CN117437040A - 授信风险等级的更新方法、设备及存储介质 - Google Patents
授信风险等级的更新方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117437040A CN117437040A CN202311766444.1A CN202311766444A CN117437040A CN 117437040 A CN117437040 A CN 117437040A CN 202311766444 A CN202311766444 A CN 202311766444A CN 117437040 A CN117437040 A CN 117437040A
- Authority
- CN
- China
- Prior art keywords
- risk
- index
- determining
- client
- target
- 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 73
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001550 time effect Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了授信风险等级的更新方法、设备及存储介质，该方法包括：输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域；根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值；根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值；根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级。解决了授信风险等级不能实时更新的技术问题，可以实时更新授信风险等级并提升额度控制效果。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及授信风险等级的更新方法、设备及存储介质。
背景技术
授信风险等级是指银行或其他金融机构为客户核定的，能够承受的最高风险的等级。与风险等级对应的是授信额度，而授信额度取决于客户的信用状况、财务状况以及其他相关因素。当金融机构给予客户一定的授信额度后，客户就可以在这一额度内进行贷款申请、先服务后结算申请等活动。
在相关的对授信风险等级进行核定的方案中，一般是定额授信，对存量客户的公司背景信息、业务体量信息进行人为主观评估，并手动设定客户的授信风险等级。由于通过此类方案评定授信风险等级，完全依托人为手动维护，在服务过程中，不能自动更新客户的授信风险等级，客户也因此不能顺利开展业务。这导致授信风险等级不能实时更新从而丧失控制效果。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请提供一种授信风险等级的更新方法、设备及存储介质，旨在解决授信风险等级不能实时更新的问题。
为实现上述目的，本申请提供的一种授信风险等级的更新方法，所述授信风险等级的更新方法包括以下步骤：
输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域；
根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值；
根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值；
根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级。
可选地，所述根据所述子风险值和所述权重值确定所述目标客户对应风险值，并根据所述风险值更新所述目标客户的风险等级的步骤之后，还包括：
根据所述客户工单确定所述目标客户对应的累计收款值，以及累计支出值；
根据所述累计收款值和所述累计支出值，确定目标客户对应的利润等级；
根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度。
可选地，所述根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值的步骤之前，还包括：
确定所述风险指标对应的数据源；
基于预设埋点监听所述数据源的更新情况；
当监听到所述数据源发生更新时，获取所述客户账单和所述客户工单。
可选地，所述根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值的步骤包括：
于所述客户账单和所述客户工单中获取所述风险指标对应的实时数据；
当所述实时数据在预设时间范围内变化时，将所述实时数据对应的风险指数按预设规则增加和/或减少；
获取变化后的风险指数，并将所述风险指数确定为所述风险指标的子风险值。
可选地，所述根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度的步骤包括：
获取预设的矩阵模型；
根据所述利润等级确定横向坐标，根据所述风险等级确定纵向坐标；
根据所述横向坐标和所述纵向坐标确定所述矩阵模型中的目标区间；
获取所述目标区间对应的额度，并将所述额度确定为所述目标客户对应的授信额度。
可选地，所述根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度的步骤之后，还包括：
获取所述目标客户对应的历史授信额度；
当所述授信额度小于所述历史授信额度时，获取所述目标客户的待处理工单；
确定所述待处理工单对应的额度，并根据所述历史授信额度和所述授信额度的差值确定所述待处理工单对应的超额数量；
根据所述待处理工单确定对应的目标服务端，并将所述超额数量对应的暂停指令反馈至所述目标服务端。
可选地，所述根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度的步骤之后，还包括：
获取所有目标客户的授信额度，将所述授信额度与对应的目标客户关联并以预设优先级排序；
于所述序列中选取排序位置处于预设区间的目标客户并确定为第一类客户，其中，所述第一类客户至少为两个；
获取所述第一类客户对应的特征，当所述特征的关联度大于预设阈值时，将所述特征确定为目标特征；
根据所述目标特征构建可选风险指标并保存。
可选地，所述根据所述目标特征构建可选风险指标并保存的步骤之后，还包括：
输出所述指标管理界面，所述指标管理界面包括所述指标设置区域；
获取所述可选风险指标，并将所述可选风险指标展示在所述指标设置区域中；
响应于所述指标设置区域的操作动作，获取用户选择的可选风险指标，并将已选择的可选风险指标确定为风险指标。
此外，为实现上述目的，本申请还提供一种授信风险等级的更新设备，所述授信风险等级的更新设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的授信风险等级的更新程序，所述授信风险等级的更新程序被处理器执行实现如上所述的授信风险等级的更新方法的步骤。
此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质上存储有授信风险等级的更新程序，所述授信风险等级的更新程序被处理器执行实现如上所述的授信风险等级的更新方法的步骤。
本申请提供一种授信风险等级的更新方法、设备及存储介质，首先输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域，然后根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值，再根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值，最后根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级，以实时更新授信风险等级从而提升额度控制效果。
附图说明
图1为本申请授信风险等级的更新方法的第一实施例的流程示意图；
图2为本申请实施例方案涉及的指标管理界面的界面示意图；
图3为本申请授信风险等级的更新方法的第二实施例的流程示意图；
图4为本申请实施例方案涉及的利润计算流程图；
图5为本申请实施例方案涉及的矩阵模型图；
图6为本申请实施例方案涉及的风险回报矩阵图；
图7为本申请授信风险等级的更新方法的第三实施例的流程示意图；
图8为本申请实施例涉及的授信风险等级的更新设备的硬件运行环境的架构示意图；
本申请目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
本申请的授信风险等级的更新方法，首先输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域，然后根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值，再根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值，最后根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级。解决了授信风险等级不能实时更新的技术问题，从而可以实时更新授信风险等级并提升额度控制效果。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
实施例一
请参照图1，在第一实施例中，所述授信风险等级的更新方法包括以下步骤：
步骤S10：输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域。
在本实施例中，如图2所示，图2为本申请实施例方案涉及的指标管理界面的界面示意图，所述指标管理界面由后台服务端执行处理动作，其中，后台服务端可以设置于远程服务或者本地服务器中，当然也可以设置于终端设备中。在基于非终端本身进行处理的场景中，后台服务端可以将所述指标管理界面发送至所述终端设备上，并可供终端设备基于该渲染信息渲染并显示所述指标管理界面。在终端显示所述指标管理界面后，用户可以基于终端设备的输入装置，在所述指标管理界面上进行操作。
作为一种可选地实施方式，在设计所述指标管理界面时，可以采用B/S（Browser/Server，浏览器/服务器模式）结构的方式，将此配置界面的前后端分离，从而达到，前端只负责展示界面，后端负责接收并处理数据。其中，B/S结构是一种网络结构模式，WEB浏览器是客户端最主要的应用软件。这种模式统一了客户端，将系统功能实现的核心部分集中到服务器上，简化了系统的开发、维护和使用。客户机上只要安装一个浏览器，如Chrome（谷歌）、或IE（Internet Explorer，网页浏览器），服务器安装SQL Server（Microsoft SQLServer，关系型数据库）、MYSQL（关系型数据库管理系统）等数据库，浏览器可通过WebServer（网站服务器）同数据库进行数据交互。
步骤S20：根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值。
在本实施例中，在所述指标设置区域接收到触发动作之前，后台服务端还会根据客户的历史数据提炼指标，并将提炼的指标展示在所述指标设置区域中，管理员可以基于终端设备的输入装置，在所述指标设置区域中选择已提炼的指标，后台服务端根据响应的动作，把对应的输入装置触发的指标确定为所述风险指标，并将所述风险指标对应的渲染信息渲染至所述指标管理界面。
作为一种提炼指标的可选地实施方式，可以对提炼的数据进行离散化处理，即将连续的指标值转化为离散的分类标签或等级，具体可以采用区间划分法、聚类分析法、决策树法以及自然语言描述法。以使提炼的指标更容易理解和使用。
具体的，区间划分法是将连续的指标值划分为若干个区间，每个区间对应一个离散的等级或标签，例如，可以将考试分数划分为优秀、良好、及格和不及格等几个等级；聚类分析法是将连续的指标值通过聚类算法划分为若干个簇，每个簇对应一个离散的等级或标签，例如常用的聚类算法包括K-means、层次聚类等；决策树法是使用决策树算法对连续的指标进行分类，将不同的决策路径映射到不同的离散等级或标签。自然语言描述法是将连续的指标值转化为自然语言的描述。
作为一种可选地实施方式，在风险指标确认之后，所述指标管理界面中会展示对应的风险指标，管理员基于终端设备的输入装置在对应的风险指标的权重值设置区域输入权重值，后台服务端在接收的输入的数据之后，自动将所述权重值与对应的风险指标关联。
示例性的，假设根据客户的历史数据所提炼的指标有坏账金额、欠款金额、回款时效、下单频率、下单金额、客户地址以及业务类型等，管理员在该指标管理界面中选择已提炼的指标作为风险指标。以坏账金额、欠款金额、回款时效、下单频率、下单金额为风险指标，则每个风险指标对应需要设置一个权重值，以便于后续后台服务端自动计算风险指标对应的风险值。
步骤S30：根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值。
在本实施例中，确定所述风险指标的子风险值之前，需要对所述风险指标对应的字段进行数据监听，并于所述风险指标中埋点，其中，所述数据监听用于及时发现所述风险指标对应的字段值发生变化时，通过埋点获取对应变化的数据。
其中，所述子风险值有预设的计算方法，即根据所述客户账单和所述客户工单的变化数额，按照预设比重确定所述风险指标对应的子风险值，可以理解的是，所述子风险值可以为负数，这种情况对应的是当客户的工单数量较之前有大幅度的降低，则对应的子风险值会为负数。
可选地，在本实施例中，所述步骤S30包括：
于所述客户账单和所述客户工单中获取所述风险指标对应的实时数据；
当所述实时数据在预设时间范围内变化时，将所述实时数据对应的风险指数按预设规则增加和/或减少；
获取变化后的风险指数，并将所述风险指数确定为所述风险指标的子风险值。
具体的，所述风险指数是根据所述客户账单和所述客户工单变化而变化的，其中，所述风险指数可以为负数，所述风险指数为负数的情况是所述客户账单中的数据对应的风险降低，导致所述风险指数为负数。
示例性的，所述风险指数即为本实施例中所述的子风险值。以回款时效、下单频率、下单均价、坏账金额、欠款金额以及额度使用频率为例，回款时效的子风险值的确认方式为，当获取的客户账单数据中，有3笔应收账款触发逾期风险，则该风险指标的子风险值为3，如果这3笔账款全额回款，则对应的子风险值为-3。下单频率的子风险值的确认方式为，统计7天中客户下单频率，并与上一个7天下单频率进行比较，当增长率大于0时，子风险值为-1，反之当增长率小于0时，对应的子风险值为1。下单均价指标的子风险值的确认方式为，统计七天内客户下单的均价，并与上一个七天下单均价比较，若增长率为负数，则子风险值为1，反之若增长率为正数，则对应的子风险值为-1。坏账金额指标的子风险值的确定方式为，统计客户7天的坏账金额，并与上个七天统计的坏账金额比较，若增长率为正数，则子风险值为1，反之则为-1。欠款金额指标的子风险值的确认方式为，统计客户7天的欠款金额，与之前7天的欠款金额比较，若增长率为正数，子风险值为1，反之则为-1。额度使用频率指标的子风险值的确认方式为，确定占用额度的工单数量，并以此数量作为子风险值，或者确定已结算的工单数量，并将结算的工单数量的负数作为子风险值。
具体的，数据监听是一种数据采集的方式，它通过在业务系统中嵌入数据采集的代码，监听业务系统的数据变化，并将数据采集到指定的位置，可以用于实时数据采集、离线数据采集和日志采集等多种场景。埋点是在需要采集数据的“操作节点”将数据采集的程序代码附加在功能程序代码中，对操作节点上用户行为或事件进行捕获、处理和发送相关数据及其实施过程。
作为一种可选地实施方式，可以通过网络爬虫爬取所述风险指标对应数据变动值，从而对获取到的数据进行处理。由于通过网络爬虫采集数据速度快，且采集的数据可以直接存储到数据库中，或者进行清洗和整理后用于进一步的数据分析。因此采用此方式可以加快数据的获取速率。
具体的，网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，可以从互联网上下载网页、图片、视频等内容，并抽取其中的有用信息进行处理。
可选地，在本实施例中，所述步骤S30之前，还包括：
确定所述风险指标对应的数据源；基于预设埋点监听所述数据源的更新情况；当监听到所述数据源发生更新时，获取所述客户账单和所述客户工单。
具体的，所述数据源是系统中绑定客户的数据源，即客户对应的数据会发生变化，在对应的字段中预设埋点并监听。当所述数据发生改变时，会自动触发采集数据的指令，该指令会将采集的数据反馈至后台服务端，并使管理人员可以根据此数据执行对应的处理操作。
示例性的，假设被监听的字段为客户账单中的回款状态、坏账金额以及欠款金额和客户工单中的工单数量和工单金额，以回款状态和工单数量为例，该回款状态可以是已回款和未回款，当该回款状态发生变化时，比如由未回款变为已回款时，会触发数据监听中的指令，从而将回款状态对应的数据采集并反馈至后台服务端。
步骤S40：根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级。
在本实施例中，所述风险等级包括但不限于低风险、中风险以及高风险。在所述根据所述风险值更新所述目标客户的风险等级的步骤之前，还需要确认风险值与风险等级的关系，或者，确定可以用于匹配的模型。
作为一种可选地实施方式，确定风险等级的方法，可以是所述风险等级关联有风险值区间，通过确定所述风险值所在的风险值区间，从而确定对应的风险等级。
示例性的，假设目标客户的风险指标包括回款时效、坏账金额、欠款金额、行为风险。回款时效风险指标的风险值计算方式为，统计客户回款逾期账款数量，回款时效风险指标的风险值=【逾期账款条数*（+权重值）】+【逾期回款账款条数*（-权重值）】；坏账金额风险值的计算方式为，统计一定周期内客户坏账金额总和，并计算同比上一周期的坏账金额总和，再计算坏账金额增长率，若增长率为正数则按权重值递增，反之递减，即（∑本周累计坏账金额-∑上周累计坏账金额）为正数，则风险值=（-权重值），或者（∑本周累计坏账金额-∑上周累计坏账金额）为负数，则风险值=（+权重值）；行为风险指标包括下单频率和下单金额指标，统计客户一定周期内的行为数据（下单频率、下单金额）并计算同比上一周期的行为数据的增长率，若增长率为正数则按权重值递减风险指数、若增长率为负数则按权重值递增风险指数，即（∑本周累计下单金额-∑上周累计下单金额）为正数时，风险值=（+权重值），反之风险值=（-权重值），（∑本周累计下单数量-∑上周累计下单数量）为正数时，风险值=（+权重值）反之风险值=（-权重值）。最后目标客户的风险值即为综合客户各项风险指标数据动态求和计算得出，目标客户的风险值=∑客户各项风险指标的风险值。
在本实施例提供的技术方案中，通过在指标管理界面中的数据确定风险指标，可以对客户的风险等级进行评估。通过设置对应的权重值，可以提高评估的准确性。通过在数据字段中埋点和监听，并实时获取客户账单和客户工单，可以实时获取到已更新的数据。通过子风险值和权重值确定风险值，从而更新目标客户的风险等级，以实时更新授信风险等级并提升额度控制效果。
实施例二
请参照图3，在第二实施例中，所述步骤S40之后，还包括以下步骤：
步骤S50：根据所述客户工单和所述客户账单确定所述目标客户对应的累计收款值，以及累计支出值。
步骤S60：根据所述累计收款值和所述累计支出值，确定目标客户对应的利润等级。
在本实施例中，所述客户工单包含工单完成数量，所述客户账单包含工单对应的收款值和支出值，通过工单完成数量和收款值可以确定所述累计收款值，并通过所述支出值和所述工单完成数量可以确定所述累计支出值，从而确定对应的利润值和利润率。
作为一种可选地实施方式，确认利润值和利润率的方式，可以构建一个映射函数关系图，通过所述累计收款值和所述累计支出值为条件，从而可以快速计算出对应的利润值和利润率。
示例性的，如图4所示，图4为本申请实施例方案所涉及的利润计算流程图。根据图4可知，客户工单支出值确认流程，需要先创建工单的数额，并对完成的工单作业数量进行审核，从而根据工单支出值=工单作业数量*工单成本单价自动计算生成工单支出流水。工单的累计收款值的计算方式为，通过已结算的工单，并创建对应收入账单，从而确认收入账单中的累计收款值。最后，统计客户历史所有项目的累计工单成本和累计收款金额，并计算客户累计收款值和累计支出值，并通过毛利额=∑累计收款-∑累计工单支出和毛利率=毛利额/∑累计收款确定对应的利润值和利润率。
步骤S70：根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度。
在本实施例中，所述授信额度可以是一个具体的数值，可以理解的是，所述授信额度可以限制客户在对应的场景中，使用所述授信额度提前使用服务，并且无需支付对应的账款，当客户的所述授信额度使用完之后，对应的服务也会随之关闭。
作为一种可选地实施方式，所述确认目标客户对应的授信额度的方法，通过构建模型，该模型包括所述利润等级和所述风险等级，并以所述利润等级和所述风险等级为判断条件，从而确定所述目标客户对应的授信额度所匹配的区间，进而确定授信额度。
可选地，在本实施例中，所述步骤S70包括：
获取预设的矩阵模型；根据所述利润等级确定横向坐标，根据所述风险等级确定纵向坐标；根据所述横向坐标和所述纵向坐标确定所述矩阵模型中的目标区间；获取所述目标区间对应的额度，并将所述额度确定为所述目标客户对应的授信额度。
具体的，所述目标区间可以为一个额度比率，通过所述目标客户的风险值和所述额度比率，可以计算得出授信额度。可以理解的是，所述目标区间也可以是具体的额度值，通过确认坐标从而可以直接得出授信额度。
示例性的，如图5和图6所示，图5为本申请实施例方案涉及的矩阵模型图，图6为本申请实施例涉及的风险回报矩阵，应当理解的是，本实施例中所述的预设矩阵模型为图6中所述的风险回报矩阵图，图5为本申请设计所述风险回报矩阵的模型。如图5所示，在设计该模型时，先设定风险指数分层模型，以高风险、中风险、低风险设定风险指数区间，然后设定客户利润指数分层模型，以高毛利、正常毛利、低毛利设定利润指数区间，并根据上述集成风险指数分层模型和利润指数分层模型构建风险回报矩阵，并预设不同风险指数区间对应的不同利润指数区间的客户授信系数值。
示例性的，如图6所示，图6为上述通过图5设计完成的风险回报矩阵。每个风险指数区间，即风险值区间对应有授信额度区间，通过动态计算客户实时风险指数、和客户实时毛利，并代入风险回报矩阵读取矩阵中对应风险区间和对应利润区间的授信系数。最后客户最新授信额度=客户实时毛利*对应矩阵授信系数。
进一步地，在本实施例中，所述步骤S70之后，还包括：
获取所述目标客户对应的历史授信额度；当所述授信额度小于所述历史授信额度时，获取所述目标客户的待处理工单；确定所述待处理工单对应的额度，并根据所述历史授信额度和所述授信额度的差值确定所述待处理工单对应的超额数量；根据所述待处理工单确定对应的目标服务端，并将所述超额数量对应的暂停指令反馈至所述目标服务端。
