CN114127753B - 用于对等实体的标识的系统和方法 - Google Patents
用于对等实体的标识的系统和方法 Download PDFInfo
- Publication number
- CN114127753B CN114127753B CN202080028893.4A CN202080028893A CN114127753B CN 114127753 B CN114127753 B CN 114127753B CN 202080028893 A CN202080028893 A CN 202080028893A CN 114127753 B CN114127753 B CN 114127753B
- Authority
- CN
- China
- Prior art keywords
- peer
- entity
- features
- model
- entities
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- 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)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer And Data Communications (AREA)
Abstract
在说明性实施例中,用于在交易平台内自动标识主体组织的对等组织的系统和方法通过以下步骤来标识主体组织的对等组织:访问主体组织的特性特征和交易特征,将特征的一部分提供给相似度分析模型,并通过执行模型获得预测的对等组织。可以利用相应组织的一些对等体特征和用于选择相应对等体的控件,将预测的对等体呈现给以优先级顺序排列的用户。用户可以选择预测对等体的子集用于比较度量。
Description
相关申请
本申请要求2019年2月14日提交的题为“System and Methods forIdentification of Peer Entities”的美国临时专利申请序列号62/805,594号的优先权。本申请与旨在标识相关实体以进行基准测试(benchmarking)的以下在先专利申请相关:2017年12月21日提交的题为“Systems and Methods for Intelligent ProspectIdentification Using Online Resources and Neural Network Processing toClassify Organizations Based on Published Materials”的美国专利申请序列号15/850,047(现公开为US2018/0181625)、和2016年10月5日提交的题为“DashboardInterface,Platform,and Environment for Supporting Complex Transactions andDeriving Insights Therefrom”的美国专利申请序列号15/286,405(现公开为US2017/0024827)。所有上述标识的申请通过引用整体并入本文。
技术领域
背景技术
交易环境中的对等体基准测试依赖于对与主体组织相似的实体的标识。从历史上看,已经使用各种技术标识对等组织。在第一示例中,对等度量可以对应于系统或平台内的最佳表现者(top performer)的选择。在一些示例中,可以基于特定于用户标识或访问的度量的溢价份额、市场份额或绩效来确定性能。然而,这种方法可能会导致将大型、定位良好的实体与较小、较新和/或地理上不同的实体进行不同类比较(apples to orangescomparison)。在另一示例中,组织可以通过多个因素(例如,行业、地区、规模等)进行分类,并且可以基于因素相似度来选择对等体。然而,通常组织可能会被分类为多个行业、多个区域,或者无法根据一个或多个因素进行二元分类。此外,在某些系统中,分类中可能存在错误,导致实体与(多个)其真实对等体之间的相关性缺失。在进一步的示例中,用户可以按名称提供多个竞争者以用于呈现对等体比较数据。用户可能需要提供阈值数,进一步举例,以避免订阅者将竞争者度量标识为属于特定竞争者的能力。在这种情况下,用户可以例如,基于对该组织的对等体在市场上的有限认知,来任意选择认知的名称,完全不同于与请求组织真正相似的实体。
在上述每个示例中,如所解释的,与组织最相关的对等体可能被忽略。因此,发明人确定需要一种改进的方法和系统,用于基于对组织之间跨广泛因素的共性的分析,来发现最相关的对等组织并应用到请求实体。
发明内容
在一个方面,一种用于发现最相关的对等组织并将其应用于请求实体的自动化方法和系统包括:访问标识和描述平台的成员组织的数据,使用与数据相关的多个特征来表征请求实体,并将一个或多个模型应用于数据以标识请求实体的对等组织。在一些示例中,特征可以包括行业、地区和/或(多个)产品分类。此外,就保险业而言,特征可以包括风险和程序结构。这些模型使用相似度建模来找到最近的邻居或最近的对等体。机器学习驱动的反馈建模可用于为平台的每个成员组织和每个潜在对等组织创建特征向量。
在一些实现方式中,改进的方法和系统通过将对等相似度分解为多个离散模型使对等候选者多样化,而使请求实体受益。在一些示例中,模型可以包括产品相似度模型、组织结构相似度模型、绩效(performance)相似度模型和/或行业相似度模型。该方法和系统的结果可以包括从每个模型中选择的多个候选对等体。
在一些实现方式中,请求者可以表达对一个或多个模型的偏好。例如,用户可以对诸如产品或程序结构之类的特定特征的重要性进行标识或排序。在一个示例中,可以基于用户对重要特征的标识来对通过每个模型推荐的部分对等体进行加权。在另一示例中,可以在结果列表中提升通过与用户的优先特征对准的模型推荐的对等体。在特定示例中,如果用户有兴趣利用分层策略标识对等体,则可以在结果内对通过程序结构相似度模型标识的对等体进行优先级排序。
说明性实现方式的前述一般描述及其以下详细描述仅仅是本公开的教导的示例性方面而不是限制性的。
附图说明
包含在说明书中并构成说明书一部分的附图示出了一个或多个实施例,并且与描述一起解释这些实施例。附图不一定按比例绘制。随附图表中说明的任何值维度仅用于说明目的,可能代表也可能不代表实际或优选值或维度。在适用的情况下,一些或所有特征可能不会被说明以帮助描述底层特征。图中:
图1A和图1B是用于使用数据相关性和学习算法的对等体发现的示例系统的系统流程图;
图2A是用于标识和提供在对等体比较度量中使用的对等体集合的示例方法的流程图;
图2B是用于选择通过将多个对等体发现算法应用于交易平台的平台数据记录而获得的最相关对等体的示例方法的流程图;
图3A是用于请求在比较度量中使用的对等体的标识的示例用户界面的屏幕截图;
图3B是用于与通过将一个或多个对等体发现算法应用于系统数据记录而标识的一组对等交互的示例用户界面的屏幕截图;
图4是用于开发和改进使用平台数据记录来标识交易平台内的对等体的对等体发现算法的示例系统的系统流程图;
图5是用于管理涉及保险产品的提供者、订阅者和经纪人的交易的示例环境的框图;
图6是示例计算设备的框图;和
图7是示例联网环境的框图。
具体实施方式
下面结合附图阐述的描述旨在是对所公开主题的各种说明性实施例的描述。结合每个说明性实施例描述具体特征和功能;然而,对于本领域技术人员显而易见的是,可以在没有那些特定特征和功能中的每一个的情况下实践所公开的实施例。
在整个说明书中对“一个实施例”或“实施例”的引用意味着结合实施例描述的特定特征、结构或特性被包括在所公开的主题的至少一个实施例中。因此,在整个说明书的不同地方出现的短语“在一个实施例中”或“在实施例中”不一定指代相同的实施例。此外,特定特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。此外,所公开主题的实施例旨在涵盖其修改和变化。
图1A和1B是使用数据相关性和学习算法在交易平台中进行对等体发现的示例系统流程100的系统流程图。使用系统100的请求者可能希望进行绩效度量与附加对等组织的度量的比较。虽然请求者可能将某些实体识别为竞争者,但组织通常对适用于绩效比较的类似组织的了解并不完整。当组织刚刚开始从事新的业务线、扩展到新的地理区域和/或提供新的产品类型时,尤其如此。此外,虽然组织可能专注于少数主要竞争者,但出于隐私原因,可能需要组合大量对等体来生成度量,无法对这些度量进行逆向工程来获得有关特定组织的详细信息。因此,系统流程100使用被设计成将请求者(或请求者的客户端)的特性和/或度量106与交易平台内的其他组织相匹配的多个模型或分类算法,来实现对等体发现。此外,系统流程100以手动方法无法实现的规模使得对等组织的标识和呈现自动化。
在一些实现方式中,系统流程100开始于接收对于对等体比较度量的用户请求102。在说明性示例中,该请求可以由保险经纪人接收以用于准备目标客户端的各种对等体的产品覆盖范围的比较。请求以最简单的形式标识客户端组织。该组织可以是交易平台的成员。在这种情况下,系统流程100可以获得客户端特性和/或度量106以用于从内部记录标识对等组织。相反,如果客户端不是交易平台的成员(例如,潜在客户端),则可以提示用户输入关于客户端组织的信息。在一些示例中,客户端特性和/或度量106包括与业务相关的信息(例如,行业、规模、地区等)和/或与交易相关的信息(例如,平台内的绩效、产品、风险值等)。在一些示例中,客户端特性和/或度量106可以包括客户端名称、(多个)地理位置、(多个)产品标识符、收入数据、规模数据(例如,员工数量)和/或(多个)行业,以填充客户端特性和/或度量106。在一些实施例中,客户端特性和/或度量106的一部分可以通过外部数据源自动获得,例如在一些示例中,彭博(Bloomberg)、D&B胡佛家族(Hoovers)、S&P全球(Global)、或纳斯达克。在一些实现方式中,可以请求用户确认客户端特性和/或度量106。
在一些实施例中,向请求者呈现标识至少一部分客户端特性和/或度量106的相对重要性的机会。例如,可以向请求者呈现用户界面控件以图形化地标识相对权重而应用于业务相关模型对比交易相关模型。在一些示例中,如果请求者不指示客户端特性和/或度量的相对权重106,则系统可以基于指示客户端先前应用的权重和/或来自与请求者共享一个或多个特性的组织的平均权重的历史信息,而应用一组默认权重。在其他示例中,默认权重可以彼此相等。
在一些实现方式中,客户端特性和/或度量106被提供给模型评估引擎104以标识适用模型并提供适合于执行这些模型的数据集108。模型评估引擎104可以访问存储在数据储存库中的模型输入112a,以确定适合于每个模型的特性和/或度量。在一些示例中,模型评估引擎104确定在客户端特性和/或度量106中是否已经提供了所标识的特性和/或度量。在一个示例中,模型评估引擎104可以标识适合于由用户提交的请求的模型子集。进一步举例说明,并非所有模型都适用,具体取决于用户请求中标识的特定地理区域、产品或行业。在另一示例中,模型评估引擎104可以标识适合于可用客户端特性和/或度量106的模型子集(例如,具有在客户端特性和/或度量106中提供的足够特性和/或度量输入的模型,以适当地将客户端与对等组织相匹配)。
此外,在一些实施例中,模型评估引擎104在使其可用于由模型执行之前,验证所提交的特性和/或度量的完整性和/或一致性。例如,某些数据可能不存在或丢失,或者提供的值可能超出数据类型的指定边界。例如,对于平台的新成员,一些与交易相关的数据可能缺失或不足以推导出一些与交易相关的度量。
在一些实施例中,模型评估引擎104要求请求者提供关于一个或多个丢失或无效的客户端特性和/或度量的信息。在另一示例中,如果请求者提交的客户端代表各种行业和业务线,则可能会提示请求者将对于对等体的请求缩小到请求者整体业务的某个子集(如果需要)。在其他实施例中,基于缺乏可信和/或足够的数据,而自动过滤掉模型。
对于由模型评估引擎104选择的每个模型,在一些实现方式中,将单独的一组客户端数据108提供给模型执行引擎110用于执行该模型。在一些实现方式中,客户端数据108的集合可以根据相应模型使用的数据类型进行分组。例如,模型评估引擎104可以提供包含用于由执行交易模型的第一模型执行引擎110a执行的基于交易的度量的第一客户端数据集108a、以及包含用于由执行交易相似度模型的第二模型执行引擎110b执行的业务相关特性的第二客户端数据集108b。
在一些实施例中,(多个)模型执行引擎110使用模型数据112b和对等体特性和/或度量114来执行模型。在一些实施例中,由第一模型执行引擎110a执行的第一模型基于k-最近邻(KNN)聚类。对于KNN模型,训练数据集112b用于基于模型知道的信息(例如,与交易平台内的对等组织相关的已知对等体特性和/或度量114)产生结果。在一些实现方式中,由第二模型执行引擎110b执行的第二模型是业务线相似度(BLS)模型,该模型被设计为标识在一个或多个相似行业中共享(多个)相似产品的对等体(例如,基于代表业务线数据的对等体特性和/或度量114)。在一些示例中,对BLS模型有贡献的特性和/或度量114可以包括全球产业、全球产品、风险变量和价值。在一些实现方式中,第三模型执行引擎110c执行程序结构相似度(PSS)模型。在一些示例中,对PSS模型有贡献的特性和/或度量114包括一种或多种贸易类型,例如基本共同保险计划或分层计划。
在一些实现方式中,(多个)模型执行引擎110为每个执行的模型提供一组单独的对等体结果116。多个模型的对等体结果116在标识的对等体中可能几乎没有重叠。例如,与BLS模型不同,PSS模型可能会呈现与客户端行业无关的行业中的对等体。此外,程序结构可以指示组织的相对规模,从而PSS模型更有可能标识客户端的类似规模的对等体。因此,多个模型的应用可以向请求者提供对等体候选者的更大多样性。通过应用其中相应模型的对等体特性和/或度量114与请求者的客户端特性和/或度量106对齐的这样的模型,系统对人类评估者可能不直观的用于对等体标识的特定模型的战略标识进一步改进了系统处理效率。
在一些实现方式中,每组对等体结果116包括对等体的列表和每个标识的对等体的置信度评级。例如,置信度评级可以提供客户端和所标识的对等体之间的相对匹配强度。在一些实施例中,对等体的列表包括用于标识交易平台内的每个对等组织的密钥,从而可以在稍后访问与对等体相关的度量。在其他实现方式中,对等体结果116包括用于对等体基准测试的特性和/或度量114。在一些实现中,对等体结果116被存储在临时存储区域118中以供以后应用。
参考图1B,在一些实现方式中,对等体结果116由加权和排序引擎120访问,以组合成单个结果集用于呈现给用户。例如,加权和排序引擎120可以根据置信度评级从对等体结果116的每一个集合中选择前X个基准。在一个示例中,加权和排序引擎120可以从两个模型的结果(例如,对等体结果集116a和对等体结果集116b)中选择总共50个对等体。
如果请求者提交了优先级,在一些实现方式中,加权和排序引擎120在对每个模型116的结果进行加权时访问优先级122。如上所述,例如,请求者可能已经以图形方式标识了相对权重,以应用于业务相关模型对比交易相关模型。此时,与对请求者不太重要的模型相比,加权和排序引擎120可以从优选模型中选择更多数量的结果。例如,如果业务相关模型被认为比交易模型重要两倍,则总结果的三分之二可以从业务相关模型结果集116a中导出,并且总结果的三分之一可以从交易相关模型结果集116b中导出。
在一些实现方式中,加权和排序引擎120考虑由请求者做出的历史选择122。例如,在客户端是交易平台的历史成员的情况下,加权和排序引擎120可以提升先前由请求者标识为客户端的对等体的对等体结果集116内的组织。相反,加权和排序引擎120可以提升对等体结果集116内的组织,其中请求者(或另一用户)先前将客户端标识为那些组织的对等体。例如,交易平台可以维护对等体的历史配对,以帮助请求者在未来标识对等体。
在一些实现方式中,在选择每个对等体结果集116的结果子集之后,加权和排序引擎120对结果进行排序。例如,置信度评级可用于对组合的对等体结果内的对等体进行排序。此外,在两个或更多结果集116内发生相同对等体的重叠的情况下,多重标识的对等体可以被提升为用于匹配客户端的强候选者。加权和排序引擎120可以产生对等体结果122的组合列表。
在一些实现方式中,图形用户界面(GUI)引擎124访问组合的对等体结果122以在远程请求者显示装置126处显示给请求者。GUI引擎124例如可以访问对等体特性和/或度量114,在它们未包括在组合对等体结果122中的范围内,用于呈现给请求者。GUI引擎124可以生成对等体结果的用户交互式显示,以供请求者选择对等体的最终集合。在说明性示例中,组合对等体结果122可以包括30到100个潜在对等体,并且请求者可以通过选择组合对等体结果122中的至少五个,来缩小对等体结果的范围。GUI引擎124创建的GUI显示,例如,可能要求请求者选择最少数量的对等体,来获得去标识化的度量以在远程装置126处呈现。
在其他实现方式中,加权和排序引擎120可以选择组合对等体结果122的集合,用于由GUI引擎124自动生成对等体比较度量,而不是由请求者通过GUI引擎124获得最终对等体选择。例如,GUI引擎124可以基于初始请求102内标识的度量来产生图形用户界面,该图形用户界面将客户端的交易度量与对等体交易度量进行比较。
图2A是用于标识和提供在对等体比较度量中使用的对等体集合的示例方法200的流程图。例如,方法200可以由图1A和1B的系统流程100的元素来执行。
在一些实现方式中,方法200开始于接收与客户端组织进行对等体比较的请求(202)。例如,该请求可以由与交易平台通信的远程计算装置提交。例如,用户请求可以是图1A的用户请求102。
在一些实施例中,用户请求是通过对等体基准测试分析图形用户界面提交的,例如图3A的对等体基准测试分析屏幕截图300。转到图3A,请求者已进入客户端“网络安全组织”302。此外,请求者已选择了产品网络/电脑网络/隐私责任304。
参考图2A,在一些实现方式中,访问请求中标识的客户端的特性特征和/或交易特征(204)。例如,这些特征可以从成员身份记录和/或成员执行的交易的交易记录(例如,代表客户端随时间提交的交易的度量、客户端在交易平台内的活动的代表性交易数据等)导出。在一个示例中,特征可以包括图1A的客户端特性和/或度量106。转到图3A,特征和度量可以包括收入和销售数据306、员工数量308和/或风险类型310。
转到图2A,在一些实现方式中,确定第一对等体标识模型所需的客户端特征数据(206)。每个对等体标识模型,例如关于图1A的模型输入112a和模型数据112b讨论的模型,可能需要一组特定的输入数据,用于标识客户端组织的对等组织。有些模型本质上可能更多地与业务相关,而其他模型本质上更多地与交易相关。图1A的模型评估引擎104例如可以确定模型所需的客户端特征数据。客户端特征数据可以包括客户端组织的业务特性以及交易平台收集的交易度量。如果客户端是潜在客户端,则可能会要求用户输入业务特性和交易信息以用于标识适当的对等体。例如,转到图3A,预期(prospect)控件312在被选择时可以向请求者提供机会,以提供关于预期客户端的特性和度量。
转到图2A,在一些实现方式中,如果有足够的信息可用(208),则准备模型的特征集(210)。例如,模型所需的输入可以被收集并格式化为数据集108之一,用于提供给模型执行引擎110之一,如图1A所示。特征集可以从多个数据库收集,例如用户信息数据库和交易数据库。
在一些实现方式中,如果可用信息不足以向模型提供输入(208),或者在为模型准备特征集之后(210),确定是否存在附加模型(212)。如关于图1A所讨论的,可以分析多个模型以产生由请求者标识的客户端的潜在对等体。对于这些附加模型中的每一个,可以确定特定对等体标识模型需要哪些客户端特征数据元素(214),并且如果此类数据可用(208),则可以为此类模型准备附加特征集(210)。
在一些实现方式中,一旦已经考虑了所有模型并且准备了每个特征集(212),则执行已经为其准备了特征集的模型以标识对等实体(216)。图1A的(多个)模型执行引擎110例如可用于使用(多个)客户端数据集108和(如果适用)其他模型数据112b来执行模型。如关于图1A所描述的,模型可以包括BLS模型和PSS模型。(多个)模型的执行结果可以存储在临时存储区域中,例如图1A的存储区域118。
在一些实施例中,一个或多个模型的执行涉及使用模型的特征输入的k-最近邻(KNN)聚类算法。当使用KNN聚类算法时,请求者使用少量特征来描述客户端,并且这些特征被安排为其特征的向量。类似地,每个潜在的对等体客户端都可以被描述为使用相同特征值的向量。接下来,基于请求者客户端向量和每个潜在的对等体客户端向量,来选择对等组织。在确定距离时,KNN算法可以使用不同的距离度量和/或幅度度量。在特定示例中,余弦距离度量可用于标识请求者客户端和对等体客户端的业务线相似度特征之间的角距离,从而找到表现出与业务线特征相关的行为的相似度的对等体。在另一示例中,可以使用方差度量的幅度来比较请求者的客户端和对等体客户端的策略数据特征,以标识请求者的客户端和一个或多个对等体之间的密切相关的策略数据。在一些实施例中,潜在对等体向量是预先计算的(例如,在周期性基础上或当新数据被添加到与向量中使用的特征相关的交易平台时)。可以例如通过预先收集信息并从合格的数据记录源收集信息,来确保和维持数据的有效性和一致性。此外,预先计算向量信息可以加快计算结果时的处理速度。在其他实施例中,响应于对等组织的请求,实时计算潜在对等体向量。例如,实时计算可以基于最新的交易信息提供最准确的匹配,同时节省用于存储向量的存储空间。因此,独特地表征客户端及其对等体的这些特征向量允许系统更有效地运行,并提供向客户端提供的洞察力的改进精度,这是人工方法无法实现的。
在一些实施例中,对等体标识模型的执行涉及从来自外部数据源的公开可用信息导出由请求者提交的客户端组织的特性以标识对等实体。例如,可以通过彭博、D&B胡佛家族、S&P全球、或纳斯达克发布的信息,发现公司实体之间重叠的董事会成员。在另一示例中,该模型可以部署网络爬虫,来标识命名请求者提交的客户端的新闻文章,并标识在同一出版物中命名的组织。
在一些实施例中,通过每个模型获得的结果被过滤以标识最佳结果。在一个示例中,每个模型被编程为返回特定数量的结果,例如,在一些示例中,二十、三十、五十、七十五或一百条记录。在另一示例中,每个模型被编程为返回具有高于某个阈值的置信水平的所有结果,例如,在一些示例中,置信水平为百分之六十、七十、七十五、八十或超过百分之九十。置信阈值水平可基于所需的接近度近似而变化。例如,百分之六十可能等同于有些相似(例如,收集大量潜在的对等体,包括边缘情况),百分之八十可能等同于大体相似(例如,在大多数情况下有用),而百分之九十可能等同于非常相似(例如,在对等体匹配中提供更强的准确性,但相应地减少了候选池)。在特定示例中,给定模型可以被编程为返回至少最小结果阈值和高达X%或更高置信水平的最大结果阈值。
在一些实现方式中,如果两个或多个模型被执行(218),则模型的结果被组合以获得组合的搜索结果(220)。例如,如关于图1B所讨论的,结果集116可以从存储区域118访问,并且由加权和排序引擎120组合。在一个示例中,组合的结果可以被过滤以标识任何重复的结果。任何重复的结果都可以被优先考虑或给予更大的权重,例如,因为已经被多次标识。
如果请求者提交了关于结果的优先化信息,例如在基于商业特性的模型对比基于交易度量的模型之间应用的相对权重,则在一些实施例中,结果被组合以使用一个结果集的前X个结果,并且如关于图1B更详细地描述的,根据排序的另一结果集的前Y个结果。
在一些实施例中,在创建最终结果集时考虑请求者的历史选择。例如,如果请求者(或替代地,不同的请求者)先前代表所请求的客户端请求对等体比较,则在(多次)先前对等体比较期间做出的选择可以被添加到对等体结果列表和/或在对等体结果列表中提升(例如,可以增加任何此类对等组织的置信度评级)。
在一些实现方式中,组合结果按优先级排列(222)。例如,图1B的加权和排序引擎120可以根据与每个潜在对等体相关联的置信水平来排列组合结果。在两个或更多个对等体结果共享相同置信水平的情况下,在一些实施例中,结果按字母顺序排列。在其他实施例中,共享相同置信水平的对等体结果可以由其他标记优先排序,例如在一些示例中,每个结果是否通过优选模型类型(例如,商业模型对比度量模型)获得,任何结果是否由多个模型标识,和/或任何结果是否与请求者标识的客户端共享关键特性(例如,行业、地理区域、业务线等)。通过动态调整权重和/或应用于来自基于每个客户端的独特方面实时标识不同对等体的对等体结果,系统能够实时标识高度定制的对等体子集,由于模型采用的标识对等体的方法的人为偏见和缺乏直觉,人们无法手动标识这些子集。
在一些实现方式中,结果被返回给请求者(224)。例如,可以使结果可用于图形用户界面引擎,例如图1B的GUI引擎124,用于呈现给请求者。如图3B所示,例如,屏幕截图330呈现客户端302的特性和特征332。客户端302的特性包括地区(国家)332a、行业332c和标准行业分类(SIC)代码332d。客户端与平台的交易历史特征包括客户端的保险单生效的年份332b、风险值332e、保费值332f、限额值332g和免赔额值332h。此外,客户端特征可以包括数据质量(DQ)指示符332i,其代表所提供的关于客户端302的信息的完整性和/或估计的准确度。这些相同的特性和特征在返回给请求者检查的每个对等体334的对等体特性和特征336a到336i中成为镜像。
如图3B所示,在一些实现方式中,命令请求者选择最小数量338的对等体334(例如,五个),以准备基准测试度量。在进行检查和选择时,请求者可以根据任何特性和特征336对对等体334进行排序。默认情况下,对等体334可以按照与客户端302匹配的置信度顺序排列。
尽管被示为特定系列的步骤,但在其他实施例中,方法200中可包括更多或更少的步骤。例如,在确定所需的客户端特征数据之前,方法200可标识请求者优选的一种或多种类型的模型。例如,在一些实现方式中,可以向请求者提供针对交易模型对比商业信息模型提交偏好的能力。在另一示例中,在确定数据不充分时(例如,一个或多个特征的数据不存在或缺失),可以以某种方式近似或校正数据,以提供用于标识对等组织的充足信息。特别是在分层或塔式定价结构的情况下,竞争者可能具有相似但不匹配的结构(例如,某些层可能缺失,其他层可能不完全匹配)。用于解决不匹配层或塔定价结构的方法和系统在2017年12月22日提交的题为“Methods and Systems for Performing Pricing Comparisons ofComplex Layered or Tower Pricing Structures with Varying Pricing Components”的美国序列号15/852,260中进行了描述,其全部内容以引用方式并入本文。在另一示例中,在一些实现方式中,不是验证充足数据的可用性,而是对一个或多个模型进行编程以自动收集客户端特征数据(例如,访问一个或多个数据库以基于标识的客户端获得数据记录)。在这种情况下,模型的输出,包括对每个对等组织匹配准确性的置信度,可能表明模型获得的数据质量较差。
此外,在一些实施例中,方法200的一些步骤可以以不同的顺序或并行执行。例如,模型可以开始执行(216),同时正在评估附加模型以获得可用的客户端特征数据(214)以允许方法200的一部分的并行处理。在另一示例中,可以在过滤到最高结果之前,组合模型的结果。可以对方法200进行其他修改,同时保持其功能的精神和范围。
图2B是通过将多个对等体发现算法应用于交易平台的平台数据记录而获得的用于选择最相关对等体的示例方法230的流程图。例如,方法230可以至少部分地由图1B的加权和排序引擎120执行。在一些实施例中,方法230描述了图2A的方法200的组合两个或更多个模型的结果(220)和按优先级排列结果(222)的步骤的某些细节。
在一些实现方式中,方法230开始于从一个或多个对等体标识模型获得结果(232)。例如,结果可由图1A的(多个)模型执行引擎110获得。例如,可以如关于图2A的步骤216所描述的那样执行获得结果。
在一些实现方式中,如果在由两个或更多个模型生成的多个结果集中将同一实体标识为对等实体(234),则将重复的实体提升为对等体匹配(236)。在一些示例中,提升可以包括将(多个)重复实体添加到列表顶部作为(多个)最可能的候选者,将(多个)重复实体的置信度值增加阈值百分比(例如,10%、20%、50%等),或将(多个)重复实体的置信度值增加阈值(例如,10分、20分、50分等)。在确定(多个)重复实体时,在一些实施例中,系统基于实体关系分析标识的对等体的匹配。例如,同一实体可能包括多个子公司,以便两个已标识的对等体在同一公司结构下运作。例如,题为“Systems and Methods for IntelligentProspect Identification Using Online Resources and Neural Network Processingto Classify Organizations based on Published Materials”的美国专利公开号2018/0181625号描述了通过名称变体和公司层次结构解析实体关系的系统和方法,其全部内容以引用方式并入本文。
在一些实现方式中,每个集合中的结果根据匹配的可能性来进行优先级排序(238)。例如,使用与每个实体相关联的置信度值,可以根据匹配的可能性来组织每个结果列表中的对等体。图1B的加权和排序引擎120可以执行优先级排序。例如,对等体结果可以如图2A的相关步骤222中所描述的那样排列。
在一些实现方式中,如果请求者提供了加权偏好(240),则标识请求者权重以应用于结果集(242)。如关于图1B所讨论的,例如,请求者可能已经以图形方式标识了相对权重以应用于业务相关模型对比交易相关模型。例如,如果业务相关模型被认为比交易模型重要两倍,则总结果的三分之二可从业务相关模型结果集导出,并且总结果的三分之一可从交易相关模型结果集导出。在另一示例中,如果请求者或另一用户先前将一个或多个潜在对等体标识为客户端的对等体,则可在对等体结果内提升那些实体。
相反,如果没有提供加权偏好(240),则在一些实现方式中,使用相等的权重(244)。
在一些实现方式中,根据权重和匹配可能性从每个结果集选择对等体(246)。除非标识了请求者权重(242),否则从执行的每个模型的每个结果集中选择相同数量的结果。
在一些实现方式中,准备结果集以在图形用户界面中呈现给请求者(248)。例如,GUI引擎124可以准备在用户界面126处呈现的结果,如关于图1B所描述的。例如,图形用户界面可以类似于图3B的屏幕截图330。
在一些实现方式中,过滤器控件由请求者经由用户界面选择(250)。转到图3B,在一些实施例中,请求者可以通过特性和特征336中的一个或多个来过滤对等体334。例如,区域336a、年份336b、行业336c、风险值336e、保费值336f、限额值336g、免赔额值336h和DQ指示符336i中的每一个与相应的过滤器控件340相关联以指定值范围(例如,340d、340e、340f和340g)或选择特定特性和/或属性信息(例如,340a、340b、340c、340h)。在特定示例中,行业336c可能仅限于特定行业,例如行业332c(技术……),而保费值336可能会增加到更接近7.7亿的保费332f,例如“至少5亿”。
如果选择了过滤器控件,则在一些实现方式中,过滤器应用于结果集以获得更新的结果集(252)。例如,在过滤时,在一些实现方式中,方法230返回到模型238的执行结果,以根据请求者提供的过滤的特性和/或特征重新评估结果。此外,可以在将更新的结果返回给请求者(248)之前重新组合(246)结果。在一些示例中,由于使用在(多个)模型的执行中使用的定制数据结构(例如,客户端特征向量、对等体特征向量),方法230可以根据提供的过滤器输入提供对结果的实时调整。。
尽管被图示为特定系列的步骤,但是在其他实施例中,方法230中可以包括更多或更少的步骤。例如,在其他实施例中,过滤可以涉及过滤最初提供的结果(246)而不是返回到原始的结果完全集(238)。
此外,在一些实施例中,方法230的一些步骤可以不同的顺序或并行执行。例如,在其他实施例中,可以在从每个结果集中选择之后(例如,在组合步骤246期间)对结果进行优先级排序。可以对方法200进行其他修改,同时保持其功能的精神和范围。
图4是用于开发和改进使用平台数据记录来标识交易平台内的对等体的对等体发现算法的示例处理流400的系统流程图。处理流400可以帮助由图1A的(多个)模型执行引擎110执行的模型的模型验证。此外,处理流程400可以帮助标识与确定对等体最相关的特征和/或特性(例如,可以包括在新对等体标识模型中的特征和/或特性)。
在一些实现方式中,处理流400开始于接收请求者对所标识客户端的对等体的选择(402)。例如,这些选择可以通过图3B的图形用户界面屏幕截图330获得。例如,可以通过图1B的GUI引擎124获得选择。这些选择可以标识对等实体,以及在一些实施例中,标识通过其标识对等实体的模型。此外,这些选择中的每一个可以标识归因于特定对等实体的置信度值。在一些实施例中,选择可以另外包括用户与图形用户界面的交互,诸如通过与过滤器的交互而应用于初始结果的选定过滤器和/或特定范围或类别。
在一些实现方式中,所选择的对等体被提供给一个或多个模型验证引擎404,用于验证由每个模型应用的置信度评级。例如,(多个)模型验证引擎404可以将模型的最高优先级的对等体建议与请求者的对等体选择进行比较。在一些实施例中,(多个)模型验证引擎404将请求者选择馈送到模型数据112以用于学习目的,从而改进算法以供将来使用。在一些实施例中,这些选择中的每一个与至少一个对等体标识模型相关。以这种方式,与特定模型相关联的模型验证引擎404可以应用通过该模型标识的那些对等体作为用于改进该模型的学习数据。
在一些实现方式中,模型验证引擎404创建一个或多个模型验证报告406。模型验证报告可以提供关于最高置信度对等体与请求者选择的对等体的重叠的度量。此外,如果请求者提交了未被(多个)模型标识的附加对等体,则模型验证报告406可以提供关于请求者标识建议对等体之外的对等体的倾向(propensity)的度量或其他信息。此外,模型验证报告可以包括关于用户在选择对等体的处理之前和/或期间应用于结果的通用过滤器的信息。
为了进一步细化对等体标识模型的功能,在一些实现方式中,一个或多个特征相关引擎408可以将请求者选择的特征和特性与客户端的特征和特性相关,以标识客户端和选定的对等体之间的相似度的图案或趋势。就这些特征和特性没有提供选择402而言,在一些实施例中,(多个)特征相关引擎408可以访问客户端和所选择的对等体两者的实体特性和/或度量,以交叉引用特性和特征的相似度。第一特征相关引擎408可以标识直接相关性,例如行业和地区,而第二相关引擎408可以标识间接相关型,例如特定范围内的度量。在一个示例中,该范围可以由请求者通过过滤器来选择,如关于图2B和3B所描述的。(多个)特征相关引擎408可以提供关于请求者选择412中证明的特征相关性的信息,以用于构建(多个)附加模型。由(多个)特征相关引擎408执行的功能进一步提供对技术问题的技术解决方案,因为它们能够检测客户端和对等体之间的相关性,这些相关性在系统实现的处理速率下是手动人工方法无法检测到的。
图5图示了用于标识保险交易系统502内的对等体关系的示例环境500的框图。环境500包括多个提供者(例如,客户端)504,例如保险供应商,以及多个经纪人506,比如保险经纪人。如图所示,客户端504和经纪人506可以使用各种计算装置访问保险交易系统502。
在一些实现方式中,保险交易系统502包括容纳信息以供保险交易系统502的多个引擎516至538使用的数据仓库512。数据仓库512可以包括一个或多个非暂时性计算机可读介质,例如在环境500的一个或多个数据库资源或其他数据仓库中。
在一些实现方式中,保险交易系统502包括用于管理客户端信息的客户端管理引擎516。例如,客户端管理引擎516可以收集关于保险交易系统502的客户端(例如,已经通过一个或多个经纪人506购买产品的客户端)的特性并对其评分。此外,在一些实现方式中,客户端管理引擎516可以获得并存储关于客户端516的度量,例如理赔度量或与经纪人506和/或提供者504的关系度量。例如,度量可以由一个或多个度量生成引擎536计算。在一些示例中,度量可以包括每个客户端购买的产品(例如,由产品数据540和/或计划数据546标识),包括分层或分级产品的风险、保费、限额和免赔额。度量还可以包括通过通过保险交易系统502提交的保险理赔得出的度量(例如,通过一个或多个交易处理引擎534接收的)。例如,客户端管理引擎516可以管理存储在数据仓库512中的订户数据542。
在一些实现方式中,保险交易系统502包括经纪人管理引擎518,用于代表经纪人506管理经纪人信息,例如数据仓库512的经纪人数据550和对等体选择数据560。经纪人数据506例如可以包括关于经纪人506的特性和登录信息。对等体选择数据560可以包括每个经纪人506在向特定客户端(例如,经由订户数据542标识的订户)标识对等体企业时做出的选择的审计历史。例如,在经由图3B的用户界面330从经纪人506获得用户输入时,可以由GUI引擎532收集对等体选择数据560。
在一些实现方式中,保险交易系统502包括一个或多个模型评估引擎520,用于评估关于客户端的已知信息并将该信息与一个或多个合适的模型匹配以用于对等体标识。(多个)模型评估引擎520可以标识客户端特性的可用性,例如通过订户数据542和/或GUI引擎532获得(例如,由经纪人506之一提交的与对等体分析请求相关的),匹配一个或多个模型执行引擎522所需的数据仓库512的模型输入数据554。此外,(多个)模型评估引擎520可以标识客户端度量的可用性,例如通过数据仓库512和/或以其他方式由(多个)度量生成引擎生成,匹配一个或多个模型执行引擎522所需的模型输入数据554。在一些实施例中,(多个)模型评估引擎520和(多个)模型执行引擎522之间存在一对一匹配,使得给定模型评估引擎520作为启动对应模型执行引擎522以标识所标识客户端的对等体的前驱而执行。例如,(多个)模型评估引擎520可以执行图1A的处理100的一部分(例如,与模型评估引擎104有关)和/或图2A的方法200。一个或多个模型评估引擎520的输出可以包括一个或多个客户端数据集,包含用作(多个)模型执行引擎522的输入数据的客户端特性和/或度量。例如,由(多个)模型评估引擎520输出的一个或多个客户端数据集564可以被存储在计算机可读介质562中以供保险交易系统502的其他引擎(例如(多个)模型执行引擎522)访问。在一些示例中,对于每个请求者,模型评估引擎520对于每个模型生成客户端数据集,其中每个数据集都针对各自的模型进行了定制,并且包括与特定模型唯一关联的特征。
在一些实现方式中,保险交易系统502包括一个或多个模型执行引擎522,用于执行关于客户端的对等体分析。(多个)模型执行引擎522可以被设计成基于通过订户数据542和/或GUI引擎532获得的特性来标识客户端企业的对等体企业。此外,(多个)模型执行引擎522可以被设计成基于与订户相关的交易度量556,标识客户端企业的对等体企业。(多个)模型执行引擎522重的每一个可以接受例如由(多个)模型评估引擎520标识的某些模型输入(例如,订户特性和/或度量)。(多个)模型执行引擎522可以应用模型数据548(例如,训练数据)用于开发一个或多个模型以基于特性和/或度量准确地标识订户的对等体。例如,(多个)模型执行引擎522可以执行图1A的处理100(例如,(多个)模型执行引擎110的处理)和/或图2A的方法200的至少一部分。每个模型可以向计算机可读介质562提供一组对等体结果566以供保险交易系统502的其他引擎(例如加权和排序引擎524)访问。
在一些实现方式中,加权和排序引擎524从(多个)模型执行引擎522获得标识的对等体,如果使用了两个或更多个模型,则组合来自多个模型执行引擎522的输出,并且将结果按照优先级顺序排列。在确定结果的优先级时,在一些实施例中,加权和排序引擎524访问数据仓库512的对等体选择数据560以标识主体客户端的先前标识的对等体的档案是否可用。例如,加权和排序引擎524可以提升先前标识为客户端的对等体的组织。例如,加权和排序引擎524可以执行图1B的处理100的至少一部分(例如,与加权和排序引擎120有关)。例如,加权和排序引擎524可以执行图2B的方法230的至少一部分。在一些实施例中,由加权和排序引擎524创建的组合对等体结果568被放置在计算机可读介质562中以供保险交易系统的其他引擎(例如图形用户界面(GUI)引擎532)访问。
在一些实现方式中,GUI引擎532从经纪人506之一接收对所标识客户端的对等体比较度量的请求,并且以呈现对等体结果用于经纪人检查来响应。在对等体的集合的选择完全自动化的其他实现方式中,GUI引擎532以比较度量的呈现来响应经纪人对对等体度量的请求。可以经由先前由GUI引擎532经由网络提供给经纪人506的用户界面,来放置对等体度量的请求。经纪人506的至少一部分可以通过诸如网络浏览器的网络界面与保险交易系统502通信,使得通过浏览器界面提供请求。经纪人506的至少一部分例如使用由保险交易系统提供的软件封装,经由网络门户与保险交易系统502对接,使得通过门户连接向保险交易系统502提供请求。
如果所标识的客户端已经通过保险交易系统502购买了一种或多种产品540,则订户数据542可以包含客户端的特性。否则,在客户端是经纪人506标识的预期客户端的情况下,经纪人506可以通过GUI引擎532提供的用户界面(例如,图3的用户界面300,通过选择预期控件312)输入关于客户端的信息。在进一步的实施例中,查询引擎(未示出)可以从一个或多个公司统计数据库(例如,本地收集的、或通过对托管此类信息的网站的网络查询联机访问)访问预期的客户端信息。在一些示例中,特性包括规模(例如员工人数)、财务状况(例如市场份额、总营业利润(GOP)、销售量等)、地区(例如国家、省、州、市等)、行业、和/或成熟度(例如,自成立以来的年数)。
在一些实施例中,GUI引擎532向模型评估引擎520提供请求信息,以启动保险交易系统502的内部对等体标识处理。如果由经纪人506通过GUI引擎532提交,则GUI引擎532还可以提供至少一部分客户端特性。
在对等体结果被呈现以供经纪人检查的实现方式中,GUI引擎532可以接收例如由加权和排序引擎524生成的组合对等体结果568。GUI引擎532可以准备列出组合对等体结果568的用户界面用于呈现给经纪人506(例如,通过如上所述的网络浏览器或门户)。例如,用户界面可以是图3B的用户界面330。GUI引擎532提供的用户界面可以标识每个对等体连同多个对等体特性和/或度量。此外,用户界面可以允许经纪人506基于特性和/或度量中的每一个来分类和/或过滤信息。默认情况下,在说明性示例中,可以按照加权和排序引擎524标识的优先级顺序呈现对等体。
在一些实现方式中,GUI引擎532还接收所标识的对等体的一部分的经纪人选择。例如,可以将经纪人选择添加到对等体选择数据560以供以后使用。在一些实施例中,经纪人选择连同每个对等组织的当前特性和/或度量的至少一部分一起被存储。例如,可以基于可能随时间改变的特性和/或度量来标识对等体,使得对等体在未来可能不太相关。因此,对等体选择数据560可以被链接以呈现特性和/或度量,使得一个或多个模型验证引擎404可以分析信息以标识似乎导致选择的特性和/或度量的趋势。
在一些实现方式中,GUI引擎532向一个或多个度量生成引擎536提供经纪人选择的对等体。例如,使用选择的对等体,(多个)度量生成引擎536可以辨别关于对等体的聚合度量。例如,对于多个度量数据值中的每一个,可以通过将单独的度量组合成代表性的“对等体度量”,对经纪人506选择的对等体的集合进行去标识。可以通过由GUI引擎532生成的后续用户界面呈现,将聚合度量呈现给用户。
在一些实现方式中,(多个)模型验证引擎530分析由经纪人506做出的对等体选择,以验证每个模型的对等体结果集合内的对等体的排序和/或评级(例如,由模型执行引擎522应用)。每个模型验证引擎530可以对应于特定模型执行引擎522。如上所述,对等体选择可以存储为对等体选择数据560以供以后验证。在一些实施例中,(多个)模型验证引擎530在累积的对等体选择数据560上周期性地执行,以衡量每个模型在标识适当对等组织方面的有效性。例如,(多个)模型验证引擎可以按照调度的基础执行(例如,每周、每月等)、按照数量的基础执行(例如,在已经收集了X个对等体选择数据的记录之后或在经纪人506为对等体标识发出Y个请求之后)。(多个)模型验证引擎530可以确定一个或多个度量以比较对等体预测与用户做出的对等体选择,包括在预测对等体内没有提出的用户输入的对等体。例如,可以分析为每个选定的对等体预测的百分比匹配,以确认(多个)预测算法的相关性。在一些示例中,度量可以包括从预期匹配到实际匹配结果的平均或中均偏差、在呈现的对等体结果的阈值百分位数中的对等体结果的百分比选择(例如,前10%、前四分之一等)、和/或从匹配置信度的一组百分比层中的每一个中选择对等体结果的普遍性。(多个)模型验证引擎530可以执行图4的处理400的一个或多个操作,例如(多个)模型验证引擎404的操作。例如,(多个)模型验证引擎530生成的度量可以作为对等体选择度量570存储在计算机可读介质562中以与保险交易系统502的其他引擎共享,例如报告生成引擎538。
在一些实施例中,其中对等体选择数据560包括在呈现给经纪人506的对等体结果中未标识的企业的一个或多个对等体添加,(多个)模型验证引擎530可以在通过应用一个或多个模型所提供的推荐之外,标识对等体选择的添加的共性。例如,除了从推荐的对等体中进行选择之外,GUI引擎532还可以包括用于输入新的对等体的输入字段。
在向经纪人506提供在可用模型之间进行选择和/或加权或以其他方式提升通过特定模型或模型类型获得的结果的机会的一些实施例中,(多个)模型验证引擎530可以计算表达用于从提升的模型/模型类型中选择对等体对比从降级的模型/模型类型中选择对等体的倾向的度量。例如,对等体选择数据560,除了包含应用于各种模型的对等体标识和权重之外,还可以包括对模型或模型类型是否被降级(或同时取消选择的另一模型等)的指示。在说明性示例中,(多个)模型验证引擎530可以计算根据从提升的(优先级或权重)模型或模型类型获得的结果做出的选择的百分比、和根据从降级的(优先级或权重)模型或模型类型获得的结果做出的选择的百分比。
在一些实施例中,(多个)模型验证引擎530生成附加训练数据(例如,从对等题选择数据560导出)用于训练(多个)模型执行引擎522。例如,(多个)模型验证引擎530可以向模型数据548提供训练数据。
在一些实现方式中,报告生成引擎538生成一个或多个报告,呈现由(多个)模型验证引擎530生成的度量。例如,报告生成引擎538可以将对等体选择度量570组合成表格、图表和其他比较图示,以展示基于对等体选择数据560的各种模型执行引擎的性能。在一些实施例中,报告生成引擎538将对等选择度量570与例如由(多个)度量生成引擎536生成的附加度量组合。在一些示例中,附加度量可以包括(多个)模型执行引擎522使用的各种模型的模型选择的频率数据、(多个)模型执行引擎522使用的各种模型的模型加权的频率数据、和/或在组合对等体结果568内未标识的对等组织的经纪人506的对等体进入的频率数据。
在一些实现方式中,保险交易系统502的特征相关引擎528分析对等体选择数据560以标识在对等体选择数据560中证明的特征相关性(例如,对等体特性和/或度量)。例如,特征相关引擎528可以根据附加特征数据(例如,在对等体选择数据560内标识的组织的特性和/或度量)统计分析选择。例如,特征数据可以从订户数据542和/或交易数据552(例如,作为证明订户购买在产品数据540或计划数据546内标识的产品和/或计划)导出。在一些实施例中,可以部分地通过访问来自外部源的附加特性和/或度量来导出特征数据。例如,特征相关引擎528可以分析关于在来自诸如商业信息网站或数据库之类的公共源的对等体选择数据560内标识的组织的至少一部分的特性和/或度量。在一些实施例中,特征相关引擎528提出用于定义一个或多个新模型的一个或多个新的特性和/或度量分组,以作为模型执行引擎522添加到保险交易系统502。
接下来,参照图6描述根据示例性实施例的计算装置、移动计算装置或服务器的硬件描述。例如,计算装置可以代表图5的保险交易系统502的提供者504、经纪人506和/或计算系统。在图6中,计算装置、移动计算装置或服务器包括执行上述处理的CPU 600。处理数据和指令可以存储在存储器602中。在一些示例中,处理电路和存储的指令可以使计算装置能够执行图1A和1B的操作流程100、图2A的方法200、图2B的方法230、或图4的操作流程400。这些处理和指令也可以存储在存储介质盘604上,例如硬盘驱动器(HDD)或便携式存储介质,或可以远程存储。此外,要求保护的进步不受其上存储本发明处理的指令的计算机可读介质的形式的限制。例如,指令可以存储在CD、DVD、闪存、RAM、ROM、PROM、EPROM、EEPROM、硬盘、或计算装置、移动计算装置或服务器与之通信的任何其他信息处理装置上,例如服务器或计算机。在一些示例中,存储介质盘604可以存储图1A的存储器106、112a、112b、114和/或118、图4的存储器410、和/或图5的数据仓库512或计算机可读介质562的内容。
此外,所要求保护的进步的一部分可以被提供为与CPU 600和诸如MicrosoftWindows 10、UNIX、Solaris、LINUX、Apple MAC-OS和本领域技术人员已知的其他系统之类的操作系统一起执行的实用应用程序、后台守护程序或操作系统的组件、或其组合。
CPU 600可以是来自美国英特尔的Xenon或Core处理器、或者来自美国AMD的Opteron处理器,或者可以是本领域普通技术人员能够识别的其他处理器类型。或者,CPU600可以在FPGA、ASIC、PLD上或使用分立逻辑电路来实现,如本领域普通技术人员将认识到的。此外,CPU 600可以被实现为多个处理器并行地协同工作以执行上述本发明处理的指令。
图6中的计算装置、移动计算装置或服务器还包括网络控制器606,例如来自美国英特尔公司的英特尔以太网PRO网络接口卡,用于与网络628对接。可以理解,网络628可以是公共网络,例如因特网,或私有网络,例如LAN或WAN网络,或其任意组合,并且还可以包括PSTN或ISDN子网。网络628也可以是有线的,例如以太网,或者可以是无线的,例如包括EDGE、3G、4G和5G无线蜂窝系统的蜂窝网络。无线网络还可以是Wi-Fi、蓝牙或任何其他已知的无线通信形式。例如,网络628可以支持保险交易系统502与图5的任何提供者504和/或经纪人506之间的通信。
计算装置、移动计算装置或服务器还包括显示控制器608,例如来自美国的NVIDIA公司的NVIDIA GeForce GTX或Quadro图形适配器,用于与诸如惠普HPL2445w LCD监视器的显示器610对接。通用I/O接口612与显示器610上的或与显示器610分离的键盘和/或鼠标614以及触摸屏面板616对接。通用I/O接口还连接到各种外围装置618,包括打印机和扫描仪,例如惠普的OfficeJet或DeskJet。在一些示例中,显示控制器608和显示器610可以实现图3A和3B中所示的用户界面的呈现。
在计算装置、移动计算装置或服务器中还提供声音控制器620,例如来自创新的Sound Blaster X-Fi Titanium,以与扬声器/麦克风622对接从而提供声音和/或音乐。
通用存储控制器624将存储介质盘604与通信总线626连接,通信总线626可以是ISA、EISA、VESA、PCI或类似物,用于互连计算装置、移动计算装置、或服务器的所有组件。在此为简洁起见省略了对显示器610、键盘和/或鼠标614、以及显示器控制器608、存储控制器624、网络控制器606、声音控制器620和通用I/O接口612的一般特征和功能的描述,因为这些特征是已知的。
除非另外明确说明,否则可以利用一个或多个处理器来实现这里描述的各种功能和/或算法。此外,除非另外明确说明,否则本文描述的任何功能和/或算法可以在一个或多个虚拟处理器上执行,例如在一个或多个物理计算系统(例如计算机场或云驱动器)上执行。
已经参考了根据本公开的实现方式的方法、系统和计算机程序产品的流程图说明和框图。其方面由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以生产机器,使得经由计算机或其他可编程数据处理设备的处理器执行的指令创建用于实现流程图和/或框图块中指定的功能/动作的部件。
这些计算机程序指令还可以存储在计算机可读介质中,该介质可以指导计算机或其他可编程数据处理设备以特定方式运行,使得存储在计算机可读介质中的指令产生以下制品,包括实现流程图和/或方框图块中指定的功能/动作的指令部件。
计算机程序指令还可以被加载到计算机或其他可编程数据处理设备上,以促使在计算机或其他可编程设备上执行的一系列操作步骤产生计算机实现的处理,使得在计算机或其他可编程设备上执行的指令提供用于实现流程图和/或框图块中指定的功能/动作的处理。
此外,本公开不限于在此描述的特定电路元件,本公开也不限于这些元件的特定尺寸和分类。例如,本领域技术人员将理解,本文描述的电路可以基于电池尺寸和化学性质的变化或基于要供电的预期备用负载的要求而被适配。
这里描述的功能和特征还可以由系统的各种分布式组件来执行。例如,一个或多个处理器可以执行这些系统功能,其中处理器分布在网络中通信的多个组件上。分布式组件可以包括一个或多个客户端和服务器机器,它们可以共享处理,如图7所示,除了各种人机界面和通信装置(例如,显示器、智能手机、平板电脑、个人数字助理(PDA))。网络可以是私有网络,例如LAN或WAN,也可以是公共网络,例如因特网。系统的输入可以经由直接用户输入接收,并实时或作为批处理远程接收。此外,一些实现方式可以在与所描述的模块或硬件不同的模块或硬件上执行。因此,其他实现方式在可以要求保护的范围内。
在一些实现方式中,本文中描述的可以与云计算环境730对接,例如谷歌云平台TM,以执行上面详述的方法或算法的至少一部分。与这里描述的方法相关联的处理可以在计算处理器上执行,例如数据中心734的谷歌计算引擎。例如,数据中心734还可以包括应用处理器,例如谷歌应用引擎,其可以作用作与这里描述的系统的接口来接收数据并输出相应的信息。云计算环境730还可包括一个或多个数据库738或其他数据储存器,例如云储存器和查询数据库。在一些实现方式中,云储存数据库738,例如谷歌云储存器,可以存储由这里描述的系统提供的处理的和未处理的数据。例如,图1A的客户端特性和/或度量106、模型输入112a、模型数据112b、对等体特性和/或度量114、和/或对等体结果116可以在诸如数据库738之类的数据库结构中维护。类似地,图1B的(多个)请求者历史选择和/或优先级122和/或图4的实体特性和/或度量410可以在诸如数据库738之类的数据库结构中维持。此外,图5的保险交易系统502可以在诸如数据库738之类的数据库结构中维持任何产品数据540、订户数据542、提供商数据544、计划数据546、模型数据548、经纪人数据550、交易数据552、模型输入数据554、交易度量556、对等体相关数据558、对等体选择数据560、(多个)客户端数据集564、对等体结果566、组合对等体结果568、和对等体选择度量570。
本文描述的系统可以通过安全网关732与云计算环境730通信。在一些实现方式中,安全网关732包括数据库查询接口,例如谷歌BigQuery平台。例如,数据查询接口可以支持保险交易系统访问存储在提供者504和经纪人506以及数据仓库512和计算机可读介质562中的任一个上的数据。
云计算环境730可以包括用于资源管理的供应工具740。供应工具740可以连接到数据中心734的计算装置以促进数据中心734的计算资源的供应。供应工具740可以经由安全网关732或云控制器736接收对计算资源的请求。供应工具740可以促进到数据中心734的特定计算装置的连接。
网络702代表一个或多个网络,例如因特网,将云环境730连接到多个客户端装置,例如,在一些示例中,蜂窝电话710、平板计算机712、移动计算装置714以及桌面计算装置716。网络702还可以经由无线网络使用各种移动网络服务720进行通信,例如Wi-Fi、蓝牙、蜂窝网络,包括EDGE、3G、4G和5G无线蜂窝系统,或任何其他已知的无线通信形式。在一些示例中,无线网络服务720可以包括中央处理器722、服务器724和数据库726。在一些实施例中,网络702对于本地接口和与客户端装置相关联的网络不可知,以允许集成本地接口和被配置为执行这里描述的处理的网络。此外,诸如蜂窝电话710、平板计算机712和移动计算装置714之类的外部装置可以经由基站756、接入点754和/或卫星752与移动网络服务720通信。
必须注意,如在说明书和所附权利要求中使用的,单数形式“该”包括复数形式,除非上下文另有明确规定。也就是说,除非另有明确规定,否则本文所用的词语“该”等具有“一个或多个”的含义。此外,应当理解,此处可能使用的诸如“左”、“右”、“顶”、“底”、“前”、“后”、“侧”、“高度”、“长度”、“宽度”、“上”、“下”、“内”、“外”、“内部”、“外部”等仅用于描述参考点,并不一定将本公开的实施例限制为任何特定的朝向或配置。此外,诸如“第一”、“第二”、“第三”等的术语仅标识如本文所公开的多个部分、组件、步骤、操作、功能和/或参考点中的一个,并且同样地不一定将本公开的实施例限制为任何特定配置或朝向。
此外,术语“大致”、“大约”、“近似”、“微小变化”和类似术语通常是指某些实施例中包括在20%、10%或优选5%范围内的标识值、以及它们之间的任何值的范围。
结合一个实施例描述的所有功能旨在适用于下面描述的附加实施例,除非明确陈述或者特征或功能与附加实施例不兼容。例如,在结合一个实施例明确描述但未结合替代实施例明确提及给定特征或功能的情况下,应当理解,发明人意图可以结合替代实施例部署、利用或实施该特征或功能,除非该特征或功能与替代实施例不兼容。
虽然已经描述了某些实施例,但是这些实施例仅通过示例的方式呈现,并且不旨在限制本公开的范围。实际上,这里描述的新方法、设备和系统可以以多种其他形式实施;此外,在不脱离本公开的精神的情况下,可以对这里描述的方法、设备和系统的形式进行各种省略、替换和改变。所附权利要求及其等效物旨在涵盖落入本公开的范围和精神内的此类形式或修改。
Claims (20)
1.一种用于在交易平台内自动标识主体实体的对等实体的系统,该系统包括:
处理电路;和
其上存储有指令的非暂时性计算机可读介质,其中所述指令当由处理电路执行时促使所述处理电路:
经由网络从用户的远程计算装置接收对于与主体实体进行对等体比较的请求,
实时响应于接收所述请求,标识所述主体实体的多个对等实体,其中标识多个对等实体包括:
确定所述主体实体的多个特征,其中所述多个特征包括i)所述主体实体的一个或多个特性特征,包括行业或地区中的至少一个,以及ii)所述主体实体的一个或多个交易特征,
从所述主体实体的所述多个特征生成一个或多个实体数据集,每个实体数据集包括所述主体实体的所述一个或多个特性特征中的至少一部分和/或所述主体实体的所述一个或多个交易特征中的至少一部分,
其中所述一个或多个实体数据集的每一个被定制为用于训练一个或多个模型中的相应的模型的特征,其中所述一个或多个模型中的每个模型被训练为根据相应的实体数据集中的特征检测给定实体与多个其他实体之间的相似度,
对于所述一个或多个实体数据集中的每一个,
通过在使用所述相应的实体数据集的特征训练的一个或多个模型的对应模型上执行相应的实体数据集,根据所述相应的实体数据集的特征获得与所述主体实体共享一个或多个相似度的所述多个其他实体的多个候选实体,和
从所述多个候选实体中为所述一个或多个实体数据集的每个实体数据集选择多个对等实体,
准备用于在远程计算装置上呈现的图形用户界面,所述图形用户界面用于呈现所述多个对等实体的至少一部分,其中,对于所述多个对等实体的所述部分中的每个对等实体,连同i)所述图形用户界面内相应的对等体的多个对等体特征的至少一部分和ii)用于选择相应对等体以用于比较度量的控件一起,来代表相应的对等体,
经由所述图形用户界面接收从所述多个对等实体的所述部分的所述部分中选择的对等实体集的指示,以及
鉴于所述主体实体分析所述对等实体集,以确定所述多个特征中的在所述主体实体和所述对等实体集之间相关的一个或多个特征,用于训练所述一个或多个模型的附加模型,其中
所述一个或多个实体数据集缺少所述一个或多个特征。
2.根据权利要求1所述的系统,其中确定所述多个特征包括:标识一个或多个缺失特征,每个缺失特征对应于所述一个或多个实体数据集中的至少一个实体数据集。
3.根据权利要求2所述的系统,其中生成所述一个或多个实体数据集包括:根据应用到所述一个或多个模型的对应模型的考虑,对所述至少一个实体数据集的每个数据集进行过滤。
4.根据权利要求2所述的系统,其中确定所述多个特征包括:经由所述网络从所述用户的所述远程计算 装置获得所述一个或多个缺失特征。
5.根据权利要求2所述的系统,其中确定所述多个特征包括:针对所述一个或多个缺失特征中的每一个,计算相应缺失特征的近似值。
6.根据权利要求1所述的系统,其中所述一个或多个模型包括:k-最近邻(KNN)聚类模型、业务线相似度(BLS)模型或程序结构相似度(PSS)模型中的至少一种。
7.根据权利要求6所述的系统,其中,对于KNN聚类模型,在使用所述相应的实体数据集的特征训练的一个或多个模型的对应模型上执行相应的实体数据集包括:计算代表相应实体数据集的第一特征向量、和其每一个均代表多个对等实体之一的多个第二特征向量之间的距离,
其中,所述第一特征向量与所述多个第二特征向量中的每一个之间的距离代表所述主体实体和与相应第二特征向量相关联的相应对等实体之间的相似度的量。
8.根据权利要求1所述的系统,其中选择所述多个对等实体包括:
以优先级顺序排列所述多个对等实体,其中所述优先级顺序部分地基于从所述一个或多个模型中的每一个输出的所述多个候选实体的相应部分中标识的共性来确定;和
对于所述多个对等实体中的每个对等实体,标识相应对等实体的多个对等体特征。
9.根据权利要求8所述的系统,其中以优先级顺序排列多个对等实体包括:提升所述多个对等实体的所述部分中的至少一个的位置,其中所述多个对等实体的所述部分中的所述至少一个的每个实体被包括在所述一个或多个模型中的至少两个模型的相应的多个候选实体中。
10.根据权利要求1所述的系统,其中所述指令在被所述处理电路执行时、促使所述处理电路:
经由所述图形用户界面从所述远程计算装置接收所述多个对等实体的所述部分中的一个或多个对等实体的选择,以与所述主体实体进行比较;和
响应于接收到所述选择,为所述一个或多个模型中的每一个更新相应的训练数据集。
11.根据权利要求1所述的系统,其中:
所述主体实体是保险提供者;和
所述对等体比较提供所述主体实体和所述多个对等实体之间的覆盖水平的比较。
12.一种用于在交易平台内自动标识主体实体的对等实体的方法,该方法包括:
由处理电路经由网络从用户的远程计算装置接收对于与主体实体进行对等体比较的请求;
由所述处理电路实时响应于接收所述请求,标识所述主体实体的多个对等实体,其中标识多个对等实体包括:
确定所述主体实体的多个特征,其中所述多个特征包括i)所述主体实体的一个或多个特性特征,包括行业或地区中的至少一个,以及ii)所述主体实体的一个或多个交易特征,
从所述主体实体的所述多个特征生成一个或多个实体数据集,每个实体数据集包括所述主体实体的所述一个或多个特性特征中的至少一部分和/或所述主体实体的所述一个或多个交易特征中的至少一部分,
其中所述一个或多个实体数据集的每一个包括用于训练一个或多个模型中的相应的模型的特征,其中
所述一个或多个模型中的每个模型被训练为根据相应的实体数据集中的特征检测给定实体与多个其他实体之间的相似度,以及
所述一个或多个实体数据集中的每个数据集代表通过分析所标识的对等实体组的多个特征的共性而标识的特征相关性,
对于所述一个或多个实体数据集中的每一个,
通过在使用所述相应的实体数据集的特征训练的一个或多个模型的对应模型上执行相应的实体数据集,根据所述相应的实体数据集的特征获得与所述主体实体共享一个或多个相似度的多个候选实体,和
从所述多个候选实体中为所述一个或多个实体数据集的每个实体数据集选择多个对等实体;以及
由所述处理电路准备用于在远程计算装置上呈现的图形用户界面,所述图形用户界面用于呈现所述多个对等实体的至少一部分,其中,对于所述多个对等实体中的每个对等实体,连同i)所述图形用户界面内相应的实体的多个对等体特征的至少一部分和ii)用于选择相应对等体以用于比较度量的控件一起,来代表相应的对等体。
13.根据权利要求12所述的方法,其中所述一个或多个模型包括k-最近邻(KNN)聚类模型、业务线相似度(BLS)模型或程序结构相似度(PSS)模型中的至少一种。
14.根据权利要求12所述的方法,其中,准备图形用户界面包括:
以优先级顺序排列所述多个对等实体的所述部分,其中所述优先级顺序基于所述主体实体和所述多个对等实体的所述部分中的每一个之间的相似度的量来确定;和
对于所述多个对等实体的所述部分中的每个对等实体,标识相应对等实体的多个对等体特征。
15.根据权利要求14所述的方法,其中部分地基于从所述一个或多个模型的每一个输出的相应的多个候选实体中标识的共性来确定所述多个对等实体的所述部分的优先级顺序。
16.根据权利要求15所述的方法,其中确定所述多个对等实体的所述部分的优先级顺序包括:提升所述多个对等实体的部分的位置,其中所述多个对等实体的所述部分中的每个实体被包括在所述一个或多个模型中的至少两个模型的相应的多个候选实体中。
17.根据权利要求12所述的方法,其中:
所述主体实体是保险提供者;和
所述对等体比较提供所述主体实体和所述多个对等实体之间的覆盖水平的比较。
18.根据权利要求12所述的方法,其中确定所述多个特征包括:标识一个或多个缺失特征,所述多个特征中的每个缺失特征对应于所述一个或多个实体数据集中的至少一个实体数据集。
19.根据权利要求18所述的方法,其中生成所述一个或多个实体数据集包括:根据应用到所述一个或多个模型的对应模型的考虑,对至少一个数据集中的每个数据集进行过滤。
20.根据权利要求18所述的方法,其中确定所述多个特征包括:经由所述网络从所述用户的所述远程装置获得所述一个或多个缺失特征。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962805594P | 2019-02-14 | 2019-02-14 | |
US62/805,594 | 2019-02-14 | ||
PCT/SG2020/050074 WO2020167255A1 (en) | 2019-02-14 | 2020-02-13 | System and methods for identification of peer entities |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114127753A CN114127753A (zh) | 2022-03-01 |
CN114127753B true CN114127753B (zh) | 2022-12-20 |
Family
ID=69726689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080028893.4A Active CN114127753B (zh) | 2019-02-14 | 2020-02-13 | 用于对等实体的标识的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10951695B2 (zh) |
EP (1) | EP3924911A1 (zh) |
CN (1) | CN114127753B (zh) |
WO (1) | WO2020167255A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10951695B2 (en) * | 2019-02-14 | 2021-03-16 | Aon Global Operations Se Singapore Branch | System and methods for identification of peer entities |
US20210383300A1 (en) * | 2020-06-09 | 2021-12-09 | Sap Se | Machine learning based application for the intelligent enterprise |
US20220114525A1 (en) * | 2020-10-12 | 2022-04-14 | Microsoft Technology Licensing, Llc | Peer group benchmark generation and presentation |
US11983654B2 (en) * | 2020-12-30 | 2024-05-14 | Coupa Software Incorporated | Method of observing and evaluating processes and user action efficiency with recommendations on change |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104170316A (zh) * | 2012-01-05 | 2014-11-26 | 国际商业机器公司 | 社交网络环境中的面向目标的用户匹配 |
CN109074359A (zh) * | 2016-06-15 | 2018-12-21 | 谷歌有限责任公司 | 使用模型优化内容分发 |
Family Cites Families (69)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5191522A (en) | 1990-01-18 | 1993-03-02 | Itt Corporation | Integrated group insurance information processing and reporting system based upon an enterprise-wide data structure |
US5586252A (en) | 1994-05-24 | 1996-12-17 | International Business Machines Corporation | System for failure mode and effects analysis |
US7742966B2 (en) | 1998-10-24 | 2010-06-22 | Marketcore.Com, Inc. | Efficient market for financial products |
US6999955B1 (en) | 1999-04-20 | 2006-02-14 | Microsoft Corporation | Systems and methods for estimating and integrating measures of human cognitive load into the behavior of computational applications and services |
US7340426B1 (en) | 1999-07-30 | 2008-03-04 | Computer Sciences Corporation | Event-triggered transaction processing for electronic data interchange |
US7813944B1 (en) | 1999-08-12 | 2010-10-12 | Fair Isaac Corporation | Detection of insurance premium fraud or abuse using a predictive software system |
US7953615B2 (en) | 2000-04-03 | 2011-05-31 | Mitchell International, Inc. | System and method of administering, tracking and managing of claims processing |
US20050144114A1 (en) | 2000-09-30 | 2005-06-30 | Ruggieri Thomas P. | System and method for providing global information on risks and related hedging strategies |
US7698158B1 (en) | 2000-10-24 | 2010-04-13 | Theinsuranceadvisor Technologies, Inc. | Life insurance policy evaluation method |
US6876992B1 (en) | 2000-11-28 | 2005-04-05 | Willis North America Inc. | Method and system for risk control optimization |
US20050144046A1 (en) | 2000-11-30 | 2005-06-30 | Schloss Robert J. | System and method for assisting a buyer in selecting a supplier of goods or services |
US20020156657A1 (en) | 2000-12-05 | 2002-10-24 | De Grosz Kurt M. | Insurance renewal system and method |
US20020152098A1 (en) | 2001-01-31 | 2002-10-17 | Evans Bret A. | System and method for facilitating interaction with a financial service |
EP1440405A1 (en) | 2001-10-12 | 2004-07-28 | Swiss Reinsurance Company | System and method for reinsurance placement |
US20040059589A1 (en) | 2002-09-19 | 2004-03-25 | Moore Richard N. | Method of managing risk |
SG115533A1 (en) | 2003-04-01 | 2005-10-28 | Maximus Consulting Pte Ltd | Risk control system |
JP2005004303A (ja) | 2003-06-10 | 2005-01-06 | Mitsui Sumitomo Insurance Co Ltd | 確定精算支援サーバ、確定精算支援方法、及びプログラム |
US7814545B2 (en) | 2003-07-22 | 2010-10-12 | Sonicwall, Inc. | Message classification using classifiers |
US20050033657A1 (en) | 2003-07-25 | 2005-02-10 | Keepmedia, Inc., A Delaware Corporation | Personalized content management and presentation systems |
US8200775B2 (en) | 2005-02-01 | 2012-06-12 | Newsilike Media Group, Inc | Enhanced syndication |
US7941491B2 (en) | 2004-06-04 | 2011-05-10 | Messagemind, Inc. | System and method for dynamic adaptive user-based prioritization and display of electronic messages |
US7461044B2 (en) | 2005-04-27 | 2008-12-02 | International Business Machines Corporation | It resource event situation classification and semantics |
CA2619773C (en) | 2005-08-19 | 2016-01-26 | Biap Systems, Inc. | System and method for recommending items of interest to a user |
US20100174784A1 (en) | 2005-09-20 | 2010-07-08 | Michael Ernest Levey | Systems and Methods for Analyzing Electronic Communications |
WO2007059451A2 (en) | 2005-11-15 | 2007-05-24 | Superior Access Insurance Services, Inc. | Method and system for dynamic insurance quotes |
US7885831B2 (en) | 2006-01-05 | 2011-02-08 | Guidewire Software, Inc. | Insurance product model-based apparatus and method |
US7606759B2 (en) | 2006-05-16 | 2009-10-20 | Automated Trading Desk, Llc | System and method for implementing an anonymous trading method |
US7921046B2 (en) | 2006-06-19 | 2011-04-05 | Exegy Incorporated | High speed processing of financial information using FPGA devices |
US20080103837A1 (en) | 2006-10-25 | 2008-05-01 | Microsoft Corporation | Risk reduction for participants in an online advertising exchange |
US7962903B1 (en) | 2007-06-05 | 2011-06-14 | Ross Richard A | Systems and methods for processing message subscriptions using pre-compiled code-blocks for efficient expression evaluation |
WO2009100175A1 (en) | 2008-02-05 | 2009-08-13 | David Bruce Simon | Systems and methods for valuation of life insurance policies |
US8145619B2 (en) | 2008-02-11 | 2012-03-27 | International Business Machines Corporation | Method and system for identifying companies with specific business objectives |
WO2009140592A1 (en) | 2008-05-15 | 2009-11-19 | American International Group, Inc. | Method and system of insuring operational risk |
US8185415B2 (en) | 2008-07-08 | 2012-05-22 | Highroads, Inc. | Methods and systems for comparing employee insurance plans among peer groups |
US8725541B2 (en) | 2008-09-10 | 2014-05-13 | Hartford Fire Insurance Company | Systems and methods for rating and pricing insurance policies |
US8266148B2 (en) | 2008-10-07 | 2012-09-11 | Aumni Data, Inc. | Method and system for business intelligence analytics on unstructured data |
US9779386B2 (en) | 2009-08-31 | 2017-10-03 | Thomson Reuters Global Resources | Method and system for implementing workflows and managing staff and engagements |
US20110161119A1 (en) | 2009-12-24 | 2011-06-30 | The Travelers Companies, Inc. | Risk assessment and control, insurance premium determinations, and other applications using busyness |
US20120005045A1 (en) | 2010-07-01 | 2012-01-05 | Baker Scott T | Comparing items using a displayed diagram |
US8666984B2 (en) | 2011-03-18 | 2014-03-04 | Microsoft Corporation | Unsupervised message clustering |
US20120296694A1 (en) | 2011-05-19 | 2012-11-22 | Aon Global Risk Research Limited | Risk Portal Including Pricing Data |
US20170024827A1 (en) | 2011-05-19 | 2017-01-26 | Aon Singapore Centre For Innovation Strategy And Management Pte., Ltd. | Dashboard interface, platform, and environment for supporting complex transactions and deriving insights therefrom |
US20130073346A1 (en) | 2011-09-16 | 2013-03-21 | David Chun | Identifying companies most closely related to a given company |
TWI556183B (zh) | 2011-09-16 | 2016-11-01 | American Internat Assurance Company Ltd | Based on the cloud operation of the insurance contract operating system, operating methods and business management tools |
US8335701B1 (en) | 2011-10-31 | 2012-12-18 | Marsh USA Inc. | System and method for determining opportunities and peer information for insurance policies |
CA2854241A1 (en) | 2011-11-01 | 2013-05-10 | Willis Hrh | System and method for selecting an insurance carrier |
WO2013109524A1 (en) | 2012-01-19 | 2013-07-25 | Iamscientist, Inc. | Automatic method for profile database aggregation, deduplication, and analysis |
CN102591992A (zh) | 2012-02-15 | 2012-07-18 | 苏州亚新丰信息技术有限公司 | 基于垂直搜索和聚焦爬虫技术的网页分类识别系统及方法 |
AU2013251304B2 (en) | 2012-04-27 | 2018-12-20 | Intralinks, Inc. | Computerized method and system for managing networked secure collaborative exchange |
US20130339337A1 (en) | 2012-05-30 | 2013-12-19 | Companyid Corporation | Auto tagging method and system |
US9779260B1 (en) | 2012-06-11 | 2017-10-03 | Dell Software Inc. | Aggregation and classification of secure data |
US9390240B1 (en) | 2012-06-11 | 2016-07-12 | Dell Software Inc. | System and method for querying data |
CN103514191A (zh) | 2012-06-20 | 2014-01-15 | 百度在线网络技术(北京)有限公司 | 用于确定目标推广信息的关键词匹配模式的方法和设备 |
US20140067428A1 (en) | 2012-08-29 | 2014-03-06 | Vertafore, Inc. | Apparatus, method and article to provide an insurance workflow management system |
US20140081903A1 (en) | 2012-09-17 | 2014-03-20 | Salesforce.Com, Inc. | Methods and systems for displaying and filtering business analytics data stored in the cloud |
US20140095367A1 (en) | 2012-10-01 | 2014-04-03 | Willis Limited | System and method for protecting against corporate crises |
US20140129472A1 (en) | 2012-10-26 | 2014-05-08 | Willis Hrh | System and method for administrating voluntary benefits |
US9355172B2 (en) | 2013-01-10 | 2016-05-31 | Accenture Global Services Limited | Data trend analysis |
US8666788B1 (en) | 2013-02-08 | 2014-03-04 | Kabir Syed | Systems and methods for facilitating an insurance marketplace for negotiations among brokers and insurance carriers |
US20140229205A1 (en) | 2013-02-11 | 2014-08-14 | G Wizicon Technologies, Inc. | Global insurance compliance management system |
CN106663281A (zh) | 2014-06-02 | 2017-05-10 | 创新策略管理怡安新加坡中心私人有限公司 | 为保险经纪人和承保人提供全球风险洞悉平台的仪表板界面、平台和环境 |
US20160132800A1 (en) | 2014-11-10 | 2016-05-12 | 0934781 B.C. Ltd | Business Relationship Accessing |
US10084579B2 (en) * | 2014-11-17 | 2018-09-25 | Samsung Electronics Co., Ltd. | CSI feedback for MIMO wireless communication systems with polarized active antenna array |
WO2017027718A1 (en) | 2015-08-12 | 2017-02-16 | Aon Singapore Centre For Innovtion, Strategy And Management | Dashboard interface, platform, and environment |
CN105488697A (zh) | 2015-12-09 | 2016-04-13 | 焦点科技股份有限公司 | 一种基于客户行为特征的潜在客户挖掘方法 |
US10606853B2 (en) | 2016-12-22 | 2020-03-31 | Aon Global Operations Ltd (Singapore Branch) | Systems and methods for intelligent prospect identification using online resources and neural network processing to classify organizations based on published materials |
US10769159B2 (en) | 2016-12-22 | 2020-09-08 | Aon Global Operations Plc, Singapore Branch | Systems and methods for data mining of historic electronic communication exchanges to identify relationships, patterns, and correlations to deal outcomes |
US20180181974A1 (en) | 2016-12-23 | 2018-06-28 | Aon Global Operations Ltd (Singapore Branch) | Methods and Systems for Performing Pricing Comparisons of Complex Layered or Tower Pricing Structures with Varying Pricing Components |
US10951695B2 (en) | 2019-02-14 | 2021-03-16 | Aon Global Operations Se Singapore Branch | System and methods for identification of peer entities |
-
2020
- 2020-02-12 US US16/789,140 patent/US10951695B2/en active Active
- 2020-02-13 EP EP20708238.9A patent/EP3924911A1/en active Pending
- 2020-02-13 WO PCT/SG2020/050074 patent/WO2020167255A1/en unknown
- 2020-02-13 CN CN202080028893.4A patent/CN114127753B/zh active Active
-
2021
- 2021-03-11 US US17/198,875 patent/US20220053049A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104170316A (zh) * | 2012-01-05 | 2014-11-26 | 国际商业机器公司 | 社交网络环境中的面向目标的用户匹配 |
CN109074359A (zh) * | 2016-06-15 | 2018-12-21 | 谷歌有限责任公司 | 使用模型优化内容分发 |
Also Published As
Publication number | Publication date |
---|---|
WO2020167255A1 (en) | 2020-08-20 |
US20220053049A1 (en) | 2022-02-17 |
US10951695B2 (en) | 2021-03-16 |
US20200267209A1 (en) | 2020-08-20 |
EP3924911A1 (en) | 2021-12-22 |
CN114127753A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114127753B (zh) | 用于对等实体的标识的系统和方法 | |
US11113334B2 (en) | Systems and methods for identifying groups relevant to stored objectives and recommending actions | |
US20230259857A1 (en) | Systems and methods for vulnerability assessment and remedy identification | |
US10963541B2 (en) | Systems, methods, and apparatuses for implementing a related command with a predictive query interface | |
US20210109953A1 (en) | Methods and systems for linking data records from disparate databases | |
US8571916B1 (en) | Methods, systems, and articles of manufacture for determining optimal parameter settings for business initiative testing models | |
US20140379700A1 (en) | Smart defaults for data visualizations | |
US20060053063A1 (en) | System and method for evaluating supplier performance in a supply chain | |
WO2007055919A2 (en) | Electronic enterprise capital marketplace and monitoring apparatus and method | |
Rahimi et al. | Toward the efficient service selection approaches in cloud computing | |
US20170352048A1 (en) | Methods and systems for conducting surveys and processing survey data to generate a collective outcome | |
US11341517B2 (en) | Indexing entities based on performance metrics | |
US20110167014A1 (en) | Method and apparatus of adaptive categorization technique and solution for services selection based on pattern recognition | |
WO2022016093A9 (en) | Collaborative, multi-user platform for data integration and digital content sharing | |
De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection | |
USRE49562E1 (en) | Methods, systems, and articles of manufacture for determining optimal parameter settings for business initiative testing models | |
CA2872163C (en) | Asymmetrical multilateral decision support system | |
US20240160419A1 (en) | System and method for matching integration process management system users using deep learning and matrix factorization | |
CA3175586A1 (en) | Machine learning model to fill gaps in adaptive rate shifting | |
Ben-Shimon | Anytime algorithms for top-N recommenders | |
Bhushan et al. | Estimating the Software Application Development Effort at the Proposal Stage |
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 |