CN113706223A - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN113706223A CN113706223A CN202111120224.2A CN202111120224A CN113706223A CN 113706223 A CN113706223 A CN 113706223A CN 202111120224 A CN202111120224 A CN 202111120224A CN 113706223 A CN113706223 A CN 113706223A
- Authority
- CN
- China
- Prior art keywords
- user
- evaluation
- data
- channel
- sub
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了数据处理方法和装置，该方法的一具体实施方式包括获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，得到用户渠道产品清单底表；根据产品标识和渠道标识生成第二索引标识，通过用户渠道产品清单底表得到渠道产品指标表；分别调用至少两个子项评判组件，提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到至少两个子项评判结果，通过机器学习模型拟合为理赔评价母分；调用筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，触发下游业务进程。从而，本发明实施方式能够解决现有理赔用户数据处理经验化、绝对化，无法精准建立用户画像以及核保风控的问题。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据处理方法和装置。
背景技术
针对发生理赔的用户进行评价，是目前开展用户核保风控的必要环节，同时也是保险业建立用户画像时的关键因素。同时，如果对用户的理赔情况可以精准评价，可以方便的对用户进行分类精准营销，尤其在用户续保、用户二次开发、保险产品升级、赔付控制等业务场景起到关键作用。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
目前，应用于建立用户画像以及核保风控的理赔用户数据只能“一刀切”式的过滤评价，产生了核保评价经验化、绝对化、评价维度简单等痛点，无法精准评价理赔用户。同时，导致在业务上存在用户分类不准，部分用户没有被风控拦截，从而分群营销效果有限，赔付率不易精准控制等。
发明内容
有鉴于此，本发明实施例提供一种数据处理方法和装置，能够解决现有理赔用户数据处理经验化、绝对化，无法精准建立用户画像以及核保风控的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种数据处理方法，包括获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表；根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表；分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分；调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
可选地，分别调用预设的至少两个子项评判组件之前，还包括：
监控到用户的承保数据和/或理赔数据更新，则获取更新后的承保数据和/或理赔数据，更新用户渠道产品清单底表，进而得到更新后的渠道产品指标表。
可选地，包括：
通过训练好的逻辑回归模型将所述至少两个子项评判结果拟合为理赔评价母分。
可选地，包括：
识别用户评价场景，从预设的子项评判组件池中拉取相应的至少两个子项评判组件。
可选地，还包括：识别用户评价场景为基础理赔评价，拉取赔付分子项评判组件、赔款分子项评判组件、理赔次数分子项评判组件以及平均出险周期子项评判组件，进而分别对用户的渠道产品进行细分识别，然后按照对应的规则通过时间维度进行整合计算，得到相应的子项评判结果。
可选地，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：
调用预设的筛选组件，获取基本规则信息和下游业务对应的规则信息，以基于用户渠道产品清单底表和理赔评价母分确定用户评价数据。
可选地，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：
调用预设的筛选组件，基于用户渠道产品清单底表判断是否命中筛选规则，若是则获取预设的评价分数阈值并作为用户评价数据输出；若否则将理赔评价母分作为用户评价数据输出。
另外，本发明还提供了一种数据处理装置，包括获取模块，用于获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表；根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表；处理模块，用于分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分；调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
上述发明中的一个实施例具有如下优点或有益效果：本发明通过动态生成的用户渠道产品清单底表和渠道产品指标表，基于灵活评判方式从多个维度根据当前整体赔付情况，计算子项评判结果，然后使用机器学习算法输出用户理赔母分，从而确定用户评价数据触发下游业务进程。因此，本发明实现了对理赔用户动态评分，自动准确划分目标用户，达到了极高的用户分类精确度；并且，本发明直观展现用户理赔情况，可解释性强，方便业务人员快速划分用户群体，开展精准营销以及提升核保人员的赔付控制能力；同时，随着整体业务的变化或者业务赔付的要求，动态调整目标函数，动态调整评价方式(例如一季度公司赔付不好，赔付率30％以上定义为高赔付群体，二季度公司要保费规模，赔付率50％以上才被纳为高赔付)，实现了较强的实用性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明第一实施例的数据处理方法的主要流程的示意图；
图2是根据本发明实施例的四个子项评判组件的示意图；
图3是根据本发明实施例的训练逻辑回归模型的数据选取示意图；
图4是根据本发明实施例的基本规则信息的示意图；
图5是根据本发明实施例的数据处理方法数据架构示意图；
图6是根据本发明第二实施例的数据处理方法的主要流程的示意图；
图7是根据本发明第三实施例的数据处理方法的主要流程的示意图；
图8是根据本发明实施例的数据处理装置的主要模块的示意图；
图9是本发明实施例可以应用于其中的示例性装置架构图；
图10是适于用来实现本发明实施例的终端设备或服务器的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例的数据处理方法的主要流程的示意图，所述数据处理方法包括：
步骤S101，获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表。
在实施例中，可以从大数据平台获取用户的承保和理赔相关数据，制作一个以用户标识、产品标识和渠道标识为第一索引标识的用户渠道产品清单底表，即以“用户+产品+渠道”作为唯一标识。例如：用户渠道产品清单底表中的用户标识可以为用户画像系统中的用户ID，其他相关字段内容分别可以为：最早承保时间、最晚承保时间、历史累计保费、当期合计保费、近三年合计保费、累计未到期保费、当期合计未到期保费、近三年合计未到期保费、累计满期保费、当期合计满期保费、近三年合计满期保费、历史累计理赔次数、当期合计理赔次数、近三年合计理赔次数、历史累计赔付金额、当期合计赔付金额、近三年合计赔付金额、大额案件理赔次数(示例的，单笔超30万赔付案件)、大额案件赔付金额、诉讼次数、拒赔次数、历史累计理赔保单数、当期合计理赔保单数、近三年合计理赔保单数、历史整体赔付率、当期赔付率、近三年赔付率、历史整体满期赔付率、当期保单满期赔付率、近三年满期赔付率、用户出险周期(用户第一次出险时间-起保时间)等等。
步骤S102，根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表。
在实施例中，根据用户渠道产品清单底表中的产品标识和渠道标识生成第二索引标识，基于该第二索引标识加工一张渠道产品指标表，也就是说渠道产品指标表的内容与用户渠道产品清单底表一致，主要区别为该表是以“产品+渠道”作为唯一标识，渠道产品指标表的目的是用于计算出各项指标的平均值作为步骤S103子项评判组件计算的基准值。
作为一些实施例，监控到用户的承保数据和/或理赔数据更新，则获取更新后的承保数据和/或理赔数据，更新用户渠道产品清单底表，进而得到更新后的渠道产品指标表。可以看出，本发明实施例可以实时更新用户渠道产品清单底表，并且可以动态计算各项指标的平均值，使得理赔评价数据更为精准，下游业务处理更具高效。
步骤S103，分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分。
在一些实施例中，识别用户评价场景，从预设的子项评判组件池中拉取相应的至少两个子项评判组件。可以看出，本发明可以基于不同的用户评价场景，从子项评判组件池中任意拉取子项评判组件，即选择拉取子项评判组件的数量以及子项评判组件的种类。
例如：识别用户评价场景为基础理赔评价，则可以拉取赔付分子项评判组件、赔款分子项评判组件、理赔次数分子项评判组件以及平均出险周期子项评判组件，如图2所示，四个子项评判组件可以对用户的渠道产品进行细分识别，然后按照对应的规则通过时间维度进行整合计算，从而得到四个子项评判结果。然后通过机器学习模型对四个子项评判结果进行拟合汇总得到理赔评价母分，最后再执行步骤S104通过筛选组件计算用户评价数据。
实施例：赔付分子项评判组件分产品分渠道获取各个用户满期赔付，然后与该产品此渠道预设的平均满期赔付做差，得到各个赔付分。其中，差值为负值(即赔付低于平均满期赔付)，则赔付分为0。之后，分产品分渠道基于保费规模确定权重，最后采用归一化法取分数得到最终的用户赔付分数。其中，归一化法取分数可以为当期、预设年数(示例的，三年)满期以及历史满期赔付分别乘以对应的年均满期保费，然后除以当期、预设年数(示例的，三年)满期、历史满期保费再之和，所述的年均保费可以起到强调近期保费的效果。所述当期满期赔付是指起保时间为今年的满期赔付。预设年数满期赔付为起保时间为年数前的今天(示例的，三年为起保时间为三年前的今天)的满期赔付。历史满期赔付为所有保单的满期赔付。需要说明的是，考虑不同时间维度赔付率差异不同(当期、三年、历史差异较大)，尤其用户只在某一年投保情况(尤其非今年)，3个赔付取均值容易拉低或拉高赔付分，因此加入判断条件：最早保单距离现在时间，示例的，距离现在0年(今年新保)，则只考虑当期赔付；距离现在时间1-2年(今年新保)，则考虑当期、三年赔付；距离现在时间大于2年(今年新保)，则全部考虑。还有，如果最早投保时间小于1年，则只计算当期赔付率。如果最早投保时间1-3年，则赔付率＝(当年保费*当期赔付率+三年赔付率*年均保费)/(当年保费+年均保费)。如果最早投保时间大于3年，则赔付率＝(当年保费*当期赔付率+三年赔付率*年均保费+历史赔付率*历史年均保费)/(当年保费+年均保费+历史年均保费)。其中，投保时间长度是指最大投保时间与最小投保时间的差值，最早投保时间是指当前时间与最小投保时间的差值。
另外，如果发生退保，保费为0的情况，若已决金额和未决金额总共小于或等于1元，则赔付分为0分；若已决和未决金额总共大于1元，则赔付分为100分。6个月内新保用户情况，满期保费过少，使用简单赔付(简单赔付率＝赔款金额/已赚保费，已赚保费是指已经实际发生的保费，是保险业中的一种保费计算方式。)。其中，已决金额是指实际已经支出赔款给客户的金额。未决金额是指还没有结案将赔款支出给客户，但已经估计出将要支出的赔款，赔付金额＝已决金额+未决金额。
实施例：赔款分子项评判组件按照均数百分比原则计算，定义赔款高出均值百分比来衡量赔款的相对多少：
其中，用户赔款基数＝当年赔款+三年赔款+历史赔款；产品渠道基数＝(当年赔款+三年赔款+历史赔款)/(当年理赔次数+三年理赔次数+历史理赔次数)。
