CN117196800A - 一种用于银行网点员工行为的数字化管理方法 - Google Patents
一种用于银行网点员工行为的数字化管理方法 Download PDFInfo
- Publication number
- CN117196800A CN117196800A CN202310730716.6A CN202310730716A CN117196800A CN 117196800 A CN117196800 A CN 117196800A CN 202310730716 A CN202310730716 A CN 202310730716A CN 117196800 A CN117196800 A CN 117196800A
- Authority
- CN
- China
- Prior art keywords
- data
- quantized
- model
- employee
- staff
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 61
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012502 risk assessment Methods 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims 1
- 238000000700 time series analysis Methods 0.000 claims 1
- 230000008451 emotion Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 206010000117 Abnormal behaviour Diseases 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012954 risk control Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于银行网点员工行为的数字化管理方法，涉及银行员工行为风险预测方法，本发明针对于现有银行网点员工的行为异常情况，结合员工本人的信息，提出一种网点员工异常行为的监管预测方法，其中，通过对银行员工信息进行量化分类，将其分类为可量化数据和不可量化数据，再分别建立可量化数据的分析模型和不可量化教据的分析模型，最后通分析模型分析的标签结果得到该员工可能存在的异常行为风验。上述方式能够结合员工不可量化的数据，使得预测结果更加准确。
Description
技术领域
本发明涉及银行员工行为风险预测方法领域，具体是一种用于银行网点员工行为的数字化管理方法。
背景技术
对于现有的银行网点员工行为管理方面，存在以下不足：
(1)传统的银行员工行为管理依赖较为简单的电子表格或者基本的数据库管理系统，这些系统在处理大量的非结构化数据时效率低下，难以实现数据的有效筛选和分类；
(2)非量化数据如员工的行为表现、客户反馈、员工间的互动等通常难以直接量化，而传统技术缺少有效的工具来分析这类数据，导致重要的行为风险信号可能被忽视；
(3)现有技术方法忽略了不同员工的行为差异，以及不同岗位的具体风险特点，从而影响评估的准确性和公平性。
所以目前急需一种用于银行网点员工行为的风险管理方式，对上述缺陷进行改进。
发明内容
本发明提供一种用于银行网点员工行为的数字化管理方法，旨在改进现有银行员工行为的监管，提高预测精度。
一种用于银行网点员工行为的数字化管理方法，包括以下步骤：
S1.对网点员工进行信息筛查，并对筛查数据根据量化标签进行分类，得到量化数据和非量化数据；
S2.根据非量化指标构建多个数据处理模型，并将非量化指标作为标签对非量化数据进行二次分类；
S3.将分类后的带有标签的非量化数据分别输入至相应数据处理模型中进行数据转换，将带有标签的标签非量化数据转换为可量化的次量化数据；
S4.根据量化数据和转换后的次量化数据构建员工行为风险评估模型，并对员工行为赋予定量标签值，根据定量标签值对员工行为风险进行评估。
进一步的，所述步骤S2中的数据处理模型通过实体识别方法，根据非量化指标数据中的实体信息进行模型构建，所述非量化指标包括带有实体信息的指标数据。
进一步的，所述步骤S2中的数据处理模型通过时间序列分析统计方法，根据非量化指标数据中的时序信息进行模型构建，所述非量化指标包括带有时序信息的指标数据。
进一步的，所述步骤S4中，构建员工行为风险评估模型的具体包括以下流程：
S401.根据量化数据建立量化数据分析模型进行量化分析；
S402.根据次量化数据建立次量化数据分析模型进行次量化分析；
S403.将量化数据分析模型和次量化数据分析模型进行模型融合，建立综合的员工行为风险评估模型；
其中，在模型融合之前，对可量化数据和次量化数据进行特征融合，将不同类型的数据特征进行加权或转化为同一类型的特征向量，建立统一的特征向量。
进一步的，所述步骤S403的具体流程如下：
