CN112925816A - 一种异常数据检测方法、装置、机器可读介质及设备 - Google Patents
一种异常数据检测方法、装置、机器可读介质及设备 Download PDFInfo
- Publication number
- CN112925816A CN112925816A CN202110208873.1A CN202110208873A CN112925816A CN 112925816 A CN112925816 A CN 112925816A CN 202110208873 A CN202110208873 A CN 202110208873A CN 112925816 A CN112925816 A CN 112925816A
- Authority
- CN
- China
- Prior art keywords
- parameter
- service
- score
- parameters
- stability index
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Library & Information Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异常数据检测方法,包括:获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。本发明针对目前存在的问题,提供了一套自动分析客群变化的方式,解决了传统客群分析依靠经验,效果不稳定的弊端,同时实现了客群的自动化分析。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种异常数据检测方法、装置、机器可读介质及设备。
背景技术
很多人在做信贷业务的时候,很难知道客群的数据是否发生了变化,发生变化则需要调整。而且数据发生了变化,会对用户造成较大的影响,然而目前对发生了较大变化的数据的检测准确度较低。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种异常数据检测方法、装置、机器可读介质及设备,用于解决现有技术存在的问题。
为实现上述目的及其他相关目的,本发明提供一种异常数据检测方法,包括:
获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;
根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;
根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。
可选地,所述基础业务参数包括以下至少之一:在办理业务时提供的年龄、地域、职业、收入、信用评分;所述实际业务参数包括以下至少之一:在当前业务周期内的年龄、地域、职业、收入、信用评分。
可选地,当所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。
可选地,所述稳定性指数包括群体稳定性指标。
可选地,所述根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的群体稳定性指标,包括:
对所述基础业务参数和当前业务周期内的实际业务参数进行转换,得到基础业务参数的得分表示和当前业务周期内的实际业务参数的得分表示;
分别获取所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比,其中,按照预设的数据划分方式对所述基础业务参数的得分与所述当前业务周期内的实际业务参数的得分进行份额划分;
根据所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比得到所述监控参数在当前业务周期内的群体稳定性指标。
可选地,采用如下公式计算所述监控参数在当前业务周期内的稳定性指数:
其中,PSI为所述监控参数在当前业务周期内的群体稳定性指标,n为份额总数,Ai为所述实际业务参数在每个份额中的占比,Ei为所述基础业务参数在每个份额中的占比。
为实现上述目的及其他相关目的,本发明提供一种异常数据检测装置,包括:
参数获取模块,用于获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;
稳定性计算模块,用于根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;
提示模块,用于根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。
可选地,所述基础业务参数包括以下至少之一:在办理业务时提供的年龄、地域、职业、收入、信用评分;所述实际业务参数包括以下至少之一:在当前业务周期内的年龄、地域、职业、收入、信用评分。
可选地,所述提示模块在所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。
可选地,所述稳定性指数包括群体稳定性指标。
可选地,所述稳定性计算模块包括:
转换子模块,用于对所述基础业务参数和当前业务周期内的实际业务参数进行转换,得到基础业务参数的得分表示和当前业务周期内的实际业务参数的得分表示;
占比计算子模块,用于分别获取所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比,其中,按照预设的数据划分方式对所述基础业务参数的得分与所述当前业务周期内的实际业务参数的得分进行份额划分;
稳定性计算子模块,用于根据所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比得到所述监控参数在当前业务周期内的群体稳定性指标。
可选地,采用如下公式计算所述监控参数在当前业务周期内的稳定性指数:
