CN117495174A - 一种评分卡模型的前台数据监控方法及系统 - Google Patents
一种评分卡模型的前台数据监控方法及系统 Download PDFInfo
- Publication number
- CN117495174A CN117495174A CN202311459908.4A CN202311459908A CN117495174A CN 117495174 A CN117495174 A CN 117495174A CN 202311459908 A CN202311459908 A CN 202311459908A CN 117495174 A CN117495174 A CN 117495174A
- Authority
- CN
- China
- Prior art keywords
- data
- score
- data source
- scoring
- sub
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012800 visualization Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013079 data visualisation Methods 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000009825 accumulation Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 238000012550 audit Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008520 organization Effects 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种评分卡模型的前台数据监控方法及系统，方法包括：数据源模块采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；对采集的数据源子分中的特殊子分进行映射处理；计算数据源子分的三大维度指标；评分卡模型上线根据三大维度指标对数据源分子实时监控；使用数据分析与可视化工具对三大维度指标进行可视化处理；筛选器监控各个第三方数据平台的数据源子分变化，精准定位数据生产故障。系统，包括：数据源模块、数据预处理模块、三大维度指标计算模块、可视化模块和精准定位模块。本发明可以区分不同的细分和数据版本对第三方数据调用的技术指标，并进行全方位、多角度和跨时间的监控。
Description
技术领域
本发明涉及数据信息监控技术领域，特别涉及一种评分卡模型的前台数据监控方法及系统。
背景技术
随着社会各个行业对大数据的认识不断加深，大数据的战略意义及重要性也在不断的展现，而战略的完成度则大大的依赖于产品的稳定性。随着产品的多元化逐渐体现，传统的数据库监控将无法及时发现系统运行过程中潜在的问题，容易造成数据库数据丢失，给企业带来影响，而且数据复杂和多元增加了运维人员的工作，导致监控不全面，效率低下等问题。
评分卡模型是常用的金融风控手段之一，根据客户的各种属性和行为数据，利用信用评分模型，对客户的信用进行评分，从而决定是否给予授信，授信的额度和利率，减少在金融交易中存在的交易风险；按照不同的业务阶段，评分卡模型可以划分为三种：1、贷前：申请评分卡(Application score card)，称为A卡；2、贷中：行为评分卡(Behaviorscore card)，称为B卡；3、贷后：催收评分卡(Collection score card)，称为C卡。
现有技术一，CN202011617815.6基于多评分卡融合的目标对象评价方法及其相关设备，方法包括：根据目标对象的历史数据包含的特征变量的分布状态进行数据清洗，之后进行特征变量筛选得到原始特征变量集；对原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；基于各目标特征变量集构建多个目标LR模型并生成模型精度值；基于各目标LR模型生成多个评分卡模型，根据各评分卡模型及其对应的模型精度值进行评分卡融合，得到目标评分卡模型，基于目标评分卡模型可输出目标评分值。此外，还涉及区块链技术，被确定为私密信息的数据可存储于区块链中；可以降低特征变量偏移带来的模型风险，提升模型稳定性的同时保证模型精度。
现有技术二，CN201911349514.7信息处理方法、装置、计算机设备和存储介质，方法包括：接收业务终端发送的理赔信息，所述理赔信息携带有险种标识；获取与所述险种标识对应的评分卡模型，所述评分卡模型是根据历史理赔信息集合训练生成的；将所述理赔信息输入所述评分卡模型，得到理赔评分；接收审核终端根据所述理赔信息生成的审核评分；根据所述理赔评分和所述审核评分生成评价值，并将所述评价值发送给所述审核终端，其中，所述评价值用于反映所述评分卡模型的性能。能够针对模型质量进行监控、预警。
现有技术三，CN202110687760.4交易风险识别方法、装置及计算机存储介质，用于提高交易风险的识别和评估效率以及提高风险识别评估结果的准确性。实施例包括：交易风险识别装置获取交易风险评分卡模型以及融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，将目标特征数据输入至交易风险评分卡模型，得到交易风险评分卡模型输出的目标特征数据的评分，根据目标特征数据的评分计算得到融资请求方的交易风险评分，因此，交易风险的识别和评估不再需要依靠人工进行实地的现场调查，可以提高交易风险识别评估的工作效率，同时也避免了交易风险评估掺杂人为的主观因素，可以提高交易风险识别评估结果的准确性。
目前现有技术一、现有技术二和现有技术三缺乏相关的数据可视化监控系统，容易造成数据丢失，容易泄露企业商业秘密，造成损失；由于数据的复杂性和多元性增加了运维人员的工作强度，导致数据监控不全面，效率低下等问题，因而，本发明采用评分卡模型的前台数据监控方法，将相关业务数据导入可视化，通过不同的指标和数据得出相应的结果，从而在可控的时间范围内，超前的找出问题并解决问题。
发明内容
为了解决上述技术问题，本发明提供了一种评分卡模型的前台数据监控方法，包括：
数据源模块采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；对采集的数据源子分中的特殊子分进行映射处理；
计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标；评分卡模型上线根据三大维度指标对数据源分子实时监控；
使用数据分析与可视化工具对三大维度指标进行可视化处理；筛选器监控各个第三方数据平台的数据源子分变化，精准定位数据生产故障。
可选的，特殊子分包含除正常打分以外的特殊情况，包括打分超时和/或客群未击中，将所有特殊情况填充为指定数值。
可选的，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控。
可选的，三大维度指标的计算时间颗粒度细化到每天、每周和每月，具体包括：
评分均分：不包含数据源子分中的特殊子分，该评分均分为正常打分的数据源子分的均值；
评分分位点：不包含数据源子分中的特殊子分，该评分分位点包含正常打分的数据源子分的最小值、5％分位点、10％分位点、25％分位点、50％分位点、75％分位点、90％分位点和最大值，该评分分位点计算公式为：
其中，P为分位点分数，n为分位点分数按值排序的位置，N为数据集中分数个数；
评分累积分布：计算各个数据源子分，有效调用的数据源子分的概率分布，有效调用的数据源子分的定义为score≥100，有效调用的数据源子分的概率分布的计算公式为：
running_sum(sum(count[score≥100]))/total(sum(count[score≥100]))
其中，running-sum表示有效调用的数据源子分的数量，sum表示对有效调用的数据源子分score≥100的条件表达式的函数，count为条件表达式，total为调用的数据源子分的总量。
可选的，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题。
可选的，可视化处理，具体包括四部分：
第一部分，可视化图例；采用可视化监控的筛选器，筛选器分五大类，分别为产品版本、评分版本、机构名称、标签和具体时间，筛选器下方的柱状图为每个产品在筛选机构上的打分率，柱状图总共使用两个色号，右侧框有标注说明；
第二部分，可视化报表；
第三部分，通过调节筛选器以精准监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的评分累积分布，月度的评分累计分布以线型图的形式呈现，不同色号代表不同的月份；
第四部分，产品各评分分位点随月份的变化，框为分位点的具体信息，。
可选的，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障；
精准定位数据生产故障，通过每个月评分累积分布的重合程度，精准的监控到哪个月的评分卡模型打分异常。
可选的，通过虚拟现实对可视化处理结果查看，对可视化处理中的双目图像的渲染，先通过平移然后分别向左右视点进行投影，即先移动可视化处理结果的三维模型至左右视点的坐标系下，然后通过左投影矩阵和右投影矩阵投影后得到双目图像，具体包括：
平移时，设双目的左右视点的中心为原点，且左视点和右视点的距离为d，则平移矩阵为：
其中，Mltrans为左视点的平移矩阵，Mrtras为右视点的平移矩阵；
在进行透视投影时，定义一个视锥体，其投影的矩阵Mprojection为：
其中N为虚拟现实的设备与视锥体的近裁剪面的距离，F为虚拟现实的设备与视锥体的远裁剪面的距离，top为视锥体的近裁剪面的顶端，bootom为视锥体的近裁剪面的底端，right为视锥体的近裁剪面的右端，left为视锥体的近裁剪面的左端；
设定左投影矩阵定义的视锥体的left为lL，right为rL，则左投影矩阵Mlproj为：
设定右投影矩阵定义的视锥体的left为lR，right为rR，则右投影矩阵Mrproj为：
利用左投影矩阵和右投影矩阵对可视化处理结果的三维模型分别进行投影，最终得到左眼和右眼的图像。
本发明提供的评分卡模型的前台数据监控系统，包括：
数据源模块，将采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；
数据预处理模块，对采集的数据源子分中的特殊子分进行映射处理；
三大维度指标计算模块，计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标，评分卡模型上线根据三大维度指标计算模块计算的三大维度指标对数据源分子进行实时监控；
可视化模块，使用数据分析与可视化工具对三大维度指标进行可视化处理，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题；
精准定位模块，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障。
可选的，可视化模块包含通过虚拟现实对可视化处理结果查看的虚拟现实设备，具体包括：
输出显示设备，负责显示可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化；包含视觉显示器和触觉显示器，触觉显示器为数据手套、力反馈鼠标或力反馈操纵杆；
输入设备，负责将可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的显示结果输出至输出显示设备进行显示。