S4031.设员工行为的结果为y∈{0,1}，其中0表示正常行为，1表示存在风险行为；假设银行有m个员工，每个员工i有n个特征表示，通过xi表示员工i的特征向量；逻辑回归模型建立预测函数f(·)，学习权重向量w，根据w将特定员工的特征向量xi映射为分类结果y的概率，即：
其中，表示员工i存在风险行为的概率估计值；
S4032.训练逻辑回归模型，通过最大化所有样本的对数似然函数来求解权重向量w,对于一个有m个样本的数据集，对数似然函数表示为以下形式：
S4033.通过最小化负对数似然函数，即损失函数，来求解模型参数w，即：
w＝wargmin(-L(w))
S4034.通过梯度下降等数值优化算法求解模型参数w，根据w通过f(·)函数预测员工的风险分类结果。
进一步的，所述步骤S1中，量化数据至少包括其中的一种：个人业绩数据、个人考勤情况异常波动、个人业务质量异常波动、个人账户资金异常波动、集体活动参与异常波动。
本发明的有益效果是：
本发明针对于现有银行网点员工的行为异常情况，结合员工本人的信息，提出一种网点员工异常行为的监管预测方法，其中，通过对银行员工信息进行量化分类，将其分类为可量化数据和不可量化数据，再分别建立可量化数据的分析模型和不可量化教据的分析模型，最后通分析模型分析的标签结果得到该员工可能存在的异常行为风验。上述方式能够结合员工不可量化的数据，使得预测结果更加准确。
附图说明
图1为本发明提出的一种用于银行网点员工行为的数字化管理方法的方法流程图；
图2为本发明提出的一种用于银行网点员工行为的数字化管理的终端设备的结构示意图；
图3为本发明提出的一种用于银行网点员工行为的数字化管理方法的计算机可读存储介质结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。需要说明的是，术语“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。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
一种用于银行网点员工行为的数字化管理方法，包括以下步骤：
S1.对网点员工进行信息筛查，并对筛查数据根据量化标签进行分类，得到量化数据和非量化数据；
其中，非量化数据至少包括其中的一种：岗位风险、法律风险、违规风险、履职风险和声誉风险。
量化数据至少包括其中的一种：个人业绩数据、个人考勤情况、个人业务质量、个人账户资金情况以及集体活动参与情况。
S2.根据非量化指标构建多个数据处理模型，并将非量化指标作为标签对非量化数据进行二次分类；
S3.将分类后的带有标签的非量化数据分别输入至相应数据处理模型中进行数据转换，将带有标签的标签非量化数据转换为可量化的次量化数据；
S4.根据量化数据和转换后的次量化数据构建员工行为风险评估模型，并对员工行为赋予定量标签值，根据定量标签值对员工行为风险进行评估。
进一步的，所述步骤S2中的数据处理模型通过实体识别方法，根据非量化指标数据中的实体信息进行模型构建，所述非量化指标包括带有实体信息的指标数据。
进一步的，所述步骤S2中的数据处理模型通过时间序列分析统计方法，根据非量化指标数据中的时序信息进行模型构建，所述非量化指标包括带有时序信息的指标数据。
进一步的，所述步骤S4中，构建员工行为风险评估模型的具体包括以下流程：
S401.根据量化数据建立量化数据分析模型进行量化分析；
S402.根据次量化数据建立次量化数据分析模型进行次量化分析；
S403.将量化数据分析模型和次量化数据分析模型进行模型融合，建立综合的员工行为风险评估模型；
其中，在模型融合之前，对可量化数据和次量化数据进行特征融合，将不同类型的数据特征进行加权或转化为同一类型的特征向量，建立统一的特征向量。
具体的，对于建立不可量化数据模型：
对于不可量化数据，需要利用自然语言处理(NLP)和情感分析技术来识别员工的情感状态及人际关系，并将其转化为可量化的数据。这些数据可以帮助银行评估员工的风险程度。针对银行员工的不可量化数据，可以通过自然语言处理技术、情感分析等手段将其转化为可以进行量化分析的数据，从而为银行提供更加精细化的风险管理服务。具体而言，可以将法律风险、在职时间超时、轮岗时限以及违规操作等不可量化数据通过语义分析技术转化为可以进行量化分析的数据。同时，可以建立基于机器学习算法的分析模型，对转化后的数据进行分析，识别员工的异常行为及潜在风险。如果员工的行为数据被识别为可能存在异常行为和风险，需要及时地建立风险评估模型，建立风险标签，并在此基础上采取针对性的风险控制当面对非结构化文本数据时，确实可以采用自然语言处理中的语义分析技术进行转换和提取。
例如，在处理法律风险这一不可量化数据时，可以采用实体识别技术来将文本中提到的相关人物、机构、事项等实体信息识别出来，并将其与银行的知识库进行匹配，从而获得相关标签及属性信息。在处理违规操作等数据时，可以通过情感分析技术分析员工的情感状态，如是否存在焦虑、愤怒等负面情绪，并将其转化为相应的数据指标。