其中,PSI为所述监控参数在当前业务周期内的群体稳定性指标,n为份额总数,Ai为所述实际业务参数在每个份额中的占比,Ei为所述基础业务参数在每个份额中的占比。
为实现上述目的及其他相关目的,本发明还提供一种电子设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行前述的一个或多个所述的方法。
为实现上述目的及其他相关目的,本发明还提供一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得设备执行前述的一个或多个所述的方法。
如上所述,本发明提供的一种异常数据检测方法、装置、机器可读介质及设备,具有以下有益效果:
本发明的一种异常数据检测方法,包括:获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。本发明针对目前存在的问题,提供了一套自动分析客群变化的方式,解决了传统客群分析依靠经验,效果不稳定的弊端,同时实现了客群的自动化分析。
附图说明
图1为本发明一实施例一种异常数据检测方法的流程图;
图2为本发明一实施例群体稳定性指标计算方法的流程图;
图3为本发明一实施例一种异常数据检测装置的硬件结构示意图;
图4为本发明一实施例稳定性计算模块的示意图;
图5为本发明一实施例中终端设备的硬件结构示意图;
图6为本发明一实施例中终端设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员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与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本申请实施例提供一种异常数据检测方法,包括:
S11获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;
S12根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;
S13根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。
本发明针对目前存在的问题,提供了一套自动分析客群变化的方式,解决了传统客群分析依靠经验,效果不稳定的弊端,同时实现了客群的自动化分析。
在一实施例中,基础业务参数由业务对象在办理业务时提供,所述述基础业务参数包括以下至少之一:在办理业务时提供的年龄、地域、职业、收入、信用评分,所述实际业务参数包括以下至少之一:在当前业务周期内的年龄、地域、职业、收入、信用评分。其中,信用评分通过评分卡模型计算得到,评分卡模型可以采用逻辑回归模型。
监控参数的类型可以为连续型;例如,监控参数的类型包括收入、年龄等中的至少一种。监控参数的类型也可以为类别型;例如,监控参数的类型包括职业、地域等中的至少一种。
监控参数的数量可以为一个,也可以为多个。当监控参数的数量为多个时,多个监控参数的类型可以相同,也可以不同,也即多个监控参数的类型可以均为连续型,也可以均为类别型,还可以部分监控参数为连续型,部分监控参数为类别型。
业务对象:业务对象可以是接受机构提供的服务的用户群体,例如借贷人、信用卡使用者等借贷业务相关人员。
业务包括现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务等,其中,现金贷业务指小额现金贷款业务,是针对申请人发放的消费类贷款业务;线上现金分期业务指申请人对信用额度进行分期使用;线上消费分期业务指申请人线上大额消费时对账单进行分期支付;二次营销业务指在原来营销业务上进一步改进,再次对原客户进行推广营销。可以理解的是,实际中的业务类型并不仅仅是示例的几种,其他的能够通过本实施的方法贷中行为监控的业务都属干本实施例的保护苑围。
在具体实施例中,业务周期可以是一个月,两个月或半年等等。由于业务对象的实际业务参数可能会随着时间的变化而变化,进而导致信用评分发生变化,因此,可以根据每个业务周期内的实际业务参数得到相应的信用评分,从而对业务对象采用不同的管理策略。
需要说明的是,在训练评分卡模型时,可以根据不同的业务类型训练不同参数和参数权重的逻辑回归模型,每种业务类型的逻辑回归模型只应用于对应业务场景进行应用。例如:使用现金贷的客户样本训练出的逻辑回归模型,由于训练逻辑回归模型所用客户样本来自于现金贷的场景中,不同场景的客户质量、特点是有差异的,因此其只可以使用在现金贷业务这个场景中,将其应用在二次营销业务场景中,其预测效果会变差。例如,在现金分期场景中,最终的信用评分为A,但在消费分期场景中,同样的基础业务数据,得到最终的信用评分为B。
在一实施例中,当所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。
需要说明的是,可以对每个监控参数设定各自的稳定性指数阈值,例如,年龄稳定性指数阈值、收入稳定性指数阈值、信用评分稳定性指数阈值等。还可以针对多个监控参数设定综合性的稳定性指数阈值。
在一实施例中,所述稳定性指数包括群体稳定性指标。
在一实施例中,如图2所示,所述根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的群体稳定性指标,包括:
S21对所述基础业务参数和当前业务周期内的实际业务参数进行转换,得到基础业务参数的得分表示和当前业务周期内的实际业务参数的得分表示;
例如,基础业务参数为A1,其属于B1~B2之间,则其得分为C1;基础参数为A2,其属于B2~B3之间,则其得分为C2;基础参数为A3,其属于B3~B4之间,则其得分为C3;基础参数为A4,其属于B4~B5之间,则其得分为C4;实际业务参数的得分表示可以参照基础业务参数的获得方式。
若基础参数有多个,则总得分为各个基础参数相应得分直接相加,或通过加权的方式得到得分。
S22分别获取所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比,其中,按照预设的数据划分方式对所述基础业务参数的得分与所述当前业务周期内的实际业务参数的得分进行份额划分;
