CN113743692B - 业务风险评估方法、装置、计算机设备和存储介质 - Google Patents
业务风险评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113743692B CN113743692B CN202010469001.6A CN202010469001A CN113743692B CN 113743692 B CN113743692 B CN 113743692B CN 202010469001 A CN202010469001 A CN 202010469001A CN 113743692 B CN113743692 B CN 113743692B
- Authority
- CN
- China
- Prior art keywords
- data
- logistics
- risk assessment
- historical
- business
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011835 investigation Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种物流业务中业务风险评估方法、装置、计算机设备和存储介质。所述方法包括：获取物流业务中业务风险评估请求；提取业务风险评估请求携带的请求方身份信息；查找请求方身份信息对应的征信数据以及物流业务数据；将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果。本申请基于历史物流寄件数据构建的申请评分卡模型获取物流寄件数据变量，而后融合物流业务数据变量来构建征信评分卡模型，而后基于征信评分卡模型以及物流业务中业务风险评估请求的请求方身份信息对应的征信数据以及物流业务数据，对业务风险评估请求进行相应的评估，可以有效提高风险评估的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种物流业务中业务风险评估方法、装置、计算机设备和存储介质。
背景技术
随着网络技术与大数据技术的发展，出现了个人信用评分技术。个人信用评分是指信用评估机构利用信用评分卡模型对消费者个人信用信息进行量化分析，以分值形式表述。个人信用评分通过使用科学严谨的分析方法，综合考察影响个人及其家庭的内在和外在的主客观环境，可以对其履行各种经济承诺的能力进行全面的判断和评估。
目前，对于物流行业相关申请人的个人信用风险评估，一般通过单纯依靠申请人的征信数据获得其相应的风险评估结果。
然而单纯依靠征信数据来进行申请的话，容易导致风险评估的结果出现较大误差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高风险评估准确率的物流业务中业务风险评估方法、装置、计算机设备和存储介质。
一种物流业务中业务风险评估方法，所述方法包括：
获取物流业务中业务风险评估请求；
提取所述业务风险评估请求携带的请求方身份信息；
查找所述请求方身份信息对应的征信数据以及物流业务数据；
将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，所述预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，所述可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
在其中一个实施例中，所述将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果之前，还包括：
获取历史征信数据以及与所述历史征信数据对应的历史物流寄件数据；
根据所述历史物流寄件数据建立物流评分卡模型，将所述物流评分卡模型的输出结果作为可用物流变量；
根据所述可用物流变量与所述历史征信数据获取模型训练数据；
根据所述模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。
在其中一个实施例中，所述获取历史征信数据以及与所述历史征信数据对应的历史物流寄件数据包括：
获取原始征信数据以及预设逾期标准；
根据所述预设逾期标准对所述原始征信数据进行过滤处理，获取历史征信数据；
获取所述历史征信数据对应的历史物流寄件数据。
在其中一个实施例中，所述根据所述历史物流寄件数据建立物流评分卡模型，将所述物流评分卡模型的输出结果作为可用物流变量包括：
根据所述历史物流寄件数据中的变量数据建立各物流评分卡模型；
获取所述各物流评分卡模型的输出结果对应的信息价值，所述信息价值基于所述输出结果对应物流评分卡模型的逾期比例数据获取，所述逾期比例数据为所述物流评分卡模型的输入历史物流寄件数据对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例；
将所述信息价值在预设价值区间内的输出结果作为可用物流变量。
在其中一个实施例中，所述初始申请评分卡模型包括逻辑回归模型。
在其中一个实施例中，所述将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果之后，还包括；