轮岗时限和在职时间超时这两种因素可以通过时间序列分析和统计建模技术进行量化分析。对于轮岗时限，银行可通过建立时间序列模型，对员工的轮岗次数、轮岗部门、轮岗时长等数据进行分析，并预测未来的轮岗情况。当员工的轮岗时限超过预设限制，银行可通过风险评估模型及时发现，并采取固定的风险控制措施。而对于在职时间超时，则需要将员工的上班时间记录下来，并按照一定的规则进行统计和分析。可以利用回归分析、聚类分析、支持向量机等统计建模方法，建立在职时间超时的模型。
具体的，对于数据集成和综合分析：
将可量化和不可量化数据进行整合，利用数据挖掘和机器学习技术对银行员工的所有信息进行分析，从而识别出异常行为及潜在风险。通过这种方式，银行可以从多个角度审视员工行为，识别潜在风险行为，避免损失发生、提高风险管理水平。
进一步的，所述步骤S403的具体流程如下：
S4031.设员工行为的结果为y∈{0,1}，其中0表示正常行为，1表示存在风险行为；假设银行有m个员工，每个员工i有n个特征表示，通过xi表示员工i的特征向量；逻辑回归模型建立预测函数f(·)，学习权重向量w，根据w将特定员工的特征向量xi映射为分类结果y的概率，即：
其中，表示员工i存在风险行为的概率估计值；
S4032.训练逻辑回归模型，通过最大化所有样本的对数似然函数来求解权重向量w,对于一个有m个样本的数据集，对数似然函数表示为以下形式：
S4033.通过最小化负对数似然函数，即损失函数，来求解模型参数w，即：
w＝wargmin(-L(w))
S4034.通过梯度下降等数值优化算法求解模型参数w，根据w通过f(·)函数预测员工的风险分类结果。
进一步的，将可量化数据模型和不可量化数据模型进行融合，建立综合的模型。这需要首先将可量化和不可量化数据进行特征融合，将不同类型的数据特征进行加权或转化为同一类型的特征向量；然后对综合特征向量进行模型融合，选用多模型融合的方法，如层次集成、投票集成、加权平均、堆叠模型等。
进一步的，作为上述实施例优选的具体实施方案，提出另一种逻辑回归模型的矩阵形式：
设X是一个m×(n+1)的矩阵，其中Xi,j表示第i个员工的第j个特征值，j＝0时表示偏差项，i＝1,…,m；j＝0,…,n；y是一个m×1的列向量，表示每个员工的行为分类结果。权重向量w是一个(n+1)×1的列向量，表示特征值在模型中的权重。则逻辑回归模型可以表示为：
损失函数也可以表示为矩阵形式：
L(w)＝-(yTlog(f(Xw))+(1-y)Tlog(1-f(Xw)))
参数w的更新可以通过梯度下降法实现，求解过程为：
其中α是学习率，是损失函数对权重向量w的梯度：
通过迭代以上过程，可以不断更新权重向量，最终得到模型。
需要注意的是，w为上述提到的模型参数w，而f(·)表示的是逻辑回归的预测函数，即根据模型和参数预测员工的风险分类结果的概率估计值。
作为上述实施例优选的具体实施方案，对所建立的综合模型进行评估，选用常用的评估指标，如精度、召回率、F1值等，评估模型的准确度和鲁棒性。在评估的基础上，对模型进行优化和调整，例如增加新的特征、调整模型参数、对不同分类器进行调参等，以提高模型的性能表现。
作为上述实施例优选的具体实施方案，在数据集成和分析的基础上，建立风险评估模型并为每个员工建立相应的标签。这些标签既可以是定性的，如“高风险”、“中风险”、“低风险”，也可以是定量的，如风险得分等。这些标签能够帮助银行识别的员工存在的风险，做出相应的风险控制措施。银行要充分利用该员工的标签预测其未来的行为趋势，并及时采取措施来控制风险。如当员工的标签发生变化时，银行可以及时审查并更新其风险控制措施，降低银行的风险暴露度。同样，通过前期对员工行为的监测和分析，银行可以逐步改善其风险评估模型，提高其预测准确度，同时优化风险控制策略，以更好地服务于客户和股东。
作为进一步的优选的实施方案，提出一种用于银行网点员工行为的数字化管理系统，包括：
数据库，用于存储网点员工的信息数据，并分类管理；
量化标签分类模块，用于对员工的信息数据根据量化标签进行分类，得到量化数据和非量化数据；
非量化指标分类模块，根据非量化指标构建多个数据处理模型，并将非量化指标作为标签对非量化数据进行二次分类；
非量化数据数据转换模块，将分类后的带有标签的非量化数据分别输入至相应数据处理模型中进行数据转换，将带有标签的标签非量化数据转换为可量化的次量化数据；
模型评估模块，根据量化数据和转换后的次量化数据构建员工行为风险评估模型，并对员工行为赋予定量标签值，根据定量标签值对员工行为风险进行评估。
进一步的，所述模型评估模块具体包括：
量化数据分析模型构建单元，根据量化数据建立量化数据分析模型进行量化分析；
次量化数据分析模型构建单元，根据次量化数据建立次量化数据分析模型进行次量化分析；
模型融合单元，将量化数据分析模型和次量化数据分析模型进行模型融合，建立综合的员工行为风险评估模型；
其中，在模型融合之前，对可量化数据和次量化数据进行特征融合，将不同类型的数据特征进行加权或转化为同一类型的特征向量，建立统一的特征向量。
进一步的，所述风险评估模型的评估预测流程为：
设员工行为的结果为y∈{0,1}，其中0表示正常行为，1表示存在风险行为；假设银行有m个员工，每个员工i有n个特征表示，通过xi表示员工i的特征向量；逻辑回归模型建立预测函数f(·)，学习权重向量w，根据w将特定员工的特征向量xi映射为分类结果y的概率，即：
其中，表示员工i存在风险行为的概率估计值；
S4032.训练逻辑回归模型，通过最大化所有样本的对数似然函数来求解权重向量w,对于一个有m个样本的数据集，对数似然函数表示为以下形式：
通过最小化负对数似然函数，即损失函数，来求解模型参数w，即：
w＝war gmin(-L(w))
通过梯度下降等数值优化算法求解模型参数w，根据w通过f(·)函数预测员工的风险分类结果。
作为进一步优选的实施方案，提出一种用于银行网点员工行为的数字化管理的终端设备，如图2，终端设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。
其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中上述任一项一种用于银行网点员工行为的数字化管理方法，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具214，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。
总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
终端设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该终端设备200交互的设备通信，和/或与使得该终端设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，终端设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与终端设备200的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
作为进一步优选的实施方案，提出一种用于银行网点员工行为的数字化管理的计算机可读存储介质，所述计算机可读存储介质上存储有指令，该指令被处理器执行时实现上述任一的一种用于银行网点员工行为的数字化管理方法。其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图3示出了本实施例提供的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种用于银行网点员工行为的数字化管理方法，其特征在于，包括以下步骤：
S1.对网点员工进行信息筛查，并对筛查数据根据量化标签进行分类，得到量化数据和非量化数据；
S2.根据非量化指标构建多个数据处理模型，并将非量化指标作为标签对非量化数据进行二次分类；
S3.将分类后的带有标签的非量化数据分别输入至相应数据处理模型中进行数据转换，将带有标签的标签非量化数据转换为可量化的次量化数据；
S4.根据量化数据和转换后的次量化数据构建员工行为风险评估模型，并对员工行为赋予定量标签值，根据定量标签值对员工行为风险进行评估。
2.如权利要求1所述的一种用于银行网点员工行为的数字化管理方法，其特征在于，所述步骤S2中的数据处理模型通过实体识别方法，根据非量化指标数据中的实体信息进行模型构建，所述非量化指标包括带有实体信息的指标数据。
3.如权利要求1所述的一种用于银行网点员工行为的数字化管理方法，其特征在于，所述步骤S2中的数据处理模型通过时间序列分析统计方法，根据非量化指标数据中的时序信息进行模型构建，所述非量化指标包括带有时序信息的指标数据。
4.如权利要求1所述的一种用于银行网点员工行为的数字化管理方法，其特征在于，所述步骤S4中，构建员工行为风险评估模型的具体包括以下流程：
S401.根据量化数据建立量化数据分析模型进行量化分析；
S402.根据次量化数据建立次量化数据分析模型进行次量化分析；
S403.将量化数据分析模型和次量化数据分析模型进行模型融合，建立综合的员工行为风险评估模型；
其中，在模型融合之前，对可量化数据和次量化数据进行特征融合，将不同类型的数据特征进行加权或转化为同一类型的特征向量，建立统一的特征向量。
5.如权利要求4所述的一种用于银行网点员工行为的数字化管理方法，其特征在于，所述步骤S403的具体流程如下：
S4031.设员工行为的结果为y∈{0,1}，其中0表示正常行为，1表示存在风险行为；假设银行有m个员工，每个员工i有n个特征表示，通过xi表示员工i的特征向量；逻辑回归模型建立预测函数f(·)，学习权重向量w，根据w将特定员工的特征向量xi映射为分类结果y的概率，即：
其中，表示员工i存在风险行为的概率估计值；
S4032.训练逻辑回归模型，通过最大化所有样本的对数似然函数来求解权重向量w,对于一个有m个样本的数据集，对数似然函数表示为以下形式：
S4033.通过最小化负对数似然函数，即损失函数，来求解模型参数w，即：
w＝wargmin(-L(w))
S4034.通过梯度下降等数值优化算法求解模型参数w，根据w通过f(·)函数预测员工的风险分类结果。
6.如权利要求1所述的一种用于银行网点员工行为的数字化管理方法，其特征在于，所述步骤S1中，量化数据至少包括其中的一种：个人业绩数据、个人考勤情况异常波动、个人业务质量异常波动、个人账户资金异常波动、集体活动参与异常波动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310730716.6A CN117196800A (zh) | 2023-06-20 | 2023-06-20 | 一种用于银行网点员工行为的数字化管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310730716.6A CN117196800A (zh) | 2023-06-20 | 2023-06-20 | 一种用于银行网点员工行为的数字化管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196800A true CN117196800A (zh) | 2023-12-08 |
Family
ID=88991352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310730716.6A Pending CN117196800A (zh) | 2023-06-20 | 2023-06-20 | 一种用于银行网点员工行为的数字化管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196800A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118569453A (zh) * | 2024-08-01 | 2024-08-30 | 四川仕虹腾飞信息技术有限公司 | 一种银行网点理财销售过程中飞单的预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488422A (zh) * | 2019-01-25 | 2020-08-04 | 深信服科技股份有限公司 | 一种结构化数据样本的增量方法、装置、电子设备及介质 |
| CN111562496A (zh) * | 2020-05-15 | 2020-08-21 | 北京天工智造科技有限公司 | 一种基于数据挖掘的电机运行状态判断方法 |
| CN112418738A (zh) * | 2020-12-17 | 2021-02-26 | 泸州银行股份有限公司 | 一种基于逻辑回归的员工操作风险预测方法 |
| US20220067752A1 (en) * | 2020-08-28 | 2022-03-03 | Anchain.ai Inc. | System and method for blockchain transaction risk management using machine learning |
-
2023
- 2023-06-20 CN CN202310730716.6A patent/CN117196800A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488422A (zh) * | 2019-01-25 | 2020-08-04 | 深信服科技股份有限公司 | 一种结构化数据样本的增量方法、装置、电子设备及介质 |
| CN111562496A (zh) * | 2020-05-15 | 2020-08-21 | 北京天工智造科技有限公司 | 一种基于数据挖掘的电机运行状态判断方法 |
| US20220067752A1 (en) * | 2020-08-28 | 2022-03-03 | Anchain.ai Inc. | System and method for blockchain transaction risk management using machine learning |
| CN112418738A (zh) * | 2020-12-17 | 2021-02-26 | 泸州银行股份有限公司 | 一种基于逻辑回归的员工操作风险预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李可顺: "《金融数据风控：数据合规与应用逻辑》", 31 May 2023, 机械工业出版社, pages: 132 - 133 * |
| 马钲然 等: "基于主题模型的网络异常行为分类学习方法研究", 《计算机科学》, vol. 43, no. 09, 15 September 2016 (2016-09-15), pages 57 - 60 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118569453A (zh) * | 2024-08-01 | 2024-08-30 | 四川仕虹腾飞信息技术有限公司 | 一种银行网点理财销售过程中飞单的预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562304B2 (en) | Preventative diagnosis prediction and solution determination of future event using internet of things and artificial intelligence | |
| CN106095942B (zh) | 强变量提取方法及装置 | |
| CN113688169B (zh) | 基于大数据分析的矿山安全隐患辨识与预警系统 | |
| CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
| CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
| Ezzeldin et al. | Metaresearching structural engineering using text mining: Trend identifications and knowledge gap discoveries | |
| CN112348662B (zh) | 基于用户职业预测的风险评估方法、装置和电子设备 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| US20220318681A1 (en) | System and method for scalable, interactive, collaborative topic identification and tracking | |
| CN117196800A (zh) | 一种用于银行网点员工行为的数字化管理方法 | |
| CN116542800A (zh) | 基于云端ai技术的智能化财务报表分析系统 | |
| Luo et al. | Convolutional neural network algorithm–based novel automatic text classification framework for construction accident reports | |
| CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
| CN116737927A (zh) | 一种用于序列标注的引力场约束模型蒸馏方法、系统、电子设备和存储介质 | |
| Nashivochnikov et al. | The system for operational monitoring and analytics of industry cyber-physical systems security in fuel and energy domains based on anomaly detection and prediction methods | |
| CN112860652B (zh) | 作业状态预测方法、装置和电子设备 | |
| Li | Textual Data Mining for Financial Fraud Detection: A Deep Learning Approach | |
| Meng et al. | Classification of customer service tickets in power system based on character and word level semantic understanding | |
| Shan et al. | Software enterprise risk detection model based on BP neural network | |
| CN118569453B (zh) | 一种银行网点理财销售过程中飞单的预测方法及系统 | |
| CN118261749B (zh) | 一种基于实时动态模型的桥梁道路预测维护系统及方法 | |
| US12118019B1 (en) | Smart data signals for artificial intelligence based modeling | |
| CN117150245B (zh) | 一种企业智能诊断信息生成方法、装置、设备和存储介质 | |
| CN116720628B (zh) | 系统投产变更预测方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |