CN113191681A - 网点选址方法、装置、电子设备及可读存储介质 - Google Patents
网点选址方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113191681A CN113191681A CN202110562249.1A CN202110562249A CN113191681A CN 113191681 A CN113191681 A CN 113191681A CN 202110562249 A CN202110562249 A CN 202110562249A CN 113191681 A CN113191681 A CN 113191681A
- Authority
- CN
- China
- Prior art keywords
- data
- preselected
- enterprise
- website
- state data
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种网点选址方法,可用于计算机技术领域和金融技术领域。该方法包括:获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据;对业态数据进行处理,得到目标特征数据;基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度;以及基于预设时间内的企业存款额度,得到预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。本公开还提供了网点选址装置、电子设备、计算机可读存储介质以及计算机程序产品。
Description
技术领域
本公开涉及计算机技术领域和金融技术领域,更具体地,涉及一种网点选址方法、装置、电子设备、可读存储介质及计算机程序产品。
背景技术
随着中国金融业发展步伐的加快,各个金融机构着力实施服务流程再造,全面提升服务质量,充分满足客户需求,构造核心竞争力。力求建立优质高效的客户服务体系,提升客户服务感受的同时,进行创新性的改革,构建符合现代市场需求的金融机构。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:网点的选址影响因素很多,具有复杂性和差异性,难以做出准确的策略。
发明内容
有鉴于此,本公开提供了一种网点选址方法、装置、电子设备、可读存储介质及计算机程序产品。
本公开的一个方面提供了一种网点选址方法,包括:
获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据;
对业态数据进行处理,得到目标特征数据;
基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度;以及
基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。
根据本公开的实施例,其中,对业态数据进行处理,得到目标特征数据包括:
对业态数据进行预处理,得到预处理数据;
基于预设转换规则,将预处理数据转换为目标特征数据。
根据本公开的实施例,其中,业态数据包括多个;
对业态数据进行处理,得到目标特征数据包括:
按照预设等级划分规则,对多个业态数据进行等级划分;
基于预设等级,从进行等级划分后的多个业态数据中确定目标数量的业态数据,并将其作为目标特征数据。
根据本公开的实施例,其中,基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度包括:
将目标特征数据输入到对公存款预测模型中,预测得到预选网点的预设时间内的企业存款额度,其中,对公存款预测模型是以极端梯度提升模型作为初始模型,经过训练得到的模型。
根据本公开的实施例,网点选址方法还包括:
获取训练数据集,其中,训练数据集包括多个训练样本,每个训练样本包括已知网点的目标特征数据和已知网点的预设时间内的企业存款额度;
利用训练数据集中的训练样本对初始模型进行模型训练,得到对公存款预测模型。
根据本公开的实施例,其中,
业态数据包括:
预设时间内的企业存款余额、企业数量、企业规模、企业类型、商业分布、同业分布、交通拥堵等级、城市等级、网点规模、人口分布中的一种或多种。
根据本公开的实施例,其中,基于预设时间内的企业存款额度,确定预选网点的评估结果包括:
比较预设时间内的企业存款额度与预设额度阈值的大小;
在预设时间内的企业存款额度大于或等于预设额度阈值的情况下,确定预选网点为目标网点;
在预设时间内的企业存款额度小于预设额度阈值的情况下,确定预选网点为非目标网点。
本公开的另一个方面提供了一种网点选址装置,包括:
获取模块,用于获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据;
处理模块,用于对业态数据进行处理,得到目标特征数据;
预测模块,用于基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度;以及
确定模块,用于基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。
本公开的另一方面提供了电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个指令,其中,当一个或多个指令被一个或多个处理器执行时,使得一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,指令被处理器执行时使处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,计算机程序产品包括计算机可执行指令,指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,因为采用了获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据;对业态数据进行处理,得到目标特征数据;基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度;以及基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点的技术手段,一方面,将网点由经验确定转变为依靠数据分析确定,从而实现问题明确化、分析理论化的效果;另一方面,利用业态数据来分析预测得到预设时间内的企业存款额度,并基于预设时间内的企业存款额度,来确定预选网点的评估结果,既贴合实际情况,且提高选址的准确度以及效率,所以至少部分地克服了网点的选址因复杂性和差异性导致的依靠经验确定,不准确、效率低的技术问题,进而达到了提供一种新的网点选址方式,进而提高选址的准确度以及效率的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了可以应用本公开的网点选址方法和装置的示例性系统架构;
图2示意性示出了根据本公开实施例的网点选址方法的流程图;
图3示意性示出了根据本公开另一实施例的网点选址方法的流程图;
图4示意性示出了根据本公开实施例的网点选址装置的框图;以及
图5示意性示出了根据本公开实施例的适于实现网点选址方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种网点选址方法及装置。该方法包括获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据;对业态数据进行处理,得到目标特征数据;基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度;以及基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。
图1示意性示出了根据本公开实施例的可以应用网点选址方法及装置的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的网点选址方法一般可以由服务器105执行。相应地,本公开实施例所提供的网点选址系统一般可以设置于服务器105中。本公开实施例所提供的网点选址方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的网点选址系统也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的网点选址方法电可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的网点选址系统也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的网点选址方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据。
根据本公开的实施例,预选网点可以为金融机构例如银行、保险公司、金融公司等的预设投资待建设的网点。
根据本公开的实施例,预设距离内,可以是以该预选网点的网址为中心,以预设距离为半径画圆后所包括在内的区域。
根据本公开的实施例,业态数据可以为预选网点的预设距离内的商业状态相关数据。其中,商业状态相关数据可以包括但并不局限于,商业、商圈、企业、交通、人口等状态的相关数据。更为具体的,商业状态相关数据可以是关于预选网点的预设距离内的人口密度、人均收入、人群的教育程度、既有网点个数、同业竞争度、行业类型、企业数量、企业类别、城市等级、预选网点位置、企业位置、预选网点规模、商业分布、交通拥堵指数、人员流动指数、停车便利指数等因素。在本公开的实施例中,只要是影响网点的经营状况的相关数据均可,在此不再赘述。
在操作S220,对业态数据进行处理,得到目标特征数据。
根据本公开的实施例,对业态数据进行处理,可以包括对数据进行单位、时间等的统一;可以包括对数据的转换;还可以包括对数据的清洗、归一化等等,只要是将不同统计方式、不同获取手段得到的形式不一的数据处理为形式统一的、规范的、能够用于后续预测的数据,均可以包括在内,在此不再赘述。
