CN114723145A - 基于交易量确定智能柜台数量的方法及系统 - Google Patents

基于交易量确定智能柜台数量的方法及系统 Download PDF

Info

Publication number
CN114723145A
CN114723145A CN202210383352.4A CN202210383352A CN114723145A CN 114723145 A CN114723145 A CN 114723145A CN 202210383352 A CN202210383352 A CN 202210383352A CN 114723145 A CN114723145 A CN 114723145A
Authority
CN
China
Prior art keywords
transaction
category
determining
area
day
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
Application number
CN202210383352.4A
Other languages
English (en)
Other versions
CN114723145B (zh
Inventor
朱江波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210383352.4A priority Critical patent/CN114723145B/zh
Publication of CN114723145A publication Critical patent/CN114723145A/zh
Application granted granted Critical
Publication of CN114723145B publication Critical patent/CN114723145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提出了一种基于交易量确定智能柜台数量的方法及系统，涉及智能设备管理技术领域，包括：获取在指定区域内的银行客户集合，确定对应的主要客户类别及线上交易类别向量；将已部署银行网点的区域划分为多个参考区域，确定参考区域对应的主要客户类别及线上交易类别向量；确定指定区域的相似区域；确定指定区域在同一时期内每一天关于各个线下交易类别的交易量；获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；根据指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定指定区域内需要部署的智能柜台的数量。

Description

基于交易量确定智能柜台数量的方法及系统
技术领域
本发明涉及智能设备管理技术领域，尤指一种基于交易量确定智能柜台数量的方法及系统。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前，银行会在新设立的网点部署一定数量的智能柜台，用于承接人工窗口的一部分业务，减轻人工窗口的压力，同时减少客户的等待时间，方便客户办理业务。
但是，新设立的银行网点的智能柜台的数量都是人为设置的，缺乏数据支撑，设置的太多会造成资源的浪费，设置的太少又不能满足客户的需求。
综上来看，亟需一种可以克服上述缺陷，能够提高智能柜台利用率及满足客户需求的智能柜台数量计算方案。
发明内容
为解决现有技术存在的问题，本发明提出了一种基于交易量确定智能柜台数量的方法及系统。
在本发明实施例的第一方面，提出了一种基于交易量确定智能柜台数量的方法，包括：
获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量；
将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量；
根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域；
获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量；
获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；
根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量。
在本发明实施例的第二方面，提出了一种基于交易量确定智能柜台数量的系统，包括：
数据处理模块，用于获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量；
类别处理模块，用于将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量；
相似区域确定模块，用于根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域；
交易量确定模块，用于获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量；
预估时间确定模块，用于获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；
数量确定模块，用于根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量。
在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于交易量确定智能柜台数量的方法。
在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于交易量确定智能柜台数量的方法。
在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于交易量确定智能柜台数量的方法。
本发明提出的基于交易量确定智能柜台数量的方法及系统通过分析客户集合，确定主要客户类别及线上交易类别向量，进而确定该指定区域的相似区域，通过各个线下交易类别的交易量及办理各个线下交易类别的交易的预估时间，确定指定区域应部署的智能柜台数量，该智能柜台的数量符合银行网点业务办理情况，能够有效提高智能柜台利用率并满足客户的业务办理需求，通过合理的智能柜台部署，使银行网点可以在减少智能柜台资源浪费前提下保证客户满意度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例的基于交易量确定智能柜台数量的方法流程示意图。
图2是本发明一实施例的确定对应的主要客户类别及线上交易类别向量的流程示意图。
图3是本发明一实施例的确定参考区域对应的主要客户类别及线上交易类别向量的流程示意图。
图4是本发明一实施例的确定指定区域的相似区域的流程示意图。
图5是本发明一实施例的确定指定区域在同一时期内每一天关于各个线下交易类别的交易量的流程示意图。
图6是本发明一实施例的确定智能柜台办理各个线下交易类别的交易的预估时间的流程示意图。
图7是本发明一实施例的确定指定区域内需要部署的智能柜台的数量的流程示意图。
图8是本发明一实施例的基于交易量确定智能柜台数量的系统架构示意图。
图9是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种基于交易量确定智能柜台数量的方法及系统，涉及智能设备管理技术领域。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的基于交易量确定智能柜台数量的方法流程示意图。如图1所示，该方法包括：
S1，获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量；
S2，将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量；
S3，根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域；
S4，获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量；
S5，获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；
S6，根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量。
本发明提出的基于交易量确定智能柜台数量的方法通过分析客户集合，确定主要客户类别及线上交易类别向量，进而确定该指定区域的相似区域，通过各个线下交易类别的交易量及办理各个线下交易类别的交易的预估时间，确定指定区域应部署的智能柜台数量，该智能柜台的数量符合银行网点业务办理情况，能够有效提高智能柜台利用率并满足客户的业务办理需求，通过合理的智能柜台部署，使银行网点可以在减少智能柜台资源浪费前提下保证客户满意度。
在本发明实施例中，线下交易类别的交易指的是银行网点(或智能柜台)提供的交易，数据来源是银行网点；本发明的目的是确定智能柜台的数量，因此，在步骤S4-S6的分析过程中，主要是针对线下交易类别的交易进行分析。
为了对上述基于交易量确定智能柜台数量的方法进行更为清楚的解释，下面结合每一步骤来进行详细说明。
在S1中，参考图2，获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量的具体流程为：
S101，获取指定区域内的多个支付地点，将该多个支付地点的所有客户组成该指定区域内的银行客户集合。
S102，从该银行客户集合中挑选出客户数量最多的客户类别，作为该指定区域对应的主要客户类别。
S103，获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
在S2中，参考图3，将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量的具体流程为：
S201，获取该参考区域内的多个支付地点，将该多个支付地点的所有客户及该参考区域内的银行网点的所有客户组成该参考区域内的银行客户集合。
S202，从该银行客户集合中挑选出客户数量最多的客户类别，作为该参考区域对应的主要客户类别。
S203，获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
具体的，由于线上交易类别数量非常多，导致获得的向量的长度非常大。此时，可以将所有的线上交易类别进行分类，获得多个线上交易类别子集合，其中，线上交易类别向量的每一个分量和各个线上交易类别子集合一一对应。通过这种处理方式，可以将向量的长度降低，同时能够保证获得的相似区域的准确性。
将所有的线上交易类别进行分类，获得多个线上交易类别子集合具体的流程为：
对银行客户进行分类，获得多个客户子集合；对于每个线上交易类别，根据该线上交易类别的客户数据，确定该线上交易类别归属于各个客户子集合的客户数量；确定线上交易类别对应的距离函数，该距离函数的自变量是两个线上交易类别，对应的函数值是该两个线上交易类别归属于各个客户子集合的客户数量的差的加权平方和的平方根；根据业务对应的距离函数，选择聚类算法(比如K均值)对线上交易类别进行聚类分析，获得多个线上交易类别集合。
为了获得更加精确的聚类结果，对上述获得的多个线上交易类别集合中的每一个线上交易类别集合，确定该线上交易类别集合中每一个线上交易的风险类型。在所有风险类型中，选取出对应线上交易数量最多的风险类型，并将该风险类型确定为该线上交易类别集合的主要风险类型。确定每个线上交易类别集合是否满足条件a：该线上交易类别集合的主要风险类型对应的交易类别数量与该线上交易类别集合的交易类别数量的比值是否大于指定比值，如果不满足(即，该比值小于指定比值)，则继续对线上交易类别集合进行聚类分析，直至新生成的每一个线上交易类别集合满足上述条件a。
在本实施例中，已部署银行网点的区域可以是开设有银行业务办理大厅，或部署有智能柜台的区域.
在实际应用场景中，将已部署银行网点的区域划分为多个参考区域可以按照街道的范围。
另外，将已部署银行网点的区域划分为多个参考区域还可以采用以下方法：
获取已部署银行网点的区域内所有银行客户的常驻地址(如果银行存储客户信息的数据库中没有该银行客户的常驻地址，将获得的该银行客户的多个支付地点中支付交易数量最大的支付地点确定为该银行客户的常驻地址)；
每个客户的常驻地址是二维空间的一个点，也就是每个客户对应二维空间的一个点。进而每个银行客户集合对应二维空间的多个点，其中，该多个点由该银行客户集合的所有客户对应二维空间的点组成)。二维空间的多个点对应一个凸多边形，该凸多边形的每条边的端点是该多个点中的一个点，该多个点中的所有点都位于该凸多边形的内部或者边上。将每个银行客户集合对应二维空间的多个点对应的凸多边形确定为该银行客户集合对应的多边形；
将该已部署银行网点的区域的所有客户进行分类，获得多个客户类别；对于每个客户类别，循环执行如下步骤，直到该客户类别的所有客户都已经添加到某个已确定客户集合中：从该客户类别中选取满足如下条件b的多个客户，该条件b是：在二维空间中该多个客户组成的客户集合对应的多边形的内部和边上只包含该客户类别的客户对应的点，该多个客户组成一个已确定客户集合；对于该客户类别的每个未被添加到已确定客户集合的客户，确定该客户是否满足条件c：该客户和已确定客户集合组成的新集合对应的多边形是否只包含该客户类别的客户对应的点，如果满足条件c，则将该客户添加到该已确定客户集合中，否则不添加，直到找不到该客户类别的除添加到该已确定客户集合之外的其他客户，使得满足条件c；
从上述已确定客户集合中，找到两个已确定客户集合，使得该两个已确定客户集合的并集对应的多边形和其他已确定客户集合对应的多边形在二维空间中有没有公共部分；将该两个已确定客户集合的并集中对应的客户数量最多的客户类别确定为该两个已确定客户集合的主客户类别，确定该主客户类别在该两个已确定客户集合的客户数量与该两个已确定客户集合的并集的客户数量的比例是否超过比值阈值(比如0.8)，如果超过，则将该两个已确定客户集合合并成新的已确定客户集合。对已确定客户集合循环进行上述合并操作，直至找不到两个已确定客户集合可以进行上述合并；
将所述获得的每个新的已确定客户集合对应的多边形确定为一个参考区域。
在S3中，参考图4，根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域的具体流程为：
S301，从多个参考区域中，选取出多个主要客户类别和该指定区域的主要客户类别一致的多个参考区域。
在实际应用场景中，判定指定区域的主要客户类别与参考区域的主要客户类别的交集是否为空，交集非空则认为两者的主要客户类别一致，选取相应的参考区域。
例如，指定区域的主要客户类别为A、B；若第一参考区域的主要客户类别为A，两者的主要客户类别的交集为A(交集非空)，选取第一参考区域；若第二参考区域的主要客户类别为A、B、C，两者的主要客户类别的交集为A、B(交集非空)，选取第二参考区域。
S302，对于选取出的每个参考区域，计算该参考区域的线上交易类别向量和该指定区域的线上交易类别向量的距离，将该距离确定为该参考区域与该指定区域的距离。
S303，将与该指定区域的距离最小的多个参考区域，确定为该指定区域的相似区域。
在一个实施例中，确定该指定区域的相似区域之前，基于参考区域的偏序从多个参考区域中选取出多个备选区域；之后基于备选区域(也就是用备选区域替换参考区域)，执行步骤S301，S302和S303。其中，确定该指定区域的相似区域之前，基于区域的偏序从多个参考区域中选取出多个备选区域的具体流程如下：
设置参考区域的偏序。具体的，对于每个参考区域，根据该参考区域中银行网点的历史交易数据，确定该参考区域关于各个风险类型的风险概率；确定参考区域的偏序，其中，对于任何两个参考区域(分别是第一参考区域和第二参考区域)，如果对于每个风险类型，该第一参考区域关于该风险类型的风险概率都小于等于该第二参考区域关于该风险类型的风险概率，且该第一参考区域关于各个风险类型的风险概率都小于设定阈值，则确定该第一参考区域优于该第二参考区域；
基于参考区域的偏序从多个参考区域中选取出多个备选区域。具体的，对于每个参考区域，根据参考区域的偏序，确定在所述多个参考区域中是否存在优于该参考区域的其他参考区域，如果不存在，则将该参考区域确定为备选区域。
在S4中，参考图5，获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量的具体流程为：
S401，对于该一定时期内的每一天，根据每个相似区域内的银行网点在该天的交易数据，确定在该天该相似区域关于各个线下交易类别的交易量。
其中，一定时期可以是一个月、三个月或根据实际情况设置的时长。
S402，对于各个线下交易类别，根据该天多个相似区域关于该线下交易类别的交易量，确定该天该指定区域关于该线下交易类别的交易量。
在本实施例中，可以采用以下方法确定交易量：
根据该天多个相似区域关于该线下交易类别的交易量，选取最大值或计算平均值，将该最大值或者平均值，作为该天该指定区域关于该线下交易类别的交易量。
例如，以取款交易为例，在某一天，相似区域1、相似区域2、相似区域3、相似区域4分别发生100、200、150、190笔取款交易，可以选取最大值200，作为该天该指定区域关于取款交易的交易量；也可以计算平均值(100+200+150+190)/4＝160，作为该天该指定区域关于取款交易的交易量。
在S5中，参考图6，获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间的具体流程为：
S501，对于每个线下交易类别，获取在智能柜台办理该线下交易类别的交易对应的多个时间样本。
S502，设置多个概率值，对于每个概率值，选择满足以下条件的多个时间值：小于选择的时间值的时间样本数占该线下交易类别的时间样本总数的比例大于等于该概率值；将该多个时间值中的最小时间值作为该线下交易类别对应于该概率值的时间值。
S503，对于另一定时期内每一天，获取该天智能柜台办理交易的交易数据及该天智能柜台办理交易的总时间。
S504，对于每个概率值，根据另一定时期内每一天智能柜台办理交易的交易数据，计算该天中所包含的所有交易归属的线下交易类别对应于该概率值的时间值之和，将该和确定为该天对应的预估时间和。
S505，确定该天智能柜台办理交易的总时间与该天对应的预估时间和的差的绝对值，作为该天对应的误差。
S506，计算另一定时期内所有天对应的误差的平方和，将该平方和确定为该概率值对应的误差。
S507，从多个概率值中，选取对应的误差最小的概率值，作为最小误差概率值。
S508，对于每个线下交易类别，将该线下交易类别对应于最小误差概率值的时间值设置为智能柜台办理该线下交易类别的交易的预估时间。
在S6中，参考图7，根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量的具体流程为：
S601，对于每一天，基于该指定区域在该天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的预估时间，确定该指定区域在该天的总服务时间。
该指定区域在该天的总服务时间Ttotal的计算方法为：
Figure BDA0003593849830000091
其中，Qi、Ti分别为该天关于各个线下交易类别的交易量、智能柜台办理各个线下交易类别的预估时间，n为线下交易类别的总个数。
以1月1日为例，该指定区域的各个线下交易类别的交易量为：交易A，1000；交易B，2000；交易C，3000；
预估时间，交易A，0.8分钟；交易B，0.5分钟；交易C，0.4分钟；
则1月1日，指定区域的服务总时间是：1000×0.8+2000×0.5+3000×0.4＝3000(分钟)。
基于上述方法，还可以一并计算得到其它日期的指定区域的服务总时间，如1月2日，1月3日。
S602，根据该指定区域在同一时期内每一天的总服务时间，确定该指定区域的预估总服务时间。
在一实施例中，可以计算该指定区域在预估时期内所有天的总服务时间的平均值，作为该指定区域的预估总服务时间。根据大数定理，该预估时期的时间范围越大，求平均值获得的该指定区域的预估总服务时间越精确。具体的，将该指定区域在同一时期内每一天的总服务时间看做样本，确定方差σ；依据该方差σ设置天数阈值为
Figure BDA0003593849830000101
其中ε是可以接受的预估总服务时间误差阈值，P是可以接受的预估总服务时间的误差大于ε的概率；确定该同一时期的天数是否大于该天数阈值，如果大于该天数阈值，则将该同一时期确定为预估时期；如果小于等于该天数阈值，选取包含该同一时期且包含的天数大于该天数阈值的另一时期，将该另一时期确定为预估时期；将该指定区域的预估总服务时间设置为该指定区域在预估时期内所有天的总服务时间的平均值，其中，该指定区域在预估时期内每天的总服务时间的计算方法和该指定区域在同一时期内每一天的总服务时间的计算方法相同。
S603，将该指定区域的预估总服务时间除以智能柜台的营业时长，向上取整，得到该指定区域内需要部署的智能柜台的数量。
例如，银行网点每日营业时长为8小时(480分钟)，该指定区域的预估总服务时间为3100分钟，则3100/480，向上取整得到7，则该指定区域内需要部署的智能柜台的数量为7台。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图8对本发明示例性实施方式的基于交易量确定智能柜台数量的系统进行介绍。
基于交易量确定智能柜台数量的系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
基于同一发明构思，本发明还提出了一种基于交易量确定智能柜台数量的系统，如图8所示，该系统包括：
数据处理模块810，用于获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量；
类别处理模块820，用于将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量；
相似区域确定模块830，用于根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域；
交易量确定模块840，用于获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量；
预估时间确定模块850，用于获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；
数量确定模块860，用于根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量。
在一实施例中，所述数据处理模块具体用于：
获取指定区域内的多个支付地点，将该多个支付地点的所有客户组成该指定区域内的银行客户集合；
从该银行客户集合中挑选出客户数量最多的客户类别，作为该指定区域对应的主要客户类别；
获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
在一实施例中，所述类别处理模块具体用于：
获取该参考区域内的多个支付地点，将该多个支付地点的所有客户及该参考区域内的银行网点的所有客户组成该参考区域内的银行客户集合；
从该银行客户集合中挑选出客户数量最多的客户类别，作为该参考区域对应的主要客户类别；
获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
在一实施例中，所述相似区域确定模块具体用于：
从多个参考区域中，选取出多个主要客户类别和该指定区域的主要客户类别一致的多个参考区域；
对于选取出的每个参考区域，计算该参考区域的线上交易类别向量和该指定区域的线上交易类别向量的距离，将该距离确定为该参考区域与该指定区域的距离；
将与该指定区域的距离最小的多个参考区域，确定为该指定区域的相似区域。
在一实施例中，所述交易量确定模块具体用于：
对于该一定时期内的每一天，根据每个相似区域内的银行网点在该天的交易数据，确定在该天该相似区域关于各个线下交易类别的交易量；
对于各个线下交易类别，根据该天多个相似区域关于该线下交易类别的交易量，确定该天该指定区域关于该线下交易类别的交易量。
在一实施例中，所述预估时间确定模块具体用于：
对于每个线下交易类别，获取在智能柜台办理该线下交易类别的交易对应的多个时间样本；
设置多个概率值，对于每个概率值，选择满足以下条件的多个时间值：小于选择的时间值的时间样本数占该线下交易类别的时间样本总数的比例大于等于该概率值；将该多个时间值中的最小时间值作为该线下交易类别对应于该概率值的时间值；
对于另一定时期内每一天，获取该天智能柜台办理交易的交易数据及该天智能柜台办理交易的总时间；
对于每个概率值，根据另一定时期内每一天智能柜台办理交易的交易数据，计算该天中所包含的所有交易归属的线下交易类别对应于该概率值的时间值之和，将该和确定为该天对应的预估时间和；
确定该天智能柜台办理交易的总时间与该天对应的预估时间和的差的绝对值，作为该天对应的误差；
计算另一定时期内所有天对应的误差的平方和，将该平方和确定为该概率值对应的误差；
从多个概率值中，选取对应的误差最小的概率值，作为最小误差概率值；
对于每个线下交易类别，将该线下交易类别对应于最小误差概率值的时间值设置为智能柜台办理该线下交易类别的交易的预估时间。
在一实施例中，所述数量确定模块具体用于：
对于每一天，基于该指定区域在该天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的预估时间，确定该指定区域在该天的总服务时间；
根据该指定区域在同一时期内每一天的总服务时间，确定该指定区域的预估总服务时间；
将该指定区域的预估总服务时间除以智能柜台的营业时长，向上取整，得到该指定区域内需要部署的智能柜台的数量。
应当注意，尽管在上文详细描述中提及了基于交易量确定智能柜台数量的系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图9所示，本发明还提出了一种计算机设备900，包括存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序930，所述处理器920执行所述计算机程序930时实现前述基于交易量确定智能柜台数量的方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述基于交易量确定智能柜台数量的方法。
基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于交易量确定智能柜台数量的方法。
本发明提出的基于交易量确定智能柜台数量的方法及系统通过分析客户集合，确定主要客户类别及线上交易类别向量，进而确定该指定区域的相似区域，通过各个线下交易类别的交易量及办理各个线下交易类别的交易的预估时间，确定指定区域应部署的智能柜台数量，该智能柜台的数量符合银行网点业务办理情况，能够有效提高智能柜台利用率并满足客户的业务办理需求，通过合理的智能柜台部署，使银行网点可以在减少智能柜台资源浪费前提下保证客户满意度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (17)

