CN117745062A - 一种基于消费订单数据的经营风险管控方法及系统 - Google Patents
一种基于消费订单数据的经营风险管控方法及系统 Download PDFInfo
- Publication number
- CN117745062A CN117745062A CN202311725507.9A CN202311725507A CN117745062A CN 117745062 A CN117745062 A CN 117745062A CN 202311725507 A CN202311725507 A CN 202311725507A CN 117745062 A CN117745062 A CN 117745062A
- Authority
- CN
- China
- Prior art keywords
- order
- consumption
- risk management
- violation
- management
- 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 41
- 238000005070 sampling Methods 0.000 claims abstract description 57
- 238000007726 management method Methods 0.000 claims description 134
- 238000012545 processing Methods 0.000 claims description 8
- 238000009472 formulation Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于经营管控技术领域,具体涉及一种基于消费订单数据的经营风险管控方法及系统,方法包括获取包含若干历史消费订单的消费订单集;基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集;分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集;获取各抽样消费订单数据集中的订单违规情况;基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案;获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别;基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。本发明可对企业经营过程中产生的消费订单进行有效管控。
Description
技术领域
本发明属于经营管控技术领域,具体涉及一种基于消费订单数据的经营风险管控方法及系统。
背景技术
经营风险管控是企业经营管理中至关重要的一项工作。首先,经营风险的管控可以帮助企业预防潜在的危机和损失。在市场竞争激烈的环境中,各种风险如市场风险、财务风险、技术风险等都可能对企业的经营造成严重影响,甚至导致企业破产倒闭。通过有效的管控措施,企业能够及时发现和应对风险,减少损失的发生。
在经营风险管控过程中,对于消费订单的管控也尤为重要,若每一项消费订单都能满足合规性,首先可以避免企业因违规行为而面临法律风险和法律诉讼的风险,其次可以保护消费者权益,再次可以保证企业的收益。
因此,亟需一种可对企业经营过程中产生的消费订单进行有效管控的方法。
发明内容
本说明书实施例提供了一种基于消费订单数据的经营风险管控方法及系统,可对企业经营过程中产生的消费订单进行高效且合理的管控。
第一方面,本说明书实施例提供了一种基于消费订单数据的经营风险管控方法,包括:
获取包含若干历史消费订单的消费订单集;
基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集;
分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集;
获取各抽样消费订单数据集中的订单违规情况;
基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案;
获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别;
基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。
作为优选方案,所述基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集之前还包括:
对消费订单集进行去重处理以及缺失值处理。
作为优选方案,所述预设订单特征包括订单发生时间、订单交易金额、订单商品种类、订单商品数量、订单客户信息、订单开票数据、订单发生地理位置、订单操作员工信息中的至少两个。
作为优选方案,所述订单违规情况包括订单违规率以及各订单违规类型,风险管控方案包括风险管控频率、违规后惩罚方案。
作为优选方案,所述基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案,包括:
赋予不同违规类型相应的惩罚值;
基于各抽样消费订单数据集中各订单违规类型,计算得到各抽样消费订单数据集各自对应的总惩罚值;
基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案。
作为优选方案,所述基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案,包括:
赋予总惩罚值数据、订单违规率数据各自对应的权重;
将各抽样消费订单数据集各自对应的总惩罚值、订单违规率进行归一化,以得到各抽样消费订单数据集各自对应的归一化总惩罚值、归一化订单违规率;
基于总惩罚值数据、订单违规率数据各自对应的权重以及各抽样消费订单数据集各自对应的归一化总惩罚值、归一化订单违规率,以计算得到各抽样消费订单数据集对应的风险管控方案制定参考值;
基于各抽样消费订单数据集对应的风险管控方案制定参考值,制定不同订单类别的风险管控频率、违规后惩罚方案。
作为优选方案,所述各抽样消费订单数据集对应的风险管控方案制定参考值,计算公式为:
Qi=aXi+bYi,
其中,Qi表示第i个抽样消费订单数据集对应的风险管控方案制定参考值,Xi表示第i个抽样消费订单数据集对应的归一化总惩罚值,Yi第i个抽样消费订单数据集对应的归一化订单违规率,a表示总惩罚值数据对应的权重,b表示订单违规率数据对应的权重,a>0,b>0。
作为优选方案,所述抽样消费订单数据集对应的风险管控方案制定参考值越大,相应订单类别的风险管控频率越高、违规后惩罚方案的惩罚程度越高。
作为优选方案,所述订单类别的风险管控频率,计算公式为:
其中,Pi表示第i个订单类别的风险管控频率。
第二方面,本说明书实施例提供了一种基于消费订单数据的经营风险管控系统,基于上述实施例第一方面所述的一种基于消费订单数据的经营风险管控方法,包括:
获取模块,用于获取包含若干历史消费订单的消费订单集;
聚类模块,用于基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集;
抽样模块,用于分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集;
违规情况获取模块,用于获取各抽样消费订单数据集中的订单违规情况;
风险管控方案制定模块,用于基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案;
聚类模块,还用于获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别;
风险管控模块,用于基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。
第三方面,本说明书实施例提供了一种电子设备,包括处理器以及存储器;所述处理器与所述存储器相连;所述存储器,用于存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行上述实施例第一方面所述的一种基于消费订单数据的经营风险管控方法的步骤。
第四方面,本说明书实施例提供了一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述实施例第一方面所述的一种基于消费订单数据的经营风险管控方法的步骤。
本说明书一些实施例提供的技术方案带来的有益效果至少包括:
首先基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集,进一步分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集,再进一步基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案,最后在后续实时消费订单产生的过程中基于其所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控,进而高效且合理的完成了对消费订单的风险管控。
附图说明
为了更清楚地说明本说明书实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种基于消费订单数据的经营风险管控方法的流程示意图。
图2是本说明书实施例提供的一种基于消费订单数据的经营风险管控系统的结构示意图。
图3是本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述。
本说明书中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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本说明书内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
请参阅图1,图1为本说明书实施例提供的一种基于消费订单数据的经营风险管控方法的流程示意图。
如图1所示,该经营风险管控方法至少可以包括以下步骤:
步骤102、获取包含若干历史消费订单的消费订单集。
步骤104、基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集。
其中,所述预设订单特征包括订单发生时间、订单交易金额、订单商品种类、订单商品数量、订单客户信息、订单开票数据、订单发生地理位置、订单操作员工信息中的至少两个,当然还可包括其它一些未提及的订单特征,这里仅仅只是举例说明。
可以理解的是,通过步骤104即可将具有相似订单特征的消费订单进行聚类,以得到多个不同订单类别的消费订单子集,因此在同一消费订单子集中的消费订单具有相似的订单特征。
而通常来说具有相似订单特征的消费订单,其违规情况也相似,且通常来说聚类过程中采用的订单特征种类越多,同一消费订单子集中消费订单的违规情况相似性也会更高。
所述聚类可采用K-means聚类算法,所述订单类别数量可预先设定。
步骤106、分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集。
步骤108、获取各抽样消费订单数据集中的订单违规情况。
需要说明的是,订单违规情况可以通过人为打标签的形式获取,也可以通过违规情况识别模型识别得到。
步骤110、基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案。
可以理解的是,本说明书多个实施例提供的经营风险管控方法,核心是将历史消费订单进行分类,并基于每个订单类别的订单违规情况制定相应的风险管控方案。而每个类别中历史消费订单数量较为庞大,因此该实施例中对每个消费订单子集进行抽样处理,以形成多个抽样消费订单数据集,后续基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案即可,降低了风险管控方案制定过程中所需的信息量和计算量。
步骤112、获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别。
步骤114、基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。
可以理解的是,经过步骤102~步骤110,已预先制定完成不同订单类别的风险管控方案。因此后续对于实时消费订单只需将其聚类至相应订单类别,并基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控即可。
即无需针对每种订单违规类型制定不同的风险管控方案,进而简化了风险管控方案的复杂度,进而实现高效管控。
而可以理解的是,经过聚类,同一订单类别中的消费订单其违规情况也相似,因此采用相同的风险管控方案具有合理性。
进一步,在本说明书的一个实施例中所述基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集之前还包括:
对消费订单集进行去重处理以及缺失值处理。
需要说明的是,通过去除重复数据,可以确保每条数据都是独立的,从而提高数据分析的准确性。通过合理的缺失值处理方法,如删除含有缺失值的数据、填补缺失值或使用合适的插值方法,可以使数据集更完整,减少数据分析的误差。
进一步,在本说明书的一个实施例中所述订单违规情况包括订单违规率以及各订单违规类型,风险管控方案包括风险管控频率、违规后惩罚方案。
所述基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案,包括:
步骤1102、赋予不同违规类型相应的惩罚值。
步骤1104、基于各抽样消费订单数据集中各订单违规类型,计算得到各抽样消费订单数据集各自对应的总惩罚值。
步骤1106、基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案。
可以理解的是,该实施例中,针对每个抽样消费订单数据集均获取其订单违规率以及各订单违规类型,并基于各订单违规类型计算得到抽样消费订单数据集各自对应的总惩罚值,最后基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案。
所述风险管控频率即针对后续发生实时消费订单时的管控频率。例如每天天管控3次、每周管控3次等等,每次管控时管控的范围可针对所有之前累积的未进行过管控的消费订单,每次管控时管控的范围也可仅针对最新产生的消费订单。
所述违规后惩罚方案即发现消费订单违规后的惩罚方案,可以是惩罚金钱,也可以是其它形式的惩罚,具体可根据实际情况进行设置。
进一步,所述基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案,包括:
步骤11062、赋予总惩罚值数据、订单违规率数据各自对应的权重。
步骤11064、将各抽样消费订单数据集各自对应的总惩罚值、订单违规率进行归一化,以得到各抽样消费订单数据集各自对应的归一化总惩罚值、归一化订单违规率。
可以理解的是,总惩罚值和订单违规率两者单位不同,因此要将两者综合起来考虑时,可以将两者的数值进行归一化处理。
步骤11066、基于总惩罚值数据、订单违规率数据各自对应的权重以及各抽样消费订单数据集各自对应的归一化总惩罚值、归一化订单违规率,以计算得到各抽样消费订单数据集对应的风险管控方案制定参考值。
步骤11068、基于各抽样消费订单数据集对应的风险管控方案制定参考值,制定不同订单类别的风险管控频率、违规后惩罚方案。
进一步,所述各抽样消费订单数据集对应的风险管控方案制定参考值,计算公式可以但不限于为:
Qi=aXi+bYi,
其中,Qi表示第i个抽样消费订单数据集对应的风险管控方案制定参考值,Xi表示第i个抽样消费订单数据集对应的归一化总惩罚值,Yi第i个抽样消费订单数据集对应的归一化订单违规率,a表示总惩罚值数据对应的权重,b表示订单违规率数据对应的权重,a>0,b>0。
进一步,可以理解的是,所述抽样消费订单数据集对应的风险管控方案制定参考值越大,相应订单类别的风险管控频率越高、违规后惩罚方案的惩罚程度越高。
进一步,所述订单类别的风险管控频率,计算公式可以但不限于为:
其中,Pi表示第i个订单类别的风险管控频率。
即每天管控Pi次,由于计算得到的Pi不一定为整数,因此应用过程中Pi可以采用四舍五入的方式取整。
需要说明的是,本说明书多个实施例提供的经营风险管控方法,可以但不限于应用在加油站、商店、企业等场景。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
请参阅图2,图2为本说明书实施例提供的一种基于消费订单数据的经营风险管控系统的结构示意图。
如图2所示,该经营风险管控系统至少可以包括:
获取模块201,用于获取包含若干历史消费订单的消费订单集;
聚类模块202,用于基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集;
抽样模块203,用于分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集;
违规情况获取模块204,用于获取各抽样消费订单数据集中的订单违规情况;
风险管控方案制定模块205,用于基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案;
聚类模块202,还用于获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别;
风险管控模块206,用于基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。
根据上述可知,通过该经营风险管控系统可对企业经营过程中产生的消费订单进行有效管控。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分相互参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于经营风险管控系统实施例而言,由于其基本相似于经营风险管控方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
请参阅图3示出的本说明书实施例提供的一种电子设备的结构示意图。
如图3所示,该电子设备300可以包括:至少一个处理器301、至少一个网络接口304、用户接口303、存储器305以及至少一个通信总线302。
其中,通信总线302可用于实现上述各个组件的连接通信。
其中,用户接口303可以包括按键,可选用户接口还可以包括标准的有线接口、无线接口。
其中,网络接口304可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中,处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个电子设备300内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行电子设备300的各种功能和处理数据。可选的,处理器301可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器301可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器301中,单独通过一块芯片进行实现。
其中,存储器305可以包括RAM,也可以包括ROM。可选的,该存储器305包括非瞬时性计算机可读介质。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储装置。作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及经营风险管控程序指令。处理器301可以用于调用存储器305中存储的经营风险管控程序指令,并执行前述实施例中提及的管控的步骤。
本说明书实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机或处理器上运行时,使得计算机或处理器执行上述多个实施例中的一个或多个的步骤。上述电子设备的各组成模块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,可以存储在所述计算机可读取存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本说明书实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字多功能光盘(DigitalVersatile Disc,DVD))、或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下,本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本说明书的优选实施例方式进行描述,并非对本说明书的范围进行限定,在不脱离本说明书的设计精神的前提下,本领域普通技术人员对本说明书的技术方案作出的各种变形及改进,均应落入本说明书的权利要求书确定的保护范围内。
Claims (10)
1.一种基于消费订单数据的经营风险管控方法,其特征在于,包括:
获取包含若干历史消费订单的消费订单集;
基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集;
分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集;
获取各抽样消费订单数据集中的订单违规情况;
基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案;
获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别;
基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。
2.根据权利要求1所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集之前还包括:
对消费订单集进行去重处理以及缺失值处理。
3.根据权利要求1所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述预设订单特征包括订单发生时间、订单交易金额、订单商品种类、订单商品数量、订单客户信息、订单开票数据、订单发生地理位置、订单操作员工信息中的至少两个。
4.根据权利要求1所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述订单违规情况包括订单违规率以及各订单违规类型,风险管控方案包括风险管控频率、违规后惩罚方案。
5.根据权利要求4所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案,包括:
赋予不同违规类型相应的惩罚值;
基于各抽样消费订单数据集中各订单违规类型,计算得到各抽样消费订单数据集各自对应的总惩罚值;
基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案。
6.根据权利要求5所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述基于各抽样消费订单数据集各自对应的总惩罚值、订单违规率,制定不同订单类别的风险管控频率、违规后惩罚方案,包括:
赋予总惩罚值数据、订单违规率数据各自对应的权重;
将各抽样消费订单数据集各自对应的总惩罚值、订单违规率进行归一化,以得到各抽样消费订单数据集各自对应的归一化总惩罚值、归一化订单违规率;
基于总惩罚值数据、订单违规率数据各自对应的权重以及各抽样消费订单数据集各自对应的归一化总惩罚值、归一化订单违规率,以计算得到各抽样消费订单数据集对应的风险管控方案制定参考值;
基于各抽样消费订单数据集对应的风险管控方案制定参考值,制定不同订单类别的风险管控频率、违规后惩罚方案。
7.根据权利要求6所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述各抽样消费订单数据集对应的风险管控方案制定参考值,计算公式为:
Qi=aXi+bYi,
其中,Qi表示第i个抽样消费订单数据集对应的风险管控方案制定参考值,Xi表示第i个抽样消费订单数据集对应的归一化总惩罚值,Yi第i个抽样消费订单数据集对应的归一化订单违规率,a表示总惩罚值数据对应的权重,b表示订单违规率数据对应的权重,a>0,b>0。
8.根据权利要求7所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述抽样消费订单数据集对应的风险管控方案制定参考值越大,相应订单类别的风险管控频率越高、违规后惩罚方案的惩罚程度越高。
9.根据权利要求8所述的一种基于消费订单数据的经营风险管控方法,其特征在于,所述订单类别的风险管控频率,计算公式为:
其中,Pi表示第i个订单类别的风险管控频率。
10.一种基于消费订单数据的经营风险管控系统,基于权利要求1~9任一项所述的一种基于消费订单数据的经营风险管控方法,其特征在于,包括:
获取模块,用于获取包含若干历史消费订单的消费订单集;
聚类模块,用于基于预设订单特征对消费订单集进行聚类,以得到多个不同订单类别的消费订单子集;
抽样模块,用于分别从各消费订单子集中抽取预设比例的历史消费订单,以形成多个抽样消费订单数据集;
违规情况获取模块,用于获取各抽样消费订单数据集中的订单违规情况;
风险管控方案制定模块,用于基于各抽样消费订单数据集中的订单违规情况,制定不同订单类别的风险管控方案;
聚类模块,还用于获取实时消费订单,并基于预设订单特征将实时消费订单聚类至相应订单类别;
风险管控模块,用于基于实时消费订单所属订单类别对应的风险管控方案,对该实时消费订单进行风险管控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311725507.9A CN117745062A (zh) | 2023-12-15 | 2023-12-15 | 一种基于消费订单数据的经营风险管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311725507.9A CN117745062A (zh) | 2023-12-15 | 2023-12-15 | 一种基于消费订单数据的经营风险管控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117745062A true CN117745062A (zh) | 2024-03-22 |
Family
ID=90253785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311725507.9A Pending CN117745062A (zh) | 2023-12-15 | 2023-12-15 | 一种基于消费订单数据的经营风险管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745062A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974274A (zh) * | 2024-03-29 | 2024-05-03 | 浙江加乐网络科技有限公司 | 一种基于消费分析的订单监控系统及方法 |
-
2023
- 2023-12-15 CN CN202311725507.9A patent/CN117745062A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974274A (zh) * | 2024-03-29 | 2024-05-03 | 浙江加乐网络科技有限公司 | 一种基于消费分析的订单监控系统及方法 |
CN117974274B (zh) * | 2024-03-29 | 2024-06-07 | 浙江加乐网络科技有限公司 | 一种基于消费分析的订单监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452992B2 (en) | Interactive interfaces for machine learning model evaluations | |
CN117745062A (zh) | 一种基于消费订单数据的经营风险管控方法及系统 | |
CN112559301B (zh) | 业务处理方法、存储介质、处理器及电子装置 | |
CN108830715A (zh) | 批量文件部分回盘处理方法和系统 | |
CN109600724A (zh) | 一种短信发送的方法和装置 | |
CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
CN109754290A (zh) | 一种游戏数据的处理方法和装置 | |
CN112184302A (zh) | 一种产品推荐方法、装置、规则引擎及存储介质 | |
CN111105238A (zh) | 一种交易风险控制方法和装置 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN110363654A (zh) | 一种优惠信息推送方法、装置和电子设备 | |
CN115982664A (zh) | 一种异常账户识别方法、装置、设备及存储介质 | |
CN111427915A (zh) | 信息处理方法及装置、存储介质、电子设备 | |
CN109450963B (zh) | 消息推送方法及终端设备 | |
US20180157797A1 (en) | Cost of healthcare analytics platform | |
CN113888278A (zh) | 基于企业信用额度分析模型的数据分析方法及装置 | |
CN113191922A (zh) | 诉讼决策信息请求处理方法及装置 | |
CN109656803A (zh) | 信息推送方法、装置和电子设备 | |
CN111008078A (zh) | 数据的批量处理方法、装置、设备及计算机存储介质 | |
CN110544165A (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
CN115391343A (zh) | 账单数据处理方法、装置、电子设备和存储介质 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114139798A (zh) | 企业风险预测方法、装置及电子设备 | |
CN109993648B (zh) | 一种数据处理方法和相关装置 | |
CN111429257A (zh) | 一种交易监控方法和装置 |
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 |