由于金融机构的决策依赖于外采的第三方数据信息，若该第三方数据信息发生生产故障则对调用机构的实时决策产生影响，因此洞察数据源返回信息的差异和变化对于业务发展至关重要。本发明采用评分卡模型的前台数据监控技术手段，通过对第三方数据信息的各维度实时监控，可以区分不同的细分和数据版本对第三方数据调用的技术指标，并进行全方位、多角度和跨时间的监控，得以及时了解数据源生产调用的变化，保障各条业务线正常且稳定的运行，最终能在可控的时间范围内，发现数据生产故障并采取相应措施，保障评分卡模型得以在各个客户机构上正常且稳定的运行，并且能极大的提高管理人员的监控效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中评分卡模型的前台数据监控方法的流程图；
图2为本发明实施例4中可视化图例的示意图；
图3为本发明实施例4中可视化报表的示意图；
图4为本发明实施例4中评分累积分布的示意图；
图5为本发明实施例4中各评分分位点随月份的变化的示意图；
图6为本发明实施例5中精准定位数据的示意图；
图7为本发明实施例中评分卡模型的前台数据监控的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
实施例1
如图1所示，本发明实施例提供了一种评分卡模型的前台数据监控方法，包括以下步骤：
S100：数据源模块采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；
S200：对采集的数据源子分中的特殊子分进行映射处理；
S300：计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控；
S400：使用数据分析与可视化工具对三大维度指标进行可视化处理，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题；
S500：筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障。
上述技术方案的工作原理和有益效果为：由于金融机构的决策依赖于外采的第三方数据信息，若该第三方数据信息发生生产故障则对调用机构的实时决策产生影响，因此洞察数据源返回信息的差异和变化对于业务发展至关重要。本发明采用评分卡模型的前台数据监控技术手段，通过对第三方数据信息的各维度实时监控，可以区分不同的细分和数据版本对第三方数据调用的技术指标，并进行全方位、多角度和跨时间的监控，得以及时了解数据源生产调用的变化，保障各条业务线正常且稳定的运行，最终能在可控的时间范围内，发现数据生产故障并采取相应措施，保障评分卡模型得以在各个客户机构上正常且稳定的运行，并且能极大的提高管理人员的监控效率。
实施例2
在实施例1的基础上，本发明实施例提供的步骤S200中，特殊子分包含除正常打分以外的特殊情况，例如打分超时和/或客群未击中等，将所有特殊情况填充为指定数值。
上述技术方案的工作原理和有益效果为：本发明通过对特殊子分进行设置，便于系统对数据源子分中的特殊子分进行映射处理，提高了数据源子分的处理效率，为计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标提供可靠的数据基础，将所有特殊情况填充为指定数值便于系统及时对第三方数据进行监控和甄别，保证了评分卡模型的前台数据的监控效果。
实施例3
在实施例1的基础上，本发明实施例提供的步骤S300中三大维度指标的计算时间颗粒度细化到每天、每周和每月，具体包括：
评分均分：不包含数据源子分中的特殊子分，该评分均分为正常打分的数据源子分的均值。
评分分位点：不包含数据源子分中的特殊子分，该评分分位点包含正常打分的数据源子分的最小值、5％分位点、10％分位点、25％分位点、50％分位点、75％分位点、90％分位点和最大值，该评分分位点计算公式为：
P＝(n/N)×100％
其中，P为分位点分数，n为分位点分数按值排序的位置，N为数据集中分数个数。
评分累积分布：计算各个数据源子分，有效调用的数据源子分的概率分布，有效调用的数据源子分的定义为score≥100，有效调用的数据源子分的概率分布的计算公式为：
running_sum(sum(count[score≥100]))/total(sum(count[score≥100]))
其中，running_sum表示有效调用的数据源子分的数量，sum表示对有效调用的数据源子分score≥100的条件表达式的函数，count为条件表达式，total为调用的数据源子分的总量。
上述技术方案的工作原理和有益效果为：本发明对数据源子分的评分均分、评分分位点和评分累积分布三大维度指标进行计算，并进一步实现了评分卡模型上线之后的反馈数据的实时监控，通过三大维度指标的计算实现了数据源子分的特征，便于对评分卡模型的前台数据进行监控，保证了数据源子分的可靠性，也利于提升评分卡模型的前台数据的监控精度，能够及时了解数据源生产调用变化的规律，保障评分卡模型得以在各个客户机构上正常且稳定的运行，提高管理人员的监控效率。
实施例4
在实施例1的基础上，本发明实施例提供的使用数据分析与可视化工具软件对三大维度指标进行可视化处理，具体包括四部分：
第一部分，为可视化图例如图2所示；图2框处为整体可视化监控的筛选器，筛选器分五大类，分别为产品版本、评分版本、机构名称、标签和具体时间(只精确到年月)，图2筛选器下方的柱状图为每个产品在筛选机构上的打分率，柱状图总共使用两个色号，右侧框有标注说明，使用到颜色RBG色号从上到下依次为(240，198，75)，(241，142，43)。
第二部分，为可视化报表如图3所示。
第三部分，图4可以通过调节筛选器以精准监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的评分累积分布，月度的评分累计分布以线型图的形式呈现，不同色号代表不同的月份，使用到颜色RBG色号包括(255，0，0)，(41，101，144)，(149，206，205)，(60，153，178)，(160，209，210)。
第四部分，图5为产品各评分分位点随月份的变化，框为分位点的具体信息，使用到颜色RBG色号从上到下依次为(242，142，43)，(89，161，79)，(237，201，72)，(176，122，161)，(255，156，166)，(155，115，93)。
上述技术方案的工作原理和有益效果为：本发明的可视化处理包含：可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化，通过可视化处理实现了三大维度指标的直观显示，便于管理人员及时和快速的了解数据源子分的三大维度指标，能够有效提升评分卡麻醉的前台数据监控效率，能极大的提升监控结果的准确率，省去了文字描述的繁琐，全方位且立体化的展示了三大维度指标。
实施例5
如图6所示，在实施例1的基础上，本发明实施例提供的精准定位数据生产故障，通过每个月评分累积分布的重合程度，可以精准的监控到哪个月的评分卡模型打分异常，如图6所示的框，本月度线与其他月份比偏移较多，后期与客户交流发现客群有变化，后续在后台变量监控也观察到此现象。
上述技术方案的工作原理和有益效果为：本发明通过每个月评分累积分布的重合程度，可以精准的监控到哪个月的评分卡模型打分异常，便于对第三方数据产生故障精准定位，有利于管理人员的监控，提升评分卡模型的前台数据监控效率。
实施例6
在实施例1的基础上，本发明实施例提供的通过虚拟现实对可视化处理结果查看，为进一步提升对三大维度指标可视化处理四部分的显示效果，对可视化处理中的双目图像的渲染，先通过平移然后分别向左右视点进行投影，即先移动可视化处理结果的三维模型至左右视点的坐标系下，然后通过左投影矩阵和右投影矩阵投影后得到双目图像，具体包括：
平移时，设双目的左右视点的中心为原点，且左视点和右视点的距离为d，则平移矩阵为：
其中，Mltrans为左视点的平移矩阵，Mrtrans为右视点的平移矩阵；
在进行透视投影时，定义一个视锥体，其投影的矩阵Mprojection为：
其中N为虚拟现实的设备与视锥体的近裁剪面的距离，F为虚拟现实的设备与视锥体的远裁剪面的距离，top为视锥体的近裁剪面的顶端，bottom为视锥体的近裁剪面的底端，right为视锥体的近裁剪面的右端，left为视锥体的近裁剪面的左端；
设定左投影矩阵定义的视锥体的left为lL，right为rL，则左投影矩阵Mlproj为：
设定右投影矩阵定义的视锥体的left为lR，right为rR，则右投影矩阵Mrproj为：
利用左投影矩阵和右投影矩阵对可视化处理结果的三维模型分别进行投影，最终得到左眼和右眼的图像。
上述技术方案的工作原理和有益效果为：本发明通过虚拟现实对可视化处理结果查看，进一步提升了三大维度指标可视化处理四部分的显示效果，管理人员可以通过虚拟现实实现交互，提升操作感；可视化处理中实施双目图像的渲染，先移动可视化处理结果的三维模型至左右视点的坐标系下，然后通过左投影矩阵和右投影矩阵投影后得到双目图像，双目图像分别采用左投影矩阵和右投影矩阵，使得投影更加的准确，立体感更强，从而提升了虚拟现实的三大维度指标的显示立体感。
实施例7
在实施例6的基础上，本发明实施例通过能量函数提升双目图像的三大维度指标显示精度，该能量函数E(f)的表达式为：
V(fp，fq)＝λW(p，q)*min(|fp-fq|，Vmax)
其中，V为双目图像所有像素点的集合，Vmax表示双目图像所有像素点的集合的最大值，M为所有相邻像素点对的集合，fp和fq分别为像素点p和像素点q的视差，数据项Dp(fp)为将视察标签fp赋予像素p的代价，描述的是视差标签对两幅双目图像的符合程度；平滑项V(fp，fq)为将fp和fq赋予相邻像素点p和q产生的代价，平滑项描述的是相邻像素点之间标签的连续性；W(p，q)为能量函数E(f)的连续项，λ为连续项的系数，连续项考虑到可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的边界问题，将像素点p和像素点q是否在同一分割区域区别开来，如果像素点对在同一区域，则，平滑项是合理的；如果像素点分属不同区域，就不应该施加平滑惩罚；为双目图像分割之后的某一个区域，则：
其中，Ci为双目图像分割后的任一子区域内像素点的集合，S为双目图像分割后的区域内像素点的集合。
上述技术方案的工作原理和有益效果为：由于可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的不连续区域较多，本发明的能量函数引入了连续项，提升了视差图像的精度，使得整幅的可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的图像显示更加准确，也利于提升双目图像的三大维度指标显示精度，同时降低了虚拟现实相关设备的硬件要求，有利于评分卡模型的前台数据监控成本。
实施例8
如图7所示，在实施例1的基础上，本发明实施例提供的评分卡模型的前台数据监控系统，包括：
数据源模块，采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；
数据预处理模块，对采集的数据源子分中的特殊子分进行映射处理；
三大维度指标计算模块，计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标，评分卡模型上线根据三大维度指标计算模块计算的三大维度指标对数据源分子进行实时监控；
可视化模块，使用数据分析与可视化工具对三大维度指标进行可视化处理，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题；
精准定位模块，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障。
上述技术方案的工作原理和有益效果为：本发明的评分卡模型的前台数据监控系统包含：数据源模块采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；数据预处理模块对采集的数据源子分中的特殊子分进行映射处理；三大维度指标计算模块计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控；可视化模块使用数据分析与可视化工具对三大维度指标进行可视化处理，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题；精准定位模块筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障。本发明采用评分卡模型的前台数据监控技术手段，通过对第三方数据信息的各维度实时监控，可以区分不同的细分和数据版本对第三方数据调用的技术指标，并进行全方位、多角度和跨时间的监控，得以及时了解数据源生产调用的变化，保障各条业务线正常且稳定的运行，最终能在可控的时间范围内，发现数据生产故障并采取相应措施，保障评分卡模型得以在各个客户机构上正常且稳定的运行，并且能极大的提高管理人员的监控效率。
实施例9
在实施例8的基础上，本发明实施例提供的可视化模块包含通过虚拟现实对可视化处理结果查看的虚拟现实设备，具体包括：
输出显示设备，负责显示可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化；包含视觉显示器和触觉显示器，触觉显示器为数据手套、力反馈鼠标或力反馈操纵杆等，能有效増强可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化交互的真实性；
输入设备，负责将可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的显示结果输出至输出显示设备进行显示。
上述技术方案的工作原理和有益效果为：本发明采用输出显示设备和输入设备实现可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的可视化处理，使得管理人员能够实现可视化的交互操作，提升评分卡模型的前台数据监控系统的体验感，同时有利于提高监控的结果精度。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种评分卡模型的前台数据监控方法，其特征在于，包括：
数据源模块采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；对采集的数据源子分中的特殊子分进行映射处理；
计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标；评分卡模型上线根据三大维度指标对数据源分子实时监控；
使用数据分析与可视化工具对三大维度指标进行可视化处理；筛选器监控各个第三方数据平台的数据源子分变化，精准定位数据生产故障。
2.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，特殊子分包含除正常打分以外的特殊情况，包括打分超时和/或客群未击中，将所有特殊情况填充为指定数值。
3.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控。
4.如权利要求3所述的评分卡模型的前台数据监控方法，其特征在于，
三大维度指标的计算时间颗粒度细化到每天、每周和每月，具体包括：
评分均分：不包含数据源子分中的特殊子分，该评分均分为正常打分的数据源子分的均值；
评分分位点：不包含数据源子分中的特殊子分，该评分分位点包含正常打分的数据源子分的最小值、5％分位点、10％分位点、25％分位点、50％分位点、75％分位点、90％分位点和最大值，该评分分位点计算公式为：
其中，P为分位点分数，n为分位点分数按值排序的位置，N为数据集中分数个数；
评分累积分布：计算各个数据源子分，有效调用的数据源子分的概率分布，有效调用的数据源子分的定义为score≥100，有效调用的数据源子分的概率分布的计算公式为：
running_sum(sum(count[score≥100]))/total(sum(count[score≥100]))其中，running_sum表示有效调用的数据源子分的数量，sum表示对有效调用的数据源子分score≥100的条件表达式的函数，count为条件表达式，total为调用的数据源子分的总量。
5.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题。
6.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，可视化处理，具体包括四部分：
第一部分，可视化图例；采用可视化监控的筛选器，筛选器分五大类，分别为产品版本、评分版本、机构名称、标签和具体时间，筛选器下方的柱状图为每个产品在筛选机构上的打分率，柱状图总共使用两个色号，右侧框有标注说明；
第二部分，可视化报表；
第三部分，通过调节筛选器以精准监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的评分累积分布，月度的评分累计分布以线型图的形式呈现，不同色号代表不同的月份；
第四部分，产品各评分分位点随月份的变化，框为分位点的具体信息。
7.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障；
精准定位数据生产故障，通过每个月评分累积分布的重合程度，精准的监控到哪个月的评分卡模型打分异常。
8.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，通过虚拟现实对可视化处理结果查看，对可视化处理中的双目图像的渲染，先通过平移然后分别向左右视点进行投影，即先移动可视化处理结果的三维模型至左右视点的坐标系下，然后通过左投影矩阵和右投影矩阵投影后得到双目图像，具体包括：
平移时，设双目的左右视点的中心为原点，且左视点和右视点的距离为d，则平移矩阵为：
其中，Mltrans为左视点的平移矩阵，Mrtrans为右视点的平移矩阵；
在进行透视投影时，定义一个视锥体，其投影的矩阵Mprojection为：
其中N为虚拟现实的设备与视锥体的近裁剪面的距离，F为虚拟现实的设备与视锥体的远裁剪面的距离，top为视锥体的近裁剪面的顶端，bottom为视锥体的近裁剪面的底端，right为视锥体的近裁剪面的右端，left为视锥体的近裁剪面的左端；
设定左投影矩阵定义的视锥体的left为lL，right为rL，则左投影矩阵Mlproj为：
设定右投影矩阵定义的视锥体的left为lR，right为rR，则右投影矩阵Mrproj为：
利用左投影矩阵和右投影矩阵对可视化处理结果的三维模型分别进行投影，最终得到左眼和右眼的图像。
9.一种评分卡模型的前台数据监控系统，其特征在于，包括：
数据源模块，将采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；
数据预处理模块，对采集的数据源子分中的特殊子分进行映射处理；
三大维度指标计算模块，计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标，评分卡模型上线根据三大维度指标计算模块计算的三大维度指标对数据源分子进行实时监控；
可视化模块，使用数据分析与可视化工具对三大维度指标进行可视化处理，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题；
精准定位模块，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障。
10.如权利要求9所述的评分卡模型的前台数据监控系统，其特征在于，可视化模块包含通过虚拟现实对可视化处理结果查看的虚拟现实设备，具体包括：
输出显示设备，负责显示可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化；包含视觉显示器和触觉显示器，触觉显示器为数据手套、力反馈鼠标或力反馈操纵杆；
输入设备，负责将可视化图例、可视化报表、评分累积分布及各评分分位点随月份的变化的显示结果输出至输出显示设备进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311459908.4A CN117495174A (zh) | 2023-11-03 | 2023-11-03 | 一种评分卡模型的前台数据监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311459908.4A CN117495174A (zh) | 2023-11-03 | 2023-11-03 | 一种评分卡模型的前台数据监控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117495174A true CN117495174A (zh) | 2024-02-02 |
Family
ID=89672094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311459908.4A Pending CN117495174A (zh) | 2023-11-03 | 2023-11-03 | 一种评分卡模型的前台数据监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495174A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378781A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 数据监控方法、装置、计算机设备和存储介质 |
| CN111861716A (zh) * | 2020-07-23 | 2020-10-30 | 北京睿知图远科技有限公司 | 一种基于软件系统的贷中监控预警等级生成方法 |
| US20200405225A1 (en) * | 2017-06-02 | 2020-12-31 | Veracyte, Inc. | Methods and systems for identifying or monitoring lung disease |
| CN112424671A (zh) * | 2018-07-13 | 2021-02-26 | 奇跃公司 | 用于显示双目变形补偿的系统和方法 |
| CN114332755A (zh) * | 2021-12-06 | 2022-04-12 | 南京瀚元科技有限公司 | 一种基于双目三维建模的发电焚烧炉监控方法 |
| CN116611113A (zh) * | 2023-06-25 | 2023-08-18 | 福建润楼数字科技有限公司 | 基于隐私保护计算的信用评分卡模型构建方法 |
-
2023
- 2023-11-03 CN CN202311459908.4A patent/CN117495174A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200405225A1 (en) * | 2017-06-02 | 2020-12-31 | Veracyte, Inc. | Methods and systems for identifying or monitoring lung disease |
| CN112424671A (zh) * | 2018-07-13 | 2021-02-26 | 奇跃公司 | 用于显示双目变形补偿的系统和方法 |
| CN110378781A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 数据监控方法、装置、计算机设备和存储介质 |
| CN111861716A (zh) * | 2020-07-23 | 2020-10-30 | 北京睿知图远科技有限公司 | 一种基于软件系统的贷中监控预警等级生成方法 |
| CN114332755A (zh) * | 2021-12-06 | 2022-04-12 | 南京瀚元科技有限公司 | 一种基于双目三维建模的发电焚烧炉监控方法 |
| CN116611113A (zh) * | 2023-06-25 | 2023-08-18 | 福建润楼数字科技有限公司 | 基于隐私保护计算的信用评分卡模型构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘鑫: "三维模型水墨艺术风格的立体显示算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 September 2015 (2015-09-15) * |
| 曾金全;杨超;王颖波;黄榕城;冯真祯;朱彪;: "基于统计分布特征的闪电强度等级划分", 暴雨灾害, no. 06, 15 December 2016 (2016-12-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lismont et al. | Defining analytics maturity indicators: A survey approach | |
| US20030177060A1 (en) | System and method for return on investment | |
| CN108038216A (zh) | 信息处理方法、装置及服务器集群 | |
| Takahashi et al. | A system for three-dimensional gaze fixation analysis using eye tracking glasses | |
| US20070011036A1 (en) | System, method and computer program product for analyzing salary | |
| CN107944745B (zh) | 一种风险信息评估方法及系统 | |
| MX2007007502A (es) | Manejo de cambio. | |
| US20050272022A1 (en) | Method and Apparatus for Project Valuation, Prioritization, and Performance Management | |
| Segarra et al. | A framework for boosting revenue incorporating big data | |
| US10627984B2 (en) | Systems, devices, and methods for dynamic virtual data analysis | |
| CN103853809A (zh) | 用于业务对象的有效空间分配 | |
| CN115689415A (zh) | 一种基于数字孪生的物流监视与仿真系统 | |
| Bhattacharya | Healthcare data analytics on the cloud | |
| KR20010101333A (ko) | 건설 작업의 검사를 돕는 방법 및 장치 | |
| CN116308185A (zh) | 一种建筑工程可视化进度录入及预警方法 | |
| Pine et al. | Emerging insights on building infrastructure for data-driven transparency and accountability of organizations | |
| Guitart et al. | Adoption of business strategies to provide analytical systems for teachers in the context of universities | |
| Hulthén et al. | Challenges of measuring performance of the sales and operations planning process | |
| CN108876216A (zh) | 创意能力数据化方法及系统 | |
| CN117495174A (zh) | 一种评分卡模型的前台数据监控方法及系统 | |
| Junaedi et al. | Development of Digital Economy Teaching Materials: Basic Concepts of Business Intelligence | |
| CN116563028A (zh) | 基于ai的报送数据校验方法、系统及存储介质 | |
| CN107423996A (zh) | 市场模拟器及网络化市场模拟器系统 | |
| SE514154C2 (sv) | Ett system för simulering av en affärsprocess | |
| CN118245316A (zh) | 一种三方数据信息平台的前台数据监控方法及系统 |
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 |