CN116776006A - 用于企业融资的客户画像构建方法及系统 - Google Patents
用于企业融资的客户画像构建方法及系统 Download PDFInfo
- Publication number
- CN116776006A CN116776006A CN202311073947.0A CN202311073947A CN116776006A CN 116776006 A CN116776006 A CN 116776006A CN 202311073947 A CN202311073947 A CN 202311073947A CN 116776006 A CN116776006 A CN 116776006A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- industrial
- information
- node
- financing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 141
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003490 calendering Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了用于企业融资的客户画像构建方法及系统，涉及数据处理技术领域，该方法包括：对特征产业链进行拆分，输出多个产业节点；输出企业融资评估信息；上传所述企业融资评估信息至SaaS云平台；获取信息熵最大的第一产业节点；进行迭代寻优以输出多层迭代寻优结果；根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像，解决了现有技术中存在由于对于企业的融资能力分析不准确，进而导致用户难以选择优质企业进行投资，存在投资风险较高的技术问题，实现对不同产业节点的企业的寻优，便于筛选出各个节点的优质企业，达到辅助用户选择优质进行投资，降低投资风险的技术效果。
Description
技术领域
本公开涉及数据处理技术领域，具体涉及用于企业融资的客户画像构建方法及系统。
背景技术
企业融资是指以企业为主体融通资金，使企业及其内部各环节之间资金供求由不平衡到平衡的运动过程。当资金短缺时，以最小的代价筹措到适当期限，适当额度的资金；当资金盈余时，以最低的风险、适当的期限投放出去，以取得最大的收益，从而实现资金供求的平衡。企业融资过程中，会涉及金融机构或者个人的投资，现有技术中，企业的信息比较散乱、无序，这就导致用户难以准确了解企业的融资能力，增加了投资风险。如何将不同企业的信息进行分析，整合出企业的企业画像，为用户的投资提供参考，从而降低投资风险是本领域技术人员需要解决的技术问题。
综上，现有技术中存在由于对于企业的融资能力分析不准确，进而导致用户难以选择优质企业进行投资，存在投资风险较高的技术问题。
发明内容
本公开提供了用于企业融资的客户画像构建方法及系统，用以解决现有技术中存在由于对于企业的融资能力分析不准确，进而导致用户难以选择优质企业进行投资，存在投资风险较高的技术问题。
根据本公开的第一方面，提供了用于企业融资的客户画像构建方法，包括：获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点；对所述目标地域的企业进行基础信息评估，输出企业融资评估信息；上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息；对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点；将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点；根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像。
根据本公开的第二方面，提供了用于企业融资的客户画像构建系统，包括：产业链拆分模块，所述产业链拆分模块用于获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点；企业融资评估模块，所述企业融资评估模块用于对所述目标地域的企业进行基础信息评估，输出企业融资评估信息；信息上传存储模块，所述信息上传存储模块用于上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息；信息熵分析模块，所述信息熵分析模块用于对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点；迭代寻优模块，所述迭代寻优模块用于将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点；企业链画像输出模块，所述企业链画像输出模块用于根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像。
根据本公开采用的一个或多个技术方案可达到的有益效果如下：
获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点，对所述目标地域的企业进行基础信息评估，输出企业融资评估信息，上传所述企业融资评估信息至SaaS云平台，对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点，将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点，根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像，由此实现对不同产业节点的企业的寻优，便于筛选出各个节点的优质企业，达到辅助用户选择优质进行投资，降低投资风险的技术效果。
附图说明
为了更清楚地说明本发明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。构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的用于企业融资的客户画像构建方法的流程示意图。
图2为本发明用于企业融资的客户画像构建方法中的数据流转示意图。
图3为本发明实施例提供的用于企业融资的客户画像构建系统的结构示意图。
附图标记说明：产业链拆分模块11，企业融资评估模块12，信息上传存储模块13，信息熵分析模块14，迭代寻优模块15，企业链画像输出模块16。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例，而不是限制本发明。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本发明所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
需要说明的是，本发明所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本申请实施例提供的用于企业融资的客户画像构建方法图，所述方法包括：
获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点；
本申请实施例提供的用于企业融资的客户画像构建方法可应用于投资时，辅助决策者筛选出优质企业，目标地域即为待进行企业客户画像构建的任意地区，目标地域内有多家企业，获取目标地域的特征产业链，产业链是指从原料到消费者手中的整个产业链条。特征产业链则是目标地域具有代表性的产业链，可由本领域技术人员结合实际情况自行获取上传，特征产业链包括多个产业节点，也就是产业链的上中下游等位置，比如供货商、销售商等，由此得到获得多个产业节点，一个产业节点可以包括多家企业。
对所述目标地域的企业进行基础信息评估，输出企业融资评估信息；
在一个优选实施例中，还包括：
确定多个融资评估指标，以所述多个融资评估指标生成数据调用模板，以及利用所述多个融资评估指标预先训练评估网络层；以所述数据调用模板对所述目标地域中各个企业的信息进行模板采集，输出模板化企业信息；加载预先训练的所述评估网络层对所述模板化企业信息进行评估，输出企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标。
确定多个融资评估指标，融资评估指标是用于评估企业融资能力的参考指标，比如企业生产效率、财务收入增长率等指标，具体可由本领域技术人员自行选取其中的多个指标作为融资评估指标，本实施例对融资评估指标的类型和数量不做限制。以所述多个融资评估指标生成数据调用模板，多个融资评估指标对应可以获取多种数据，多种数据可能是异构数据源，就是在数据存储和管理中，多个融资评估指标对应的数据利用不同的数据系统和格式。数据调用模板是指由本领域技术人员规定的统一的数据格式，使得采集获取的各个企业的信息更加整齐，便于后续分析。利用所述多个融资评估指标预先训练评估网络层，练评估网络层是机器学习中的神经网络模型，就是根据多个融资评估指标对企业的融资能力进行评估，首先可基于现有技术获取样本企业的多个融资评估指标样本和对应的企业融资评估样本，企业融资评估信息样本包括企业自身业务进程指标样本、企业自身业务完成率指标样本和企业技术成熟度指标样本，企业自身业务进程指标泛指企业所涉及的业务完成度，企业自身业务完成率指标泛指企业对自身业务的完成量，企业技术成熟度指标泛指企业自身的专业技术的科技水平和使用可靠性，然后利用多个融资评估指标样本和对应的企业融资评估样本作为训练数据，对评估网络层进行监督训练，评估网络层的输入是多个融资评估指标样本，输出是企业融资评估信息样本，由此得到准确率符合要求的评估网络层。
以所述数据调用模板对所述目标地域中各个企业的信息进行模板采集，输出模板化企业信息，模板化企业信息包括多个融资评估指标对应的指标信息，可由用户自行采集并上传。加载预先训练的所述评估网络层对所述模板化企业信息进行评估，就是将多个融资评估指标输入评估网络层，输出企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标，企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标组成企业融资评估信息。由此实现对企业融资能力的评估，为后续的企业图像构建提供基础。
在一个优选实施例中，还包括：
建立预测网络层，将所述预测网络层与预先训练的所述评估网络层进行连接；当所述评估网络层输出所述企业融资评估信息后，将所述企业融资评估信息输入所述预测网络层进行预测，预测基于持续累积状态下的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标，生成企业预测评估指标；以所述企业预测评估指标对所述企业融资评估信息进行更新。
建立预测网络层，预测网络层也是机器学习中的神经网络模型，如图2所示的数据流转示意图，将所述预测网络层与预先训练的所述评估网络层进行连接，当所述评估网络层输出所述企业融资评估信息后，将所述企业融资评估信息输入所述预测网络层进行预测，预测基于持续累积状态下的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标，生成企业预测评估指标；也就是说，所述评估网络层输出的所述企业融资评估信息是根据企业的实时业务情况得到的，其反映的只是当下该企业的融资能力，所述预测网络层则是用于对企业的历史业务情况也进行分析，结合当前企业融资评估信息进行综合的预测，可能有部分企业只是当前的业务运营情况不稳定，需要结合历史业务情况进行整体分析，提升融资能力评估的准确性。基于此，预测网络层存储了各个企业的在历史各个时期内的历史企业融资评估信息，通过对历史各个时期内的历史企业融资评估信息和当前输出的所述企业融资评估信息进行累积叠加，可获得持续累积状态下的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标，以企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标组合得到企业预测评估指标，以所述企业预测评估指标替换所述企业融资评估信息，实现融资评估的更新，提升企业融资评估信息的准确性。
上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息；
在所述SaaS云平台中部署多层组织架构，其中，所述多层组织架构包括用于基础虚拟计算的IaaS层、以及为所述IaaS层和所述SaaS云平台提供运行环境的PaaS层；其中，部署所述多层组织架构支持互联网云环境部署和专网环境部署。
SaaS云平台是让用户能够通过互联网连接和使用基于云的应用程序，比如电子邮件、日历和办公工具等，用户即可通过互联网连接到该应用。IaaS层即为基础架构，是云的基础，它由服务器、网络设备、存储磁盘等物理资产组成，在使用IaaS时，用户并不实际控制底层基础架构，而是控制操作系统、存储和部署应用程序，还在有限的程度上控制网络组件的选择，IaaS的巨大价值通过云爆发概念实现，云爆发是指当业务瞬间增长，需要大量的计算资源时，将任务负载扩展到云环境的过程，也就是说，IaaS层用于基础虚拟计算。PaaS层是指平台即服务，用于提供对操作系统和相关服务的访问环境，它让用户能够使用现有的编程语言和工具把应用程序部署到云中，用户不必管理或控制底层基础架构，而是控制部署的应用程序并在一定程度上控制应用程序驻留环境的配置。
其中，部署所述多层组织架构支持互联网云环境部署和专网环境部署，互联网云环境是指虚拟的、在线和分布式的计算机环境，专网环境则是指覆盖特定区域的计算机环境，互联网云环境部署和专网环境部署是本领域技术人员常用技术手段，故在此不进行展开。
上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，企业信息存储单元用于存储所述企业融资评估信息，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息，通俗地讲，特征产业链包括多个产业节点，每个产业节点对应一个存储区块，用于存储该产业节点对应的多家企业的企业融资评估信息。
对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点；
对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点，每一个节点均包含多个企业的企业融资评估信息，通过信息论编码中的信息熵计算公式计算获取信息熵：
，
其中，t表示随机变量，与之相对应的是所有可能输出的集合，定义为符号集，随机变量的输出用t表示，即为信息熵，/>表示输出概率函数，变量的不确定性越大，熵也就越大。信息熵计算是本领域技术人员常用技术手段，故不再进行赘述。即在本实施例中，n的取值为3，各个节点的企业融资评估信息包括多个企业的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标这三个指标组成企业融资评估信息。随机变量t是指多个产业节点中的任一产业节点，输出概率函数/>可理解为任一节点的企业融资评估信息的概率密度函数，比如任一节点的多个企业的企业自身业务进程指标或（企业自身业务完成率指标）的分布曲线，基于此，分别以企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标为信息熵计算的变量，对应的信息熵进行加和，所得结果即为一个节点的信息熵，能够标识此节点在所有的产业节点中所处位置的重要性，便于后续确定为起始节点。
对多个节点的多个企业的企业融资评估信息进行信息熵数值的具体计算，进而获得对应的多个信息熵，在多个信息熵中筛选出最大信息熵，将最大信息熵对应的节点作为第一产业节点。
将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点；
在一个优选实施例中，还包括：
通过企业关联指标建立企业关联矩阵，其中，所述企业关联指标至少包括基于与不同企业的历史往来业务量、与不同企业关联的业务分支量、与不同企业的业务配合完成度；将所述第一产业节点为确定为初始节点后，调用所述第一产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵和所述企业融资评估信息进行企业寻优，输出第一产业节点的寻优企业；以所述第一产业节点的寻优企业对所述剩余产业节点进行依次迭代寻优。
在一个优选实施例中，还包括：
筛选除所述第一产业节点外剩余产业节点中信息熵最大的第二产业节点；以所述第一产业节点的寻优企业作为关键企业，调用所述第二产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵对所述第二产业节点的所有企业进行企业寻优，输出所述第二产业节点中的寻优企业；将所述第一产业节点的寻优企业和所述第二产业节点中的寻优企业合并后，获取除所述第一产业节点和所述第二产业节点外剩余产业节点中信息熵最大第三产业节点，以此类推，输出多层迭代寻优结果。
通过企业关联指标建立企业关联矩阵，其中，所述企业关联指标至少包括与不同企业的历史往来业务量、与不同企业关联的业务分支量、与不同企业的业务配合完成度，企业关联矩阵即为企业关联指标对应的指标数据，可由用户结合实际情况进行采集并上传，简单来说，任意一个节点的多家企业之间可能有业务往来关系，与不同企业的历史往来业务量则是指任意一个企业与其他企业的历史业务合作数量，可通过采集历史订单获取；与不同企业关联的业务分支量是指任意一个企业与其他企业的合作类型的数量，比如A企业不仅向B企业提供A零件，还提供B零件、C零件等；不同企业的业务配合完成度则是指任意一个企业与其他企业的历史业务的完成情况，即是否按时按量完成合作。
将所述企业关联指标顺序排列为一个方阵，所得结果即为企业关联矩阵，将所述第一产业节点为确定为初始节点后，调用所述第一产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵和所述企业融资评估信息进行企业寻优，输出第一产业节点的寻优企业，简单来说，就是筛选出属于第一产业节点的优质企业，比如，部分企业是通过其他企业提供产品，部分企业则是可以自行生产产品并提供给下一节点的企业或者当前节点的企业，该类型企业的生产能力更高，即为优质企业。具体来说，基于所述企业关联矩阵和所述企业融资评估信息对第一产业节点的多个企业分别对应的所述企业关联矩阵中的企业关联指标、所述企业融资评估信息中的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标进行加权计算，具体地，不同指标的权重可由本领域技术人员自行主观设置，也可通过现有的权重分析法，比如变异系数法进行设置，对此不做限制，权重分析法是本领域技术人员常用技术手段，故在此不进行展开。也就是说，融合寻优函数是对每个节点中所有企业进行寻优，寻优的响应目标是将企业融资评估信息的大小作为评判标准，输出每个节点中对应的寻优企业，即企业融资评估信息的评估指标最大的企业，并且，当一个节点寻优完成后，采集当前节点的寻优企业，并按照信息熵的大小识别出下一待寻优的节点（信息熵在剩余节点中最大），获取下一节点寻优企业，将两个企业的信息融合后，利用企业关联矩阵进行下一节点的寻优，企业信息不断融合的方式，使得企业的关联关系范围会随之变大，从而避免局部最优，识别得到全局最优的结果。
通过上述的融合寻优函数，采用了所述企业关联矩阵和所述企业融资评估信息作为寻优条件，以当前迭代轮次的节点与下一迭代轮次的节点进行信息融合（节点合并）的方式，保留上一迭代轮次的寻优信息同时融合下一迭代轮次的寻优信息，以此作为历程，不断更新融合，直至所有的节点完成，能够使得寻优的结果更准确性，另外的，针对第一产业节点内的企业寻优，过程包括：获得第一产业节点内多个企业对应的多个加权计算结果，其中，所述多个加权计算结果为企业融资评估信息中各个指标的加权结果，进而对多个加权计算结果按照由大到小的顺序进行排列，选择前N个企业作为寻优企业，N为大于1的整数，N的取值可由本领域技术人员自行设定，比如，可计算第一产业节点的多个企业的企业总数的三分之二后进行取整作为N的取值，具体可根据需要的企业数量确定，对此不做限制，通过融合寻优函数筛选出后续所有节点的寻优企业。
以所述第一产业节点的寻优企业对所述剩余产业节点进行依次迭代寻优，具体过程如下：获取除所述第一产业节点外的剩余产业节点中信息熵最大的第二产业节点，以所述第一产业节点的寻优企业作为关键企业，调用所述第二产业节点所对应的信息存储区块中存储的企业融资评估信息，第二产业节点也包括多个产业，基于所述企业关联矩阵对所述第二产业节点的所有企业进行企业寻优，输出所述第二产业节点中的寻优企业，简单来说，就是筛选出属于第二产业节点的优质企业，第二产业节点的所有企业对应的企业关联矩阵可以是由第二产业节点的所有企业与第一产业节点的寻优企业的历史往来业务量、业务分支量、业务配合完成度组建，基于所述企业关联矩阵和所述企业融资评估信息对第一产业节点的多个企业分别对应的所述企业关联矩阵中的企业关联指标、所述企业融资评估信息中的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标进行加权计算，由此获得多个企业对应的多个加权计算结果，进而对多个加权计算结果按照由大到小的顺序进行排列，获得第二产业节点的寻优企业，第一产业节点的寻优企业和第二产业节点的寻优企业的数量可以不同。
进一步将所述第一产业节点的寻优企业和所述第二产业节点中的寻优企业合并后，获取除所述第一产业节点和所述第二产业节点外剩余产业节点中信息熵最大第三产业节点，采用与获取第二产业节点的寻优企业相同的方法，获得第三产业节点的寻优企业，以此类推，输出特征产业链的多个产业节点分别对应的寻优企业作为多层迭代寻优结果。由此实现对优质企业的筛选，为企业链画像的构建提供支持，从而便于用户了解不同产业节点的优质企业，辅助进行投资。
根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像。
根据所述多层迭代寻优结果，将特征产业链的多个产业节点的寻优企业的企业融资评估信息作为所述特征产业链的企业链画像。
在一个优选实施例中，还包括：
对所述目标地域进行地域特征分解，当所述目标地域存在多个地域特征时，根据所述多个地域特征中的每一个地域特征建立对应的特征产业链，以此输出多个特征产业链；以所述多个特征产业链形成多个企业链画像，通过对所述多个企业链画像进行分析输出第一企业链画像。
对所述目标地域进行地域特征分解，地域特征即为地域特色，比如，有的地域石油矿产资源较为丰富；有的地域处于沿海地区，轻工业发达；有的地域农业发展较好，农产品更多，具体可由用户根据实际情况自行采集并通过用户端上传。当所述目标地域存在多个地域特征即包含有多种不同类型的重要产业（农产品、轻工业产品等）时，根据所述多个地域特征中的每一个地域特征建立对应的特征产业链，以此输出多个特征产业链，就是说，目标地域内有几个地域特征，就建立几个特征产业链，比如农产品的特征产业链，轻工业产品的特征产业链等。通过本实施例提供的方法对每一个特征产业链进行分析，获得每一个特征产业链对应的多个产业节点的寻优企业。
以每一个特征产业链对应的多个产业节点的寻优企业分别对应的企业融资评估信息作为该特征产业链的企业链画像，由此得到多个特征产业链对应的多个企业链画像，用户可以根据自身需求，获取想要了解的特征产业链对应的企业链画像作为第一企业链画像。由此实现基于企业融资的企业链画像的构建，便于辅助用户进行投资时可以选取寻优企业，降低投资的风险。
基于上述分析可知，本公开提供的一个或多个技术方案可达到的有益效果如下：
获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点，对所述目标地域的企业进行基础信息评估，输出企业融资评估信息，上传所述企业融资评估信息至SaaS云平台，对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点，将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点，根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像，由此实现对不同产业节点的企业的寻优，便于筛选出各个节点的优质企业，达到辅助用户选择优质进行投资，降低投资风险的技术效果。
实施例二
基于与前述实施例中用于企业融资的客户画像构建方法同样的发明构思，如图3所示，本申请还提供了用于企业融资的客户画像构建系统，所述系统包括：
产业链拆分模块11，所述产业链拆分模块11用于获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点；
企业融资评估模块12，所述企业融资评估模块12用于对所述目标地域的企业进行基础信息评估，输出企业融资评估信息；
信息上传存储模块13，所述信息上传存储模块13用于上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息；
信息熵分析模块14，所述信息熵分析模块14用于对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点；
迭代寻优模块15，所述迭代寻优模块15用于将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点；
企业链画像输出模块16，所述企业链画像输出模块16用于根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像。
进一步而言，所述迭代寻优模块15还用于：
通过企业关联指标建立企业关联矩阵，其中，所述企业关联指标至少包括基于与不同企业的历史往来业务量、与不同企业关联的业务分支量、与不同企业的业务配合完成度；
将所述第一产业节点为确定为初始节点后，调用所述第一产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵和所述企业融资评估信息进行企业寻优，输出第一产业节点的寻优企业；
以所述第一产业节点的寻优企业对所述剩余产业节点进行依次迭代寻优。
进一步而言，所述迭代寻优模块15还用于：
筛选除所述第一产业节点外剩余产业节点中信息熵最大的第二产业节点；
以所述第一产业节点的寻优企业作为关键企业，调用所述第二产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵对所述第二产业节点的所有企业进行企业寻优，输出所述第二产业节点中的寻优企业；
将所述第一产业节点的寻优企业和所述第二产业节点中的寻优企业合并后，获取除所述第一产业节点和所述第二产业节点外剩余产业节点中信息熵最大第三产业节点，以此类推，输出多层迭代寻优结果。
进一步而言，所述企业融资评估模块12还用于：
确定多个融资评估指标，以所述多个融资评估指标生成数据调用模板，以及利用所述多个融资评估指标预先训练评估网络层；
以所述数据调用模板对所述目标地域中各个企业的信息进行模板采集，输出模板化企业信息；
加载预先训练的所述评估网络层对所述模板化企业信息进行评估，输出企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标。
进一步而言，所述企业融资评估模块12还用于：
建立预测网络层，将所述预测网络层与预先训练的所述评估网络层进行连接；
当所述评估网络层输出所述企业融资评估信息后，将所述企业融资评估信息输入所述预测网络层进行预测，预测基于持续累积状态下的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标，生成企业预测评估指标；
以所述企业预测评估指标对所述企业融资评估信息进行更新。
进一步而言，所述信息上传存储模块13还用于：
在所述SaaS云平台中部署多层组织架构，其中，所述多层组织架构包括用于基础虚拟计算的IaaS层、以及为所述IaaS层和所述SaaS云平台提供运行环境的PaaS层；
其中，部署所述多层组织架构支持互联网云环境部署和专网环境部署。
进一步而言，所述企业链画像输出模块16还用于：
对所述目标地域进行地域特征分解，当所述目标地域存在多个地域特征时，根据所述多个地域特征中的每一个地域特征建立对应的特征产业链，以此输出多个特征产业链；
以所述多个特征产业链形成多个企业链画像，通过对所述多个企业链画像进行分析输出第一企业链画像。
前述实施例一中的用于企业融资的客户画像构建方法具体实例同样适用于本实施例的用于企业融资的客户画像构建系统，通过前述对用于企业融资的客户画像构建方法的详细描述，本领域技术人员可以清楚地知道本实施例中用于企业融资的客户画像构建系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.用于企业融资的客户画像构建方法，其特征在于，所述方法包括：
获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点；
对所述目标地域的企业进行基础信息评估，输出企业融资评估信息；
上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息；
对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点；
将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点；
根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像。
2.如权利要求1所述的方法，其特征在于，并按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，方法包括：
通过企业关联指标建立企业关联矩阵，其中，所述企业关联指标至少包括基于与不同企业的历史往来业务量、与不同企业关联的业务分支量、与不同企业的业务配合完成度；
将所述第一产业节点为确定为初始节点后，调用所述第一产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵和所述企业融资评估信息进行企业寻优，输出第一产业节点的寻优企业；
以所述第一产业节点的寻优企业对所述剩余产业节点进行依次迭代寻优。
3.如权利要求2所述的方法，其特征在于，以所述第一产业节点的寻优企业对所述剩余产业节点进行依次迭代寻优，包括：
筛选除所述第一产业节点外剩余产业节点中信息熵最大的第二产业节点；
以所述第一产业节点的寻优企业作为关键企业，调用所述第二产业节点所对应的信息存储区块中存储的企业融资评估信息，基于所述企业关联矩阵对所述第二产业节点的所有企业进行企业寻优，输出所述第二产业节点中的寻优企业；
将所述第一产业节点的寻优企业和所述第二产业节点中的寻优企业合并后，获取除所述第一产业节点和所述第二产业节点外剩余产业节点中信息熵最大第三产业节点，以此类推，输出多层迭代寻优结果。
4.如权利要求1所述的方法，其特征在于，对所述目标地域的企业进行基础信息评估，输出企业融资评估信息，方法包括：
确定多个融资评估指标，以所述多个融资评估指标生成数据调用模板，以及利用所述多个融资评估指标预先训练评估网络层；
以所述数据调用模板对所述目标地域中各个企业的信息进行模板采集，输出模板化企业信息；
加载预先训练的所述评估网络层对所述模板化企业信息进行评估，输出企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标。
5.如权利要求4所述的方法，其特征在于，输出企业融资评估信息，方法还包括：
建立预测网络层，将所述预测网络层与预先训练的所述评估网络层进行连接；
当所述评估网络层输出所述企业融资评估信息后，将所述企业融资评估信息输入所述预测网络层进行预测，预测基于持续累积状态下的企业自身业务进程指标、企业自身业务完成率指标以及企业技术成熟度指标，生成企业预测评估指标；
以所述企业预测评估指标对所述企业融资评估信息进行更新。
6.如权利要求1所述的方法，其特征在于，在所述SaaS云平台中部署多层组织架构，其中，所述多层组织架构包括用于基础虚拟计算的IaaS层、以及为所述IaaS层和所述SaaS云平台提供运行环境的PaaS层；
其中，部署所述多层组织架构支持互联网云环境部署和专网环境部署。
7.如权利要求5所述的方法，其特征在于，方法还包括：
对所述目标地域进行地域特征分解，当所述目标地域存在多个地域特征时，根据所述多个地域特征中的每一个地域特征建立对应的特征产业链，以此输出多个特征产业链；
以所述多个特征产业链形成多个企业链画像，通过对所述多个企业链画像进行分析输出第一企业链画像。
8.用于企业融资的客户画像构建系统，其特征在于，用于执行权利要求1至7所述的用于企业融资的客户画像构建方法中任意一项方法的步骤，所述系统包括：
产业链拆分模块，所述产业链拆分模块用于获取目标地域的特征产业链，并对所述特征产业链进行拆分，输出多个产业节点；
企业融资评估模块，所述企业融资评估模块用于对所述目标地域的企业进行基础信息评估，输出企业融资评估信息；
信息上传存储模块，所述信息上传存储模块用于上传所述企业融资评估信息至SaaS云平台，其中，所述SaaS云平台中包括企业信息存储单元，以所述多个产业节点将所述企业信息存储单元部署为多个存储区块，在对应存储区块中存储所属产业节点的企业信息；
信息熵分析模块，所述信息熵分析模块用于对所述多个产业节点中的各个节点的信息熵进行计算，获取信息熵最大的第一产业节点；
迭代寻优模块，所述迭代寻优模块用于将所述第一产业节点为确定为初始节点，利用融合寻优函数按照信息熵计算结果的大小顺序对剩余产业节点进行依次迭代寻优以输出多层迭代寻优结果，其中，上一轮次迭代寻优的结果合并后作为下一轮次寻优的初始节点；
企业链画像输出模块，所述企业链画像输出模块用于根据所述多层迭代寻优结果输出基于所述特征产业链的企业链画像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073947.0A CN116776006B (zh) | 2023-08-24 | 2023-08-24 | 用于企业融资的客户画像构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073947.0A CN116776006B (zh) | 2023-08-24 | 2023-08-24 | 用于企业融资的客户画像构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776006A true CN116776006A (zh) | 2023-09-19 |
| CN116776006B CN116776006B (zh) | 2023-10-27 |
Family
ID=88008462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311073947.0A Active CN116776006B (zh) | 2023-08-24 | 2023-08-24 | 用于企业融资的客户画像构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776006B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171711A (zh) * | 2023-11-02 | 2023-12-05 | 南通透灵信息科技有限公司 | 一种基于云平台的企业内外部数据融合共享方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100724A1 (en) * | 2005-11-03 | 2007-05-03 | Hollas Judd E | Electronic enterprise capital marketplace and monitoring apparatus and method |
| CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、系统、介质和电子设备 |
| CN110472815A (zh) * | 2019-06-28 | 2019-11-19 | 蔷薇信息技术有限公司 | 一种供应链金融业务中对融资企业的风险控制方法及系统 |
| CN112184462A (zh) * | 2020-11-10 | 2021-01-05 | 天元大数据信用管理有限公司 | 一种互联网金融智慧融资的实现方法 |
| CN112256762A (zh) * | 2020-10-26 | 2021-01-22 | 中冶赛迪技术研究中心有限公司 | 基于产业地图的企业画像方法、系统、设备及介质 |
| CN113762703A (zh) * | 2021-04-22 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 确定企业画像的方法和装置、计算设备和存储介质 |
| CN114037197A (zh) * | 2021-07-22 | 2022-02-11 | 上海颖幡技术有限公司 | 颖幡科技金融企业授信评分算法模型和应用系统 |
| CN114266492A (zh) * | 2021-12-27 | 2022-04-01 | 天元大数据信用管理有限公司 | 一种基于数据挖掘的企业融资基金匹配方法 |
| CN114529181A (zh) * | 2022-02-11 | 2022-05-24 | 北京每日信动科技有限公司 | 一种基于机器学习的产业链优企特征优化方法及系统 |
| CN116502898A (zh) * | 2023-06-28 | 2023-07-28 | 绿城科技产业服务集团有限公司 | 基于神经网络的企业风险画像生成方法及装置 |
-
2023
- 2023-08-24 CN CN202311073947.0A patent/CN116776006B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100724A1 (en) * | 2005-11-03 | 2007-05-03 | Hollas Judd E | Electronic enterprise capital marketplace and monitoring apparatus and method |
| CN110135901A (zh) * | 2019-05-10 | 2019-08-16 | 重庆天蓬网络有限公司 | 一种企业用户画像构建方法、系统、介质和电子设备 |
| CN110472815A (zh) * | 2019-06-28 | 2019-11-19 | 蔷薇信息技术有限公司 | 一种供应链金融业务中对融资企业的风险控制方法及系统 |
| CN112256762A (zh) * | 2020-10-26 | 2021-01-22 | 中冶赛迪技术研究中心有限公司 | 基于产业地图的企业画像方法、系统、设备及介质 |
| CN112184462A (zh) * | 2020-11-10 | 2021-01-05 | 天元大数据信用管理有限公司 | 一种互联网金融智慧融资的实现方法 |
| CN113762703A (zh) * | 2021-04-22 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 确定企业画像的方法和装置、计算设备和存储介质 |
| CN114037197A (zh) * | 2021-07-22 | 2022-02-11 | 上海颖幡技术有限公司 | 颖幡科技金融企业授信评分算法模型和应用系统 |
| CN114266492A (zh) * | 2021-12-27 | 2022-04-01 | 天元大数据信用管理有限公司 | 一种基于数据挖掘的企业融资基金匹配方法 |
| CN114529181A (zh) * | 2022-02-11 | 2022-05-24 | 北京每日信动科技有限公司 | 一种基于机器学习的产业链优企特征优化方法及系统 |
| CN116502898A (zh) * | 2023-06-28 | 2023-07-28 | 绿城科技产业服务集团有限公司 | 基于神经网络的企业风险画像生成方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171711A (zh) * | 2023-11-02 | 2023-12-05 | 南通透灵信息科技有限公司 | 一种基于云平台的企业内外部数据融合共享方法及系统 |
| CN117171711B (zh) * | 2023-11-02 | 2023-12-26 | 南通透灵信息科技有限公司 | 一种基于云平台的企业内外部数据融合共享方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776006B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
| Uematsu et al. | High‐dimensional macroeconomic forecasting and variable selection via penalized regression | |
| CN110389970A (zh) | 用户意向预测方法、装置、计算机设备及存储介质 | |
| CN111797928A (zh) | 生成机器学习样本的组合特征的方法及系统 | |
| US20180005151A1 (en) | Asset health management framework | |
| CN116776006B (zh) | 用于企业融资的客户画像构建方法及系统 | |
| CN116757297A (zh) | 用于选择机器学习样本的特征的方法及系统 | |
| CN114298323A (zh) | 生成机器学习样本的组合特征的方法及系统 | |
| JP7304698B2 (ja) | 水需要予測方法およびシステム | |
| KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
| CN115204648A (zh) | 基于数学模型的电力工程质量指数获取方法与装置 | |
| Ptak-Chmielewska et al. | Application of the random survival forests method in the bankruptcy prediction for small and medium enterprises | |
| CN117853158A (zh) | 基于动态量本利分析的企业运营数据预测方法及装置 | |
| CN117934035A (zh) | 一种房建工程造价预估方法、装置及存储介质 | |
| CN113919558A (zh) | 产品销量预测方法及装置 | |
| KR102581144B1 (ko) | 고객분석 기반 기업 가치평가 방법 및 시스템 | |
| CN115222081A (zh) | 学位资源预测方法、装置及计算机设备 | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CA3160715A1 (en) | Systems and methods for business analytics model scoring and selection | |
| CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
| CN113065911A (zh) | 推荐信息生成方法、装置、存储介质及电子设备 | |
| CN110827111A (zh) | 一种基于动态扩展模型的实时信用分析方法及系统 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| KR102284440B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
| US20200051175A1 (en) | Method and System for Predicting and Indexing Probability of Financial Stress |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |