CN113191805B - 车主置换评估方法、系统、电子设备及存储介质 - Google Patents
车主置换评估方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113191805B CN113191805B CN202110480130.XA CN202110480130A CN113191805B CN 113191805 B CN113191805 B CN 113191805B CN 202110480130 A CN202110480130 A CN 202110480130A CN 113191805 B CN113191805 B CN 113191805B
- Authority
- CN
- China
- Prior art keywords
- vehicle owner
- data
- vehicle
- model
- displacement
- 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.)
- Active
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial 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
- G06Q10/04—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种人工智能,揭露一种车主置换评估方法,包括:对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据,其中的预处理包括对所述车主相关数据中的异常值、缺失值进行数值合规处理,以及对所述车主相关数据进行类别型转数值型的特征衍生处理;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据;利用所述合规数据对预先构建的车主置换模型进行模型训练;通过训练好的车主置换模型对目标车主进行置换评估。利用本发明,能够有效扩展车主数据覆盖范围,丰富车主相关信息的采集,更利于车主置换需求的准确预测。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种车主置换评估方法、系统、电子设备及计算机可读存储介质。
背景技术
所谓车主置换主要是指客户在购买第一辆车的前提下是否会重购或者置换另一辆车,此处为表述方便,将重购或置换统称为置换,车主置换模型则是预测出该类客户置换车的概率,业界中针对此类场景的研究中存在以下两个不足,一方面,预测人群主要还是局限在新车主上,缺乏对二手车主的研究,车主数据覆盖面不足;另一方面,现有的车主置换模型选取的特征主要局限在个人基本属性中,缺乏对车险保单记录等第三方数据特征和车主app 埋点数据等实时特征的选取,车主相关信息单一,无法更准确的预测出车主的置换需求。
基于此,亟需一种能够解决现有的车主置换方案的预测基础数据不充分问题的技术。
发明内容
本发明提供一种车主置换评估方法、系统、电子设备及计算机可读存储介质,其主要目的在于解决现有的车主置换方案的预测基础数据不充分问题。
为实现上述目的,本发明提供的一种车主置换评估方法,应用于电子装置,包括:
对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据;
利用所述合规数据对预先构建的车主置换模型进行模型训练;
通过训练好的车主置换模型对目标车主进行置换评估。
为了解决上述问题,本发明还提供一种车主置换评估系统,所述系统包括:
数据预处理单元,用于对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据;
模型训练单元,用于利用所述合规数据对预先构建的车主置换模型进行模型训练;
置换评估单元,用于通过所述模型训练单元训练好的车主置换模型对目标车主进行置换评估。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述的车主置换评估方法中的步骤。
为了解决上述问题,本发明还提供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至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的车主置换评估方法。
本发明提供的上述车主置换评估方案,基于个人基本属性、车险保单数据、app埋点行为数据等多维度特征构造车主置换模型,有效扩展了车主数据覆盖范围,并且丰富了车主相关信息的采集,更利于车主置换需求的准确预测。
附图说明
图1为根据本发明实施例的车主置换评估方法的流程示意图;
图2为根据本发明实施例的车主置换评估系统的逻辑结构框图;
图3为根据本发明实施例的实现车主置换评估方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种车主置换评估方法。参照图1所示,为本发明一实施例提供的车主置换评估方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,车主置换评估方法包括:
S110:对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;
S120:利用所述合规数据对预先构建的车主置换模型进行模型训练;
S130:通过训练好的车主置换模型对目标车主进行置换评估。
下面将对上述方法中的各个步骤做进一步详细的表述。
在步骤S110中,需要对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据。由于本发明提供的车主置换评估方法是基于多维度特征的车主置换评估方法,因此,车主相关数据为源于多个维度的特征数据,本方案中包括车主基本属性数据、车险保单数据和app行为数据。
另外,需要说明的是,在本发明的实施例表述中,作为为车主置换评估提供重要参数依据的“特征”,也可以称之为“特征变量”,为了表述的方便,下文中对“特征”或者“特征变量”的应用均不影响其实际技术意义的表达。
具体的,车主基本属性数据可以包括个人基本信息、负债情况、风险情况、购车意愿度、贷款需求情况、资产情况六个维度的信息数据。其中,个人基本信息可以包括:年龄段、性别、教育水平、婚姻、城市、职业;负债情况可以包括:是否有贷款、贷款产品系列数、贷款行为接触频次;风险情况可以包括:欺诈风险评估、风险承受能力级别;购车意愿度可以包括:车辆年限、旅游喜好、是否有女子、子女个数;贷款需求情况可以包括:小额资金需求情况、大额资金需求情况;资产情况可以包括:房屋价值、车辆价值、持有产品系列数。
车险保单数据为客户买了车险后对应的保单数据,一个客户可能对应多辆车、一辆车会对应不同年份的保单信息,所以为了后期模型训练以及应用的需要,要对保单数据进行特征提取及特征衍生,在本发明的一个实施例中,车险保单数据主要包括:保额、应缴保费、实缴保费、车损险保险价值、新车购置价、车辆折旧价。
app行为数据为客户在汽车销售平台app的行为数据,更能直接实时的反应出客户车辆的置换需求情况,在遵守法律法规及告知客户情况下,采集汽车销售平台app中不侵犯客户隐私的部分行为埋点数据并进行特征加工,在本发明的一个实施例中,所需要的app行为数据主要包括:近一年平台登陆总次数、近半年平台登陆总次数、近一年平台累计停留时长、近半年平台累计停留时长。
具体的,作为示例,预处理内容可以包括对车主个人基本属性数据、车险保单数据、app行为数据中的异常值、缺失值等数据的数值处理流程,以及对车主相关数据进行类别型转数值型的特征衍生处理流程,以最终得到建模前期所需的合规数据。
其中,作为示例,数值处理流程的处理方案可以是:对于车主个人基本属性数据、车险保单数据、app行为数据中的异常值,用5%、95%分位点填充;对于车主个人基本属性数据、车险保单数据、app行为数据中的缺失值,用众数、中位数填充。
特征衍生处理流程包括对无序类别型变量的处理和对有序变量的处理,其中,对于无序类别型变量,可以选用独热编码数值化处理,对于有序变量可以选用序号数值化处理,对于一个用户的多个特征取值,可以取最新时间对应的值。
独热编码(One-Hot Encoding)即One-Hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候,其中只有一位有效。本实施例中选用独热编码能够有效解决分类器不好处理属性数据的问题,在一定程度上也起到了扩充特征的作用。
上述对所车主相关数据进行预处理的目的是实现车主基本属性数据的数值化、保单特征的聚合衍生、app行为的特征提取。
在实例性的实施例中,步骤S110还可以进一步包括:
步骤S112:提取客户在某时间段的保额、应缴保费、实缴保费、车损险保险价值、车辆折旧价的最大值、最小值、最大值与最小值的差值作为特征衍生因子,该特征衍生因子在后期将会作为入模的一个特征变量应用。
特征衍生因子的提取是特征衍生处理流程的具体实施过程之一,对应于特征衍生处理流程中的保单特征聚合衍生部分,其主要目的是根据现有客户的保单记录信息提取特征因子作为后续的如墨变量。因为一个客户会在不同年份对应多条保单记录,建模时需要确保样本于特征值之间的额唯一性,所以需要对保单记录进行特征提取。
作为实施例,如下一段基于pyspark语言开发的代码示出了提取客户在某时间段的保额、应缴保费、实缴保费、车损险保险价值、车辆折旧价的最大值、最小值、最大值与最小值的差值的过程。其中,groupBy(“party_id”,“car_rank”)是对客户、客户车辆表示进行分组,分组完毕再对保额、保费等进行最大值或者最小值的抽取,以抽取出来的最大值或者最小值作为后续模型输入的特征值。由于一个客户在多个时间段会对应多个保单、多个保费,因此,需要进行一对一的特征衍生。
步骤S114:类别型变量数值化。其中包括有序类别变量数值化和无序类别变量数值化。
有序类别变量数值化指的是将有顺序性表示的类别变量按照约定顺序进行数值化表示,如取值为小学、初中、高中、大学等的教育水平变量可以直接映射为增序的数值。
作为实施例,下面一段基于pyspark语言开发的代码示出了对车辆价值评估和集团资产级别进行数值化处理的过程。其中,0-10万、10-20万、20-30 万等数值限定是车辆价值的实际取值情况,需要转化为数值型,此部分是将 0-10万映射为0等级,将10-20万映射为1等级,20-30万映射为2等级,以此类推。
#车辆价值评估、集团产品资产级别
def_filter_3(x):
if x==”0~10万”:
return 0
elif x==”10~20万”:
return 1
elif x==”20~30万”:
return 2
elif x==”30~40万”:
return 3
elif x==”40~50万”:
return 4
elif x==”50万及以上”:
return 5
elif x==”其他”:
return-1
else:
return x
无序类别变量数值化指的是将通常理解意义上没有顺序性表示意义的变量进行约定规则的数值化表示。如职业、城市等取值较多的无序变量可以根据取值频率排序进行数值化,进而进行分箱操作。
作为实施例,下面一段基于pyspark语言开发的代码表示根据取值频率进行数值化如职业、城市等取值较多的无序变量,进而进行分箱操作。首先,统计无序变量的频率,然后对无序变量的频率进行分组,最后输出每个频率对应的组号。代码中的QuantileDiscretizer函数即为实现上述功能:输入连续的无序变量频率特征列,输出分享的类别特征。
上述数值处理流程与特征衍生处理流程的关联关系如下:数值处理流程主要是车主相关数据在建模前期的数据清晰过程,将异常数据、缺失数据、多纬度表的数据关联到大宽表以供特征衍生步骤使用,特征衍生的目的是将大宽表中的指标数据加工成机器可读取的数值型数据、生成以客户为主键用于模型训练的单一数据。
在步骤S120中,利用前述步骤S110中确定的合规数据对预先构建的车主置换模型进行模型训练。
在本发明的一个具体实现方式中,预先构建的车主置换模型包括逻辑回归模型和lightgbm模型。其中,逻辑回归模型以分箱后的变量的证据权重值作为入模数据,基于逻辑回归构造车主置换评分卡模型,最终筛选出正样本 100万,负样本100万,38个入模变量建模。对每个变量进行打分以及给每个样本一个综合置换评分。lightgbm模型以非分箱的原始数据作为入模数据训练lightgbm模型,输出每个车主的置换概率。
在训练模型的过程中,可以预先设定收敛条件,比如:
1.误差小于某个预先设定的较小的值;
2.两次迭代之间的权值变化已经很小,可设定一个阈值,当小于这个阈值后,就停止训练;
3.设定最大迭代次数,当迭代超过最大次数就停止训练。
当模型训练达到预设的收敛条件时,即可视为车主置换模型训练完成。
在车主置换模型训练完成后,即可根据所训练好的车主置换模型对目标车主进行置换评估。
在本发明的一个实施例中,在利用合规数据对预先构建的车主置换模型进行模型训练之前,还可以包括确定模型训练的正负样本的步骤,由于本发明所提供的置换评估方案主要是针对所有有车客户,而正样本是有多辆车的客户,因此,对于置换车主正样本的定义为有多辆车的车主。在本实施例中,所确定的正负样本包括初始车辆登记线、保单断保线、新车置换线的正负样本。
其中,保单中初始车辆登记线的确定,一方面是为了排除掉由于车辆年限超额而被迫买第二辆车的部分客户;另一方面是减缓由于选取的保单数据过早、衍生出的特征时间跨度太大导致的计算口径差异问题。在本发明的一个实施例中,确定的初始车辆登记线以车辆年限为8年参考,选取2013年作为初始车辆登记线。
保单断保线主要指车辆从登记时间开始持续投保到什么时候断保了。确定保单断保线一方面为了排除掉部分由有车变无车主客户,另一方面避免由于保单信息不全而导致的保单特征不完善问题,在本发明的一个实施例中,取2017年作为保单断报线,选取最近保单时间大于等于2017年作为正样本过滤条件之一。
新车置换线指的是客户第二辆车的购买时间。新车置换线是正样本确定的关键时间线,选择早期样本会导致模型学习到的特征具有时间滞后性,本方案主要为了挖掘当前潜在置换车主有哪些,因此,在本发明的一个实施例中,选择2019年作为新车置换线,第二辆车购买时间大于或等于2019年作为正样本过滤条件之一。
本实施例中正样本的保单信息是选取倒数第二辆车的保单记录进行特征衍生,负样本的保单信息是选择首辆车的保单记录进行特征衍生。所以综合以上三点,置换车主的正样本确定逻辑为:倒数第二辆保单初始登记时间线>=2013且倒数第二辆车最新保单时间>=2017且最新购置车辆登记时间大于等于2019。负样本则从仅有一辆车且车辆最新保单时间>=2019年中随机抽取与正样本等额的量。
上述实施例基于车主保单数据衍生出车主购车时间线索,基于保单的车辆注册时间更精确的确定正负样本,预测客户的车辆置换意愿度,能够为汽车买卖平台二手车业务获取更多的置换业务线索提供更有效的解决方案,从而以更精准的营销方式降低营销成本。
此外,在本发明的另一实施例中,在利用所述合规数据对预先构建的车主置换模型进行模型训练之前,还可以包括特征筛选的步骤,其中具体包括特征分箱、WOE值、IV计算。
在模型训练之前进行特征筛选,目的是对输入特征变量进行重要度排序及筛选,以便确定重要度没有达到要求高度的特征,将其排除以提高车主置换模型的收敛速度及准确率。
在本实施例中,进行特征筛选的过程包括:
1)对每个特征变量进行均等分箱(即分组),以在后期计算每个组的WOE (Weightof Evidence,证据权重)值。其中在本发明的一个实施例中,最大箱子个数为30,所有连续型特征变量均等分为8箱,序列化的类别型特征变量箱子个数小于等于30;
2)对每个特征变量计算其在各组(或各箱)的WOE值;在前述基于pyspark 语言开发的代码示出了对车辆价值评估和集团资产级别进行数值化处理的过程示例中,一个变量特征分为多个组,0-10万一个组、10-20万一个组、20-30 万一个组等待,每个组都可以计算一个WOE值;
3)根据计算出的WOE值进一步计算每个特征变量的IV(information value,信息价值),IV为把各个组的WOE值权重相加所得,能够衡量特征变量的信息价值。
基于抽样后得到训练样本集数据,由于特征变量数量通常较多,各个特征变量的量纲和取值区间存在很大的差别,因此需要对特征变量的取值进行分箱并计算WOE值,从而降低特征变量属性的个数,并且平滑的特征变量的变化趋势,然后在此基础上计算IV。
一般选择IV大于0.02的那些特征变量进入模型。
如果IV大于0.5,该特征变量就是属于过预测特征变量,通常被选座分群特征变量,将样本拆分成多个群体,针对不同的群体分别开发评分卡。分群的依据通常也会根据业务上的需要进行设定,常见以区域变量作为分群的标准。
作为衡量特征变量某个熟悉的风险的指标,WOE值的计算公式如下:
其中,WOEi表示某特征变量第i个属性对应的WOE值,
gi表示某特征变量第i个属性对应的正样本数,
bi表示某特征变量第i个属性对应的负样本数,
g表示样本中的正样本总数,
b表示样本中的负样本总数。
WOE值越高,代表着该分组中样本是负客户的风险越低。
IV是用来衡量某个变量对正负样本区分能力的一个指标,IV的计算公式如下:
其中,WOEi表示某变量第i个属性对应的WOE值,
gi表示某特征变量第i个属性对应的正样本数,
bi表示某特征变量第i个属性对应的负样本数,
g表示样本中的正样本总数,
b表示样本中的负样本总数。
IV越大表示正负样本在该特征变量上的分布差异就越大,也就是该特征变量的区分能力就越好。
通过上述实施例可以看出,本发明提出的车主置换评估方法,基于个人基本属性、车险保单数据、app埋点行为数据等多维度特征构造车主置换模型,有效扩展了车主数据覆盖范围,并且丰富了车主相关信息的采集,更利于车主置换需求的准确预测。此外,上述实施例还基于车主保单数据衍生出车主购车时间线索,基于保单的车辆注册时间更精确的确定正负样本,预测客户的车辆置换意愿度,使得预测结果更加精准有效。
与上述车主置换评估方法相对应,本发明还提供一种车主置换评估系统。图2示出了根据本发明实施例的车主置换评估系统的功能模块。
如图2所示,本发明提供的车主置换评估系统200可以安装于电子设备中。根据实现的功能,所述车主置换评估系统可以包括数据预处理单元210、模型训练单元220和置换评估单元230。本发所述单元也可以称之为模块,指的是一种能够被电子设备的处理器所执行,并且能够完成某一固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
数据预处理单元210,用于对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据,其具体涵盖的数据范围和具体数据要求参见前述对于车主置换评估方法实施例的描述。
具体的,作为示例,数据预处理单元210还可以进一步包括数值处理单元212和特征衍生处理单元214,其中,数值处理单元用于对于车主个人基本属性数据、车险保单数据、app行为数据中的异常值,用5%、95%分位点填充;对于车主个人基本属性数据、车险保单数据、app行为数据中的缺失值,用众数、中位数填充。特征衍生处理单元用于对无序类别型变量和有序变量的进行特征衍生处理,其中,对于无序类别型变量,可以选用独热编码数值化处理,对于有序变量可以选用序号数值化处理,对于一个用户的多个特征取值,可以取最新时间对应的值。
在实例性的实施例中,数据预处理单元210还可以进一步包括特征衍生因子提取单元和类别型变量数值化单元(图中未示出)。
具体的,特征衍生因子提取单元,用于提取客户在某时间段的保额、应缴保费、实缴保费、车损险保险价值、车辆折旧价的最大值、最小值、最大值与最小值的差值作为特征衍生因子,该特征衍生因子在后期将会作为入模的一个特征变量应用。
特征衍生因子的提取是特征衍生处理流程的具体实施过程之一,对应于特征衍生处理流程中的保单特征聚合衍生部分,其主要目的是根据现有客户的保单记录信息提取特征因子作为后续的如墨变量。因为一个客户会在不同年份对应多条保单记录,建模时需要确保样本于特征值之间的额唯一性,所以需要对保单记录进行特征提取。
类别型变量数值化单元,用于实现有序类别变量数值化和无序类别变量数值化。
作为示例,有序类别变量数值化指的是将有顺序性表示的类别变量按照约定顺序进行数值化表示,如取值为小学、初中、高中、大学等的教育水平变量可以直接映射为增序的数值;再比如,对车辆价值评估和集团资产级别进行数值化,可以通过0-10万、10-20万、20-30万等数值限定是车辆价值的实际取值情况,需要转化为数值型,此部分是将0-10万映射为0等级,将 10-20万映射为1等级,20-30万映射为2等级,以此类推。
无序类别变量数值化指的是将通常理解意义上没有顺序性表示意义的变量进行约定规则的数值化表示。如职业、城市、职业等取值较多的无序变量可以根据取值频率排序进行数值化,进而进行分箱操作。具体的,可以先统计无序变量的频率,然后对无序变量的频率进行分组,最后输出每个频率对应的组号。
上述数值处理单元与特征衍生处理单元的关联关系如下:数值处理单元主要实现车主相关数据在建模前期的数据清晰过程,将异常数据、缺失数据、多纬度表的数据关联到大宽表以供特征衍生步骤使用,特征衍生单元则是是将大宽表中的指标数据加工成机器可读取的数值型数据、生成以客户为主键用于模型训练的单一数据。
模型训练单元220,用于利用所述合规数据对预先构建的车主置换模型进行模型训练。预先构建的车主置换模型可以包括逻辑回归模型和lightgbm模型。其中的逻辑回归模型以分箱后的变量的WOE值作为入模数据,基于逻辑回归构造车主置换评分卡模型,最终筛选出正样本100万,负样本100万, 38个入模变量建模。对每个变量进行打分以及给每个样本一个综合置换评分。 lightgbm模型以非分箱的原始数据作为入模数据训练lightgbm模型,输出每个车主的置换概率。
在训练模型的过程中,可以预先设定收敛条件,比如:
1.误差小于某个预先设定的较小的值;
2.两次迭代之间的权值变化已经很小,可设定一个阈值,当小于这个阈值后,就停止训练;
3.设定最大迭代次数,当迭代超过最大次数就停止训练。
当模型训练达到预设的收敛条件时,即可视为车主置换模型训练完成。
在车主置换模型训练完成后,即可根据所训练好的车主置换模型对目标车主进行置换评估。
置换评估单元230,用于通过所述模型训练单元训练好的车主置换模型对目标车主进行置换评估。
在本发明的一个实施例中,车主置换评估系统还可以包括正负样本确定单元,用于确定车主置换模型训练的正负样本。由于本发明所提供的置换评估方案主要是针对所有有车客户,而正样本是有多辆车的客户,因此,对于置换车主正样本的定义为有多辆车的车主。在本实施例中,正负样本确定单元进一步包括初始车辆登记线确定单元、保单断保线确定单元以及新车置换线确定单元。
初始车辆登记线确定单元用于确定初始车辆登记线,其目的一方面是为了排除掉由于车辆年限超额而被迫买第二辆车的部分客户;另一方面是减缓由于选取的保单数据过早、衍生出的特征时间跨度太大导致的计算口径差异问题。在本发明的一个实施例中,初始车辆登记线确定单元确定的初始车辆登记线以车辆年限为8年参考,选取2013年作为初始车辆登记线。
保单断保线单元用于确定车辆从登记时间开始持续投保到什么时候断保了。确定保单断保线一方面为了排除掉部分由有车变无车主客户,另一方面避免由于保单信息不全而导致的保单特征不完善问题,在本发明的一个实施例中,保单断保线单元取2017年作为保单断报线,选取最近保单时间大于等于2017年作为正样本过滤条件之一。
新车置换线确定单元用于确定客户第二辆车的购买时间。新车置换线是正样本确定的关键时间线,选择早期样本会导致模型学习到的特征具有时间滞后性,本方案主要为了挖掘当前潜在置换车主有哪些,因此,在本发明的一个实施例中,新车置换线确定单元选择2019年作为新车置换线,第二辆车购买时间大于或等于2019年作为正样本过滤条件之一。
本实施例中正样本的保单信息是选取倒数第二辆车的保单记录进行特征衍生,负样本的保单信息是选择首辆车的保单记录进行特征衍生。所以综合以上三点,置换车主的正样本确定逻辑为:倒数第二辆保单初始登记时间线>=2013且倒数第二辆车最新保单时间>=2017且最新购置车辆登记时间大于等于2019。负样本则从仅有一辆车且车辆最新保单时间>=2019年中随机抽取与正样本等额的量。
上述实施例基于车主保单数据衍生出车主购车时间线索,基于保单的车辆注册时间更精确的确定正负样本,预测客户的车辆置换意愿度,能够为汽车买卖平台二手车业务获取更多的置换业务线索提供更有效的解决方案,从而以更精准的营销方式降低营销成本。
此外,在本发明的另一实施例中,还可以包括特征筛选单元,用于车主置换模型的特征分箱、WOE值、IV计算。
在本实施例中,进行特征筛选的过程包括:
1)对每个特征变量进行均等分箱(即分组),以在后期计算每个组的WOE (Weightof Evidence,证据权重)值。其中在本发明的一个实施例中,最大箱子个数为30,所有连续型特征变量均等分为8箱,序列化的类别型特征变量箱子个数小于等于30;
2)对每个特征变量计算其在各组(或各箱)的WOE值;在前述基于pyspark 语言开发的代码示出了对车辆价值评估和集团资产级别进行数值化处理的过程示例中,一个变量特征分为多个组,0-10万一个组、10-20万一个组、20-30 万一个组等待,每个组都可以计算一个WOE值;
3)根据计算出的WOE值进一步计算每个特征变量的IV(information value,信息价值),IV为把各个组的WOE值权重相加所得,能够衡量特征变量的信息价值。
基于抽样后得到训练样本集数据,由于变量数量通常较多,各个变量的量纲和取值区间存在很大的差别,因此需要对变量的取值进行分箱并计算WOE 值,从而降低变量属性的个数,并且平滑的变量的变化趋势,然后在此基础上计算IV。
一般选择IV大于0.02的那些变量进入模型。
如果IV大于0.5,改变量就是属于过预测变量,通常被选座分群变量,将样本拆分成多个群体,针对不同的群体分别开发评分卡。分群的依据通常也会根据业务上的需要进行设定,常见以区域变量作为分群的标准。
作为衡量变量某个熟悉的风险的指标,WOE的计算公式:
其中,WOEi表示某变量第i个属性对应的WOE值,
gi表示某变量第i个属性对应的正样本数,
bi表示某变量第i个属性对应的负样本数,
g表示样本中的正样本总数,
b表示样本中的负样本总数。
WOE的值越高,代表着该分组中样本是负客户的风险越低。
IV是用来衡量某个变量对正负样本区分能力的一个指标,IV公式如下:
其中,WOEi表示某变量第i个属性对应的WOE值,
gi表示某变量第i个属性对应的正样本数,
bi表示某变量第i个属性对应的负样本数,
g表示样本中的正样本总数,
b表示样本中的负样本总数。
IV越大表示正负样本在该变量上的分布差异就越大,也就是该变量的区分能力就越好。
通过上述实施例可以看出,本发明提出的车主置换评估系统,基于个人基本属性、车险保单数据、app埋点行为数据等多维度特征构造车主置换模型,有效扩展了车主数据覆盖范围,并且丰富了车主相关信息的采集,更利于车主置换需求的准确预测。此外,上述实施例还基于车主保单数据衍生出车主购车时间线索,基于保单的车辆注册时间更精确的确定正负样本,预测客户的车辆置换意愿度,使得预测结果更加精准有效。
如图3所示,是本发明实现车主置换评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如车主置换评估程序12。
其中,所述存储器11至少包括一种类型的非易失性可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX 存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备 1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如车主置换评估程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如车主置换评估程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10 等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3 示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源 (比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器 10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是 LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11为计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的车主置换评估方法。具体的,作为示例,存储器 11中存储的车主置换评估程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据,对所获取的车主相关数据进行预处理的步骤,具体包括:
对所述车主相关数据中的异常值、缺失值进行数值合规处理;
对所述车主相关数据进行类别型转数值型的特征衍生处理。;
利用所述合规数据对预先构建的车主置换模型进行模型训练;
通过训练好的车主置换模型对目标车主进行置换评估。
可选地,所述数值合规处理包括:
采用5%、95%分位点填充所述车主相关数据中的异常值;以及,
采用众数、中位数填充所述车主相关数据中的缺失值。
可选地,所述特征衍生处理包括无序类别型变量的处理和有序变量的处理,其中,采用独热编码数值化处理所述无序类别型变量,采用序号数值化处理所述有序变量。
可选地,所述车主基本属性数据包括:个人基本信息、负债情况、风险情况、购车意愿度、贷款需求情况、资产情况;所述车险保单数据包括:保额、应缴保费、实缴保费、车损险保险价值、新车购置价、车辆折旧价;所述app行为数据包括:近一年平台登陆总次数、近半年平台登陆总次数、近一年平台累计停留时长、近半年平台累计停留时长。
可选地,所述预先构建的车主置换模型包括逻辑回归模型和lightgbm模型;其中,所述逻辑回归模型以分箱后的变量的WOE值作为入模数据,基于逻辑回归构造车主置换评分卡模型,筛选出正样本、负样本和入模变量建模;所述lightgbm模型以非分箱的原始数据作为入模数据进行训练,输出每个车主的置换概率。
可选地,在所述利用所述合规数据对预先构建的车主置换模型进行模型训练的步骤之前,还包括确定模型训练的正负样本的步骤,所述正负样本包括初始车辆登记线、保单断保线、新车置换线的正负样本。
进一步地,所述电子设备1集成的模块/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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种车主置换评估方法,应用于电子装置,其特征在于,所述方法包括:
对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据,所述预处理包括对所述车主相关数据中的异常值、缺失值进行数值合规处理,以及对所述车主相关数据进行类别型转数值型的特征衍生处理;
利用所述合规数据对预先构建的车主置换模型进行模型训练;
通过训练好的车主置换模型对目标车主进行置换评估;
其中,所述预先构建的车主置换模型包括逻辑回归模型和lightgbm模型;其中,所述逻辑回归模型以分箱后的变量的证据权重值作为入模数据,基于逻辑回归构造车主置换评分卡模型,筛选出正样本、负样本和入模变量建模;所述lightgbm模型以非分箱的原始数据作为入模数据进行训练,输出每个车主的置换概率。
2.如权利要求1所述的车主置换评估方法,其特征在于,所述数值合规处理包括:
采用5%、95%分位点填充所述车主相关数据中的异常值;以及,
采用众数、中位数填充所述车主相关数据中的缺失值。
3.如权利要求1所述的车主置换评估方法,其特征在于,所述特征衍生处理包括无序类别型变量的处理和有序变量的处理,其中,
采用独热编码数值化处理所述无序类别型变量,采用序号数值化处理所述有序变量。
4.如权利要求1~3中任一项所述的车主置换评估方法,其特征在于,
所述车主基本属性数据包括:个人基本信息、负债情况、风险情况、购车意愿度、贷款需求情况、资产情况;
所述车险保单数据包括:保额、应缴保费、实缴保费、车损险保险价值、新车购置价、车辆折旧价;
所述app行为数据包括:近一年平台登陆总次数、近半年平台登陆总次数、近一年平台累计停留时长、近半年平台累计停留时长。
5.如权利要求1所述的车主置换评估方法,其特征在于,在所述利用所述合规数据对预先构建的车主置换模型进行模型训练的步骤之前,还包括确定模型训练的正负样本的步骤,所述正负样本包括初始车辆登记线、保单断保线、新车置换线的正负样本。
6.如权利要求1所述的车主置换评估方法,其特征在于,在所述利用所述合规数据对预先构建的车主置换模型进行模型训练的步骤之前,还包括特征筛选的步骤,所述特征筛选的步骤进一步包括:
对每个特征变量进行均等分箱;
确定每个特征变量在各箱的证据权重值;
根据所述证据权重值确定每个特征变量的信息价值。
7.一种车主置换评估系统,其特征在于,所述系统包括:
数据预处理单元,用于对所获取的车主相关数据进行预处理,以确定建模前期所需的合规数据;其中,所述车主相关数据包括车主基本属性数据、车险保单数据和app行为数据;
模型训练单元,用于利用所述合规数据对预先构建的车主置换模型进行模型训练;其中,所述预先构建的车主置换模型包括逻辑回归模型和lightgbm模型;其中,所述逻辑回归模型以分箱后的变量的证据权重值作为入模数据,基于逻辑回归构造车主置换评分卡模型,筛选出正样本、负样本和入模变量建模;所述lightgbm模型以非分箱的原始数据作为入模数据进行训练,输出每个车主的置换概率;
置换评估单元,用于通过所述模型训练单元训练好的车主置换模型对目标车主进行置换评估。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一所述的车主置换评估方法中的步骤。
9.一种计算机可读存储介质,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至6中任一所述的车主置换评估方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480130.XA CN113191805B (zh) | 2021-04-30 | 2021-04-30 | 车主置换评估方法、系统、电子设备及存储介质 |
PCT/CN2021/097233 WO2022227210A1 (zh) | 2021-04-30 | 2021-05-31 | 车主置换评估方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480130.XA CN113191805B (zh) | 2021-04-30 | 2021-04-30 | 车主置换评估方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191805A CN113191805A (zh) | 2021-07-30 |
CN113191805B true CN113191805B (zh) | 2023-07-04 |
Family
ID=76982983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480130.XA Active CN113191805B (zh) | 2021-04-30 | 2021-04-30 | 车主置换评估方法、系统、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113191805B (zh) |
WO (1) | WO2022227210A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452008B (zh) * | 2023-06-16 | 2023-08-29 | 山东四季车网络科技有限公司 | 一种基于多项式建模的二手车风险预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674166A (zh) * | 2019-08-19 | 2020-01-10 | 中国平安财产保险股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112579900A (zh) * | 2020-12-22 | 2021-03-30 | 优必爱信息技术(北京)有限公司 | 二手车置换信息推荐方法、系统及设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332292A1 (en) * | 2009-06-30 | 2010-12-30 | Experian Information Solutions, Inc. | System and method for evaluating vehicle purchase loyalty |
US20150254719A1 (en) * | 2014-03-05 | 2015-09-10 | Hti, Ip, L.L.C. | Prediction of Vehicle Transactions and Targeted Advertising Using Vehicle Telematics |
US11443332B2 (en) * | 2014-12-22 | 2022-09-13 | Superior Integrated Solutions Llc | System, method, and software for predicting the likelihood of selling automotive commodities |
CN107622410A (zh) * | 2016-07-15 | 2018-01-23 | 北京易车互联信息技术有限公司 | 购车线索质量的评级方法和评级装置 |
CN108615180A (zh) * | 2018-04-25 | 2018-10-02 | 众安信息技术服务有限公司 | 用于车辆交易的信息处理方法、装置和可读存储介质 |
CN112232606B (zh) * | 2020-12-16 | 2021-04-02 | 平安科技(深圳)有限公司 | 业务数据的预测方法、装置、设备及存储介质 |
-
2021
- 2021-04-30 CN CN202110480130.XA patent/CN113191805B/zh active Active
- 2021-05-31 WO PCT/CN2021/097233 patent/WO2022227210A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674166A (zh) * | 2019-08-19 | 2020-01-10 | 中国平安财产保险股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112579900A (zh) * | 2020-12-22 | 2021-03-30 | 优必爱信息技术(北京)有限公司 | 二手车置换信息推荐方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113191805A (zh) | 2021-07-30 |
WO2022227210A1 (zh) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218336A1 (zh) | 用户信息判别方法、装置、设备及计算机可读存储介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN108764375A (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN111680382A (zh) | 等级预测模型训练方法、等级预测方法、装置及电子设备 | |
CN113191805B (zh) | 车主置换评估方法、系统、电子设备及存储介质 | |
CN113918718A (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113435746B (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 | |
CN116401606A (zh) | 欺诈行为识别方法、装置、设备及介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
CN113344415A (zh) | 基于深度神经网络的业务分配方法、装置、设备及介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113360945B (zh) | 基于差分隐私的噪声添加方法、装置、设备及介质 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN114202367A (zh) | 基于用户画像的权益分配方法、装置、设备及介质 | |
CN113657488A (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
CN114202768A (zh) | 保单理赔风险评估方法、装置、电子设备及存储介质 | |
CN115841279A (zh) | 供应链数据评估方法、装置、设备及存储介质 | |
CN113807703A (zh) | 驾驶行为评分方法、装置、电子设备及介质 | |
CN114881769A (zh) | 基于多种规则的征信主体筛选方法、装置、设备及介质 | |
CN113362039A (zh) | 业务审批方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |