间；
根据所述经验年限，在所述取值区间中确定具体的投资经验评估值。
可选的，在本发明第一方面的第三种实现方式中，在所述获取用户的行为数据和业务数据之前，还包括：
获取现存所有用户的业务数据；
根据现存所有用户的业务数据，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
获取每个聚类维度下的每个类簇中所有现存客户的业务数据总数、每条业务数据所涉及的业务数据类型、以及每条业务数据在其所涉及的每种业务数据类型的金额，统计每个聚类维度下的每个类簇中每种业务数据类型在业务数据总数中出现的加权值构成的特征向量。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度包括：
根据所述待评估客户的业务数据，将所述待评估客户在每个聚类维度下划分至对应的类簇中；
根据所述待评估客户在每个聚类维度下所在的类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算所述待评估客户的风险承受能力评估值；
根据所述待评估客户的业务数据的数据量，计算所述风险承受能力评估值对应的第三准确度。
可选的，在本发明第一方面的第五种实现方式中，在所述根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度之后，还包括：
获取所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度和历史风测数据；
根据所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度、历史风测数据和所述初步异动可信度计算最终预估异动系数；
根据所述待评估用户在填写问卷测评后的浏览数据的数据量和所述初步异动可信度计算最终异动可信度。
可选的，在本发明第一方面的第六种实现方式中，其特征在于，在所述根据所述待评估用户在填写问卷测评后的浏览数据的数据量和所述初步异动可信度计算最终异动可信度之后，还包括：
判断所述最终预估异动系数和所述最终异动可信度是否均大于预设阈值；
若是，则确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
本发明第二方面提供了一种风险测评异动检测装置，包括：
获取模块，用于获取待评估用户的行为数据和业务数据；
第一评估值计算模块，用于根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度，其中，所述第一准确度和所述第二准确度用于判断计算得到所述投资经验评估值和意向评估值是否可信；
第二评估值计算模块，用于根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度，其中，所述第三准确度用于判断计算得到所述风险承受能力评估值是否可信；
提取模块，用于获取所述待评估用户填写的问卷测评，并提取所述问卷测评中的测评数据；
比对模块，用于将所述投资经验评估值、所述意向评估值和所述风险承受能力评估值，与所述测评数据对应的评估值进行比对，得到初步预估异动系数；
可信度计算模块，用于根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度；
判断模块，用于判断所述初步预估异动系数和所述初步异动可信度是否均大于预设阈值；
预警模块，用于当所述初步预估异动系数和所述初步异动可信度均大于预设阈值时，确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
可选的，在本发明第二方面的第一种实现方式中，所述行为数据包括交易记录和浏览记录，所述第一评估值计算模块包括：
投资经验计算单元，用于根据所述交易记录和所述浏览记录，计算所述投资经验评估值；
意向度计算单元，用于根据所述浏览记录中所述待评估用户浏览各风险等级产品的频率，计算所述待评估用户购买各风险等级产品的对应的意向评估值；
准确度计算单元，用于根据所述交易记录的数据量和所述浏览记录的数据量，分别计算第一准确度和第二准确度。
可选的，在本发明第二方面的第二种实现方式中，所述投资经验计算单元具体用于：
从所述交易记录中获取所述待评估用户的首次交易时间，并根据所述首次交易时间和当前时间，计算所述待评估用户的经验年限；
确定所述交易记录中所述待评估用户交易次数最多的风险等级，根据所述交易次数最多的风险等级确定投资经验评估值的取值区间；
根据所述经验年限，在所述取值区间中确定具体的投资经验评估值。
可选的，在本发明第二方面的第三种实现方式中，所述风险测评异动检测装置还包括聚类模块，所述聚类模块具体用于：
获取现存所有用户的业务数据；
根据现存所有用户的业务数据，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
获取每个聚类维度下的每个类簇中所有现存客户的业务数据总数、每条业务数据所涉及的业务数据类型、以及每条业务数据在其所涉及的每种业务数据类型的金额，统计每个聚类维度下的每个类簇中每种业务数据类型在业务数据总数中出现的加权值构成的特征向量。
可选的，在本发明第二方面的第四种实现方式中，所述第二评估值计算模块具体用于：
根据所述待评估客户的业务数据，将所述待评估客户在每个聚类维度下划分至对应的类簇中；
根据所述待评估客户在每个聚类维度下所在的类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算所述待评估客户的风险承受能力评估值；
根据所述待评估客户的业务数据的数据量，计算所述风险承受能力评估值对应的第三准确度。
可选的，在本发明第二方面的第五种实现方式中，所述风险测评异动检测装置还包括最终系数计算模块，所述最终系数计算模块具体用于：
获取所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度和历史风测数据；
根据所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度、历史风测数据和所述初步异动可信度计算最终预估异动系数；
根据所述待评估用户在填写问卷测评后的浏览数据的数据量和所述初步异动可信度计算最终异动可信度。
可选的，在本发明第二方面的第六种实现方式中，所述风险测评异动检测装置还包括追踪检测模块，所述追踪检测模块具体用于：
判断所述最终预估异动系数和所述最终异动可信度是否均大于预设阈值；
若是，则确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