例如,业务对象的基础业务参数与当前业务周期内的实际业务参数的得分表示分别为A,E。对A中的数据由小到大进行排序,确定A中的最大值与最小值,以最大值和最小值作为两个端点将A中的数据划分为10个份额。在对数据进行划分时,可以进行均匀划分,例如,将A1中的数据划分为0~10,10~20,20~30,30~40,40~50,50~60,60~70,70~80,80~90,90~100;也可以不进行均匀划分,例如,0~15,15~20,20~35,35~40,40~50,50~60,60~70,70~80,80~90,90~100。具体的划分方式,可以根据不同的需求进行选择。数据划分完成后,计算每个份额中的数据的占比,得到10个份额的数据的占比集合。同样的,对E中的数据由小到大进行排序,确定E中的最大值与最小值,以最大值和最小值作为两个端点将E中的数据划分为10个份额;数据划分完成后,计算每个份额中的数据的占比,得到10个份额的数据的占比集合。
S23根据所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比得到所述监控参数在当前业务周期内的群体稳定性指标。
具体地,可以采用如下公式计算所述监控参数在当前业务周期内的群体稳定性指标:
其中,PSI(PopulationStability Index)为所述监控参数在当前业务周期内的群体稳定性指标,n为份额总数,Ai为所述实际业务参数在每个份额中的占比,Ei为所述基础业务参数在每个份额中的占比,表示的自然对数。
在一实施例中,当所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。一般认为,当PSI<0.1变化不太显著,当1<PSI<0.25表示有比较显著的变化,当PSI>0.25时表示变化剧烈,需要特殊关注。
在一实施例中,在金融业务负责人接收到提示信息后,可以过可视化的方式对业务对象的相关信息进行查看。
应该理解,上述各个实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
如图3所示,本申请实施例提供一种异常数据检测装置,包括:
参数获取模块31,用于获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;
稳定性计算模块32,用于根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;
提示模块33,用于根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。
本发明针对目前存在的问题,提供了一套自动分析客群变化的方式,解决了传统客群分析依靠经验,效果不稳定的弊端,同时实现了客群的自动化分析。
在一实施例中,基础业务参数由业务对象在办理业务时提供,所述述基础业务参数包括以下至少之一:在办理业务时提供的年龄、地域、职业、收入、信用评分,所述实际业务参数包括以下至少之一:在当前业务周期内的年龄、地域、职业、收入、信用评分。其中,信用评分通过评分卡模型计算得到,评分卡模型可以采用逻辑回归模型。
监控参数的类型可以为连续型;例如,监控参数的类型包括收入、年龄等中的至少一种。监控参数的类型也可以为类别型;例如,监控参数的类型包括职业、地域等中的至少一种。
监控参数的数量可以为一个,也可以为多个。当监控参数的数量为多个时,多个监控参数的类型可以相同,也可以不同,也即多个监控参数的类型可以均为连续型,也可以均为类别型,还可以部分监控参数为连续型,部分监控参数为类别型。
业务对象:业务对象可以是接受机构提供的服务的用户群体,例如借贷人、信用卡使用者等借贷业务相关人员。
业务包括现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务等,其中,现金贷业务指小额现金贷款业务,是针对申请人发放的消费类贷款业务;线上现金分期业务指申请人对信用额度进行分期使用;线上消费分期业务指申请人线上大额消费时对账单进行分期支付;二次营销业务指在原来营销业务上进一步改进,再次对原客户进行推广营销。可以理解的是,实际中的业务类型并不仅仅是示例的几种,其他的能够通过本实施的方法贷中行为监控的业务都属干本实施例的保护苑围。
在具体实施例中,业务周期可以是一个月,两个月或半年等等。由于业务对象的实际业务参数可能会随着时间的变化而变化,进而导致信用评分发生变化,因此,可以根据每个业务周期内的实际业务参数得到相应的信用评分,从而对业务对象采用不同的管理策略。
需要说明的是,在训练评分卡模型时,可以根据不同的业务类型训练不同参数和参数权重的逻辑回归模型,每种业务类型的逻辑回归模型只应用于对应业务场景进行应用。例如:使用现金贷的客户样本训练出的逻辑回归模型,由于训练逻辑回归模型所用客户样本来自于现金贷的场景中,不同场景的客户质量、特点是有差异的,因此其只可以使用在现金贷业务这个场景中,将其应用在二次营销业务场景中,其预测效果会变差。例如,在现金分期场景中,最终的信用评分为A,但在消费分期场景中,同样的基础业务数据,得到最终的信用评分为B。
在一实施例中,当所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。
需要说明的是,可以对每个监控参数设定各自的稳定性指数阈值,例如,年龄稳定性指数阈值、收入稳定性指数阈值、信用评分稳定性指数阈值等。还可以针对多个监控参数设定综合性的稳定性指数阈值。
在一实施例中,所述稳定性指数包括群体稳定性指标。
在一实施例中,如图4所示,所述稳定性计算模块包括:
转换子模块41,用于对所述基础业务参数和当前业务周期内的实际业务参数进行转换,得到基础业务参数的得分表示和当前业务周期内的实际业务参数的得分表示;
例如,基础业务参数为A1,其属于B1~B2之间,则其得分为C1;基础参数为A2,其属于B2~B3之间,则其得分为C2;基础参数为A3,其属于B3~B4之间,则其得分为C3;基础参数为A4,其属于B4~B5之间,则其得分为C4;实际业务参数的得分表示可以参照基础业务参数的获得方式。若基础参数有多个,则总得分为各个基础参数相应得分直接相加,或通过加权的方式得到得分。
占比计算子模块42,用于分别获取所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比,其中,按照预设的数据划分方式对所述基础业务参数的得分与所述当前业务周期内的实际业务参数的得分进行份额划分;
例如,业务对象的基础业务参数与当前业务周期内的实际业务参数的得分表示分别为A,E。对A中的数据由小到大进行排序,确定A中的最大值与最小值,以最大值和最小值作为两个端点将A中的数据划分为10个份额。在对数据进行划分时,可以进行均匀划分,例如,将A1中的数据划分为0~10,10~20,20~30,30~40,40~50,50~60,60~70,70~80,80~90,90~100;也可以不进行均匀划分,例如,0~15,15~20,20~35,35~40,40~50,50~60,60~70,70~80,80~90,90~100。具体的划分方式,可以根据不同的需求进行选择。数据划分完成后,计算每个份额中的数据的占比,得到10个份额的数据的占比集合。同样的,对E中的数据由小到大进行排序,确定E中的最大值与最小值,以最大值和最小值作为两个端点将E中的数据划分为10个份额;数据划分完成后,计算每个份额中的数据的占比,得到10个份额的数据的占比集合。
稳定性计算子模块43,用于根据所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比得到所述监控参数在当前业务周期内的群体稳定性指标。
具体地,可以采用如下公式计算所述监控参数在当前业务周期内的群体稳定性指标:
其中,PSI(PopulationStability Index)为所述监控参数在当前业务周期内的群体稳定性指标,n为份额总数,Ai为所述实际业务参数在每个份额中的占比,Ei为所述基础业务参数在每个份额中的占比,表示的自然对数。
在一实施例中,当所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。一般认为,当PSI<0.1变化不太显著,当1<PSI<0.25表示有比较显著的变化,当PSI>0.25时表示变化剧烈,需要特殊关注。
在一实施例中,在金融业务负责人接收到提示信息后,可以过可视化的方式对业务对象的相关信息进行查看。
本申请实施例还提供了一种设备,该设备可以包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述设备执行图1所述的方法。在实际应用中,该设备可以作为终端设备,也可以作为服务器,终端设备的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
图5为本申请一实施例提供的终端设备的硬件结构示意图。如图所示,该终端设备可以包括:输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,第一存储器1103中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit,简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的,上述输入设备1100可以包括多种输入设备,例如可以包括面向业务对象的业务对象接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等);可选的,该面向业务对象的业务对象接口例如可以是面向业务对象的控制按键、用于接收语音输入的语音输入设备以及业务对象接收业务对象触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供业务对象编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;输出设备1102可以包括显示器、音响等输出设备。
在本实施例中,该终端设备的处理器包括用于执行各设备中各模块的功能,具体功能和技术效果参照上述实施例即可,此处不再赘述。
图6为本申请的一个实施例提供的终端设备的硬件结构示意图。图6是对图1在实现过程中的一个具体的实施例。如图所示,本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码,实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,例如消息,图片,视频等。第二存储器1202可能包含随机存取存储器(random access memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
可选地,第二处理器1201设置在处理组件1200中。该终端设备还可以包括:通信组件1203,电源组件1204,多媒体组件1205,语音组件1206,输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定,本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令,以完成上述数据处理方法中的全部或部分步骤。此外,处理组件1200可以包括一个或多个模块,便于处理组件1200和其他组件之间的交互。例如,处理组件1200可以包括多媒体模块,以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统,一个或多个电源,及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和业务对象之间的提供一个输出接口的显示屏。在一些实施例中,显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板,显示屏可以被实现为触摸屏,以接收来自业务对象的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如,语音组件1206包括一个麦克风(MIC),当终端设备处于操作模式,如语音识别模式时,麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中,语音组件1206还包括一个扬声器,用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口,上述外围接口模块可以是点击轮,按钮等。这些按钮可包括但不限于:音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器,用于为终端设备提供各个方面的状态评估。例如,传感器组件1208可以检测到终端设备的打开/关闭状态,组件的相对定位,业务对象与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在,包括检测业务对象与终端设备间的距离。在一些实施例中,该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个实施例中,该终端设备中可以包括SIM卡插槽,该SIM卡插槽用于插入SIM卡,使得终端设备可以登录GPRS网络,通过互联网与服务器建立通信。
由上可知,在图6实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图5实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (14)
1.一种异常数据检测方法,其特征在于,包括:
获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;
根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;
根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。
2.根据权利要求1所述的异常数据检测方法,其特征在于,所述基础业务参数包括以下至少之一:在办理业务时提供的年龄、地域、职业、收入、信用评分;所述实际业务参数包括以下至少之一:在当前业务周期内的年龄、地域、职业、收入、信用评分。
3.根据权利要求1所述的异常数据检测方法,其特征在于,当所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。
4.根据权利要求1所述的异常数据检测方法,其特征在于,所述稳定性指数包括群体稳定性指标。
5.根据权利要求4所述的异常数据检测方法,其特征在于,根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的群体稳定性指标,包括:
对所述基础业务参数和当前业务周期内的实际业务参数进行转换,得到基础业务参数的得分表示和当前业务周期内的实际业务参数的得分表示;
分别获取所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比,其中,按照预设的数据划分方式对所述基础业务参数的得分与所述当前业务周期内的实际业务参数的得分进行份额划分;
根据所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比得到所述监控参数在当前业务周期内的群体稳定性指标。
7.一种异常数据检测装置,其特征在于,包括:
参数获取模块,用于获取业务对象的监控参数,所述监控参数包括基础业务参数和当前业务周期内的实际业务参数;
稳定性计算模块,用于根据所述基础业务参数和所述实际业务参数计算所述监控参数在当前业务周期内的稳定性指数;
提示模块,用于根据所述监控参数在当前业务周期内的稳定性指数与设定的稳定性指数阈值输出数据异常提示。
8.根据权利要求7所述的异常数据检测装置,其特征在于,所述基础业务参数包括以下至少之一:在办理业务时提供的年龄、地域、职业、收入、信用评分;所述实际业务参数包括以下至少之一:在当前业务周期内的年龄、地域、职业、收入、信用评分。
9.根据权利要求7所述的异常数据检测装置,其特征在于,所述提示模块在所述监控参数在当前业务周期内的稳定性指数超过设定的稳定性指数阈值时,输出所述数据异常提示。
10.根据权利要求7所述的异常数据检测装置,其特征在于,所述稳定性指数包括群体稳定性指标。
11.根据权利要求10所述的异常数据检测装置,其特征在于,所述稳定性计算模块包括:
转换子模块,用于对所述基础业务参数和当前业务周期内的实际业务参数进行转换,得到基础业务参数的得分表示和当前业务周期内的实际业务参数的得分表示;
占比计算子模块,用于分别获取所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比,其中,按照预设的数据划分方式对所述基础业务参数的得分与所述当前业务周期内的实际业务参数的得分进行份额划分;
稳定性计算子模块,用于根据所述基础业务参数的得分表示在每个份额中的占比以及所述当前业务周期内的实际业务参数的得分表示在每个份额中的占比得到所述监控参数在当前业务周期内的群体稳定性指标。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行如权利要求1-6中一个或多个所述的方法。
14.一个或多个机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得设备执行如权利要求1-6中一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208873.1A CN112925816A (zh) | 2021-02-24 | 2021-02-24 | 一种异常数据检测方法、装置、机器可读介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208873.1A CN112925816A (zh) | 2021-02-24 | 2021-02-24 | 一种异常数据检测方法、装置、机器可读介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112925816A true CN112925816A (zh) | 2021-06-08 |
Family
ID=76171726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208873.1A Pending CN112925816A (zh) | 2021-02-24 | 2021-02-24 | 一种异常数据检测方法、装置、机器可读介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925816A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008077A (zh) * | 2018-11-06 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种异常报警监控方法及装置、一种计算设备及存储介质 |
CN110348718A (zh) * | 2019-06-28 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 金融业务指标监控方法、装置及电子设备 |
CN110399903A (zh) * | 2019-06-28 | 2019-11-01 | 上海上湖信息技术有限公司 | 异常数据的检测方法及装置、计算机可读存储介质 |
-
2021
- 2021-02-24 CN CN202110208873.1A patent/CN112925816A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008077A (zh) * | 2018-11-06 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种异常报警监控方法及装置、一种计算设备及存储介质 |
CN110348718A (zh) * | 2019-06-28 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 金融业务指标监控方法、装置及电子设备 |
CN110399903A (zh) * | 2019-06-28 | 2019-11-01 | 上海上湖信息技术有限公司 | 异常数据的检测方法及装置、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
鲜永菊: "《入侵检测》", 31 August 2009 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6703013B2 (ja) | 支払い閾値取得方法及び装置 | |
CN109711969A (zh) | 基于数据分析的校园信贷方法、装置、设备和存储介质 | |
CN112163642A (zh) | 一种风控规则获取方法、装置、介质及设备 | |
CN110020149A (zh) | 用户信息的标签化处理方法、装置、终端设备及介质 | |
CN111563810A (zh) | 信贷风控模型生成方法、信用评估方法、系统、机器可读介质及设备 | |
CN112801719A (zh) | 用户行为预测方法、用户行为预测装置、存储介质及设备 | |
CN110798567A (zh) | 短信分类显示方法及装置、存储介质、电子设备 | |
CN105844523A (zh) | 利用证券追溯数据进行模拟交易的方法、装置及计算设备 | |
CN113537510A (zh) | 基于不均衡数据集的机器学习模型数据处理方法及装置 | |
CN109407914A (zh) | 用户特征识别方法、装置、设备、介质和操作系统 | |
CN112966756A (zh) | 一种可视化的准入规则的生成方法、装置、机器可读介质及设备 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN112910708A (zh) | 分布式服务调用方法及装置 | |
CN112925816A (zh) | 一种异常数据检测方法、装置、机器可读介质及设备 | |
CN114285896B (zh) | 信息推送方法、装置、设备、存储介质及程序产品 | |
CN112051270B (zh) | 一种输电线缺陷检测方法、系统、设备及介质 | |
CN113077251A (zh) | 一种预付费交易场景下的异常行为监测方法及装置 | |
CN110826548A (zh) | 票据数据处理方法、系统、设备及机器可读介质 | |
CN111915422A (zh) | 一种风控模型调度方法、装置、机器可读介质及设备 | |
CN110827068A (zh) | 基于支付系统的票据数据处理方法、系统、设备及介质 | |
CN113407277A (zh) | 显示元素颜色设置方法、装置、设备及计算机程序 | |
CN109714381B (zh) | 基于消费追踪的信息推送方法、设备、存储介质及装置 | |
CN112948602A (zh) | 一种内容显示方法、装置、系统、设备及存储介质 | |
CN116933800B (zh) | 一种基于模版的生成式意图识别方法及装置 | |
CN115103321B (zh) | 一种短信发送方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |