CN117114845A - 企业风险预测方法、设备及介质 - Google Patents

企业风险预测方法、设备及介质 Download PDF

Info

Publication number
CN117114845A
CN117114845A CN202310939864.9A CN202310939864A CN117114845A CN 117114845 A CN117114845 A CN 117114845A CN 202310939864 A CN202310939864 A CN 202310939864A CN 117114845 A CN117114845 A CN 117114845A
Authority
CN
China
Prior art keywords
target
risk
enterprise
index
data
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
CN202310939864.9A
Other languages
English (en)
Inventor
陈俭
熊小明
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.)
Guangdong Qiqitong Technology Co ltd
Original Assignee
Guangdong Qiqitong Technology Co 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 Guangdong Qiqitong Technology Co ltd filed Critical Guangdong Qiqitong Technology Co ltd
Priority to CN202310939864.9A priority Critical patent/CN117114845A/zh
Publication of CN117114845A publication Critical patent/CN117114845A/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，提供一种企业风险预测方法、设备及介质，能够基于待处理数据对目标企业进行准入校验，以保证企业准入的安全性，当目标企业通过准入校验时，匹配与目标企业对应目标产品，在目标企业运用目标产品的过程中，调用预先配置的风险值预测模型计算目标企业的风险值作为目标风险值，并根据目标风险值确定目标企业的风险等级，结合风险值预测模型实现对企业风险的量化，通过提前预知企业风险以便及时采取针对性措施，以数据驱动业务，降低运营损失。

Description

企业风险预测方法、设备及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种企业风险预测方法、设备及介质。
背景技术
风险管理是贷款企业经营发展的关键因素。传统的风险管控模式由于存在数据来源有限、审核程序较长等不足，无法满足对当下业务中产生的海量数据进行实时分析和多样化风险识别的需求，亟须应时而变。
因此，如何对企业风险进行定量分析，并提前预知企业风险，实现以数据驱动业务，成为了亟待解决的问题。
发明内容
鉴于以上内容，有必要提供一种企业风险预测方法、设备及介质，能够对企业风险进行定量分析，以实现对企业风险的准确预测。
一种企业风险预测方法，所述企业风险预测方法包括：
响应于对目标企业的风险预测指令，获取待处理数据；
基于所述待处理数据对所述目标企业进行准入校验；
当所述目标企业通过所述准入校验时，匹配与所述目标企业对应的产品作为目标产品；
在所述目标企业运用所述目标产品的过程中，调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值；
根据所述目标风险值确定所述目标企业的风险等级。
根据本发明优选实施例，所述获取待处理数据包括：
调用第三方安全接口获取所述目标企业的工商信息，及获取所述目标企业的注册信息；
从指定平台及/或预先安装的发票数据采集软件上爬取所述目标企业的经营数据；
将所述工商信息、所述注册信息及所述经营数据确定为所述待处理数据。
根据本发明优选实施例，所述基于所述待处理数据对所述目标企业进行准入校验包括：
从所述待处理数据中获取身份信息，并基于所述身份信息对所述目标企业进行身份信息验证；
当所述目标企业通过所述身份信息验证时，从所述待处理数据中获取申请信息，并对所述申请信息进行校验；
当所述申请信息通过校验时，从所述待处理数据中获取负面信息，并对所述负面信息进行校验；
当所述负面信息通过校验时，基于所述待处理数据对所述目标企业进行组织风险检测；
当所述目标企业通过所述组织风险检测时，获取预先配置的黑名单，检测所述目标企业是否在所述黑名单中；
当所述目标企业不在所述黑名单中时，确定所述目标企业通过所述准入校验。
根据本发明优选实施例，所述匹配与所述目标企业对应的产品作为目标产品包括：
获取对接的所有产品；
确定所述所有产品中每个产品对应的企业属性；
获取所述目标企业的企业属性作为目标属性；
利用所述目标属性与每个产品对应的企业属性进行匹配；
将与所述目标属性相匹配的产品确定为所述目标产品。
根据本发明优选实施例，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值前，所述方法还包括：
获取所述目标企业的每个指标；
计算每个指标的信息价值；
获取预先配置的信息价值阈值；
当检测到有指标的信息价值大于或者等于所述信息价值阈值时，将检测到的指标确定为至少一个候选指标；
利用随机森林算法计算所述至少一个候选指标中每个候选指标的重要性；
按照所述重要性由高到低的顺序对所述至少一个候选指标进行排序，得到候选指标序列；
将所述候选指标序列中排在前预设位的候选指标确定为至少一个目标指标。
根据本发明优选实施例，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值包括：
获取所述风险值预测模型中与所述至少一个目标指标中每个目标指标对应的子模型；
从所述待处理数据中获取每个目标指标的指标值；
将每个目标指标的指标值输入至对应的子模型中进行运算，得到每个目标指标的风险分值；
计算每个目标指标的风险分值的和，得到所述目标风险值。
根据本发明优选实施例，所述根据所述目标风险值确定所述目标企业的风险等级包括：
获取预先构建的风险等级映射表；其中，所述风险等级映射表用于存储风险等级与风险值范围的对应关系；
确定所述目标风险值在所述风险等级映射表中所属的风险值范围作为目标范围；
将所述目标范围在所述风险等级映射表中对应的风险等级确定为所述目标企业的风险等级。
根据本发明优选实施例，所述根据所述目标风险值确定所述目标企业的风险等级后，所述方法还包括：
获取与所述目标企业的风险等级对应的响应措施，并将所述响应措施推送至指定终端设备；
每隔预设时间间隔，更新所述风险值预测模型。
一种企业风险预测装置，所述企业风险预测装置包括：
获取单元，用于响应于对目标企业的风险预测指令，获取待处理数据；
校验单元，用于基于所述待处理数据对所述目标企业进行准入校验；
匹配单元，用于当所述目标企业通过所述准入校验时，匹配与所述目标企业对应的产品作为目标产品；
计算单元，用于在所述目标企业运用所述目标产品的过程中，调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值；
确定单元，用于根据所述目标风险值确定所述目标企业的风险等级。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述企业风险预测方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述企业风险预测方法。
由以上技术方案可以看出，本发明能够基于待处理数据对目标企业进行准入校验，以保证企业准入的安全性，当目标企业通过准入校验时，匹配与目标企业对应目标产品，在目标企业运用目标产品的过程中，调用预先配置的风险值预测模型计算目标企业的风险值作为目标风险值，并根据目标风险值确定目标企业的风险等级，结合风险值预测模型实现对企业风险的量化，通过提前预知企业风险以便及时采取针对性措施，以数据驱动业务，降低运营损失。
附图说明
图1是本发明企业风险预测方法的较佳实施例的流程图。
图2是本发明企业风险预测装置的较佳实施例的功能模块图。
图3是本发明实现企业风险预测方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明企业风险预测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述企业风险预测方法应用于一个或者多个计算机设备中，所述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(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述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(ContentDelivery 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。
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。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于对目标企业的风险预测指令，获取待处理数据。
其中，所述风险预测指令可以由相关工作人员触发，也可以在有新增企业接入时自动触发，本发明不限制。
当然，也可以周期性触发对所有接入企业的风险预测。
在本实施例中，所述获取待处理数据包括：
调用第三方安全接口获取所述目标企业的工商信息，及获取所述目标企业的注册信息；
从指定平台及/或预先安装的发票数据采集软件上爬取所述目标企业的经营数据；
将所述工商信息、所述注册信息及所述经营数据确定为所述待处理数据。
其中，所述第三方安全接口可以为具有工商信息获取能力的第三方企业接口。
其中，所述指定平台可以为所述目标企业授权的平台。
S11，基于所述待处理数据对所述目标企业进行准入校验。
在本实施例中，所述基于所述待处理数据对所述目标企业进行准入校验包括：
从所述待处理数据中获取身份信息，并基于所述身份信息对所述目标企业进行身份信息验证；
当所述目标企业通过所述身份信息验证时，从所述待处理数据中获取申请信息，并对所述申请信息进行校验；
当所述申请信息通过校验时，从所述待处理数据中获取负面信息，并对所述负面信息进行校验；
当所述负面信息通过校验时，基于所述待处理数据对所述目标企业进行组织风险检测；
当所述目标企业通过所述组织风险检测时，获取预先配置的黑名单，检测所述目标企业是否在所述黑名单中；
当所述目标企业不在所述黑名单中时，确定所述目标企业通过所述准入校验。
其中，所述身份信息可以包括，但不限于：企业名称、法人姓名、企业代码等。
其中，所述申请信息可以包括，但不限于申请方名称等。
其中，所述负面信息可以包括，但不限于：第三方逾期信息、多头借贷信息、案件信息、处罚信息、欠税信息等。
其中，所述组织风险检测是指检测所述目标企业是否存在团队涉案风险。
具体地，可以调用第三方数据接口辅助进行上述相应校验，本发明对具体的每项校验方式不做限制。
通过上述实施例，能够对所述目标企业进行准入校验，避免存在安全风险。
S12，当所述目标企业通过所述准入校验时，匹配与所述目标企业对应的产品作为目标产品。
在本实施例中，所述匹配与所述目标企业对应的产品作为目标产品包括：
获取对接的所有产品；
确定所述所有产品中每个产品对应的企业属性；
获取所述目标企业的企业属性作为目标属性；
利用所述目标属性与每个产品对应的企业属性进行匹配；
将与所述目标属性相匹配的产品确定为所述目标产品。
其中，所述企业属性可以包括经营年限等。
例如：不同的产品对于企业经营年限的要求不同，因此，可以根据企业的经营年限进行产品匹配，以确定与企业经营年限对应的产品作为所述目标产品。
通过上述实施例，能够自动匹配到对应的目标产品，无需人为操作，提高了产品筛选的效率。
S13，在所述目标企业运用所述目标产品的过程中，调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值。
例如：当所述目标产品为贷款类产品时，则在所述目标企业基于所述目标产品进行贷款后，贷中调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值。
在本实施例中，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值前，所述方法还包括：
获取所述目标企业的每个指标；
计算每个指标的信息价值；
获取预先配置的信息价值阈值；
当检测到有指标的信息价值大于或者等于所述信息价值阈值时，将检测到的指标确定为至少一个候选指标；
利用随机森林算法计算所述至少一个候选指标中每个候选指标的重要性；
按照所述重要性由高到低的顺序对所述至少一个候选指标进行排序，得到候选指标序列；
将所述候选指标序列中排在前预设位的候选指标确定为至少一个目标指标。
其中，所述信息价值阈值及所述预设位可以根据实际的业务需求进行配置。
在上述实施例中，先利用信息价值进行初步筛选，以从众多指标中获取到候选指标，再利用随机森林算法对候选指标进行二次筛选，以充分保证筛选出的指标对风险预测结果具有较高的影响，进而能够确保最终预测的风险等级的准确性。
在本实施例中，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值包括：
获取所述风险值预测模型中与所述至少一个目标指标中每个目标指标对应的子模型；
从所述待处理数据中获取每个目标指标的指标值；
将每个目标指标的指标值输入至对应的子模型中进行运算，得到每个目标指标的风险分值；
计算每个目标指标的风险分值的和，得到所述目标风险值。
例如：所述目标指标可以包括年龄、户籍、性别、企业成立年限、注册资本、企业类型、开票金额、开票张数、主要客户订单量占比、同比增长率、环比增长率、作废率、红冲率及经营数据对比指标等。具体地，可以利用对应的子模型计算变量指标12个月同比增长率，即取近两年的开票金额计算出增长率，再根据增长率值对应的评分区间计算出具体的风险分值。在得到20几个指标各自的风险分值后，计算出风险分值总和，再根据风险分值总和进行后续的风险等级判断。
S14，根据所述目标风险值确定所述目标企业的风险等级。
在本实施例中，所述根据所述目标风险值确定所述目标企业的风险等级包括：
获取预先构建的风险等级映射表；其中，所述风险等级映射表用于存储风险等级与风险值范围的对应关系；
确定所述目标风险值在所述风险等级映射表中所属的风险值范围作为目标范围；
将所述目标范围在所述风险等级映射表中对应的风险等级确定为所述目标企业的风险等级。
例如：所述风险等级映射表可以为：
风险等级 风险值范围 风险等级描述
A [80,80+) 优秀
B (20,80) 一般
C (20-,20] 较差
通过上述实施例，能够基于预先建立的风险等级映射表自动匹配到对应的风险等级，以便后续进行针对性处理。
上述实施例结合大数据及人工智能技术实现对企业风险的有效预测，以实现对企业的精细化管理，避免由于人为操作带来的风控漏洞与不足，以定量的分析方式对客户的各项数据进行科学评估，做到提前预知风险和处置风险，达到以数据驱动业务的目的。
在本实施例中，所述根据所述目标风险值确定所述目标企业的风险等级后，所述方法还包括：
获取与所述目标企业的风险等级对应的响应措施，并将所述响应措施推送至指定终端设备；
每隔预设时间间隔，更新所述风险值预测模型。
其中，所述指定终端设备可以为负责进行风险管控的相关人员的终端设备，以提示相关人员及时进行风险应对。例如：当所述风险等级为A级时，说明风险较低，可以继续向所述目标企业推送相关数据；当所述风险等级为C级时，说明风险较高，所述响应措施可以为拒绝向所述目标企业推送相关数据，以避免造成更多损失。
其中，所述预设时间间隔可以为3个月等，通过定期更新所述风险值预测模型，能够进一步完善和调整评分规则，使风险预测更加合理，以进一步降低风险。
由以上技术方案可以看出，本发明能够基于待处理数据对目标企业进行准入校验，以保证企业准入的安全性，当目标企业通过准入校验时，匹配与目标企业对应目标产品，在目标企业运用目标产品的过程中，调用预先配置的风险值预测模型计算目标企业的风险值作为目标风险值，并根据目标风险值确定目标企业的风险等级，结合风险值预测模型实现对企业风险的量化，通过提前预知企业风险以便及时采取针对性措施，以数据驱动业务，降低运营损失。
如图2所示，是本发明企业风险预测装置的较佳实施例的功能模块图。所述企业风险预测装置11包括获取单元110、校验单元111、匹配单元112、计算单元113、确定单元114。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
所述获取单元110，用于响应于对目标企业的风险预测指令，获取待处理数据。
其中，所述风险预测指令可以由相关工作人员触发，也可以在有新增企业接入时自动触发，本发明不限制。
当然，也可以周期性触发对所有接入企业的风险预测。
在本实施例中，所述获取单元110获取待处理数据包括：
调用第三方安全接口获取所述目标企业的工商信息，及获取所述目标企业的注册信息；
从指定平台及/或预先安装的发票数据采集软件上爬取所述目标企业的经营数据；
将所述工商信息、所述注册信息及所述经营数据确定为所述待处理数据。
其中，所述第三方安全接口可以为具有工商信息获取能力的第三方企业接口。
其中，所述指定平台可以为所述目标企业授权的平台。
所述校验单元111，用于基于所述待处理数据对所述目标企业进行准入校验。
在本实施例中，所述校验单元111基于所述待处理数据对所述目标企业进行准入校验包括：
从所述待处理数据中获取身份信息，并基于所述身份信息对所述目标企业进行身份信息验证；
当所述目标企业通过所述身份信息验证时，从所述待处理数据中获取申请信息，并对所述申请信息进行校验；
当所述申请信息通过校验时，从所述待处理数据中获取负面信息，并对所述负面信息进行校验；
当所述负面信息通过校验时，基于所述待处理数据对所述目标企业进行组织风险检测；
当所述目标企业通过所述组织风险检测时，获取预先配置的黑名单，检测所述目标企业是否在所述黑名单中；
当所述目标企业不在所述黑名单中时，确定所述目标企业通过所述准入校验。
其中，所述身份信息可以包括，但不限于：企业名称、法人姓名、企业代码等。
其中，所述申请信息可以包括，但不限于申请方名称等。
其中，所述负面信息可以包括，但不限于：第三方逾期信息、多头借贷信息、案件信息、处罚信息、欠税信息等。
其中，所述组织风险检测是指检测所述目标企业是否存在团队涉案风险。
具体地，可以调用第三方数据接口辅助进行上述相应校验，本发明对具体的每项校验方式不做限制。
通过上述实施例，能够对所述目标企业进行准入校验，避免存在安全风险。
所述匹配单元112，用于当所述目标企业通过所述准入校验时，匹配与所述目标企业对应的产品作为目标产品。
在本实施例中，所述匹配单元112匹配与所述目标企业对应的产品作为目标产品包括：
获取对接的所有产品；
确定所述所有产品中每个产品对应的企业属性；
获取所述目标企业的企业属性作为目标属性；
利用所述目标属性与每个产品对应的企业属性进行匹配；
将与所述目标属性相匹配的产品确定为所述目标产品。
其中，所述企业属性可以包括经营年限等。
例如：不同的产品对于企业经营年限的要求不同，因此，可以根据企业的经营年限进行产品匹配，以确定与企业经营年限对应的产品作为所述目标产品。
通过上述实施例，能够自动匹配到对应的目标产品，无需人为操作，提高了产品筛选的效率。
所述计算单元113，用于在所述目标企业运用所述目标产品的过程中，调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值。
例如：当所述目标产品为贷款类产品时，则在所述目标企业基于所述目标产品进行贷款后，贷中调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值。
在本实施例中，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值前，获取所述目标企业的每个指标；
计算每个指标的信息价值；
获取预先配置的信息价值阈值；
当检测到有指标的信息价值大于或者等于所述信息价值阈值时，将检测到的指标确定为至少一个候选指标；
利用随机森林算法计算所述至少一个候选指标中每个候选指标的重要性；
按照所述重要性由高到低的顺序对所述至少一个候选指标进行排序，得到候选指标序列；
将所述候选指标序列中排在前预设位的候选指标确定为至少一个目标指标。
其中，所述信息价值阈值及所述预设位可以根据实际的业务需求进行配置。
在上述实施例中，先利用信息价值进行初步筛选，以从众多指标中获取到候选指标，再利用随机森林算法对候选指标进行二次筛选，以充分保证筛选出的指标对风险预测结果具有较高的影响，进而能够确保最终预测的风险等级的准确性。
在本实施例中，所述计算单元113调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值包括：
获取所述风险值预测模型中与所述至少一个目标指标中每个目标指标对应的子模型；
从所述待处理数据中获取每个目标指标的指标值；
将每个目标指标的指标值输入至对应的子模型中进行运算，得到每个目标指标的风险分值；
计算每个目标指标的风险分值的和，得到所述目标风险值。
例如：所述目标指标可以包括年龄、户籍、性别、企业成立年限、注册资本、企业类型、开票金额、开票张数、主要客户订单量占比、同比增长率、环比增长率、作废率、红冲率及经营数据对比指标等。具体地，可以利用对应的子模型计算变量指标12个月同比增长率，即取近两年的开票金额计算出增长率，再根据增长率值对应的评分区间计算出具体的风险分值。在得到20几个指标各自的风险分值后，计算出风险分值总和，再根据风险分值总和进行后续的风险等级判断。
所述确定单元114，用于根据所述目标风险值确定所述目标企业的风险等级。
在本实施例中，所述确定单元114根据所述目标风险值确定所述目标企业的风险等级包括：
获取预先构建的风险等级映射表；其中，所述风险等级映射表用于存储风险等级与风险值范围的对应关系；
确定所述目标风险值在所述风险等级映射表中所属的风险值范围作为目标范围；
将所述目标范围在所述风险等级映射表中对应的风险等级确定为所述目标企业的风险等级。
例如：所述风险等级映射表可以为：
风险等级 风险值范围 风险等级描述
A [80,80+) 优秀
B (20,80) 一般
C (20-,20] 较差
通过上述实施例，能够基于预先建立的风险等级映射表自动匹配到对应的风险等级，以便后续进行针对性处理。
上述实施例结合大数据及人工智能技术实现对企业风险的有效预测，以实现对企业的精细化管理，避免由于人为操作带来的风控漏洞与不足，以定量的分析方式对客户的各项数据进行科学评估，做到提前预知风险和处置风险，达到以数据驱动业务的目的。
在本实施例中，所述确定单元114根据所述目标风险值确定所述目标企业的风险等级后，获取与所述目标企业的风险等级对应的响应措施，并将所述响应措施推送至指定终端设备；
每隔预设时间间隔，更新所述风险值预测模型。
其中，所述指定终端设备可以为负责进行风险管控的相关人员的终端设备，以提示相关人员及时进行风险应对。例如：当所述风险等级为A级时，说明风险较低，可以继续向所述目标企业推送相关数据；当所述风险等级为C级时，说明风险较高，所述响应措施可以为拒绝向所述目标企业推送相关数据，以避免造成更多损失。
其中，所述预设时间间隔可以为3个月等，通过定期更新所述风险值预测模型，能够进一步完善和调整评分规则，使风险预测更加合理，以进一步降低风险。
由以上技术方案可以看出，本发明能够基于待处理数据对目标企业进行准入校验，以保证企业准入的安全性，当目标企业通过准入校验时，匹配与目标企业对应目标产品，在目标企业运用目标产品的过程中，调用预先配置的风险值预测模型计算目标企业的风险值作为目标风险值，并根据目标风险值确定目标企业的风险等级，结合风险值预测模型实现对企业风险的量化，通过提前预知企业风险以便及时采取针对性措施，以数据驱动业务，降低运营损失。
如图3所示，是本发明实现企业风险预测方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如企业风险预测程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如企业风险预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行企业风险预测程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个企业风险预测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、校验单元111、匹配单元112、计算单元113、确定单元114。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述企业风险预测方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明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。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种企业风险预测方法，所述处理器13可执行所述多个指令从而实现：
响应于对目标企业的风险预测指令，获取待处理数据；
基于所述待处理数据对所述目标企业进行准入校验；
当所述目标企业通过所述准入校验时，匹配与所述目标企业对应的产品作为目标产品；
在所述目标企业运用所述目标产品的过程中，调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值；
根据所述目标风险值确定所述目标企业的风险等级。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，本案中所涉及到的数据均为合法取得。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
本发明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。本发明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发明，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种企业风险预测方法，其特征在于，所述企业风险预测方法包括：
响应于对目标企业的风险预测指令，获取待处理数据；
基于所述待处理数据对所述目标企业进行准入校验；
当所述目标企业通过所述准入校验时，匹配与所述目标企业对应的产品作为目标产品；
在所述目标企业运用所述目标产品的过程中，调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值；
根据所述目标风险值确定所述目标企业的风险等级。
2.如权利要求1所述的企业风险预测方法，其特征在于，所述获取待处理数据包括：
调用第三方安全接口获取所述目标企业的工商信息，及获取所述目标企业的注册信息；
从指定平台及/或预先安装的发票数据采集软件上爬取所述目标企业的经营数据；
将所述工商信息、所述注册信息及所述经营数据确定为所述待处理数据。
3.如权利要求1所述的企业风险预测方法，其特征在于，所述基于所述待处理数据对所述目标企业进行准入校验包括：
从所述待处理数据中获取身份信息，并基于所述身份信息对所述目标企业进行身份信息验证；
当所述目标企业通过所述身份信息验证时，从所述待处理数据中获取申请信息，并对所述申请信息进行校验；
当所述申请信息通过校验时，从所述待处理数据中获取负面信息，并对所述负面信息进行校验；
当所述负面信息通过校验时，基于所述待处理数据对所述目标企业进行组织风险检测；
当所述目标企业通过所述组织风险检测时，获取预先配置的黑名单，检测所述目标企业是否在所述黑名单中；
当所述目标企业不在所述黑名单中时，确定所述目标企业通过所述准入校验。
4.如权利要求1所述的企业风险预测方法，其特征在于，所述匹配与所述目标企业对应的产品作为目标产品包括：
获取对接的所有产品；
确定所述所有产品中每个产品对应的企业属性；
获取所述目标企业的企业属性作为目标属性；
利用所述目标属性与每个产品对应的企业属性进行匹配；
将与所述目标属性相匹配的产品确定为所述目标产品。
5.如权利要求1所述的企业风险预测方法，其特征在于，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值前，所述方法还包括：
获取所述目标企业的每个指标；
计算每个指标的信息价值；
获取预先配置的信息价值阈值；
当检测到有指标的信息价值大于或者等于所述信息价值阈值时，将检测到的指标确定为至少一个候选指标；
利用随机森林算法计算所述至少一个候选指标中每个候选指标的重要性；
按照所述重要性由高到低的顺序对所述至少一个候选指标进行排序，得到候选指标序列；
将所述候选指标序列中排在前预设位的候选指标确定为至少一个目标指标。
6.如权利要求5所述的企业风险预测方法，其特征在于，所述调用预先配置的风险值预测模型计算所述目标企业的风险值作为目标风险值包括：
获取所述风险值预测模型中与所述至少一个目标指标中每个目标指标对应的子模型；
从所述待处理数据中获取每个目标指标的指标值；
将每个目标指标的指标值输入至对应的子模型中进行运算，得到每个目标指标的风险分值；
计算每个目标指标的风险分值的和，得到所述目标风险值。
7.如权利要求1所述的企业风险预测方法，其特征在于，所述根据所述目标风险值确定所述目标企业的风险等级包括：
获取预先构建的风险等级映射表；其中，所述风险等级映射表用于存储风险等级与风险值范围的对应关系；
确定所述目标风险值在所述风险等级映射表中所属的风险值范围作为目标范围；
将所述目标范围在所述风险等级映射表中对应的风险等级确定为所述目标企业的风险等级。
8.如权利要求1所述的企业风险预测方法，其特征在于，所述根据所述目标风险值确定所述目标企业的风险等级后，所述方法还包括：
获取与所述目标企业的风险等级对应的响应措施，并将所述响应措施推送至指定终端设备；
每隔预设时间间隔，更新所述风险值预测模型。
9.一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至8中任意一项所述的企业风险预测方法。
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至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至8中任意一项所述的企业风险预测方法。
CN202310939864.9A 2023-07-27 2023-07-27 企业风险预测方法、设备及介质 Pending CN117114845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310939864.9A CN117114845A (zh) 2023-07-27 2023-07-27 企业风险预测方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310939864.9A CN117114845A (zh) 2023-07-27 2023-07-27 企业风险预测方法、设备及介质

Publications (1)

Publication Number Publication Date
CN117114845A true CN117114845A (zh) 2023-11-24

Family

ID=88808241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310939864.9A Pending CN117114845A (zh) 2023-07-27 2023-07-27 企业风险预测方法、设备及介质

Country Status (1)

Country Link
CN (1) CN117114845A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232947A (zh) * 2020-10-23 2021-01-15 中国工商银行股份有限公司 贷中风险预测方法及装置
CN114580916A (zh) * 2022-03-07 2022-06-03 上海安硕企业征信服务有限公司 一种企业风险评估方法、装置、电子设备及存储介质
CN115082225A (zh) * 2022-07-21 2022-09-20 天津金城银行股份有限公司 一种企业融资风险的评估方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232947A (zh) * 2020-10-23 2021-01-15 中国工商银行股份有限公司 贷中风险预测方法及装置
CN114580916A (zh) * 2022-03-07 2022-06-03 上海安硕企业征信服务有限公司 一种企业风险评估方法、装置、电子设备及存储介质
CN115082225A (zh) * 2022-07-21 2022-09-20 天津金城银行股份有限公司 一种企业融资风险的评估方法和装置

Similar Documents

Publication Publication Date Title
CN113806434B (zh) 大数据处理方法、装置、设备及介质
CN111798123A (zh) 基于人工智能的合规性评价方法、装置、设备及介质
CN113946690A (zh) 潜在客户挖掘方法、装置、电子设备及存储介质
CN114997263B (zh) 基于机器学习的结训率分析方法、装置、设备及存储介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN116823437A (zh) 基于配置化风控策略的准入方法、装置、设备及介质
CN116843481A (zh) 知识图谱分析方法、装置、设备及存储介质
CN116188189A (zh) 数据对账方法、装置、设备及介质
CN115099680B (zh) 风险管理方法、装置、设备及存储介质
CN113657546B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN114372892A (zh) 支付数据监控方法、装置、设备及介质
CN117114845A (zh) 企业风险预测方法、设备及介质
CN114722146A (zh) 基于人工智能的供应链资产校验方法、装置、设备及介质
CN116957649B (zh) 客户筛选方法、装置、设备及介质
CN116934263B (zh) 产品批量准入方法、装置、设备及介质
CN116976821B (zh) 企业问题反馈信息处理方法、装置、设备及介质
CN116629596B (zh) 供应链风险预测方法、装置、设备及介质
CN116843454B (zh) 渠道信息管理方法、装置、设备及介质
CN116630048B (zh) 基于期货行情k线的交易方法、装置、设备及介质
CN117910884B (zh) 证券期货行业内控质量检测方法、装置、设备及介质
CN114781833B (zh) 基于业务人员的能力测评方法、装置、设备及存储介质
CN116739611B (zh) 客户信息跟踪管理方法、装置、设备及介质
CN114202434B (zh) 基于优先算法的理赔方案生成方法、装置、设备及介质
CN116934464A (zh) 基于小微企业的贷后风险监控方法、装置、设备及介质
CN118037198B (zh) 事件关联物品管理方法、装置、设备及介质

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