在操作S230,基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度。
根据本公开的实施例,该预设时间可以是一段时间,例如一年、多年、一个月、多个月等等。在预设时间内的企业存款额度可以是年平均的企业存款额度、月平均的企业存款额度或者日平均的企业存款额度,可根据实际情况计算,在此不再赘述。
在操作S240,基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。
根据本公开的实施例,目标网点可以理解为预计划新建的、投入运营的网点,非目标网点可以理解为没有计划新建或者没有安排投入运营的网点。
根据本公开的实施例,确定预选网点的评估结果,不仅可以依据预设时间内的企业存款额度,还可以依据预设时间内的个人存款额度,或者同时依据企业存款额度和个人存款额度。
在本公开的实施例中,基于预设时间内的企业存款额度,确定预选网点的评估结果,从而判断是否需要在该城市、该位置建设网点,不仅提高了理论依据,严格把控策略实施的方向性,避免因决策不正确而导致的运营损失。而且可以提高计算效率,降低判断的造价成本。
根据本公开的实施例,基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度,能够更贴近实际的预设时间内的企业存款额度,使预测结果准确。并且,基于预设时间内的企业存款额度,确定预选网点的评估结果,能够对新的预设选网点进行合理评估,使运营策略把控准确。
下面结合具体实施例,参考图3并对图2所示的方法做进一步说明。
根据本公开的实施例,其中,业态数据可以包括预设时间内的企业存款余额、企业数量、企业规模、企业类型、商业分布、同业分布、交通拥堵等级、城市等级、网点规模、人口分布中的一种或多种。
根据本公开的实施例,城市等级可以是针对每一个城市根据城市的相对发达程度、城市的地理位置以及城市在国家的等级进行了不同的等级评定。
根据本公开的实施例,企业数量以及企业规模可以是以预选网点为中心,以预设距离例如,500米、1000米、2000米、5000米、5000米为半径进行圆形搜索。统计不同半径的圆形区域内的企业数量和对应的注册资本总量。值得说明的是,在本公开的其他实施例中,该预设距离可以为一个,但是并不局限于此,还可以是多个不同的预设距离,统计不同预设距离内的企业数量和企业规模。
根据本公开的实施例,企业类型可以是按照行业划分为农林牧渔业、采矿业、制造业、电力燃气及水的生产和供应业、建筑业、交通运输业和仓储及邮政业、信息传输计算机服务和软件业、批发和零售业、住宿和餐饮业、金融业、房地产业、租赁和商务服务业、科学研究技术服务和地质勘查业、水里环境和公共设施管理业、居民服务和其他服务业、教育、卫生社会保障和社会福利业、文化体育和娱乐业、公共管理和社会组织的20大类。
根据本公开的实施例,预选网点规模可以是对网点营业面积以及工作人员数量等数据。例如,网点营业面积以200m2以下、200m2-400m2、400m2-600m2、600m2-800m2、800m2以上;工作人员数量10人以下、10-20人、20-30人、30-40人、40人以上。
根据本公开的实施例,人口分布可以是对预选网点以1km为半径圆形范围进行统计得到的数据,例如人口以5万人以下、5-10万人、10-20万人、20-30万人、30万人以上等。
根据本公开的实施例,商业分布可以是以预选网点为中心1km为半径的圆形范围统计得到的数据。例如,周边商业中心的数量,5个及以下、5-10个、10-15个、15-20个、20个以上等。
根据本公开的实施例,同业分布可以是以预选网点为中心1km为半径的圆形范围统计得到的数据,例如,同业数量在1个及以下、2个、3个、4个,5个及以上。
根据本公开的实施例,交通拥堵指数可以是通过对路况的拥堵情况进行不同等级的划分,例如分为一级拥堵、二级拥堵、三级拥堵、四级拥堵、五级拥堵等。
根据本公开的其他实施例,影响网点营业额的因素有很多,并不局限于上述举例,还可以是例如预选网点的预设距离内的人均收入、人群的教育程度、人员流动指数、停车便利指数等因素。因此,该些数据也可以作为本公开实施例的业态数据进行统计,在此不再赘述。
根据本公开的实施例,需要说明的是,并不局限于上述业态数据中的一种或多种,还可以是多种数据组合作为一个目标特征数据。
根据本公开的实施例,其中,对业态数据进行处理,得到目标特征数据可以具体包括如下操作。
例如,对业态数据进行预处理,得到预处理数据;以及基于预设转换规则,将预处理数据转换为目标特征数据。
根据本公开的实施例,对业态数据进行预处理可以是对数据例如企业注册资本总量进行单位统一、对例如企业数量以及企业注册资本总量等数据进行组合、对例如预设距离、预设时间进行统一等等。
根据本公开的实施例,基于预设转换规则,将预处理数据转换为目标特征数据,可以是,对交通拥堵指数,例如一级拥堵、二级拥堵等对应等级数据转换为数值数据,例如,将等级数据转换为对应的数值数据。例如,按照等级划分转换为0~1之间的对应数值,一级拥堵则可以转换为目标特征数据为0.1,二级拥堵则转换为目标特征数据为0.2等等。
根据本公开的实施例,需要说明的是,并不是所有预处理数据均需要基于预设转换规则,转换为目标特征数据,可以根据实际需要,将进行预处理后的业态数据作为目标特征数据。
根据本公开的实施例,对业态数据进行预处理以及数据转换等处理,可以将业态数据进行形式统一,有利于后续基于目标特征数据进行预选网点的预设时间内的企业存款额度的预测,提高工作效率以及简化后续处理过程。
根据本公开的实施例,其中,业态数据包括多个;例如,业态数据可以包括预设时间内的企业存款余额、企业数量、企业规模、企业类型、商业分布、同业分布、交通拥堵等级、城市等级、网点规模、人口分布中的多种。
根据本公开的实施例,业态数据获取的越充分,越能贴近实际企业存款额度的预测。
但是并不局限于此,还可以按照预设等级划分规则,对多个业态数据进行等级划分;以及基于预设等级,从进行等级划分后的多个业态数据中确定目标数量的业态数据,并将其作为目标特征数据。
根据本公开的实施例,业态数据中的多个数据对企业存款额度的影响程度不同,例如,预设时间内的企业存款余额、企业数量以及企业规模等相对人口分布、交通拥堵等级等对企业存款额度的影响程度要重要。
根据本公开的实施例,其多个影响因素中,不一定要全部数据均统计并分析,可以根据重要程度进行等级划分并获取其中的一部分作为参考。
根据本公开的实施例,可以基于实际情况,将预设目标数量的业态数据作为目标特征数据。在本公开的实施例中,合理选择目标数量的业态数据作为目标特征数据,可以在保证准确度的前提下,提高处理速度。
根据本公开的实施例,在进行业态数据的统计过程中,有可能因为某一原因,导致一个或者多个重要因素无法得到确定的数据,例如,不能精确得到企业规模或者企业数量等数据。为了解决这一问题,本公开实施例提出,按照预设等级划分规则,对多个业态数据进行等级划分;以及基于预设等级,从进行等级划分后的多个业态数据中确定目标数量的业态数据,并将其作为目标特征数据。
利用本公开的实施例,在从获取得到的多个业态数据中筛选出目标数量的业态数据,并将其作为目标特征数据的情况下,基于等级划分后的等级重要程度来进行筛选,该等级重要程度可以是由低到高,也可以是由高到低,可根据实际情况自行设定,在此不再赘述。
根据本公开的实施例,基于等级重要程度由高到低依次进行筛选,有利于在保证以目标数量的业态数据作为分析的前提下,选取影响因素关键的数据,进而保证评估的准确度。
图3示意性示出了根据本公开另一实施例的网点选址方法的流程图。
如图3所示,网点选址方法包括操作S310~S340。
在操作S310,获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据。
在操作S320,对业态数据进行处理,得到目标特征数据。
在操作S330,将目标特征数据输入到对公存款预测模型中,预测得到预选网点的预设时间内的企业存款额度,其中,对公存款预测模型是以极端梯度提升模型作为初始模型,经过训练得到的模型。
在操作S340,基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。
根据本公开的实施例,其中,预选网点的预设时间内的企业存款额度可以通过对公预测模型基于目标特征数据进行预测得到。
例如,网点选址方法可以采用极端梯度提升模型(即XGBoost模型)作为初始模型。但是,并不局限于此,还可以根据实际情况选择其他可以实现基于目标特征数据预测得到预选网点的预设时间内的企业存款额度效果的预测模型作为初始模型。
根据本公开的实施例,XGBoost模型由一组CART决策树组成,在做预测时,将每棵树的预测值求和即为其最终预测值,其数学表达形式可以为下式(1)。
根据本公开的实施例,利用对公存款预测模型基于目标特征数据预测得到预选网点的预设时间内的企业存款额度,不仅准确率高,而且计算速度快,提高评估效率。
根据本公开的实施例,网点选址方法还包括对初始模型的模型训练操作。
例如,获取训练数据集,其中,训练数据集包括多个训练样本,每个训练样本包括已知网点的目标特征数据和已知网点的预设时间内的企业存款额度;以及利用训练数据集中的训练样本对初始模型进行模型训练,得到对公存款预测模型。
根据本公开的实施例,需要说明的是,本公开实施例中的训练样本中的目标特征数据可以是通过已知网点的业态数据,例如预设时间内的企业存款余额、企业数量、企业规模、企业类型、商业分布、同业分布、交通拥堵等级、城市等级、网点规模、人口分布中的一种或多种经过处理得到。
根据本公开的实施例,训练损失函数包括下式(2)
根据本公开的实施例,通过对既有网点(即已知网点)中的预设时间内的企业存款额度不断的进行XGBoost算法模型训练,能够得出更加贴近实际的预测结果。
根据本公开的实施例,其中,基于预设时间内的企业存款额度,确定预选网点的评估结果可以包括如下操作。
例如,比较预设时间内的企业存款额度与预设额度阈值的大小;在预设时间内的企业存款额度大于或等于预设额度阈值的情况下,确定预选网点为目标网点;在预设时间内的企业存款额度小于预设额度阈值的情况下,确定预选网点为非目标网点。
根据本公开的实施例,该预设额度阈值可以根据实际需求自行设定,在此不再赘述。
