CN116934512A - 一种财务月结审核方法、装置、计算机设备及存储介质 - Google Patents
一种财务月结审核方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116934512A CN116934512A CN202311004415.1A CN202311004415A CN116934512A CN 116934512 A CN116934512 A CN 116934512A CN 202311004415 A CN202311004415 A CN 202311004415A CN 116934512 A CN116934512 A CN 116934512A
- Authority
- CN
- China
- Prior art keywords
- financial
- month
- sub
- data
- auditing
- 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 240
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 30
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000012550 audit Methods 0.000 claims description 124
- 238000012549 training Methods 0.000 claims description 38
- 238000005111 flow chemistry technique Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Abstract
本申请公开一种财务月结审核方法、装置、计算机设备及存储介质,涉及大数据技术领域和产险金融领域。本申请通过对财务月结流程进行拆分,得到财务月结子流程,根据财务月结子流程对财务月结结果进行划分,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到审核数据,将审核数据导入数据异常预测模型,得到异常预测结果,根据异常预测结果生成财务月结审核结果,并输出财务月结审核结果。本申请还涉及区块链技术领域,财务月结结果可以存储在区块链网络节点上。本申请有助于提高财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
Description
技术领域
本申请涉及大数据技术领域和产险金融领域,具体涉及一种财务月结审核方法、装置、计算机设备及存储介质。
背景技术
财务月结是指在财务管理中,将一个月的财务数据进行总结和归档的过程,通常在每个月的结束时,企业会对上一个月的财务交易和账目进行处理和整理,以确保财务数据的准确性和完整性。财务月结是一个重要的财务管理流程,它有助于企业了解自身的财务状况、监控经营绩效,并为决策提供准确的财务信息。
目前在进行财务月结时,存在很多需要人工线下审核的环节,需要财务人员针对每个任务进行线下审核,这样会导致月结审核效率较低,并且人工审核月结结果还可能存在一些错误,导致财务月结数据的异常。例如,在保险公司的财务月结过程中,针对保险销售月结数据的审核,财务人员需要手动核对每笔销售交易记录,确保记录的准确性和完整性,这涉及到大量的数据比对和验证工作,包括核对交易记录、对账、调整条目等。
发明内容
本申请实施例的目的在于提出一种财务月结审核方法、装置、计算机设备及存储介质,以解决现有财务月结审核方案存在的需要财务人员针对每个任务进行线下审核,导致月结审核效率较低,并且人工审核月结结果还可能存在一些错误,导致财务月结数据的异常的技术问题。
为了解决上述技术问题,本申请实施例提供一种财务月结审核方法,采用了如下所述的技术方案:
一种财务月结审核方法,包括:
获取财务月结流程,并对所述财务月结流程进行拆分,得到财务月结子流程;
根据所述财务月结子流程对财务月结结果进行划分,得到子流程处理结果;
获取所述财务月结子流程对应的月结审核规则,并基于所述月结审核规则对所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据;
将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果;
根据所述审核数据的异常预测结果生成财务月结审核结果,并输出所述财务月结审核结果。
进一步地,获取财务月结流程,并对所述财务月结流程进行拆分,得到财务月结子流程,具体包括:
获取所述财务月结流程,并识别所述财务月结流程中的财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息;
基于所述财务账户信息、所述财务科目信息、所述业务部门信息、所述时间周期信息和所述地理区域信息对所述财务月结流程进行拆分,得到若干个所述财务月结子流程。
进一步地,根据所述财务月结子流程对财务月结结果进行划分,得到子流程处理结果,具体包括:
在财务月结结果中匹配每一个所述财务月结子流程对应的处理结果,得到子流程处理结果,其中,每个所述财务月结子流程对应一个所述子流程处理结果。
进一步地,获取所述财务月结子流程对应的月结审核规则,并基于所述月结审核规则对所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据,具体包括:
获取每个所述财务月结子流程对应的月结审核规则,得到若干个月结审核规则;
基于若干个所述月结审核规则构建财务月结审核规则引擎;
将每一个所述财务月结子流程对应的子流程处理结果导入所述财务月结审核规则引擎,输出所述子流程处理结果的审核数据。
进一步地,将每一个所述财务月结子流程对应的子流程处理结果导入所述财务月结审核规则引擎,输出所述子流程处理结果的审核数据,具体包括:
获取所述财务月结子流程的标识,得到月结子流程标识;
基于所述月结子流程标识在所述财务月结审核规则引擎中查找匹配的月结审核规则,得到目标月结审核规则;
使用所述目标月结审核规则对导入的所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据,并输出所述子流程处理结果的审核数据。
进一步地,在将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果之前,还包括:
获取历史财务审核数据,并基于所述历史财务审核数据构建训练数据集和验证数据集;
基于所述训练数据集和预设的异常检测算法训练数据异常预测模型;
基于所述验证数据集对训练完成的所述数据异常预测模型进行模型性能验证,并输出通过模型验证的所述数据异常预测模型;
所述基于所述训练数据集和预设的异常检测算法训练数据异常预测模型,具体包括:
提取所述训练数据集中各个历史财务审核数据的特征,得到历史数据特征;
基于所述异常检测算法构建初始预测模型;
利用所述初始预测模型对所述历史数据特征进行特征异常识别,得到所述训练数据集中各个历史财务审核数据的异常预测结果;
通过所述训练数据集中各个历史财务审核数据的异常预测结果对所述初始预测模型进行迭代,直至模型拟合,得到所述数据异常预测模型。
进一步地,将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果,具体包括:
对所述审核数据进行特征提取,得到审核数据特征;
使用数据异常预测模型对所述审核数据特征进行特征异常识别,得到所述审核数据的异常预测结果。
为了解决上述技术问题,本申请实施例还提供一种财务月结审核装置,采用了如下所述的技术方案:
一种财务月结审核装置,包括:
流程拆分模块,用于获取财务月结流程,并对所述财务月结流程进行拆分,得到财务月结子流程;
结果划分模块,用于根据所述财务月结子流程对财务月结结果进行划分,得到子流程处理结果;
子流程审核模块,用于获取所述财务月结子流程对应的月结审核规则,并基于所述月结审核规则对所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据;
异常预测模块,用于将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果;
月结审核模块,用于根据所述审核数据的异常预测结果生成财务月结审核结果,并输出所述财务月结审核结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的财务月结审核方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的财务月结审核方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种财务月结审核方法、装置、计算机设备及存储介质,涉及大数据技术领域和产险金融领域。本申请通过获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果,根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。本申请通过将财务月结流程拆分为可管理的子流程,并根据预先定义的审核规则对子流程处理结果进行自动审核,并结合数据异常预测模型对审核结果进行异常检测,有助于提高保险公司的财务月结过程中,财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的财务月结审核方法的一个实施例的流程图;
图3示出了根据本申请的财务月结审核装置的一个实施例的结构示意图;
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,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与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、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、内容分发网络(Content Delivery Network,CDN)、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。
需要说明的是,本申请实施例所提供的财务月结审核方法一般由服务器执行,相应地,财务月结审核装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的财务月结审核方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
目前在进行财务月结时,存在很多需要人工线下审核的环节,需要财务人员针对每个任务进行线下审核,这样会导致月结审核效率较低,并且人工审核月结结果还可能存在一些错误,导致财务月结数据的异常。例如,在保险公司的财务月结过程中,针对保险销售月结数据的审核,财务人员需要手动核对每笔销售交易记录,确保记录的准确性和完整性,这涉及到大量的数据比对和验证工作,包括核对交易记录、对账、调整条目等。
为了解决上述技术问题,本申请公开一种财务月结审核方法、装置、计算机设备及存储介质,涉及大数据技术领域和产险金融领域,本申请通过将财务月结流程拆分为可管理的子流程,并根据预先定义的审核规则对子流程处理结果进行自动审核,并结合数据异常预测模型对审核结果进行异常检测,有助于提高保险公司的财务月结过程中财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
所述的财务月结审核方法,包括以下步骤:
S201,获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程。
在本实施例中,获取财务月结流程,即财务月结的具体步骤和流程,然后将这个财务月结流程拆分成多个财务月结子流程,每个子流程对应一个独立的操作环节,通过拆分财务月结流程,可以得到业务复杂度相对单一的子流程,以便后续实现子流程处理结果自动审核。
进一步地,获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程,具体包括:
获取财务月结流程,并识别财务月结流程中的财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息;
基于财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息对财务月结流程进行拆分,得到若干个财务月结子流程。
在本实施例中,对财务月结流程进行拆分可以根据具体的业务需求和财务操作的复杂程度来决定,例如,基于财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息对财务月结流程进行拆分,具体来说:
按账户拆分:根据不同的账户进行拆分,例如按照现金账户、银行账户、应收账款、应付账款等进行拆分,可以通过使用财务软件或数据库系统来实现。
按科目拆分:根据财务科目进行拆分,例如按照资产、负债、所有者权益、收入、费用等科目进行拆分,可以通过使用财务软件或数据库系统的科目分类功能来实现。
按业务部门拆分:根据不同的业务部门进行拆分,例如按照销售部门、采购部门、生产部门等进行拆分,可以通过使用财务软件或数据库系统的业务部门分类功能来实现。
按时间周期拆分:根据时间周期进行拆分,例如按照每月、每季度、每年等进行拆分,可以通过使用财务软件或数据库系统的时间周期分类功能来实现。
按地区拆分:根据不同的地区进行拆分,例如按照不同的国家、地区或分支机构进行拆分,可以通过使用财务软件或数据库系统的地区分类功能来实现。
在上述实施例中,本申请通过深度挖掘财务月结流程中的财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息,并根据这些数据特征来对财务月结流程进行拆分,得到业务复杂度较低财务月结子流程,以便实现子流程处理结果的自动审核。
S202,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果。
在本实施例中,针对每个财务月结子流程,在财务月结结果中识别与每一个财务月结子流程匹配的月结子流程处理结果,以便实现对财务月结结果的划分,为后续子流程处理结果自动审核做准备。对财务月结结果进行划分以将财务月结结果分成更细粒度的子流程处理结果,可以按账户、科目、业务部门要素等进行财务月结结果的划分。
进一步地,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果,具体包括:
在财务月结结果中匹配每一个财务月结子流程对应的处理结果,得到子流程处理结果,其中,每个财务月结子流程对应一个子流程处理结果。
在本实施例中,财务月结结果中包含多个子流程处理结果,为了得到每个子流程的处理结果,将财务月结结果与每个财务月结子流程进行匹配。每一个财务月结子流程存在相对应的标识,财务月结结果中存在有与每一个财务月结子流程相对应的标识,标识可以用来将每个子流程与其对应的处理结果关联起来。
S203,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据。
在本实施例中,获取财务月结子流程对应的月结审核规则,并构建财务月结审核规则引擎,基于财务月结审核规则引擎对子流程处理结果进行审核,得到子流程处理结果的审核数据。对于每个财务月结子流程都需要预先需要制定相应的审核规则,这些审核规则包括特定的检测标准、分析指标、一致性检查等等。
进一步地,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据,具体包括:
获取每个财务月结子流程对应的月结审核规则,得到若干个月结审核规则;
基于若干个月结审核规则构建财务月结审核规则引擎;
将每一个财务月结子流程对应的子流程处理结果导入财务月结审核规则引擎,输出子流程处理结果的审核数据。
在本实施例中,首先获取每个财务月结子流程对应的月结审核规则,这些月结审核规则是根据业务需求和公司政策制定的,用于审核和验证财务月结子流程的处理结果。然后基于获取到的月结审核规则,构建一个财务月结审核规则引擎,财务月结审核规则引擎可以是一个软件系统或者算法模型,包含了上述所有财务月结子流程对应的月结审核规则,用于根据输入的月结数据,判断月结处理结果是否符合规则要求。
在本申请一种具体的实施例中,涉及到保险销售数据的一些财务月结审核规则如下:
1.销售数据一致性规则:
检查销售数据是否与销售系统或CRM系统中的数据一致;
确保销售金额、保单数量、投保人信息等在财务系统和销售系统之间的一致性。
2.佣金计算准确性规则:
核对销售人员的佣金计算是否准确,包括佣金比例、佣金金额、不同产品的佣金结构等;
验证佣金计算公式和规则的正确性,确保佣金金额的准确性。
3.保费收入核对规则:
检查保费收入的准确性,包括确认保费是否按照正确的收入确认原则计算和记录;
核对保费收入是否与保单、保费结算单、银行入账记录等相符。
4.支付和退款审核规则:
检查保单支付和退款的准确性,包括验证支付金额、退款金额以及支付和退款的原因和依据;
核对支付和退款记录与财务系统的一致性,确保款项的正确流转。
5.保单结算规则:
核对保单结算情况,包括核对已结算保单和未结算保单的准确性;
检查保单结算的时间、金额、结算方式等是否符合公司政策和规定。
6.应收账款管理规则:
检查应收账款的准确性,包括确认账龄分析报告的正确性和逾期款项的处理情况;
核对应收账款与财务系统和银行对账单之间的一致性。
7.费用核算规则:
核对各项费用的正确性,如销售费用、市场费用、手续费等;
验证费用报销的依据和规定,确保费用核算的准确性和合规性。
8.税务合规规则:
确保保险销售数据的税务合规性,包括按照税法规定正确计算和申报税款;
核对税务报表和申报表与财务月结数据的一致性。
需要说明的是,以上只是一些涉及到保险销售数据的审核规则,实际的审核规则可以根据具体业务和企业情况进行定制和调整,同时还应考虑行业标准、财务会计准则、税务法规以及公司内部政策和流程。
进一步地,将每一个财务月结子流程对应的子流程处理结果导入财务月结审核规则引擎,输出子流程处理结果的审核数据,具体包括:
获取财务月结子流程的标识,得到月结子流程标识;
基于月结子流程标识在财务月结审核规则引擎中查找匹配的月结审核规则,得到目标月结审核规则;
使用目标月结审核规则对导入的子流程处理结果进行审核,得到子流程处理结果的审核数据,并输出子流程处理结果的审核数据。
在本实施例中,每一个财务月结子流程存在一个专属的标识,通获取财务月结子流程的标识,得到月结子流程标识,基于月结子流程标识在财务月结审核规则引擎中查找匹配的月结审核规则,得到目标月结审核规则,使用目标月结审核规则对导入的子流程处理结果进行审核,得到子流程处理结果的审核数据,并输出子流程处理结果的审核数据。
在上述实施例中,本申请通过月结审核规则构建财务月结审核规则引擎,当需要进行月结审核时,调用财务月结审核规则引擎对输入的月结数据进行自动审核,判断月结处理结果是否符合规则要求。
S204,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果。
在本实施例中,将审核数据导入事先训练好的数据异常预测模型,数据异常预测模型模型可以利用机器学习技术、统计分析等方法来检测审核数据中的异常值或异常模式。根据审核数据异常预测模型,得出该数据是否存在异常,数据异常类型包括数据偏差、缺失数据等。
进一步地,在将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果之前,还包括:
获取历史财务审核数据,并基于历史财务审核数据构建训练数据集和验证数据集;
基于训练数据集和预设的异常检测算法训练数据异常预测模型;
基于验证数据集对训练完成的数据异常预测模型进行模型性能验证,并输出通过模型验证的数据异常预测模型;
基于训练数据集和预设的异常检测算法训练数据异常预测模型,具体包括:
提取训练数据集中各个历史财务审核数据的特征,得到历史数据特征;
基于异常检测算法构建初始预测模型;
利用初始预测模型对历史数据特征进行特征异常识别,得到训练数据集中各个历史财务审核数据的异常预测结果;
通过训练数据集中各个历史财务审核数据的异常预测结果对初始预测模型进行迭代,直至模型拟合,得到数据异常预测模型。
在本实施例中,首先需要准备用于训练模型的历史财务审核数据,这些数据应包括有标签的正常数据和异常数据,标签可以表示数据的正常/异常状态,并通过调整数据集中正常数据和异常数据比例确保数据集合适当平衡,以便训练模型能够学习正常模式和异常模式之间的差异。
在特征工程阶段,根据具体的业务场景和数据特点,选择合适的特征进行提取和转换,这些特征应能够有效地表示数据的模式和差异。
根据历史财务审核数据的特点和需求,预先选择合适的异常检测算法作为初始预测模型。异常检测算法是用来识别数据的正常/异常状态,常见的异常检测算法包括基于统计的方法(如均值-方差方法、箱线图方法)、机器学习方法(如基于聚类的方法、基于随机森林的方法)、深度学习方法(如基于自编码器的方法)、时间序列分析方法(如ARIMA模型、季节性模型)等,以上这些算法可以用来建立异常预测模型。
使用标记好的训练数据,将其输入选择的异常检测算法中进行模型训练,训练过程中,模型将学习正常模式和异常模式之间的差异,并建立相应的异常预测模型。在训练完成后,对生成的异常预测模型进行评估,使用验证数据集或交叉验证方法,评估模型在预测异常的准确率、召回率、F1分数等指标,根据评估结果可以对模型进行调整和优化。
在上述实施例中,本申请通过选择合适的异常检测算法学习正常模式和异常模式之间的差异,并建立相应的异常预测模型,异常预测模型可以直接用于针对输入数据的异常预测。
在本申请一种具体的实施例中,对于保险销售数据的财务月结审核,可以使用机器学习算法来识别异常销售数据和潜在风险,比如使用孤立森林算法进行异常销售数据的检测,该算法可以根据数据的密度和离群程度,将异常销售数据点识别为与其他数据点不同的孤立点。进一步,还可以使用时间序列预测模型,如ARI MA模型,来预测销售数据,并与实际数据进行比较,识别与预测结果偏离较大的异常销售数据。
进一步地,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果,具体包括:
对审核数据进行特征提取,得到审核数据特征;
使用数据异常预测模型对审核数据特征进行特征异常识别,得到审核数据的异常预测结果。
在本实施例中,对审核数据进行特征提取,得到审核数据特征,使用数据异常预测模型对审核数据特征进行特征异常识别,得到审核数据的异常预测结果。
S205,根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。
在本实施例中,获取每一个财务月结子流程的子流程处理结果对应的异常预测结果,并汇总所有异常预测结果,根据汇总的异常预测结果生成财务月结审核结果,其中,财务月结审核结果如财务月结正常和财务月结异常。当财务月结审核结果为财务月结异常时,财务月结审核结果包含对每个财务月结子流程的审核意见、异常情况报告、修正建议等信息,最后将财务月结审核结果输出给相关财务人员或业务部门。
在上述实施例中,本申请公开一种财务月结审核方法,涉及大数据技术领域和产险金融领域。本申请通过获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果,根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。本申请通过将财务月结流程拆分为可管理的子流程,并根据预先定义的审核规则对子流程处理结果进行自动审核,并结合数据异常预测模型对审核结果进行异常检测,有助于提高保险公司的财务月结过程中,财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
在本实施例中,财务月结审核方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述财务月结结果的私密和安全性,上述财务月结结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种财务月结审核装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的财务月结审核装置300,包括:
流程拆分模块301,用于获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程;
结果划分模块302,用于根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果;
子流程审核模块303,用于获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据;
异常预测模块304,用于将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果;
月结审核模块305,用于根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。
进一步地,流程拆分模块301具体包括:
拆分信息获取单元,用于获取财务月结流程,并识别财务月结流程中的财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息;
流程拆分单元,用于基于财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息对财务月结流程进行拆分,得到若干个财务月结子流程。
进一步地,结果划分模块302具体包括:
结果划分单元,用于在财务月结结果中匹配每一个财务月结子流程对应的处理结果,得到子流程处理结果,其中,每个财务月结子流程对应一个子流程处理结果。
进一步地,子流程审核模块303具体包括:
审核规则获取单元,用于获取每个财务月结子流程对应的月结审核规则,得到若干个月结审核规则;
规则引擎构建单元,用于基于若干个月结审核规则构建财务月结审核规则引擎;
月结子流程审核单元,用于将每一个财务月结子流程对应的子流程处理结果导入财务月结审核规则引擎,输出子流程处理结果的审核数据。
进一步地,月结子流程审核单元具体包括:
子流程标识子单元,用于获取财务月结子流程的标识,得到月结子流程标识;
审核规则匹配子单元,用于基于月结子流程标识在财务月结审核规则引擎中查找匹配的月结审核规则,得到目标月结审核规则;
子流程审核子单元,用于使用目标月结审核规则对导入的子流程处理结果进行审核,得到子流程处理结果的审核数据,并输出子流程处理结果的审核数据。
进一步地,财务月结审核装置300还包括:
数据集构建模块,用于获取历史财务审核数据,并基于历史财务审核数据构建训练数据集和验证数据集;
模型训练模块,用于基于训练数据集和预设的异常检测算法训练数据异常预测模型;
模型验证模块,用于基于验证数据集对训练完成的数据异常预测模型进行模型性能验证,并输出通过模型验证的数据异常预测模型;
模型训练模块具体包括:
历史特征提取单元,用于提取训练数据集中各个历史财务审核数据的特征,得到历史数据特征;
初始模型构建单元,用于基于异常检测算法构建初始预测模型;
第一特征异常识别单元,用于利用初始预测模型对历史数据特征进行特征异常识别,得到训练数据集中各个历史财务审核数据的异常预测结果;
模型迭代更新单元,用于通过训练数据集中各个历史财务审核数据的异常预测结果对初始预测模型进行迭代,直至模型拟合,得到数据异常预测模型。
进一步地,异常预测模块304:
审核特征提取单元,用于对审核数据进行特征提取,得到审核数据特征;
第二特征异常识别单元,用于使用数据异常预测模型对审核数据特征进行特征异常识别,得到审核数据的异常预测结果。
在上述实施例中,本申请公开一种财务月结审核装置,涉及大数据技术领域和产险金融领域。本申请通过获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果,根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。本申请通过将财务月结流程拆分为可管理的子流程,并根据预先定义的审核规则对子流程处理结果进行自动审核,并结合数据异常预测模型对审核结果进行异常检测,有助于提高保险公司的财务月结过程中,财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如财务月结审核方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述财务月结审核方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开一种计算机设备,涉及大数据技术领域和产险金融领域。本申请通过获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果,根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。本申请通过将财务月结流程拆分为可管理的子流程,并根据预先定义的审核规则对子流程处理结果进行自动审核,并结合数据异常预测模型对审核结果进行异常检测,有助于提高保险公司的财务月结过程中,财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的财务月结审核方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,涉及大数据技术领域和产险金融领域。本申请通过获取财务月结流程,并对财务月结流程进行拆分,得到财务月结子流程,根据财务月结子流程对财务月结结果进行划分,得到子流程处理结果,获取财务月结子流程对应的月结审核规则,并基于月结审核规则对子流程处理结果进行审核,得到子流程处理结果的审核数据,将审核数据导入预先训练好的数据异常预测模型,得到审核数据的异常预测结果,根据审核数据的异常预测结果生成财务月结审核结果,并输出财务月结审核结果。本申请通过将财务月结流程拆分为可管理的子流程,并根据预先定义的审核规则对子流程处理结果进行自动审核,并结合数据异常预测模型对审核结果进行异常检测,有助于提高保险公司的财务月结过程中,财务月结审核的准确性和效率,减少了人工审核的工作量,同时可以发现潜在的错误和异常情况。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种财务月结审核方法,其特征在于,包括:
获取财务月结流程,并对所述财务月结流程进行拆分,得到财务月结子流程;
根据所述财务月结子流程对财务月结结果进行划分,得到子流程处理结果;
获取所述财务月结子流程对应的月结审核规则,并基于所述月结审核规则对所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据;
将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果;
根据所述审核数据的异常预测结果生成财务月结审核结果,并输出所述财务月结审核结果。
2.如权利要求1所述的财务月结审核方法,其特征在于,获取财务月结流程,并对所述财务月结流程进行拆分,得到财务月结子流程,具体包括:
获取所述财务月结流程,并识别所述财务月结流程中的财务账户信息、财务科目信息、业务部门信息、时间周期信息和地理区域信息;
基于所述财务账户信息、所述财务科目信息、所述业务部门信息、所述时间周期信息和所述地理区域信息对所述财务月结流程进行拆分,得到若干个所述财务月结子流程。
3.如权利要求2所述的财务月结审核方法,其特征在于,根据所述财务月结子流程对财务月结结果进行划分,得到子流程处理结果,具体包括:
在财务月结结果中匹配每一个所述财务月结子流程对应的处理结果,得到子流程处理结果,其中,每个所述财务月结子流程对应一个所述子流程处理结果。
4.如权利要求2所述的财务月结审核方法,其特征在于,获取所述财务月结子流程对应的月结审核规则,并基于所述月结审核规则对所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据,具体包括:
获取每个所述财务月结子流程对应的月结审核规则,得到若干个月结审核规则;
基于若干个所述月结审核规则构建财务月结审核规则引擎;
将每一个所述财务月结子流程对应的子流程处理结果导入所述财务月结审核规则引擎,输出所述子流程处理结果的审核数据。
5.如权利要求4所述的财务月结审核方法,其特征在于,将每一个所述财务月结子流程对应的子流程处理结果导入所述财务月结审核规则引擎,输出所述子流程处理结果的审核数据,具体包括:
获取所述财务月结子流程的标识,得到月结子流程标识;
基于所述月结子流程标识在所述财务月结审核规则引擎中查找匹配的月结审核规则,得到目标月结审核规则;
使用所述目标月结审核规则对导入的所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据,并输出所述子流程处理结果的审核数据。
6.如权利要求1所述的财务月结审核方法,其特征在于,在将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果之前,还包括:
获取历史财务审核数据,并基于所述历史财务审核数据构建训练数据集和验证数据集;
基于所述训练数据集和预设的异常检测算法训练数据异常预测模型;
基于所述验证数据集对训练完成的所述数据异常预测模型进行模型性能验证,并输出通过模型验证的所述数据异常预测模型;
所述基于所述训练数据集和预设的异常检测算法训练数据异常预测模型,具体包括:
提取所述训练数据集中各个历史财务审核数据的特征,得到历史数据特征;
基于所述异常检测算法构建初始预测模型;
利用所述初始预测模型对所述历史数据特征进行特征异常识别,得到所述训练数据集中各个历史财务审核数据的异常预测结果;
通过所述训练数据集中各个历史财务审核数据的异常预测结果对所述初始预测模型进行迭代,直至模型拟合,得到所述数据异常预测模型。
7.如权利要求1所述的财务月结审核方法,其特征在于,将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果,具体包括:
对所述审核数据进行特征提取,得到审核数据特征;
使用数据异常预测模型对所述审核数据特征进行特征异常识别,得到所述审核数据的异常预测结果。
8.一种财务月结审核装置,其特征在于,包括:
流程拆分模块,用于获取财务月结流程,并对所述财务月结流程进行拆分,得到财务月结子流程;
结果划分模块,用于根据所述财务月结子流程对财务月结结果进行划分,得到子流程处理结果;
子流程审核模块,用于获取所述财务月结子流程对应的月结审核规则,并基于所述月结审核规则对所述子流程处理结果进行审核,得到所述子流程处理结果的审核数据;
异常预测模块,用于将所述审核数据导入预先训练好的数据异常预测模型,得到所述审核数据的异常预测结果;
月结审核模块,用于根据所述审核数据的异常预测结果生成财务月结审核结果,并输出所述财务月结审核结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的财务月结审核方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的财务月结审核方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004415.1A CN116934512A (zh) | 2023-08-10 | 2023-08-10 | 一种财务月结审核方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004415.1A CN116934512A (zh) | 2023-08-10 | 2023-08-10 | 一种财务月结审核方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934512A true CN116934512A (zh) | 2023-10-24 |
Family
ID=88390796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311004415.1A Pending CN116934512A (zh) | 2023-08-10 | 2023-08-10 | 一种财务月结审核方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934512A (zh) |
-
2023
- 2023-08-10 CN CN202311004415.1A patent/CN116934512A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8285622B1 (en) | Method and system for providing budgeting recommendations based on financial data from similarly situated individuals | |
CN110766275A (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN111241161A (zh) | 发票信息挖掘方法、装置、计算机设备及存储介质 | |
Altman et al. | Revisiting SME default predictors: The omega score | |
US8554645B1 (en) | Method and system for identifying business expenditures with vendors and automatically generating and submitting required forms | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
US20210174453A1 (en) | Managing risk assessment and services through modeling | |
CN117033431A (zh) | 工单处理方法、装置、电子设备和介质 | |
O'Halloran et al. | Big data and graph theoretic models: simulating the impact of collateralization on a financial system | |
CN116843216A (zh) | 一种指标预警方法、装置、计算机设备及存储介质 | |
CN116934512A (zh) | 一种财务月结审核方法、装置、计算机设备及存储介质 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN114418775A (zh) | 年金投资数据的校验方法、装置、设备及介质 | |
CN110544165A (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
CN117312991B (zh) | 一种分类识别系统的构建方法及其相关设备 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
US20230206348A1 (en) | Autonomous accounting anomaly detection engine | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN117132409A (zh) | 基于人工智能的核保数据处理方法、装置、设备及介质 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 | |
CN114066473A (zh) | 用户还款意向预测方法、装置、计算机设备及存储介质 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN116611941A (zh) | 基于人工智能的欺诈识别方法、装置、设备及存储介质 | |
CN115860927A (zh) | 一种数据分析方法、装置、计算机设备及存储介质 |
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 |