本发明第三方面提供了一种风险测评异动检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述风险测评异动检测设备执行上述的风险测评异动检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的风险测评异动检测方法。
本发明的技术方案中，获取待评估用户的行为数据和业务数据；根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、投资经验评估值，以及意向评估值对应的第一准确度和第二准确度；根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；判断初步预估异动系数和初步异动可信度是否均大于预设阈值；若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。本方法通过对用户的业务数据和行为数据进行分析后得到的各项评估值与用户填写问卷的结果进行风险测评评定得到的分析数据进行比对，获得异动值，并根据所述异动值判断是否进行预警，通过对业务数据和行为数据中的多种数据进行分析，使得分析结果更加客观、全面、准确，同时异动检测不需要强依赖客户的上一次或上几次测评结果，对于首次测评的客户也有效果。此外，本发明还涉及区块链技术，用户的行为数据和业务数据可存储于区块链中。
附图说明
图1为本发明实施例中风险测评异动检测方法的第一个实施例示意图；
图2为本发明实施例中风险测评异动检测方法的第二个实施例示意图；
图3为本发明实施例中风险测评异动检测方法的第三个实施例示意图；
图4为本发明实施例中风险测评异动检测方法的第四个实施例示意图；
图5为本发明实施例中风险测评异动检测装置的一个实施例示意图；
图6为本发明实施例中风险测评异动检测装置的另一个实施例示意图；
图7为本发明实施例中风险测评异动检测设备的一个实施例示意图。
具体实施方式
本发明的技术方案中，获取待评估用户的行为数据和业务数据；根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、投资经验评估值，以及意向评估值对应的第一准确度和第二准确度；根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；判断初步预估异动系数和初步异动可信度是否均大于预设阈值；若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。本方法通过对用户的业务数据和行为数据进行分析后得到的各项评估值与用户填写问卷的结果进行风险测评评定得到的分析数据进行比对，获得异动值，并根据所述异动值判断是否进行预警，通过对业务数据和行为数据中的多种数据进行分析，使得分析结果更加客观、全面、准确，同时异动检测不需要强依赖客户的上一次或上几次测评结果，对于首次测评的客户也有效果。此外，本发明还涉及区块链技术，用户的行为数据和业务数据可存储于区块链中。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中风险测评异动检测方法的第一个实施例包括：
101、获取待评估用户的行为数据和业务数据；
可以理解的是，本发明的执行主体可以为风险测评异动检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要强调的是，为保证数据的私密和安全性，上述业务数据和行为数据可以存储于一区块链的节点中。
在本实施例中，所述用户的行为数据主要包括浏览数据和交易数据，其中，所述浏览数据主要是用户在终端浏览理财产品的浏览记录，包括浏览的理财产品的等级，对不同等级理财产品的浏览次数、频率，购买不同理财产品的时间等，交易数据包括用户购买理财产品的购买记录，包括对不同等级理财产品购买的金额，客户理财产品赎回记录等数据。业务记录主要是用户的资产数据，用户的收入水平等。这些数据在用户进行填写问卷的风险测评评定前后均能获取，通过不定时或定时获取用户的行为数据和业务数据，不断对用户进行异动测评，不仅能够在用户进行填写问卷的风险测评评定时即时进行异动评测，避免存在部分理财客户经理为了提高业绩，直接引导客户填写高风险等级的答案，让实际低风险等级的客户得到高风险的评估结果，进而购买高风险的理财产品，同时在填写问卷的风险测评评定后，对用户是否存在异动进行跟踪检测，一旦计算异动系数和可信度达到阈值依然能够统计出来，并进行预警。
在本实施例中，用户的业务数据和行为数据主要是记录在用户登录金融理财产品平台时使用的电子设备中，用户在登录金融理财产品平台时填写的个人信息等数据，即可作为业务数据，用户在金融理财产品平台进行交易、浏览等操作，包括点击率，停留时间等为行为数据。在本实施例中，金融理财产品平台通过弹框提示或其他方式让用户填写相关授权协议，获得相关的移动设备的权限，进而实时获取用户的数据。
102、根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、投资经验评估值，以及意向评估值对应的第一准确度和第二准确度；
在实际应用中，一款金融理财产品可以从多维度进行定性或分类，例如风险、收益和周期等维度，其中风险可分为理财产品风险由低到高分为R1(谨慎型)、R2(稳健型)、R3(平衡型)、R4(进取型)、R5(激进型)等五个级别，在本实施例中，所述投资经验评估值主要是通过计算用户的投资年限，以及从行为数据中的交易数据中获取用户购买理财产品的记录，根据用户购买的理财产品与投资年限，量化计算用户的投资经验评估值，例如户投资经验3年，购买高风险的3年内多少次，中高的多少次。根据风险等级有购买频率分布。购买越高风险频率高，说明经验高，如果一直购买的都是存款，国债类的，那么都是低风险的，经验会低一些。或者是获取用户购买在三年的投资经验中，购买高风险的收益率是否大于正常的高风险产品的收益水平，根据用户的收益率与平均收益水平的差异值，量化计算用户的投资经验。
在本实施例中，所述意向评估值包括了用户购买R1(谨慎型)、R2(稳健型)、R3(平衡型)、R4(进取型)、R5(激进型)等5个风险等级的意向度，根据用户在这些不同风险等级的理财产品上的浏览时间，点击频率，计算用户购买不同风险等级理财产品的意向评估值，可以是购买的概率等。
在本实施例中，投资经验评估值和意向评估值都分别对应有准确度，所述准确度主要用于对投资经验评估值和意向评估值的数据是否准确进行评估，主要是通过获取到的行为数据的数据量进行量化计算。
103、根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；
在本实施例中，基于客户理财产品赎回记录，对用户的风险承受能力进行评估，操作频率较高，说明用户对市场行情较为敏感，当理财产品出现一点损失时，即对理财产品进行操作，说明用户的风险承受能力越低，反之操作频率越低，说明用户在理财产品出现损失时，仍然相信自己的理财产品能够盈利，并不在乎当前的损失，说明用户的风险承受能力越高。基于客户资产、收入、交易数据，如果客户资产越低承受风险能力越低，客户收入越低承受风险能力越低，客户收入减去客户非投资消费剩余金额越低受风险能力越低。
在实际应用中，还可以通过聚类的方法，获得当前用户的聚类类别，并根据用户的业务数据的具体数值和各业务数据的权重进行风险承受能力评估值的量化计算。在本实施例中，所述第三准确度和前述第一准确度、第二准确度一样都是通过业务数据的数据量进行量化计算获得的。
104、获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；
105、将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；
106、根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；
在本实施例中，所述用户在填写问卷的风险测评评定时，根据填写的内容，也会计算出投资经验评估值、购买意向评估值和风险承受能力评估值，将填写问卷得到的投资经验评估值、购买意向评估值和风险承受能力评估值与根据业务数据和行为数据分析得到的投资经验评估值、购买意向评估值和风险承受能力评估值分别进行比对，可以将各项比对的差异值相加得到初步预估异动系数，或者根据经验，对投资经验评估值、意向评估值和风险承受能力评估值分别设置对应的权重系数，并将投资经验评估值、意向评估值和风险承受能力评估值和对应的权重系数计算出初步预估异动系数
在本实施例中，所述第一准确度、所述第二准确度和所述第三准确度之和即为初步异动可信度。
107、判断初步预估异动系数和初步异动可信度是否均大于预设阈值；
108、若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。
在本实施例中，在获得初步预估异动系数和初步异动可信度之后，还可以通过获取测评后客户理财产品浏览记录、客户填写测评时各个题目的速度、客户近期历史风测数据、客户我行APP活跃度、理财产品活跃度等数据对初步预估异动系数、可信度系数进行补充完善，得出最终预估异动系数、可信度系数，并根据最终预估异动系数、可信度系数确定该用户是否为异动用户。
在本实施例中，获取待评估用户的行为数据和业务数据；根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、投资经验评估值，以及意向评估值对应的第一准确度和第二准确度；根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；判断初步预估异动系数和初步异动可信度是否均大于预设阈值；若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。本方法通过对用户的业务数据和行为数据进行分析后得到的各项评估值与用户填写问卷的结果进行风险测评评定得到的分析数据进行比对，获得异动值，并根据所述异动值判断是否进行预警，通过对业务数据和行为数据中的多种数据进行分析，使得分析结果更加客观、全面、准确，同时异动检测不需要强依赖客户的上一次或上几次测评结果，对于首次测评的客户也有效果。此外，本发明还涉及区块链技术，用户的行为数据和业务数据可存储于区块链中。
请参阅图2，本发明实施例中风险测评异动检测方法的第二个实施例包括：
201、获取待评估用户的行为数据和业务数据；
本实施例中的步骤201与第一实施例中的步骤101相似，此处不再赘述。
202、从交易记录中获取待评估用户的首次交易时间，并根据首次交易时间和当前时间，计算待评估用户的经验年限；
203、确定交易记录中待评估用户交易次数最多的风险等级，根据交易次数最多的风险等级确定投资经验评估值的取值区间；
204、根据经验年限，在取值区间中确定具体的投资经验评估值；
在本实施例中，所述交易记录记录有用户每次时时进行理财产品购买和赎回的操作记录以及信息，通过获取首次购买理财产品的时间，再确定当前时间，中间的时间间隔即为用户的经验年限，需要注意的是，当用户首次购买理财产品的时间与当前时间的时间间隔非整数的时间时，则四舍五入获得整数的投资经验年限。例如，计算得到的间隔时间为2.4年，则用户的投资经验年限为2年，若计算得到的间隔时间为2.5年，则用户的投资经验年限为3年。
在本实施例中，根据风险等级R1(谨慎型)、R2(稳健型)、R3(平衡型)、R4(进取型)、R5(激进型)将取值分为五个区间，分别是[1,20][21,40][41,60][61,80][81,100]，当用户购买的理财产品多为R4(进取型)，则投资经验评估值的取值区间为[61,80]，再根据前述经验年限，确定具体的投资经验评估值，投资经验年限越高，在取值区间中的取值越大。
205、根据浏览记录中待评估用户浏览各风险等级产品的频率，计算待评估用户购买各风险等级产品的对应的意向评估值；
206、根据交易记录的数据量和浏览记录的数据量，分别计算第一准确度和第二准确度；
在本实施例中，投资经验评估值主要包括投资年限和投资分布情况，其中，投资年限主要是通过从交易数据中找到用户最早购买理财产品的时间，以及当前时间，计算最早购买理财产品的时间与当前时间的间隔，获得的即为投资年限，投资分布情况主要包括用户的资产、收入投资占比，用户投资各等级风险理财产品在总的风险理财产品中的占比，根据用户投资各等级风险理财产品在总的风险理财产品中的占比能够预估出用户的投资经验，例如，若用户除了银行活期账户和定期存款外，没有其他投资经验，则用户的投资经验的数值在0-25之间，用户除了银行活期账户和定期存款外，还购买了基金、保险等理财产品，则用户的投资经验在26-50之间，用户若购买了股票和基金等理财产品，则投资经验在51-75之间，用户若参加过权证、期货或者创业板等高风险产品的交易，则用户的投资经验在76-100之间，具体数值可以根据不同理财产品在该区间中的权重系数，或者用户的投资年限进行调整。
在本实施例中，风险等级包括R1(谨慎型)、R2(稳健型)、R3(平衡型)、R4(进取型)、R5(激进型)，根据用户浏览不同理财产品的频率可以计算出户购买各风险等级产品的对应的意向评估值，例如，用户浏览理财产品的页面一共点击了1000次，其中R1(谨慎型)的次数245次，R2(稳健型)375次，R3(平衡型)160次，R4(进取型)145次，R5(激进型)75次，则购买各风险等级产品的对应的意向评估值分别为24.5、37.5、16.0、14.5、7.5。
207、根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；
208、获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；
209、将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；
210、根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；
211、判断初步预估异动系数和初步异动可信度是否均大于预设阈值；
212、若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。
本实施例中的步骤207-212与第一实施例中的步骤103-108相似，此处不再赘述。
本实施例在上一实施例的基础上，详细描述了根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值以及投资经验评估值、意向评估值分别对应的第一准确度和第二准确度的过程，通过从交易记录中获取待评估用户的首次交易时间，并根据首次交易时间和当前时间，计算待评估用户的经验年限；确定交易记录中待评估用户交易次数最多的风险等级，根据交易次数最多的风险等级确定投资经验评估值的取值区间；根据经验年限，在取值区间中确定具体的投资经验评估值；根据浏览记录中待评估用户浏览各风险等级产品的频率，计算待评估用户购买各风险等级产品的对应的意向评估值；根据交易记录的数据量和浏览记录的数据量，分别计算第一准确度和第二准确度。通过本方法计算出的评估值与问卷测评中的数据进行比对获得异动值，并根据异动值判断是否进行预警，通过对业务数据和行为数据中的多种数据进行分析，使得分析结果更加客观、全面、准确，同时异动检测不需要强依赖客户的上一次或上几次测评结果，对于首次测评的客户也有效果。
请参阅图3，本发明实施例中风险测评异动检测方法的第三个实施例包括：
301、获取现存所有用户的业务数据；
302、根据现存所有用户的业务数据，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
303、获取每个聚类维度下的每个类簇中所有现存客户的业务数据总数、每条业务数据所涉及的业务数据类型、以及每条业务数据在其所涉及的每种业务数据类型的金额，统计每个聚类维度下的每个类簇中每种业务数据类型在业务数据总数中出现的加权值构成的特征向量；
在本实施例中，金融机构例如银行先对获取该金融机构的现存客户的业务数据，其中，金融机构的现存客户为该金融机构现有的客户，业务数据可以包括资产信息、消费流水信息、信贷信息等。
在本实施例中，聚类维度可以包括资产净值、年龄、消费流水频率、信贷额度等，在每一种聚类维度下，将现存客户进行聚类，形成多个类簇，每个聚类维度包括多个类簇，每个类簇包括至少一个现存客户。
在本实施例中，获取每条业务数据所涉及的业务数据类型时，可以先设定业务数据类型，例如，业务数据类型可以包括消费、信贷、资产的总数等，每条业务数据会涉及其中至少一种业务数据类型，例如，某客户做出在商场刷信用卡的业务数据，该业务数据则会涉及消费、信贷等业务数据类型；在得知业务数据涉及的业务数据类型后，即可获得该条业务数据在其涉及的每种业务数据类型的金额。
在本实施例中，统计每个聚类维度下的每个类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，例如，在资产净值这一聚类维度下，10000元～2000元这一类簇中，所有现存客户的业务数据总数为N，业务数据类型设定为m，根据每条业务数据在其涉及的业务数据类型下的金额，以及在N条业务数据中每种业务数据类型出现的次数等，可以统计出每种业务数据类型在业务数据总数中出现的加权值的特征向量，其中，每种业务数据类型在业务数据总数中出现的加权值的特征向量可以包括一个元素，也可以包括多个元素，其中，特征向量包括多个元素时，每个元素为对加权值进行对应级数特征处理后的值。
304、获取待评估用户的行为数据和业务数据；
305、根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值以及投资经验评估值、意向评估值分别对应的第一准确度和第二准确度；
306、根据待评估客户的业务数据，将待评估客户在每个聚类维度下划分至对应的类簇中；
307、根据待评估客户在每个聚类维度下所在的类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算待评估客户的风险承受能力评估值；
308、根据待评估客户的业务数据的数据量，计算风险承受能力评估值对应的第三准确度；
在本实施例中，完成对待评估客户的类簇划分后，即获取到待评估客户在每个聚类维度下所在的类簇后，提取待评估客户所在的每个类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，同时获取待评估客户的需求，待评估客户的需求可以包括净资产需求、流动性需求、投资周期、预期回报等，将待评估客户的每种需求作为一种维度，建立对应的风险承受力回归模型，并对风险承受力回归模型进行计算，获得在每种需求下待评估客户的风险承受力，然后将各种需求下待评估客户的风险承受力进行综合考虑，获取该待评估客户的综合风险承受力，其中，一般来说，净资产越高风险承受力越高，流动性需求越低投资周期越长风险承受力越高，预期回报越高风险承受力越高。
在实际应用中，除了可以通过聚类的方式计算待评估用户的风险承受能力外，还可以通过事先建设映射关系的方式，对待评估用户的风险承受能力进行计算。
309、获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；
310、将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；
311、根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；
312、判断初步预估异动系数和初步异动可信度是否均大于预设阈值；
313、若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。
本实施例中的步骤309-313与第一实施例中的步骤104-108相似，此处不再赘述。
本实施例在前实施例的基础上，详细描述了根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度的过程。在进行问卷评测前，先根据待评估客户的业务数据，将待评估客户在事先聚类好的每个聚类维度下划分至对应的类簇中，根据待评估客户在每个聚类维度下所在的类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算待评估客户的风险承受能力评估值，并计算对应的第三准确度。本方法通过事先聚类的方式，评估出待评估客户在不同聚类维度下的风险承受能力，最后计算出综合的风险承受能力评估值。
请参阅图4，本发明实施例中风险测评异动检测方法的第四个实施例包括：
401、获取待评估用户的行为数据和业务数据；
402、根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值以及投资经验评估值、意向评估值分别对应的第一准确度和第二准确度；
403、根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；
404、获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；
405、将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；
406、根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；
407、判断初步预估异动系数和初步异动可信度是否均大于预设阈值；
408、若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警；
本实施例中的步骤401-408与第一实施例中的步骤101-108相似，此处不再赘述。
409、若否，则定时获取待评估用户在填写问卷测评后的浏览数据、问卷填写速度和历史风测数据；
410、根据待评估用户在填写问卷测评后的浏览数据、问卷填写速度、历史风测数据和初步异动可信度计算最终预估异动系数；
411、根据待评估用户在填写问卷测评后的浏览数据的数据量和初步异动可信度计算最终异动可信度；
412、判断最终预估异动系数和最终异动可信度是否均大于预设阈值；
413、若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。
在本实施例中，通过问卷测评前的数据，获得初步异动可信度，能够在用户进行问卷测评填写后分析，即时进行预警，同时，根据问卷测评后的部分数据，能够完善初步异动可信度，进行后续的检测，在进行跟踪检测的过程中，只要计算得到的最终预估异动系数大于预设阈值，则进行预警，问卷测评后的部分数据主要包括浏览数据、问卷填写速度、历史风测数据，例如用户测评后，如基本浏览都是风险等级比测试低的产品，则异动系数增加。否则降低。用户填写测评题目时间比起正常平均填写时间越快，则异动系数和可信度都增加，用户如果近期风测都为低风险，如果突然增高，则异动系数和可信度都增加，否则异动系数和可信度都适当降低。
本实施例在前实施例的基础上，增加了在问卷测评后对用户进行追踪的异动检测的过程，在问卷测评进行异动检测出用户不是异动用户后，还可以通过对数据的持续更新，完善异动系数和准确度，得到最终预估异动系数和最终异动可信度，根据最终预估异动系数和最终异动可信度对用户是否为异动用户进行判断，能够对用户在测评后业务数据和行为数据的更新对用户是否存在异动进行持续检测。
上面对本发明实施例中风险测评异动检测方法进行了描述，下面对本发明实施例中风险测评异动检测装置进行描述，请参阅图5，本发明实施例中风险测评异动检测装置一个实施例包括：
获取模块501，用于获取待评估用户的行为数据和业务数据；
第一评估值计算模块502，用于根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度，其中，所述第一准确度和所述第二准确度用于判断计算得到所述投资经验评估值和意向评估值是否可信；
第二评估值计算模块503，用于根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度，其中，所述第三准确度用于判断计算得到所述风险承受能力评估值是否可信；
提取模块504，用于获取所述待评估用户填写的问卷测评，并提取所述问卷测评中的测评数据；
比对模块505，用于将所述投资经验评估值、所述意向评估值和所述风险承受能力评估值，与所述测评数据对应的评估值进行比对，得到初步预估异动系数；
可信度计算模块506，用于根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度；
判断模块507，用于判断所述初步预估异动系数和所述初步异动可信度是否均大于预设阈值；
预警模块508，用于当所述初步预估异动系数和所述初步异动可信度均大于预设阈值时，确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
需要强调的是，为保证数据的私密和安全性，上述用户的行为数据和业务数据可以存储于一区块链的节点中。
本发明实施例中，所述风险测评异动检测装置运行上述风险测评异动检测方法，所述风险测评异动检测方法包括：获取待评估用户的行为数据和业务数据；根据行为数据计算待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、投资经验评估值，以及意向评估值对应的第一准确度和第二准确度；根据业务数据，计算待评估用户的风险承受能力评估值以及风险承受能力评估值对应的第三准确度；获取待评估用户填写的问卷测评，并提取问卷测评中的测评数据；将投资经验评估值、意向评估值和风险承受能力评估值，与测评数据对应的评估值进行比对，得到初步预估异动系数；根据第一准确度、第二准确度和第三准确度，计算待评估用户的初步异动可信度；判断初步预估异动系数和初步异动可信度是否均大于预设阈值；若是，则确定待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对工作人员进行预警。本方法通过对用户的业务数据和行为数据进行分析后得到的各项评估值与用户填写问卷的结果进行风险测评评定得到的分析数据进行比对，获得异动值，并根据所述异动值判断是否进行预警，通过对业务数据和行为数据中的多种数据进行分析，使得分析结果更加客观、全面、准确，同时异动检测不需要强依赖客户的上一次或上几次测评结果，对于首次测评的客户也有效果。此外，本发明还涉及区块链技术，用户的行为数据和业务数据可存储于区块链中。
请参阅图6，本发明实施例中风险测评异动检测装置的第二个实施例包括：
获取模块501，用于获取待评估用户的行为数据和业务数据；
第一评估值计算模块502，用于根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度，其中，所述第一准确度和所述第二准确度用于判断计算得到所述投资经验评估值和意向评估值是否可信；
第二评估值计算模块503，用于根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度，其中，所述第三准确度用于判断计算得到所述风险承受能力评估值是否可信；
提取模块504，用于获取所述待评估用户填写的问卷测评，并提取所述问卷测评中的测评数据；
比对模块505，用于将所述投资经验评估值、所述意向评估值和所述风险承受能力评估值，与所述测评数据对应的评估值进行比对，得到初步预估异动系数；
可信度计算模块506，用于根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度；
判断模块507，用于判断所述初步预估异动系数和所述初步异动可信度是否均大于预设阈值；
预警模块508，用于当所述初步预估异动系数和所述初步异动可信度均大于预设阈值时，确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
其中，所述行为数据包括交易记录和浏览记录，所述第一评估值计算模块502包括：
投资经验计算单元5021，用于根据所述交易记录和所述浏览记录，计算所述投资经验评估值；
意向度计算单元5022，用于根据所述浏览记录中所述待评估用户浏览各风险等级产品的频率，计算所述待评估用户购买各风险等级产品的对应的意向评估值；
准确度计算单元5023，用于根据所述交易记录的数据量和所述浏览记录的数据量，分别计算所述第一准确度和第二准确度。
可选的，所述投资经验计算单元5021具体用于：
从所述交易记录中获取所述待评估用户的首次交易时间，并根据所述首次交易时间和当前时间，计算所述待评估用户的经验年限；
确定所述交易记录中所述待评估用户交易次数最多的风险等级，根据所述交易次数最多的风险等级确定投资经验评估值的取值区间；
根据所述经验年限，在所述取值区间中确定具体的投资经验评估值。
其中，所述风险测评异动检测装置还包括聚类模块509，所述聚类模块509具体用于：
获取现存所有用户的业务数据；
根据现存所有用户的业务数据，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
获取每个聚类维度下的每个类簇中所有现存客户的业务数据总数、每条业务数据所涉及的业务数据类型、以及每条业务数据在其所涉及的每种业务数据类型的金额，统计每个聚类维度下的每个类簇中每种业务数据类型在业务数据总数中出现的加权值构成的特征向量。
可选的，所述第二评估值计算模块503具体用于：
根据所述待评估客户的业务数据，将所述待评估客户在每个聚类维度下划分至对应的类簇中；
根据所述待评估客户在每个聚类维度下所在的类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算所述待评估客户的风险承受能力评估值；
根据所述待评估客户的业务数据的数据量，计算所述风险承受能力评估值对应的第三准确度。
其中，所述风险测评异动检测装置还包括最终系数计算模块510，所述最终系数计算模块510具体用于：
获取所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度和历史风测数据；
根据所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度、历史风测数据和所述初步异动可信度计算最终预估异动系数；
根据所述待评估用户在填写问卷测评后的浏览数据的数据量和所述初步异动可信度计算最终异动可信度。
其中，所述风险测评异动检测装置还包括追踪检测模块511，所述追踪检测模块511具体用于：
判断所述最终预估异动系数和所述最终异动可信度是否均大于预设阈值；
若是，则确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
本实施例在上一实施例的基础上，详细描述了各个模块的具体功能以及部分模块的单元构成，通过本装置，能够对用户的业务数据和行为数据进行分析后得到的各项评估值与用户填写问卷的结果进行风险测评评定得到的分析数据进行比对，获得异动值，并根据所述异动值判断是否进行预警，通过对业务数据和行为数据中的多种数据进行分析，使得分析结果更加客观、全面、准确，同时异动检测不需要强依赖客户的上一次或上几次测评结果，对于首次测评的客户也有效果，并且异动检测的追踪力度更强，能够对用户在测评后业务数据和行为数据的更新对用户是否存在异动进行持续检测。
上面图5和图6从模块化功能实体的角度对本发明实施例中的中风险测评异动检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中风险测评异动检测设备进行详细描述。
图7是本发明实施例提供的一种风险测评异动检测设备的结构示意图，该风险测评异动检测设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对风险测评异动检测设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在风险测评异动检测设备700上执行存储介质730中的一系列指令操作，以实现上述风险测评异动检测方法的步骤。
风险测评异动检测设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的风险测评异动检测设备结构并不构成对本申请提供的风险测评异动检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述风险测评异动检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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)

1.一种风险测评异动检测方法，其特征在于，所述风险测评异动检测方法包括：
获取待评估用户的行为数据和业务数据；
根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度，其中，所述第一准确度和所述第二准确度用于判断计算得到所述投资经验评估值和意向评估值是否可信；
根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度，其中，所述第三准确度用于判断计算得到所述风险承受能力评估值是否可信；
获取所述待评估用户填写的问卷测评，并提取所述问卷测评中的测评数据；
将所述投资经验评估值、所述意向评估值和所述风险承受能力评估值，与所述测评数据对应的评估值进行比对，得到初步预估异动系数；
根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度；
判断所述初步预估异动系数和所述初步异动可信度是否均大于预设阈值；
若是，则确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
2.根据权利要求1所述的风险测评异动检测方法，其特征在于，所述行为数据包括交易记录和浏览记录；
所述根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度包括：
根据所述交易记录和所述浏览记录，计算所述投资经验评估值；
根据所述浏览记录中所述待评估用户浏览各风险等级产品的频率，计算所述待评估用户购买各风险等级产品的对应的意向评估值；
根据所述交易记录的数据量和所述浏览记录的数据量，分别计算第一准确度和第二准确度。
3.根据权利要求2所述的风险测评异动检测方法，其特征在于，所述根据所述交易记录和所述浏览记录，计算所述投资经验评估值包括：
从所述交易记录中获取所述待评估用户的首次交易时间，并根据所述首次交易时间和当前时间，计算所述待评估用户的经验年限；
确定所述交易记录中所述待评估用户交易次数最多的风险等级，根据所述交易次数最多的风险等级确定投资经验评估值的取值区间；
根据所述经验年限，在所述取值区间中确定具体的投资经验评估值。
4.根据权利要求3所述的风险测评异动检测方法，其特征在于，在所述获取用户的行为数据和业务数据之前，还包括：
获取现存所有用户的业务数据；
根据现存所有用户的业务数据，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
获取每个聚类维度下的每个类簇中所有现存客户的业务数据总数、每条业务数据所涉及的业务数据类型、以及每条业务数据在其所涉及的每种业务数据类型的金额，统计每个聚类维度下的每个类簇中每种业务数据类型在业务数据总数中出现的加权值构成的特征向量。
5.根据权利要求4所述的风险测评异动检测方法，其特征在于，所述根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度包括：
根据所述待评估客户的业务数据，将所述待评估客户在每个聚类维度下划分至对应的类簇中；
根据所述待评估客户在每个聚类维度下所在的类簇中每种业务数据类型在业务数据总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算所述待评估客户的风险承受能力评估值；
根据所述待评估客户的业务数据的数据量，计算所述风险承受能力评估值对应的第三准确度。
6.根据权利要求1-5中任一项所述的风险测评异动检测方法，其特征在于，在所述根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度之后，还包括：
获取所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度和历史风测数据；
根据所述待评估用户在填写问卷测评后的浏览数据、问卷填写速度、历史风测数据和所述初步异动可信度计算最终预估异动系数；
根据所述待评估用户在填写问卷测评后的浏览数据的数据量和所述初步异动可信度计算最终异动可信度。
7.根据权利要求6所述的风险测评异动检测方法，其特征在于，在所述根据所述待评估用户在填写问卷测评后的浏览数据的数据量和所述初步异动可信度计算最终异动可信度之后，还包括：
判断所述最终预估异动系数和所述最终异动可信度是否均大于预设阈值；
若是，则确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
8.一种风险测评异动检测装置，其特征在于，所述风险测评异动检测装置包括：
获取模块，用于获取待评估用户的行为数据和业务数据；
第一评估值计算模块，用于根据所述行为数据计算所述待评估用户的投资经验评估值、购买各风险等级产品的意向评估值、所述投资经验评估值，以及所述意向评估值对应的第一准确度和第二准确度，其中，所述第一准确度和所述第二准确度用于判断计算得到所述投资经验评估值和意向评估值是否可信；
第二评估值计算模块，用于根据所述业务数据，计算所述待评估用户的风险承受能力评估值以及所述风险承受能力评估值对应的第三准确度，其中，所述第三准确度用于判断计算得到所述风险承受能力评估值是否可信；
提取模块，用于获取所述待评估用户填写的问卷测评，并提取所述问卷测评中的测评数据；
比对模块，用于将所述投资经验评估值、所述意向评估值和所述风险承受能力评估值，与所述测评数据对应的评估值进行比对，得到初步预估异动系数；
可信度计算模块，用于根据所述第一准确度、所述第二准确度和所述第三准确度，计算所述待评估用户的初步异动可信度；
判断模块，用于判断所述初步预估异动系数和所述初步异动可信度是否均大于预设阈值；
预警模块，用于当所述初步预估异动系数和所述初步异动可信度均大于预设阈值时，确定所述待评估用户为异动用户，并将确定为异动用户的用户信息发送至工作人员所在终端，以便对所述工作人员进行预警。
9.一种风险测评异动检测设备，其特征在于，所述风险测评异动检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述风险测评异动检测设备执行如权利要求1-7中任一项所述的风险测评异动检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的风险测评异动检测方法。
CN202011577561.XA 2020-12-28 2020-12-28 风险测评异动检测方法、装置、设备及存储介质 Active CN112581291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011577561.XA CN112581291B (zh) 2020-12-28 2020-12-28 风险测评异动检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011577561.XA CN112581291B (zh) 2020-12-28 2020-12-28 风险测评异动检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112581291A true CN112581291A (zh) 2021-03-30
CN112581291B CN112581291B (zh) 2023-08-11

Family

ID=75140021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011577561.XA Active CN112581291B (zh) 2020-12-28 2020-12-28 风险测评异动检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112581291B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112371A (zh) * 2021-05-17 2021-07-13 中国银行股份有限公司 基于区块链的投资风险承受能力评估系统及方法
CN115021996A (zh) * 2022-05-26 2022-09-06 云盾智慧安全科技有限公司 云安全中心的态势感知与动态重构方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978300A (zh) * 2017-12-28 2019-07-05 北京顺智信科技有限公司 客户风险承受力量化方法及系统、资产配置方法及系统
CN110223155A (zh) * 2019-04-25 2019-09-10 深圳壹账通智能科技有限公司 投资推荐信息的推送方法、装置及计算机设备
CN111476660A (zh) * 2020-04-27 2020-07-31 大汉电子商务有限公司 一种基于数据分析的智能风控系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978300A (zh) * 2017-12-28 2019-07-05 北京顺智信科技有限公司 客户风险承受力量化方法及系统、资产配置方法及系统
CN110223155A (zh) * 2019-04-25 2019-09-10 深圳壹账通智能科技有限公司 投资推荐信息的推送方法、装置及计算机设备
CN111476660A (zh) * 2020-04-27 2020-07-31 大汉电子商务有限公司 一种基于数据分析的智能风控系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112371A (zh) * 2021-05-17 2021-07-13 中国银行股份有限公司 基于区块链的投资风险承受能力评估系统及方法
CN115021996A (zh) * 2022-05-26 2022-09-06 云盾智慧安全科技有限公司 云安全中心的态势感知与动态重构方法、装置及存储介质
CN115021996B (zh) * 2022-05-26 2023-11-21 云盾智慧安全科技有限公司 云安全中心的态势感知与动态重构方法、装置及存储介质

Also Published As

Publication number Publication date
CN112581291B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
Chung et al. Insolvency prediction model using multivariate discriminant analysis and artificial neural network for the finance industry in New Zealand
CN104881783A (zh) 电子银行账户欺诈行为及风险检测方法与系统
US10062112B1 (en) Systems, methods, and computer-readable storage media for calculating a housing volatility index
EP2329447A1 (en) Evaluating loan access using online business transaction data
Ye et al. Performance of detrending models of crop yield risk assessment: evaluation on real and hypothetical yield data
CN112990386B (zh) 用户价值聚类方法、装置、计算机设备和存储介质
CN111476660A (zh) 一种基于数据分析的智能风控系统及方法
CN109934268A (zh) 异常交易检测方法及系统
CN112581291B (zh) 风险测评异动检测方法、装置、设备及存储介质
CN110659961A (zh) 一种用于识别线下商户的方法和装置
CN111882420A (zh) 响应率的生成方法、营销方法、模型训练方法及装置
CN115082225A (zh) 一种企业融资风险的评估方法和装置
CN112416979A (zh) 基于地理位置的反欺诈方法、装置、设备及存储介质
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
CN114118793A (zh) 一种地方交易所风险预警方法、装置及设备
CN107480703B (zh) 交易故障检测方法及装置
CN116630020A (zh) 风险评估方法、装置、存储介质及电子设备
CN101449284A (zh) 使用互相关的流量参数对至网络站点的流量质量进行的评分
CN110796379A (zh) 业务渠道的风险评估方法、装置、设备及存储介质
CN113393328A (zh) 融资贷前审批评估方法、装置及计算机存储介质
CN110675240B (zh) 风险雷达预警的监控方法及系统
CN114331463A (zh) 基于线性回归模型的风险识别方法及其相关设备
CN113409129A (zh) 融资准入风险评估方法、装置及计算机存储介质
US20190340626A1 (en) Systems and Methods for Analyzing Anomalous Conduct in a Geographically Distributed Platform
US11854087B1 (en) Systems and methods for water loss mitigation messaging

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
GR01 Patent grant
GR01 Patent grant