CN117196322B - 智能风控方法、装置、计算机设备及存储介质 - Google Patents
智能风控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117196322B CN117196322B CN202311462877.8A CN202311462877A CN117196322B CN 117196322 B CN117196322 B CN 117196322B CN 202311462877 A CN202311462877 A CN 202311462877A CN 117196322 B CN117196322 B CN 117196322B
- Authority
- CN
- China
- Prior art keywords
- target
- order
- data
- monitoring data
- risk
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 288
- 238000013210 evaluation model Methods 0.000 claims abstract description 139
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims description 34
- 230000000737 periodic effect Effects 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 14
- 238000013145 classification model Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 238000012550 audit Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请揭示了一种智能风控方法、装置、计算机设备及存储介质,其中方法包括:采用目标监测数据对应的第一评估模型对目标监测数据确定第一结果;若第一结果为有风险则采用目标监测数据对应的目标订单标识对应的第二评估模型对目标监测数据和目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测得到风控预测结果;若第一结果为无风险则判断当前时间距离目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于则采用目标订单标识对应的第三评估模型对目标监测数据和目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测得到风控预测结果。实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
Description
技术领域
本发明涉及人工智能、风险控制技术领域,尤其涉及一种智能风控方法、装置、计算机设备及存储介质。
背景技术
智能风控是利用大数据、人工智能技术和科学决策方法,通过自动化预测、评级、决策等方式,替代风控中的人工操作,完成人工无法完成的任务,提高决策精度和效率、降低成本,最终提高风控能力的综合体系。
目前的智能风控通常采用定期集中审核模式,集中审核模式能全面且深度的识别风险,但因对计算资源需求较多,使集中审核不能太频繁,从而降低了智能风控的实时性;若为了增加实时性缩短集中审核的周期,则将大量增加计算资源的需求。
发明内容
基于此,有必要针对现有技术的智能风控采用定期集中审核模式,无法兼顾实时性和减少计算资源的技术问题,提出了一种智能风控方法、装置、计算机设备及存储介质。
第一方面,提供了一种智能风控方法,所述方法包括:
获取目标监测数据;
采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
第二方面,提供了一种智能风控装置,所述装置包括:
数据获取模块,用于获取目标监测数据;
第一预测模块,用于采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
第二预测模块,用于若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
第三预测模块,用于若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述智能风控方法的步骤。
第四方面,提供了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程序,所述计算机程序被处理器执行时实现上述智能风控方法的步骤。
本申请的智能风控方法、装置、计算机设备及存储介质,其中方法通过在获取目标监测数据时,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,有利于及时排查出准确的风控预测结果,提高了排查出风控预测结果的实时性。若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长时进行深度风险预测,实现了在临近当前深度评估周期的启动时间获取到目标监测数据时进行深度风险预测,从而针对较活跃的订单提高了实时性,而在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测,减少了对计算资源的需求。也就是说,本申请实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
其中:
图1为一个实施例中智能风控方法的应用环境图;
图2为一个实施例中智能风控方法的流程图;
图3为一个实施例中智能风控装置的结构框图;
图4为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的智能风控方法,可应用在如图1的应用环境中,其中,客户端110通过网络与服务端120进行通信。
服务端120可以通过客户端110获取目标监测数据。服务端120,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。