实施例：理赔次数分子项评判组件使用均数频数相结合的规则打分模式：理赔均次＝理赔次数合计/理赔用户数合计，理赔高次＝大于1次的理赔次数合计/大于1次的理赔用户合计，理赔频度＝理赔次数/理赔保单数。规则定分：用户理赔0次则为0分；用户理赔1次则为25分；用户理赔大于1次，但小于理赔均次则为50分；用户理赔大于理赔均次，但小于理赔高次则为75分；用户理赔大于理赔均次，但用户理赔频度小于平均理赔频度则为75分(防止团体用户保单量大造成误杀)；用户理赔大于理赔均次，且用户理赔频度大于平均理赔频度则为100分。
实施例：平均出险周期子项评判组件计算规则为：出险周期＝总承保天数/出险次数。其中，总承保天数取同一被保人近预设次数(示例的，6次)承保的同一产品累计承保天数之和。承保起始日取最早承保时间。截止日期取最后一张保单结束日期与当前日期之早者。出险次数为被保人累计立案次数，包括零结、注销、拒赔。另外，若起保时间与上一保单截止时间之差超过30天，则从当前保单开始算起。例如：某被保人自18年1月1日起连续承保至21年6月1日，承保天数＝今日-18年1月1日。
作为另一些实施例，可以采用机器学习模型中的分类模型对至少两个子项评判结果进行拟合，例如：逻辑回归模型、决策树、随机森林等等。优选地，通过训练好的逻辑回归模型(也叫Logistic回归)将所述至少两个子项评判结果拟合为理赔评价母分，从而可以占用最少资源(即只需要存储各个维度的特征值)的情况下快速拟合得到理赔评价母分。
示例的，训练逻辑回归模型的时候，如图3所示，提取2016年1月1日至2021年2月28日在线1013和1019险种百万医疗产品理赔数据，共计1200万用户，其中理赔用户44169名，然后建立模型。其中，机器学习模型训练前需要前选取部分理赔用户定位为目标值，即模型目标函数的Y值，这部分用户理赔评价母分应该为满分。按总出险用户取百分位查看占比情况，“二八”分化比较明显，前20％用户总赔款占比60％，理赔次数占比33％，赔付率占比51.9％，对出险周期影响度20％，如果能有效筛选出这部分用户，对赔付指标的改善将非常显著，所以将此部分用户作为目标值。然后以此计算出用户的四个子项评判结果并拟合逻辑回归模型，对算法的评价指标选取AUC，因为其可以在在样本比例不均衡时较好的评价正负样本预测情况。最终拟合结果模型AUC93.3％，可以准确的预测出满分目标用户。
步骤S104，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
实施例：本发明目标是对理赔用户进行打分评价，分数范围在0—100分区间。若用户为满分，则不建议继续承保用户，若用户为0分则用户目前没有理赔记录，0至100分则代表用户理赔的不同程度，可以根据分值划分客群采取下游业务相应的营销手段，或根据实际下游业务情况划分阈值采取风控措施。
在一些实施例中，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：调用预设的筛选组件，获取基本规则信息和下游业务对应的规则信息，以基于用户渠道产品清单底表和理赔评价母分确定用户评价数据。其中，基本规则信息可以应用于所有用户的评价数据的生成，例如如图4所示。下游业务对应的规则信息为应不同的下游业务(例如创建用户画像、核保风控等等)可以对应有相应的规则信息，例如：当前核保风控系统中ICD10风控规则。
作为另一些实施例，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：调用预设的筛选组件，基于用户渠道产品清单底表判断是否命中筛选规则，若是则获取预设的评价分数阈值并作为用户评价数据输出；若否则将理赔评价母分作为用户评价数据输出。例如：筛选命中的用户直接判定为满分。
作为再一些实施例，本发明执行数据处理方法的过程中数据架构，如图5所示，获取承保数据的保费表和理赔数据的理赔表，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表。根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表。分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分，得到理赔评分表。调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，生成用户理赔表并输出至大数据平台，以供触发下游业务进程。
图6是根据本发明第二实施例的数据处理方法的主要流程的示意图。所述数据处理方法，包括：
步骤S601，获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表。
步骤S602，根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表。
步骤S603，监控到用户的承保数据和/或理赔数据更新，则获取更新后的承保数据和/或理赔数据，更新用户渠道产品清单底表，进而得到更新后的渠道产品指标表。
步骤S604，识别用户评价场景，从预设的子项评判组件池中拉取相应的至少两个子项评判组件。
步骤S605，分别通过各个子项评判组件，提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的各个子项评判结果。
步骤S606，通过训练好的逻辑回归模型将各个子项评判结果拟合为理赔评价母分。
步骤S607，调用预设的筛选组件，获取基本规则信息和下游业务对应的规则信息。
步骤S608，基于用户渠道产品清单底表判断是否命中基本规则信息和/或下游业务对应的规则信息，若是则进行步骤S609，若否则进行步骤S610。
步骤S609，获取预设的评价分数阈值并作为用户评价数据输出，进行步骤S611。
步骤S610，将理赔评价母分作为用户评价数据输出，进行步骤S611。
步骤S611，根据所述用户评价数据触发下游业务进程。
图7是根据本发明第三实施例的数据处理方法的主要流程的示意图。所述数据处理方法，包括：
步骤S701，获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表。
步骤S702，根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表。
值得说明的是，本发明实施例采用对承保数据以及理赔数据的实时监控程序，如果监控到用户的承保数据和/或理赔数据更新，则获取更新后的承保数据和/或理赔数据，更新用户渠道产品清单底表，进而得到更新后的渠道产品指标表。
步骤S703，分别调用预设的赔付分子项评判组件、赔款分子项评判组件、理赔次数分子项评判组件和平均出险周期子项评判组件，提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的四个子项评判结果。
步骤S704，通过训练好的逻辑回归模型将用户的四个子项评判结果拟合为理赔评价母分。
步骤S705，调用预设的筛选组件，获取基本规则信息和风控规则。
步骤S706，基于用户渠道产品清单底表判断是否命中基本规则信息和/或风控规则，若是则进行步骤S707，若否则进行步骤S708。
步骤S707，获取预设的评价分数阈值并作为用户评价数据输出，进行步骤S709。
步骤S708，将理赔评价母分作为用户评价数据输出，进行步骤S709。
步骤S709，根据用户评价数据触发下游用户画像创建进程和核保风控进程。
图8是根据本发明实施例的数据处理装置的主要模块的示意图，如图8所示，所述数据处理装置800包括获取模块801获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表；根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表；处理模块802分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分；调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
在一些实施例中，获取模块801分别调用预设的至少两个子项评判组件之前，还包括：
监控到用户的承保数据和/或理赔数据更新，则获取更新后的承保数据和/或理赔数据，更新用户渠道产品清单底表，进而得到更新后的渠道产品指标表。
在一些实施例中，处理模块802，还用于：通过训练好的逻辑回归模型将所述至少两个子项评判结果拟合为理赔评价母分。
在一些实施例中，处理模块802，还用于：识别用户评价场景，从预设的子项评判组件池中拉取相应的至少两个子项评判组件。
在一些实施例中，处理模块802，还用于：识别用户评价场景为基础理赔评价，拉取赔付分子项评判组件、赔款分子项评判组件、理赔次数分子项评判组件以及平均出险周期子项评判组件，进而分别对用户的渠道产品进行细分识别，然后按照对应的规则通过时间维度进行整合计算，得到相应的子项评判结果。
在一些实施例中，处理模块802调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：
调用预设的筛选组件，获取基本规则信息和下游业务对应的规则信息，以基于用户渠道产品清单底表和理赔评价母分确定用户评价数据。
在一些实施例中，处理模块802调调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：
调用预设的筛选组件，基于用户渠道产品清单底表判断是否命中筛选规则，若是则获取预设的评价分数阈值并作为用户评价数据输出；若否则将理赔评价母分作为用户评价数据输出。
需要说明的是，在本发明所述数据处理方法和所述数据处理装置在具体实施内容上具有相应关系，故重复内容不再说明。
图9示出了可以应用本发明实施例的数据处理方法或数据处理装置的示例性装置架构900。
如图9所示，装置架构900可以包括终端设备901、902、903，网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互，以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯用户端应用，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、邮箱用户端、社交平台软件等(仅为示例)。
终端设备901、902、903可以是具有数据处理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905可以是提供各种服务的服务器，例如对用户利用终端设备901、902、903所浏览的购物类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产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的数据处理方法一般由服务器905执行，相应地，计算装置一般设置于服务器905中。
应该理解，图9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。
下面参考图10，其示出了适于用来实现本发明实施例的终端设备的计算机装置1000的结构示意图。图10示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，计算机装置1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中，还存储有计算机装置1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶数据处理器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，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1010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1008。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明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1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本发明的装置中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本发明中，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装置、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的装置、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装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块和处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备包括获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表；根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表；分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分；调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
根据本发明实施例的技术方案，本发明实施方式能够解决现有理赔用户数据处理经验化、绝对化，无法精准建立用户画像以及核保风控的问题。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表；
根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表；
分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分；
调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
2.根据权利要求1所述的方法，其特征在于，分别调用预设的至少两个子项评判组件之前，还包括：
监控到用户的承保数据和/或理赔数据更新，则获取更新后的承保数据和/或理赔数据，更新用户渠道产品清单底表，进而得到更新后的渠道产品指标表。
3.根据权利要求1所述的方法，其特征在于，包括：
通过训练好的逻辑回归模型将所述至少两个子项评判结果拟合为理赔评价母分。
4.根据权利要求1所述的方法，其特征在于，包括：
识别用户评价场景，从预设的子项评判组件池中拉取相应的至少两个子项评判组件。
5.根据权利要求4所述的方法，其特征在于，还包括：
识别用户评价场景为基础理赔评价，拉取赔付分子项评判组件、赔款分子项评判组件、理赔次数分子项评判组件以及平均出险周期子项评判组件，进而分别对用户的渠道产品进行细分识别，然后按照对应的规则通过时间维度进行整合计算，得到相应的子项评判结果。
6.根据权利要求1所述的方法，其特征在于，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：
调用预设的筛选组件，获取基本规则信息和下游业务对应的规则信息，以基于用户渠道产品清单底表和理赔评价母分确定用户评价数据。
7.根据权利要求1-6任一所述的方法，其特征在于，调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，包括：
调用预设的筛选组件，基于用户渠道产品清单底表判断是否命中筛选规则，若是则获取预设的评价分数阈值并作为用户评价数据输出；若否则将理赔评价母分作为用户评价数据输出。
8.一种数据处理装置，其特征在于，包括：
获取模块，用于获取用户的承保数据和理赔数据，基于用户标识、产品标识和渠道标识生成第一索引标识，进而得到用户渠道产品清单底表；根据产品标识和渠道标识生成第二索引标识，以通过用户渠道产品清单底表得到渠道产品指标表；
处理模块，用于分别调用预设的至少两个子项评判组件，以提取渠道产品指标表和用户渠道产品清单底表中相应数据计算得到用户的至少两个子项评判结果，进而通过机器学习模型将所述至少两个子项评判结果拟合为理赔评价母分；调用预设的筛选组件，基于用户渠道产品清单底表和理赔评价母分确定用户评价数据，以根据所述用户评价数据触发下游业务进程。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111120224.2A CN113706223B (zh) | 2021-09-24 | 2021-09-24 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111120224.2A CN113706223B (zh) | 2021-09-24 | 2021-09-24 | 一种数据处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706223A true CN113706223A (zh) | 2021-11-26 |
| CN113706223B CN113706223B (zh) | 2024-01-26 |
Family
ID=78661719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111120224.2A Active CN113706223B (zh) | 2021-09-24 | 2021-09-24 | 一种数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706223B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116360752A (zh) * | 2023-06-02 | 2023-06-30 | 钱塘科技创新中心 | 面向java的函数式编程方法、智能终端和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117703A1 (en) * | 2014-10-22 | 2016-04-28 | Staples, Inc. | Large-Scale Customer-Product Relationship Mapping and Contact Scheduling |
| CN108022170A (zh) * | 2017-12-06 | 2018-05-11 | 中国平安财产保险股份有限公司 | 续保处理方法、装置、计算机设备及存储介质 |
| CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技（深圳）有限公司 | 一种理赔风险评估方法、装置及服务器 |
