CN114819494A - 一种企业风险预警方法、装置、设备及介质 - Google Patents
一种企业风险预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114819494A CN114819494A CN202210270857.XA CN202210270857A CN114819494A CN 114819494 A CN114819494 A CN 114819494A CN 202210270857 A CN202210270857 A CN 202210270857A CN 114819494 A CN114819494 A CN 114819494A
- Authority
- CN
- China
- Prior art keywords
- risk
- enterprise
- early warning
- rule
- probability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 8
- 238000011835 investigation Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种企业风险预警方法、装置、设备及介质，包括：分别确定各业务场景对应的风险规则；将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；通过所述关联后的风险规则构建预警模型；获取待处理企业，并确定所述待处理企业所属的群组；将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
Description
技术领域
本说明书涉及计算机的技术领域，尤其涉及一种企业风险预警方法、装置、设备及介质。
背景技术
企业风险预警根据企业的特点，通过收集相关的资料信息，监控风险因素的变动趋势，并评价各种风险状态偏离预警线的强弱程度，向决策层发出预警信号。
现有的企业风险预警方式大都通过人工方式，由于监控人员不足，很容易导致监控不到位的情况，从而可能出现向决策层发出的预警信号不及时与不准确的情况。
发明内容
本说明书一个或多个实施例提供了一种企业风险预警方法、装置、设备及介质，用于解决如下技术问题：
现有的企业风险预警方式大都通过人工方式，由于监控人员不足，很容易导致监控不到位的情况，从而可能出现向决策层发出的预警信号不及时与不准确的情况。
本说明书一个或多个实施例采用下述技术方案：
本说明书一个或多个实施例提供的一种企业风险预警方法，所述方法包括：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
进一步的，所述风险规则是对企业的预警指标划分为一个或多个区间，并将所述一个或多个区间与风险等级做映射。
进一步的，所述企业的预警指标提取时，所述方法还包括：
根据企业数据的结构、特征与分布，在大数据AI算法建模的企业风险预警平台建立信用指标遴选模型；
通过所述指标遴选模型对企业的预警指标进行提取。
进一步的，所述通过所述指标遴选模型对企业的预警指标进行提取，具体包括：
通过所述指标遴选模型评估企业的工商信息、税务信息、社保公积金信息、法院判决信息、关联企业信息、司法信息、失信信息、被执行人信息、知识产权信息以及舆情信息，得到企业的评估数据；
根据所述评估数据对企业从风险评估、信用评估及企业画像维度进行信用分析，以得到企业的预警指标。
进一步的，所述预警模型包括风险等级规则单元、规则树风险等级，以及概率规则单元与汇总风险等级与概率规则单元；
其中，所述预警等级规则单元用于确定各级预警指标的风险等级；
规则树风险等级与概率规则单元用于生成司法、法人、工商、经营、关联、信用对应的规则树，并确定所述规则树对应的风险等级与概率；
所述汇总风险等级与概率规则单元用于将所述规则树对应的风险等级与概率进行汇总，生成最终的风险标签与概率。
进一步的，所述规则树对应的风险等级与概率进行汇总时，汇总规则为：
当所述规则树对应的风险等级中存在一个或多个超出第一阈值的风险等级，则所述最终的风险标签为风险企业；
当所述规则树对应的风险等级中不存在超出阈值的风险等级，通过预设公式确定最终的概率，若所述最终的概率超出第二阈值，则所述最终的风险标签为风险企业，否则，所述最终的风险标签为非风险企业。
进一步的，所述预设公式为：最终的概率＝司法权重*司法概率+法人权重*法人概率+工商权重*工商概率+经营权重*经营概率+关联权重*关联概率+信用权重*信用概率。
本说明书一个或多个实施例提供的一种企业风险预警装置，所述装置包括：
确定单元，分别确定各业务场景对应的风险规则；
关联单元，将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
构建单元，通过所述关联后的风险规则构建预警模型；
获取单元，获取待处理企业，并确定所述待处理企业所属的群组；
结果单元，将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
本说明书一个或多个实施例提供的一种企业风险预警设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
一、可以提供规则管理器，内置预警指标和规则，预警模型实现公司单一客户、关联客户、行业政策、法定代表人的组合预警，准确、高效地捕捉到数据背后潜藏的风险。
二、用户可以自定义告警规则以及时间，对于风险的定义、监控范围、告警频次可进行灵活配置，满足不同业务场景需求。
三、实时告警，24小时全天候风险扫描，获取到风险实时推送用户。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书一个或多个实施例提供的一种企业风险预警方法的流程示意图；
图2为本说明书一个或多个实施例提供的打分矩阵与权重结果示意图；
图3为本说明书一个或多个实施例提供的一种企业风险预警装置的结构示意图；
图4为本说明书一个或多个实施例提供的一种企业风险预警设备的结构示意图。
具体实施方式
本说明书实施例提供一种企业风险预警方法、装置、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
图1为本说明书一个或多个实施例提供的一种企业风险预警方法的流程示意图，该流程可以由企业风险预警平台执行，该平台可以应用在风险预警系统，用于为向决策层及时准确的发出预警信号，流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。
本说明书实施例的方法流程步骤如下：
S102，分别确定各业务场景对应的风险规则。
在本说明书实施例中，风险规则是对企业的预警指标划分为一个或多个区间，并将所述一个或多个区间与风险等级做映射。
进一步的，本说明书实施例中企业的预警指标提取时，可以根据企业数据的结构、特征与分布，在大数据AI算法建模的企业风险预警平台建立信用指标遴选模型；然后，通过该指标遴选模型对所述企业的预警指标进行提取。
其中，企业数据是预先获取的企业的数据，比如包括反映企业的收入能力数据、行政违法处理数据等。
在本说明书实施例中，通过所述指标遴选模型对所述企业的预警指标进行提取时，可以先通过所述指标遴选模型评估所述企业的工商信息、税务信息、社保公积金信息、法院判决信息、关联企业信息、司法信息、失信信息、被执行人信息、知识产权信息以及舆情信息，得到所述企业的评估数据；然后，根据所述评估数据对企业从风险评估、信用评估及企业画像维度进行信用分析，以得到所述企业的预警指标。
S104，将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则。
在本说明书实施例中的群组是对企业的管理，可对企业进行不同群组划分。本说明书实施例将企业执行风险预警细化到群组里，相同的群组可以执行相同的风险规则，即同群组可以执行相同风险策略。
需要说明的是，本说明书实施例的风险规则也可以认定为预警方案与风险策略。
S106，通过所述关联后的风险规则构建预警模型。
本说明书实施例的预警模型可以包括风险等级规则单元、规则树风险等级与概率规则单元，以及汇总风险等级与概率规则单元。
其中，所述预警等级规则单元可以用于确定各级预警指标的风险等级；规则树风险等级与概率规则单元可以用于生成司法、法人、工商、经营、关联、信用对应的规则树，并确定所述规则树对应的风险等级与概率；所述汇总风险等级与概率规则单元可以用于将所述规则树对应的风险等级与概率进行汇总，生成最终的风险标签与概率。
进一步的，本说明书实施例的规则树对应的风险等级与概率进行汇总时，汇总规则可以为：当所述规则树对应的风险等级中存在一个或多个超出第一阈值的风险等级，则所述最终的风险标签为风险企业；当所述规则树对应的风险等级中不存在超出阈值的风险等级，通过预设公式确定最终的概率，若所述最终的概率超出第二阈值，则所述最终的风险标签为风险企业，否则，所述最终的风险标签为非风险企业。
进一步的，预设公式可以为：最终的概率＝司法权重*司法概率+法人权重*法人概率+工商权重*工商概率+经营权重*经营概率+关联权重*关联概率+信用权重*信用概率。
S108，获取待处理企业，并确定所述待处理企业所属的群组。
S110，将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
在本说明书实施例中，得到待处理企业所属的群组后，由于本说明书实施例将企业执行风险预警细化到群组里，相同的群组可以执行相同的风险规则，通过群组信息可以通过预警模型得到待处理企业对应风险规则。
当前金融机构贷后管理普遍存在贷后管理人员配置相对不足，导致贷后管理工作无法及时发现企业风险，尤其是针对小微企业等普惠群体，由于放贷金额较小、企业数量较多，对贷后管理人员压力更大，依靠传统人工上网搜集企业风险信息的做法效率低下，增大了贷后管理难度。金融机构在大数据建设方面，数据孤岛问题严重，这包括行内的数据孤岛与银行和外部机构之间的数据孤岛，这严重影响了金融机构对企业的贷后风险监控的有效性与实时性。银行目前贷后风险监控主要依靠线下走访，发现企业风险线索。贷后预警指标方面，行内数据指标主要依靠客户还款情况进行预警，丰富度较差。部分银行接入司法、工商等外部数据，但缺乏企业纳税、水、电、企业信用信息等经营、信用类数据，导致监控企业风险不全面。
针对贷后管理问题，可以采用上述提到的大数据AI算法建模的企业风险预警平台，该平台是利用爬取的网页数据与政府大数据建立的管理平台，以进行实时信号预警、AI预警模型、预警分级管理等为主要模块提供借贷后的预警服务，可以完整覆盖金融机构全部贷后企业的实时风险监测与管理，实现对贷后企业风险预警的精准分析，将线上大数据预警识别结果和对应的贷后管理相互补充，有效降低贷后成本，降低不良率，提高回款率。
企业数据资源可以包括：工商数据、行政处罚、税务信息、司法数据、信用信息、舆情信息、法定代表人个人数据、第三方数据等。其中第三方数据涉及银行内部存量数据以及银行指定采集数据源，该部分数据涉及到定制开发与系统集成方面的工作。基于底层数据与业务理解，进行企业贷后风险指标提取与加工工作，形成工商、司法、信用、经营、关联、舆情、法人七大类指标。大数据AI算法建模的企业风险预警平台内置的规则模型可以包含风险等级规则单元、规则树风险等级与概率规则单元，以及汇总风险等级与概率规则单元。
本说明书实施例可以为金融机构提供贷后监控服务，辅助金融机构贷后预警，定向实时推送客户贷后预警信息；辅助金融机构贷后催收，定时更新客户信用评级结果。
需要说明的是，在本说明书实施例的上述方案是为优化中小微企业发展的社会信用环境，充分发挥征信中心、征信机构作用，推动各级政府依托征信平台，提高金融机构对中小微企业的风险识别能力，帮助经营稳定、信用良好的企业获得融资支持、降低融资成本。
针对上述方案，可以通过下述具体方案对本说明书实施例进行说明：
大数据AI算法建模的企业风险预警平台框架以互联网化和开源化为需求驱动，采用互联网架构模式，充分吸收业界优秀开源组件，保证框架的稳定性、可扩展性和易用性。该平台可以基于Model2模型，包含展现层、交互层、业务逻辑层和数据持久层。
该平台可以包含以下功能：
风险概览：统一前端界面展示，构造完整的客户风险视图，全方位、多角度展示用户监控的企业的情况，多维度统计展示企业自身及关联的企业和人(包括法人、高管、股东等)的产生的风险情况以及风险事件的详情。
预警管理：用户根据自身业务场景不同，可对风险进行自定义，对风险的等级以及推送的规则进行个性化定制，实现灵活的预警管理，满足不同业务场景需要。
预警报告：将被监控企业监控到的风险以时间轴的形式进行展示，生成企业贷后风险报告，形象直观，并且可以根据风险的严重程度以及风险的种类进行筛选，帮助用户快速了解该企业监控到的风险的全貌。
企业画像：基于工商、司法等政府公开数据以及征信公司所掌握的政府特色数据，生成企业全维度画像，多维度刻画企业形象，方便用户全面了解企业。
推送管理：用户可以基于自身业务需要以及工作习惯，自定义告警的方式以及时间，通过多个手机号以及邮箱接收告警短信以及邮件，实现灵活的预警管理，满足不同业务场景需求，保证告警信息不遗漏，将风险降至最低。
风险处置：针对被监控企业新增的预警信息，做出审批处理。
该平台实现步骤主要包括：
1.基于政务数据资源
政府数据是大数据AI算法建模的企业风险预警平台核心价值数据之一，例如社保公积金数据能反映个人的收入能力，失业风险，工作稳定性；行政违法处罚、税务违法处罚数据反映企业的运营风险等等。大数据AI算法建模的企业风险预警平台标准数据资源目录作为数据分析、数据挖掘、数据应用、智能风控的底层基础设施，从数据规范性方面保证数据质量，也能灵活应对各地市政府出具特色征信报告的需求。
2.预警指标加工
税务、社保、司法、市场监管等核心数据从数据集到产品应用，则需要征信机构根据数据的结构，特征，分布建立信用指标遴选模型，进行不同应用场景下的数据特征指标提取。
大数据AI算法建模的企业风险预警平台综合评估企业工商信息、税务信息、社保公积金信息、法院判决信息、关联企业信息、司法信息、失信信息、被执行人信息、知识产权信息、舆情信息等服务，同时结合水电气、电力、农业等各行各业的特色数据，利用知识图谱技术、相关性分析技术深度挖掘企业数据的信用价值，现已对企业实现从基本面、风险评估、信用评估及企业画像等20大类维度，细分近200项分析指标的信用分析，更加全面的还原企业的真实还款能力、还款意愿。
3.预警模型
预警模型包括风险等级规则单元、规则树风险等级与概率规则单元，以及汇总风险等级与概率规则单元。
3.1风险等级规则单元
云警预警指标预警等级规则模型是判断二级指标预警等级的规则模型。在同一一级指标下，确定每个二级指标的预警等级，当有一条严重预警时，则二级指标为严重；当未出现严重预警时，统计一般预警数量，当超过给定阈值时，该二级指标由一般变严重，否则为一般。其中信用风险下的纳税信用根据三级指标纳税评级、欠税金额、涉税处罚和税收违法来判断。
3.2规则树风险等级与概率规则单元
云警单棵树预警等级与概率规则模型涵盖司法、法人、工商、经营、关联、信用6棵规则树，通过对规则树中指标的预警等级情况生成综合的单棵树预警等级与概率。针对单个监控企业，该模型会生成基于6棵树的6个预警等级，并提示其在每棵树中对应的预警标签概率。其中，概率的表现形式为(严重，一般，无风险)，每棵树输出的概率为企业所处路径对应的概率；标签为概率最大值对应的标签。
3.3汇总风险等级与概率规则单元
基于云警单棵树预警等级与概率规则模型，通过AHP概率加总的方法将6个预警等级的概率进行加成，生成最终的预警标签与预警概率。其中，概率的表现形式为(严重，一般，无风险)，输出的标签为概率最大值对应的标签。
大数据AI算法建模的企业风险预警平台采用AHP打分矩阵与权重结果，可以参见图2示出的打分矩阵与权重结果示意图：
上述方案的汇总规则为：
(1)当6棵树分别生成的预警等级中包含一个或多个严重风险，则最终等级为严重风险，概率为(100％，0％，0％)；
(2)其他情况下，生产预警等级与概率的公式为：
司法权重*司法概率+法人权重*法人概率+工商权重*工商概率+经营权重*经营概率+关联权重*关联概率+信用权重*信用概率＝(总概率严重％，总概率一般％，总概率无风险％)
结合上述方案，本说明书实施例综合了自有数据指标治理能力、第三方数据以及政府数据，全方位多角度监控企业各项数据，建立大数据贷后风险预警体系，提供可视化工作台，实现规模化贷后，完成以下效果：
其一，提供规则管理器，内置贷后预警指标和规则，贷后预警模型实现公司单一客户、关联客户、行业政策、法定代表人的组合预警，准确、高效地捕捉到数据背后潜藏的风险。
其二，用户自定义告警规则以及时间，对于风险的定义、监控范围、告警频次可进行灵活配置，满足不同业务场景需求。
其三，实时告警，24小时全天候风险扫描，获取到风险实时推送用户。
本说明书实施例通过整合数据资源，运用贷后风险预警模型全面监测、识别企业贷后风险，并自动、实时将风险数据推送给金融机构，可以通过概览了解系统运行情况，当前关注的企业情况，当前平台产生的风险分布情况等。包括：统计值、企业风险排名、风险行业分布、风险来源分布、风险热力图、群组风险趋势、风险事件分布、群组风险分布八部分。同时，本说明书实施例可以以动态消息为切入点，展示当前群组、群组下关注企业以及由动态消息触发的风险信息。
需要说明的是，本说明书实施例的群组是对监控企业的管理，可对企业进行不同群组划分。企业执行预警方案细化到群组里，相同的群组执行相同的预警方案即同群组执行相同风险策略任务。
进一步的，针对预警方案的配置管理，预警方案是对动态风险的风险划定，风险划定是由风险规则划定，风险规则是对预警指标的值划分一个或多个区间，并将区间与风险等级做映射，在调预警指标时根据值是否命中设定的区间判断是否命中该条规则，依据命中在哪个区间对应风险等级。
风险预警的方案与群组关联，群组内的企业按群组关联的预警方案执行风险策略任务。方案包含方案管理和监控规则项设置，默认方案不可编辑，自定义方案可调整阈值和等级
此外，大数据AI算法建模的企业风险预警平台是一站式互联网大数据征信产品，为银行、保险、互联网金融、供应链金融等场景提供贯穿事前风险准入评估、事中动态风险监测的实时在线大数据征信服务。大数据AI算法建模的企业风险预警平台分为三部分：第一预警方案(风险策略)由风险规则组成，第二部分是风险预警的方案与群组关联，第三部分是结合预警规则与预警模型，灵活设置预警时间，预警等级和方式(邮件、短信、微信等)，及时发现、处理风险。
其中，风险预警的方案与群组关联，群组内的企业按群组关联的预警方案执行风险策略任务，群组是对监控企业的管理，可对企业进行不同群组划分。企业执行预警方案细化到群组里，相同的群组执行相同的预警方案即同群组执行相同风险策略任务。
预警方案由风险规则组成，风险规则是对预警指标的值划分一个或多个区间，并将区间与风险等级做映射，在调预警指标时根据值是否命中设定的区间判断是否命中该条规则，根据命中在哪个区间对应风险等级。
针对预警规则与预警模型，预警模型是判断二级指标预警等级的规则模型。在同一一级指标下，确定每个二级指标的预警等级，当有一条严重预警时，则二级指标为严重；当未出现严重预警时，统计一般预警数量，当超过给定阈值时，该二级指标由一般变严重，否则为一般。其中信用风险下的纳税信用根据三级指标纳税评级、欠税金额、涉税处罚和税收违法来判断。
针对预警等级，基于云警单棵树预警等级与概率规则模型，通过AHP概率加总的方法将6个预警等级的概率进行加成，生成最终的预警标签与预警概率。其中，概率的表现形式为(严重，一般，无风险)，输出的标签为概率最大值对应的标签。
需要说明的是，本说明书实施例可以应用于金融机构、增信机构、中小微企业等领域。以各地方政府征信数据指标为基础，融合金融机构内外部数据建立预警指标，建立精准科学的贷后预警引擎，通过贷后企业经营状况监控、企业关联风险预警、供应链上下游企业监控，覆盖金融机构的企业客户的贷后全程风险监测与贷后管理工作
需要说明的是，本说明书实施例提供一种基于大数据AI算法建模的企业风险预警平台，为银行、保险、互联网金融、供应链金融等场景提供贯穿事前风险准入评估、事中动态风险监测的实时在线大数据征信服务。通过精准搜索、智能评级、实时报告、风险看板、风险预警、关联关系等核心功能对企业的变化及时发现，并将变化内容推送给监控的用户，完成金融机构对企业贷后风险的监控识别、风险处理；通过采集企业的工商基本信息、涉诉信息、税务、发票数据形成企业信用数据；通过提取加工贷后预警指标，形成企业风险信号，并对风险信号与风险等级进行实时推送、预警，及时发现风险源，规避信贷资产损失。解决长期以来，难以有效识别客户资质变化，防范再贷余额风险等短板，造成风控能力弱、服务力量不足的短板，无法实时捕获企业贷后风险的问题。
需要说明的是，本说明书实施例的方法可以包括：S1：根据自身业务场景不同，可对风险进行自定义，实现灵活的预警管理，满足不同业务场景需要；S2:对多源异构的复杂业务数据进行实时关联分析，深度挖掘群体关联特征，基于图计算构建股权穿透、关联认定、受益人分析、关联风险矩阵等进行可视化业务分析；S3：结合预警规则与预警模型，灵活设置预警时间和方式(邮件、短信、微信等)，及时发现、处理风险。
与上述实施例相对应的是，图3为本说明书一个或多个实施例提供的一种企业风险预警装置的结构示意图，所述装置包括：确定单元302、关联单元304、构建单元306、获取单元308与结果单元310。
确定单元302分别确定各业务场景对应的风险规则；
关联单元304将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
构建单元306通过所述关联后的风险规则构建预警模型；
获取单元308获取待处理企业，并确定所述待处理企业所属的群组；
结果单元310将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
与上述实施例相对应的是，图4为本说明书一个或多个实施例提供的一种企业风险预警设备的结构示意图，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种企业风险预警方法，其特征在于，所述方法包括：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
2.根据权利要求1所述方法，其特征在于，所述风险规则是对企业的预警指标划分为一个或多个区间，并将所述一个或多个区间与风险等级做映射。
3.根据权利要求2所述方法，其特征在于，所述企业的预警指标提取时，所述方法还包括：
根据企业数据的结构、特征与分布，在大数据AI算法建模的企业风险预警平台建立信用指标遴选模型；
通过所述指标遴选模型对企业的预警指标进行提取。
4.根据权利要求3所述方法，其特征在于，所述通过所述指标遴选模型对企业的预警指标进行提取，具体包括：
通过所述指标遴选模型评估企业的工商信息、税务信息、社保公积金信息、法院判决信息、关联企业信息、司法信息、失信信息、被执行人信息、知识产权信息以及舆情信息，得到企业的评估数据；
根据所述评估数据对企业从风险评估、信用评估及企业画像维度进行信用分析，以得到企业的预警指标。
5.根据权利要求2所述方法，其特征在于，所述预警模型包括风险等级规则单元、规则树风险等级，以及概率规则单元与汇总风险等级与概率规则单元；
其中，所述预警等级规则单元用于确定各级预警指标的风险等级；
规则树风险等级与概率规则单元用于生成司法、法人、工商、经营、关联、信用对应的规则树，并确定所述规则树对应的风险等级与概率；
所述汇总风险等级与概率规则单元用于将所述规则树对应的风险等级与概率进行汇总，生成最终的风险标签与概率。
6.根据权利要求5所述方法，其特征在于，所述规则树对应的风险等级与概率进行汇总时，汇总规则为：
当所述规则树对应的风险等级中存在一个或多个超出第一阈值的风险等级，则所述最终的风险标签为风险企业；
当所述规则树对应的风险等级中不存在超出阈值的风险等级，通过预设公式确定最终的概率，若所述最终的概率超出第二阈值，则所述最终的风险标签为风险企业，否则，所述最终的风险标签为非风险企业。
7.根据权利要求6所述方法，其特征在于，所述预设公式为：最终的概率＝司法权重*司法概率+法人权重*法人概率+工商权重*工商概率+经营权重*经营概率+关联权重*关联概率+信用权重*信用概率。
8.一种企业风险预警装置，其特征在于，所述装置包括：
确定单元，分别确定各业务场景对应的风险规则；
关联单元，将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
构建单元，通过所述关联后的风险规则构建预警模型；
获取单元，获取待处理企业，并确定所述待处理企业所属的群组；
结果单元，将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
9.一种企业风险预警设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
10.一种非易失性计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令设置为：
分别确定各业务场景对应的风险规则；
将所述风险规则分别与预先设定的群组进行关联，得到关联后的风险规则；
通过所述关联后的风险规则构建预警模型；
获取待处理企业，并确定所述待处理企业所属的群组；
将所述待处理企业所属的群组输入至所述预警模型，得到所述待处理企业对应风险规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210270857.XA CN114819494A (zh) | 2022-03-18 | 2022-03-18 | 一种企业风险预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210270857.XA CN114819494A (zh) | 2022-03-18 | 2022-03-18 | 一种企业风险预警方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114819494A true CN114819494A (zh) | 2022-07-29 |
Family
ID=82531446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210270857.XA Pending CN114819494A (zh) | 2022-03-18 | 2022-03-18 | 一种企业风险预警方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819494A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776390A (zh) * | 2023-08-15 | 2023-09-19 | 上海观安信息技术股份有限公司 | 一种数据泄漏行为的监测方法、装置、存储介质及设备 |
| CN118014376A (zh) * | 2024-04-09 | 2024-05-10 | 中交二公局东萌工程有限公司 | 一种工程施工项目风险追踪预警方法 |
| CN118313663A (zh) * | 2024-04-22 | 2024-07-09 | 武汉艾普网络科技有限公司 | 一种企业运维风控管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
| CN113837862A (zh) * | 2021-09-27 | 2021-12-24 | 天元大数据信用管理有限公司 | 一种基于征信的贷后风险预警方法、设备及介质 |
| CN114066242A (zh) * | 2021-11-11 | 2022-02-18 | 北京道口金科科技有限公司 | 一种企业风险的预警方法及装置 |
-
2022
- 2022-03-18 CN CN202210270857.XA patent/CN114819494A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
| CN113837862A (zh) * | 2021-09-27 | 2021-12-24 | 天元大数据信用管理有限公司 | 一种基于征信的贷后风险预警方法、设备及介质 |
| CN114066242A (zh) * | 2021-11-11 | 2022-02-18 | 北京道口金科科技有限公司 | 一种企业风险的预警方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776390A (zh) * | 2023-08-15 | 2023-09-19 | 上海观安信息技术股份有限公司 | 一种数据泄漏行为的监测方法、装置、存储介质及设备 |
| CN118014376A (zh) * | 2024-04-09 | 2024-05-10 | 中交二公局东萌工程有限公司 | 一种工程施工项目风险追踪预警方法 |
| CN118313663A (zh) * | 2024-04-22 | 2024-07-09 | 武汉艾普网络科技有限公司 | 一种企业运维风控管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Fintech credit risk assessment for SMEs: Evidence from China | |
| US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
| CN114819494A (zh) | 一种企业风险预警方法、装置、设备及介质 | |
| CN114066242A (zh) | 一种企业风险的预警方法及装置 | |
| Zarutska et al. | Structural-functional analysis as innovation in public governance (case of of banking supervision) | |
| CN106530078A (zh) | 基于跨行业数据的贷款风险预警方法及系统 | |
| Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
| Flögel et al. | The Banking Systems of Germany, the UK and Spain from a Spatial Perspective: The German Case | |
| US20080126155A1 (en) | Method and apparatus for enterprise operation assessment | |
| Foglia et al. | From me to you: Measuring connectedness between Eurozone financial institutions | |
| CN113449964A (zh) | 一种企业金融风险监测预警系统及监测预警方法 | |
| Su et al. | Curbing credit corruption in China: The role of FinTech | |
| CN113722433A (zh) | 一种信息推送方法、装置、电子设备及计算机可读介质 | |
| CN107679977A (zh) | 一种基于语义分析的税务管理平台及实现方法 | |
| Xia et al. | Peer-to-peer lending platform risk analysis: an early warning model based on multi-dimensional information | |
| Okoye et al. | Sustainability reporting: A paradigm for stakeholder conflict management | |
| Bender et al. | A General Framework for the Identification and Categorization of Risks-An Application to the Context of Financial Markets | |
| CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 | |
| Geraldina | The quality of risk disclosure: Evidence from infrastructure industry in Indonesia | |
| Tahat | Risk disclosure associated with financial statements reporting of Jordanian public corporations | |
| Zhai et al. | Big data analysis of accounting forecasting based on machine learning | |
| CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
| Gathu et al. | Effect of Mobile Banking on the Performance of Co-operative Bank of Kenya | |
| CN112580992B (zh) | 类金融企业的非法集资风险监测系统 | |
| CN114066624A (zh) | 基于图计算的黑名单关联图谱挖掘方法及系统 |
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 |