1.一种基于交易量确定智能柜台数量的方法，其特征在于，包括：
获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量；
将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量；
根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域；
获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量；
获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；
根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量。
2.根据权利要求1所述的方法，其特征在于，获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量，包括：
获取指定区域内的多个支付地点，将该多个支付地点的所有客户组成该指定区域内的银行客户集合；
从该银行客户集合中挑选出客户数量最多的客户类别，作为该指定区域对应的主要客户类别；
获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
3.根据权利要求1所述的方法，其特征在于，将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量，包括：
获取该参考区域内的多个支付地点，将该多个支付地点的所有客户及该参考区域内的银行网点的所有客户组成该参考区域内的银行客户集合；
从该银行客户集合中挑选出客户数量最多的客户类别，作为该参考区域对应的主要客户类别；
获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
4.根据权利要求1所述的方法，其特征在于，根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域，包括：
从多个参考区域中，选取出多个主要客户类别和该指定区域的主要客户类别一致的多个参考区域；
对于选取出的每个参考区域，计算该参考区域的线上交易类别向量和该指定区域的线上交易类别向量的距离，将该距离确定为该参考区域与该指定区域的距离；
将与该指定区域的距离最小的多个参考区域，确定为该指定区域的相似区域。
5.根据权利要求1所述的方法，其特征在于，获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量，包括：
对于该一定时期内的每一天，根据每个相似区域内的银行网点在该天的交易数据，确定在该天该相似区域关于各个线下交易类别的交易量；
对于各个线下交易类别，根据该天多个相似区域关于该线下交易类别的交易量，确定该天该指定区域关于该线下交易类别的交易量。
6.根据权利要求1所述的方法，其特征在于，获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间，包括：
对于每个线下交易类别，获取在智能柜台办理该线下交易类别的交易对应的多个时间样本；
设置多个概率值，对于每个概率值，选择满足以下条件的多个时间值：小于选择的时间值的时间样本数占该线下交易类别的时间样本总数的比例大于等于该概率值；将该多个时间值中的最小时间值作为该线下交易类别对应于该概率值的时间值；
对于另一定时期内每一天，获取该天智能柜台办理交易的交易数据及该天智能柜台办理交易的总时间；
对于每个概率值，根据另一定时期内每一天智能柜台办理交易的交易数据，计算该天中所包含的所有交易归属的线下交易类别对应于该概率值的时间值之和，将该和确定为该天对应的预估时间和；
确定该天智能柜台办理交易的总时间与该天对应的预估时间和的差的绝对值，作为该天对应的误差；
计算另一定时期内所有天对应的误差的平方和，将该平方和确定为该概率值对应的误差；
从多个概率值中，选取对应的误差最小的概率值，作为最小误差概率值；
对于每个线下交易类别，将该线下交易类别对应于最小误差概率值的时间值设置为智能柜台办理该线下交易类别的交易的预估时间。
7.根据权利要求1所述的方法，其特征在于，根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量，包括：
对于每一天，基于该指定区域在该天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的预估时间，确定该指定区域在该天的总服务时间；
根据该指定区域在同一时期内每一天的总服务时间，确定该指定区域的预估总服务时间；
将该指定区域的预估总服务时间除以智能柜台的营业时长，向上取整，得到该指定区域内需要部署的智能柜台的数量。
8.一种基于交易量确定智能柜台数量的系统，其特征在于，包括：
数据处理模块，用于获取在指定区域内的银行客户集合，根据该银行客户集合确定对应的主要客户类别及线上交易类别向量；
类别处理模块，用于将已部署银行网点的区域划分为多个参考区域，对于每个参考区域，确定该参考区域对应的主要客户类别及线上交易类别向量；
相似区域确定模块，用于根据主要客户类别和线上交易类别向量，确定该指定区域的相似区域；
交易量确定模块，用于获取相似区域内的银行网点在一定时期内的所有交易数据，确定该指定区域在同一时期内每一天关于各个线下交易类别的交易量；
预估时间确定模块，用于获取在智能柜台办理各个线下交易类别的交易的多个时间样本，确定智能柜台办理各个线下交易类别的交易的预估时间；
数量确定模块，用于根据该指定区域在同一时期内每一天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的交易的预估时间，确定该指定区域内需要部署的智能柜台的数量。
9.根据权利要求8所述的系统，其特征在于，所述数据处理模块具体用于：
获取指定区域内的多个支付地点，将该多个支付地点的所有客户组成该指定区域内的银行客户集合；
从该银行客户集合中挑选出客户数量最多的客户类别，作为该指定区域对应的主要客户类别；
获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
10.根据权利要求8所述的系统，其特征在于，所述类别处理模块具体用于：
获取该参考区域内的多个支付地点，将该多个支付地点的所有客户及该参考区域内的银行网点的所有客户组成该参考区域内的银行客户集合；
从该银行客户集合中挑选出客户数量最多的客户类别，作为该参考区域对应的主要客户类别；
获取该银行客户集合在线上发生的交易数据，根据该交易数据确定对应的线上交易类别向量；其中，该线上交易类别向量的每一个分量对应一个线上交易类别，分量的值等于该交易数据中交易归属于该分量对应的线上交易类别的交易量。
11.根据权利要求8所述的系统，其特征在于，所述相似区域确定模块具体用于：
从多个参考区域中，选取出多个主要客户类别和该指定区域的主要客户类别一致的多个参考区域；
对于选取出的每个参考区域，计算该参考区域的线上交易类别向量和该指定区域的线上交易类别向量的距离，将该距离确定为该参考区域与该指定区域的距离；
将与该指定区域的距离最小的多个参考区域，确定为该指定区域的相似区域。
12.根据权利要求8所述的系统，其特征在于，所述交易量确定模块具体用于：
对于该一定时期内的每一天，根据每个相似区域内的银行网点在该天的交易数据，确定在该天该相似区域关于各个线下交易类别的交易量；
对于各个线下交易类别，根据该天多个相似区域关于该线下交易类别的交易量，确定该天该指定区域关于该线下交易类别的交易量。
13.根据权利要求8所述的系统，其特征在于，所述预估时间确定模块具体用于：
对于每个线下交易类别，获取在智能柜台办理该线下交易类别的交易对应的多个时间样本；
设置多个概率值，对于每个概率值，选择满足以下条件的多个时间值：小于选择的时间值的时间样本数占该线下交易类别的时间样本总数的比例大于等于该概率值；将该多个时间值中的最小时间值作为该线下交易类别对应于该概率值的时间值；
对于另一定时期内每一天，获取该天智能柜台办理交易的交易数据及该天智能柜台办理交易的总时间；
对于每个概率值，根据另一定时期内每一天智能柜台办理交易的交易数据，计算该天中所包含的所有交易归属的线下交易类别对应于该概率值的时间值之和，将该和确定为该天对应的预估时间和；
确定该天智能柜台办理交易的总时间与该天对应的预估时间和的差的绝对值，作为该天对应的误差；
计算另一定时期内所有天对应的误差的平方和，将该平方和确定为该概率值对应的误差；
从多个概率值中，选取对应的误差最小的概率值，作为最小误差概率值；
对于每个线下交易类别，将该线下交易类别对应于最小误差概率值的时间值设置为智能柜台办理该线下交易类别的交易的预估时间。
14.根据权利要求8所述的系统，其特征在于，所述数量确定模块具体用于：
对于每一天，基于该指定区域在该天关于各个线下交易类别的交易量及智能柜台办理各个线下交易类别的预估时间，确定该指定区域在该天的总服务时间；
根据该指定区域在同一时期内每一天的总服务时间，确定该指定区域的预估总服务时间；
将该指定区域的预估总服务时间除以智能柜台的营业时长，向上取整，得到该指定区域内需要部署的智能柜台的数量。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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7任一所述方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
CN202210383352.4A 2022-04-13 2022-04-13 基于交易量确定智能柜台数量的方法及系统 Active CN114723145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210383352.4A CN114723145B (zh) 2022-04-13 2022-04-13 基于交易量确定智能柜台数量的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210383352.4A CN114723145B (zh) 2022-04-13 2022-04-13 基于交易量确定智能柜台数量的方法及系统