根据本公开的实施例,预设时间内的企业存款额度大于或等于预设额度阈值,说明该网点建立后,其运营效果好,发生损失的现象概率低,可以确定预选网点为目标网点,即可以作为备选运营网点。
根据本公开的实施例,预设时间内的企业存款额度小于预设额度阈值,说明该网点建立后,其运营效果欠佳,发生损失的现象概率高,可以确定预选网点为非目标网点,即不将该网点作为备选运营网点。
利用本公开实施例的预选网点的评估方式,可以明确评估结果,提高运营策略的确定效率。
根据本公开的其他实施例,还可以将多个预选网点的预设时间内的企业存款额度进行比较,将预设时间内的企业存款额度的数值最大的预选网点作为目标网点。
利用本公开实施例的该种预选网点的评估方式,可以对多个选址进行同时评估,获得获益最大的网点的评估结果。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
图4示意性示出了根据本公开的实施例的网点选址装置的框图。
如图4所示,网点选址装置400包括获取模块410、处理模块420、预测模块430、和确定发模块440。
获取模块410,用于获取预选网点的业态数据,其中,业态数据为预选网点的预设距离内的商业状态相关数据;
处理模块420,用于对业态数据进行处理,得到目标特征数据;
预测模块430,用于基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度;以及
确定模块440,用于基于预设时间内的企业存款额度,确定预选网点的评估结果,其中,评估结果包括目标网点或非目标网点。
根据本公开的实施例,基于目标特征数据,预测得到预选网点的预设时间内的企业存款额度,能够更贴近实际的预设时间内的企业存款额度,使预测结果准确。并且,基于预设时间内的企业存款额度,确定预选网点的评估结果,能够对新的预设选网点进行合理评估,使运营策略把控准确。
根据本公开的实施例,其中,处理模块420包括:预处理单元和转换单元。
预处理单元,用于对业态数据进行预处理,得到预处理数据;
转换单元,用于基于预设转换规则,将预处理数据转换为目标特征数据。
根据本公开的实施例,其中,业态数据包括多个;
处理模块420包括:划分单元和第一确定单元。
划分单元,用于按照预设等级划分规则,对多个业态数据进行等级划分;
第一确定单元,用于基于预设等级,从进行等级划分后的多个业态数据中确定目标数量的业态数据,并将其作为目标特征数据。
根据本公开的实施例,其中,预测模块430包括:预测单元。
预测单元,用于将目标特征数据输入到对公存款预测模型中,预测得到预选网点的预设时间内的企业存款额度,其中,对公存款预测模型是以极端梯度提升模型作为初始模型,经过训练得到的模型。
根据本公开的实施例,网点选址装置400还包括:训练数据集获取模块和训练模块。
训练数据集获取模块,用于获取训练数据集,其中,训练数据集包括多个训练样本,每个训练样本包括已知网点的目标特征数据和已知网点的预设时间内的企业存款额度;
训练模块,用于利用训练数据集中的训练样本对初始模型进行模型训练,得到对公存款预测模型。
根据本公开的实施例,其中,业态数据可以包括预设时间内的企业存款余额、企业数量、企业规模、企业类型、商业分布、同业分布、交通拥堵等级、城市等级、网点规模、人口分布中的一种或多种。
根据本公开的实施例,其中,确定模块包括:比较单元、第二确定单元和第三确定单元。
比较单元,用于比较预设时间内的企业存款额度与预设额度阈值的大小;
第二确定单元,用于在预设时间内的企业存款额度大于或等于预设额度阈值的情况下,确定预选网点为目标网点;
第三确定单元,用于在预设时间内的企业存款额度小于预设额度阈值的情况下,确定预选网点为非目标网点。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块410、处理模块420、预测模块430、和确定发模块440中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,获取模块410、处理模块420、预测模块430、和确定发模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块410、处理模块420、预测模块430、和确定发模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中网点选址装置部分与本公开的实施例中网点选址方法部分是相对应的,网点选址装置部分的描述具体参考网点选址方法部分,在此不再赘述。
图5示意性示出10了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有系统500操作所需的各种程序和数据。处理器501、ROM502以及RAM503通过总线504彼此相连。处理器501通过执行ROM502和/或RAM503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM502和RAM503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。系统500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的网点选址方法。
在该计算机程序被处理器501执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分509被下载和安装,和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种网点选址方法,包括:
获取预选网点的业态数据,其中,所述业态数据为所述预选网点的预设距离内的商业状态相关数据;
对所述业态数据进行处理,得到目标特征数据;
基于所述目标特征数据,预测得到所述预选网点的预设时间内的企业存款额度;以及
基于所述预设时间内的企业存款额度,确定所述预选网点的评估结果,其中,所述评估结果包括目标网点或非目标网点。
2.根据权利要求1所述的方法,其中,所述对所述业态数据进行处理,得到目标特征数据包括:
对所述业态数据进行预处理,得到预处理数据;
基于预设转换规则,将所述预处理数据转换为目标特征数据。
3.根据权利要求1所述的方法,其中,所述业态数据包括多个;
所述对所述业态数据进行处理,得到目标特征数据包括:
按照预设等级划分规则,对多个业态数据进行等级划分;
基于预设等级,从进行等级划分后的多个业态数据中确定目标数量的业态数据,并将其作为所述目标特征数据。
4.根据权利要求1所述的方法,其中,所述基于所述目标特征数据,预测得到所述预选网点的预设时间内的企业存款额度包括:
将所述目标特征数据输入到对公存款预测模型中,预测得到所述预选网点的预设时间内的企业存款额度,其中,所述对公存款预测模型是以极端梯度提升模型作为初始模型,经过训练得到的模型。
5.根据权利要求4所述的方法,还包括:
获取训练数据集,其中,所述训练数据集包括多个训练样本,每个所述训练样本包括已知网点的目标特征数据和所述已知网点的所述预设时间内的企业存款额度;
利用所述训练数据集中的训练样本对所述初始模型进行模型训练,得到所述对公存款预测模型。
6.根据权利要求1所述的方法,其中,
所述业态数据包括:
预设时间内的企业存款余额、企业数量、企业规模、企业类型、商业分布、同业分布、交通拥堵等级、城市等级、网点规模、人口分布中的一种或多种。
7.根据权利要求1所述的方法,其中,所述基于所述预设时间内的企业存款额度,确定所述预选网点的评估结果包括:
比较所述预设时间内的企业存款额度与预设额度阈值的大小;
在所述预设时间内的企业存款额度大于或等于预设额度阈值的情况下,确定所述预选网点为目标网点;
在所述预设时间内的企业存款额度小于预设额度阈值的情况下,确定所述预选网点为非目标网点。
8.一种网点选址装置,包括:
获取模块,用于获取预选网点的业态数据,其中,所述业态数据为所述预选网点的预设距离内的商业状态相关数据;
处理模块,用于对所述业态数据进行处理,得到目标特征数据;
预测模块,用于基于所述目标特征数据,预测得到所述预选网点的预设时间内的企业存款额度;以及
确定模块,用于基于所述预设时间内的企业存款额度,确定所述预选网点的评估结果,其中,所述评估结果包括目标网点或非目标网点。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,所述指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。
11.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562249.1A CN113191681A (zh) | 2021-05-21 | 2021-05-21 | 网点选址方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562249.1A CN113191681A (zh) | 2021-05-21 | 2021-05-21 | 网点选址方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191681A true CN113191681A (zh) | 2021-07-30 |
Family
ID=76984836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110562249.1A Pending CN113191681A (zh) | 2021-05-21 | 2021-05-21 | 网点选址方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191681A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021036A (zh) * | 2021-11-15 | 2022-02-08 | 平安银行股份有限公司 | 网点筛选方法、装置、设备及存储介质 |
CN114926032A (zh) * | 2022-05-24 | 2022-08-19 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255538A (zh) * | 2018-09-12 | 2019-01-22 | 中国联合网络通信集团有限公司 | 银行网点选址的评估方法和系统、服务器、存储介质 |
CN110378737A (zh) * | 2019-07-23 | 2019-10-25 | 中国工商银行股份有限公司 | 一种网点布局评估方法及装置 |
CN112541786A (zh) * | 2020-12-11 | 2021-03-23 | 中信银行股份有限公司 | 一种网点选址方法、装置、电子设备和存储介质 |
-
2021
- 2021-05-21 CN CN202110562249.1A patent/CN113191681A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255538A (zh) * | 2018-09-12 | 2019-01-22 | 中国联合网络通信集团有限公司 | 银行网点选址的评估方法和系统、服务器、存储介质 |
CN110378737A (zh) * | 2019-07-23 | 2019-10-25 | 中国工商银行股份有限公司 | 一种网点布局评估方法及装置 |
CN112541786A (zh) * | 2020-12-11 | 2021-03-23 | 中信银行股份有限公司 | 一种网点选址方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
韦晶;王萍;郭亚敏;: "基于GIS空间建模的银行网点选址――以山东省青岛市黄岛区为例", 资源开发与市场, no. 06, 20 June 2013 (2013-06-20), pages 563 - 566 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021036A (zh) * | 2021-11-15 | 2022-02-08 | 平安银行股份有限公司 | 网点筛选方法、装置、设备及存储介质 |
CN114926032A (zh) * | 2022-05-24 | 2022-08-19 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN114926032B (zh) * | 2022-05-24 | 2023-07-25 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
US8984022B1 (en) | Automating growth and evaluation of segmentation trees | |
CN113191681A (zh) | 网点选址方法、装置、电子设备及可读存储介质 | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN113159934A (zh) | 一种网点客流量的预测方法、系统、电子设备及存储介质 | |
CN114638695A (zh) | 信用评估方法、装置、设备及介质 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN115062163A (zh) | 异常组织的识别方法、装置、电子设备和介质 | |
Putri et al. | Big data and strengthening msmes after the covid-19 pandemic (development studies on batik msmes in east java) | |
CN113128773B (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
Hoekman et al. | Aid for trade and trade in services | |
Ugur et al. | Information asymmetry, risk aversion and R&D subsidies: effect-size heterogeneity and policy conundrums | |
CN115204881A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN114663165A (zh) | 网点选址预测方法、装置、设备、介质和程序产品 | |
CN114416422A (zh) | 问题定位方法、装置、设备、介质和程序产品 | |
CN114971913A (zh) | 深度学习指数增强方法、装置、设备、介质和程序产品 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
TWI657393B (zh) | 行銷客群預測系統及其方法 |
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 |