根据所述业务风险评估结果生成业务风险评估报告；
反馈所述业务风险评估报告。
一种物流业务中业务风险评估装置，所述方法包括：
请求获取模块，用于获取物流业务中业务风险评估请求；
身份信息查找模块，用于提取所述业务风险评估请求携带的请求方身份信息；
数据查找模块，用于查找所述请求方身份信息对应的征信数据以及物流业务数据；
风险评估模块，用于将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，所述预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，所述可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
在其中一个实施例中，还包括模型构建模块，用于：
获取历史征信数据以及与所述历史征信数据对应的历史物流寄件数据；
根据所述历史物流寄件数据建立物流评分卡模型；
根据所述历史物流寄件数据建立物流评分卡模型，将所述物流评分卡模型的输出结果作为可用物流变量；
根据所述可用物流变量与所述历史征信数据获取模型训练数据；
根据所述模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取物流业务中业务风险评估请求；
提取所述业务风险评估请求携带的请求方身份信息；
查找所述请求方身份信息对应的征信数据以及物流业务数据；
将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，所述预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，所述可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取物流业务中业务风险评估请求；
提取所述业务风险评估请求携带的请求方身份信息；
查找所述请求方身份信息对应的征信数据以及物流业务数据；
将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，所述预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，所述可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
上述物流业务中业务风险评估方法、装置、计算机设备和存储介质，通过获取物流业务中业务风险评估请求；提取业务风险评估请求携带的请求方身份信息；查找请求方身份信息对应的征信数据以及物流业务数据；将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；其中，预设风险评估模型为融合可用物流变量的征信评分卡模型，可用物流变量基于历史物流寄件数据通过申请评分卡建模获取。本申请基于历史物流寄件数据构建的申请评分卡模型获取物流寄件数据变量，而后融合可用物流变量来构建征信评分卡模型，而后基于征信评分卡模型以及物流业务中业务风险评估请求的请求方身份信息对应的征信数据以及物流业务数据，对业务风险评估请求进行相应的评估，可以有效提高风险评估的准确性。
附图说明
图1为一个实施例中申请评分方法的应用环境图；
图2为一个实施例中申请评分方法的流程示意图；
图3为一个实施例中构建预设风险评估模型过程的示意图；
图4为一个实施例中图3中步骤304的子流程示意图；
图5为一个实施例中申请评分装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的物流业务中业务风险评估方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。当需要进行物流业务中的风险评估操作时，终端102可以提交物流业务中业务风险评估请求至服务器104，服务器104获取物流业务中业务风险评估请求；提取业务风险评估请求携带的请求方身份信息；查找请求方身份信息对应的征信数据以及物流业务数据；将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；其中，预设风险评估模型为融合可用物流变量的征信评分卡模型，可用物流变量基于历史物流寄件数据构建的申请评分卡模型获取。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种物流业务中业务风险评估方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤201，获取物流业务中业务风险评估请求。
其中，本申请的业务风险评估方法适用于对物流寄件领域相关的请求进行风险评估。征信领域可用数据源越来越少，尤其在物流行业内，寻找出新的数据源来提高申请评分预测准确率已经十分迫切。且现有合规的征信数据可用范围有限，而物流行业又有丰富的物流数据，如何结合征信数据和物流数据开发出新的特有的申请评分卡应用于物流行业的申请，将是对物流行业申请风险评级的一次有意义的探索。本申请结合征信数据以及物流寄件数据来建立预设风险评估模型，对物流寄件相关的申请进行风险评估，可以有效对物流寄件相关的请求进行风险评估。本申请的风险评估方法具体可以用于对物流寄件领域的信贷申请进行风险评估，以降低信贷欺诈的风险，提高信贷欺诈的成本。
具体地，当用户向终端102提交特定物流业务请求后，终端102为了对该业务的的风险进行评估，可以发送与该特定物流业务请求申请对应的业务风险评估请求至服务器104。服务器104从而获取业务风险评估请求，并开始进行业务风险评估工作。
步骤203，提取业务风险评估请求携带的请求方身份信息。
业务风险评估请求携带的请求方身份信息指的是该业务风险评估请求对应的业务申请人的身份信息。为了对业务风险进行风险评估，需要首先明确业务申请人的身份信息。
步骤205，查找请求方身份信息对应的征信数据以及物流业务数据。
其中征信是依法采集、整理、保存、加工自然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询等服务，帮助客户判断、控制信用风险，进行信用管理的活动。而征信数据是指通过征信采集的用户数据。本申请所用的征信数据具体可以根据业务风险评估请求对应的请求方身份信息，在互联网公布的征信数据中查询获取。物流寄件数据具体是指业务风险评估请求对应的物流寄件信息中的托寄物分类、寄件类型、费用与体积等具体信息。
具体的，在其中一个实施例中，所有的征信数据与物流寄件数据可以预先保存在相应的征信数据库与寄件信息数据库中，当服务器104接收到业务风险评估请求后，即可根据业务风险评估请求在征信数据库中查找业务风险评估请求对应的征信数据。同时根据业务风险评估请求在寄件信息数据库中查找业务风险评估请求对应的物流寄件数据。在另一个实施例中，征信数据预先保存在征信数据库内，而业务风险评估请求则携带用该业务风险评估请求对应的物流寄件数据，服务器104在接收到业务风险评估请求后，可以通过解析业务风险评估请求，直接从解析后的业务风险评估请求相关数据中获得物流寄件数据。
步骤207，将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；其中，预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
预设风险评估模型具体可以是一个标准的评分卡模型，该模型具体可以为融合物流寄件数据变量的征信评分卡模型，通过将物流寄件数据变量融入征信数据体系中联合建模，形成征信数据为主、物流数据为辅的变量体系，而后进行申请评分卡的开发，可以开发出融合物流特色数据的物流寄件行业申请请分卡，更适用于物流寄件行业。
具体地，可以将终端102发送的业务风险评估请求相关的征信数据以及物流寄件数据，输入到预先构建的预设风险评估模型中，基于预设风险评估模型对该业务风险评估请求进行风险评估预测，并获得相应的风险评估结果。在其中一个实施例中，物流寄件相关的业务风险评估请求具体适用于对物流寄件的信贷申请进行风险预测，此时，风险评估结果即为该物流寄件的信贷申请的逾期风险。
上述物流业务中业务风险评估方法，通过获取物流业务中业务风险评估请求；提取业务风险评估请求携带的请求方身份信息；查找请求方身份信息对应的征信数据以及物流业务数据；将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；其中，预设风险评估模型为融合可用物流变量的征信评分卡模型，可用物流变量基于历史物流寄件数据通过申请评分卡建模获取。本申请基于历史物流寄件数据构建的申请评分卡模型获取物流寄件数据变量，而后融合可用物流变量来构建征信评分卡模型，而后基于征信评分卡模型以及物流业务中业务风险评估请求的请求方身份信息对应的征信数据以及物流业务数据，对业务风险评估请求进行相应的评估，可以有效提高风险评估的准确性。
在一个实施例中，如图3所示，步骤207之前包括：
步骤302，获取历史征信数据以及与历史征信数据对应的历史物流寄件数据；
步骤304，根据历史物流寄件数据建立物流评分卡模型，将物流评分卡模型的输出结果作为可用物流变量；
步骤306，根据可用物流变量与历史征信数据获取模型训练数据；
步骤308，根据模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。
其中，历史征信数据是指历史记录中保存的征信数据，而历史物流寄件数据指的是历史记录中保存的物流寄件数据。历史征信数据与历史物流寄件数据一一对应，历史征信数据即是历史寄件数据对应的寄件人的个人历史信用信息。历史征信数据以及历史物流寄件数据具体用于模型构建生成。在建模过程中，首先可以针对物流数据进行单独建模，而后将物流数据的模型结论作为物流变量融入征信模型中，达到以征信数据为主、物流数据为辅的融合模型。首先基于历史物流寄件数据来单独开发申请评分卡模型，基于构建完成的申请评分卡模型，获取历史物流寄件数据中的可用物流变量。具体的，物流寄件信息中包括有托寄物分类、寄件类型、费用与体积等具体的变量信息。而通过建立物流评分卡模型，可以对这些变量进行重要性入模筛选，来构建物流评分卡模型，并将物流评分卡模型的输入结果作为可用物流变量，而后结合可用物流变量与历史征信数据生成相应的模型训练数据；而后可以基于根据模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。在其中一个实施例中，申请评分卡模型具体可以为逻辑回归模型。在其中一个实施例中，可以仅以征信数据作为训练数据来开发评分预测模型，以对比分析模型的预测能力。在一个实施例中，融合物流变量的评分预测模型相比仅以征信数据为训练数据开发的评分预测模型的KS（Kolmogorov-Smirnov，一个拟合优度检验）提高了4%，即可以有效提高申请评分卡模型的风险评估能力。本实施例中，通过通过物流寄件数据构建相应的变量融入征信数据体系内再次联合建模，形成征信数据为主、物流数据为辅的变量体系，再用国际标准申请评分卡开发流程，开发出融合物流特色数据的预设风险评估模型，更适用于物流行业的申请的风险预测，可以有效提高风险预测的准确性。
在其中一个实施例中，步骤302包括：获取原始征信数据以及预设逾期标准；根据预设逾期标准对原始征信数据进行过滤处理，获取历史征信数据，获取历史征信数据对应的历史物流寄件数据。
具体的，原始征信数据可以是针对相同产品的贷后样本数据。在获得原始征信数据后，可以基于预设的逾期标准，对原始征信数据进行筛选重构，从原始征信数据查找到可用的历史征信数据，可用的历史征信数据包含逾期特征的征信数据以及未包含逾期特征的征信数据，而后可以根据可用的历史征信数据，查找征信对应个人的历史物流寄件数据。在本实施例中，可以基于预设的逾期标准来筛选获得可用的历史征信数据以及历史物流寄件数据，从而可以更高效地建立相应的征信评分卡模型。
如图4所示，在其中一个实施例中，步骤304包括：
步骤401，根据历史物流寄件数据中的变量数据建立各物流评分卡模型。
步骤403，获取各物流评分卡模型的输出结果对应的信息价值，信息价值基于输出结果对应物流评分卡模型的逾期比例数据获取，逾期比例数据为物流评分卡模型的输入历史物流寄件数据对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例。
步骤405，将信息价值在预设价值区间内的输出结果作为可用物流变量。
其中，信息价值即IV（Information Value），又称信息量。可以基于各物流评分卡模型的输出结果的证据权重获取。证据权重即WOE(weight of evidence)，是对原始自变量的一种编码形式。用于衡量正常样本和违约样本分布的差异。
具体地，在本申请中，可以首先根据历史物流寄件数据中的变量数据建立各物流评分卡模型。如历史物流寄件数据中包含有A、B以及C变量，此时可以基于A以及B构建一个物流评分卡模型，也可以基于B以及C构建一个物流评分卡模型，也可以基于A、B以及C构建一个物流评分卡模型。而后可以将各物流评分卡模型的输出结果先作为预设风险评估模型的一个变量，进行信息价值估计，先对输出结果进行WOE编码。并基于物流评分卡模型的输入历史物流寄件数据对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例获取计算获得各个输出结果相应的证据权重。而后基于证据权重计算各类型变量对应的证据权重，当某个输出结果的证据权重在预设价值区间内时，即可以将该变量作为建立预设风险评估模型的可用物流变量。在其中一个实施例中，预设价值区间具体为0.3附件的一个区间，如具体为[0.25,0.3]或者[0.25,0.35]，在本实施例中，通过结合证据权重以及信息价值，可以更有效地挑选出可用于建模的可用物流变量，从而提高预设模型的预测准确性。
在其中一个实施例中，步骤205之后，还包括：根据业务风险评估结果生成业务风险评估报告；反馈业务风险评估报告。
具体的，在获得业务风险评估结果后，为了更直观地向终端102反馈最终的申请评估结果，服务器104还可以根据业务风险评估结果生成相应的业务风险评估报告，在其中一个实施例中，业务风险评估结果具体包括各个风险区间。如无风险区间、低风险区间以及高风险区间等。在获得业务风险评估结果后，可以调用预设的报告生成模板，依据业务风险评估结果对应的风险区间填充报告生成模板，生成相应的业务风险评估报告，此外，对于处于低风险区间或者高风险区间的业务风险评估结果，可以在业务风险评估报告上添加相应的警告信息。而后将生成的业务风险评估报告直接反馈给到终端102，通过业务风险评估报告向终端102直观反馈评估结果。在本实施例中，通过生成业务风险评估报告，可以更直观地展示业务风险的评估结果，并可以有效地进行风险警告。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种装箱可视化处理装置，包括：请求获取模块502、身份信息查找模块504、数据查找模块506和风险评估模块508，其中：
请求获取模块502，用于获取物流业务中业务风险评估请求；
身份信息查找模块504，用于提取业务风险评估请求携带的请求方身份信息；
数据查找模块506，用于查找请求方身份信息对应的征信数据以及物流业务数据；
风险评估模块508，用于将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
在其中一个实施例中，还包括模型构建模块，用于：获取历史征信数据以及与历史征信数据对应的历史物流寄件数据；根据历史物流寄件数据建立物流评分卡模型；根据物流评分卡模型，将物流评分卡模型的输出结果作为可用物流变量；根据可用物流变量与历史征信数据获取模型训练数据；根据模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。
在其中一个实施例中，模型构建模块还用于：获取原始征信数据以及预设逾期标准；根据预设逾期标准对原始征信数据进行过滤处理，获取历史征信数据；获取历史征信数据对应的历史物流寄件数据。
在其中一个实施例中，模型构建模块还用于：
根据历史物流寄件数据中的变量数据建立各物流评分卡模型；获取各物流评分卡模型的输出结果对应的信息价值，信息价值基于输出结果对应物流评分卡模型的逾期比例数据获取，逾期比例数据为物流评分卡模型的输入历史物流寄件数据对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例；将信息价值在预设价值区间内的输出结果作为可用物流变量。
在其中一个实施例中，初始申请评分卡模型包括逻辑回归模型。
在其中一个实施例中，还包括报告生成模块，用于：根据业务风险评估结果生成业务风险评估报告；反馈业务风险评估报告。
关于物流业务中业务风险评估装置的具体限定可以参见上文中对于物流业务中业务风险评估方法的限定，在此不再赘述。上述物流业务中业务风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储物流业务中业务风险评估数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物流业务中业务风险评估方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取物流业务中业务风险评估请求；
提取业务风险评估请求携带的请求方身份信息；
查找请求方身份信息对应的征信数据以及物流业务数据；
将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史征信数据以及与历史征信数据对应的历史物流寄件数据；根据历史物流寄件数据建立物流评分卡模型；根据物流评分卡模型，将物流评分卡模型的输出结果作为可用物流变量；根据可用物流变量与历史征信数据获取模型训练数据；根据模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取原始征信数据以及预设逾期标准；根据预设逾期标准对原始征信数据进行过滤处理，获取历史征信数据；获取历史征信数据对应的历史物流寄件数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据历史物流寄件数据中的变量数据建立各物流评分卡模型；获取各物流评分卡模型的输出结果对应的信息价值，信息价值基于输出结果对应物流评分卡模型的逾期比例数据获取，逾期比例数据为物流评分卡模型的输入历史物流寄件数据对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例；将信息价值在预设价值区间内的输出结果作为可用物流变量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据业务风险评估结果生成业务风险评估报告；反馈业务风险评估报告。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取物流业务中业务风险评估请求；
提取业务风险评估请求携带的请求方身份信息；
查找请求方身份信息对应的征信数据以及物流业务数据；
将征信数据以及物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史征信数据以及与历史征信数据对应的历史物流寄件数据；根据历史物流寄件数据建立物流评分卡模型；根据物流评分卡模型，将物流评分卡模型的输出结果作为可用物流变量；根据可用物流变量与历史征信数据获取模型训练数据；根据模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取原始征信数据以及预设逾期标准；根据预设逾期标准对原始征信数据进行过滤处理，获取历史征信数据；获取历史征信数据对应的历史物流寄件数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据历史物流寄件数据中的变量数据建立各物流评分卡模型；获取各物流评分卡模型的输出结果对应的信息价值，信息价值基于输出结果对应物流评分卡模型的逾期比例数据获取，逾期比例数据为物流评分卡模型的输入历史物流寄件数据对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例；将信息价值在预设价值区间内的输出结果作为可用物流变量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据业务风险评估结果生成业务风险评估报告；反馈业务风险评估报告。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种物流业务中业务风险评估方法，所述方法包括：
获取物流业务中业务风险评估请求；
提取所述业务风险评估请求携带的请求方身份信息；
查找所述请求方身份信息对应的征信数据以及物流业务数据；
将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，所述预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，所述可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取；
所述将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果之前，还包括：
获取历史征信数据以及与所述历史征信数据对应的历史物流寄件数据；
根据所述历史物流寄件数据建立物流评分卡模型，将所述物流评分卡模型的输出结果作为可用物流变量；
根据所述可用物流变量与所述历史征信数据获取模型训练数据；
根据所述模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型；
所述可用物流变量的筛选过程包括：根据所述历史物流寄件数据中的变量数据建立各物流评分卡模型；获取所述各物流评分卡模型的输出结果对应的信息价值，所述信息价值基于所述输出结果对应物流评分卡模型的逾期比例数据获取，所述逾期比例数据为所述物流评分卡模型的输入历史物流寄件数据、对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例；将所述信息价值在预设价值区间内的输出结果作为可用物流变量，所述历史物流寄件数据包括托寄物分类、寄件类型、费用与体积。
2.根据权利要求1所述的方法，其特征在于，所述获取历史征信数据以及与所述历史征信数据对应的历史物流寄件数据包括：
获取原始征信数据以及预设逾期标准；
根据所述预设逾期标准对所述原始征信数据进行过滤处理，获取历史征信数据；
获取所述历史征信数据对应的历史物流寄件数据。
3.根据权利要求1所述的方法，其特征在于，所述初始申请评分卡模型包括逻辑回归模型。
4.根据权利要求1所述的方法，其特征在于，所述将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果之后，还包括；
根据所述业务风险评估结果生成业务风险评估报告；
反馈所述业务风险评估报告。
5.一种物流业务中业务风险评估装置，其特征在于，所述装置包括：
请求获取模块，用于获取物流业务中业务风险评估请求；
身份信息查找模块，用于提取所述业务风险评估请求携带的请求方身份信息；
数据查找模块，用于查找所述请求方身份信息对应的征信数据以及物流业务数据；
风险评估模块，用于将所述征信数据以及所述物流业务数据输入预设风险评估模型，获取业务风险评估结果；
其中，所述预设风险评估模型为基于可用物流变量以及征信数据构建的征信评分卡模型，所述可用物流变量基于历史物流寄件数据构建的申请评分卡模型对应的信息价值获取；
模型构建模块，用于获取历史征信数据以及与所述历史征信数据对应的历史物流寄件数据；根据所述历史物流寄件数据建立物流评分卡模型，将所述物流评分卡模型的输出结果作为可用物流变量；根据所述可用物流变量与所述历史征信数据获取模型训练数据；根据所述模型训练数据对初始申请评分卡模型进行训练，获取预设风险评估模型；
所述可用物流变量的筛选过程包括：根据所述历史物流寄件数据中的变量数据建立各物流评分卡模型；获取所述各物流评分卡模型的输出结果对应的信息价值，所述信息价值基于所述输出结果对应物流评分卡模型的逾期比例数据获取，所述逾期比例数据为所述物流评分卡模型的输入历史物流寄件数据、对应的历史征信数据中的逾期数据占总逾期数据的比例，以及未逾期数据占总逾期数据的比例；将所述信息价值在预设价值区间内的输出结果作为可用物流变量，所述历史物流寄件数据包括托寄物分类、寄件类型、费用与体积。
6.根据权利要求5所述的装置，其特征在于，所述模型构建模块还用于：
获取原始征信数据以及预设逾期标准；
根据所述预设逾期标准对所述原始征信数据进行过滤处理，获取历史征信数据；
获取所述历史征信数据对应的历史物流寄件数据。
7.根据权利要求5所述的装置，其特征在于，所述初始申请评分卡模型包括逻辑回归模型。
8.根据权利要求7所述的装置，其特征在于，还包括报告生成模块，用于：根据所述业务风险评估结果生成业务风险评估报告；反馈所述业务风险评估报告。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010469001.6A CN113743692B (zh) | 2020-05-28 | 2020-05-28 | 业务风险评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010469001.6A CN113743692B (zh) | 2020-05-28 | 2020-05-28 | 业务风险评估方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743692A CN113743692A (zh) | 2021-12-03 |
| CN113743692B true CN113743692B (zh) | 2024-05-24 |
Family
ID=78724154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010469001.6A Active CN113743692B (zh) | 2020-05-28 | 2020-05-28 | 业务风险评估方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743692B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629639B (zh) * | 2023-06-08 | 2023-12-05 | 北京京东乾石科技有限公司 | 评估信息确定方法、装置、介质与电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009225A (zh) * | 2019-04-03 | 2019-07-12 | 平安科技（深圳）有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
| CN110097450A (zh) * | 2019-03-26 | 2019-08-06 | 中国人民财产保险股份有限公司 | 车贷风险评估方法、装置、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090112649A1 (en) * | 2007-10-30 | 2009-04-30 | Intuit Inc. | Method and system for assessing financial risk associated with a business entity |
| US20150324715A1 (en) * | 2014-05-12 | 2015-11-12 | Jerald Scott Nelson | Logistics settlement risk scoring system |
-
2020
- 2020-05-28 CN CN202010469001.6A patent/CN113743692B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097450A (zh) * | 2019-03-26 | 2019-08-06 | 中国人民财产保险股份有限公司 | 车贷风险评估方法、装置、设备和存储介质 |
| CN110009225A (zh) * | 2019-04-03 | 2019-07-12 | 平安科技（深圳）有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743692A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
| CN107885796B (zh) | 信息推荐方法及装置、设备 | |
| CN111552870A (zh) | 对象推荐方法、电子装置及存储介质 | |
| CN107918618B (zh) | 数据处理方法及装置 | |
| CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
| CN110674131A (zh) | 财务报表数据处理方法、装置、计算机设备和存储介质 | |
| CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
| CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
| CN114461869B (zh) | 业务特征数据处理方法、装置、电子设备及存储介质 | |
| CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
| CN113743692B (zh) | 业务风险评估方法、装置、计算机设备和存储介质 | |
| CN113780673A (zh) | 离职预测模型的训练方法、装置及离职预测方法、装置 | |
| CN111931069A (zh) | 用户兴趣确定方法、装置及计算机设备 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
| CN113535815A (zh) | 适于电子商务的业务操作行为大数据挖掘方法及系统 | |
| JP2017200079A (ja) | 情報端末からインターネットを通じて申告された利用者の電話番号を取得して利用者の不信指標を出力するコンピューティング | |
| CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 | |
| CN113672497A (zh) | 无埋点事件的生成方法、装置、设备及存储介质 | |
| CN112650864A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN111460268A (zh) | 数据库查询请求的确定方法、装置和计算机设备 | |
| CN116049508A (zh) | 测试要素信息生成方法、装置、设备及存储介质 | |
| CN116629639B (zh) | 评估信息确定方法、装置、介质与电子设备 | |
| CN114266550A (zh) | 数据分析方法、装置、计算机设备和存储介质 | |
| CN117094292A (zh) | 表单文件的处理方法、装置、设备、存储介质及程序产品 |
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 |