Publications (2)

Publication Number Publication Date
CN114723145A true CN114723145A (zh) 2022-07-08
CN114723145B CN114723145B (zh) 2024-10-18

Family

ID=82244229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210383352.4A Active CN114723145B (zh) 2022-04-13 2022-04-13 基于交易量确定智能柜台数量的方法及系统

Country Status (1)

Country Link
CN (1) CN114723145B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094713A (zh) * 2023-10-18 2023-11-21 杭州青橄榄网络技术有限公司 一种基于智慧校园的自助缴费方法及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171879A1 (en) * 2004-02-02 2005-08-04 Li-Lan Lin Interactive counter service system for banks and similar finance organizations
US10055722B1 (en) * 2014-05-21 2018-08-21 Square, Inc. Transitioning point-of-sale devices between modes
CN111950915A (zh) * 2020-08-18 2020-11-17 中国银行股份有限公司 银行网点柜员工作量的评估方法及装置
CN113487326A (zh) * 2021-07-27 2021-10-08 中国银行股份有限公司 基于智能合约的交易限制参数设置方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171879A1 (en) * 2004-02-02 2005-08-04 Li-Lan Lin Interactive counter service system for banks and similar finance organizations
US10055722B1 (en) * 2014-05-21 2018-08-21 Square, Inc. Transitioning point-of-sale devices between modes
CN111950915A (zh) * 2020-08-18 2020-11-17 中国银行股份有限公司 银行网点柜员工作量的评估方法及装置
CN113487326A (zh) * 2021-07-27 2021-10-08 中国银行股份有限公司 基于智能合约的交易限制参数设置方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094713A (zh) * 2023-10-18 2023-11-21 杭州青橄榄网络技术有限公司 一种基于智慧校园的自助缴费方法及终端
CN117094713B (zh) * 2023-10-18 2024-02-23 杭州青橄榄网络技术有限公司 一种基于智慧校园的自助缴费方法及终端

Also Published As

Publication number Publication date
CN114723145B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN112633842B (zh) 任务推送方法、装置及系统
CN114723145A (zh) 基于交易量确定智能柜台数量的方法及系统
US9003419B2 (en) Network balancing procedure that includes redistributing flows on arcs incident on a batch of vertices
CN114638693A (zh) 确定银行网点业务类型范围的方法及系统
CN114418063B (zh) 神经网络模型中网络层的分配方法与装置
CN114461326B (zh) 银行网点的自助终端界面处理方法及装置
CN115578180A (zh) 银行网点的现金资源的管理方法及装置
CN110097442A (zh) 用于财税业务的智能匹配方法、系统和电子设备
CN114638723A (zh) 基于业务办理数据进行风险分析的方法及系统
CN114862108A (zh) 自助设备的选址处理方法及系统
CN114936921A (zh) 贷款风险控制方法及装置
CN111984637B (zh) 数据建模中的缺失值处理方法和装置、设备及存储介质
CN113052507A (zh) 一种均匀分配数据的方法和装置
CN114862236B (zh) 基于客户路径信息确定银行网点部署地址的方法及装置
CN114707853A (zh) 银行网点的终端配置方法及系统
CN114997269A (zh) 银行网点的人脸识别处理方法及系统
CN114781524A (zh) 通过分析交易风险确定人脸识别阈值的方法及系统
CN114782167A (zh) 银行网点的客户交易风险控制方法及系统
CN114782164A (zh) 银行网点的现金交易风险分析方法及系统
CN114881699A (zh) 一种基于地域聚类的银行产品投放处理方法及装置
CN114881785A (zh) 智能柜台的服务模式处理方法及装置
CN114862601A (zh) 自助终端的现金资源处理方法及装置
CN114881766A (zh) 一种银行产品风险控制方法和装置
CN114626937A (zh) 确定银行网点营业窗口数量的方法及装置
CN115082192A (zh) 基于客户持仓产品的产品推荐方法及装置

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