CN117035315A - 银行网点的排队方法、装置、电子设备及存储介质 - Google Patents

银行网点的排队方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117035315A
CN117035315A CN202311001760.XA CN202311001760A CN117035315A CN 117035315 A CN117035315 A CN 117035315A CN 202311001760 A CN202311001760 A CN 202311001760A CN 117035315 A CN117035315 A CN 117035315A
Authority
CN
China
Prior art keywords
client
banking
category
risk
queuing
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
Application number
CN202311001760.XA
Other languages
English (en)
Inventor
朱江波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202311001760.XA priority Critical patent/CN117035315A/zh
Publication of CN117035315A publication Critical patent/CN117035315A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提供一种银行网点的排队方法、装置、电子设备及存储介质，可用于云计算领域。该方法包括：获取银行网点的历史业务数据；根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。本申请的方法，提高了现有的排队方法的使用效果。

Description

银行网点的排队方法、装置、电子设备及存储介质
技术领域
本申请涉及云计算领域，尤其涉及一种银行网点的排队方法、装置、电子设备及存储介质。
背景技术
银行排队是指在银行柜台或自助服务区等地方，由客户按照先后顺序排队等待办理业务的行为。银行排队是一种常见的现象，尤其在繁忙的时段，如月初、月末、节假日等，排队等待时间可能会比较长。
目前，为了提高客户的体验，现有的排队方法可以在客户通过与银行服务器进行联网连接的银行网点排队机进行排队取号时，根据银行服务器中发送的排队客户的信息，进行排队位置的调整，从而方便进行业务办理。
然而，现有的排队方法存在使用效果不好的问题。
发明内容
本申请提供一种银行网点的排队方法、装置、电子设备及存储介质，用以解决现有的排队方法存在使用效果不好的问题。
第一方面，本申请提供一种银行网点的排队方法，方法包括：
获取银行网点的历史业务数据；
根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；
根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；
将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；
根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。
第二方面，本申请提供一种银行网点的排队装置，包括：
发送模块，用于发送银行网点的历史业务数据；
第一确定模块，用于根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；
第二确定模块，用于根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；
存储模块，用于将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；
调整模块，用于根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。
第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；
存储器存储计算机执行指令；
处理器执行存储器存储的计算机执行指令，以实现本申请的方法。
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，计算机执行指令被处理器执行时用于实现本申请的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序或指令，计算机程序或指令被处理器执行时实现本申请的方法中的步骤。
本申请提供的银行网点的排队方法、装置、电子设备及存储介质，通过获取银行网点的历史业务数据；根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序的手段，可以通过获取银行网点中的历史业务数据，并根据历史业务数据对客户进行分类，以确定各个客户类别，以及表征各个客户类别的风险业务量的风险熵，通过风险熵与风险熵阈值的比对，确定可能存在风险的待处理客户类别，将待处理客户类别存储在与排队机连接边缘计算系统，通过边缘计算系统中存储的排队客户的信息与待处理客户类别进行比对，从而调整银行网点在当前时刻的客户排队顺序，由此，在排队机不与银行服务器联网的情况下，可以实现对银行网点在当前时刻的客户排队顺序进行调整，提高现有的排队方法的使用效果。
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为本申请实施例提供的银行网点的排队方法的场景示意图；
图2为本申请实施例提供的银行网点的排队方法的流程示意图；
图3为本申请实施例提供的另一种银行网点的排队方法的流程示意图；
图4为本申请实施例提供的银行网点的排队装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图；
图6为本申请实施例提供的一种终端设备的框图。
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。
现有技术中，客户在进行排队取号时，一般将录入的客户信息传输至与排队机联网的银行服务器，通过银行服务器对录入的客户信息进行风险判断，然后将判断的结果返回至排队机，通过排队机向客户反馈进行排队位置调整后的排队号，以进行客户的风险控制。然而，当排队机无法与银行服务器联网时，则无法进行客户排队位置的调整，进而也降低了风险控制的效果。
为了解决上述问题，本申请提供了一种银行网点的排队方法，可以通过获取银行网点中的历史业务数据，并根据历史业务数据对客户进行分类，以确定各个客户类别，以及表征各个客户类别的风险业务量的风险熵，通过风险熵与风险熵阈值的比对，确定可能存在风险的待处理客户类别，将待处理客户类别存储在与排队机连接边缘计算系统，通过边缘计算系统中存储的排队客户的信息与待处理客户类别进行比对，从而调整银行网点在当前时刻的客户排队顺序，由此，在排队机不与银行服务器联网的情况下，可以实现对银行网点在当前时刻的客户排队顺序进行调整，提高现有的排队方法的使用效果。
本申请提供的银行网点的排队方法，旨在解决现有技术的如上技术问题。
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。
图1为本申请实施例提供的银行网点的排队方法的场景示意图，如图1所示，本申请实施例提供的银行网点的排队方法的执行主体可以是服务器。其中，服务器可以为手机、平板、电脑等设备。本实施例对执行主体的实现方式不做特别限制，只要该执行主体能够获取银行网点的历史业务数据；根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序即可。
需要说明的是，本申请所涉及的客户信息(包括但不限于客户属性信息、用户个人信息等)和数据(包括但不限于用于分析的业务数据、存储的业务数据、展示的数业务据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
需要说明的是，本申请实施例提供的银行网点的排队的方法和装置可用于金融领域，也可用于除金融领域之外的任意领域，本申请实施例提供的银行网点的排队的方法和装置的应用领域不做限定。
其中，排队机是一种用于管理排队的设备，通常用于商场、银行、医院、政府机关等场所。排队机可以帮助客户有序地排队等待服务，同时也可以提高服务效率和客户满意度。
图2为本申请实施例提供的银行网点的排队方法的流程示意图。该方法的执行主体可以为服务器或其它服务器，本实施例此处不做特别限制，如图2所示，该方法可以包括：
S201、获取银行网点的历史业务数据。
其中，历史业务数据可以指在银行网点办理过历史业务、且被记录存储在银行网点本地存储的业务数据。
S202、根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量。
其中，客户可以指在银行网点办理过历史业务的客户。
客户类别可以指根据客户的属性和需求进行分类的类别，比如，按照客户属性来划分，客户类别可以包括：个人客户、企业客户、国际客户、政府客户等，按照需求来划分，客户类别可以包括：存款客户、贷款客户、信用卡办理客户等。在本申请实施例中，历史业务数据可以包括业务数据和办理业务数据的客户信息，根据客户信息可以确定银行网点对应的客户、各个客户对应的客户类别。需要说明的是，客户的属性可以不包括涉及客户基本信息的内容，比如，客户的名称等信息。
风险熵可以指客户类别在办理业务时有关风险的信息量。在本申请实施例中，在确定客户类别后，可以从历史业务数据中，确定各个客户类别的客户的业务数据，由此，可以根据各个客户类别的客户的业务数据，确定有关风险的信息量。
其中，在本申请实施例中，根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，包括：
根据银行网点的历史业务数据，确定银行网点对应的客户、以及各个客户对应的客户类别；
从历史业务数据中确定各个客户类别的目标历史业务数据；
对客户类别的目标历史业务数据进行划分，得到各个交易类别的交易目标历史业务数据；
确定各个交易类别的交易目标历史业务数据中的风险业务数据；
根据各个交易类别的风险业务数据、客户类别的目标历史业务数据、以及预设的风险熵公式，确定各个客户类别对应的风险熵，其中，风险熵公式为：
S为银行网点对应客户类别的风险熵；
pi和pj分别为客户类别对应第i个交易类别和第j个交易类别的风险业务数据包含的业务量；
q为客户类别的目标历史业务数据包含的业务量。
其中，目标历史业务数据可以指处于客户类别中的客户的业务数据的集合。
风险业务数据可以指交易目标历史业务数据中涉及到了风险的数据，即可以指银行在业务运营过程中所面临的各种风险的相关数据。比如，欺诈交易的数据、账户信息被盗取产生的数据、以及贷款客户未能按时偿还贷款本息的数据、不良贷款的数据。
通过确定客户类别中风险业务数据包含的业务量和各个客户类别中历史业务数据包含的业务量可以确定该客户类别的风险熵。
S203、根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别。
其中，预设的风险熵阈值可以指银行网点中对风险熵阈值的设定值，在本申请实施例中，风险熵阈值可以是预先设置的，也可以是根据银行网点的历史业务数据进行提前设定的。
待处理客户类别可以指客户类别中风险熵高于预设的风险熵阈值的客户类别，即可以表征待处理客户类别是风险较大的客户类别。
其中，在本申请实施例中，根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别，包括：
根据银行网点的历史业务数据，确定银行网点对应的风险熵阈值；
根据各个客户类别对应的风险熵，以及银行网点对应的风险熵阈值，确定银行网点的待处理客户类别，其中，待处理客户类别为风险熵大于风险熵阈值的客户类别。
其中，在本申请实施例中，根据银行网点的历史业务数据，确定银行网点对应的风险熵阈值，包括：
根据银行网点的历史业务数据，确定各个客户类别的目标历史业务数据；
根据各个客户类别的目标历史业务数据，确定各个客户类别在银行网点办理各个类别业务的时间；
根据各个客户类别在银行网点办理各个类别业务的时间、以及各个客户类别在银行网点办理各个类别业务的预估时间，确定时间差值；
根据时间差值、银行网点对应各个客户类别的风险熵，构建银行网点关于时间差值和风险熵的对应关系；
根据银行网点关于时间差值和风险熵的对应关系，确定银行网点对应的风险熵阈值。
其中，各个类别业务可以指办理的各种种类的业务，比如，类别业务可以包括贷款业务、投资业务、信用卡业务、理财业务等。
各个客户类别在银行网点办理各个类别业务的时间可以指在该银行网点内办理各个类别业务的总时间，也可以指在该银行网点内办理各个类别业务的平均时间。
各个客户类别在银行网点办理各个类别业务的预估时间可以指该银行网点根据实际情况，设定的办理各个类别业务的时间。
时间差值可以通过一个客户类别在银行网点办理一个类别业务的时间减去该客户类别在银行网点办理该类别业务的预估时间得到。
时间差值和风险熵的对应关系可以通过各个客户类别在银行网点办理各个类别业务的时间差值和客户类别对应的风险熵得到，即通过各个类别业务的时间差值的权重，构建时间差值和风险熵的对应关系。
在确定银行网点关于时间差值和风险熵的对应关系后，通过将设置办理各个类别业务的可接受时间差值，从而可以确定风险熵阈值。
S204、将银行网点的待处理客户类别存储在银行网点的边缘计算系统中。
其中，边缘计算系统可以指一种分布式计算模式系统，用于将计算资源和数据存储放置在离数据源和终端设备更近的位置，以提高数据处理和响应速度。在本申请实施例中，通过边缘计算系统可以在排队机没有联网的情况下确定排队客户的类别。
S205、根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。
其中，客户排队顺序可以指对排队客户进行业务处理的顺序。在本申请实施例中，通过确定当前时刻的排队客户是否为待处理客户类别的客户，并由此可以调整客户排队顺序，从而对待处理客户类别优先进行处理，提高整体业务处理的效率。
其中，在本申请实施例中，根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序，包括：
获取银行网点在当前时刻的排队客户；
根据存储在银行网点的边缘计算系统中的待处理客户类别，确定排队客户是否属于待处理客户类别；
若排队客户属于待处理客户类别，则确定目标排队客户、以及目标排队客户的目标客户类别，其中，目标排队客户为取号时间满足预设时间要求、且排在排队客户之前的客户；
若目标排队客户的目标客户类别不为待处理客户类别，则调整目标排队客户和排队客户的位置。
其中，可以将排队客户的客户类别与待处理客户类别进行比对，从而确定排队客户是否属于待处理客户类别。
预设时间要求可以指在当前时刻之前的目标时间段内。
目标排队客户可以指取号时间满足预设时间要求、且排在排队客户之前的客户。
在当目标排队客户的目标客户类别不为待处理客户类别，可以调整目标排队客户和排队客户的位置，从而优先对风险较高的客户进行处理，以提高业务办理的效率，减少风险。
其中，在本申请实施例中，根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序，包括：
根据银行网点的历史业务数据，确定银行网点的类别风险图，其中，类别风险图的顶点与银行网点的客户类别对应，顶点之间的有向边表征两个客户类别之间的风险关系；
获取银行网点在当前时刻的排队客户；
根据存储在银行网点的边缘计算系统中的待处理客户类别、以及银行网点在当前时刻的排队客户，则确定排队客户是否属于待处理客户类别、以及取号时间满足预设时间要求、且排在排队客户之前的目标排队客户和目标排队客户的目标客户类别；
若排队客户属于待处理客户类别，则根据银行网点的类别风险图，确定待处理客户类别和目标客户类别之间的风险关系；
根据待处理客户类别和目标客户类别之间的风险关系，调整银行网点在当前时刻的客户排队顺序。
其中，类别风险图用于表征各个客户类别之间的风险关系。在本申请实施例中，可以通过比对各个客户类别的风险业务数据的数据量，确定客户类别之间的风险关系。
在本申请实施例中，在获取银行网点在当前时刻的排队客户之后，可以确定当前时刻的排队客户是否属于待处理客户类别、以及取号时间满足预设时间要求、且排在排队客户之前的目标排队客户的目标客户类别，当排队客户属于待处理客户类别时，可以确定待处理客户类别和目标客户类别之间的风险关系，并通过待处理客户类别和目标客户类别之间的风险关系，确定待处理客户类别的风险是否高于目标客户类别的风险，并由此调整银行网点在当前时刻的客户排队顺序。
其中，在本申请实施例中，根据银行网点的历史业务数据，确定银行网点的类别风险图，包括：
获取预设的相对类别规则，相对类别规则用于确定两个客户类别的风险大小关系；
根据相对类别规则，确定银行网点的类别风险图。
其中，在本申请实施例中，根据相对类别规则，确定银行网点的类别风险图，包括：
依据相对类别规则，确定银行网点的各个客户类别之间的风险大小关系；
确定银行网点的类别风险图；其中，该类别风险图的顶点和银行网点的客户类别一一对应，在类别风险图中两个顶点存在有向边，当且仅当依据相对类别规则，该有向边对应的头对应的客户类别的风险低于该有向边对应的尾对应的客户类别的风险。
其中，若排队客户属于待处理客户类别，则根据银行网点的类别风险图，确定待处理客户类别和目标客户类别之间的风险关系，包括：
当确定在银行网点的类别风险图中存在一有向边序列，其中，在有向边序列中每一个有向边的尾是下一个有向边的头，且第一个有向边的头是待处理客户类别，最后一个有向边的尾是目标客户类别，则确定待处理客户类别的风险低于目标客户类别的风险；
当确定在银行网点的类别风险图中存在一有向边序列，其中，在有向边序列中每一个有向边的尾是下一个有向边的头，且第一个有向边的头是目标客户类别，最后一个有向边的尾是待处理客户类别，则确定目标客户类别的风险低于待处理客户类别的风险。
其中，确定相对类别规则的方法可以为：
1、获取多个相对属性风险数据，其中，每一相对属性风险数据包括两组值对应各个客户属性的属性值的大小关系、以及两组值的风险大小关系，每组值包括对应各个客户属性的属性值；
2、设置属性风险数据集为该多个相对属性风险数据组成的集合、以及设置多个属性组合，其中，每一属性组合包括多个客户属性；
3、循环执行如下步骤，直到属性风险数据集为空：3.1、从属性风险数据集中选取出一属性风险数据；3.2、对于每一属性组合，执行如下操作：3.2.1、依据该属性风险数据对应该属性组合的属性值、以及该属性风险数据，设置该属性风险数据对应该属性组合的风险规则，其中，风险规则包含规则头和规则体，且对应两个变量，每个变量的取值是客户类别，规则体是两个变量对应各个客户属性的属性值的大小关系，规则头是两个变量的风险大小关系；3.2.2、从属性风险数据集中选取出该属性风险数据对应该属性组合的风险规则覆盖的属性风险数据；3.3、当对各个属性组合执行完上述步骤后，依据该属性风险数据对应各个属性组合的风险规则覆盖的属性风险数据，从该属性风险数据对应各个属性组合的风险规则中选取出一风险规则，将该风险规则作为相对类别规则，以及将该风险规则覆盖的属性风险数据从属性风险数据集中删除。
其中，在本申请另一实施例中，根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序，包括：
依据银行网点在当前时间范围内的客户数据，确定银行网点在当前时间范围内的排队客户集；将排队堆栈初始化为空；依据存储在银行网点的边缘计算系统中的待处理客户类别，确定该排队客户集中的待处理客户；将确定的该排队客户集中的待处理客户依次添加到堆栈中；将该排队客户集中除待处理客户之外的其他客户依次添加到堆栈中；依据堆栈，确定银行网点在当前时间范围内的客户排队顺序。
需要说明的是，堆栈是一种数据结构，采取先进后出的取数规则。
本申请实施例提供的银行网点的排队方法，可以在排队机不联网的状态下，通过边缘计算系统、以及银行网点的历史业务数据，通过确定排队客户的客户类别进行风险的分析，并调整与其他排队客户的位置，使得风险较高的排队客户可以优先进行业务处理，由此可以更快地识别和控制风险，减少不良贷款的风险，并对这些客户提供对应的服务，以提高银行的收益。
图3为本申请实施例提供的另一种银行网点的排队方法的流程示意图。如图3所示，该方法可以包括：
S301、依据银行网点的历史业务数据，确定银行网点对应各个客户类别的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量。
其中，依据银行网点的历史业务数据，确定银行网点对应各个客户类别的风险熵的方法可以包括：
依据银行网点的历史业务数据，确定银行网点对应的多个客户类别；对于银行网点对应的每个客户类别，从银行网点的历史业务数据中选取出客户类别的历史业务数据；将客户类别的历史业务数据划分为各个交易类别的历史业务数据；将各个交易类别的历史业务数据中涉及风险的历史业务数据作为各个交易类别的风险业务数据；依据各个交易类别的风险业务数据、银行网点的历史业务数据，确定银行网点对应该客户类别的风险熵。
S302、依据银行网点对应各个客户类别的风险熵，确定银行网点的待处理客户类别。
其中，依据银行网点对应各个客户类别的风险熵，确定银行网点的待处理客户类别的方法可以包括：
依据银行网点的业务数据历史业务数据，确定银行网点对应的熵阈值；依据银行网点对应各个客户类别的风险熵，以及银行网点对应的熵阈值，确定银行网点的待处理客户类别。其中，对于每一客户类别，如果银行网点对应该客户类别的风险熵大于银行网点对应的熵阈值，则将该客户类别作为银行网点的待处理客户类别。
在本申请实施例中，依据银行网点的历史业务数据，确定银行网点对应的熵阈值的方法可以包括：
依据银行网点的历史业务数据，确定银行网点对应各个客户类别的历史业务数据；依据银行网点对应各个客户类别的历史业务数据，确定各个客户类别在银行网点办理各个业务类别的时间；依据各个客户类别在银行网点办理各个业务类别的时间，以及各个业务类别的办理预估时间，确定银行网点对应各个客户类别的时间差值；依据银行网点对应各个客户类别的时间差值、银行网点对应各个客户类别的风险熵，构建银行网点关于时间差值和风险熵的对应关系；其中，对于每一时间差值，确定该时间差值对应的客户类别；依据该时间差值对应的客户类别对应的风险熵，确定该时间差值对应的风险熵；之后进行函数拟合，可以获得银行网点关于风险熵和时间差值的对应关系；依据银行网点关于风险熵和时间差值的对应关系，确定银行网点对应的熵阈值，其中，可以依据银行网点关于时间差值和风险熵的对应关系，将时间差值0所对应的风险熵作为银行网点对应的熵阈值。
S303、将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；
S304、依据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。
其中，客户类别的相对属性风险数据可以指两个客户类关于属性和风险的相对关系的数据，比如，有两个客户类别A、B，属性包括交易量，对应的金融产品的风险等，其中，当属性的相对关系是：A比B的交易量大，A对应的金融产品的风险比B对应的金融产品的风险小，则风险的相对关系是：A的风险比B的风险小。
类别相对规则可以包含多个规则的规则集，其中，所包含的每一规则的规则头是：两个客户类别的风险的相对大小关系，规则体是：两个客户类别的多个属性的相对(比如大小)关系。
依据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序的方法可以包括：
获取银行网点在当前时刻的多个客户；对于银行网点在当前时刻的每个客户，依据存储在银行网点的边缘计算系统中的待处理客户类别，确定该客户是否属于该待处理客户类别，以及将排队在该客户之前，且与该客户取号的时间之差小于设定值的多个前置客户作为该客户的前置客户；当该客户属于该待处理客户类别时，调整该客户与该客户的前置客户中不属于该待处理客户类别的客户的相对排队顺序。
在本申请实施例中，依据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序，的方法可以包括：
依据银行网点的历史业务数据，确定银行网点的类别风险图，其中，该类别风险图的顶点和银行网点的客户类别一一对应，在类别风险图中两个顶点存在有向边，表示有向边的头对应的客户类别的风险低于有向边的尾对应的客户类别的风险；
获取银行网点在当前时刻的多个客户；
对于银行网点在当前时刻的每一客户，依据存储在银行网点的边缘计算系统中的待处理客户类别，确定该客户是否属于该待处理客户类别，以及将排队在该客户之前，且与该客户取号的时间之差小于设定值的多个前置客户作为该客户的前置客户；
当依据存储在银行网点的边缘计算系统中的待处理客户类别，确定该客户属于该待处理客户类别时，确定在类别风险图中是否存在从该客户至该客户的前置客户的有向边；
对于该客户的每一前置客户，当在类别风险图中存在从该客户至该前置客户的有向边时，调整该客户与该前置客户的相对排队顺序。
在本申请实施例中，依据银行网点的历史业务数据，确定银行网点的类别风险图的方法可以包括：
获取多个相对类别规则，其中，相对类别规则可用于确定两个客户类别的风险大小关系；依据多个相对类别规则，确定银行网点的类别风险图；其中，该类别风险图的顶点和客户类别一一对应，在类别风险图中两个顶点存在有向边，当且仅当依据相对类别规则，该有向边对应的头对应的客户类别的风险低于该有向边对应的尾对应的客户类别的风险。
其中，依据风险客户类别，确定银行网点在当前时刻的客户排队顺序的方法可以包括：
依据银行网点在当前时间范围内的客户数据，确定银行网点在当前时间范围内的排队客户集；将排队堆栈初始化为空；依据风险客户类别，确定该排队客户集中的风险客户；将确定的该排队客户集中的风险客户依次添加到排队堆栈中；将该排队客户集中除风险客户之外的其他客户依次添加到排队堆栈中；依据排队堆栈，确定银行网点在当前时间范围内的客户排队顺序。
图4为本申请实施例提供的银行网点的排队装置的结构示意图。如图4所示，该银行网点的排队装置40包括：发送模块401、第一确定模块402、第二确定模块403、存储模块404、以及调整模块405。其中，
发送模块401，用于发送银行网点的历史业务数据；
第一确定模块402，用于根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；
第二确定模块403，用于根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；
存储模块404，用于将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；
调整模块405，用于根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。
在本申请实施例中，第一确定模块402还可以具体用于：
根据银行网点的历史业务数据，确定银行网点对应的客户、以及各个客户对应的客户类别；
从历史业务数据中确定各个客户类别的目标历史业务数据；
对客户类别的目标历史业务数据进行划分，得到各个交易类别的交易目标历史业务数据；
确定各个交易类别的交易目标历史业务数据中的风险业务数据；
根据各个交易类别的风险业务数据、客户类别的目标历史业务数据、以及预设的风险熵公式，确定各个客户类别对应的风险熵，其中，风险熵公式为：
S为银行网点对应客户类别的风险熵；
pi和pj分别为客户类别对应第i个交易类别和第j个交易类别的风险业务数据包含的业务量；
q为客户类别的目标历史业务数据包含的业务量。
在本申请实施例中，第二确定模块403还可以具体用于：
根据银行网点的历史业务数据，确定银行网点对应的风险熵阈值；
根据各个客户类别对应的风险熵，以及银行网点对应的风险熵阈值，确定银行网点的待处理客户类别，其中，待处理客户类别为风险熵大于风险熵阈值的客户类别。
在本申请实施例中，第二确定模块403还可以具体用于：
根据银行网点的历史业务数据，确定各个客户类别的目标历史业务数据；
根据各个客户类别的目标历史业务数据，确定各个客户类别在银行网点办理各个类别业务的时间；
根据各个客户类别在银行网点办理各个类别业务的时间、以及各个客户类别在银行网点办理各个类别业务的预估时间，确定时间差值；
根据时间差值、银行网点对应各个客户类别的风险熵，构建银行网点关于时间差值和风险熵的对应关系；
根据银行网点关于时间差值和风险熵的对应关系，确定银行网点对应的风险熵阈值。
在本申请实施例中，调整模块405还可以具体用于：
获取银行网点在当前时刻的排队客户；
根据存储在银行网点的边缘计算系统中的待处理客户类别，确定排队客户是否属于待处理客户类别；
若排队客户属于待处理客户类别，则确定目标排队客户、以及目标排队客户的目标客户类别，其中，目标排队客户为取号时间满足预设时间要求、且排在排队客户之前的客户；
若目标排队客户的目标客户类别不为待处理客户类别，则调整目标排队客户和排队客户的位置。
在本申请实施例中，调整模块405还可以具体用于：
根据银行网点的历史业务数据，确定银行网点的类别风险图，其中，类别风险图的顶点与银行网点的客户类别对应，顶点之间的有向边表征两个客户类别之间的风险关系；
获取银行网点在当前时刻的排队客户；
根据存储在银行网点的边缘计算系统中的待处理客户类别、以及银行网点在当前时刻的排队客户，则确定排队客户是否属于待处理客户类别、以及取号时间满足预设时间要求、且排在排队客户之前的目标排队客户和目标排队客户的目标客户类别；
若排队客户属于待处理客户类别，则根据银行网点的类别风险图，确定待处理客户类别和目标客户类别之间的风险关系；
根据待处理客户类别和目标客户类别之间的风险关系，调整银行网点在当前时刻的客户排队顺序。
在本申请实施例中，调整模块405还可以具体用于：
获取预设的相对类别规则，相对类别规则用于确定两个客户类别的风险大小关系；
根据相对类别规则，确定银行网点的类别风险图。
本申请实施例提供的银行网点的排队装置40，由发送模块401，用于发送银行网点的历史业务数据；由第一确定模块402，用于根据银行网点的历史业务数据，确定银行网点对应的客户、各个客户对应的客户类别、以及各个客户类别对应的风险熵，其中，风险熵用于表征客户类别在办理业务时有关风险的信息量；由第二确定模块403，用于根据各个客户类别对应的风险熵和银行网点中预设的风险熵阈值，确定银行网点的待处理客户类别；由存储模块404，用于将银行网点的待处理客户类别存储在银行网点的边缘计算系统中；由调整模块405，用于根据存储在银行网点的边缘计算系统中的待处理客户类别，调整银行网点在当前时刻的客户排队顺序。由此，可以提高现有的排队方法的使用效果。
图5为本申请实施例提供的电子设备的结构示意图。如图5所示，该电子设备50包括：
该电子设备50可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、通信部件503等部件。其中，处理器501、存储器502以及通信部件503通过总线504连接。
在具体实现过程中，至少一个处理器501执行存储器502存储的计算机执行指令，使得至少一个处理器501执行如上的银行网点的排队方法。
处理器501的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图5所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-volatile Memory，NVM)，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
图6为本申请实施例提供的一种终端设备的框图，该设备可以是消息收发设备等。
装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，输入/输出(I/O)接口612，以及通信组件616。
处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行上述终端设备的银行网点的排队方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种银行网点的排队方法，其特征在于，所述方法包括：
获取银行网点的历史业务数据；
根据所述银行网点的历史业务数据，确定所述银行网点对应的客户、各个所述客户对应的客户类别、以及各个所述客户类别对应的风险熵，其中，所述风险熵用于表征所述客户类别在办理业务时有关风险的信息量；
根据各个所述客户类别对应的风险熵和所述银行网点中预设的风险熵阈值，确定所述银行网点的待处理客户类别；
将所述银行网点的待处理客户类别存储在所述银行网点的边缘计算系统中；
根据存储在所述银行网点的边缘计算系统中的待处理客户类别，调整所述银行网点在当前时刻的客户排队顺序。
2.根据权利要求1所述的方法，其特征在于，所述根据所述银行网点的历史业务数据，确定所述银行网点对应的客户、各个所述客户对应的客户类别、以及各个所述客户类别对应的风险熵，包括：
根据所述银行网点的历史业务数据，确定所述银行网点对应的客户、以及各个所述客户对应的客户类别；
从所述历史业务数据中确定各个所述客户类别的目标历史业务数据；
对所述客户类别的目标历史业务数据进行划分，得到各个交易类别的交易目标历史业务数据；
确定各个交易类别的交易目标历史业务数据中的风险业务数据；
根据各个交易类别的风险业务数据、所述客户类别的目标历史业务数据、以及预设的风险熵公式，确定各个所述客户类别对应的风险熵，其中，所述风险熵公式为：
所述S为银行网点对应客户类别的风险熵；
所述pi和所述pj分别为客户类别对应第i个交易类别和第j个交易类别的风险业务数据包含的业务量；
所述q为所述客户类别的目标历史业务数据包含的业务量。
3.根据权利要求1所述的方法，其特征在于，所述根据各个所述客户类别对应的风险熵和所述银行网点中预设的风险熵阈值，确定所述银行网点的待处理客户类别，包括：
根据所述银行网点的历史业务数据，确定银行网点对应的风险熵阈值；
根据各个所述客户类别对应的风险熵，以及银行网点对应的风险熵阈值，确定银行网点的待处理客户类别，其中，所述待处理客户类别为风险熵大于所述风险熵阈值的客户类别。
4.根据权利要求3所述的方法，其特征在于，所述根据所述银行网点的历史业务数据，确定银行网点对应的风险熵阈值，包括：
根据所述银行网点的历史业务数据，确定各个所述客户类别的目标历史业务数据；
根据各个所述客户类别的目标历史业务数据，确定各个所述客户类别在银行网点办理各个类别业务的时间；
根据各个所述客户类别在银行网点办理各个类别业务的时间、以及各个所述客户类别在银行网点办理各个类别业务的预估时间，确定时间差值；
根据时间差值、所述银行网点对应各个客户类别的风险熵，构建所述银行网点关于时间差值和风险熵的对应关系；
根据所述银行网点关于时间差值和风险熵的对应关系，确定所述银行网点对应的风险熵阈值。
5.根据权利要求1所述的方法，其特征在于，所述根据存储在所述银行网点的边缘计算系统中的待处理客户类别，调整所述银行网点在当前时刻的客户排队顺序，包括：
获取银行网点在当前时刻的排队客户；
根据存储在所述银行网点的边缘计算系统中的待处理客户类别，确定所述排队客户是否属于所述待处理客户类别；
若所述排队客户属于所述待处理客户类别，则确定目标排队客户、以及所述目标排队客户的目标客户类别，其中，所述目标排队客户为取号时间满足预设时间要求、且排在所述排队客户之前的客户；
若所述目标排队客户的目标客户类别不为所述待处理客户类别，则调整所述目标排队客户和所述排队客户的位置。
6.根据权利要求1所述的方法，其特征在于，所述根据存储在所述银行网点的边缘计算系统中的待处理客户类别，调整所述银行网点在当前时刻的客户排队顺序，包括：
根据所述银行网点的历史业务数据，确定银行网点的类别风险图，其中，所述类别风险图的顶点与所述银行网点的客户类别对应，所述顶点之间的有向边表征两个所述客户类别之间的风险关系；
获取所述银行网点在当前时刻的排队客户；
根据存储在所述银行网点的边缘计算系统中的待处理客户类别、以及所述银行网点在当前时刻的排队客户，则确定所述排队客户是否属于待处理客户类别、以及取号时间满足预设时间要求、且排在所述排队客户之前的目标排队客户和所述目标排队客户的目标客户类别；
若所述排队客户属于待处理客户类别，则根据所述银行网点的类别风险图，确定所述待处理客户类别和所述目标客户类别之间的风险关系；
根据所述待处理客户类别和所述目标客户类别之间的风险关系，调整所述银行网点在当前时刻的客户排队顺序。
7.根据权利要求6所述的方法，其特征在于，所述根据所述银行网点的历史业务数据，确定银行网点的类别风险图，包括：
获取预设的相对类别规则，所述相对类别规则用于确定两个客户类别的风险大小关系；
根据所述相对类别规则，确定所述银行网点的类别风险图。
8.一种银行网点的排队装置，其特征在于，包括：
发送模块，用于发送银行网点的历史业务数据；
第一确定模块，用于根据所述银行网点的历史业务数据，确定所述银行网点对应的客户、各个所述客户对应的客户类别、以及各个所述客户类别对应的风险熵，其中，所述风险熵用于表征所述客户类别在办理业务时有关风险的信息量；
第二确定模块，用于根据各个所述客户类别对应的风险熵和所述银行网点中预设的风险熵阈值，确定所述银行网点的待处理客户类别；
存储模块，用于将所述银行网点的待处理客户类别存储在所述银行网点的边缘计算系统中；
调整模块，用于根据存储在所述银行网点的边缘计算系统中的待处理客户类别，调整所述银行网点在当前时刻的客户排队顺序。
9.一种电子设备，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至7中任一项所述的方法。
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至7任一项所述的方法。
CN202311001760.XA 2023-08-09 2023-08-09 银行网点的排队方法、装置、电子设备及存储介质 Pending CN117035315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311001760.XA CN117035315A (zh) 2023-08-09 2023-08-09 银行网点的排队方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311001760.XA CN117035315A (zh) 2023-08-09 2023-08-09 银行网点的排队方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117035315A true CN117035315A (zh) 2023-11-10

Family

ID=88625788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311001760.XA Pending CN117035315A (zh) 2023-08-09 2023-08-09 银行网点的排队方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117035315A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117764368A (zh) * 2024-02-22 2024-03-26 航天宏图信息技术股份有限公司 数据驱动的协同处理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117764368A (zh) * 2024-02-22 2024-03-26 航天宏图信息技术股份有限公司 数据驱动的协同处理方法及装置
CN117764368B (zh) * 2024-02-22 2024-05-14 航天宏图信息技术股份有限公司 数据驱动的协同处理方法及装置

Similar Documents

Publication Publication Date Title
US20150163186A1 (en) Launching a client application based on a message
CN109284044A (zh) 一种基于大数据的功能菜单展示方法及相关设备
WO2020207445A1 (zh) 一种基于区块链的事件订阅方法及装置
US20140101045A1 (en) Payment Action Page Queue for a Mobile Device
CN117035315A (zh) 银行网点的排队方法、装置、电子设备及存储介质
CN112132674A (zh) 一种交易处理方法和装置
CN111127214A (zh) 资产组合的方法和装置
CN113139869A (zh) 一种征信授权查询处理方法和装置
CN114997448A (zh) 一种业务处理方法和装置
CN107451301B (zh) 实时投递账单邮件的处理方法、装置、设备和存储介质
CN111105238A (zh) 一种交易风险控制方法和装置
CN112559646A (zh) 一种报表下载方法和装置
CN110930238A (zh) 提高审核任务效率的方法、装置、设备和计算机可读介质
CN112241915A (zh) 一种贷款产品的生成方法和装置
CN109785107B (zh) 基于资金占比灵活配置的方法及相关产品
CN111275542A (zh) 一种贷款请求的处理方法、装置和系统
CN108156206B (zh) 一种数据转移方法、服务器、客户端以及系统
CN117035314A (zh) 排队顺序调整方法、装置、设备及存储介质
CN117217436A (zh) 排队队列的调整方法、装置、设备及存储介质
CN117035969A (zh) 业务办理的风险控制方法、装置、设备及存储介质
CN117035316A (zh) 排队位置调整方法、装置、设备及存储介质
CN111242576A (zh) 处理请求的方法和装置
CN111415245A (zh) 一种开户方法和装置
CN111583034A (zh) 金融产品交易管理的方法和装置
CN113971552B (zh) 一种批量数据处理方法、装置、设备以及存储介质

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