CN112734227A - 一种大数据决策系统及方法 - Google Patents

Abstract

本发明公开了一种大数据决策系统，包括翼支付模块，用于展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；管理模块，用于获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；风险监控模块，用于对商户进行一系列的订单、商品、逾期风险的大数据监控；统计模块，用于统计并分析全量用户的部分数据。本发明的大数据决策系统是适用于通讯行业的风控模型系统，集大数据处理、数据可视化、数据分析为一体，针对每一个业务场景建立独立的决策模型，使用AI大数据建立用户、商户画像，针对用户画像、用户行为进行决策评估，减少后期的风险策略。

Description

一种大数据决策系统及方法

技术领域

本发明涉及风险评估领域，特别是涉及一种大数据决策系统及方法。

背景技术

商户在办理业务之前，都需要进行风险决策评估，在进行风险决策评估时，需要收集大量的数据，目前，缺乏一种能够集大数据处理、数据可视化、数据分析为一体的智能决策系统。

发明内容

针对上述问题，本发明提供了一种大数据决策系统及方法，是适用于通讯行业的风控模型系统，集大数据处理、数据可视化、数据分析为一体，可三维立体的对用户信息进行标签化，在整个业务过程中，该系统的审单信息是从两个方面进行，一方面是自己的内部数据，另一方面是调取三方平台数据，结合这两部分数据组成智能决策系统，形成自动化审核，能在10秒内快速反应输出业务需求结果，可支撑业务每日十万以上进单的体量，同时有效的对订单可能存在的风险达到最大程度的避免。

本发明的技术方案如下：

一种大数据决策系统，包括：

翼支付模块，用于展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；

管理模块，用于获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；

风险监控模块，用于对商户进行一系列的订单、商品、逾期风险的大数据监控；

统计模块，用于统计并分析全量用户的部分数据。

在进一步的技术方案中，所述翼支付模块包括：

信息展示子模块，用于展示业务办理的相关信息；

订单管理子模块，用于针对业务场景对订单信息进行管理；

用户管理子模块，用于针对业务场景对用户信息进行管理；

决策模型建立子模块，用于针对每一个业务场景建立独立的决策模型，并运用AI大数据对用户信息进行标签化，针对用户的多维度信息和用户行为进行决策评估，其中，用户行为包括从外部数据获取的金融借贷行为、运营商消费行为和出行购物等生活消费行为等，以及用户在本发明系统发生交易的全流程数据，所产生的申请操作及还款等行为。

在进一步的技术方案中，所述风险监控模块包括：

商户列表子模块，用于展示商户的相关业务信息；

商户监控子模块，用于获取并分析商户列表子模块展示的信息，对商户进行一系列的订单、商品、逾期风险的大数据监控。

本发明的大数据决策系统是针对通讯行业开发的一款风控模型系统，集大数据处理、数据可视化、数据分析为一体，特点是可三维立体的对用户进行画像，即用户信息标签化，通过收集与分析用户社会属性、生活习惯、消费行为等多维度信息，抽象出一个用户的商业全貌。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等。在整个业务过程中，该系统的审单信息是从两个方面进行的，一方面是自己的内部数据，另一方面是调取三方平台数据，结合这两部分数据组成智能决策系统，形成自动化审核，能在10秒内快速反应输出业务需求结果，可支撑业务每日十万以上进单的体量，同时有效的对订单可能存在的风险达到最大程度的避免。

本发明还提供了基于上述系统的大数据决策方法，其技术方案如下：

一种大数据决策方法，包括以下步骤：

S1、展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；

S2、获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；

S3、对商户进行一系列的订单、商品、逾期风险的大数据监控；

还包括以下步骤：

统计并分析全量用户的部分数据。

在进一步的技术方案中，步骤S1具体如下：

展示业务办理的相关信息；

针对业务场景对订单信息进行管理；

针对业务场景对用户信息进行管理；

针对每一个业务场景建立独立的决策模型，并运用AI大数据对用户信息进行标签化，针对用户的多维度信息和用户行为进行决策评估。

在进一步的技术方案中，步骤S3具体如下：

S31、展示商户的相关业务信息；

S32、获取并分析上述信息，对商户进行一系列的订单、商品、逾期风险的大数据监控。

本发明的有益效果是：

本发明的大数据决策系统是适用于通讯行业的风控模型系统，集大数据处理、数据可视化、数据分析为一体，针对每一个业务场景建立独立的决策模型，使用AI大数据建立用户、商户画像，针对用户画像、用户行为进行决策评估，减少后期的风险策略。

附图说明

图1是本发明实施例所述服务绑定的流程图；

图2是本发明实施例所述装饰者模式的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步说明。

实施例：

一种大数据决策系统，包括：

翼支付模块，用于展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；

管理模块，用于获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；

风险监控模块，用于对商户进行一系列的订单、商品、逾期风险的大数据监控；

统计模块，用于统计并分析全量用户的部分数据。

在本实施例中，翼支付模块包括：

信息展示子模块，用于展示业务办理的相关信息；

订单管理子模块，用于针对业务场景对订单信息进行管理；

用户管理子模块，用于针对业务场景对用户信息进行管理；

决策模型建立子模块，用于针对每一个业务场景建立独立的决策模型，并运用AI大数据对用户信息进行标签化，针对用户的多维度信息和用户行为进行决策评估。

在本实施例中，风险监控模块包括：

商户列表子模块，用于展示商户的相关业务信息；

商户监控子模块，用于获取并分析商户列表子模块展示的信息，对商户进行一系列的订单、商品、逾期风险的大数据监控。

本发明的大数据决策系统是针对通讯行业开发的一款风控模型系统，集大数据处理、数据可视化、数据分析为一体，特点是可三维立体的对用户进行画像，即用户信息标签化，通过收集与分析用户社会属性、生活习惯、消费行为等多维度信息，抽象出一个用户的商业全貌。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等。在整个业务过程中，该系统的审单信息是从两个方面进行的，一方面是自己的内部数据，另一方面是调取三方平台数据，结合这两部分数据组成智能决策系统，形成自动化审核，能在10秒内快速反应输出业务需求结果，可支撑业务每日十万以上进单的体量，同时有效的对订单可能存在的风险达到最大程度的避免。

本实施例还提供了基于上述系统的大数据决策方法，包括以下步骤：

S1、展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；

步骤S1可分为以下四步：

展示业务办理的相关信息；

针对业务场景对订单信息进行管理；

针对业务场景对用户信息进行管理；

针对每一个业务场景建立独立的决策模型，并运用AI大数据对用户信息进行标签化，针对用户的多维度信息和用户行为进行决策评估；

S2、获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；

S3、对商户进行一系列的订单、商品、逾期风险的大数据监控；

步骤S3具体包括以下两步：

S31、展示商户的相关业务信息；

S32、获取并分析上述信息，对商户进行一系列的订单、商品、逾期风险的大数据监控。

上述实施例记载的大数据决策系统中应用到的关键技术如下：

服务容器

可以将服务理解为系统运行中需要的东西，如对象、文件路径、系统配置等，服务容器就是这些东西的载体，在程序运行过程中动态地为系统提供这些服务，也可以看做是提供这些资源。由Illuminate/Container/Container类实现的，该类实现了服务容器的核心功能，而Illuminate/Foundation/Application类继承了该类，主要实现了服务容器的初始配置和功能扩展。

IoC模式

控制反转是将组件间的依赖关系从程序内部提到外部容器来管理，而依赖注入是指组件的依赖通过外部以参数或其他形式注入。

装饰者模式

如图2所示，以Laravel框架为例，在解析请求生成响应之前或之后需要经过中间件的处理，主要包括验证维护模式、Cookie加密、开启会话、CSRF保护等。在实际开发过程中有可能还需要添加新的处理功能，而这种需求正好可以被装饰者模式解决。

服务绑定

如图1所示，一个服务和一个关键字进行绑定，对于绑定服务的不同，需要服务容器中不同的绑定函数来实现，主要包括回调函数服务绑定和实例对象服务绑定。

服务解析

获取服务容器对象，通过服务容器实现对应服务的解析。

服务提供者

Laravel框架是通过服务提供者来解决服务绑定问题的，在每个功能模块中都有一个服务提供者，而服务提供者都继承了框架提供的Illuminate/Support/ServiceProvider抽象类，该抽象类中提供一个虚函数register()，所以具体类需要实现register()函数，而该函数就是用于服务绑定的。

上述实施例所记载的大数据决策系统的性能指标如下：

1、响应时间和吞吐量

根据应用程序的响应时间可以知道程序完成传输数据所用的时间，也可以从HTTP请求级别，或者成为数据库级别来看。对那些缓慢的查询你需要做一些优化来缩短时间。吞吐量是另一个角度衡量传输数据的指标，是指单位时间内系统处理的客户请求的数量。可以使用APMs(例如New Relic或AppDynamics)来衡量这些指标。使用这些工具，可以在主报告仪表板中将平均响应时间与昨天的甚至上周的直接进行对比。这有助于我们观察新的部署是否会影响到我们的应用程序。可以看到网络传输的百分比，测量HTTP完成请求需要多长时间。

2、平均负载

第二个应用广泛的指标是平均负载，我们习惯上会把平均负载分为这三步测量，分别是第5分钟、第15分钟和最后1分钟，要保证数量低于机器的内核数，一旦超过内核数，机器就会运行在压力状态下。除了简单测量CPU使用率，还需要关注每个内核的队列中有多少进程，在内核使用率都是100％的情况下，队列中只有1个任务和有6个任务有很大不同，因此，平均负载不能只考虑CPU使用率。

3、错误率

大多数开发人员判断错误率是根据HTTP传输总失败百分比，但是他们忽略了一个更深层的东西：特定传输的错误率。这直接影响到应用程序的运行状况，这可以显示出代码方法的错误以及错误或异常出现的次数，但单纯的错误率数据对我们没有多大帮助，最重要的是我们要找到它们的根源并解决问题，随着Takipi的运行，我们要在日志文件中寻找线索，可以找到所有关于服务器状态的信息，包括堆栈跟踪、源代码和变量值。

4、GC率和暂停时间

异常行为垃圾收集器应用程序的吞吐量和响应时间采取深潜的主要原因之一。了解GC暂停频率和持续时间的关键是分析GC日志文件，要分析它们，需要收集GC日志和JVM参数，要注意观察不同指标之间的数据是如何相互影响的。

5、业务指标

应用程序的性能不完全取决于响应时间和错误率，业务指标也是一方面，例如收益、用户数。

6、正常运行时间和服务运行状态

这一指标奠定了整个应用程序性能的基础，不仅可以当做一个提醒指标，也可以定义一段时间内的SKA。我们可以使用Pingdom的servlet功能进行运行状态检查，可以查到应用程序的所有传输，包括数据库和S3。

百万数据统计处理时长小于1ms，交互效果在1s展示数据结果处理。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种大数据决策系统，其特征在于，包括：

翼支付模块，用于展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；

管理模块，用于获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；

风险监控模块，用于对商户进行一系列的订单、商品、逾期风险的大数据监控；

统计模块，用于统计并分析全量用户的部分数据。

2.根据权利要求1所述的一种大数据决策系统，其特征在于，所述翼支付模块包括：

信息展示子模块，用于展示业务办理的相关信息；

订单管理子模块，用于针对业务场景对订单信息进行管理；

用户管理子模块，用于针对业务场景对用户信息进行管理；

决策模型建立子模块，用于针对每一个业务场景建立独立的决策模型，并运用AI大数据对用户信息进行标签化，针对用户的多维度信息和用户行为进行决策评估。

3.根据权利要求1所述的一种大数据决策系统，其特征在于，所述风险监控模块包括：

商户列表子模块，用于展示商户的相关业务信息；

商户监控子模块，用于获取并分析商户列表子模块展示的信息，对商户进行一系列的订单、商品、逾期风险的大数据监控。

4.一种大数据决策方法，其特征在于，包括以下步骤：

S1、展示业务办理的相关信息，并针对业务场景进行订单信息管理、用户信息管理，以及建立决策模型；

S2、获取并展示用户信息和业务相关信息，并根据获取的信息进行订单管理和决策模型管理；

S3、对商户进行一系列的订单、商品、逾期风险的大数据监控；

还包括以下步骤：

统计并分析全量用户的部分数据。

5.根据权利要求4所述的一种大数据决策方法，其特征在于，步骤S1具体如下：

展示业务办理的相关信息；

针对业务场景对订单信息进行管理；

针对业务场景对用户信息进行管理；

针对每一个业务场景建立独立的决策模型，并运用AI大数据对用户信息进行标签化，针对用户的多维度信息和用户行为进行决策评估。

6.根据权利要求4所述的一种大数据决策方法，其特征在于，步骤S3具体如下：

S31、展示商户的相关业务信息；

S32、获取并分析上述信息，对商户进行一系列的订单、商品、逾期风险的大数据监控。

Images