具体的，所述历史授信额度为目标客户未更新授信额度之前的额度。所述历史授信额度保存在数据库中，在需要更新目标客户的授信额度时，自动获取对应的历史授信额度，并将所述历史授信额度与所述授信额度对比。可以理解的是，当所述授信额度大于历史授信额度时，则无需执行上述步骤，直接更新所述历史授信额度。
此外，所述目标服务端为正在处理所述待处理工单的工作人员对应的终端，或者后天服务端。将所述暂停指令发送至所述目标服务端，以使所述目标服务端暂时停止对目标客户超出额度的工单继续服务。
示例性的，假设目标客户的历史授信额度为10000，而通过获取实时数据确认目标客户当前的授信额度为9000，由于当前授信额度小于历史授信额度，并且差值为1000。如果目标客户当前有200笔待处理工单数，对应需要付款值为2000，则通过计算可知如果全部通过，则会超出1000的额度，因此需要通知对应的工作人员将剩下的100笔待处理工单暂停，并通知目标客户其额度不够，需要支付对应账款。
在本实施例提供的技术方案中，通过确定累计收款值和所述累计支出值，从而确定授信额度，可以实时更新授信额度。通过预设矩阵模型确认授信额度的系数，可以提高评估授信额度的效率。通过计算历史授信额度和当前额度差值，可以防止额度不够的客户超额使用，以提升额度控制效果。
实施例三
请参照图7，在第三实施例中，所述步骤S70之后，还包括以下步骤：
步骤S80：获取所有目标客户的授信额度，将所述授信额度与对应的目标客户关联并以预设优先级排序。
在本实施例中，所述预设优先级可以是根据授信额度的大小所设定的，可以根据授信额度挑选其中授信额度高和授信额度低的目标客户，并进行后续操作。
此外，还可以根据客户类型来设置优先级，以使客户类型相同的目标客户可以在同一集合，以使后台服务人员可以直观的了解到该类型的客户所对应的授信额度。
步骤S90：于所述序列中选取排序位置处于预设区间的目标客户并确定为第一类客户，其中，所述第一类客户至少为两个。
在本实施例中，当优先级为授信额度高低排序目标客户的位置，则处于预设区间的目标客户为授信额度比较接近的客户。所述第一类客户即为授信额度相同的客户。
示例性的，假设以授信额度的高低为排序的优先级，获取了5个目标客户的授信额度分别为20万、20万、40万、20万、10万，则根据优先排序的序列为40万、20万、20万、20万、10万。管理人员可以比较清楚的查看到授信额度为20万的客户是哪些，并根据这些客户的客户信息执行下一步的处理动作。
步骤S100：获取所述第一类客户对应的特征，当所述特征的关联度大于预设阈值时，将所述特征确定为目标特征；根据所述目标特征构建可选风险指标并保存。
在本实施例中，所述第一类客户可以是授信额度相当的客户，通过获取这类客户的客户信息，并在所述客户信息中通过基于深度学习的方法判断所述特征的关联度。
其中，采用所述基于深度学习的方法具体可以是使用词向量（word vectors）或BERT这样的预训练语言模型，通过比较两个文本字段的语义相似性，来判断它们的语义是否匹配。
作为一种可选地实施方式，还可以使用知识图谱嵌入方法，将每个字段值作为节点，通过比较它们在知识图谱中的相似度，来判断它们的语义是否匹配。
示例性的，假设第一类客户中有四个客户分别为客户a、客户b以及客户c，客户a的特征有研发企业、知名品牌、外包以及大型企业，客户b的特征有产品好评率高、中小型企业、服装贸易企业，客户c的特征有产品口碑较好、高科技企业以及直营，通过预训练语言模型对客户a、b、c的特征提取语义，并判断语义的相似度，当语义相似度达到预设的值时，提取其中语义相似的特征，即为：知名品牌、产品好评率高、产品口碑较好。并根据这些特征进行提炼，从而得到产品评价指标，可知授信额度跟产品评价的关联度较高，因此可以将产品评价指标作为一个可选的风险指标并保存在数据库中，供管理员选择。
进一步地，在本实施例中，所述步骤S100之后，还包括：
输出所述指标管理界面，所述指标管理界面包括所述指标设置区域；获取所述可选风险指标，并将所述可选风险指标展示在所述指标设置区域中；响应于所述指标设置区域的操作动作，获取用户选择的可选风险指标，并将已选择的可选风险指标确定为风险指标。
具体的，在所述选取可选风险指标之前，系统已经根据各客户的授信额度提取相应的特征，并根据特征提炼出可选风险指标。因此管理员只需要通过连接设备的输入装置，在所述指标管理界面的所述指标设置区域中触发对应的可选风险指标，后台服务端根据接收到的触发动作，自动将触发的可选风险指标展示到所述指标管理界面中，并确定为风险指标。
在本实施例提供的技术方案中，通过预设优先级将关联的目标客户和授信额度排序，可以方便管理员直观的查看同一区间授信额度的客户类型。通过提取同一区间客户的特征，并提炼可选风险指标，可以提高授信额度评定的准确率，并提升额度控制效果。
由于本申请实施例所介绍的系统，为实施本申请实施例的方法所采用的系统，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该系统的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的系统都属于本申请所欲保护的范围。
作为一种实施方案，图8为本申请实施例方案涉及的授信风险等级的更新设备的硬件运行环境的架构示意图。
如图8所示，该授信风险等级的更新设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002，网络接口1003，存储器1004。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1003可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1004可以是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图8中示出的结构并不构成对授信风险等级的更新设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图8所示，作为一种存储介质的存储器1004中可以包括操作系统、网络通信模块以及授信风险等级的更新程序。其中，操作系统是管理和控制授信风险等级的更新设备的硬件和软件资源的程序，授信风险等级的更新程序以及其他软件或程序的运行。
在图8所示的设备中，网络接口1003主要用于连接终端，与终端进行数据通信；处理器1001可以用于调用存储器1004存储的授信风险等级的更新程序。
在本实施例中，授信风险等级的更新设备包括：存储器1004、处理器1001及存储在所述存储器上并可在所述处理器上运行的授信风险等级的更新程序，其中：
处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域；
根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值；
根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值；
根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
根据所述客户工单确定所述目标客户对应的累计收款值，以及累计支出值；
根据所述累计收款值和所述累计支出值，确定目标客户对应的利润等级；
根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
确定所述风险指标对应的数据源；
基于预设埋点监听所述数据源的更新情况；
当监听到所述数据源发生更新时，获取所述客户账单和所述客户工单。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
于所述客户账单和所述客户工单中获取所述风险指标对应的实时数据；
当所述实时数据在预设时间范围内变化时，将所述实时数据对应的风险指数按预设规则增加和/或减少；
获取变化后的风险指数，并将所述风险指数确定为所述风险指标的子风险值。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
获取预设的矩阵模型；
根据所述利润等级确定横向坐标，根据所述风险等级确定纵向坐标；
根据所述横向坐标和所述纵向坐标确定所述矩阵模型中的目标区间；
获取所述目标区间对应的额度，并将所述额度确定为所述目标客户对应的授信额度。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
获取所述目标客户对应的历史授信额度；
当所述授信额度小于所述历史授信额度时，获取所述目标客户的待处理工单；
确定所述待处理工单对应的额度，并根据所述历史授信额度和所述授信额度的差值确定所述待处理工单对应的超额数量；
根据所述待处理工单确定对应的目标服务端，并将所述超额数量对应的暂停指令反馈至所述目标服务端。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
获取所有目标客户的授信额度，将所述授信额度与对应的目标客户关联并以预设优先级排序；
于所述序列中选取排序位置处于预设区间的目标客户并确定为第一类客户，其中，所述第一类客户至少为两个；
获取所述第一类客户对应的特征，当所述特征的关联度大于预设阈值时，将所述特征确定为目标特征；
根据所述目标特征构建可选风险指标并保存。
在一实施例中，处理器1001调用存储器1004中存储的授信风险等级的更新程序时，执行以下操作：
输出所述指标管理界面，所述指标管理界面包括所述指标设置区域；
获取所述可选风险指标，并将所述可选风险指标展示在所述指标设置区域中；
响应于所述指标设置区域的操作动作，获取用户选择的可选风险指标，并将已选择的可选风险指标确定为风险指标。
此外，本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可以存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被设备中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供一种存储介质，所述存储介质存储有授信风险等级的更新程序，所述授信风险等级的更新程序被处理器执行时实现如上实施例所述的授信风险等级的更新方法的各个步骤。
其中，所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的存储介质。
需要说明的是，由于本申请实施例提供的存储介质，为实施本申请实施例的方法所采用的存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的存储介质都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种授信风险等级的更新方法，其特征在于，所述授信风险等级的更新方法包括以下步骤：
输出指标管理界面，所述指标管理界面包括指标设置区域和指标权重值设置区域；
根据所述指标设置区域接收到的触发动作，确定风险指标，以及根据所述权重值设置区域接收到的触发动作，确定所述风险指标对应的权重值；
根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值；
根据所述子风险值和所述权重值确定所述目标客户对应的风险值，并根据所述风险值更新所述目标客户的风险等级。
2.如权利要求1所述的授信风险等级的更新方法，其特征在于，所述根据所述子风险值和所述权重值确定所述目标客户对应风险值，并根据所述风险值更新所述目标客户的风险等级的步骤之后，还包括：
根据所述客户工单和所述客户账单确定所述目标客户对应的累计收款值，以及累计支出值；
根据所述累计收款值和所述累计支出值，确定目标客户对应的利润等级；
根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度。
3.如权利要求1所述的授信风险等级的更新方法，其特征在于，所述根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值的步骤之前，还包括：
确定所述风险指标对应的数据源；
基于预设埋点监听所述数据源的更新情况；
当监听到所述数据源发生更新时，获取所述客户账单和所述客户工单。
4.如权利要求1所述的授信风险等级的更新方法，其特征在于，所述根据当前获取的客户账单和客户工单，确定目标客户对应的所述风险指标的子风险值的步骤包括：
于所述客户账单和所述客户工单中获取所述风险指标对应的实时数据；
当所述实时数据在预设时间范围内变化时，将所述实时数据对应的风险指数按预设规则增加和/或减少；
获取变化后的风险指数，并将所述风险指数确定为所述风险指标的子风险值。
5.如权利要求2所述的授信风险等级的更新方法，其特征在于，所述根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度的步骤包括：
获取预设的矩阵模型；
根据所述利润等级确定横向坐标，根据所述风险等级确定纵向坐标；
根据所述横向坐标和所述纵向坐标确定所述矩阵模型中的目标区间；
获取所述目标区间对应的额度，并将所述额度确定为所述目标客户对应的授信额度。
6.如权利要求2所述的授信风险等级的更新方法，其特征在于，所述根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度的步骤之后，还包括：
获取所述目标客户对应的历史授信额度；
当所述授信额度小于所述历史授信额度时，获取所述目标客户的待处理工单；
确定所述待处理工单对应的额度，并根据所述历史授信额度和所述授信额度的差值确定所述待处理工单对应的超额数量；
根据所述待处理工单确定对应的目标服务端，并将所述超额数量对应的暂停指令反馈至所述目标服务端。
7.如权利要求2所述的授信风险等级的更新方法，其特征在于，所述根据所述利润等级和所述风险等级，确定所述目标客户对应的授信额度的步骤之后，还包括：
获取所有目标客户的授信额度，将所述授信额度与对应的目标客户关联并以预设优先级排序；
于序列中选取排序位置处于预设区间的目标客户并确定为第一类客户，其中，所述第一类客户至少为两个；
获取所述第一类客户对应的特征，当所述特征的关联度大于预设阈值时，将所述特征确定为目标特征；
根据所述目标特征构建可选风险指标并保存。
8.如权利要求7所述的授信风险等级的更新方法，其特征在于，所述根据所述目标特征构建可选风险指标并保存的步骤之后，还包括：
输出所述指标管理界面，所述指标管理界面包括所述指标设置区域；
获取所述可选风险指标，并将所述可选风险指标展示在所述指标设置区域中；
响应于所述指标设置区域的操作动作，获取用户选择的可选风险指标，并将已选择的可选风险指标确定为风险指标。
9.一种授信风险等级的更新设备，其特征在于，所述授信风险等级的更新设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的授信风险等级的更新程序，所述授信风险等级的更新程序被处理器执行实现如权利要求1至8任一项所述的授信风险等级的更新方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有授信风险等级的更新程序，所述授信风险等级的更新程序被处理器执行实现如权利要求1至8任一项所述的授信风险等级的更新方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311766444.1A CN117437040A (zh) | 2023-12-21 | 2023-12-21 | 授信风险等级的更新方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311766444.1A CN117437040A (zh) | 2023-12-21 | 2023-12-21 | 授信风险等级的更新方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117437040A true CN117437040A (zh) | 2024-01-23 |
Family
ID=89546546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311766444.1A Pending CN117437040A (zh) | 2023-12-21 | 2023-12-21 | 授信风险等级的更新方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437040A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
| CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技（深圳）有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
| CN109784779A (zh) * | 2019-03-04 | 2019-05-21 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
| CN112561691A (zh) * | 2020-12-24 | 2021-03-26 | 中国农业银行股份有限公司 | 一种客户授信预测方法、装置、设备及存储介质 |
| CN114118793A (zh) * | 2021-11-25 | 2022-03-01 | 建信金融科技有限责任公司 | 一种地方交易所风险预警方法、装置及设备 |
| CN114118062A (zh) * | 2021-12-15 | 2022-03-01 | 广州小鹏汽车科技有限公司 | 客户特征提取方法、装置、电子设备及存储介质 |
| CN116843452A (zh) * | 2023-07-06 | 2023-10-03 | 中国工商银行股份有限公司 | 风险监管方法、装置、设备、介质和程序产品 |
-
2023
- 2023-12-21 CN CN202311766444.1A patent/CN117437040A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
| CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技（深圳）有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
| CN109784779A (zh) * | 2019-03-04 | 2019-05-21 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
| CN112561691A (zh) * | 2020-12-24 | 2021-03-26 | 中国农业银行股份有限公司 | 一种客户授信预测方法、装置、设备及存储介质 |
| CN114118793A (zh) * | 2021-11-25 | 2022-03-01 | 建信金融科技有限责任公司 | 一种地方交易所风险预警方法、装置及设备 |
| CN114118062A (zh) * | 2021-12-15 | 2022-03-01 | 广州小鹏汽车科技有限公司 | 客户特征提取方法、装置、电子设备及存储介质 |
| CN116843452A (zh) * | 2023-07-06 | 2023-10-03 | 中国工商银行股份有限公司 | 风险监管方法、装置、设备、介质和程序产品 |
Non-Patent Citations (1)
| Title |
|---|
| 梁磊 等: "基于GIS的动态指标管理在管道风险评价中的应用", 油气储运, vol. 31, no. 1, 31 January 2012 (2012-01-31), pages 13 - 16 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
| CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
| CN109522556A (zh) | 一种意图识别方法及装置 | |
| CN108346036A (zh) | 保险保单集中核单方法、电子装置及可读存储介质 | |
| CN112926699A (zh) | 异常对象识别方法、装置、设备及存储介质 | |
| US20080126155A1 (en) | Method and apparatus for enterprise operation assessment | |
| CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
| CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
| CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
| WO2015084853A1 (en) | Systems and methods for financial asset analysis | |
| CN112634048A (zh) | 一种反洗钱模型的训练方法及装置 | |
| CN102117464A (zh) | 具有动态层级的营销投资优化器 | |
| CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
| CN111339389A (zh) | 一种识别网店转让的预警方法及系统 | |
| CN111242779A (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
| CN117437040A (zh) | 授信风险等级的更新方法、设备及存储介质 | |
| CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 | |
| CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
| CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
| CN112232945B (zh) | 一种确定个人客户授信的方法及装置 | |
| CN115170195A (zh) | 信息处理方法和装置、电子设备、计算机可读介质 | |
| CN114092057A (zh) | 一种项目模型的构建方法、装置、终端设备和存储介质 | |
| US20220036460A1 (en) | Systems and Methods for Asset Analysis | |
| CN114529402A (zh) | 一种基于大数据风控的信贷管理方法、设备及介质 | |
| CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 |
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 |