通过在获取目标监测数据时,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,有利于及时排查出准确的风控预测结果,提高了排查出风控预测结果的实时性。若所述第一结果为无风险,则判断当前时间T1距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间T2的间隔时长是否小于预设时长△T,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长时进行深度风险预测,实现了在临近当前深度评估周期的启动时间获取到目标监测数据时进行深度风险预测,从而针对较活跃的订单提高了实时性,而在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测,减少了对计算资源的需求。也就是说,本申请实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
可选的,服务端120将风控预测结果反馈回客户端110或者指定应用,为在风控预测结果为有风险时,指定应用或风险处理人员可以及时的进行处理,缩短了风险消除的周期,降低了风险带来的损失。
可选的,客户端110从服务端120获取第一评估模型、第二评估模型和第三评估模型。客户端110,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
其中,客户端110可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示,图2为本发明实施例提供的智能风控方法的一个流程示意图,包括如下步骤:
S1:获取目标监测数据;
目标监测数据是当前需要处理的监测数据。监测数据包括:设备监控数据、互联网数据和企业内部数据中的一种或多种。设备监控数据包括但不限于:语音数据、视频数据、文本数据中的一种或多种。互联网数据包括但不限于:新闻信息、交易数据中的一种或多种。企业内部数据包括但不限于:生产数据、销售数据、财务数据、人资数据。
可选的,目标监测数据携带有MD5签名,MD5签名是采用MD5信息摘要算法(MD5Message-Digest Algorithm),对目标监测数据中的监测数据进行计算得到的数据。若目标监测数据携带有MD5签名,则在获取目标监测数据时,采用MD5信息摘要算法(MD5Message-Digest Algorithm),对目标监测数据中的监测数据进行计算,得到实际MD5签名,若目标监测数据携带的MD5签名与实际MD5签名相同,则继续执行步骤S2,若目标监测数据携带的MD5签名与实际MD5签名不相同,此时意味着目标监测数据中的数据被篡改,因此,不需继续执行步骤S2,根据所述目标监测数据生成数据篡改提醒信号,数据篡改提醒信号用于提醒监察端或指定人员数据搜集途径出现问题,有利于及时排查篡改。
具体而言,可以获取用户输入的目标监测数据,也可以从预设存储空间中获取目标监测数据,还可以从第三方应用(比如,监控设备、网络信息搜集设备、高吞吐量的分布式发布订阅消息系统)中获取目标监测数据。
可选的,实时搜集目标订单标识对应的各个监测数据,在目标订单标识对应的目标周期数据的每个采集周期的期末,将一个采集周期搜集到的各个监测数据作为目标监测数据。从而实现基于采集周期进行准实时的风险的分类预测。
可选的,目标周期数据包括:采集周期和深度评估周期。采集周期用于对实时搜集监测数据,并在采集周期的期末启动风险的分类预测,从而实现准实时的智能风控,通过采集周期累积一定量的数据再进行风险的分类预测,提高了风险的分类预测的准确性。采集周期的周期时长小于或等于深度评估周期的周期时长。
可选的,目标周期数据包括:深度评估周期。
可以理解的是目标周期数据还可以是针对每个订单阶段的采集周期和深度评估周期,或者针对每个订单阶段的深度评估周期。
S2:采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
具体而言,将所述目标监测数据中的数据类型对应的模型作为第一评估模型;将所述目标监测数据输入第一评估模型进行风险的分类预测,将预测得到的向量中的值为最大的向量元素对应的分类类别作为第一结果。
第一结果的值为有风险或无风险。
第一评估模型是二分类模型。第一评估模型的模型结构和训练方法可以从现有技术选择,在此不做赘述。
S3:若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
历史监测数据,是目标订单标识对应的订单在所述目标监测数据之前获取到的监测数据。
订单描述数据,用于描述订单的相关信息。订单描述数据包括:订单标识、订单的相关方的姓名或企业名称(比如,买方、卖方)、订单对象和订单详情。订单标识可以是订单名称、订单ID等唯一标识一个订单的数据。
可选的,本申请的订单为贷款订单。可以理解的是,本申请的订单还可以是其他订单,比如,承包收购订单,在此不做限定。
比如,若订单为贷款订单,则订单对象包括贷款产品。
具体而言,若所述第一结果为有风险,此时意味着风险的分类预测出存在风险,需要进行深度风险预测,因此,将所述目标监测数据对应的目标订单标识对应的模型作为第二评估模型,将所述目标监测数据,和,所述目标订单标识对应的历史监测数据及订单描述数据,输入第二评估模型进行深度风险预测,根据预测得到的向量确定风控预测结果。
可选的,风控预测结果的值为有风险或无风险,其中,第二评估模型是二分类模型。
可选的,风控预测结果的值为:风险类别和风险等级的对应关系,其中,第二评估模型是多分类模型,第二评估模型预测得到的向量中的每个分类类别为:风险类别和风险等级的对应关系。
可以理解的是,相对第一评估模型,第二评估模型的输入多了所述目标订单标识对应的历史监测数据及订单描述数据,第二评估模型考虑的数据更全面,识别的风险的准确性更高。
S4:若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
具体而言,若所述第一结果为无风险,此时意味着风险的分类预测出不存在风险,因此,判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,也就是判断是否快到深度风险预测的巡检时间了;若小于,也就是当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长,此时意味着快到深度风险预测的巡检时间,此时有搜集到了目标监测数据,比较保险的做法是进行深度风险预测,因此,将所述目标订单标识对应的对应的模型作为第三评估模型,将所述目标监测数据,和,所述目标订单标识对应的历史监测数据及订单描述数据,输入第三评估模型进行深度风险预测,根据预测得到的向量确定风控预测结果。
可以理解的是,针对目标订单标识的第二评估模型和针对目标订单标识的第三评估模型可以相同,也可以不同,还可以是模型的结构相同但模型的模型参数不同。
可选的,风控预测结果的值为有风险或无风险,其中,第三评估模型是二分类模型。
可选的,风控预测结果的值为:风险类别和风险等级的对应关系,其中,第三评估模型是多分类模型,第三评估模型预测得到的向量中的每个分类类别为:风险类别和风险等级的对应关系。
可以理解的是,相对第一评估模型,第三评估模型的输入多了所述目标订单标识对应的历史监测数据及订单描述数据,第三评估模型考虑的数据更全面,识别的风险的准确性更高。
本实施例通过在获取目标监测数据时,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,有利于及时排查出准确的风控预测结果,提高了排查出风控预测结果的实时性。若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长时进行深度风险预测,实现了在临近当前深度评估周期的启动时间获取到目标监测数据时进行深度风险预测,从而针对较活跃的订单提高了实时性,而在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测,减少了对计算资源的需求。也就是说,本申请实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
在一个实施例中,所述方法还包括:
S51:获取周期更新请求;
周期更新请求,是对目标周期数据进行自适应更新的请求。
具体而言,可以获取用户输入的周期更新请求,也可以获取第三方应用发送的周期更新请求,还可以是实现本申请的程序根据根据第一触发条件主动触发的周期更新请求。比如,第一触发条件为每天凌晨1点主动触发周期更新请求。比如,第一触发条件为在每次确定所述风控预测结果为有风险时,根据该所述风控预测结果对应的订单标识主动触发周期更新请求。
S52:根据所述周期更新请求中的订单标识获取所述历史监测数据及所述订单描述数据,得到目标历史监测数据及目标订单描述数据;
具体而言,根据所述周期更新请求中的订单标识,从监测数据库中查找与该订单标识对应的监测数据,将查找到的每个监测数据作为历史监测数据,将确定的所有历史监测数据作为目标历史监测数据;根据所述周期更新请求中的订单标识,从订单库中获取与该订单标识对应的订单描述数据,将获取到的订单描述数据作为目标订单描述数据。
S53:根据所述目标订单描述数据确定标准评估周期数据,得到第一周期数据;
可选的,根据所述目标订单描述数据中的订单对象,从标准周期数据库中获取与该订单对象对应的标准评估周期数据,将获取到的标准评估周期数据作为第一周期数据。
可以理解的是,标准评估周期数据是不受订单的相关方、监测数据影响的周期数据。
S54:根据所述目标历史监测数据和所述目标订单描述数据进行订单阶段识别,得到目标阶段标识;
具体而言,根据所述目标订单描述数据中的订单对象查表,从而确定阶段划分数据;根据所述目标历史监测数据和所述目标订单描述数据,从阶段划分数据中确定当前所处订单阶段的订单阶段识别,将确定的订单阶段识别作为目标阶段标识。
S55:采用所述目标阶段标识对应的订单阶段为开始,从所述第一周期数据提取未完成的数据,作为第二周期数据;
具体而言,采用所述目标阶段标识对应的订单阶段为开始,从所述第一周期数据提取未完成的数据,也就是说,提取出标准评估周期数据中的未完成的周期数据,将提取出的数据作为第二周期数据。
S56:根据所述目标订单描述数据进行客户等级识别,得到目标客户等级,并根据所述目标客户等级,从预设的等级风险映射表中确定风险系数,作为客户风险系数;
具体而言,根据所述目标订单描述数据对订单的相关方进行画像,根据画像得到的数据进行查表,将查表得到的客户等级作为目标客户等级。
等级风险映射表是描述客户等级和风险系数的对应关系的数据。
S57:根据所述客户风险系数,对所述第二周期数据进行修正,得到目标周期数据;
具体而言,根据所述客户风险系数,采用查表法确定修正系数数据;在目标周期数据包含深度评估周期时,根据修正系数数据中的第一系数对所述第二周期数据中的深度评估周期进行调整,调整的具体操作包括但不限于:相乘、相加,将调整后的所述第二周期数据作为目标周期数据;在目标周期数据包含深度评估周期和采集周期时,则根据修正系数数据中的第一系数对所述第二周期数据中的深度评估周期进行调整,并根据修正系数数据中的第二系数对所述第二周期数据中的采集周期进行调整,将完成深度评估周期和采集周期调整后的所述第二周期数据作为目标周期数据。
S58:根据所述目标周期数据,更新所述周期更新请求中的所述订单标识对应的所述当前深度评估周期。
具体而言,将所述周期更新请求中的所述订单标识对应的所述当前深度评估周期的开始时间和所述目标周期数据中的深度评估周期对应的周期时长进行相加,将相加得到的时间作为所述当前深度评估周期的结束时间。
本实施例通过对所述周期更新请求中的订单标识对应的订单进行目标周期数据的自适应调整,实现了为每个订单个性化的设置目标周期数据,实现了针对每个订单进行个性化的智能风控,从而有利于提高智能风控的准确性;相对标准评估周期数据,通过对目标周期数据进行自适应调整,自适应调整后的目标周期数据更符合订单的动态变化需求,从而有利于提高智能风控的准确性;在对目标周期数据进行自适应调整时,采用客户等级对应的客户风险系数对标准评估周期数据的未完成部分进行修正,充分考虑了客户本身的风险,进一步提高了智能风控的准确性。
在一个实施例中,所述根据所述客户风险系数,对所述第二周期数据进行修正,得到目标周期数据的步骤,包括:
S571:根据所述目标历史监测数据进行风险趋势预测,得到风险趋势数据;
具体而言,将所述目标历史监测数据输入预训练的趋势预测模型进行风险趋势预测,将预测得到的数据作为风险趋势数据。
可选的,趋势预测模型是基于ARIMA (自回归整合移动平均)训练得到的模型。
S572:根据所述风险趋势数据,对所述第二周期数据进行修正,得到第三周期数据;
具体而言,对应同一订单阶段,若所述风险趋势数据中表述了该订单阶段有风险,则对所述第二周期数据中该订单阶段的周期时长进行缩短处理,若所述风险趋势数据中表述了该订单阶段无风险,则对所述第二周期数据中该订单阶段的周期时长进行加长处理,将修正后的所述第二周期数据作为第三周期数据。
S573:根据所述客户风险系数,对所述第三周期数据进行修正,得到所述目标周期数据。
具体而言,若所述客户风险系数大于1,则对所述第三周期数据中的周期时长进行缩短处理,若所述客户风险系数小于1,则对所述第三周期数据中的周期时长进行加长处理,若所述客户风险系数等于1,则对所述第三周期数据中的周期时长进行保持处理,将修正后的所述第三周期数据作为所述目标周期数据。
本实施例首先根据所述风险趋势数据,对所述第二周期数据进行修正,然后根据所述客户风险系数,对所述第三周期数据进行修正,充分的考虑了未来的风险趋势及客户风险系数的影响,提高了所述目标周期数据的准确性。
在一个实施例中,所述采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果的步骤,包括:
将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,得到第一拼接数据,将所述第一拼接数据输入所述第二评估模型进行深度风险预测,得到所述风控预测结果;
所述采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果的步骤,包括:
将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,得到第二拼接数据,将所述第二拼接数据输入所述第三评估模型进行深度风险预测,得到所述风控预测结果。
具体而言,将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,可以直接拼接,也可以采用预设的拼接符进行拼接。
比如,采用预设的拼接符进行拼接,拼接符为“&”,所述目标客户等级为A、所述目标监测数据为B和所述目标订单标识对应的所述历史监测数据为C及所述订单描述数据为D,则拼接得到的数据为“A&B&C&D”。
本实施例目标客户等级作为深度风险预测的输入数据,充分考虑了客户等级对深度风险预测的影响,进一步提高了确定的风控预测结果的准确性。
在一个实施例中,所述第二评估模型是基于召回率优先为训练目标训练得到的模型,所述第三评估模型是基于准确率优先为训练目标训练得到的模型;
所述采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果的步骤,还包括:
采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到初始预测结果;
将所述初始预测结果发送给审查端,获取所述审查端根据所述初始预测结果发送的所述风控预测结果。
具体而言,相对基于准确率优先为训练目标训练得到的模型,基于召回率优先为训练目标训练得到的模型在确定无风险时准确率较高,因此,在基于召回率优先为训练目标训练得到的模型在确定有风险,需要进行二次审核,也就是将所述初始预测结果发送给审查端,通过审查端进行二次审核;相对基于召回率优先为训练目标训练得到的模型,基于准确率优先为训练目标训练得到的模型在确定有风险时准确率较高,在基于准确率优先为训练目标训练得到的模型确定有风险时,不需要进行二次审核。
审查端可以是采用引擎自动进行审查,也可以是审查人员通过审查端进行人工审查。
本实施例所述第二评估模型是基于召回率优先为训练目标训练得到的模型,从而在风险的分类预测有风险时,采用模型和审查端结合进行深度风险的排查,进一步提高风控预测结果的准确性;在所述第三评估模型是基于准确率优先为训练目标训练得到的模型,只采用模型进行深度风险的排查,减少对计算资源的需求;也就是说,本实施例在兼顾准确性的情况下尽量减少了对计算资源的需求。
在一个实施例中,所述方法还包括:
S61:获取巡检请求;
巡检请求,是对订单状态为未完成的所有订单进行主动风险排查的请求。
具体而言,可以获取用户输入的巡检请求,也可以获取第三方应用发送的巡检请求,还可以是实现本申请的程序根据根据第二触发条件主动触发的巡检请求。比如,第二触发条件为每天凌晨2点主动触发巡检请求。
S62:根据所述巡检请求中的行业标识、区域数据及订单类型,获取历史天气数据及各个历史监测数据,作为待分析数据;
行业标识是订单对象的行业标识。行业标识可以是行业名称、行业ID等唯一标识一个行业的数据。
区域数据可以是省,也可以市,还可以是市下面的行政区域。
具体而言,根据所述巡检请求中的区域数据,从天气数据库中获取历史天气数据;根据所述巡检请求中的行业标识和订单类型,从监测数据库中获取各个历史监测数据,将获取的历史天气数据及各个历史监测数据作为待分析数据。
S63:根据所述待分析数据进行风险识别,得到第二结果;
具体而言,将所述待分析数据输入第五评估模型进行风险识别,根据预测得到的向量确定第二结果。
第五评估模型是二分类模型。
S64:若所述第二结果为有风险,则根据所述巡检请求中的行业标识、区域数据及订单类型,从订单库中筛选订单,得到风险订单集,所述风险订单集中的订单状态均为未完成;
具体而言,若所述第二结果为有风险,此时意味着存在整体性的风险,需要对该整体性下的所有订单进行深度风险预测,因此,根据所述巡检请求中的行业标识、区域数据及订单类型,从订单库的订单状态为未完成的所有订单中筛选订单,将筛选出的所有订单作为风险订单集。
S65:采用指定订单标识对应的第四评估模型,对所述指定订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,所述指定订单标识是所述风险订单集中的任一个订单标识。
具体而言,将所述指定订单标识对应的对应的模型作为第四评估模型,将所述指定订单标识对应的所述历史监测数据及所述订单描述数据,输入第四评估模型进行深度风险预测,根据预测得到的向量确定所述风控预测结果。
重复执行步骤S65,即可确定所述风险订单集中的每个订单标识对应的所述风控预测结果。
若第四评估模型为二分类模型,则第四评估模型第三评估模型预测得到的向量中的分类类别为有风险或无风险;若第四评估模型为多类模型,则第四评估模型预测得到的向量中的每个分类类别为:风险类别和风险等级的对应关系。
本实施例基于巡检请求首先进行整体性风险识别,对存在风险整体性下的每个订单均进行深度风险预测,从而实现基于主动巡检的主动性智能风控,使本申请适用于针对特定目标的巡检的智能风控需求。
在一个实施例中,所述方法还包括:
S71:获取关注度识别请求;
关注度识别请求,是对订单的关注度进行识别的请求。
具体而言,可以获取用户输入的关注度识别请求,也可以获取第三方应用发送的关注度识别请求,还可以是实现本申请的程序根据根据第三触发条件主动触发的关注度识别请求。比如,第三触发条件为每天凌晨0点主动触发关注度识别请求。
S72:响应所述关注度识别请求,根据监测数据库,对待分析订单进行订单关注度识别,所述待分析订单是所述订单库中的订单状态均为未完成的任一个订单;
具体而言,在收到所述关注度识别请求时,根据监测数据库中的与待分析订单对应的监测数据进行订单关注度识别。
可选的,订单关注度的取值为:关注等级。
可选的,订单关注度的取值为具体数值,该数值越高表述对订单的智能风控越严格,该数值越低表述对订单的智能风控越宽松。
可以理解的是,可以采用分类模型,根据监测数据库中的与待分析订单对应的数据进行订单关注度识别。
所述获取目标监测数据的步骤之后,还包括:
S73:根据所述目标监测数据和所述目标订单标识对应的所述订单关注度,从初级模型库中确定初级模型,作为所述第一评估模型;
具体而言,将初级模型库中的,与所述目标监测数据中的数据类型和所述目标订单标识对应的所述订单关注度共同对应的初级模型作为第一评估模型。
S74:根据所述目标订单标识对应的所述订单描述数据及所述订单关注度,从第一深度模型库中确定模型,作为所述第二评估模型,或者,根据所述目标订单标识对应的所述订单描述数据及所述订单关注度,从第二深度模型库中确定模型,作为所述第三评估模型。
具体而言,将第一深度模型库中的,与所述目标订单标识对应的所述订单描述数据及所述目标订单标识对应的所述订单关注度共同对应的模型作为第二评估模型。将第二深度模型库中的,与所述目标订单标识对应的所述订单描述数据及所述目标订单标识对应的所述订单关注度共同对应的模型作为第三评估模型。
本实施例通过将订单关注度作为模型的区分指标,实现了针对不同的订单关注度采用不同的模型,实现了针对订单的个性化的智能风控,进而提高了智能风控的准确性。
请参阅图3所示,在一实施例中,提供一种智能风控装置,所述装置包括:
数据获取模块801,用于获取目标监测数据;
第一预测模块802,用于采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
第二预测模块803,用于若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
第三预测模块804,用于若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
本实施例通过在获取目标监测数据时,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,有利于及时排查出准确的风控预测结果,提高了排查出风控预测结果的实时性。若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长时进行深度风险预测,实现了在临近当前深度评估周期的启动时间获取到目标监测数据时进行深度风险预测,从而针对较活跃的订单提高了实时性,而在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测,减少了对计算资源的需求。也就是说,本申请实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
在一个实施例中,所述装置还包括:自适应周期计算模块,所述自适应周期计算模块用于:
获取周期更新请求;
根据所述周期更新请求中的订单标识获取所述历史监测数据及所述订单描述数据,得到目标历史监测数据及目标订单描述数据;
根据所述目标订单描述数据确定标准评估周期数据,得到第一周期数据;
根据所述目标历史监测数据和所述目标订单描述数据进行订单阶段识别,得到目标阶段标识;
采用所述目标阶段标识对应的订单阶段为开始,从所述第一周期数据提取未完成的数据,作为第二周期数据;
根据所述目标订单描述数据进行客户等级识别,得到目标客户等级,并根据所述目标客户等级,从预设的等级风险映射表中确定风险系数,作为客户风险系数;
根据所述客户风险系数,对所述第二周期数据进行修正,得到目标周期数据;
根据所述目标周期数据,更新所述周期更新请求中的所述订单标识对应的所述当前深度评估周期。
在一个实施例中,所述自适应周期计算模块的所述根据所述客户风险系数,对所述第二周期数据进行修正,得到目标周期数据的步骤,包括:
根据所述目标历史监测数据进行风险趋势预测,得到风险趋势数据;
根据所述风险趋势数据,对所述第二周期数据进行修正,得到第三周期数据;
根据所述客户风险系数,对所述第三周期数据进行修正,得到所述目标周期数据。
在一个实施例中,所述第二预测模块803的所述采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果的步骤,包括:
将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,得到第一拼接数据,将所述第一拼接数据输入所述第二评估模型进行深度风险预测,得到所述风控预测结果;
所述第三预测模块804的所述采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果的步骤,包括:
将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,得到第二拼接数据,将所述第二拼接数据输入所述第三评估模型进行深度风险预测,得到所述风控预测结果。
在一个实施例中,所述第二评估模型是基于召回率优先为训练目标训练得到的模型,所述第三评估模型是基于准确率优先为训练目标训练得到的模型;
所述第二预测模块803的所述采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果的步骤,还包括:
采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到初始预测结果;
将所述初始预测结果发送给审查端,获取所述审查端根据所述初始预测结果发送的所述风控预测结果。
在一个实施例中,所述装置还包括:巡检模块,所述巡检模块用于:
获取巡检请求;
根据所述巡检请求中的行业标识、区域数据及订单类型,获取历史天气数据及各个历史监测数据,作为待分析数据;
根据所述待分析数据进行风险识别,得到第二结果;
若所述第二结果为有风险,则根据所述巡检请求中的行业标识、区域数据及订单类型,从订单库中筛选订单,得到风险订单集,所述风险订单集中的订单状态均为未完成;
采用指定订单标识对应的第四评估模型,对所述指定订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,所述指定订单标识是所述风险订单集中的任一个订单标识。
在一个实施例中,所述装置还包括:关注度识别模块和模型筛选模块,所述关注度识别模块用于:获取关注度识别请求,响应所述关注度识别请求,根据监测数据库,对待分析订单进行订单关注度识别,所述待分析订单是所述订单库中的订单状态均为未完成的任一个订单;
所述模型筛选模块用于:
根据所述目标监测数据和所述目标订单标识对应的所述订单关注度,从初级模型库中确定初级模型,作为所述第一评估模型;
根据所述目标订单标识对应的所述订单描述数据及所述订单关注度,从第一深度模型库中确定模型,作为所述第二评估模型,或者,根据所述目标订单标识对应的所述订单描述数据及所述订单关注度,从第二深度模型库中确定模型,作为所述第三评估模型。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能风控方法服务端侧的功能或步骤。
在一个实施例中,提出了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标监测数据;
采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
本实施例通过在获取目标监测数据时,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,有利于及时排查出准确的风控预测结果,提高了排查出风控预测结果的实时性。若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长时进行深度风险预测,实现了在临近当前深度评估周期的启动时间获取到目标监测数据时进行深度风险预测,从而针对较活跃的订单提高了实时性,而在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测,减少了对计算资源的需求。也就是说,本申请实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
在一个实施例中,提出了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程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标监测数据;
采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果。
本实施例通过在获取目标监测数据时,采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果,因第一评估模型的输入只有目标监测数据,相对基于多角度数据的风险的分类预测,本申请的第一评估模型需要的计算资源较少。若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果,有利于及时排查出准确的风控预测结果,提高了排查出风控预测结果的实时性。若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长小于预设时长时进行深度风险预测,实现了在临近当前深度评估周期的启动时间获取到目标监测数据时进行深度风险预测,从而针对较活跃的订单提高了实时性,而在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测,减少了对计算资源的需求。也就是说,本申请实现了兼顾实时性和减少计算资源的情况下进行深度风险预测。
需要说明的是,上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中,服务端侧以及客户端侧的相关描述,为避免重复,这里不再一一描述。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能风控方法,所述方法包括:
获取目标监测数据;
采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,若在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测;
所述第二评估模型是基于召回率优先为训练目标训练得到的模型,所述第三评估模型是基于准确率优先为训练目标训练得到的模型。
2.根据权利要求1所述的智能风控方法,其特征在于,所述方法还包括:
获取周期更新请求;
根据所述周期更新请求中的订单标识获取所述历史监测数据及所述订单描述数据,得到目标历史监测数据及目标订单描述数据;
根据所述目标订单描述数据确定标准评估周期数据,得到第一周期数据;
根据所述目标历史监测数据和所述目标订单描述数据进行订单阶段识别,得到目标阶段标识;
采用所述目标阶段标识对应的订单阶段为开始,从所述第一周期数据提取未完成的数据,作为第二周期数据;
根据所述目标订单描述数据进行客户等级识别,得到目标客户等级,并根据所述目标客户等级,从预设的等级风险映射表中确定风险系数,作为客户风险系数;
根据所述客户风险系数,对所述第二周期数据进行修正,得到目标周期数据;
根据所述目标周期数据,更新所述周期更新请求中的所述订单标识对应的所述当前深度评估周期。
3.根据权利要求2所述的智能风控方法,其特征在于,所述根据所述客户风险系数,对所述第二周期数据进行修正,得到目标周期数据的步骤,包括:
根据所述目标历史监测数据进行风险趋势预测,得到风险趋势数据;
根据所述风险趋势数据,对所述第二周期数据进行修正,得到第三周期数据;
根据所述客户风险系数,对所述第三周期数据进行修正,得到所述目标周期数据。
4.根据权利要求2所述的智能风控方法,其特征在于,所述采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果的步骤,包括:
将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,得到第一拼接数据,将所述第一拼接数据输入所述第二评估模型进行深度风险预测,得到所述风控预测结果;
所述采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果的步骤,包括:
将所述目标客户等级、所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行拼接,得到第二拼接数据,将所述第二拼接数据输入所述第三评估模型进行深度风险预测,得到所述风控预测结果。
5.根据权利要求1所述的智能风控方法,其特征在于,所述采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果的步骤,还包括:
采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到初始预测结果;
将所述初始预测结果发送给审查端,获取所述审查端根据所述初始预测结果发送的所述风控预测结果。
6.根据权利要求1所述的智能风控方法,其特征在于,所述方法还包括:
获取巡检请求;
根据所述巡检请求中的行业标识、区域数据及订单类型,获取历史天气数据及各个历史监测数据,作为待分析数据;
根据所述待分析数据进行风险识别,得到第二结果;
若所述第二结果为有风险,则根据所述巡检请求中的行业标识、区域数据及订单类型,从订单库中筛选订单,得到风险订单集,所述风险订单集中的订单状态均为未完成;
采用指定订单标识对应的第四评估模型,对所述指定订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,所述指定订单标识是所述风险订单集中的任一个订单标识。
7.根据权利要求6所述的智能风控方法,其特征在于,所述方法还包括:
获取关注度识别请求;
响应所述关注度识别请求,根据监测数据库,对待分析订单进行订单关注度识别,所述待分析订单是所述订单库中的订单状态均为未完成的任一个订单;
所述获取目标监测数据的步骤之后,还包括:
根据所述目标监测数据和所述目标订单标识对应的所述订单关注度,从初级模型库中确定初级模型,作为所述第一评估模型;
根据所述目标订单标识对应的所述订单描述数据及所述订单关注度,从第一深度模型库中确定模型,作为所述第二评估模型,或者,根据所述目标订单标识对应的所述订单描述数据及所述订单关注度,从第二深度模型库中确定模型,作为所述第三评估模型。
8.一种智能风控装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标监测数据;
第一预测模块,用于采用所述目标监测数据对应的第一评估模型,对所述目标监测数据进行风险的分类预测,得到第一结果;
第二预测模块,用于若所述第一结果为有风险,则采用所述目标监测数据对应的目标订单标识对应的第二评估模型,对所述目标监测数据和所述目标订单标识对应的历史监测数据及订单描述数据进行深度风险预测,得到风控预测结果;
第三预测模块,用于若所述第一结果为无风险,则判断当前时间距离所述目标监测数据对应的所述目标订单标识的当前深度评估周期的启动时间的间隔时长是否小于预设时长,若小于,则采用所述目标订单标识对应的第三评估模型,对所述目标监测数据和所述目标订单标识对应的所述历史监测数据及所述订单描述数据进行深度风险预测,得到所述风控预测结果,若在当前时间距离所述目标订单标识的当前深度评估周期的启动时间的间隔时长大于或等于预设时长时不进行深度风险预测;
所述第二评估模型是基于召回率优先为训练目标训练得到的模型,所述第三评估模型是基于准确率优先为训练目标训练得到的模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述智能风控方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述智能风控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311462877.8A CN117196322B (zh) | 2023-11-06 | 2023-11-06 | 智能风控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311462877.8A CN117196322B (zh) | 2023-11-06 | 2023-11-06 | 智能风控方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196322A CN117196322A (zh) | 2023-12-08 |
CN117196322B true CN117196322B (zh) | 2024-03-26 |
Family
ID=88990945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311462877.8A Active CN117196322B (zh) | 2023-11-06 | 2023-11-06 | 智能风控方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196322B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408805B (zh) * | 2023-12-15 | 2024-03-22 | 杭银消费金融股份有限公司 | 一种基于稳定性建模的信贷风控方法与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101520A (zh) * | 2020-08-10 | 2020-12-18 | 中国平安人寿保险股份有限公司 | 风险评估模型训练方法、业务风险评估方法及其他设备 |
KR102255699B1 (ko) * | 2020-11-06 | 2021-05-25 | (주)아이소프트 | 작업환경 위험도 분석 시스템 |
CN112950383A (zh) * | 2021-04-15 | 2021-06-11 | 平安直通咨询有限公司上海分公司 | 基于人工智能的金融风险监控方法及相关设备 |
KR102350038B1 (ko) * | 2020-10-20 | 2022-01-11 | 오동식 | 대상 작업의 위험성을 평가하는 방법 및 이를 수행하는 작업 관리 시스템 |
CN115456751A (zh) * | 2022-09-02 | 2022-12-09 | 上海拓扑丝路供应链科技有限公司 | 一种基于风控模型的放款风险预测方法及装置 |
WO2023045829A1 (zh) * | 2021-09-24 | 2023-03-30 | 中兴通讯股份有限公司 | 一种业务异常预测方法、装置、存储介质及电子装置 |
CN116739759A (zh) * | 2023-07-14 | 2023-09-12 | 深圳乐信软件技术有限公司 | 基于订单风险识别的资产资金匹配方法、装置及设备 |
-
2023
- 2023-11-06 CN CN202311462877.8A patent/CN117196322B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101520A (zh) * | 2020-08-10 | 2020-12-18 | 中国平安人寿保险股份有限公司 | 风险评估模型训练方法、业务风险评估方法及其他设备 |
KR102350038B1 (ko) * | 2020-10-20 | 2022-01-11 | 오동식 | 대상 작업의 위험성을 평가하는 방법 및 이를 수행하는 작업 관리 시스템 |
KR102255699B1 (ko) * | 2020-11-06 | 2021-05-25 | (주)아이소프트 | 작업환경 위험도 분석 시스템 |
CN112950383A (zh) * | 2021-04-15 | 2021-06-11 | 平安直通咨询有限公司上海分公司 | 基于人工智能的金融风险监控方法及相关设备 |
WO2023045829A1 (zh) * | 2021-09-24 | 2023-03-30 | 中兴通讯股份有限公司 | 一种业务异常预测方法、装置、存储介质及电子装置 |
CN115456751A (zh) * | 2022-09-02 | 2022-12-09 | 上海拓扑丝路供应链科技有限公司 | 一种基于风控模型的放款风险预测方法及装置 |
CN116739759A (zh) * | 2023-07-14 | 2023-09-12 | 深圳乐信软件技术有限公司 | 基于订单风险识别的资产资金匹配方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117196322A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165840B (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
CN109272396B (zh) | 客户风险预警方法、装置、计算机设备和介质 | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN106127363B (zh) | 一种用户信用评估方法和装置 | |
WO2021004132A1 (zh) | 异常数据检测方法、装置、计算机设备和存储介质 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN117196322B (zh) | 智能风控方法、装置、计算机设备及存储介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN113947076A (zh) | 保单数据的检测方法、装置、计算机设备及存储介质 | |
US20220222688A1 (en) | Methodology of analyzing consumer intent from user interaction with digital environments | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
CN117437019A (zh) | 信用卡逾期风险预测方法、装置、设备、介质和程序产品 | |
CN114692785B (zh) | 行为分类方法、装置、设备及存储介质 | |
CN111260219A (zh) | 资产类别识别方法、装置、设备及计算机可读存储介质 | |
CN110472656B (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
CN113515771A (zh) | 数据敏感度判定方法、电子设备及计算机可读存储介质 | |
CN112906732B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
US20230377004A1 (en) | Systems and methods for request validation | |
CN117350547B (zh) | 订单的风险处理方案确定方法、装置、设备及存储介质 | |
CN110874612B (zh) | 时段预测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |