CN117649209A - 企业营收稽核方法、系统、设备及存储介质 - Google Patents

企业营收稽核方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN117649209A
CN117649209A CN202410112597.2A CN202410112597A CN117649209A CN 117649209 A CN117649209 A CN 117649209A CN 202410112597 A CN202410112597 A CN 202410112597A CN 117649209 A CN117649209 A CN 117649209A
Authority
CN
China
Prior art keywords
revenue
data
information
branch
enterprise
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.)
Granted
Application number
CN202410112597.2A
Other languages
English (en)
Other versions
CN117649209B (zh
Inventor
李理
宋怀胜
郑刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Bytter Tech Co ltd
Original Assignee
Shenzhen Bytter Tech Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Bytter Tech Co ltd filed Critical Shenzhen Bytter Tech Co ltd
Priority to CN202410112597.2A priority Critical patent/CN117649209B/zh
Publication of CN117649209A publication Critical patent/CN117649209A/zh
Application granted granted Critical
Publication of CN117649209B publication Critical patent/CN117649209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及数据处理技术领域，公开了一种企业营收稽核方法、系统、设备及存储介质。所述方法包括：对营收稽核资金管理系统进行数据归集，得到多个第一分支机构营收信息；计算数据同步性能指标并动态调整标准数据模型；构建多渠道资金监控规则并进行数据监控，生成多个第二分支机构营收信息；进行企业营收预测，得到企业营收预测数据并进行多渠道关联特征提取，得到目标多渠道关联特征；通过营收异常分析模型进行营收异常分析，得到营收异常概率值；对多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告，本申请提高了企业营收稽核的准确率。

Description

企业营收稽核方法、系统、设备及存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种企业营收稽核方法、系统、设备及存储介质。
背景技术
在当今复杂多变的商业环境中，企业面临着日益增长的营收管理挑战。随着连锁企业规模的扩大和多元化的经营模式，传统的营收稽核方法逐渐显露出对数据归集、监控和预测的不足。分支机构众多、多渠道资金流动复杂、数据同步性能波动等问题，使得企业难以实现对营收全面、准确的监管。这些问题不仅令企业面临财务风险，也影响了资金的及时上缴和业务的正常运转，迫切需要一种更为智能、全面的企业营收稽核方法来解决这一系列挑战。
过去的研究中，企业营收稽核主要侧重于静态数据的汇总和简单规则的应用，未能很好地适应多变的商业环境。此外，由于分支机构之间的数据同步性能差异，现有方法在标准数据模型的构建上存在一定的不足，难以满足动态调整的需求。同时，多渠道资金监控在实际应用中往往面临监控规则制定的复杂性和多样性，需要更为灵活的方法来适应企业不同渠道的经营模式。
发明内容
本申请提供了一种企业营收稽核方法、系统、设备及存储介质，本申请提高了企业营收稽核的准确率。
第一方面，本申请提供了一种企业营收稽核方法，所述企业营收稽核方法包括：
根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，所述企业营收数据档案包括：多个第一分支机构营收信息；
分别计算每个第一分支机构营收信息的数据同步性能指标，并根据所述数据同步性能指标动态调整标准数据模型；
根据所述标准数据模型构建所述企业营收数据档案的多渠道资金监控规则，并根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，生成多个第二分支机构营收信息；
分别根据所述多个第二分支机构营收信息对所述营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征；
将所述目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值；
根据所述营收异常概率值对所述多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告。
第二方面，本申请提供了一种企业营收稽核系统，所述企业营收稽核系统包括：
归集模块，用于根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，所述企业营收数据档案包括：多个第一分支机构营收信息；
计算模块，用于分别计算每个第一分支机构营收信息的数据同步性能指标，并根据所述数据同步性能指标动态调整标准数据模型；
构建模块，用于根据所述标准数据模型构建所述企业营收数据档案的多渠道资金监控规则，并根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，生成多个第二分支机构营收信息；
预测模块，用于分别根据所述多个第二分支机构营收信息对所述营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征；
分析模块，用于将所述目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值；
生成模块，用于根据所述营收异常概率值对所述多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告。
本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的企业营收稽核方法。
本申请的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中存储有指令，当其在计算机上运行时，使得计算机执行上述的企业营收稽核方法。
本申请提供的技术方案中，利用余弦相似度算法和多渠道资金监控规则，系统对分支机构的营收信息进行准确归集和监控，大幅提升了稽核的精准度。通过数据同步性能指标的动态调整，确保了数据模型的实时适应性，使得系统更好地反映实际业务变化。构建了多渠道资金监控规则，实现了对实体商城、网上商城和代理营业渠道的全面监控。这有助于企业深入了解各个渠道的营收状况，及时发现并解决问题，提升了企业对资金流向的综合把控能力。通过企业营收预测模型，对各个分支机构的营收信息进行预测，使得企业能够更好地规划经营策略。多渠道关联特征的提取进一步增强了预测的准确性，为企业提供更精细化的管理手段。引入了营收异常分析模型，通过自编码器对目标多渠道关联特征进行分析，得到每个第二分支机构的营收异常概率值。这有助于企业及时发现潜在的问题和风险，提高了异常事件的预警效果。根据异常概率值进行稽核异常管理，实现了对不同等级异常的分类和管理。生成目标营收稽核报告，为企业提供了清晰、结构化的异常信息，有助于企业决策和风险控制。通过动态调整标准数据模型，系统能够根据业务需求和数据同步性能指标实时调整数据模型，进而提高了企业营收稽核的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中企业营收稽核方法的一个实施例示意图；
图2为本申请实施例中企业营收稽核系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种企业营收稽核方法、系统、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中企业营收稽核方法的一个实施例包括：
步骤S101、根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，企业营收数据档案包括：多个第一分支机构营收信息；
可以理解的是，本申请的执行主体可以为企业营收稽核系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，通过营收稽核资金管理系统对多个分支机构进行营收信息获取，包括销售收入、成本费用和利润等各项指标。获取到的初始分支机构营收信息包含噪声和不一致的数据，因此需要对这些初始信息进行数据清洗，从而得到多个标准分支机构营收信息。这包括剔除无关数据、纠正错误和填补缺失值等操作，旨在提高数据的质量和可用性，确保后续分析的准确性。对每个标准分支机构的营收信息进行特征提取，从每个分支机构的营收信息中识别出影响营收的关键因素，例如销售增长率、客户满意度、市场占有率等。根据多个营收特征分别构建每个标准分支机构营收信息的特征向量，特征向量能够量化地表示分支机构的营收状况和特点。通过余弦相似度算法计算这些特征向量之间的相似度。余弦相似度是通过计算两个向量的夹角的余弦值来确定它们在方向上的相似程度，它是评估两组数据在多维空间中的相似性的常用方法。通过这种计算，可以量化不同分支机构之间营收特征的相似程度。根据计算出的余弦相似度和预设的相似度阈值，对标准分支机构的营收信息进行分类和归集，将营收特征相似的分支机构归为一类，这样可以更有效地分析和比较不同分支机构的营收状况。根据这些分类和归集后的第一分支机构营收信息，建立营收稽核资金管理系统的企业营收数据档案。这个档案将包含各分支机构经过筛选和处理后的营收信息，为企业提供了一个全面、结构化和细化的数据基础，使企业能够更加准确地掌握整体以及各分支机构的营收状况，从而在此基础上制定更有效的管理决策和稽核策略。
步骤S102、分别计算每个第一分支机构营收信息的数据同步性能指标，并根据数据同步性能指标动态调整标准数据模型；
具体的，通过营收稽核资金管理系统对每个第一分支机构营收信息进行数据同步参数监控，实时监控和记录各分支机构营收数据的更新频率、更新量、时延和完整性等关键参数，这些参数反映了数据同步的效率和质量。获取数据同步参数数据的时间戳数据。时间戳数据是理解数据同步时序和效率的关键，它记录了数据更新和传输的具体时间点。根据时间戳数据分别计算出每个第一分支机构营收信息的数据同步性能指标，如同步延迟、同步频率和同步准确率等。这些指标直观地展示了数据同步的实时性能，为评估各分支机构数据同步的效果和确定调整策略提供了量化依据。同时，获取营收稽核资金管理系统的业务需求数据。业务需求数据包括了企业对数据同步的具体要求和预期目标，如数据更新的最小时间间隔、数据准确性要求和数据安全标准等。根据业务需求，为每个第一分支机构营收信息设置一个基础数据模型。这个模型是数据同步和分析的出发点，它根据企业的业务需求和数据特征设定了数据结构、数据处理流程和数据质量标准等。为了确保数据模型能够适应不断变化的数据环境和业务需求，根据数据同步性能指标创建基础数据模型的动态调整策略。这些策略是响应数据同步性能变化的规则和方法，如当同步延迟超过一定阈值时增加同步频率，或当数据准确率下降时增加数据校验步骤等。这些动态调整策略使得数据模型不是静态的，而是能够根据实际的数据同步性能和业务需求变化进行自适应调整。根据动态调整策略对基础数据模型进行实时动态调整。这包括调整数据同步的频率和时间窗口、优化数据处理流程、增强数据校验机制和改进数据存储结构等。通过这些调整，得到每个第一分支机构营收信息的标准数据模型。
步骤S103、根据标准数据模型构建企业营收数据档案的多渠道资金监控规则，并根据多渠道资金监控规则对企业营收数据档案进行数据监控，生成多个第二分支机构营收信息；
具体的，对标准数据模型进行监控点设置，确定在数据模型中的哪些关键位置和环节进行监控以及监控的具体内容，这些监控点集合反映了企业对于数据质量、数据安全、数据一致性等方面的关注重点。根据监控点集合定义对应的规则类型集合。规则类型集合包含了各种监控规则的分类和描述，例如异常检测规则、趋势分析规则、阈值警报规则等，这些规则确定了当数据出现特定模式或值时应当采取的响应措施。根据这些规则类型，构建企业营收数据档案的多渠道资金监控规则，这些规则将作为数据监控活动的指导和依据，确保监控活动的目标明确、方法有效、覆盖全面。根据多渠道资金监控规则对企业营收数据档案进行数据监控。持续跟踪和评估营收数据的动态变化，利用预设的监控规则检测和识别各种潜在的风险和问题，如异常波动、趋势偏离、数据不一致等，这些被监控到的动态营收监控数据是对企业营收状况的实时反映，为企业提供了及时的业务洞察和风险预警。对多个动态营收监控数据和第一分支机构营收信息进行数据聚合，生成多个第二分支机构营收信息。其中，数据聚合是对多个动态营收监控数据和第一分支机构营收信息进行加权融合，本实施例中数据聚合的公式为：，其中，Di表示第i个动态营收监控数据，n表示动态营收监控数据的数量，R1j表示第一分支机构营收信息，m表示第一分支机构营收信息的数量，R2k表示第二分支机构营收信息，f(R1j)表示第一分支机构营收信息的加权函数，g(Di)表示动态营收监控数据的加权函数，αi表示动态营收监控数据的权重系数，βj表示第一分支机构营收信息的权重系数。将来自不同来源和渠道的数据综合在一起，进行统一处理和分析。通过数据聚合，可以将分散在各个分支机构和监控点的数据集中起来，形成一个全面、一致和综合的数据视图。这样不仅可以提高数据分析的效率和准确性，还可以揭示数据之间的深层次关联和互动，为企业提供更深入的业务洞察。
步骤S104、分别根据多个第二分支机构营收信息对营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征；
具体的，分别将每个第二分支机构营收信息输入预置的企业营收预测模型。这一模型是一个复合型神经网络模型，包括双向长短时记忆网络（Bi-LSTM）、门限循环网络（GRU）以及线性回归层。具体来说，双向长短时记忆网络是处理时间序列数据的一种高效技术，它能够捕捉时间序列数据中的长期依赖关系，并通过双向结构同时考虑过去和未来的信息，这有助于理解和预测复杂的营收动态。通过双向长短时记忆网络对每个第二分支机构营收信息进行营收信息时序特征空间转换，将原始的营收数据转换成表征数据内在特征的特征向量。这些特征向量是对原始数据的一种深层次和抽象的表示，它们捕捉了营收信息的核心特征和内在规律。将营收信息特征向量输入门限循环网络进行隐藏特征提取。GRU是一种特殊的循环神经网络，它通过门控机制优化了信息流的处理，能够有效地捕捉时间序列数据中的短期依赖关系。在GRU中，营收信息特征向量将被进一步处理，模型会提取这些向量中的隐藏特征，即那些不直接表现在数据表面但对营收预测重要的深层特征。将营收信息隐藏向量输入线性回归层进行企业营收预测。线性回归是一种预测技术，它能够基于输入的特征向量对目标值进行预测。线性回归层将基于GRU提取出的隐藏向量进行企业营收预测，输出每个第二分支机构的营收预测数据。这些预测数据反映了模型对各分支机构未来营收状况的估计和判断，为企业提供了重要的决策支持信息。对企业营收预测数据进行多渠道关联特征提取。从预测数据中识别出那些跨多个渠道和维度的关联特征，如不同分支机构间的营收相关性、市场因素的共同影响、季节性变化的相互作用等。
步骤S105、将目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值；
具体的，将目标多渠道关联特征输入到一个包含多个自编码器的营收异常分析模型中。自编码器是一种使用无监督学习来学习数据表示的神经网络，它通过学习重构输入数据来捕捉数据的核心特征和结构，自编码器适合于异常检测任务，因为异常数据通常会在重构过程中产生较大的误差。在这个营收异常分析模型中，多个自编码器将分别对输入的目标多渠道关联特征进行分析，每个自编码器都专注于从数据中学习一组特定的特征或模式。通过这些自编码器的分析，可以从不同的角度和层次上理解和刻画数据的正常行为和潜在异常。每个自编码器在处理输入的目标多渠道关联特征后，将输出一个初始异常概率值，这个值反映了根据该自编码器学习到的数据特征和模式，输入数据与正常数据模式的偏离程度。获取每个自编码器对应的权重数据，并根据这些权重数据对每个自编码器的初始异常概率值进行融合分析。权重数据是根据每个自编码器在训练过程中表现的准确性和可靠性确定的，它们代表了每个自编码器在总体异常分析中的相对重要性和信任度。通过加权融合每个自编码器的初始异常概率值，可以综合利用多个自编码器的分析结果，得到一个更全面、准确和稳健的营收异常概率值。得到每个第二分支机构营收信息的营收异常概率值。这些概率值不仅反映了各分支机构营收数据的异常程度，还考虑了多个渠道和维度的关联特征和影响，使得异常分析的结果更加全面和深入。
步骤S106、根据营收异常概率值对多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告。
具体的，将每个分支机构的营收异常概率值与两个预设的异常概率阈值进行比较，其中第一异常概率阈值小于第二异常概率阈值。这两个阈值是根据企业的业务需求、历史数据和风险管理策略设定的，它们代表了不同异常等级的界限。在这个比较过程中，如果某个第二分支机构的营收异常概率值小于第一异常概率阈值，这通常意味着该分支机构的营收情况相对正常，风险较低。因此，将这类分支机构营收信息划分至第一异常等级列表，表示它们属于低风险或正常范畴。如果营收异常概率值介于第一和第二异常概率阈值之间，这表示存在一定的异常迹象或潜在风险，但还不足以确定为严重问题，因此这类分支机构被划分至第二异常等级列表。如果某个分支机构的营收异常概率值大于第二异常概率阈值，这通常是一个明确的异常或高风险信号，因此将这类分支机构划分至第三异常等级列表。基于这些分级的结果生成目标营收稽核报告。这份报告将详细记录每个分支机构的营收异常情况，包括其营收异常概率值、分配的异常等级以及的风险因素和建议的应对措施。
本申请实施例中，利用余弦相似度算法和多渠道资金监控规则，系统对分支机构的营收信息进行准确归集和监控，大幅提升了稽核的精准度。通过数据同步性能指标的动态调整，确保了数据模型的实时适应性，使得系统更好地反映实际业务变化。构建了多渠道资金监控规则，实现了对实体商城、网上商城和代理营业渠道的全面监控。这有助于企业深入了解各个渠道的营收状况，及时发现并解决问题，提升了企业对资金流向的综合把控能力。通过企业营收预测模型，对各个分支机构的营收信息进行预测，使得企业能够更好地规划经营策略。多渠道关联特征的提取进一步增强了预测的准确性，为企业提供更精细化的管理手段。引入了营收异常分析模型，通过自编码器对目标多渠道关联特征进行分析，得到每个第二分支机构的营收异常概率值。这有助于企业及时发现潜在的问题和风险，提高了异常事件的预警效果。根据异常概率值进行稽核异常管理，实现了对不同等级异常的分类和管理。生成目标营收稽核报告，为企业提供了清晰、结构化的异常信息，有助于企业决策和风险控制。通过动态调整标准数据模型，系统能够根据业务需求和数据同步性能指标实时调整数据模型，进而提高了企业营收稽核的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过营收稽核资金管理系统对多个分支机构进行营收信息获取，得到多个初始分支机构营收信息；
（2）对多个初始分支机构营收信息进行数据清洗，得到多个标准分支机构营收信息；
（3）分别对多个标准分支机构营收信息进行特征提取，得到每个标准分支机构营收信息的多个营收特征；
（4）根据多个营收特征分别构建每个标准分支机构营收信息的特征向量；
（5）通过余弦相似度算法，计算特征向量之间的余弦相似度，并根据余弦相似度和预设的相似度阈值对多个标准分支机构营收信息进行数据分类和数据归集，得到多个第一分支机构营收信息；
（6）根据多个第一分支机构营收信息建立营收稽核资金管理系统的企业营收数据档案。
具体的，通过营收稽核资金管理系统对多个分支机构进行营收信息获取。这些信息通常包含了各分支机构的销售额、成本、利润等关键财务数据。这些数据往往是原始的，包含错误、缺失值或不一致性，因此需要进行数据清洗。数据清洗过程包括识别并纠正错误，填补缺失值，去除重复记录等步骤，旨在确保后续分析的准确性和可靠性。对标准分支机构营收信息进行特征提取，识别和提取影响营收的关键因素，如季节性变化、市场趋势、客户行为等。通过使用各种数据分析技术，如统计分析、时间序列分析等，可以从每个标准分支机构的营收信息中提取出一系列描述性的营收特征。根据营收特征，为每个标准分支机构构建特征向量。特征向量是一种数学表示形式，它将各营收特征量化为向量中的值，从而可以在数学和计算上处理和分析这些特征。这些特征向量为后续的相似度计算和数据分类提供了基础。通过余弦相似度算法，计算特征向量之间的余弦相似度来衡量它们的相似度。这一计算考虑了向量在多维空间中的方向而非大小，使得不同分支机构间即使在绝对值上有差异，也能够基于趋势和模式的相似性进行比较。通过比较特征向量之间的余弦相似度，并结合预设的相似度阈值，对多个标准分支机构营收信息进行有效的分类和归集。相似度高的分支机构可以归为一类，反映出它们在营收特征上的相似性。根据归集和分类后的第一分支机构营收信息，建立营收稽核资金管理系统的企业营收数据档案。这个档案将不仅包含了各分支机构的详细营收信息，还通过归集和分类反映了分支机构之间的相似性和差异性。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）通过营收稽核资金管理系统分别对每个第一分支机构营收信息进行数据同步参数监控，得到每个第一分支机构营收信息的数据同步参数数据；
（2）获取数据同步参数数据的时间戳数据，并根据时间戳数据分别计算每个第一分支机构营收信息的数据同步性能指标；
（3）获取营收稽核资金管理系统的业务需求数据，并根据业务需求数据设置每个第一分支机构营收信息的基础数据模型；
（4）根据数据同步性能指标创建基础数据模型的动态调整策略，并根据动态调整策略对基础数据模型进行动态调整，得到每个第一分支机构营收信息的标准数据模型。
具体的，从各个第一分支机构的营收信息中收集数据同步参数。这些参数包括数据更新频率、更新量、同步延迟、完整性等关键指标，它们反映了数据同步的效率和质量。通过对这些参数的实时监控，得到每个分支机构营收信息的详细数据同步参数数据。获取这些数据同步参数数据的时间戳数据。时间戳数据记录了数据更新和传输的具体时间点，是理解数据同步时序和效率的关键。根据这些时间戳数据可以精确计算出每个第一分支机构营收信息的数据同步性能指标。这些性能指标包括数据的实时更新率、平均同步延迟、数据丢失率等，它们从不同角度反映了数据同步的实时状态和效果。例如，如果某分支机构的数据同步延迟持续较高，表明其网络连接存在问题或系统处理能力不足。获取营收稽核资金管理系统的业务需求数据。这些需求数据包括企业对数据质量、实时性、安全性等方面的具体要求和预期目标。根据这些业务需求数据，为每个第一分支机构营收信息设置一个基础数据模型。这个模型定义了数据的基本结构、处理流程和质量标准。根据数据同步性能指标创建基础数据模型的动态调整策略。这些策略是一系列预设的规则和方法，它们根据实时的性能指标变化动态调整数据模型的参数和结构。例如，如果某分支机构的数据同步延迟持续增加，动态调整策略会自动降低数据更新的频率，或者增加数据压缩和优化处理，以提高同步效率和降低延迟。根据动态调整策略对基础数据模型进行实时动态调整。这包括调整数据同步的频率和时间窗口、优化数据处理流程、增强数据校验和安全机制、改进数据存储和访问结构等。通过这些调整，每个第一分支机构营收信息的基础数据模型将转化为更加精准、高效和稳健的标准数据模型。这个标准数据模型不仅能够更好地满足当前的业务需求和数据环境，还具有很好的适应性和灵活性，能够随着环境和需求的变化进行自适应调整。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）对标准数据模型进行监控点设置，得到每个标准数据模型的监控点集合；
（2）根据监控点集合定义对应的规则类型集合，并根据规则类型集合构建企业营收数据档案的多渠道资金监控规则；
（3）根据多渠道资金监控规则对企业营收数据档案进行数据监控，得到多个动态营收监控数据；
（4）对多个动态营收监控数据和多个第一分支机构营收信息进行数据聚合，生成多个第二分支机构营收信息。
具体的，对每个标准数据模型设定监控点。监控点是在数据模型中特定的位置或条件，用于跟踪和检测数据的变化和状态。这些监控点被选择和设定，以覆盖数据模型的关键部分，如数据更新频率、异常值检测、趋势变化等，确保能够全面监控数据的关键方面和潜在风险。通过对标准数据模型的分析，确定每个数据模型的监控点集合，这个集合将反映出对该模型进行有效监控所需的关键点。根据监控点集合定义对应的规则类型集合。每个监控点对应一个或多个监控规则，这些规则确定了当数据在监控点出现特定模式或值时应采取的响应措施。规则类型集合包括异常检测规则、阈值警报规则、趋势分析规则等，它们共同构成了一套综合的监控策略，用于指导数据监控的实施。根据这些规则类型，构建企业营收数据档案的多渠道资金监控规则。这些规则将作为数据监控活动的指导和依据，确保监控活动能够有效地捕捉关键数据变化和潜在风险。对企业营收数据档案进行实时数据监控。持续跟踪和评估营收数据的动态变化，利用预设的监控规则检测和识别各种潜在的风险和问题。监控活动涉及对大量数据点的实时分析和处理，不断地收集和分析来自各个监控点的数据，以确定是否有任何迹象表明数据异常或风险事件。通过监控，生成多个动态营收监控数据，这些数据记录了监控过程中发现的各种异常模式、风险信号和趋势变化。对动态营收监控数据和多个第一分支机构营收信息进行数据聚合，生成多个第二分支机构营收信息。数据聚合是将来自不同来源和监控点的数据综合在一起，进行统一的处理和分析。通过数据聚合，将分散在各个分支机构和监控点的数据集中起来，形成一个全面、一致和综合的数据视图。这样不仅可以提高数据分析的效率和准确性，还可以揭示数据之间的深层次关联和互动。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）分别将每个第二分支机构营收信息输入预置的企业营收预测模型，其中，企业营收预测模型包括：双向长短时记忆网络、门限循环网络以及线性回归层；
（2）通过双向长短时记忆网络对每个第二分支机构营收信息进行营收信息时序特征空间转换，得到对应的营收信息特征向量；
（3）将营收信息特征向量输入门限循环网络进行隐藏特征提取，得到营收信息隐藏向量，并将营收信息隐藏向量输入线性回归层进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据；
（4）分别对企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征。
具体的，分别将每个第二分支机构营收信息输入预置的企业营收预测模型，该模型包括双向长短时记忆网络（Bi-LSTM）、门限循环网络（GRU）和线性回归层。将每个第二分支机构的营收信息输入双向长短时记忆网络。Bi-LSTM是一种特殊的循环神经网络，它不仅能够捕捉时间序列数据中的长期依赖关系，而且通过其双向结构能够同时考虑过去和未来的信息。在处理每个分支机构的营收信息时，Bi-LSTM通过多层网络结构对时间序列数据进行深入学习，将原始的营收数据转换为高维的特征空间，从而得到对应的营收信息特征向量。这些特征向量是对原始营收数据的一种深层次和抽象的表示，它们捕捉了营收信息的核心特征和内在规律。将营收信息特征向量输入门限循环网络中。GRU是一种有效的循环神经网络变体，它通过特殊的门控机制来控制信息流，从而能够更好地捕捉时间序列数据中的短期依赖关系。在GRU中，营收信息特征向量被进一步处理，模型通过一系列复杂的非线性变换提取出隐藏在特征向量中的深层特征，得到营收信息的隐藏向量。将营收信息隐藏向量输入到线性回归层。线性回归层是一种预测工具，它能够基于输入的特征向量对目标值进行预测。线性回归层基于GRU提取出的隐藏向量进行企业营收预测，输出每个第二分支机构的营收预测数据。这些预测数据反映了模型对各分支机构未来营收状况的估计和判断。对企业营收预测数据进行多渠道关联特征提取。从预测数据中识别出那些跨多个渠道和维度的关联特征，如不同分支机构间的营收相关性、市场因素的共同影响、季节性变化的相互作用等。通过多渠道关联特征提取，可以获得每个第二分支机构营收信息的目标多渠道关联特征。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将目标多渠道关联特征输入预置的营收异常分析模型，其中，营收异常分析模型包括多个自编码器；
（2）通过多个自编码器，分别对目标多渠道关联特征进行营收异常分析，得到每个自编码器的初始异常概率值；
（3）获取多个自编码器对应的权重数据，并根据权重数据对每个自编码器的初始异常概率值进行营收异常融合分析，得到每个第二分支机构营收信息的营收异常概率值。
具体的，将目标多渠道关联特征输入预置的营收异常分析模型，其中，营收异常分析模型包括多个自编码器。自编码器是一种特殊的神经网络，它通过无监督学习来尝试重构其输入数据，目的是捕捉数据中的核心特征和结构。本实施例中，自编码器被训练为学习正常营收数据的典型特征，然后利用这些学习到的特征来重构新输入的数据。当输入数据含有异常或与训练数据显著不同的特征时，自编码器在重构过程中会产生较大的误差，这种误差可以被用作异常的指标。将每个第二分支机构的目标多渠道关联特征输入多个自编码器。这些自编码器有不同的结构和参数，以捕捉和重构数据的不同方面和维度。通过训练过程，每个自编码器学习了如何重构正常营收数据，形成了对正常数据特征的深入理解。当输入目标多渠道关联特征时，每个自编码器都会尝试重构这些特征，并根据重构过程中的误差大小输出一个初始异常概率值。这个概率值反映了输入特征与自编码器学习到的正常特征之间的偏差程度，从而作为异常的一个指标。然而，仅依赖单个自编码器的分析不足以全面准确地判断数据的异常程度。因此，需要获得多个自编码器对应的权重数据，并根据这些权重数据对每个自编码器的初始异常概率值进行融合分析。权重数据是根据每个自编码器在训练过程中的表现以及在历史数据上的准确性确定的，它们代表了每个自编码器在整体异常分析中的相对重要性和信任度。通过加权融合每个自编码器的初始异常概率值，可以综合利用多个自编码器的分析结果，得到一个更全面、准确和稳健的营收异常概率值。通过分析和融合过程，得到每个第二分支机构营收信息的营收异常概率值。这些概率值不仅反映了各分支机构的营收异常程度，还考虑了多个维度和渠道的关联特征和影响，使得异常分析的结果更加全面和深入。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对营收异常概率值与第一异常概率阈值和第二异常概率阈值进行比较，其中，第一异常概率阈值＜第二异常概率阈值；
（2）若营收异常概率值＜第一异常概率阈值，则将对应的第二分支机构营收信息划分至第一异常等级列表，若第一异常概率阈值＜营收异常概率值＜第二异常概率阈值，则将对应的第二分支机构营收信息划分至第二异常等级列表，若第二异常概率阈值＜营收异常概率值，则将对应的第二分支机构营收信息划分至第三异常等级列表；
（3）根据第一异常等级列表、第二异常等级列表以及第三异常等级列表生成营收稽核资金管理系统的目标营收稽核报告。
具体的，明确两个预设的异常概率阈值：第一异常概率阈值和第二异常概率阈值。这两个阈值是根据企业的业务特性、历史数据分析和风险管理策略设定的，其中第一异常概率阈值小于第二异常概率阈值。这样的设置允许企业对营收异常的程度进行分层管理，从而更有效地识别和应对不同级别的风险。对每个第二分支机构的营收异常概率值与这两个预设阈值进行比较。如果某个分支机构的营收异常概率值小于第一异常概率阈值，这通常意味着该分支机构的营收状况处于正常范围内，风险相对较低。因此，将这类分支机构的营收信息划分至第一异常等级列表，表示它们当前的营收状态稳定，无需采取紧急措施。如果一个分支机构的营收异常概率值介于第一和第二异常概率阈值之间，则表明存在一定的异常迹象或潜在风险，但还不足以确定为严重问题。因此，这类分支机构被划分至第二异常等级列表，需要进一步的观察和的预防措施。如果某个分支机构的营收异常概率值大于第二异常概率阈值，这通常是一个明确的异常信号，表明该分支机构面临严重的营收问题或风险。因此，这类分支机构被划分至第三异常等级列表，需要立即关注和采取应对措施。通过这样的分类过程，根据营收异常概率值将每个分支机构划分到相应的异常等级列表中，这不仅帮助企业更清晰地了解各分支机构的营收状况，还为企业提供了有针对性的风险管理和应对策略。基于这些分层的结果生成目标营收稽核报告。这份报告详细记录了每个分支机构的营收异常情况，包括其营收异常概率值、被分配的异常等级，以及的风险因素和建议的应对措施。
上面对本申请实施例中企业营收稽核方法进行了描述，下面对本申请实施例中企业营收稽核系统进行描述，请参阅图2，本申请实施例中企业营收稽核系统一个实施例包括：
归集模块201，用于根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，所述企业营收数据档案包括：多个第一分支机构营收信息；
计算模块202，用于分别计算每个第一分支机构营收信息的数据同步性能指标，并根据所述数据同步性能指标动态调整标准数据模型；
构建模块203，用于根据所述标准数据模型构建所述企业营收数据档案的多渠道资金监控规则，并根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，生成多个第二分支机构营收信息；
预测模块204，用于分别根据所述多个第二分支机构营收信息对所述营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征；
分析模块205，用于将所述目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值；
生成模块206，用于根据所述营收异常概率值对所述多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告。
通过上述各个组成部分的协同合作，利用余弦相似度算法和多渠道资金监控规则，系统对分支机构的营收信息进行准确归集和监控，大幅提升了稽核的精准度。通过数据同步性能指标的动态调整，确保了数据模型的实时适应性，使得系统更好地反映实际业务变化。构建了多渠道资金监控规则，实现了对实体商城、网上商城和代理营业渠道的全面监控。这有助于企业深入了解各个渠道的营收状况，及时发现并解决问题，提升了企业对资金流向的综合把控能力。通过企业营收预测模型，对各个分支机构的营收信息进行预测，使得企业能够更好地规划经营策略。多渠道关联特征的提取进一步增强了预测的准确性，为企业提供更精细化的管理手段。引入了营收异常分析模型，通过自编码器对目标多渠道关联特征进行分析，得到每个第二分支机构的营收异常概率值。这有助于企业及时发现潜在的问题和风险，提高了异常事件的预警效果。根据异常概率值进行稽核异常管理，实现了对不同等级异常的分类和管理。生成目标营收稽核报告，为企业提供了清晰、结构化的异常信息，有助于企业决策和风险控制。通过动态调整标准数据模型，系统能够根据业务需求和数据同步性能指标实时调整数据模型，进而提高了企业营收稽核的准确率。
本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述企业营收稽核方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述企业营收稽核方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种企业营收稽核方法，其特征在于，所述企业营收稽核方法包括：
根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，所述企业营收数据档案包括：多个第一分支机构营收信息；
分别计算每个第一分支机构营收信息的数据同步性能指标，并根据所述数据同步性能指标动态调整标准数据模型；
根据所述标准数据模型构建所述企业营收数据档案的多渠道资金监控规则，并根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，生成多个第二分支机构营收信息；
分别根据所述多个第二分支机构营收信息对所述营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征；
将所述目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值；
根据所述营收异常概率值对所述多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告。
2.根据权利要求1所述的企业营收稽核方法，其特征在于，所述根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，所述企业营收数据档案包括：多个第一分支机构营收信息，包括：
通过营收稽核资金管理系统对多个分支机构进行营收信息获取，得到多个初始分支机构营收信息；
对所述多个初始分支机构营收信息进行数据清洗，得到多个标准分支机构营收信息；
分别对所述多个标准分支机构营收信息进行特征提取，得到每个标准分支机构营收信息的多个营收特征；
根据所述多个营收特征分别构建每个标准分支机构营收信息的特征向量；
通过余弦相似度算法，计算所述特征向量之间的余弦相似度，并根据所述余弦相似度和预设的相似度阈值对所述多个标准分支机构营收信息进行数据分类和数据归集，得到多个第一分支机构营收信息；
根据所述多个第一分支机构营收信息建立所述营收稽核资金管理系统的企业营收数据档案。
3.根据权利要求1所述的企业营收稽核方法，其特征在于，所述分别计算每个第一分支机构营收信息的数据同步性能指标，并根据所述数据同步性能指标动态调整标准数据模型，包括：
通过所述营收稽核资金管理系统分别对每个第一分支机构营收信息进行数据同步参数监控，得到每个第一分支机构营收信息的数据同步参数数据；
获取所述数据同步参数数据的时间戳数据，并根据所述时间戳数据分别计算每个第一分支机构营收信息的数据同步性能指标；
获取所述营收稽核资金管理系统的业务需求数据，并根据所述业务需求数据设置每个第一分支机构营收信息的基础数据模型；
根据所述数据同步性能指标创建所述基础数据模型的动态调整策略，并根据所述动态调整策略对所述基础数据模型进行动态调整，得到每个第一分支机构营收信息的标准数据模型。
4.根据权利要求3所述的企业营收稽核方法，其特征在于，所述根据所述标准数据模型构建所述企业营收数据档案的多渠道资金监控规则，并根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，生成多个第二分支机构营收信息，包括：
对所述标准数据模型进行监控点设置，得到每个标准数据模型的监控点集合；
根据所述监控点集合定义对应的规则类型集合，并根据所述规则类型集合构建所述企业营收数据档案的多渠道资金监控规则；
根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，得到多个动态营收监控数据；
对所述多个动态营收监控数据和所述多个第一分支机构营收信息进行数据聚合，生成多个第二分支机构营收信息。
5.根据权利要求1所述的企业营收稽核方法，其特征在于，所述分别根据所述多个第二分支机构营收信息对所述营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征，包括：
分别将每个第二分支机构营收信息输入预置的企业营收预测模型，其中，所述企业营收预测模型包括：双向长短时记忆网络、门限循环网络以及线性回归层；
通过所述双向长短时记忆网络对每个第二分支机构营收信息进行营收信息时序特征空间转换，得到对应的营收信息特征向量；
将所述营收信息特征向量输入所述门限循环网络进行隐藏特征提取，得到营收信息隐藏向量，并将所述营收信息隐藏向量输入所述线性回归层进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据；
分别对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征。
6.根据权利要求1所述的企业营收稽核方法，其特征在于，所述将所述目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值，包括：
将所述目标多渠道关联特征输入预置的营收异常分析模型，其中，所述营收异常分析模型包括多个自编码器；
通过所述多个自编码器，分别对所述目标多渠道关联特征进行营收异常分析，得到每个自编码器的初始异常概率值；
获取所述多个自编码器对应的权重数据，并根据所述权重数据对每个自编码器的初始异常概率值进行营收异常融合分析，得到每个第二分支机构营收信息的营收异常概率值。
7.根据权利要求1所述的企业营收稽核方法，其特征在于，所述根据所述营收异常概率值对所述多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告，包括：
对所述营收异常概率值与第一异常概率阈值和第二异常概率阈值进行比较，其中，第一异常概率阈值＜第二异常概率阈值；
若营收异常概率值＜第一异常概率阈值，则将对应的第二分支机构营收信息划分至第一异常等级列表，若第一异常概率阈值＜营收异常概率值＜第二异常概率阈值，则将对应的第二分支机构营收信息划分至第二异常等级列表，若第二异常概率阈值＜营收异常概率值，则将对应的第二分支机构营收信息划分至第三异常等级列表；
根据所述第一异常等级列表、所述第二异常等级列表以及所述第三异常等级列表生成所述营收稽核资金管理系统的目标营收稽核报告。
8.一种企业营收稽核系统，其特征在于，所述企业营收稽核系统包括：
归集模块，用于根据余弦相似度算法，对营收稽核资金管理系统的分支机构营收信息进行数据归集，得到企业营收数据档案，其中，所述企业营收数据档案包括：多个第一分支机构营收信息；
计算模块，用于分别计算每个第一分支机构营收信息的数据同步性能指标，并根据所述数据同步性能指标动态调整标准数据模型；
构建模块，用于根据所述标准数据模型构建所述企业营收数据档案的多渠道资金监控规则，并根据所述多渠道资金监控规则对所述企业营收数据档案进行数据监控，生成多个第二分支机构营收信息；
预测模块，用于分别根据所述多个第二分支机构营收信息对所述营收稽核资金管理系统进行企业营收预测，得到每个第二分支机构营收信息的企业营收预测数据，并对所述企业营收预测数据进行多渠道关联特征提取，得到每个第二分支机构营收信息的目标多渠道关联特征；
分析模块，用于将所述目标多渠道关联特征输入预置的营收异常分析模型进行营收异常分析，得到每个第二分支机构营收信息的营收异常概率值；
生成模块，用于根据所述营收异常概率值对所述多个第二分支机构营收信息进行稽核异常管理与报告生成，得到目标营收稽核报告。
9.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-7中任一项所述的企业营收稽核方法。
10.一种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，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的企业营收稽核方法。
CN202410112597.2A 2024-01-26 2024-01-26 企业营收稽核方法、系统、设备及存储介质 Active CN117649209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410112597.2A CN117649209B (zh) 2024-01-26 2024-01-26 企业营收稽核方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410112597.2A CN117649209B (zh) 2024-01-26 2024-01-26 企业营收稽核方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117649209A true CN117649209A (zh) 2024-03-05
CN117649209B CN117649209B (zh) 2024-04-30

Family

ID=90043555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410112597.2A Active CN117649209B (zh) 2024-01-26 2024-01-26 企业营收稽核方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117649209B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060059063A1 (en) * 2004-08-06 2006-03-16 Lacomb Christina A Methods and systems for visualizing financial anomalies
US20070100724A1 (en) * 2005-11-03 2007-05-03 Hollas Judd E Electronic enterprise capital marketplace and monitoring apparatus and method
CN101887546A (zh) * 2010-06-28 2010-11-17 深圳市拜特科技股份有限公司 实现稽核对账的方法、稽核对账系统及营收稽核系统
CN107945024A (zh) * 2017-12-12 2018-04-20 厦门市美亚柏科信息股份有限公司 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质
CN109767263A (zh) * 2018-12-19 2019-05-17 平安科技（深圳）有限公司 营收数据预测方法、装置、计算机设备和存储介质
KR20220074176A (ko) * 2020-11-27 2022-06-03 상명대학교산학협력단 금융 빅데이터 분석을 활용한 기업분석 및 투자 포트폴리오 최적화 시스템 및 방법
CN116308851A (zh) * 2023-05-22 2023-06-23 河北华正信息工程有限公司 一种企业财务信息数据管理风险识别系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060059063A1 (en) * 2004-08-06 2006-03-16 Lacomb Christina A Methods and systems for visualizing financial anomalies
US20070100724A1 (en) * 2005-11-03 2007-05-03 Hollas Judd E Electronic enterprise capital marketplace and monitoring apparatus and method
CN101887546A (zh) * 2010-06-28 2010-11-17 深圳市拜特科技股份有限公司 实现稽核对账的方法、稽核对账系统及营收稽核系统
CN107945024A (zh) * 2017-12-12 2018-04-20 厦门市美亚柏科信息股份有限公司 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质
CN109767263A (zh) * 2018-12-19 2019-05-17 平安科技（深圳）有限公司 营收数据预测方法、装置、计算机设备和存储介质
KR20220074176A (ko) * 2020-11-27 2022-06-03 상명대학교산학협력단 금융 빅데이터 분석을 활용한 기업분석 및 투자 포트폴리오 최적화 시스템 및 방법
CN116308851A (zh) * 2023-05-22 2023-06-23 河北华正信息工程有限公司 一种企业财务信息数据管理风险识别系统

Also Published As

Publication number Publication date
CN117649209B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN117196066A (zh) 智慧运维信息分析模型
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN117495109B (zh) 一种基于神经网络的窃电用户识别系统
CN118228130B (zh) 一种基于设备健康状态的监测方法、系统和存储介质
CN117093919A (zh) 基于深度学习的岩土工程地质灾害预测方法及系统
CN118052558B (zh) 基于人工智能的风控模型决策方法及系统
Basak et al. Spatio-temporal AI inference engine for estimating hard disk reliability
CN117614662A (zh) 大数据与人工智能结合的网络访问风险预测方法及系统
CN118035921A (zh) 基于医疗数据的异常分析方法及系统
CN118312923A (zh) 面向智慧园区的设备测量方法及计算机设备
CN118014616A (zh) 基于区块链的生产物料价格跟踪系统及方法
CN117649209B (zh) 企业营收稽核方法、系统、设备及存储介质
Mascali et al. A machine learning-based Anomaly Detection Framework for building electricity consumption data
Beduschi et al. Optimizing rotating equipment maintenance through machine learning algorithm
CN115617604A (zh) 基于图像模式匹配的磁盘故障预测方法及系统
Sun et al. An artificial intelligence-based real-time monitoring framework for time series
CN117930815B (zh) 一种基于云平台的风电机组远程故障诊断方法及系统
CN118037016B (zh) 一种基于深度学习的电力资源响应控制方法及系统
Mun et al. Ensemble learning for fault condition prediction and health status monitoring in military ground vehicles
CN118469405B (zh) 家居供应链数据的处理方法、装置、设备及存储介质
CN118426318B (zh) 基于过程挖掘的物联网服务自适应系统
CN118378131B (zh) 智能电表数据分析与异常检测方法及系统
CN118861573A (zh) 数字孪生数据处理方法及系统
Liu et al. Artificial Intelligence-based Real-Time Electricity Metering Data Analysis and its Application to Anti-Theft Actions.
CN118735283A (zh) 一种用人工智能技术评估风险的方法、装置、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
GR01 Patent grant
GR01 Patent grant