CN117196797A - 基于数据分析的业务风险预测方法、装置、设备及介质 - Google Patents
基于数据分析的业务风险预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117196797A CN117196797A CN202311153618.7A CN202311153618A CN117196797A CN 117196797 A CN117196797 A CN 117196797A CN 202311153618 A CN202311153618 A CN 202311153618A CN 117196797 A CN117196797 A CN 117196797A
- Authority
- CN
- China
- Prior art keywords
- event
- risk
- historical
- business
- events
- 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 50
- 238000007405 data analysis Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于数据分析的业务风险预测方法、装置、设备及介质,可应用于金融领域或其他领域,包括:针对风险事件素材库中的历史事件,获取起因事件、业务对象、历史风险事件,建立它们之间的第一关联关系。针对风险事件素材库中的业务对象,获取业务对象的脆弱性因素以及脆弱性因素相关的风险事件,建立它们之间的第二关联关系。在处理目标业务时,获取目标业务中的目标事件和/或目标对象,基于第一关联关系确定与目标事件对应的预测对象和预测风险事件,和/或基于第二关联关系确定与目标对象对应的预测脆弱性因素和预测风险事件。从而可以实现业务的风险预测,减少风险预测的时间,提高风险预测的全面性和准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于数据分析的业务风险预测方法、装置、设备及介质。
背景技术
企业中各个业务的连续性管理是以企业或者组织为对象,管理企业的业务流转正常,防止业务中断对企业造成不可逆影响的管理过程。因此为了预防处理业务的过程中产生中断业务处理的情况,可以预先对业务风险性进行评估预测,即对可能影响业务处理的各方面因素进行分析,评估可能出现的风险。
但是目前对业务风险的评估需要人工收集数据进行分析,并且需要从多个方面考虑,包括人员、软/硬件设备、场地等多个方面进行分析,涉及范围广、人工分析无法保证风险评估的全面性和准确性,并且人工评估需要花费很长的时间,效率比较低。
发明内容
有鉴于此,本申请提供了一种基于数据分析的业务风险预测方法、装置、设备及介质,以便减少用于预测业务风险的时间,提高预测风险的全面性和准确性。
第一方面,本申请提供了一种基于数据分析的业务风险预测方法,所述方法包括:
针对风险事件素材库中的历史事件,从所述历史事件中获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系;
针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系;
响应于处理目标业务的操作,获取所述目标业务中的目标事件和/或目标对象;
基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,和/或基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件。
在一种可能的实现方式中,所述针对风险事件素材库中的历史事件,从所述历史事件获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系,包括:
获取所述风险事件素材库中多个历史事件中的多个起因事件;
将所述多个起因事件进行分类,获得多个分组;
针对任一分组,获取所述分组所对应的至少一个历史事件中的业务对象和历史风险事件,并建立所述分组所对应的起因事件、业务对象、历史风险事件之间的第一关联关系。
在一种可能的实现方式中,所述业务对象的脆弱性因素包括从所述历史事件中获取的历史脆弱性因素以及预先确定的预设脆弱性因素,所述风险事件包括从所述历史事件中获取的与所述历史脆弱性因素所关联的历史风险事件以及预先确定的与所述预设脆弱性因素所对应的预设风险事件。
在一种可能的实现方式中,所述针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系,包括:
获取所述风险事件素材库中多个历史事件中的多个业务对象;
将所述多个业务对象进行分类,获得多个分组;
针对任一分组,获取所述分组所对应的至少一个历史事件中的历史脆弱性因素和历史风险事件,并建立所述分组所对应的业务对象、历史脆弱性因素、预设脆弱性因素、历史风险事件、预设风险事件之间的第二关联关系。
在一种可能的实现方式中,所述基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,包括:
计算所述目标事件与多个所述第一关联关系中的起因事件之间的相似度,获取多个相似度指标;
确定所述多个相似度指标中的最大值所对应的起因事件为匹配事件;
确定所述匹配事件的第一关联关系中的业务对象为所述预测对象,以及所述匹配事件的第一关联关系中的历史风险事件为所述预测风险事件。
在一种可能的实现方式中,所述基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件,包括:
计算所述目标对象与多个所述第二关联关系中的业务对象之间的相似度,获取多个相似度指标;
确定所述多个相似度指标中的最大值所对应的业务对象为匹配对象;
确定所述匹配对象的第二关联关系中的历史脆弱性因素和预设脆弱性因素为所述预测脆弱性因素,以及所述匹配对象的第二关联关系中的历史风险事件和预设风险事件为所述预测风险事件。
在一种可能的实现方式中,所述从所述历史事件中获取起因事件、业务对象、历史风险事件,包括:
利用实体识别模型从所述历史事件中获取所述起因事件、所述业务对象和所述历史风险事件。
第二方面,本申请提供了一种基于数据分析的业务风险预测装置,所述装置包括:
第一获取单元,用于针对风险事件素材库中的历史事件,从所述历史事件中获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系;
第二获取单元,用于针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系;
第三获取单元,用于响应于处理目标业务的操作,获取所述目标业务中的目标事件和/或目标对象;
确定单元,用于基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,和/或基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件。
在一种可能的实现方式中,所述第一获取单元,具体用于获取所述风险事件素材库中多个历史事件中的多个起因事件;将所述多个起因事件进行分类,获得多个分组;针对任一分组,获取所述分组所对应的至少一个历史事件中的业务对象和历史风险事件,并建立所述分组所对应的起因事件、业务对象、历史风险事件之间的第一关联关系。
在一种可能的实现方式中,所述业务对象的脆弱性因素包括从所述历史事件中获取的历史脆弱性因素以及预先确定的预设脆弱性因素,所述风险事件包括从所述历史事件中获取的与所述历史脆弱性因素所关联的历史风险事件以及预先确定的与所述预设脆弱性因素所对应的预设风险事件。
在一种可能的实现方式中,所述第二获取单元,具体用于获取所述风险事件素材库中多个历史事件中的多个业务对象;将所述多个业务对象进行分类,获得多个分组;针对任一分组,获取所述分组所对应的至少一个历史事件中的历史脆弱性因素和历史风险事件,并建立所述分组所对应的业务对象、历史脆弱性因素、预设脆弱性因素、历史风险事件、预设风险事件之间的第二关联关系。
在一种可能的实现方式中,所述确定单元,具体用于计算所述目标事件与多个所述第一关联关系中的起因事件之间的相似度,获取多个相似度指标;确定所述多个相似度指标中的最大值所对应的起因事件为匹配事件;确定所述匹配事件的第一关联关系中的业务对象为所述预测对象,以及所述匹配事件的第一关联关系中的历史风险事件为所述预测风险事件。
在一种可能的实现方式中,所述确定单元,具体用于计算所述目标对象与多个所述第二关联关系中的业务对象之间的相似度,获取多个相似度指标;确定所述多个相似度指标中的最大值所对应的业务对象为匹配对象;确定所述匹配对象的第二关联关系中的历史脆弱性因素和预设脆弱性因素为所述预测脆弱性因素,以及所述匹配对象的第二关联关系中的历史风险事件和预设风险事件为所述预测风险事件。
在一种可能的实现方式中,所述第一获取单元,具体用于利用实体识别模型从所述历史事件中获取所述起因事件、所述业务对象和所述历史风险事件。
第三方面,本申请提供了一种基于数据分析的业务风险预测设备,所述设备包括:存储器以及处理器;
所述存储器用于存储相关的程序代码;
所述处理器用于调用所述程序代码,执行上述第一方面任意一种实现方式所述的基于数据分析的业务风险预测方法。
第四方面,本申请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用于存储计算机程序,所述计算机程序用于执行上述第一方面任意一种实现方式所述的基于数据分析的业务风险预测设备方法。
由此可见,本申请具有如下有益效果:
在本申请的上述实现方式中,可以通过建立风险事件中各个元素之间的关联关系,实现对新处理业务的风险预测。具体地,针对风险事件素材库中的历史事件,从历史事件中获取起因事件、业务对象、历史风险事件,起因事件即对业务对象产生影响的事件,历史风险事件即指业务中已经发生的风险事件,并建立起因事件、业务对象以及历史风险事件之间的第一关联关系。针对风险事件素材库中的业务对象,获取业务对象的脆弱性因素,以及脆弱性因素所相关的风险事件,其中,脆弱性因素是指对该业务对象有影响的因素。例如,服务器的脆弱性因素包括温度、湿度等。然后建立业务对象、脆弱性因素以及风险事件之间的第二关联关系。响应于处理目标业务的操作,获取目标业务中的目标事件和/或目标对象。当包括目标事件时,基于第一关联关系确定与目标事件所对应的预测对象和预测风险事件;当包括目标对象时,基于第二关联关系确定与目标对象所对应的预测脆弱性因素和预测风险事件,实现目标业务的风险预测。通过上述方法,可以通过统计丰富的历史数据并结合预设要求,建立风险事件中各个元素之间的关联关系,包括业务对象、起因事件、风险事件、脆弱性因素等,这样当处理新的业务时,可以根据预先建立的关联关系,实现业务的风险预测,无需人工处理,减少风险预测的时间,并且提高风险预测的全面性和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图仅仅是本申请中提供的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于数据分析的业务风险预测方法的流程图;
图2为本申请实施例提供的一种基于数据分析的业务风险预测装置的示意图;
图3为本申请实施例提供的一种基于数据分析的业务风险预测设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,所描述的实施例仅为本申请示例性的实施方式,并非全部实现方式。本领域技术人员可以结合本申请的实施例,在不进行创造性劳动的情况下,获得其他的实施例,而这些实施例也在本申请的保护范围之内。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
目前对业务风险的评估需要人工收集数据进行分析,并且需要从多个方面考虑,包括人员、软/硬件设备、场地等多个方面进行分析,涉及范围广、人工分析无法保证风险评估的全面性和准确性,并且人工评估需要花费很长的时间,效率比较低。
基于此,本申请实施例提供了一种基于数据分析的业务风险预测方法,以便减少用于预测业务风险的时间,提高预测风险的全面性和准确性。具体地,针对风险事件素材库中的历史事件,从历史事件中获取起因事件、业务对象、历史风险事件,起因事件即对业务对象产生影响的事件,历史风险事件即指业务中已经发生的风险事件,并建立起因事件、业务对象以及历史风险事件之间的第一关联关系。针对风险事件素材库中的业务对象,获取业务对象的脆弱性因素,以及脆弱性因素所相关的风险事件,其中,脆弱性因素是指对该业务对象有影响的因素。例如,服务器的脆弱性因素包括温度、湿度等。然后建立业务对象、脆弱性因素以及风险事件之间的第二关联关系。响应于处理目标业务的操作,获取目标业务中的目标事件和/或目标对象。当包括目标事件时,基于第一关联关系确定与目标事件所对应的预测对象和预测风险事件;当包括目标对象时,基于第二关联关系确定与目标对象所对应的预测脆弱性因素和预测风险事件,实现目标业务的风险预测。通过上述方法,可以通过统计丰富的历史数据并结合预设要求,建立风险事件中各个元素之间的关联关系,包括业务对象、起因事件、风险事件、脆弱性因素等,这样当处理新的业务时,可以根据预先建立的关联关系,实现业务的风险预测,无需人工处理,减少风险预测的时间,并且提高风险预测的全面性和准确性。
为了便于理解本申请实施例所提供的技术方案,下面将结合附图进行介绍。
参见图1,图1为本申请实施例提供的一种基于数据分析的业务风险预测方法的流程图。
该方法可以由数据处理设备执行,数据处理设备可以是终端,也可以是服务器。该方法可以包括以下步骤:
S101:针对风险事件素材库中的历史事件,从历史事件中获取起因事件、业务对象、历史风险事件,并建立起因事件、业务对象以及历史风险事件之间的第一关联关系。
在一种可能的实现方式中,数据处理设备可以获取多个已经发生过的风险事件,组成风险事件素材库。其中,所获取的风险事件可以为本公司在处理业务时发生的风险事件,也可以为在互联网、大数据等渠道所获取的跟本公司业务相类似的风险事件,从而丰富风险事件素材库中的数据,以便可以更全面准确地分析数据之间的关联关系。
可选地,风险事件素材库中的历史事件可以包括起因事件、业务对象、历史风险事件等。其中,起因事件可以为引起历史风险事件发生的事件,业务对象可以为该历史事件中,起因事件所影响的业务对象。例如,在历史事件“安装设备进行测试时导致服务器处理的取款业务中断”,起因事件我“安装设备进行测试”,业务对象为“服务器”,历史风险事件为“取款业务中断”。
在一种可能的实现方式中,可以利用实体识别模型从历史事件中获取起因事件、业务对象和历史风险事件。其中,实体识别是指从给定的一个文本中识别出其中的实体,并对实体进行分类,比如时间、人名、地名等类型的实体。可选地,可以采用基于序列标注的实体识别模型对历史事件进行实体识别。例如,可以利用开始-中间-其他(Begin InnerOther,BIO)等常用的标注方法对经过业务处理请求进行符号token标注。然后利用卷积神经网络(Convolutional Neural Networks,CNN)等模型,对token序列进行编码表征,再利用一个全连接层对序列中的每个token进行分类,最后利用条件随机场(conditionalrandom field,CRF)模型进行标签预测,实现实体识别。
当获取历史事件中的起因事件、业务对象以及历史风险事件后,建立起因事件、业务对象以及历史风险事件之间的第一关联关系。
由于风险事件素材库中包括多个历史事件,因此在建立第一关联关系时,可以通过以下方式实现,获取风险事件素材库中多个历史事件中的多个起因事件。然后可以将多个起因事件进行分类,获得多个分组,每个分组中的起因事件属于同一类别。针对任一分组,获取该分组所包括的历史事件中的业务对象和历史风险事件,并建立该分组所对应的起因事件、业务对象、历史风险事件之间的第一关联关系。
可选地,在对多个起因事件进行分类时,可以采用语义识别等方式,也就是,将相同语义的起因事件划分为同一组。
可选地,该分组所对应的起因事件可以为经过处理的事件,例如,可以对该分组中的多个起因事件进行关键词提取等处理,得到该分组的所对应的唯一的起因事件。即,利用一个经过处理的起因事件表示该分组所包括的多个起因事件,作为一个起因事件的模板。
同理,在建立该分组所对应的起因事件、业务对象、历史风险事件之间的第一关联关系时,也可以将该分组的多个业务对象、多个历史风险事件进行分类。针对同一类型的业务对象,也可以采用统一的业务对象进行表示;针对同一类型的历史风险事件,也可以采用统一的历史风险事件进行表示,从而可以减少建立第一关联关系时的数据量。根据上述实施例可知,每个分组所对应的第一关联关系可以表示多个关系,即作为一种关系集合,表示起因事件、业务对象、历史风险事件之间的关联关系。
S102:针对风险事件素材库中的业务对象,获取业务对象的脆弱性因素,以及脆弱性因素所相关的风险事件,并建立业务对象、脆弱性因素以及风险事件之间的第二关联关系。
可以获取风险事件素材库中各个历史事件中的业务对象,然后针对每个业务对象,可以获取该业务对象的脆弱性因素,以及与脆弱性因素所相关的风险事件。其中,脆弱性因素可以表示对业务对象有不良影响的因素。例如,服务器的脆弱性因素可以为温度、湿度等,当温度多高或者湿度过高时,均会影响服务器的使用。
在一种可能的实现方式中,业务对象的脆弱性因素可以包括从历史事件中获取的历史脆弱性因素以及预先确定的预设脆弱性因素。也就是,可以在风险事件素材库中获取业务对象的历史脆弱性因素,也可以结合人工经验、查找资料等方式,确定业务对象的一些预设脆弱性因素,整合历史脆弱性因素和预设脆弱性因素作为该业务对象的脆弱性因素。同理,与脆弱性因素所相关的风险事件可以包括从历史事件中获取的与历史脆弱性因素所关联的历史风险事件,以及预先确定的与预设脆弱性因素所对应的预设风险事件。
当获取业务对象、脆弱性因素以及风险事件后,可以建立业务对象、脆弱性因素以及风险事件之间的第二关联关系。具体实现时,获取风险事件素材库中多个历史事件中的多个业务对象。然后将多个业务对象进行分类,获得多个分组。针对任一分组,获取该分组所包括的历史事件中的历史脆弱性因素和历史风险事件。结合预先确定的各个业务对象所对应的预设脆弱性因素和预设风险事件,建立该分组所对应的业务对象、历史脆弱性因素、预设脆弱性因素、历史风险事件、预设风险事件之间的第二关联关系。同理可知,第二关联关系可以表示多个关系,即作为一种关系集合,表示业务对象、脆弱性因素、风险事件之间的关联关系。
需要说明的是,本申请实施例并不限定步骤S101和步骤S102的执行顺序,即可以先执行步骤S101后执行步骤S102,或者也可以先执行步骤S102后执行步骤S101,也可以同时执行步骤S101和步骤S102,均不影响本方案的实现。
S103:响应于处理目标业务的操作,获取目标业务中的目标事件和/或目标对象。
当数据处理设备处理目标业务时,可以获取该目标业务中的目标事件或者目标对象。其中,目标事件表示可以作为起因事件的事件,目标对象可以为业务对象。以便可以根据预先建立的关联关系,对目标业务中的起因事件、业务对象等进行风险预测。
S104:基于第一关联关系确定与目标事件所对应的预测对象和预测风险事件,和/或基于第二关联关系确定与目标对象所对应的预测脆弱性因素和预测风险事件。
在处理新的目标业务时,可以基于预先建立的第一关联关系、第二关联关系对目标业务进行风险预测。
在一种可能的实现方式中,当目标业务中包括目标事件时,可以基于第一关联关系确定与目标事件所对应的预测对象和预测风险事件。具体实现时,由于根据起因事件划分得到多个分组,每个分组均可以建立第一关联关系,因此可以计算目标事件与每个第一关联关系中的起因事件之间的相似度,从而获取多个相似度指标。然后确定多个相似度指标中的最大值所对应的起因事件为与目标事件最接近的匹配事件,并确定匹配事件所在的第一关联关系中的业务对象为预测对象,以及匹配事件所在的第一关联关系中的历史风险事件为预测风险事件。
在一种可能的实现方式中,当目标业务中包括目标对象时,可以基于第二关联关系确定与目标对象所对应的预测脆弱性因素和预测风险事件。具体实现时,由于根据业务对象可以划分得到多个分组,每个分组均可以建立第二关联关系,可以计算目标对象与多个第二关联关系中的业务对象之间的相似度,获取多个相似度指标。然后确定多个相似度指标中的最大值所对应的业务对象为匹配对象,并确定匹配对象的第二关联关系中的历史脆弱性因素和预设脆弱性因素为预测脆弱性因素,以及匹配对象的第二关联关系中的历史风险事件和预设风险事件为预测风险事件。
通过本申请实施例所提供的方法,可以通过统计历史风险事件数据并结合预设要求,建立风险事件中各个元素之间的关联关系,包括业务对象、起因事件、风险事件、脆弱性因素等,这样当处理新的业务时,可以根据预先建立的关联关系,实现业务的风险预测,无需人工处理,减少风险预测的时间,并且提高风险预测的全面性和准确性。
基于上述方法实施例,本申请实施例还提供一种基于数据分析的业务风险预测装置,下面将结合附图进行介绍。
参见图2,图2为本申请实施例提供的一种基于数据分析的业务风险预测装置的示意图。
该装置200可以包括:
第一获取单元201,用于针对风险事件素材库中的历史事件,从所述历史事件中获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系;
第二获取单元202,用于针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系;
第三获取单元203,用于响应于处理目标业务的操作,获取所述目标业务中的目标事件和/或目标对象;
确定单元204,用于基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,和/或基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件。
在一种可能的实现方式中,所述第一获取单元201,具体用于获取所述风险事件素材库中多个历史事件中的多个起因事件;将所述多个起因事件进行分类,获得多个分组;针对任一分组,获取所述分组所对应的至少一个历史事件中的业务对象和历史风险事件,并建立所述分组所对应的起因事件、业务对象、历史风险事件之间的第一关联关系。
在一种可能的实现方式中,所述业务对象的脆弱性因素包括从所述历史事件中获取的历史脆弱性因素以及预先确定的预设脆弱性因素,所述风险事件包括从所述历史事件中获取的与所述历史脆弱性因素所关联的历史风险事件以及预先确定的与所述预设脆弱性因素所对应的预设风险事件。
在一种可能的实现方式中,所述第二获取单元202,具体用于获取所述风险事件素材库中多个历史事件中的多个业务对象;将所述多个业务对象进行分类,获得多个分组;针对任一分组,获取所述分组所对应的至少一个历史事件中的历史脆弱性因素和历史风险事件,并建立所述分组所对应的业务对象、历史脆弱性因素、预设脆弱性因素、历史风险事件、预设风险事件之间的第二关联关系。
在一种可能的实现方式中,所述确定单元204,具体用于计算所述目标事件与多个所述第一关联关系中的起因事件之间的相似度,获取多个相似度指标;确定所述多个相似度指标中的最大值所对应的起因事件为匹配事件;确定所述匹配事件的第一关联关系中的业务对象为所述预测对象,以及所述匹配事件的第一关联关系中的历史风险事件为所述预测风险事件。
在一种可能的实现方式中,所述确定单元204,具体用于计算所述目标对象与多个所述第二关联关系中的业务对象之间的相似度,获取多个相似度指标;确定所述多个相似度指标中的最大值所对应的业务对象为匹配对象;确定所述匹配对象的第二关联关系中的历史脆弱性因素和预设脆弱性因素为所述预测脆弱性因素,以及所述匹配对象的第二关联关系中的历史风险事件和预设风险事件为所述预测风险事件。
在一种可能的实现方式中,所述第一获取单元201,具体用于利用实体识别模型从所述历史事件中获取所述起因事件、所述业务对象和所述历史风险事件。
基于上述方法实施例和装置实施例,本申请实施例还提供一种基于数据分析的业务风险预测设备。下面将结合附图进行介绍。
参见图3,图3为本申请实施例提供的一种基于数据分析的业务风险预测设备的示意图。
该设备300包括:存储器301以及处理器302;
所述存储器301用于存储相关的程序代码;
所述处理器302用于调用所述程序代码,执行上述方法实施例所述的基于数据分析的业务风险预测方法。
此外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述方法实施例所述的基于数据分析的业务风险预测方法。
需要说明的是,本申请提供的基于数据分析的业务风险预测方法、装置、设备及介质可用于金融领域或其他领域。其他领域为除金融领域之外的任意领域,例如,数据处理技术领域。上述仅为示例,并不对本申请提供的基于数据分析的业务风险预测方法、装置、设备及介质的应用领域进行限定。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。尤其,对于系统或装置实施例而言,由于其基本类似于方法实施例,所以描述得比较简单,相关部分参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元或模块可以是或者也可以不是物理上分开的,作为单元或模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上,可以根据实际需要选择其中的部分或者全部单元或模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于数据分析的业务风险预测方法,其特征在于,所述方法包括:
针对风险事件素材库中的历史事件,从所述历史事件中获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系;
针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系;
响应于处理目标业务的操作,获取所述目标业务中的目标事件和/或目标对象;
基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,和/或基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件。
2.根据权利要求1所述的方法,其特征在于,所述针对风险事件素材库中的历史事件,从所述历史事件获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系,包括:
获取所述风险事件素材库中多个历史事件中的多个起因事件;
将所述多个起因事件进行分类,获得多个分组;
针对任一分组,获取所述分组所对应的至少一个历史事件中的业务对象和历史风险事件,并建立所述分组所对应的起因事件、业务对象、历史风险事件之间的第一关联关系。
3.根据权利要求1所述的方法,其特征在于,所述业务对象的脆弱性因素包括从所述历史事件中获取的历史脆弱性因素以及预先确定的预设脆弱性因素,所述风险事件包括从所述历史事件中获取的与所述历史脆弱性因素所关联的历史风险事件以及预先确定的与所述预设脆弱性因素所对应的预设风险事件。
4.根据权利要求3所述的方法,其特征在于,所述针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系,包括:
获取所述风险事件素材库中多个历史事件中的多个业务对象;
将所述多个业务对象进行分类,获得多个分组;
针对任一分组,获取所述分组所对应的至少一个历史事件中的历史脆弱性因素和历史风险事件,并建立所述分组所对应的业务对象、历史脆弱性因素、预设脆弱性因素、历史风险事件、预设风险事件之间的第二关联关系。
5.根据权利要求2所述的方法,其特征在于,所述基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,包括:
计算所述目标事件与多个所述第一关联关系中的起因事件之间的相似度,获取多个相似度指标;
确定所述多个相似度指标中的最大值所对应的起因事件为匹配事件;
确定所述匹配事件的第一关联关系中的业务对象为所述预测对象,以及所述匹配事件的第一关联关系中的历史风险事件为所述预测风险事件。
6.根据权利要求4所述的方法,其特征在于,所述基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件,包括:
计算所述目标对象与多个所述第二关联关系中的业务对象之间的相似度,获取多个相似度指标;
确定所述多个相似度指标中的最大值所对应的业务对象为匹配对象;
确定所述匹配对象的第二关联关系中的历史脆弱性因素和预设脆弱性因素为所述预测脆弱性因素,以及所述匹配对象的第二关联关系中的历史风险事件和预设风险事件为所述预测风险事件。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述从所述历史事件中获取起因事件、业务对象、历史风险事件,包括:
利用实体识别模型从所述历史事件中获取所述起因事件、所述业务对象和所述历史风险事件。
8.一种基于数据分析的业务风险预测装置,其特征在于,所述装置包括:
第一获取单元,用于针对风险事件素材库中的历史事件,从所述历史事件中获取起因事件、业务对象、历史风险事件,并建立所述起因事件、所述业务对象以及所述历史风险事件之间的第一关联关系;
第二获取单元,用于针对所述风险事件素材库中的业务对象,获取所述业务对象的脆弱性因素,以及所述脆弱性因素所相关的风险事件,并建立所述业务对象、所述脆弱性因素以及所述风险事件之间的第二关联关系;
第三获取单元,用于响应于处理目标业务的操作,获取所述目标业务中的目标事件和/或目标对象;
确定单元,用于基于所述第一关联关系确定与所述目标事件所对应的预测对象和预测风险事件,和/或基于所述第二关联关系确定与所述目标对象所对应的预测脆弱性因素和预测风险事件。
9.一种基于数据分析的业务风险预测设备,其特征在于,所述设备包括:存储器以及处理器;
所述存储器用于存储相关的程序代码;
所述处理器用于调用所述程序代码,执行权利要求1至7任一项所述的基于数据分析的业务风险预测方法。
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用于存储计算机程序,所述计算机程序用于执行权利要求1至7任一项所述的基于数据分析的业务风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153618.7A CN117196797A (zh) | 2023-09-07 | 2023-09-07 | 基于数据分析的业务风险预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153618.7A CN117196797A (zh) | 2023-09-07 | 2023-09-07 | 基于数据分析的业务风险预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196797A true CN117196797A (zh) | 2023-12-08 |
Family
ID=88997339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153618.7A Pending CN117196797A (zh) | 2023-09-07 | 2023-09-07 | 基于数据分析的业务风险预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196797A (zh) |
-
2023
- 2023-09-07 CN CN202311153618.7A patent/CN117196797A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10031829B2 (en) | Method and system for it resources performance analysis | |
US9390176B2 (en) | System and method for recursively traversing the internet and other sources to identify, gather, curate, adjudicate, and qualify business identity and related data | |
CN111353014B (zh) | 职位关键词提取、岗位需求更新的方法和装置 | |
CN110162754B (zh) | 一种岗位描述文档的生成方法及设备 | |
CN110362607B (zh) | 异常号码识别方法、装置、计算机设备及存储介质 | |
CN110389941B (zh) | 数据库校验方法、装置、设备及存储介质 | |
CN113626241B (zh) | 应用程序的异常处理方法、装置、设备及存储介质 | |
CN112364014B (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN113190426B (zh) | 一种大数据评分系统稳定性监控方法 | |
CN110689211A (zh) | 网站服务能力的评估方法及装置 | |
CN110535686B (zh) | 异常事件处理方法和装置 | |
CN109101541B (zh) | 新增指标管理方法、设备及计算机可读存储介质 | |
CN107016561B (zh) | 一种信息处理方法和装置 | |
CN111104422B (zh) | 一种数据推荐模型的训练方法、装置、设备及存储介质 | |
CN115658620B (zh) | 一种基于大数据的数据授权共享方法及系统 | |
CN117033552A (zh) | 情报评价方法、装置、电子设备及存储介质 | |
CN117196797A (zh) | 基于数据分析的业务风险预测方法、装置、设备及介质 | |
CN107730021B (zh) | 一种业务指标优化方法和装置 | |
CN110941713A (zh) | 基于主题模型的自优化金融资讯版块分类方法 | |
CN109934740B (zh) | 一种专利监控方法及装置 | |
CN110502529B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN110569435A (zh) | 智能双端推荐引擎系统和方法 | |
CN113239236B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN113220530B (zh) | 数据质量监控方法及平台 | |
CN116707834B (zh) | 一种基于云存储的分布式大数据取证与分析平台 |
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 |