CN116187873A - 风险对象识别方法、装置、计算机设备及存储介质 - Google Patents
风险对象识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116187873A CN116187873A CN202111421849.2A CN202111421849A CN116187873A CN 116187873 A CN116187873 A CN 116187873A CN 202111421849 A CN202111421849 A CN 202111421849A CN 116187873 A CN116187873 A CN 116187873A
- Authority
- CN
- China
- Prior art keywords
- risk
- complaint
- target
- rate
- target object
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供一种风险对象识别方法、装置、计算机设备及存储介质,方法包括:获取目标对象在预设时段内的历史业务数据,预设时段包括至少两个顺序存在的单位时段;基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果;统计各风险识别结果,得到目标对象的风险类型,风险类型用于筛选出目标对象中的风险对象。采用本方法,可降低单时段分析时存在的偶发性,进而可提升风险对象的识别准确率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种风险对象识别方法、装置、计算机设备及存储介质。
背景技术
随着人们对生活质量的不断提高,人们对于产品或者服务等的要求也在提高,在面对各种不利情形或疑问时,消费者往往会选择向供应商反馈。例如,在物流领域,消费者会向物流供应商反馈派件问题。
目前,物流领域中派件问题的存在普遍因派件员的服务质量、形象素质、派送时效等因素导致,虽然已有物流供应商提出可通过分析客诉率来识别具有高风险的派件员进行管控(如降低高风险派件员的派件量、加大对高风险派件员的监控力度等),以此预防此类客诉情况地持续发生,但是仅仅通过客诉率对派件员进行管控,不仅片面且存在偶发性。
因此,现有的风险对象识别方法存在着识别准确率不高的技术问题。
发明内容
本申请的目的在于提供一种风险对象识别方法、装置、计算机设备及存储介质,用以多指标、跨时段分析目标对象在业务环节中的客诉风险,提升风险对象的识别准确率。
第一方面,本申请提供一种风险对象识别方法,包括:
获取目标对象在预设时段内的历史业务数据,预设时段包括至少两个顺序存在的单位时段;
基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果;
统计各风险识别结果,得到目标对象的风险类型,风险类型用于筛选出目标对象中的风险对象。
在本申请一些实施例中,获取目标对象在预设时段内的历史业务数据,包括:获取目标对象的历史业务基础数据,历史业务基础数据包括业务时间;根据业务时间,筛选出匹配于单位时段的历史业务基础数据,作为目标业务基础数据;解析目标业务基础数据包含的客诉音频信息、电联时长以及电联时间,得到客诉数据和电联数据;根据客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率,得到历史业务数据。
在本申请一些实施例中,根据客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率,得到历史业务数据,包括:根据客诉数据和电联数据,统计各单位时段内的目标业务基础数据包含的订单数量、客诉数量以及电联数量;其中,客诉数量是根据客诉音频信息确定的,电联数据是根据电联时长和电联时间确定的;根据订单数量、客诉数量以及电联数量,获取客诉量、客诉率以及电联率,得到历史业务数据。
在本申请一些实施例中,根据订单数量、客诉数量以及电联数量,获取客诉量、客诉率以及电联率,得到历史业务数据,包括:确定客诉数量,作为历史业务数据中的客诉量;获取客诉数量相对于订单数量的占比,作为客诉率;获取电联数量相对于订单数量的占比,作为电联率。
在本申请一些实施例中,目标对象为多于两个的目标对象,历史业务数据包括客诉量、客诉率以及电联率;其中,基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果,包括:根据电联率、客诉量以及客诉率,分时段对各目标对象进行风险识别,得到各目标对象在各单位时段的风险识别结果。
在本申请一些实施例中,历史业务数据包括客诉量、客诉率以及电联率,基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果,包括:获取各单位时段的电联率集合,电联率集合包括各目标对象的电联率;分析各电联率集合,筛选出各目标对象中的第一风险对象;根据第一风险对象的客诉量,获取各单位时段的客诉量集合;分析各客诉量集合,筛选出各第一风险对象中的第二风险对象;根据第二风险对象的客诉率,获取各单位时段的客诉率集合;分析各客诉率集合,筛选出各第二风险对象中的第三风险对象;对各第三风险对象进行风险层级划分,得到各目标对象在各单位时段的风险识别结果。
在本申请一些实施例中,分析各电联率集合,筛选出各目标对象中的第一风险对象,包括:对各电联率集合中的电联率进行升序排列,得到各单位时段的电联率序列;根据电联率序列,筛选出小于或等于预设第一阈值的电联率,作为目标电联率;其中,第一阈值包括电联率序列中在预设百分位数上的电联率;电联率序列中的预设百分位数包括中位数;确定目标电联率对应的目标对象,作为第一风险对象。
在本申请一些实施例中,分析各客诉量集合,筛选出各第一风险对象中的第二风险对象,包括:对各客诉量集合中的客诉量进行升序排列,得到各单位时段的客诉量序列;根据客诉量序列,筛选出大于或等于预设第二阈值的客诉量,作为目标客诉量;其中,第二阈值包括客诉量序列中在预设百分位数上的客诉量;客诉量序列中的预设百分位数包括百分之十分位数;确定目标客诉量对应的第一风险对象,作为第二风险对象。
在本申请一些实施例中,分析各客诉率集合,筛选出各第二风险对象中的第三风险对象,包括:对各客诉率集合中的客诉率进行升序排列,得到各单位时段的客诉率序列;根据客诉率序列,筛选出大于或等于预设第三阈值的客诉率,作为目标客诉率;其中,第三阈值包括客诉率序列中在预设百分位数上的客诉量;客诉率序列中的预设百分位数包括中位数;确定目标客诉率对应的第二风险对象,作为第三风险对象。
在本申请一些实施例中,对各第三风险对象进行风险层级划分,得到各目标对象在各单位时段的风险识别结果,包括:针对各单位时段,获取由各第三风险对象的目标客诉率构成的目标客诉率集合;对各目标客诉率集合中的客诉率进行升序排列,得到各单位时段的目标客诉率序列;根据各目标客诉率序列,筛选出小于或等于预设第四阈值的第一目标客诉率,并筛选出大于或等于第四阈值且小于或等于预设第五阈值的第二目标客诉率,以及筛选出大于或等于第五阈值的第三目标客诉率;确定第一目标客诉率对应的第三风险对象作为低风险对象,第二目标客诉率对应的第三风险对象作为中风险对象,第三目标客诉率对应的第三风险对象作为高风险对象;其中,第四阈值和第五阈值包括目标客诉率序列中在预设百分位数上的目标客诉量;目标客诉率序列中的预设百分位数包括百分之三十分位数和百分之六十分位数。
在本申请一些实施例中,统计各风险识别结果,得到目标对象的风险类型,包括:基于内连接算法,统计目标对象在各单位时段的风险识别结果,得到综合识别结果;根据综合识别结果,确定目标对象的风险类型。
在本申请一些实施例中,根据综合识别结果,确定目标对象的风险类型,包括:根据各单位时段的时间顺序,解析综合识别结果包含的各风险识别结果的变化趋势信息;响应于变化趋势信息为上升趋势,确定目标对象的风险类型为风险对象;响应于变化趋势信息为下降趋势或不变趋势,确定目标对象的风险类型为非风险对象。
第二方面,本申请提供一种风险对象识别装置,包括:
数据获取模块,用于获取目标对象在预设时段内的历史业务数据,预设时段包括至少两个顺序存在的单位时段;
风险识别模块,用于基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果;
结果统计模块,用于统计各风险识别结果,得到目标对象的风险类型,风险类型用于筛选出目标对象中的风险对象。
第三方面,本申请还提供一种计算机设备,包括:
一个或多个处理器;
存储器;以及一个或多个应用程序,其中的一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现上述第一方面的风险对象识别方法。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器进行加载,以执行风险对象识别方法中的步骤。
第五方面,本申请实施例提供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第一方面提供的方法。
上述风险对象识别方法、装置、计算机设备及存储介质,服务器通过获取目标对象在预设时段内的历史业务数据,并基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果,最终统计各风险识别结果,即可得到目标对象的风险类型。由此,采用本申请提出的方法,可降低单时段分析时存在的偶发性,进而有效提升风险对象的识别准确率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例中提供的风险对象识别方法的场景示意图;
图2为本申请实施例中提供的风险对象识别方法的流程示意图一;
图3为本申请实施例中提供的风险对象识别方法的流程示意图二;
图4是本申请实施例中提供的风险对象识别装置的结构示意图;
图5是本申请实施例中提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
需要说明的是,本申请提供的风险对象识别方法由于是在计算机设备中执行,各计算机设备的处理对象均以数据或信息的形式存在,例如时间,实质为时间信息,可以理解的是,后续实施例中若提及时段、结果等,均为对应的数据存在,以便计算机设备进行处理,具体此处不作赘述。
本申请实施例提供一种风险对象识别方法、装置、计算机设备以及存储介质,以下分别进行详细说明。
参阅图1,图1为本申请实施例所提供的风险对象识别方法的场景示意图,该风险对象识别方法可应用于风险对象识别系统中。其中,风险对象识别系统包括通过网络连接的终端100和服务器200。终端100可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端,终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种。服务器200可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,网络具体可以是广域网、局域网、城域网中的任意一种。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算机设备,例如图1中仅示出1个服务器200,可以理解的,该风险对象识别系统还可以包括一个或多个其他服务器,具体此处不作限定。另外,如图1所示,该风险对象识别系统还可以包括存储器300,用于存储数据,如存储物流数据,例如物流平台的各种数据,如中转场等物流网点的物流运输信息,具体的,如快件信息,配送车辆信息等。
需要说明的是,图1所示的风险对象识别系统的场景示意图仅仅是一个示例,本发明实施例描述的风险对象识别系统以及场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着风险对象识别系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
参阅图3,本申请实施例提供了一种风险对象识别方法,下文将主要以该方法应用于上述图1中的服务器200来举例说明,该方法包括步骤S201至步骤S203,具体如下:
S201,获取目标对象在预设时段内的历史业务数据,预设时段包括至少两个顺序存在的单位时段。
其中,目标对象可以为预备进行客诉风险分析的对象,例如,在物流领域中,目标对象可以为派件员;在电商领域中,目标对象可以为客服人员。
其中,预设时段可以为预先设置用于评价目标对象风险等级的时段,该时段可以根据实际应用需求设置;单位时段可以是以小时、天、周、月、年等指定时间单位划分范围的时间段;顺序存在的单位时段可以为:2021年10月的第一周和第二周这一以“周”为单位顺序存在的时间段,也可以为2020年10月1日和10月2日这一以“天”为单位顺序存在的时间段。
其中,历史业务数据可以为在历史时段发生并记录的目标对象的业务数据,例如,在物流领域,该业务数据包括但不局限于派件员承接的订单数据。
具体实现中,服务器200启动风险对象识别任务的第一步,需获取目标对象在预设时段内的历史业务数据,由于预设时段包括至少两个顺序存在的单位时段,因此,服务器200可直接获取归属于预设时段的历史业务数据,也可逐个时间段获取历史业务数据后再进行合并,尤其是当各个单位时段内的历史业务数据并未存储于同一个设备处时。除此之外,服务器200可在获取历史业务数据之前,对已获取的原始数据进行预处理,包括但不局限于:去重、查错、格式转换等,以此获取预处理之后的数据作为历史业务数据。
更具体地,原始数据或历史业务数据可以是从终端100处获取得到,也可以是从其他设备处获取得到,本申请实施例提供如下几种适用于本申请的数据获取方式:1、在普通网络结构中,服务器200从终端100或其他建立有网络连接的云设备处接收数据;2、在预置的区块链网络中,服务器200可从其他终端节点或服务器节点处同步获取数据,该区块链网络可以是公有链、私有链等;3、在预置的树状结构中,服务器200可从上级服务器请求得到数据,或是从下级服务器轮询得到数据。可以理解的是,上文简述的数据可以是前述原始数据,也可以是历史业务数据,还可以是被处理后成为历史业务数据的其他数据。
在一个实施例中,本步骤包括:获取目标对象的历史业务基础数据,历史业务基础数据包括业务时间;根据业务时间,筛选出匹配于单位时段的历史业务基础数据,作为目标业务基础数据;解析目标业务基础数据包含的客诉音频信息、电联时长以及电联时间,得到客诉数据和电联数据;根据客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率,得到历史业务数据。
其中,历史业务基础数据可以为包括业务时间的数据,业务时间可以为业务生成时的系统时间,也可以为业务实际处理时的系统时间,还可以为预设的操作指令时间。
其中,客诉数据可以为包括客诉音频的数据;电联数据可以为包括电联时间和电联时长的数据。
具体实现中,服务器200为执行后续步骤所需的历史业务数据,可以来源于历史业务基础数据,该历史业务基础数据可以不仅包括业务时间,还可以包括其他数据,例如,目标对象的对象身份标识、该历史业务基础数据关联的对象标识、业务明细信息等,但因本申请实施例中为使用到除业务时间之外的其他数据,故而不作详细限定,仅说明业务时间的作用在于:供服务器200从众多历史业务基础数据中查询筛选出匹配于指定单位时段的目标业务基础数据。
例如,历史业务基础数据有三条,分别为历史业务基础数据A、历史业务基础数据B以及历史业务基础数据C,其中的历史业务基础数据A包括业务时间“a1”、历史业务基础数据B包括业务时间“b1”、历史业务基础数据C包括业务时间“c1”,而指定预设的单位时段为“b1”,则目标业务基础数据应该为历史业务基础数据B。
更具体地,服务器200分析获取到目标业务基础数据之后,即可得到后续分析所需的客诉数据和电联数据。为了提升风险对象的识别准确率,本申请提出对除客诉数据之外的其他数据(如电联数据)进行风险分析,构建多指标分析架构,原因在于在很多应用场景中,电联数据是衡量工作人员是否按规范完成业务操作的指标,未电联可能会造成客诉。因此,根据目标业务基础数据中的客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率作为历史业务数据,可大大提成风险对象的识别准确率。本实施例中涉及的客诉量、客诉率以及电联率分析步骤将在下文详细说明。
在一个实施例中,根据客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率,得到历史业务数据,包括:根据客诉数据和电联数据,统计各单位时段内的目标业务基础数据包含的订单数量、客诉数量以及电联数量;其中,客诉数量是根据客诉音频信息确定的,电联数据是根据电联时长和电联时间确定的;根据订单数量、客诉数量以及电联数量,获取客诉量、客诉率以及电联率,得到历史业务数据。
其中,订单数量可以是以目标业务基础数据为计数对象的数量信息,例如,订单数量为3、5、7等;客诉数量可以是发生客诉情况的订单数量,例如,客诉数量在订单数量5中实际为2,表示在这5个目标业务基础数据中有2个订单发生了客诉;电联数量可以是具有电联行为的订单数量,例如,电联数量在订单数量5中实际为4,表示在这5个目标业务基础数据中有4个订单是有电联行为的。
具体实现中,目标业务基础数据包括有业务时间、客诉数据以及电联数据,主要字段有:目标对象的对象身份标识(如工号)、订单标识(如订单号)、业务时间(如派件时间)、客诉音频、电联时间、电联时长。服务器200在获取到目标业务基础数据之后即可得到上述字段信息,上述字段信息包括的业务时间用于供服务器200筛选获取符合单位时段的目标业务基础数据,本申请实施例不再赘述;上述字段信息包括的客诉音频用于供服务器200判断客诉数据是否为空,以及在客诉数据不为空的情况下根据客诉音频的音频数量确定客诉数量;上述字段信息包括的电联时间和电联时长用于供服务器200判断电联数据是否为空,以及在电联数据不为空的情况下根据电联时间的时间数量确定电联数量。
例如,针对对象身份标识(如工号)和指定的单位时段,聚合统计订单数量,“是否电联”中判断为“是”的电联数量,“是否客诉”中判断为“是”的客诉数量,得到输出字段:对象身份标识(如工号)、单位字段、订单数量、电联数量、客诉数量。需要说明的是,对象身份标识用于供服务器200锁定目标对象,电联时间区别于电联时长表示为日期,而电联时长表示为时间长度,例如,电联时间为“2021年10月1日”,电联时长为“30分钟”等。
更具体地,服务器200分析目标业务基础数据包含的业务时间、客诉数据以及电联数据,得到订单数量、客诉数量以及电联数量之后,可进一步利用订单数量、客诉数量以及电联数量获取客诉量、客诉率以及电联率,作为历史业务数据。本实施例中涉及的客诉量、客诉率以及电联率获取步骤将在下文详细说明。
在一个实施例中,根据订单数量、客诉数量以及电联数量,获取客诉量、客诉率以及电联率,得到历史业务数据,包括:确定客诉数量,作为历史业务数据中的客诉量;获取客诉数量相对于订单数量的占比,作为客诉率;获取电联数量相对于订单数量的占比,作为电联率。
具体实现中,前序步骤中得到的客诉数量可作为当前所需的客诉量,客诉率为客诉数量与订单数量之商,电联率为电联数量与订单数量之商。
例如,电联率=电联数量/订单数量、客诉率=客诉数量/订单数量,输出<目标对象的历史业务数据>:对象身份标识(如工号)、单位时段(如周次)、订单数量(如5)、电联数量(如4)、电联率“contactR”、客诉数量(如3)、客诉率“complaintR”,其中的电联率“contactR”和客诉率“complaintR”将用于供服务器200对目标对象进行风险识别,即服务器200可基于电联率、客诉率以及客诉量三个指标,分析目标对象的风险类型,并在此基础上跨时段叠加分析,以此提升风险对象的识别准确率。
S202,基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果。
其中,风险识别结果可以包括低风险对象、中风险对象以及高风险对象,主要由风险程度划分对象的风险类型。
具体实现中,分时段对目标对象进行风险识别,即为划分单位时段逐个分析目标对象在各个单位时段下的风险程度,即可得到目标对象在各个单位时段下的风险识别结果。针对历史业务数据进行分时段地风险识别,实际包括对上文所述的三个指标(客诉量、客诉率以及电联率)进行分析判别,具体将在下文详细说明。
在一个实施例中,目标对象为多于两个的目标对象,历史业务数据包括客诉量、客诉率以及电联率;其中,基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果,包括:根据电联率、客诉量以及客诉率,分时段对各目标对象进行风险识别,得到各目标对象在各单位时段的风险识别结果。
其中,风险识别结果包括低风险对象、中风险对象以及高风险对象。
具体实现中,本申请实施例提出目标对象为多于两个的目标对象,原因在于少于或等于两个目标对象时,客诉量、客诉率以及电联率三个指标的差异无法准确判定高低程度,但若是存在多于两个的目标对象,则可在至少三个目标对象的群体中更加准确地判定出三个指标的高低程度。
具体地,服务器200获取到至少三个目标对象的电联率、客诉量以及客诉率之后,可基于该三个指标分时段对各个目标对象进行风险识别,例如,在第一个单位时段中,基于该三个指标对各个目标对象进行风险识别,再在第二个单位时段中,基于该三个指标对各个目标对象进行风险识别,以此获取各个目标对象在各单位时段的风险识别结果。
例如,在一个实施例中,历史业务数据包括客诉量、客诉率以及电联率,基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果,包括:获取各单位时段的电联率集合,电联率集合包括各目标对象的电联率;分析各电联率集合,筛选出各目标对象中的第一风险对象;根据第一风险对象的客诉量,获取各单位时段的客诉量集合;分析各客诉量集合,筛选出各第一风险对象中的第二风险对象;根据第二风险对象的客诉率,获取各单位时段的客诉率集合;分析各客诉率集合,筛选出各第二风险对象中的第三风险对象;对各第三风险对象进行风险层级划分,得到各目标对象在各单位时段的风险识别结果。
具体实现中,服务器200分析得到各个目标对象在各个单位时段下的电联率“contactR”之后,可基于单位时段划分归属于各个单位时段的电联率集合,进而分析各单位时段下的电联率集合,筛选出各个目标对象中的第一风险对象,作为各单位时段的第一风险对象继续分析。
例如,在一个实施例中,分析各电联率集合,筛选出各目标对象中的第一风险对象,包括:对各电联率集合中的电联率进行升序排列,得到各单位时段的电联率序列;根据电联率序列,筛选出小于或等于预设第一阈值的电联率,作为目标电联率;其中,第一阈值包括电联率序列中在预设百分位数上的电联率;电联率序列中的预设百分位数包括中位数;确定目标电联率对应的目标对象,作为第一风险对象。
其中,第一阈值可以为电联率序列中在中位数上的电联率,也可以为其他预设百分位数上的电联率。
具体实现中,未电联是造成客诉的重要原因,在物流领域中,派件环节的电联率是衡量派件员在派件前联系客户的概率,电联率越低说明派件员派件操作余越不规范。由此,使用电联率中位数将目标对象分为两部分,电联率位于中位数以下的对象作为第一风险对象,即可得到后续分析所需的观测群体。其中,中位数(Median)又称中值,其作为统计学中的专有名词,是按顺序排列的一组数据中居于中间位置的数,代表一个样本、种群或概率分布中的一个数值,其可将数值集合划分为相等的上下两部分。
例如,在区分单位时段的前提下,服务器200可对各电联率集合中的电联率进行升序排列(也称正序排列,如有数值11、3、5,升序排列后的序列为3、5、11,降序排列后的序列为11、5、3),以在获得电联率序列之后,筛选出同一个单位时段下所有目标对象的电联率中位数,记为“contactRM”。然后,判断每位目标对象的电联率“contactR”是否小于或等于电联率中位数“contactRM”,如果“contactR≤contactRM”,则该目标对象将被筛选进入<观测群体>,作为第一风险对象,否则不进入观测群体中,结束判断流程。
可以理解的是,虽然本实施例中提出第一阈值可以是电联率中位数,但不排除在其他实施例中被设置为10%分位数、30%分位数、80%分位数等,具体可根据实际应用需求设定。
具体地,服务器200在多个目标对象中筛选出第一风险对象之后,可根据第一风险对象的客诉量,获取各单位时段的客诉量集合,进一步地从多个第一风险对象中筛选出第二风险对象,具体详见下文。
例如,在一个实施例中,分析各客诉量集合,筛选出各第一风险对象中的第二风险对象,包括:对各客诉量集合中的客诉量进行升序排列,得到各单位时段的客诉量序列;根据客诉量序列,筛选出大于或等于预设第二阈值的客诉量,作为目标客诉量;其中,第二阈值包括客诉量序列中在预设百分位数上的客诉量;客诉量序列中的预设百分位数包括百分之十分位数;确定目标客诉量对应的第一风险对象,作为第二风险对象。
其中,第二阈值可以为客诉量序列中在10%分位数上的客诉量,也可以为其他预设百分位数上的客诉量,可记为“complaintCntM”。
具体实现中,客诉量如果低于一定的阈值,则存在随机事件,故而本申请实施例提出需要避免因为小概率事件进入到<观测群体>的对象被误判,即需要筛选出非偶然群里的对象进入黑名单,对此本申请实施例提出使用指标“客诉量”对<观测群体>中的第一风险对象进行偶然、非偶然分层。如此,低于10%分位数的均为小概率事件,可以作为第二风险对象。
例如,在区分单位时段的前提下,服务器200可对各个客诉量集合中的客诉量进行升序排列(也称正序排列,如有数值11、3、5,升序排列后的序列为3、5、11,降序排列后的序列为11、5、3),以在获得客诉量序列之后,筛选出同一个单位时段下所有目标对象的客诉量10%分位数,记为“complaintCnt_10p”。然后,判断每位第一风险对象的客诉量是否大于或等于第二阈值“complaintCnt_10p”,如果“客诉量≥complaintCnt_10p”,则该第一风险对象将被筛选进入<非偶然群体>,作为第二风险对象,否则不进入非偶然群体中,结束判断流程。
可以理解的是,虽然本实施例中提出第二阈值可以是客诉量10%分位数,但不排除在其他实施例中被设置为30%分位数、50%分位数、80%分位数等,具体可根据实际应用需求设定。
具体地,服务器200在多个目标对象中筛选出第一风险对象,并在第一风险对象中筛选出第二风险对象之后,可根据第二风险对象的客诉率,获取各单位时段的客诉率集合,进一步地从多个第二风险对象中筛选出第三风险对象,具体详见下文。
例如,在一个实施例中,分析各客诉率集合,筛选出各第二风险对象中的第三风险对象,包括:对各客诉率集合中的客诉率进行升序排列,得到各单位时段的客诉率序列;根据客诉率序列,筛选出大于或等于预设第三阈值的客诉率,作为目标客诉率;其中,第三阈值包括客诉率序列中在预设百分位数上的客诉量;客诉率序列中的预设百分位数包括中位数;确定目标客诉率对应的第二风险对象,作为第三风险对象。
其中,第三阈值可以为客诉率序列中在中位数上的客诉率,也可以为其他预设百分位数上的客诉率。
具体实现中,通过电联率分层和客诉量分层,服务器200已将低电联率和非偶然客诉量的目标对象筛选进入到<非偶然群体>中,后续可继续选取风险更高的对象进入黑名单。由此,本申请实施例提出使用指标“客诉率”对第二风险对象进行高概率客诉、低概率客诉分层。其中,高于客诉率中位数的即进入<黑名单备选列表>中,作为第三风险对象。
例如,在区分单位时段的前提下,服务器200可对各个客诉率集合中的客诉率进行升序排列(也称正序排列,如有数值11、3、5,升序排列后的序列为3、5、11,降序排列后的序列为11、5、3),以在获得客诉率序列之后,筛选出同一个单位时段下所有目标对象的客诉率中位数,记为“complaintRM”。然后,判断每位第二风险对象的客诉率是否大于或等于第三阈值“complaintRM”,如果“客诉率≥complaintRM”,则该第二风险对象将被筛选进入<黑名单备选列表>,作为第三风险对象,否则不进入黑名单备选列表中,结束判断流程。
可以理解的是,虽然本实施例中提出第三阈值可以是客诉量中位数,但不排除在其他实施例中被设置为10%分位数、30%分位数、80%分位数等,具体可根据实际应用需求设定。
具体地,服务器200在多个目标对象中筛选出第一风险对象,并在第一风险对象中筛选出第二风险对象、在第二风险对象中筛选出第三风险对象之后,可对各个第三风险对象进行风险层级划分,即可得到各个目标对象在各个单位时段下的风险识别结果,具体详见下文。
在一个实施例中,对各第三风险对象进行风险层级划分,得到各目标对象在各单位时段的风险识别结果,包括:针对各单位时段,获取由各第三风险对象的目标客诉率构成的目标客诉率集合;对各目标客诉率集合中的客诉率进行升序排列,得到各单位时段的目标客诉率序列;根据各目标客诉率序列,筛选出小于或等于预设第四阈值的第一目标客诉率,并筛选出大于或等于第四阈值且小于或等于预设第五阈值的第二目标客诉率,以及筛选出大于或等于第五阈值的第三目标客诉率;确定第一目标客诉率对应的第三风险对象作为低风险对象,第二目标客诉率对应的第三风险对象作为中风险对象,第三目标客诉率对应的第三风险对象作为高风险对象;其中,第四阈值和第五阈值包括目标客诉率序列中在预设百分位数上的目标客诉量;目标客诉率序列中的预设百分位数包括百分之三十分位数和百分之六十分位数。
其中,第四阈值可以为第三风险对象的客诉率序列中在30%分位数上的客诉率,也可以为其他预设百分位数上的客诉率,30%分位数上的客诉率记为“complaintR3_30p”。
其中,第五阈值可以为第三风险对象的客诉率序列中在60%分位数上的客诉率,也可以为其他预设百分位数上的客诉率,60%分位数上的客诉率记为“complaintR3_60p”。
具体实现中,<黑名单备选列表>中的第三风险对象,实际为低电联率、非偶然客诉、高客诉率的对象,本申请提出可继续对该黑名单分层。具体地,可采用分位数分层方法,即使用30%分位数和60%分位数,而非传统的阈值分层方法,分位数分层方法会根据一段时间内所有对象的表现动态调整分层数值,而且保证不同层级的对象数量比例是不变的。如此,可将第三风险对象分为低、中、高三个风险层级。
例如,在区分单位时段的前提下,服务器200可对各个目标客诉率集合中的客诉率进行升序排列(也称正序排列,如有数值11、3、5,升序排列后的序列为3、5、11,降序排列后的序列为11、5、3),以在获得目标客诉率序列之后,筛选出同一个单位时段下所有第三风险对象的“complaintR3_30p”和“complaintR3_60p”,作为第四阈值和第五阈值。然后,判断<黑名单备选列表>中各个第三风险对象的客诉率,如果“客诉率≤complaintR3_30p”,则对应的第三风险对象风险为“低”;如果“complaintR3_30p<客诉率≤complaintR3_60p”,则对应的第三风险对象风险为“中”;如果“客诉率>complaintR3_60p”,则对应的第三风险对象风险为“高”。
S203,统计各风险识别结果,得到目标对象的风险类型,风险类型用于筛选出目标对象中的风险对象。
其中,风险类型可以包括风险对象和非风险对象。
具体实现中,服务器200分析得到各个目标对象在各个单位时段下的风险识别结果之后,可统计同一个目标对象在各个单位时段下的风险识别结果,原因在于可将目标对象在周期内的表现变化纳入考虑,锁定行为风险等级持续恶化的对象,既保证了结果的准确性,又避免了结果的偶发性,得到目标对象高准确率的风险类型。本实施例中涉及的风险识别结果统计步骤,将在下文详细说明。
在一个实施例中,本步骤包括:基于内连接算法,统计目标对象在各单位时段的风险识别结果,得到综合识别结果;根据综合识别结果,确定目标对象的风险类型。
其中,内连接算法(inner join)主要对象组合两个表中的记录,返回关联字段相符的记录,即:两个表的交集部分。
具体实现中,本申请实施例提出可在单位时段的分析基础上,叠加多个单位时段进行分析,例如,若服务器200分析本周作为单位时段下各个目标对象的风险识别结果,则可加入上一周所得风险识别结果,结合本周所得风险识别结果进行综合分析,若分析本周所得数据输出字段为:对象身份标识(如工号)、单位时段(如周次)、风险识别结果(高、中、低),则可再获取上一周输出结果,进而使用内连接算法将两周的截面数据关联取交集,获取在两个截面都含风险的对象数据,将双周截面数据的黑名单分层合并,得到双周黑名单截面“ClassDW”包括:高高、高中、高低、中高、中中、中低、低高、低中、低低,即可确定目标对象的风险类型。
可以理解的是,虽然本实施例中举例说明的单位时段是周次时段,但不排除在其他实施例中的单位时段为:分钟、小时、天、月、季度、年等。
在一个实施例中,根据综合识别结果,确定目标对象的风险类型,包括:根据各单位时段的时间顺序,解析综合识别结果包含的各风险识别结果的变化趋势信息;响应于变化趋势信息为上升趋势,确定目标对象的风险类型为风险对象;响应于变化趋势信息为下降趋势或不变趋势,确定目标对象的风险类型为非风险对象。
其中,各单位时段的时间顺序可以为时间流逝的顺时针顺序,例如,第一个单位时段为“零时至1时”,则第二个单位时段为“一时至二时”;又例如,第一个单位时段为“2021年10月第一周”,则第二个单位时段为“2021年10月第二周”;再例如,第一个单位时段为“2021年第一季度”,则第二个单位时段为“2021年第二季度”。
具体实现中,动态考察对象行为变化,避免误杀,可使用双周黑名单截面判断对象的过程环比变化,进而识别黑名单。
例如,判断综合识别结果“ClassDW”是否为(高中、高低、中中、中低、低低)中的任意一个,若是,则该对象的风险类型为非风险对象;若否,则该对象的风险类型为风险对象。此时,风险对象的风险类型应为(高高、中高、低中、低高)中的任意一个,原因在于顺序存在的单位时段所对应风险识别结果呈现出上升趋势。
需要说明的是,虽然上述实施例中提出了可同时分析各个单位时段的风险对象识别方法,但也介绍了可优先分析第一个单位时段下目标对象的风险识别结果,再分析第二个单位时段下目标对象的风险识别结果的方法,具体流程详见图3,图3中包含有分析第一个单位时段的详细步骤。
上述实施例中的风险对象识别方法,服务器通过获取目标对象在预设时段内的历史业务数据,并基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果,最终统计各风险识别结果,即可得到目标对象的风险类型。由此,采用本申请提出的方法,可通过多指标、跨时段分析目标对象的客诉风险,降低单指标分析时存在的片面性,同时降低单时段分析时存在的偶发性,有效提升了风险对象的识别准确率。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了更好实施本申请实施例提供的风险对象识别方法,在本申请实施例所提出的风险对象识别方法的基础之上,本申请实施例中还提供了一种风险对象识别装置,如图4所示,该风险对象识别装置400包括:
数据获取模块410,用于获取目标对象在预设时段内的历史业务数据,预设时段包括至少两个顺序存在的单位时段;
风险识别模块420,用于基于历史业务数据,分时段对目标对象进行风险识别,得到目标对象在各单位时段的风险识别结果;
结果统计模块430,用于统计各风险识别结果,得到目标对象的风险类型,风险类型用于筛选出目标对象中的风险对象。
在一个实施例中,数据获取模块410还用于获取目标对象的历史业务基础数据,历史业务基础数据包括业务时间;根据业务时间,筛选出匹配于单位时段的历史业务基础数据,作为目标业务基础数据;解析目标业务基础数据包含的客诉音频信息、电联时长以及电联时间,得到客诉数据和电联数据;根据客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率,得到历史业务数据。
在一个实施例中,数据获取模块410还用于根据客诉数据和电联数据,获取目标对象在各单位时段内的客诉量、客诉率以及电联率,得到历史业务数据,包括:根据客诉数据和电联数据,统计各单位时段内的目标业务基础数据包含的订单数量、客诉数量以及电联数量;其中,客诉数量是根据客诉音频信息确定的,电联数据是根据电联时长和电联时间确定的;根据订单数量、客诉数量以及电联数量,获取客诉量、客诉率以及电联率,得到历史业务数据。
在一个实施例中,数据获取模块410还用于确定客诉数量,作为历史业务数据中的客诉量;获取客诉数量相对于订单数量的占比,作为客诉率;获取电联数量相对于订单数量的占比,作为电联率。
在一个实施例中,目标对象为多于两个的目标对象,历史业务数据包括客诉量、客诉率以及电联率,风险识别模块420还用于根根据电联率、客诉量以及客诉率,分时段对各目标对象进行风险识别,得到各目标对象在各单位时段的风险识别结果。
在一个实施例中,历史业务数据包括客诉量、客诉率以及电联率,风险识别模块420还用于获取各单位时段的电联率集合,电联率集合包括各目标对象的电联率;分析各电联率集合,筛选出各目标对象中的第一风险对象;根据第一风险对象的客诉量,获取各单位时段的客诉量集合;分析各客诉量集合,筛选出各第一风险对象中的第二风险对象;根据第二风险对象的客诉率,获取各单位时段的客诉率集合;分析各客诉率集合,筛选出各第二风险对象中的第三风险对象;对各第三风险对象进行风险层级划分,得到各目标对象在各单位时段的风险识别结果。
在一个实施例中,风险识别模块420还用于对各电联率集合中的电联率进行升序排列,得到各单位时段的电联率序列;根据电联率序列,筛选出小于或等于预设第一阈值的电联率,作为目标电联率;其中,第一阈值包括电联率序列中在预设百分位数上的电联率;电联率序列中的预设百分位数包括中位数;确定目标电联率对应的目标对象,作为第一风险对象。
在一个实施例中,风险识别模块420还用于对各客诉量集合中的客诉量进行升序排列,得到各单位时段的客诉量序列;根据客诉量序列,筛选出大于或等于预设第二阈值的客诉量,作为目标客诉量;其中,第二阈值包括客诉量序列中在预设百分位数上的客诉量;客诉量序列中的预设百分位数包括百分之十分位数;确定目标客诉量对应的第一风险对象,作为第二风险对象。
在一个实施例中,风险识别模块420还用于对各客诉率集合中的客诉率进行升序排列,得到各单位时段的客诉率序列;根据客诉率序列,筛选出大于或等于预设第三阈值的客诉率,作为目标客诉率;其中,第三阈值包括客诉率序列中在预设百分位数上的客诉量;客诉率序列中的预设百分位数包括中位数;确定目标客诉率对应的第二风险对象,作为第三风险对象。
在一个实施例中,风险识别模块420还用于针对各单位时段,获取由各第三风险对象的目标客诉率构成的目标客诉率集合;对各目标客诉率集合中的客诉率进行升序排列,得到各单位时段的目标客诉率序列;根据各目标客诉率序列,筛选出小于或等于预设第四阈值的第一目标客诉率,并筛选出大于或等于第四阈值且小于或等于预设第五阈值的第二目标客诉率,以及筛选出大于或等于第五阈值的第三目标客诉率;确定第一目标客诉率对应的第三风险对象作为低风险对象,第二目标客诉率对应的第三风险对象作为中风险对象,第三目标客诉率对应的第三风险对象作为高风险对象;其中,第四阈值和第五阈值包括目标客诉率序列中在预设百分位数上的目标客诉量;目标客诉率序列中的预设百分位数包括百分之三十分位数和百分之六十分位数。
在一个实施例中,结果统计模块430还用于基于内连接算法,统计目标对象在各单位时段的风险识别结果,得到综合识别结果;根据综合识别结果,确定目标对象的风险类型。
在一个实施例中,结果统计模块430还用于根据各单位时段的时间顺序,解析综合识别结果包含的各风险识别结果的变化趋势信息;响应于变化趋势信息为上升趋势,确定目标对象的风险类型为风险对象;响应于变化趋势信息为下降趋势或不变趋势,确定目标对象的风险类型为非风险对象。
上述实施例中,风险对象识别装置使用电联率、客诉量、客诉率三个指标的中位数分层和分位数分层方法,综合观测多个时段内目标对象的表现,并动态调整分层数值,分层方式动态且自适应,不仅能保证不同层级的对象数量比例不变,实现全系统自动计算,还能避免误杀和随机性,有效地提升了风险对象的识别准确率。
需要说明的是,关于风险对象识别装置的具体限定可以参见上文中对于风险对象识别方法的限定,在此不再赘述。上述风险对象识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请一些实施例中,风险对象识别装置400可以实现为一种计算机程序的形式,计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该风险对象识别装置400的各个程序模块,比如,图4所示的数据获取模块410、风险识别模块420以及结果统计模块430;各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的风险对象识别方法中的步骤。例如,图5所示的计算机设备可以通过如图4所示的风险对象识别装置400中的数据获取模块410执行步骤S201。计算机设备可通过风险识别模块420执行步骤S202。计算机设备可通过结果统计模块430执行步骤S203。其中,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种风险对象识别方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些实施例中,提供了一种计算机设备,包括一个或多个处理器;存储器;以及一个或多个应用程序,其中的一个或多个应用程序被存储于存储器中,并配置为由处理器执行上述风险对象识别方法的步骤。此处风险对象识别方法的步骤可以是上述各个实施例的风险对象识别方法中的步骤。
在本申请一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器进行加载,使得处理器执行上述风险对象识别方法的步骤。此处风险对象识别方法的步骤可以是上述各个实施例的风险对象识别方法中的步骤。
本邻域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种风险对象识别方法、装置、计算机设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种风险对象识别方法,其特征在于,包括:
获取目标对象在预设时段内的历史业务数据,所述预设时段包括至少两个顺序存在的单位时段;
基于所述历史业务数据,分时段对所述目标对象进行风险识别,得到所述目标对象在各所述单位时段的风险识别结果;
统计各所述风险识别结果,得到所述目标对象的风险类型,所述风险类型用于筛选出所述目标对象中的风险对象。
2.如权利要求1所述的方法,其特征在于,所述获取目标对象在预设时段内的历史业务数据,包括:
获取目标对象的历史业务基础数据,所述历史业务基础数据包括业务时间;
根据所述业务时间,筛选出匹配于所述单位时段的历史业务基础数据,作为目标业务基础数据;
解析所述目标业务基础数据包含的客诉音频信息、电联时长以及电联时间,得到客诉数据和电联数据;
根据所述客诉数据和所述电联数据,获取所述目标对象在各所述单位时段内的客诉量、客诉率以及电联率,得到所述历史业务数据。
3.如权利要求1所述的方法,其特征在于,所述历史业务数据包括客诉量、客诉率以及电联率,所述基于所述历史业务数据,分时段对所述目标对象进行风险识别,得到所述目标对象在各所述单位时段的风险识别结果,包括:
获取各所述单位时段的电联率集合,所述电联率集合包括各所述目标对象的电联率;
分析各所述电联率集合,筛选出各所述目标对象中的第一风险对象;
根据所述第一风险对象的客诉量,获取各所述单位时段的客诉量集合;
分析各所述客诉量集合,筛选出各所述第一风险对象中的第二风险对象;
根据所述第二风险对象的客诉率,获取各所述单位时段的客诉率集合;
分析各所述客诉率集合,筛选出各所述第二风险对象中的第三风险对象;
对各所述第三风险对象进行风险层级划分,得到各所述目标对象在各所述单位时段的风险识别结果。
4.如权利要求3所述的方法,其特征在于,所述分析各所述电联率集合,筛选出各所述目标对象中的第一风险对象,包括:
对各所述电联率集合中的电联率进行升序排列,得到各所述单位时段的电联率序列;
根据所述电联率序列,筛选出小于或等于预设第一阈值的电联率,作为目标电联率;其中,所述第一阈值包括所述电联率序列中在预设百分位数上的电联率;所述电联率序列中的预设百分位数包括中位数;
确定所述目标电联率对应的目标对象,作为所述第一风险对象。
5.如权利要求3所述的方法,其特征在于,所述分析各所述客诉量集合,筛选出各所述第一风险对象中的第二风险对象,包括:
对各所述客诉量集合中的客诉量进行升序排列,得到各所述单位时段的客诉量序列;
根据所述客诉量序列,筛选出大于或等于预设第二阈值的客诉量,作为目标客诉量;其中,所述第二阈值包括所述客诉量序列中在预设百分位数上的客诉量;所述客诉量序列中的预设百分位数包括百分之十分位数;
确定所述目标客诉量对应的第一风险对象,作为所述第二风险对象。
6.如权利要求3所述的方法,其特征在于,所述分析各所述客诉率集合,筛选出各所述第二风险对象中的第三风险对象,包括:
对各所述客诉率集合中的客诉率进行升序排列,得到各所述单位时段的客诉率序列;
根据所述客诉率序列,筛选出大于或等于预设第三阈值的客诉率,作为目标客诉率;其中,所述第三阈值包括所述客诉率序列中在预设百分位数上的客诉量;所述客诉率序列中的预设百分位数包括中位数;
确定所述目标客诉率对应的第二风险对象,作为所述第三风险对象。
7.如权利要求3所述的方法,其特征在于,所述对各所述第三风险对象进行风险层级划分,得到各所述目标对象在各所述单位时段的风险识别结果,包括:
针对各所述单位时段,获取由各所述第三风险对象的目标客诉率构成的目标客诉率集合;
对各所述目标客诉率集合中的客诉率进行升序排列,得到各所述单位时段的目标客诉率序列;
根据各所述目标客诉率序列,筛选出小于或等于预设第四阈值的第一目标客诉率,并筛选出大于或等于所述第四阈值且小于或等于预设第五阈值的第二目标客诉率,以及筛选出大于或等于所述第五阈值的第三目标客诉率;
确定所述第一目标客诉率对应的第三风险对象作为低风险对象,所述第二目标客诉率对应的第三风险对象作为中风险对象,所述第三目标客诉率对应的第三风险对象作为高风险对象;
其中,所述第四阈值和所述第五阈值包括所述目标客诉率序列中在预设百分位数上的目标客诉量;所述目标客诉率序列中的预设百分位数包括百分之三十分位数和百分之六十分位数。
8.如权利要求1所述的方法,其特征在于,所述统计各所述风险识别结果,得到所述目标对象的风险类型,包括:
基于内连接算法,统计所述目标对象在各所述单位时段的风险识别结果,得到综合识别结果;
根据所述综合识别结果,确定所述目标对象的风险类型。
9.如权利要求8所述的方法,其特征在于,所述根据所述综合识别结果,确定所述目标对象的风险类型,包括:
根据各所述单位时段的时间顺序,解析所述综合识别结果包含的各所述风险识别结果的变化趋势信息;
响应于所述变化趋势信息为上升趋势,确定所述目标对象的风险类型为风险对象;
响应于所述变化趋势信息为下降趋势或不变趋势,确定所述目标对象的风险类型为非风险对象。
10.一种风险对象识别装置,其特征在于,包括:
数据获取模块,用于获取目标对象在预设时段内的历史业务数据,所述预设时段包括至少两个顺序存在的单位时段;
风险识别模块,用于基于所述历史业务数据,分时段对所述目标对象进行风险识别,得到所述目标对象在各所述单位时段的风险识别结果;
结果统计模块,用于统计各所述风险识别结果,得到所述目标对象的风险类型,所述风险类型用于筛选出所述目标对象中的风险对象。
11.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;以及一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至9中任一项所述的风险对象识别方法。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至9任一项所述的风险对象识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421849.2A CN116187873A (zh) | 2021-11-26 | 2021-11-26 | 风险对象识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421849.2A CN116187873A (zh) | 2021-11-26 | 2021-11-26 | 风险对象识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187873A true CN116187873A (zh) | 2023-05-30 |
Family
ID=86431162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421849.2A Pending CN116187873A (zh) | 2021-11-26 | 2021-11-26 | 风险对象识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187873A (zh) |
-
2021
- 2021-11-26 CN CN202111421849.2A patent/CN116187873A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11645293B2 (en) | Anomaly detection in big data time series analysis | |
KR100841876B1 (ko) | 의미있는 변화를 드러내는 다이나믹 프로세스 메트릭스의자동 모니터링 및 통계적 분석 | |
US12002063B2 (en) | Method and system for generating ensemble demand forecasts | |
US20200134642A1 (en) | Method and system for validating ensemble demand forecasts | |
US20140188565A1 (en) | Customer demographic data change detection based on monitored utility consumption | |
US11295324B2 (en) | Method and system for generating disaggregated demand forecasts from ensemble demand forecasts | |
CN108170830B (zh) | 群组事件数据可视化方法及系统 | |
CN110909129B (zh) | 异常投诉事件的识别方法及装置 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN111339062A (zh) | 数据监控方法、装置、电子设备及存储介质 | |
CN110889755A (zh) | 用于无形资产全生命周期的数据存储监测系统及方法 | |
CN112258220B (zh) | 信息采集及分析方法、系统、电子设备和计算机可读介质 | |
CN111190817B (zh) | 软件缺陷的处理方法及装置 | |
CN111553803A (zh) | 理赔处理方法和装置 | |
CN111737233A (zh) | 数据监控方法及装置 | |
CN116187873A (zh) | 风险对象识别方法、装置、计算机设备及存储介质 | |
CN117036062A (zh) | 一种结算资源计算方法及装置 | |
WO2020086872A1 (en) | Method and system for generating ensemble demand forecasts | |
US20170315842A1 (en) | Resource consuming tasks scheduler | |
CN115617670A (zh) | 软件测试管理方法、存储介质及系统 | |
CN111899025A (zh) | 用于贷款服务的处理方法和装置 | |
CN110930195A (zh) | 一种数据处理方法及电子设备 | |
WO2022269959A1 (ja) | ヒューマンライフ・トレーサビリティ装置および改善案提案支援方法 | |
CN114118784A (zh) | 一种行业景气指数的设计方法、装置、设备及存储介质 | |
CN117785632A (zh) | 容量规划方法、装置、计算机设备、存储介质和程序产品 |
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 |