| CN109472705A (zh) * | 2018-09-26 | 2019-03-15 | 平安健康保险股份有限公司 | 理赔方法、系统、计算机设备以及存储介质 |
| CN111180065A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 保险用户评估方法、装置、电子设备及计算机可读介质 |
| CN112634025A (zh) * | 2020-12-29 | 2021-04-09 | 平安消费金融有限公司 | 风控规则生成方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-09-24 CN CN202111120224.2A patent/CN113706223B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117703A1 (en) * | 2014-10-22 | 2016-04-28 | Staples, Inc. | Large-Scale Customer-Product Relationship Mapping and Contact Scheduling |
| CN109285075A (zh) * | 2017-07-19 | 2019-01-29 | 腾讯科技（深圳）有限公司 | 一种理赔风险评估方法、装置及服务器 |
| CN108022170A (zh) * | 2017-12-06 | 2018-05-11 | 中国平安财产保险股份有限公司 | 续保处理方法、装置、计算机设备及存储介质 |
| CN109472705A (zh) * | 2018-09-26 | 2019-03-15 | 平安健康保险股份有限公司 | 理赔方法、系统、计算机设备以及存储介质 |
| CN111180065A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 保险用户评估方法、装置、电子设备及计算机可读介质 |
| CN112634025A (zh) * | 2020-12-29 | 2021-04-09 | 平安消费金融有限公司 | 风控规则生成方法、装置、设备及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116360752A (zh) * | 2023-06-02 | 2023-06-30 | 钱塘科技创新中心 | 面向java的函数式编程方法、智能终端和存储介质 |
| CN116360752B (zh) * | 2023-06-02 | 2023-08-22 | 钱塘科技创新中心 | 面向java的函数式编程方法、智能终端和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706223B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119413A (zh) | 数据融合的方法和装置 | |
| CN112184154A (zh) | 一种业务审批方法和装置 | |
| CN113505990A (zh) | 企业风险评估的方法、装置、电子设备和存储介质 | |
| CN108564423A (zh) | 票务订单的恶意占位识别方法、系统、设备和存储介质 | |
| CN110163457A (zh) | 一种业务指标的异常定位方法和装置 | |
| CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
| CN113487410A (zh) | 一种授信管理方法、装置、电子设备及计算机可读介质 | |
| CN107819745B (zh) | 异常流量的防御方法和装置 | |
| CN112581270A (zh) | 风险账户的识别方法、装置、电子设备和存储介质 | |
| CN113706223B (zh) | 一种数据处理方法和装置 | |
| CN113469818B (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
| CN112950359B (zh) | 一种用户识别方法和装置 | |
| CN114723481A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN114298845A (zh) | 一种理赔票据处理方法和装置 | |
| US20210027319A1 (en) | Method and system for collecting and analyzing data to generate performance forecasts for assets | |
| US11409502B2 (en) | Intelligent controls for end-user computing | |
| US11227288B1 (en) | Systems and methods for integration of disparate data feeds for unified data monitoring | |
| CN116611696A (zh) | 一种基于时间序列分析的数字资产市场风险预测系统 | |
| JP2020013229A (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
| CN113643140B (zh) | 确定医保支出影响因素的方法、装置、设备和介质 | |
| CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 | |
| CN116228384A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
| CN114817347A (zh) | 业务审批方法、装置、电子设备和存储介质 | |
| CN112199359B (zh) | 数据检核方法、装置、电子设备和存储介质 | |
| CN111429257B (zh) | 一种交易监控方法和装置 |
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 |