CN116823159A - 金融项目的工作量预估方法、装置及程序产品 - Google Patents
金融项目的工作量预估方法、装置及程序产品 Download PDFInfo
- Publication number
- CN116823159A CN116823159A CN202310742750.5A CN202310742750A CN116823159A CN 116823159 A CN116823159 A CN 116823159A CN 202310742750 A CN202310742750 A CN 202310742750A CN 116823159 A CN116823159 A CN 116823159A
- Authority
- CN
- China
- Prior art keywords
- workload
- financial
- business
- item
- service
- 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 56
- 238000013210 evaluation model Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种金融项目的工作量预估方法、装置及程序产品。涉及大数据处理技术领域,包括:基于金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型;获取待评估金融项目,并通过业务分类器对待评估金融项目进行识别获取目标业务类型;从所构建的各工作量评估模型中确定出与目标业务类型所匹配的目标工作量评估模型,并采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量。针对待评估项目通过分类器进行识别,确定出项目的业务类型,并采用与业务类型匹配的目标工作量评估模型,对待评估项目进行工作量的评估,从而使得工作量评估结果能够反映出项目的特性,提高了工作量评估的准确性。
Description
技术领域
本申请涉及大数据处理技术领域,尤其涉及一种金融项目的工作量预估方法、装置及程序产品。
背景技术
银行软件项目总数多且项目复杂程度高,目前主流的金融软件项目工作量评估方式,采用的是识别待评估项目对应的业务需求,获得待评估项目的业务功能,基于业务功能的颗粒粒度进行工作量汇总得出待评估项目的总工作量。
但是不同类型的项目资源投入类型有较大差异,如果不对项目进行类型区分直接进行工作量的评估,所得到的工作量无法反应出具体项目特性,从而使得工作量评估不准确。
发明内容
本申请提供一种金融项目的工作量预估方法、装置及程序产品,以实现对金融项目的工作量进行准确预估。
第一方面,本申请提供了一种金融项目的工作量预估方法,包括:
获取历史评估金融项目数据,并将业务类型添加到对应的所述历史评估金融项目数据中获取金融项目样本,其中,所述业务类型包括交易类、数据分析类、流程管理类和渠道类;
基于所述金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,其中,各工作量评估模型分别用于对不同业务类型的金融项目进行工作量评估;
获取待评估金融项目,并通过所述业务分类器对所述待评估金融项目进行识别获取目标业务类型;
从所构建的各工作量评估模型中确定出与所述目标业务类型所匹配的目标工作量评估模型,并采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量。
第二方面,本申请提供了一种金融项目的工作量预估装置,包括:
金融项目样本获取模块,用于获取历史评估金融项目数据,并将业务类型添加到对应的所述历史评估金融项目数据中获取金融项目样本,其中,所述业务类型包括交易类、数据分析类、流程管理类和渠道类;
业务分类器和工作量评估模型构建模块,用于基于所述金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,其中,各工作量评估模型分别用于对不同业务类型的金融项目进行工作量评估;
业务类型确定模块,用于获取待评估金融项目,并通过所述业务分类器对所述待评估金融项目进行识别获取目标业务类型;
工作量评估模型,用于从所构建的各工作量评估模型中确定出与所述目标业务类型所匹配的目标工作量评估模型,并采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如本申请所述的方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请所述的方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请所述的方法。
本申请针对待评估项目通过分类器进行识别,确定出项目的业务类型,并采用与业务类型匹配的目标工作量评估模型,对待评估项目进行工作量的评估,从而使得工作量评估结果能够反映出项目的特性,提高了工作量评估的准确性。
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。
图1为本申请实施例一提供的金融项目的工作量预估方法的流程图;
图2为本申请实施例二提供的金融项目的工作量预估方法的流程图;
图3为本申请实施例三提供的金融项目的工作量预估方法的流程图;
图4为本申请实施例四提供的金融项目的工作量预估装置的结构示意图;
图5为本申请实施例五提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,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。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定
实施例一
图1为本申请实施例提供的金融项目的工作量预估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取历史评估金融项目数据,并将业务类型添加到对应的所述历史评估金融项目数据中获取金融项目样本。
具体的说,本实施方式中可以获取一周或一个月之内的历史评估金融项目,本实施方式中并不对历史评估金融项目的具体获取期限进行限定,但只要是已经完成评估并确定工作量,则都在本申请的保护范围内。并且在获取到历史评估金融项目后会确定各历史评估金融项目所对应的业务类型,而各历史评估金融项目分别属于指定类型的业务,其中,业务类型包括交易类、数据分析类、流程管理类和渠道类等,当然,本实施方式中仅是举例说明,而并不对业务类型的具体内容进行限定。并且可以采用用户加标签的方式将业务类型标注在各历史评估金融项目,从而获取到业务类型已知的金融项目样本。此时所获取的每个金融项目样本下分别包括多个事件,而每个事件中又分别包括需求项、业务功能和事务数据功能等,同时还包括每个事件的工作量。例如,在一个金融项目样本A下包含1万条事件,针对其中的一条事件a所包含的需求项为对模块x增加辅助功能,业务功能为执行点赞,事务数据功能为修改执行点赞所对应的参数状态,工作量为10。当然,本实施方式中仅是以一个金融项目样本下的一条事件的内容进行举例说明,对于其它事件以及其它金融项目样本中所包含的事件的内容与此大致相同,本实施方式中不再进行赘述。
步骤S102,基于金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型。
可选的,基于金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,包括:根据金融项目样本中的指定参数进行特征提取获取业务分类样本,并采用业务分类样本进行训练以构建出业务分类器,其中,指定参数包括需求项、业务功能和事务数据功能;根据金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型。
可选的,根据金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型,包括:将金融项目样本按照业务类型进行分组获取各业务集合,其中,业务集合中包括业务类型相同的金融项目样本;采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型,其中,工作量评估模型包括交易类工作量评估模型、数据分析类工作量评估模型、流程管理类工作量评估模型和渠道类工作量评估模型。
具体的说,在获取到数量众多的金融项目样本后,可以对金融项目样本中的指定参数,例如需求项、业务功能和事务数据功能进行关键字的筛选,并基于所筛选出的关键字进行特征提取,从而获取包含各金融项目样本的特征以及业务类型的业务分类样本。在获取到业务分类样本后可以基于AI分类算法,例如神经网络算法采用所获取的业务分类样本进行训练,以构建出业务分类器。当然,本实施方式中仅是举例说明,而并不对所使用的AI分类算法的具体形式进行限定,只要能够通过对业务分类样本进行训练获取业务分类器则都是在本申请的保护范围内,本实施方式中不再进行赘述。
其中,本实施方式中所获取的金融项目样本一方面可以通过AI算法进行训练,以构建出业务分类模型,以便于后续应用业务分类器确定待评估金融项目的业务类型;另一方面还可以基于所获取的金融项目样本构建出各业务类型所对应的工作量评估模型,子构建各业务类型所对应的工作量评估模型时,由于各金融项目样本所对应的业务类型是已知的并且已经进行了标注,因此会将金融项目样本按照业务类型进行分组获取各业务集合,例如,获取到交易类业务集合、数据分析类业务集合、流程管理类业务集合以及渠道类业务集合,并且在各业务集合中分别包括业务类型相同的金融项目样本,如在交易类业务集合中仅包含标记为交易类的金融项目样本,并且本实施方式中并不对各业务集合中所包含的相同业务类型的金融项目样本的数量进行限定。
步骤S103,获取待评估金融项目,并通过业务分类器对待评估金融项目进行识别获取目标业务类型。
可选的,通过业务分类器对待评估金融项目进行识别获取目标业务类型,包括:对待评估金融项目中的指定参数进行特征提取目标特征;将目标特征输入业务分类器进行识别,获取目标业务类型。
具体的说,当获取到待评估金融项目时,由于不同业务类型的待评估金融项目所对应的评估方式是有一定差异的,因此为了保证工作量评估的准确性,在对待评估金融项目进行工作量评估之前会先确定出待评估金融项目的业务类型。
其中,在确定待评估金融项目的业务类型时,首先是筛选出待评估金融项目中的需求项、业务功能和事务数据功能等指定参数中所包含的目标关键字,对目标关键字进行特征提取获取到目标特征。此时则会应用之前训练所获取的业务分类器,将所提取的目标特征输入业务分类器,并通过业务分类器基于所提取的目标特征进行识别,确定出待评估金融项目的目标业务类型,例如,通过业务分类器通过识别所确定的待评估金融项目的目标业务类型为交易类。
值得一提的是,本实施方式中的业务分类器会有自动校验机制,即在获取到目标特征时,如果通过一次识别无法确定出目标业务类型时,会在预设时间范围内再次进行识别,当超过预设时间依然无法输出业务类型时在,则确定业务类型识别失败,并将识别结果向管理者进行反馈,以便于用户能够及时了解到待评估金融项目的工作量预估进展情况。
步骤S104,从所构建的各工作量评估模型中确定出与目标业务类型所匹配的目标工作量评估模型,并采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量。
可选的,采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量,包括:将待评估金融项目输入目标工作量评估模型,其中,待评估金融项目中包括多个事件,并且各事件中的需求项、业务功能和事务数据功能是已知的;通过目标工作量评估模型对待评估金融项目进行预估,获取待评估金融项目中各事件所对应的预估工作量。
具体的说,本实施方式中当获取到待评估金融项目的业务类型之后,由于之前针对各业务类型分别创建了对应的工作量评估模型,因此当获取到待评估金融项目的业务类型为交易类时,则会将易类工作量评估模型作为目标工作量评估模型,并将待评估金融项目输入到目标工作量评估模型中,由于在待评估金融项目中包括多个事件,而关于各事件中的需求项、业务功能和事务数据功能是已知的,因此当将待评估金融项目输入到目标工作量评估模型时,预先训练的目标工作量评估模型可以对待评估金融项目进行预估,获取待评估金融项目中各事件所对应的预估工作量。
例如,当待评估金融项目中包含100个事件时,则通过目标工作量评估模型可以预估出各事件所对应的工作量的具体数值,并且还会将工作量评估所获取的预估工作量进行展示,即将各事件所对应的工作量按照指定方式进行展示,从而便于用户直观有效的获取到待评估金融项目的工作量评估结果。
本申请针对待评估项目通过分类器进行识别,确定出项目的业务类型,并采用与业务类型匹配的目标工作量评估模型,对待评估项目进行工作量的评估,从而使得工作量评估结果能够反映出项目的特性,提高了工作量评估的准确性。
实施例二
图2为本申请实施例提供的金融项目的工作量预估方法的流程图,本实施例以上述实施例为基础,对获取各业务对应的工作量评估模型进行具体说明,如图2所示,包括如下步骤:
步骤S201,将金融项目样本按照业务类型进行分组获取各业务集合。
其中,由上述实施例可以得知在金融项目样本下分别包括多个事件,而每个事件中分别包括需求项、业务功能、事务数据功能和工作量等信息,由于每个金融项目样本的业务类型,用户在样本构建时已经以标签的形式进行了标注,因此可以将所获取的各金融项目样本按照业务类型进行分组。
例如,所获取的金融项目样本包括90个,金融项目样本A01属于交易类,金融项目样本A02属于交易类,金融项目样本A03属于数据分析类,金融项目样本A04属于流程管理类,金融项目样本A05属于渠道类,........,金融项目样本A90属于交易类,从而可以按照不同的业务类型将各金融项目样本进行分组获取各业务集合:交易类业务集合={A02A06.......A90}、数据分析类业务集合={A03A07.......A67}、流程管理类业务集合={A04A09.......A081}、渠道类业务集合={A05A08.......A086},因此在各业务集合中分别包括业务类型相同的金融项目样本。当然,本实施方式中仅是以90个金融项目样本为例进行举例说明,而在实际应用中根据历史评估金融项目所获取的金融项目样本的数量通常是非常庞大的,因此本实施方式中并不对所获取的金融项目样本的总数量,以及各业务集合中分别所包含的金融项目样本的数量进行限定,只要能够通过所获取的业务集合准确获取到所对应的工作量评估模型,则都在本申请的保护范围内。
步骤S202,采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型。
具体的说,在获取到交易类业务集合、数据分析类业务集合、流程管理类业务集合以及渠道类业务集合后,可以采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型,例如,通过交易类业务集合进行训练以构建出交易类工作量评估模型、通过数据分析类业务集合进行训练以构建出数据分析类工作量评估模型、通过流程管理类业务集合进行训练以构建出流程管理类工作量评估模型、通过渠道类业务集合进行训练以构建出渠道类工作量评估模型。
例如,在获取到各业务集合:交易类业务集合={A02A06.......A90}、数据分析类业务集合={A03A07.......A67}、流程管理类业务集合={A04A09.......A081}、渠道类业务集合={A05A08.......A086}之后,会采用各业务集合分别进行训练,以构建出各业务类型对应的工作量评估模型。其中,根据交易类业务集合={A02A06.......A90}进行训练,可以获取到交易类工作量评估模型;根据数据分析类业务集合={A03A07.......A67}进行训练,可以获取到数据分析类工作量评估模型;根据流程管理类业务集合={A04A09.......A081}进行训练,可以获取到流程管理类工作量评估模型;根据渠道类业务集合={A05A08.......A086}进行训练,可以获取到渠道类工作量评估模型。
在一个具体实现中,以通过交易类业务集合进行训练以构建出交易类工作量评估模型为例进行说明,由于在交易类业务集合={A02A06.......A90}中包括大量交易类金融项目样本,而在每个交易类金融项目样本下包括多个交易类事件,由于每个交易类事件中分别包括需求项、业务功能和事务数据功能等信息,同时还包含每个交易类事件所对应的工作量,并且各交易类事件的工作量是已知的,因此通过交易类金融项目样本A02A06.......A90中的信息与工作量的对应关系进行训练,可以获取到交易类工作量评估模型。并且在获取到交易类工作量评估模型之后,可以便于后续应用交易类工作量评估模型对交易类的待评估项目进行工作量的评估。
需要说明的是,本实施方式中仅是以构建交易类工作量评估模型为例进行说明,对于获取其它业务类型所对应的工作量评估模型的方式与此大致相同,本实施方式中不再进行赘述。针对各业务类型对应的工作量评估模型,可以便于后续应用工作量评估模型对指定业务类型的待评估金融项目进行工作量的评估。
本申请针对待评估项目通过分类器进行识别,确定出项目的业务类型,并采用与业务类型匹配的目标工作量评估模型,对待评估项目进行工作量的评估,从而使得工作量评估结果能够反映出项目的特性,提高了工作量评估的准确性。并且在构建各业务类型的工作量评估模型时,通过对金融项目样本按照业务类型进行分组所获取的各业务集合后,根据各业务集合分别进行训练获取对应的工作量评估模型,从而提高了工作量评估模型获取的准确性。
实施例三
图3为本申请实施例提供的金融项目的工作量预估方法的流程,本实施方式以上述实施例为基础,在采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量之后,还包括获取待评估金融项目的实际工作量,根据实际工作量对预估工作量进行准确性校验,如图3所示,包括如下步骤:
步骤S301,获取历史评估金融项目数据,并将业务类型添加到对应的历史评估金融项目数据中获取金融项目样本。
步骤S302,基于金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型。
可选的,基于金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,包括:根据金融项目样本中的指定参数进行特征提取获取业务分类样本,并采用业务分类样本进行训练以构建出业务分类器,其中,指定参数包括需求项、业务功能和事务数据功能;根据金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型。
可选的,根据金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型,包括:将金融项目样本按照业务类型进行分组获取各业务集合,其中,业务集合中包括业务类型相同的金融项目样本;采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型,其中,工作量评估模型包括交易类工作量评估模型、数据分析类工作量评估模型、流程管理类工作量评估模型和渠道类工作量评估模型。
步骤S303,获取待评估金融项目,并通过业务分类器对待评估金融项目进行识别获取目标业务类型。
可选的,通过业务分类器对待评估金融项目进行识别获取目标业务类型,包括:对待评估金融项目中的指定参数进行特征提取目标特征;将目标特征输入业务分类器进行识别,获取目标业务类型。
步骤S304,从所构建的各工作量评估模型中确定出与目标业务类型所匹配的目标工作量评估模型,并采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量。
可选的,采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量,包括:将待评估金融项目输入目标工作量评估模型,其中,待评估金融项目中包括多个事件,并且各事件中的需求项、业务功能和事务数据功能是已知的;通过目标工作量评估模型对待评估金融项目进行预估,获取待评估金融项目中各事件所对应的预估工作量。
步骤S305,获取待评估金融项目的实际工作量,根据实际工作量对预估工作量进行准确性校验。
可选的,根据实际工作量对预估工作量进行准确性校验,包括:将实际工作量与预估工作量进行对比;判断实际工作量与预估工作量的差值是否小于预设阈值时,若是,则确定预估工作量预估准确,否则,确定预估工作量预估错误,并进行报警提示。
具体的说,本实施方式中在获取到待评估金融项目进行工作量预估获取到预估工作量之后,当获取到待评估金融项目的实际工作量之后,还会将预估所获取的预估工作量与实际运行所获取的实际工作量进行对比,当两者差值超过预设阈值的情况下,则说明当前的工作量预估是无效的,例如,当确定预估工作量为300,但实际工作量确定为40时,两者差值为260超过预设阈值10,此时显示预估结果与实际运行过程中工作量悬殊,说明本地针对待评估金融项目的预估是错误的。
其中,当确定预估工作量预估错误时,造成错误的原因是多方面的,可能是训练过程有误造成分类器或工作量评估模型不精确,或者是设备的硬件出现故障,本实施方式中并不对造成预估错误的原因进行限定,并且当确定预估工作量预估错误时,为了及时进行纠正会生成报警提示,并通过报警提示向用户进行报警,以便于用户可根据报警提示及时对模型或者硬件设备进行检修,以进一步提高工作量预估的效率和准确性。
本申请针对待评估项目通过分类器进行识别,确定出项目的业务类型,并采用与业务类型匹配的目标工作量评估模型,对待评估项目进行工作量的评估,从而使得工作量评估结果能够反映出项目的特性,提高了工作量评估的准确性。并且当预估工作量与实际工作量差值过大,并且超过预设阈值的情况下会生成报警提示,以便于用户可根据报警提示及时对模型或者硬件设备进行检修,以进一步提高工作量预估的效率和准确性。
实施例四
图4为本申请实施例提供的金融项目的工作量预估装置的结构示意图。如图4所示,该金融项目的工作量预估装置,包括:金融项目样本获取模块410、业务分类器和工作量评估模型构建模块420、业务类型确定模块430和工作量评估模块440。
金融项目样本获取模块410,用于获取历史评估金融项目数据,并将业务类型添加到对应的历史评估金融项目数据中获取金融项目样本,其中,业务类型包括交易类、数据分析类、流程管理类和渠道类;
业务分类器和工作量评估模型构建模块420,用于基于金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,其中,各工作量评估模型分别用于对不同业务类型的金融项目进行工作量评估;
业务类型确定模块430,用于获取待评估金融项目,并通过业务分类器对待评估金融项目进行识别获取目标业务类型;
工作量评估模型440,用于从所构建的各工作量评估模型中确定出与目标业务类型所匹配的目标工作量评估模型,并采用目标工作量评估模型对待评估金融项目进行预估获取预估工作量。
可选的,业务分类器和工作量评估模型构建模块,包括:
业务分类器构建单元,用于根据金融项目样本中的指定参数进行特征提取获取业务分类样本,并采用业务分类样本进行训练以构建出业务分类器,其中,指定参数包括需求项、业务功能和事务数据功能;
工作量评估模型构建单元,用于根据金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型。
可选的,工作量评估模型构建单元,用于将金融项目样本按照业务类型进行分组获取各业务集合,其中,业务集合中包括业务类型相同的金融项目样本;
采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型,其中,工作量评估模型包括交易类工作量评估模型、数据分析类工作量评估模型、流程管理类工作量评估模型和渠道类工作量评估模型。
可选的,业务类型确定模块,用于对待评估金融项目中的指定参数进行特征提取目标特征;
将目标特征输入业务分类器进行识别,获取待评估金融项目的业务类型。
可选的,工作量评估模块,用于将待评估金融项目输入目标工作量评估模型,其中,待评估金融项目中包括多个事件,并且各事件中的需求项、业务功能和事务数据功能是已知的;
通过目标工作量评估模型对待评估金融项目进行工作量预估,获取待评估金融项目中各事件所对应的预估工作量。
可选的,装置还包括预估工作量展示模块,用于将预估工作量按照指定方式进行展示。
可选的,装置还包括预估工作量校验模块,用于获取待评估金融项目的实际工作量;
根据实际工作量对预估工作量进行准确性校验。
可选的,预估工作量校验模块,还用于将实际工作量与预估工作量进行对比;
判断实际工作量与预估工作量的差值是否小于预设阈值时,若是,则确定预估工作量预估准确,
否则,确定预估工作量预估错误,并进行报警提示。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如金融项目的工作量预估方法。
在一些实施例中,金融项目的工作量预估方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的金融项目的工作量预估方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行金融项目的工作量预估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
本发明实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请任一实施例所提供的金融项目的工作量预估方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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 (15)
1.一种金融项目的工作量预估方法,其特征在于,包括:
获取历史评估金融项目数据,并将业务类型添加到对应的所述历史评估金融项目数据中获取金融项目样本,其中,所述业务类型包括交易类、数据分析类、流程管理类和渠道类;
基于所述金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,其中,各工作量评估模型分别用于对不同业务类型的金融项目进行工作量评估;
获取待评估金融项目,并通过所述业务分类器对所述待评估金融项目进行识别获取目标业务类型;
从所构建的各工作量评估模型中确定出与所述目标业务类型所匹配的目标工作量评估模型,并采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量。
2.根据权利要求1所述的方法,其特征在于,所述基于所述金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,包括:
根据所述金融项目样本中的指定参数进行特征提取获取业务分类样本,并采用所述业务分类样本进行训练以构建出所述业务分类器,其中,所述指定参数包括需求项、业务功能和事务数据功能;
根据所述金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型,包括:
将所述金融项目样本按照业务类型进行分组获取各业务集合,其中,所述业务集合中包括业务类型相同的金融项目样本;
采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型,其中,所述工作量评估模型包括交易类工作量评估模型、数据分析类工作量评估模型、流程管理类工作量评估模型和渠道类工作量评估模型。
4.根据权利要求1所述的方法,其特征在于,所述通过所述业务分类器对所述待评估金融项目进行识别获取目标业务类型,包括:
对所述待评估金融项目中的指定参数进行特征提取目标特征;
将所述目标特征输入所述业务分类器进行识别,获取所述目标业务类型。
5.根据权利要求1所述的方法,其特征在于,所述采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量,包括:
将所述待评估金融项目输入所述目标工作量评估模型,其中,所述待评估金融项目中包括多个事件,并且各事件中的需求项、业务功能和事务数据功能是已知的;
通过所述目标工作量评估模型对所述待评估金融项目进行预估,获取所述待评估金融项目中各事件所对应的预估工作量。
6.根据权利要求1所述的方法,其特征在于,所述采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量之后,还包括:
将所述预估工作量按照指定方式进行展示。
7.根据权利要求1所述的方法,其特征在于,所述采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量之后,还包括:
获取所述待评估金融项目的实际工作量;
根据所述实际工作量对所述预估工作量进行准确性校验。
8.根据权利要求7所述的方法,其特征在于,所述根据所述实际工作量对所述预估工作量进行准确性校验,包括:
将所述实际工作量与所述预估工作量进行对比;
判断所述实际工作量与所述预估工作量的差值是否小于预设阈值,若是,则确定所述预估工作量预估准确,
否则,确定所述预估工作量预估错误,并进行报警提示。
9.一种金融项目的工作量预估装置,其特征在于,包括:
金融项目样本获取模块,用于获取历史评估金融项目数据,并将业务类型添加到对应的所述历史评估金融项目数据中获取金融项目样本,其中,所述业务类型包括交易类、数据分析类、流程管理类和渠道类;
业务分类器和工作量评估模型构建模块,用于基于所述金融项目样本分别采用不同的训练方式构建出业务分类器以及各工作量评估模型,其中,各工作量评估模型分别用于对不同业务类型的金融项目进行工作量评估;
业务类型确定模块,用于获取待评估金融项目,并通过所述业务分类器对所述待评估金融项目进行识别获取目标业务类型;
工作量评估模型,用于从所构建的各工作量评估模型中确定出与所述目标业务类型所匹配的目标工作量评估模型,并采用所述目标工作量评估模型对所述待评估金融项目进行预估获取预估工作量。
10.根据权利要求9所述的装置,其特征在于,所述业务分类器和工作量评估模型构建模块,包括:
业务分类器构建单元,用于根据所述金融项目样本中的指定参数进行特征提取获取业务分类样本,并采用所述业务分类样本进行训练以构建出所述业务分类器,其中,所述指定参数包括需求项、业务功能和事务数据功能;
工作量评估模型构建单元,用于根据所述金融项目样本获取各业务集合,并基于各业务集合进行训练以构建出各工作量评估模型。
11.根据权利要求10所述的装置,其特征在于,所述工作量评估模型构建单元,用于将所述金融项目样本按照业务类型进行分组获取各业务集合,其中,所述业务集合中包括业务类型相同的金融项目样本;
采用各业务集合分别进行训练,以构建各业务类型对应的工作量评估模型,其中,所述工作量评估模型包括交易类工作量评估模型、数据分析类工作量评估模型、流程管理类工作量评估模型和渠道类工作量评估模型。
12.根据权利要求9所述的装置,其特征在于,所述业务类型确定模块,用于对所述待评估金融项目中的指定参数进行特征提取目标特征;
将所述目标特征输入所述业务分类器进行识别,获取所述目标业务类型。
13.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-8中任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8中任一项所述的方法。
15.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742750.5A CN116823159A (zh) | 2023-06-21 | 2023-06-21 | 金融项目的工作量预估方法、装置及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742750.5A CN116823159A (zh) | 2023-06-21 | 2023-06-21 | 金融项目的工作量预估方法、装置及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823159A true CN116823159A (zh) | 2023-09-29 |
Family
ID=88128746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742750.5A Pending CN116823159A (zh) | 2023-06-21 | 2023-06-21 | 金融项目的工作量预估方法、装置及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823159A (zh) |
-
2023
- 2023-06-21 CN CN202310742750.5A patent/CN116823159A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
CN115687406B (zh) | 一种调用链数据的采样方法、装置、设备及存储介质 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN116823159A (zh) | 金融项目的工作量预估方法、装置及程序产品 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN114116688A (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
CN112749978A (zh) | 检测方法、装置、设备、存储介质以及程序产品 | |
CN114461502B (zh) | 模型的监控方法和装置 | |
CN112560992B (zh) | 优化图片分类模型的方法、装置、电子设备及存储介质 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
EP4199456A1 (en) | Traffic classification method and apparatus, training method and apparatus, device and medium | |
CN115865409A (zh) | 一种代码风险检测方法、装置、设备及介质 | |
CN114065008A (zh) | 基于搜索的对象识别的方法、装置、设备以及存储介质 | |
CN116015811A (zh) | 评估网络安全的方法、装置、存储介质以及电子设备 | |
CN117499148A (zh) | 一种网络访问控制方法、装置、设备及存储介质 | |
CN116974621A (zh) | 一种参数配置方法、装置及设备 | |
CN114861820A (zh) | 样本数据筛选方法、模型训练方法、装置及电子设备 | |
CN116663905A (zh) | 金融风险的预测方法、装置、设备、存储介质及程序产品 | |
CN117033235A (zh) | 一种软件程序关联性测试方法、装置、设备及存储介质 | |
CN117934152A (zh) | 一种系统变更后的风险评估方法、装置、设备及存储介质 | |
CN115034893A (zh) | 深度学习模型的训练方法、风险评估方法和装置 | |
CN117455684A (zh) | 一种数据处理方法、装置、电子设备、存储介质及产品 | |
CN115600819A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
CN114399333A (zh) | 媒介信息的投放效果检测方法、装置、设备及存储介质 |
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 |