CN115147195A - 一种招标采购风险监控方法、装置、设备及介质 - Google Patents
一种招标采购风险监控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115147195A CN115147195A CN202210769383.3A CN202210769383A CN115147195A CN 115147195 A CN115147195 A CN 115147195A CN 202210769383 A CN202210769383 A CN 202210769383A CN 115147195 A CN115147195 A CN 115147195A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- procurement
- bidding
- preset
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000012502 risk assessment Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风险监测技术领域,具体公开了一种招标采购风险监控方法、装置、设备及介质,其中方法包括:获取多类业务的招标采购数据;根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与业务实体的对应关系得到风险问题标签;根据业务实体和风险问题标签建立风险监控模型;将招标采购数据输入风险监控模型中进行异常数据筛选,得到异常数据。本发明中通过业务标准和风险评估指标建立基于机器学习的风险监控模型,在该风险监控模型中对招标采购数据进行异常数据筛选,提高了风险监控效率和准确性。
Description
技术领域
本发明涉及风险监测技术领域,具体涉及一种招标采购风险监控方法、装置、设备及介质。
背景技术
随着国资监管领域信息化建设的深入,全国性国资国企在线监管系统的建立。特别是在招标采购方面,国资监管领域下各国资国企每月报送大量招采数据,但目前这些数据主要通过人工审核与风险监控,准确性不足且效率较低。
发明内容
为解决上述技术问题,本申请的实施例提供了一种招标采购风险监控方法、装置、设备及介质,能够克服相关技术中存在的人工对招标采购数据进行审核与风险监控时准确性不足且效率较低的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请地实践而习得。
于本申请地一个实施例中,提供了一种招标采购风险监控方法,包括:
获取多类业务的招标采购数据;
根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与所述业务实体的对应关系得到风险问题标签;
根据所述业务实体和风险问题标签建立风险监控模型;
将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据。
于本申请地一个实施例中,所述获取多类业务的招标采购数据,包括:
所述招标采购数据包括业务类别、招标项目信息、预算金额、采购内容、采购金额、投标单位信息;
在预设周期内在多个类别业务系统中提取招标采购数据,得到所述多类业务的招标采购数据;或者,
在预设时段获取多个业务类别的招标采购数据,得到所述多类业务的招标采购数据。
于本申请地一个实施例中,所述获取多个业务的招标采购数据之后,包括:
去除所述招标采收数据中不符合预设数据规范的数据,得到第一数据;
对所述第一数据进行归一化处理或标准化处理,得到第二数据;
计算所述第二数据的最大值、最小值,根据所述最大值、最小值进行概率估计,得到缺失位置处的估计值,将所述估计值与所述第二数据整合,得到第三数据;
对所述第三数据进行偏差分析或回归分析,去除所述第三数据中的错误值或异常值,得到清洗后的数据。
于本申请地一个实施例中,所述将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据之前,包括:
根据所述预设的风险评估指标确定异常数据筛选规则;
将招标采购训练数据输入所述风险监控模型,根据所述异常数据筛选规则进行训练,以更新所述风险监控模型目标函数的参数,得到训练后的风险监控模型。
于本申请地一个实施例中,所述将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据,包括:
根据预设的风险评估指标与所述业务实体的对应关系,将所述业务实体的招标采购数据与所述预设的风险评估指标进行比对,得到比对结果;
若所述比对结果为所述招标采购数据超出所述预设的风险评估指标,则为所述招标采购数据添加风险问题标签;
若所述比对结果为所述招标采购数据不超出所述预设的风险评估指标,则为所述招标采购数据添加正常数据标签;
从所述招标采购数据中筛选出被添加有风险问题标签的数据,得到异常数据。
于本申请地一个实施例中,所述将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据之后,包括:
根据预设的风险等级评价标准对所述异常数据进行风险评级,得到评级结果,所述评级结果包括高风险和低风险。
于本申请地一个实施例中,所述根据预设的风险等级评价标准对所述异常数据进行风险评级,得到评级结果之后,包括:
若所述评级结果为高风险,则将所述评级结果与对应的招标采购数据发送至招标采购风险预警终端,以对业务负责人进行风险预警;
若所述评级结果为低风险,则将所述评级结果与对应的招标采购数据存储在数据库中。
于本申请的一个实施例中,提供了一种招标采购风险监控装置,包括:
数据获取模块,用于获取多类业务的招标采购数据;
实体、标签建立模块,用于根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与所述业务实体的对应关系得到风险问题标签;
模型建立模块,用于根据所述业务实体和风险问题标签建立风险监控模型;
异常数据筛选模块,用于将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据。
于本申请的一个实施例中,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如上所述的招标采购风险监控方法。
于本申请的一个实施例中,提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的招标采购风险监控方法。
在本申请的实施例所提供的技术方案中,现有技术中主要是通过人工对招标采购数据进行审核,该方式归于依赖相关人员的经验,效率较低且准确性不足,本申请中则是先根据预设的业务标准对招标采购数据进行分类以建立业务实体,根据预设的风险评估指标得到风险问题标签,业务实体和风险问题标签能够为风险监控模型的构建做准备;然后通过业务实体和风险问题标签构建风险监控模型,本发明中可采用机器学习实现模型构建,以确保监控结果的准确性;在风险监控模型中对招标采购数据进行异常数据筛选,得到异常数据,避免了人工审核时过于依赖相关人员的经验,能够提高风险监控的效率和准确性。
应当理解的,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述地附图仅仅是本申请地一些实施例,对于本领域普通技术者来讲,在不付出创造性劳动地前提下还能根据这些附图获得其他地附图。在附图中:
图1是本申请涉及的一种实施环境的示意图;
图2是本申请的一示例性实施例示出的一种招标采购风险监控方法的流程图;
图3是本申请的一示例性实施例示出的一种招标采购风险监控装置的结构示意图;
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在此,介绍与本申请涉及的缩略词和关键术语定义:
机器学习:机器学习是利用计算机算法和统计模型使计算机系统使用,逐步提高完成特定任务的能力。机器学习建立样本数据的数学模型,称为“训练数据”,以便在不明确编程以执行任务的情况下进行预测或决策。
目前,全国性国资国企针对多项业务建立了对应的业务系统,业务系统中对业务的各项数据实时记录,并反馈给审核人员以对业务进行风险监控。但是常规方式是审核人员对每月的数据报表进行统计分析,然后找出存在风险的业务,该方式过于依赖审核人员的相关经验,无法确保准确性。
本申请实施例提出的招标采购数据风险监控方法、装置、设备及介质涉及以上记载的机器学习技术,以下将对这些实施例进行详细说明。
首先请参阅图1,图1是本申请涉及的一种实施环境的示意图。该实施环境包括终端设备101、102、103,网络104和服务器105。网络104可以在终端设备101、102、103和服务器之间提供通信链路的介质。网络104可以包括各类连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104和服务器105交互,以接收或发送消息等。其中,终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居、智能语音交互设备、智能家电、车载终端等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、 102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备101、102、 103。
服务器105可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器等,本公开对此不做限制。
服务器105可例如响应于获取多类业务的招标采购数据;根据预设的业务标准对招标采购业务进行分类,建立对应于不同业务类别的业务实体,根据预设的风险评估指标得到对应于所述业务实体的风险问题标签;根据所述业务实体和风险问题标签建立风险监控模型;在所述风险监控模型中对所述招标采购数据进行异常数据筛选,得到异常数据。
图2是本申请的一示例性实施例示出的一种招标采购风险监控方法的流程图。本申请实施例所提供的方法可以由任意具备计算处理能力的电子设备来执行,例如该方法可以由上述图1实施例中的服务器105或终端设备101、102、103 来执行,也可以由服务器105和终端设备101、102、103共同执行。在下面的实施例中,以服务器105为执行主体为例进行举例说明,但本公开并不限定于此。
参照图2,本申请实施例提供的招标采购风险监控方法可以包括以下步骤。
在步骤S210中,获取多类业务的招标采购数据。
其中,招标采购数据包括但不限于业务类别、招标项目信息、预算金额、采购内容、采购金额、投标单位信息,本申请对业务类型不做限制。
在本申请的一实施例中,获取多类业务的招标采购数据时,可通过以下方式:在预设周期内通过脚本在多个类别业务系统中提取招标采购数据,得到所述多类业务的招标采购数据;或者,在预设时段获取各企业上报的多个业务类别的招标采购数据,得到所述多类业务的招标采购数据。
在本申请的一实施例中,在通过步骤S210获取招标采购数据后,还包括对数据的清洗步骤,具体如下:
去除所述招标采收数据中不符合预设数据规范的数据,得到第一数据;
对所述第一数据进行归一化处理或标准化处理,得到第二数据;
计算所述第二数据的最大值、最小值,根据所述最大值、最小值进行概率估计,得到缺失位置处的估计值,将所述估计值与所述第二数据整合,得到第三数据;
对所述第三数据进行偏差分析或回归分析,去除所述第三数据中的错误值或异常值,得到清洗后的数据。
本实施例中,对从业务系统或企业上报的招标采购数据进行清洗,实现数据的一致性检查、异常值检测与缺失值处理,提高了风险监控结果的准确性。
在步骤S220中,根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与业务实体的对应关系得到风险问题标签。
在本申请的一实施例中,在对招标采购数据进行处理之前,对国资国企的招标采购业务进行梳理,设定业务标准和风险评估指标。其中,业务标准用于对划分不同的招标采购业务;风险评估指标用于对招标采购风险问题进行分类,可例如“小马拉大车”问题,公司注册资本过小却中标超大额项目,注册资金只有50 万的公司,中标的项目金额多大时才能算是风险问题;可例如,中标公司成立时间过短,中标公司从成立到中标小于1个月还是小于3个月才能算是风险问题,此时就需要通过预设的风险评估指标对不同类别的问题进行分类。
本实施例中,根据业务标准对招标采购业务进行分类,并根据分类结果建立业务实体,业务实体用于后续风险监控模型的建立。根据风险评估指标对风险问题进行分类,并建立不同业务实体对应的不同风险问题的标签,包括但不限于“注册资金风险问题”、“注册时间风险问题”、“异常经营风险问题”。
在步骤S230中,根据业务实体和风险问题标签建立风险监控模型。
在本申请的一实施例中,包括但不限于使用深度学习、强化学习、迁移学习进行风险监控模型的建立。本实施例中使用深度学习技术,根据业务实体和风险问题标签建立风险监控模型,通过该模型根据输入的招标采购数据生成风险监控结果。
在本申请的一实施例中,建立风险监控模型后,还包括模型训练过程,具体如下:
根据所述预设的风险评估指标确定异常数据筛选规则;
将招标采购训练数据输入所述风险监控模型,根据所述异常数据筛选规则进行训练,以更新所述风险监控模型目标函数的参数,得到训练后的风险监控模型。
在步骤S240中,将招标采购数据输入风险监控模型中进行异常数据筛选,得到异常数据。
在本申请的一实施例中,风险监控模型中包括对招标采购数据中异常数据的筛选规则,通过筛选规则得到其中的异常数据,本实施例中的异常数据即为存在风险问题的数据。
在本申请的一实施例中,在建模过程中对招采问题分类以生成风险问题标签,招采问题可分为多个大类,但这里的筛选规则是制定每个大类下风险问题的具体标准。比如上述实施例中提到的“注册资金风险问题”属于供应商风险这个大类的一个,但具体筛选标准需要定义,可例如中标金额超过20倍的注册资本即为出现风险问题。
在本申请的一实施例中,在风险监控模型中对招标采购数据进行异常数据筛选,主要包括以下步骤:
将所述对应于不同业务类别的业务实体的招标采购数据与所述预设的风险评估指标进行比对,得到比对结果;
若所述比对结果为所述招标采购数据超出所述预设的风险评估指标,则为所述招标采购数据添加对应的风险问题标签;
若所述比对结果为所述招标采购数据不超出所述预设的风险评估指标,则为所述招标采购数据添加对应的正常数据标签;
从所述招标采购数据中筛选出被添加有风险问题标签的数据,得到异常数据。
本实施例中,通过将招标采购数据与预设的风险评估指标进行比对,并根据比对结果对数据添加标签,以得到异常数据。通过对数据添加标签的方式,能够将数据与对应的风险问题相结合,以便后续的数据分析。
在本申请的一实施例中,在风险监控模型中对招标采购数据进行异常数据筛选,得到异常数据之后,还包括风险评级和风险预警的步骤,具体如下:
根据预设的风险等级评价标准对所述异常数据进行风险评级,得到评级结果,所述评级结果包括高风险和低风险;
若所述评级结果为高风险,则将所述评级结果与对应的招标采购数据发送至招标采购风险预警终端,以对对应业务的负责人进行风险预警;
若所述评级结果为低风险,则在数据库中对所述评级结果与对应的招标采购数据进行存储。
本实施例中,可例如当中标金额超过投标企业注册金额的20倍时,可得到高风险评价结果,将该高风险评价结果与企业、业务相关内容发送至风险预警终端,对业务负责人进行风险预警。
通过上述实施例,本申请中通过业务标准与风险评估指标建立基于机器学习的风险监控模型,在风险监控模型中对招标采购数据进行筛选,以得到异常数据;并且还对异常数据进行风险评级,对业务相关负责人进行风险预警,不仅提高了风险预警的效率,还确保了风险监控结果的准确性。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,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步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的招标采购风险监控方法。参见图3,图3是本申请的一示例性实施例示出的一种招标采购风险监控装置的结构示意图。该招标采购风险监控装置,包括数据获取模块 310、实体、标签建立模块模块320、模型建立模块330、异常数据筛选模块340。
其中,数据获取模块310用于获取多类业务的招标采购数据;
标签建立模块模块320,用于根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与所述业务实体的对应关系得到风险问题标签;
模型建立模块330,用于根据所述业务实体和风险问题标签建立风险监控模型;
异常数据筛选模块340,用于将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
本申请的实施例还提供了一种电子设备,包括一个或多个处理器,以及存储装置,其中,存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得所述电子设备实现如上所述的招标采购风险监控方法。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图4示出的电子设备的计算机系统400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(Central Processing Unit, CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)102中的程序或者从存储部分408加载到随机访问存储器(Random Access Memory,RAM) 403中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在 RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402 以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405 也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD) 等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN (Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(R AM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不相同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前的招标采购风险监控方法。该计算机可读存储介质可以是上述实施例中描述的招标采购风险监控设备中所包含的,也可以是单独存在,而未装配入该招标采购风险监控设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的招标采购风险监控方法。
根据本申请实施例的一个方面,还提供了一种计算机系统,包括中央处理单元(Central Processing Unit,CPU),其可以根据存储在只读存储器(Read-Only Memory,ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM中,还存储有系统操作所需的各种程序和数据。CPU、 ROM以及RAM通过总线彼此相连。输入/输出(Input/Output,I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种招标采购风险监控方法,其特征在于,包括:
获取多类业务的招标采购数据;
根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与所述业务实体的对应关系得到风险问题标签;
根据所述业务实体和风险问题标签建立风险监控模型;
将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据。
2.根据权利要求1所述的招标采购风险监控方法,其特征在于,所述获取多类业务的招标采购数据,包括:
所述招标采购数据包括业务类别、招标项目信息、预算金额、采购内容、采购金额、投标单位信息;
在预设周期内在多个类别业务系统中提取招标采购数据,得到所述多类业务的招标采购数据;或者,
在预设时段获取多个业务类别的招标采购数据,得到所述多类业务的招标采购数据。
3.根据权利要求1所述的招标采购风险监控方法,其特征在于,所述获取多个业务的招标采购数据之后,包括:
去除所述招标采收数据中不符合预设数据规范的数据,得到第一数据;
对所述第一数据进行归一化处理或标准化处理,得到第二数据;
计算所述第二数据的最大值、最小值,根据所述最大值、最小值进行概率估计,得到缺失位置处的估计值,将所述估计值与所述第二数据整合,得到第三数据;
对所述第三数据进行偏差分析或回归分析,去除所述第三数据中的错误值或异常值,得到清洗后的数据。
4.根据权利要求1所述的招标采购风险监控方法,其特征在于,所述将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据之前,包括:
根据所述预设的风险评估指标确定异常数据筛选规则;
将招标采购训练数据输入所述风险监控模型,根据所述异常数据筛选规则进行训练,以更新所述风险监控模型目标函数的参数,得到训练后的风险监控模型。
5.根据权利要求1所述的招标采购风险监控方法,其特征在于,所述将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据,包括:
根据预设的风险评估指标与所述业务实体的对应关系,将所述业务实体的招标采购数据与所述预设的风险评估指标进行比对,得到比对结果;
若所述比对结果为所述招标采购数据超出所述预设的风险评估指标,则为所述招标采购数据添加风险问题标签;
若所述比对结果为所述招标采购数据不超出所述预设的风险评估指标,则为所述招标采购数据添加正常数据标签;
从所述招标采购数据中筛选出被添加有风险问题标签的数据,得到异常数据。
6.根据权利要求1所述的招标采购风险监控方法,其特征在于,所述将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据之后,包括:
根据预设的风险等级评价标准对所述异常数据进行风险评级,得到评级结果,所述评级结果包括高风险和低风险。
7.根据权利要求6所述的招标采购风险监控方法,其特征在于,所述根据预设的风险等级评价标准对所述异常数据进行风险评级,得到评级结果之后,包括:
若所述评级结果为高风险,则将所述评级结果与对应的招标采购数据发送至招标采购风险预警终端,以对业务负责人进行风险预警;
若所述评级结果为低风险,则将所述评级结果与对应的招标采购数据存储在数据库中。
8.一种招标采购风险监控装置,其特征在于,包括:
数据获取模块,用于获取多类业务的招标采购数据;
实体、标签建立模块,用于根据预设的业务标准对招标采购业务进行分类以得到业务实体,根据预设的风险评估指标与所述业务实体的对应关系得到风险问题标签;
模型建立模块,用于根据所述业务实体和风险问题标签建立风险监控模型;
异常数据筛选模块,用于将所述招标采购数据输入所述风险监控模型中进行异常数据筛选,得到异常数据。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任意一项所述的招标采购风险监控方法。
10.一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1至7中任意一项所述的招标采购风险监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769383.3A CN115147195A (zh) | 2022-06-30 | 2022-06-30 | 一种招标采购风险监控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769383.3A CN115147195A (zh) | 2022-06-30 | 2022-06-30 | 一种招标采购风险监控方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147195A true CN115147195A (zh) | 2022-10-04 |
Family
ID=83409565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210769383.3A Pending CN115147195A (zh) | 2022-06-30 | 2022-06-30 | 一种招标采购风险监控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147195A (zh) |
-
2022
- 2022-06-30 CN CN202210769383.3A patent/CN115147195A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543946B (zh) | 用于训练模型的方法和装置 | |
CN110874778A (zh) | 异常订单检测方法及装置 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
CN110929136A (zh) | 一种个性化推荐方法和装置 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN111199454B (zh) | 实时用户转化评估方法、装置及电子设备 | |
CN112163154A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115760010A (zh) | 报关单的审核方法、报关方法、装置、设备及存储介质 | |
CN113869904B (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
CN115147195A (zh) | 一种招标采购风险监控方法、装置、设备及介质 | |
CN114693116A (zh) | 代码评审有效性的检测方法及装置、电子设备 | |
CN113568739A (zh) | 用户资源额度分配方法、装置及电子设备 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
CN112580979A (zh) | 策略质量评价方法、装置、设备、存储介质以及产品 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN113255710B (zh) | 手机号码分类方法、装置、设备及存储介质 | |
CN116629639B (zh) | 评估信息确定方法、装置、介质与电子设备 | |
CN113762699A (zh) | 联防联控风险处理的方法和装置 |
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 |