CN114997588A - 一种金融企业风险识别预警方法及系统 - Google Patents
一种金融企业风险识别预警方法及系统 Download PDFInfo
- Publication number
- CN114997588A CN114997588A CN202210484283.6A CN202210484283A CN114997588A CN 114997588 A CN114997588 A CN 114997588A CN 202210484283 A CN202210484283 A CN 202210484283A CN 114997588 A CN114997588 A CN 114997588A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- enterprise
- financial
- financial enterprise
- 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 41
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000010408 sweeping Methods 0.000 claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2264—Multidimensional index structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Fuzzy Systems (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种金融企业风险识别预警方法及系统，方法包括步骤：数据采集模块接入第一系统平台、第一系统平台及社会数据平台，获取第一金融企业数据；数据处理模块对所述第一金融企业数据进行预处理，获取第二金融企业数据、将获取的第二金融企业数据传输到大数据分析模块；构建多维度指标列表；大数据分析模块对第二金融企业数据与多维度指标列表分别解析对比，并将解析数据传输到专家评估模块；风险分析模块对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单。通过利用构建的多维度指标列表进行分别解析对比，根据专家评估结果及扫楼机器人输出的风险系数对金融企业风险进行分析，提高了金融企业预警的准确度，解决了采用传统人工分析方法识别金融企业风险时人力消耗巨大的问题。
Description
技术领域
本发明涉及大数据分析技术领域，特别涉及一种金融企业风险识别预警方法及系统。
背景技术
随着社会经济的发展，计算机技术、移动互联网技术的进入了飞速发展时期，各行各业都开始走向与互联网融合的道，特别是相关部门提供了大量的便民服务，让人们足不出户就可以办理各种业务。伴随着这些系统产生了海量的数据，这些海量数据中蕴含有大量的信息，具有丰富的利用价值，通过对这些数据的分析，可以帮助相关部门抽丝剥茧，找出潜在的风险隐患。
互联网金融因借助互联网技术，其与传统金融相比，风险具有隐秘性、传染性、突发性和广泛性。近年来网络金融风险事件呈爆发式增长，通过总结，网络金融风险事件具有以下特点：
1、风险事件融合态势明显，风险事件数量逐年上升。互联网技术的“普适性”加之金融自身的高收益、高风险、众参与属性，导致互联网金融较传统金融业务的风险成倍增加。一些机构或个人以“互联网金融创新”的噱头，虚假宣传、招徕投资人，对于吸收的投资款项任意处置或肆意挥霍，最终导致无法兑付，给广大的投资人造成严重损失。
2、风险事件涉及金额巨大，投资人分布区域广。一些网络金融投资人遍及全国甚至海外，网络平台吸收金额巨大，一旦风险爆发对于相关部门来说处理的难度较大。
3、风险主体组织化、公司化。众多的网络金融风险事件以共同实施的组织形式出现，借投资、理财、科技公司等名义实施相关活动。
4、风险对象重叠化、年轻化。随着公众对理财的需求提升，网络金融平台假借“理财”、“投资”等名义吸收公众存款，一个投资人可能投资多个平台，一个平台也可能吸收相同投资人的多次投资。同时“赌博型投资”增多——个别投资人通过借贷或举个人或家庭的全部财产进行投资，被骗后损失惨重。此外，因年轻人较多地接触网络，在网络金融平台的投资人中，以80后、90后的群体为主。
5、黑灰产业链形成，网络金融风险事件呈现产业化。网络金融风险事件呈现跨部门、跨行业的趋势，通过网络，不同类型的行为人“联络”起来，形成了黑灰产业链。随着网络技术的发展，此种产业链的分工日趋精细，且突破了传统的联络方式，打击难度大。
6、风险事件追回资金难度大。网络金融风险事件中，行为人通过第三方资金托管、利用虚假账户转移资金等使得资金的流向复杂，甚至将资金流向境外，使得相关部门追回资金损失难度增大。许多网络金融风险事件发生后，投资人被兑付的比例不到10%。
正因为金融企业发生风险的隐蔽性与突发性，定位到真实的实施者很难。
发明内容
金融企业风险存在隐蔽性与突发性的特点，使得相关部门十分被动，往往给投资人造成无法挽回的损失，但是采用传统人工分析的方法，不仅耗费巨大人力，而且效果有限。
针对上述问题，提出一种金融企业风险识别预警方法及系统，通过获取海量数据，对海量数据进行大数据分析后，利用构建的多维度指标列表进行分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果，根据所述专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单，大大提高了金融企业预警的准确度，节省了人力资源，解决了采用传统人工分析方法识别金融企业风险时人力消耗巨大的问题。
一种金融企业风险识别预警方法，包括：
步骤100、数据采集模块接入第一系统平台、第二系统平台及社会数据平台，获取第一金融企业数据；
步骤200、数据处理模块对所述第一金融企业数据进行预处理，获取第二金融企业数据、并将所述第二金融企业数据传输到大数据分析模块；
步骤300、预警系统预先将企业金融信息按照不同评估维度进行分类，构建多维度指标列表；
步骤400、所述大数据分析模块将述第二金融企业数据与所述多维度指标列表分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果；
步骤500、根据所述专家评估结果及扫楼机器人输出的风险系数，风险分析模块对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单；
其中，所述步骤500包括：
步骤510，利用扫楼机器人对金融企业目标人群活动进行运算分析，获取金融企业的风险系数。
结合本发明所述的金融企业风险识别预警方法，第一种可能的实施方式中，所述步骤100包括：
步骤110、第一系统平台将高层楼宇数据、无感采集数据传输到所述数据采集模块；
步骤120、第一系统平台根据所述高层楼宇数据、无感采集数据进行二次运算，获取自算数据，并将所述自算数据传输到所述数据采集模块。
结合本发明第一种可能的实施方式，第二种可能的实施方式中，所述步骤100还包括：
步骤130、将第二系统平台接入多个政务系统；
步骤140、将获取的多项政务数据传输到所述数据采集模块。
结合本发明第二种可能的实施方式，第三种可能的实施方式中，所述步骤200包括：
步骤210、数据采集模块对获取第一金融企业数据进行预处理：数据清洗、数据标注及结构化处理；
步骤220、对预处理后的第一金融企业数据进行挖掘分析，获取第二金融企业数据；
步骤230、对所述第二金融企业数据进行归档存储。
结合本发明第三种可能的实施方式，第四种可能的实施方式中，所述步骤300包括：
步骤310、预警系统将企业金融数据按照人员背景、企业背景、经营情况、企业网站、网络舆情、投资人、过往风险事件及资金特征维度进行分类；
步骤320、将每一维度对应的指标分为核心指标及常规指标；
步骤330、依据金融数据维度及对应的指标构建多维度指标列表。
结合本发明第四种可能的实施方式，第五种可能的实施方式中，所述步骤400包括：
步骤410、利用人像分析单元获取人像数据，构建人像档案；
步骤420、利用标签管理单元构建金融企业人员的群体特征、行为规律标签池；
步骤430、利用关系分析单元构建金融企业人员关系图谱。
结合本发明第五种可能的实施方式，第六种可能的实施方式中，所述步骤510包括：
步骤511、所述扫楼机器人获取金融企业基础数据：金融企业登记数据、企业人员身份信息、董监高身份信息、过往风险事件数据及动态采集人像数据；
步骤512、利用所述金融企业基础数据对注册楼栋金融企业的人员进行监控及风险评估。
结合本发明第五种可能的实施方式，第七种可能的实施方式中，所述预警方法还包括：
步骤600、预警分析系统将高风险企业名单推送给相应的用户客户端，以进行核查确认；
步骤700、相应的用户客户端将核查结果反馈给预警分析系统。
第二方面，一种金融企业风险识别预警系统，采用第一方面所述的预警方法对金融企业风险进行预警，包括：
数据采集模块；
数据处理模块；
大数据分析模块；
专家评估模块；
风险分析模块；
所述数据采集模块用于接入第一系统平台、第二系统平台及社会数据平台，以获取第一金融企业数据；
所述数据处理模块用于对所述金融企业数据进行预处理，以获取第二金融企业数据，并将所述第二金融企业数据传输到大数据分析模块；
所述大数据分析模块用于对所述第二金融企业数据与所述多维度指标列表分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果；
所述风险分析模块用于根据所述专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单；
其中，所述风险分析模块包括：
扫楼机器人；
所述扫楼机器人用于对金融企业目标人群活动进行运算分析，获取金融企业的风险系数。
结合第二方面所述的金融企业风险识别预警系统，第一种可能的实施方式中，所述预警系统还包括：
用户客户端；
所述用户客户端用于接收风险企业名单信息，以便进行核查确认。
实施本发明所述的一种金融企业风险识别预警方法及系统，通过获取海量数据，对海量数据进行大数据分析后，利用构建的多维度指标列表进行分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果，根据所述专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单，大大提高了金融企业预警的准确度，节省了人力资源，解决了采用传统人工分析识别金融企业风险时人力消耗巨大的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
图1是本发明中金融企业风险识别预警方法第一实施例示意图；
图2是本发明中金融企业风险识别预警方法第二实施例示意图；
图3是本发明中金融企业风险识别预警方法第三实施例示意图；
图4是本发明中金融企业风险识别预警方法第四实施例示意图；
图5是本发明中金融企业风险识别预警方法第五实施例示意图；
图6是本发明中金融企业风险识别预警方法第六实施例示意图；
图7是本发明中金融企业风险识别预警方法第七实施例示意图；
图8是本发明中金融企业风险识别预警方法第八实施例示意图；
图9是本发明中金融企业风险识别预警系统第一实施例示意图；
附图中各数字所指代的部位名称为： 10——数据采集模块、20——数据处理模块、30——大数据分析模块、40——专家评估模块、50——风险分析模块、60——用户客户端。
具体实施方式
下面将结合发明中的附图，对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/ 或”包括一个或多个相关的所列项目的任意的和所有的组合。
金融企业风险存在隐蔽性与突发性的特点，使得相关部门十分被动，往往给投资人造成无法挽回的损失，但是采用传统人工分析方法，不仅耗费巨大人力，而且效果有限。
针对上述问题，提出一种金融企业风险识别预警方法及系统。
实施例一
一种金融企业风险识别预警方法，如图1，图1是本发明中金融企业风险识别预警方法第一实施例示意图，包括：步骤100、数据采集模块10接入第一系统平台、第二系统平台及社会数据平台，获取第一金融企业数据；步骤200、数据处理模块20对第一金融企业数据进行预处理，获取第二金融企业数据、并将第二金融企业数据传输到大数据分析模块30；步骤300、预警系统预先将企业金融信息按照不同评估维度进行分类，构建多维度指标列表；步骤400、大数据分析模块30对第二金融企业数据与多维度指标列表分别解析对比，并将解析数据传输到专家评估模块40，以获取专家评估结果；步骤500、根据专家评估结果及扫楼机器人输出的风险系数，风险分析模块50对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单；步骤500包括：步骤510，利用扫楼机器人对金融企业目标人群活动进行运算分析，获取金融企业的风险系数。通过获取海量数据，对海量数据进行大数据分析后，利用构建的多维度指标列表进行分别解析对比，并将解析数据传输到专家评估模块40，以获取专家评估结果，根据专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单，大大提高了金融企业预警的准确度，节省了人力资源，解决了采用传统人工分析方法识别金融企业风险时人力消耗巨大的问题。
数据采集模块10与第一系统平台、第二系统平台及社会数据平台相连接，从中获取相关金融企业的数据，作为第一金融企业数据。优选地，如图2，图2是本发明中金融企业风险识别预警方法第二实施例示意图，步骤100包括步骤110、第一系统平台将高层楼宇数据、无感采集数据传输到数据采集模块10；步骤120、第一系统平台根据高层楼宇数据、无感采集数据进行二次运算，获取自算数据，并将自算数据传输到数据采集模块10。优选地，如图3，是本发明中金融企业风险识别预警方法第三实施例示意图；步骤100还包括步骤130、将第二系统平台接入多个政务系统；步骤140、将获取的多项政务数据传输到数据采集模块10。
在预警系统数据层，数据处理模块20对上述第一金融企业数据进行预处理，以便于存储以及管理。优选地，如图4，图4是本发明中金融企业风险识别预警方法第四实施例示意图，步骤200包括步骤210、数据采集模块10对获取第一金融企业数据进行预处理：数据清洗、数据标注及结构化处理；步骤220、对预处理后的第一金融企业数据进行挖掘分析，获取第二金融企业数据；步骤230、对第二金融企业数据进行归档存储。
多维度指标列表中主要有8个维度，31个指标，具体情况如下：
1、人员背景维度表：
2、企业背景维度表：
3、经营情况维度表：
4、企业网站维度表：
5、网络舆情维度表：
| 维度 | 指标 | 指标类型 | 备注 |
| 网络舆情 | （24）各类论坛有负面消息 | 核心指标 | 各类论坛有公司的负面消息，则符合此指标 |
6、投资人维度表：
7、过往风险事件维度表：
| 维度 | 指标 | 指标类型 | 备注 |
| 过往风险事件 | （27）被投诉、举报、控告涉嫌风险事件 | 核心指标 | 公司曾被投诉、举报、控告涉嫌风险事件，则符合此指标 |
8、资金特征维度表：
优选地，如图5，图5是本发明中金融企业风险识别预警方法第五实施例示意图，步骤300包括步骤310、预警系统将企业金融数据按照人员背景、企业背景、经营情况、企业网站、网络舆情、投资人、过往风险事件及资金特征维度进行分类；步骤320、将每一维度对应的指标分为核心指标及常规指标；步骤330、依据金融数据维度及对应的指标构建多维度指标列表。
优选地，如图6，图6是本发明中金融企业风险识别预警方法第六实施例示意图，步骤400包括步骤410、利用人像分析单元获取人像数据，构建人像档案；步骤420、利用标签管理单元构建金融企业人员的群体特征、行为规律标签池；步骤430、利用关系分析单元构建金融企业人员关系图谱。
优选地，如图7，图7是本发明中金融企业风险识别预警方法第七实施例示意图，步骤510包括：步骤511、扫楼机器人获取金融企业基础数据：金融企业登记数据、企业人员身份信息、董监高身份信息、过往风险事件数据及动态采集人像数据；步骤512、利用金融企业基础数据对注册楼栋金融企业的人员进行监控及风险评估。
在金融企业注册的楼栋内，高管长期不出现；法人或者高管同行涉及过往风险事件；在异常时间一定频次出现在注册楼栋。以上情况，扫楼机器人收集这些信息并结合大数据进行分析，评估目标金融企业风险。
优选地，如图8，图8是本发明中金融企业风险识别预警方法第八实施例示意图，预警方法还包括：步骤600、预警分析系统将高风险企业名单推送给相应的用户客户端60：相应的用户在客户端进行核查确认；步骤700、相应的用户客户端将核查结果反馈给预警分析系统。
实施例二
第二方面，如图9，图9是本发明中金融企业风险识别预警系统第一实施例示意图；一种金融企业风险识别预警系统，采用第一方面的预警方法对金融企业风险进行预警，包括数据采集模块10、数据处理模块20、大数据分析模块30、专家评估模块40、风险分析模块50；数据采集模块10用于接入第一系统平台、第二系统平台及社会数据平台，以获取第一金融企业数据；数据处理模块20用于对金融企业数据进行预处理，以获取第二金融企业数据，并将第二金融企业数据传输到大数据分析模块30；大数据分析模块30用于对第二金融企业数据与多维度指标列表分别解析对比，并将解析数据传输到专家评估模块40，以获取专家评估结果；风险分析模块50用于根据专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单；其中，风险分析模块50包括扫楼机器人；扫楼机器人用于对金融企业目标人群活动进行运算分析，获取金融企业的风险系数。
优选地，预警系统还包括用户客户端60；用户客户端60用于接收风险企业名单信息，以便进行核查确认；其中，用户客户端60包括：物业客户端。
实施例三
实施本发明所述的一种金融企业风险识别预警方法及系统，通过获取海量数据，对海量数据进行大数据分析后，利用构建的多维度指标列表进行分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果，根据所述专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单，大大提高了金融企业预警的准确度，节省了人力资源，解决了采用传统人工分析方法识别金融企业风险时人力消耗巨大的问题。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种金融企业风险识别预警方法，其特征在于，包括：
步骤100、数据采集模块接入第一系统平台、第二系统平台及社会数据平台，获取第一金融企业数据；
步骤200、数据处理模块对所述第一金融企业数据进行预处理，获取第二金融企业数据、并将所述第二金融企业数据传输到大数据分析模块；
步骤300、预警系统预先将企业金融信息按照不同评估维度进行分类，构建多维度指标列表；
步骤400、所述大数据分析模块将述第二金融企业数据与所述多维度指标列表分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果；
步骤500、根据所述专家评估结果及扫楼机器人输出的风险系数，风险分析模块对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单；
其中，所述步骤500包括：
步骤510，利用扫楼机器人对金融企业目标人群活动进行运算分析，获取金融企业的风险系数。
2.根据权利要求1所述的金融企业风险识别预警方法，其特征在于，所述步骤100包括：
步骤110、第一系统平台将高层楼宇数据、无感采集数据传输到所述数据采集模块；
步骤120、第一系统平台根据所述高层楼宇数据及无感采集数据进行二次运算，获取自算数据，并将所述自算数据传输到所述数据采集模块。
3.根据权利要求2所述的金融企业风险识别预警方法，其特征在于，所述步骤100还包括：
步骤130、将第二系统平台接入多个政务系统；
步骤140、将获取的多项政务数据传输到所述数据采集模块。
4.根据权利要求3所述的金融企业风险识别预警方法，其特征在于，所述步骤200包括：
步骤210、数据采集模块对获取第一金融企业数据进行预处理：数据清洗、数据标注及结构化处理；
步骤220、对预处理后的第一金融企业数据进行挖掘分析，获取第二金融企业数据；
步骤230、对所述第二金融企业数据进行归档存储。
5.根据权利要求4所述的金融企业风险识别预警方法，其特征在于，所述步骤300包括：
步骤310、预警系统将企业金融数据按照人员背景、企业背景、经营情况、企业网站、网络舆情、投资人、过往风险事件及资金特征维度进行分类；
步骤320、将每一维度对应的指标分为核心指标及常规指标；
步骤330、依据金融数据维度及对应的指标构建多维度指标列表。
6.根据权利要求5所述的金融企业风险识别预警方法，其特征在于，所述步骤400包括：
步骤410、利用人像分析单元获取人像数据，构建人像档案；
步骤420、利用标签管理单元构建金融企业人员的群体特征及行为规律标签池；
步骤430、利用关系分析单元构建金融企业人员关系图谱。
7.根据权利要求6所述的金融企业风险识别预警方法，其特征在于，所述步骤510包括：
步骤511、所述扫楼机器人获取金融企业基础数据：金融企业登记数据、企业人员身份信息、董监高身份信息、过往风险事件数据及动态采集人像数据；
步骤512、利用所述金融企业基础数据对注册楼栋金融企业的人员进行监控及风险评估。
8.根据权利要求6所述的金融企业风险识别预警方法，其特征在于，所述预警方法还包括：
步骤600、预警分析系统将高风险企业名单推送给相应的用户客户端，以进行核查确认；
步骤700、相应的用户客户端核查结果反馈给预警分析系统。
9.一种金融企业风险识别预警系统，采用权利要求1-8任一所述的预警方法对金融企业风险进行预警，其特征在于，包括：
数据采集模块；
数据处理模块；
大数据分析模块；
专家评估模块；
风险分析模块；
所述数据采集模块用于接入第一系统平台、第二系统平台及社会数据平台，以获取第一金融企业数据；
所述数据处理模块用于对所述金融企业数据进行预处理，以获取第二金融企业数据，并将所述第二金融企业数据传输到大数据分析模块；
所述大数据分析模块用于将所述第二金融企业数据与所述多维度指标列表分别解析对比，并将解析数据传输到专家评估模块，以获取专家评估结果；
所述风险分析模块用于根据所述专家评估结果、扫楼机器人输出的风险系数对金融企业风险进行分析，分别输出高风险、中风险及低风险企业清单；
其中，所述风险分析模块包括：
扫楼机器人；
所述扫楼机器人用于对金融企业目标人群活动进行运算分析，获取金融企业的风险系数。
10.根据权利要求9所述的金融企业风险识别预警系统，其特征在于，所述预警系统还包括：
用户客户端；
所述用户客户端用于接收风险企业名单信息，以便进行核查确认；
其中，所述用户客户端包括：物业客户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210484283.6A CN114997588A (zh) | 2022-05-05 | 2022-05-05 | 一种金融企业风险识别预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210484283.6A CN114997588A (zh) | 2022-05-05 | 2022-05-05 | 一种金融企业风险识别预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997588A true CN114997588A (zh) | 2022-09-02 |
Family
ID=83025375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210484283.6A Pending CN114997588A (zh) | 2022-05-05 | 2022-05-05 | 一种金融企业风险识别预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997588A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556225A (zh) * | 2024-01-12 | 2024-02-13 | 杭银消费金融股份有限公司 | 一种人行征信数据风险管理系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001282957A (ja) * | 2000-03-29 | 2001-10-12 | Moody's Investers Service Inc | 信用リスク分析システム及び信用リスク分析方法 |
| JP2006106961A (ja) * | 2004-10-01 | 2006-04-20 | Ioi Risk Consulting:Kk | リスク評価システム及びリスク評価プログラム |
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
| CN108629686A (zh) * | 2018-05-09 | 2018-10-09 | 国家计算机网络与信息安全管理中心 | 基于大数据的互联网金融企业征信风险分析方法和系统 |
| CN109300042A (zh) * | 2018-09-11 | 2019-02-01 | 广州财略金融信息科技有限公司 | 一种基于大数据的风控系统 |
| CN110033171A (zh) * | 2019-03-19 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种识别金融企业风险的方法、系统平台和介质 |
| CN112883772A (zh) * | 2020-10-23 | 2021-06-01 | 青岛以萨数据技术有限公司 | 一种智慧小区数据管理系统、其数据处理方法及介质 |
| CN113449964A (zh) * | 2021-05-28 | 2021-09-28 | 苏州企业征信服务有限公司 | 一种企业金融风险监测预警系统及监测预警方法 |
| CN113902572A (zh) * | 2021-09-07 | 2022-01-07 | 浙江工商大学 | 一种金融预警系统 |
-
2022
- 2022-05-05 CN CN202210484283.6A patent/CN114997588A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001282957A (ja) * | 2000-03-29 | 2001-10-12 | Moody's Investers Service Inc | 信用リスク分析システム及び信用リスク分析方法 |
| JP2006106961A (ja) * | 2004-10-01 | 2006-04-20 | Ioi Risk Consulting:Kk | リスク評価システム及びリスク評価プログラム |
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
| CN108629686A (zh) * | 2018-05-09 | 2018-10-09 | 国家计算机网络与信息安全管理中心 | 基于大数据的互联网金融企业征信风险分析方法和系统 |
| CN109300042A (zh) * | 2018-09-11 | 2019-02-01 | 广州财略金融信息科技有限公司 | 一种基于大数据的风控系统 |
| CN110033171A (zh) * | 2019-03-19 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种识别金融企业风险的方法、系统平台和介质 |
| CN112883772A (zh) * | 2020-10-23 | 2021-06-01 | 青岛以萨数据技术有限公司 | 一种智慧小区数据管理系统、其数据处理方法及介质 |
| CN113449964A (zh) * | 2021-05-28 | 2021-09-28 | 苏州企业征信服务有限公司 | 一种企业金融风险监测预警系统及监测预警方法 |
| CN113902572A (zh) * | 2021-09-07 | 2022-01-07 | 浙江工商大学 | 一种金融预警系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556225A (zh) * | 2024-01-12 | 2024-02-13 | 杭银消费金融股份有限公司 | 一种人行征信数据风险管理系统 |
| CN117556225B (zh) * | 2024-01-12 | 2024-04-05 | 杭银消费金融股份有限公司 | 一种人行征信数据风险管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments | |
| Frieder et al. | Spam works: Evidence from stock touts and corresponding market activity | |
| Aloosh et al. | Direct evidence of bitcoin wash trading | |
| Campbell et al. | Tone at the bottom: Measuring corporate misconduct risk from the text of employee reviews | |
| CN112053221A (zh) | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 | |
| KR20180060044A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
| Mkrtchyan et al. | CEO activism and firm value | |
| Ishiguro et al. | The effect of information security incidents on corporate values in the Japanese stock market | |
| Wuerges et al. | Accounting Fraud: an estimation of detection probability | |
| KR20180060005A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
| CN112053222A (zh) | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 | |
| Zhang et al. | A study on SMIE credit evaluation model based on blockchain technology | |
| Lausen et al. | Who is the next “wolf of wall street”? Detection of financial intermediary misconduct | |
| CN114997588A (zh) | 一种金融企业风险识别预警方法及系统 | |
| Xia et al. | Peer-to-peer lending platform risk analysis: an early warning model based on multi-dimensional information | |
| Min et al. | Success factors affecting the intention to use business analytics: An empirical study | |
| Kang et al. | Mitigating industry contagion effects from financial reporting fraud: A competitive dynamics perspective of non-errant rival firms exploiting product-market opportunities | |
| Sembiring et al. | the Effect of Auditor Experience, Big Data and Forensic Audit As Mediating Variables on Fraud Detection | |
| CN110782163A (zh) | 企业数据处理方法和装置 | |
| Sarea et al. | Artificial intelligence (AI) applications in Islamic finance and banking sector | |
| CN114066624A (zh) | 基于图计算的黑名单关联图谱挖掘方法及系统 | |
| Kapoor | Deception Detection And Vulnerability Analysis Using A Multi-Level Clustering Machine Learning Algorithm In Business Transactions | |
| CN111461727A (zh) | 交易行为的监控预警方法、装置、存储介质和智能设备 | |
| CN113780604A (zh) | 一种复合企业信用预警系统及方法 | |
| Sun | Deep learning applications in audit decision making |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Luo Feng Inventor after: Zhang Lieping Inventor after: Cai Jianrong Inventor after: Zhang Hongfu Inventor after: Chen Hui Inventor after: Chen Jigang Inventor after: Li Ru Inventor after: Luo Shanshan Inventor before: Luo Feng Inventor before: Zhang Lieping Inventor before: Cai Jianrong Inventor before: Zhang Hongfu Inventor before: Chen Hui Inventor before: Chen Jigang |