CN117763411A - 异常原因的确定方法及装置、存储介质、电子装置 - Google Patents
异常原因的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN117763411A CN117763411A CN202311706830.1A CN202311706830A CN117763411A CN 117763411 A CN117763411 A CN 117763411A CN 202311706830 A CN202311706830 A CN 202311706830A CN 117763411 A CN117763411 A CN 117763411A
- Authority
- CN
- China
- Prior art keywords
- data
- index data
- abnormal
- determining
- abnormality
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims abstract description 157
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 description 19
- 230000008901 benefit Effects 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000470 constituent Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 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
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异常原因的确定方法及装置、存储介质、电子装置,其中,上述方法包括:在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因,解决了相关技术中,在客户资产数据存在异常的情况下,无法确定导致资产数据产生异常的原因的问题。
Description
技术领域
本发明涉及信息技术领域,具体而言,涉及一种异常原因的确定方法及装置、存储介质、电子装置。
背景技术
金融机构经营的终极目标是企业价值的最大化,提升客户的综合贡献意味着企业价值的提升。在此过程中如何评价客户的综合贡献是困扰经营者的难点。一般而言,考量客户对金融机构的综合贡献有两个维度,一是客户对金融机构价值贡献量的大小,可以采用EVA(经济增加值)来评价;二是客户对金融机构价值贡献度的高低,可以采用RAROC(风险调整后资本收益率)评价。由于EVA(经济增加值)计算过程中涉及的项较多,既涵盖了财会条线的诸多会计科目,又囊括了风险条线的准备金和经济资本,业内对于做大客户的EVA(经济增加值)尚缺少高效便捷的管理方法。
若提前确定需要扩容的各项资源量,若采用固定量级的扩容量,仅适用单一资源,不适用于混合资源。因为每项资源的使用情况会根据技术发展趋势有涨有跌,根据不同技术栈的迭代也有上升和下降,是动态过程。
针对相关技术中,在客户资产数据存在异常的情况下,无法确定导致资产数据产生异常的原因的问题,尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种异常原因的确定方法及装置、存储介质、电子装置,以至少解决相关技术中,在客户资产数据存在异常的情况下,无法确定导致资产数据产生异常的原因的问题。
根据本发明实施例的一个方面,提供了一种异常原因的确定方法,包括:在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
在一个示例性实施例中,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,包括:确定所述资产数据所属的数据类型,根据所述数据类型确定与所述资产数据匹配的处理模板,其中,所述数据类型用于指示所述资产数据的增和/或减原因,其中,所述处理模板包括:数据类型、数据类型对应的运算规则;通过所述处理模板对所述资产数据进行处理,得到所述资产数据对应的指标数据。
在一个示例性实施例中,将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据,所述方法还包括:将所述指标数据输入到所述用户数据库对应的指标数据集合中,其中,所述指标数据集合包括用户数据库中用户的对应的其他指标数据;将所述指标数据集合输入到所述异常算法中,得到计算结果,其中,所述计算结果用于指示所述指标数据集合中的异常数据;根据所述异常算法的计算结果确定所述指标数据是否为异常指标数据。
在一个示例性实施例中,将所述指标数据输入到异常算法中之后,所述方法还包括:获取所述异常算法生成计算结果的过程信息,其中,所述计算结果至少包括:每个指标数据对应的目标集合,所述过程信息至少包括:生成所述目标集合的时间点;根据所述计算结果中不同指标数据对应的时间点的先后顺序确定出所述指标数据是否为异常指标数据。
在一个示例性实施例中,将所述异常指标数据确定为所述用户数据库对应的异常原因之前,所述方法还包括:确定所述用户对应的异常指标数据集合,其中,所述异常指标数据集合包括:所述用户对应的全部异常指标数据和每个异常指标数据对应的分数值;对所述异常指标集合中的分数值进行排序,确定出分数值最大的第一异常指标数据;将所述第一异常指标数据确定为所述异常原因。
在一个示例性实施例中,将所述异常指标数据确定为所述用户数据库对应的异常原因之后,所述方法还包括:确定所述用户所属的管理企业;获取所述管理企业对应的其他用户的异常指标以及其他用户的异常指标的异常类别;确定所述管理企业不同异常类别的异常指标的数量,将数量最大的异常类别确定为所述企业的异常原因。
在一个示例性实施例中,将所述异常指标数据确定为所述用户数据库对应的异常原因之后,所述方法还包括:将所述异常原因发送至所述用户对应的终端设备;在接收到用户基于所述异常原因发出的目标指令的情况下,确定所述目标指令对应的查看类型;根据所述查看类型从异常指标数据中提取出子数据;将所述子数据发送给所述终端设备。
根据本发明实施例的另一个方面,还提供了一种异常原因的确定装置,包括:第一确定模块,用于在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;对比模块,用于将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;第二确定模块,用于在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
根据本发明实施例的另一方面,还提供了一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时运行上述异常原因的确定方法。
根据本发明实施例的又一方面,还提供了一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器通过所述计算机程序运行上述异常原因的确定方法。
通过上述实施例,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。解决了相关技术中,在客户资产数据存在异常的情况下,无法确定导致资产数据产生异常的原因的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种异常原因的确定方法的计算机终端的硬件结构框图;
图2是根据本发明实施例的一种可选的异常原因的确定方法的流程图(一);
图3是根据本发明实施例的一种异常算法结果示意图;
图4是根据本发明实施例的一种可选的异常原因确定方法的流程图(二);
图5是根据本发明实施例的一种异常原因的确定装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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。
本发明实施例所提供的方法实施例可以在计算机终端中运行。以运行在计算机终端上为例,图1是本发明实施例的一种异常原因的确定方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理系统)和用于存储数据的存储器104,在一个示例性实施例中,上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的异常原因的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而运行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至安全文本。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括摄像设备的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。
在本实施例中提供了一种异常原因的确定方法,包括但不限于应用于上述计算机终端,图2是根据本发明实施例的一种可选的异常原因的确定方法的流程图(一),该流程包括如下步骤:
步骤S202,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;
需要说明的是,所述预设数据范围可以是人工设置的,但是优选是通过异常算法计算得到的。在所述预设数据范围是人工设置的情况下,可以是固定的数据范围。在所述预设数据范围是通过异常算法得到的情况下,预设数据范围可以不是固定值。具体地,异常算法可以计算得到指标数据中的异常值,假设将用户对应的所有的指标数据放在同一个坐标系中,那么每个指标数据对应一个坐标点。其中,“远离”其他坐标点的那个坐标a就是异常值。而是不是“远离”则由异常算法进行计算确定。也就是说,不同的指标数据对应了不同的预设数据范围。
步骤S204,将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;
步骤S206,在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
通过上述步骤,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。解决了相关技术中,在客户资产数据存在异常的情况下,无法确定导致资产数据产生异常的原因的问题。
在一个示例性实施例中,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,包括:确定所述资产数据所属的数据类型,根据所述数据类型确定与所述资产数据匹配的处理模板,其中,所述数据类型用于指示所述资产数据的增和/或减原因,其中,所述处理模板包括:数据类型、数据类型对应的运算规则;通过所述处理模板对所述资产数据进行处理,得到所述资产数据对应的指标数据。
需要说明的是,用户的资产数据有很多种类,但是资产数据并不能直接作为指标数据进行使用,而是需要进一步整合计算才能作为指标数据。可选地,所述资产数据对应的类型包括:外部利息年收入、内部转移支出、内部转移收入、外部利息年支出、手续费及佣金收入金额、手续费及佣金支出金额、汇兑净损益金额、股利收入及股权投资买卖损益金额、交易性净收益及债券价差金额、其他营业收入金额、营业外收入金额、资产处置损益营业外支出金额、其他营业支出金额、监管费金额、营业税金及附加余额、非资产处置损益营业外支出金额、费用及折旧费金额、贷款准备金金额、非信贷准备金金额。
可选地,确定与所述资产数据匹配的处理模板,其中,所述处理模块数据类型、数据类型对应的运算规则,具体地:
贷款息差=外部利息年收入-内部转移支出;
存款息差=内部转移收入-外部利息年支出;
中间收入=手续费及佣金收入金额-手续费及佣金支出金额;
其他损益=汇兑净损益金额+股利收入及股权投资买卖损益金额+交易性净收益及债券价差金额+其他营业收入金额+营业外收入金额-资产处置损益营业外支出金额-其他营业支出金额-监管费金额-营业税金及附加余额-非资产处置损益营业外支出金额-费用及折旧费金额;
拨备=贷款准备金金额+非信贷准备金金额;
需要说明的是,在金融相关领域,经常采用EVA(经济增加值)来实现对用户的评价,例如,评价用户对金融机构的贡献度等。由于EVA(经济增加值)计算过程中涉及的项较多,既涵盖了财会条线的诸多会计科目,又囊括了风险条线的准备金和经济资本,业内对于做大客户的EVA(经济增加值)尚缺少高效便捷的管理方法。
可选地,将EVA(经济增加值)按业务意义进行适当简化,并按以下简化式展开具体分析:EVA=贷款息差+存款息差+中间收入+其他损益-所得税金额-拨备-资本成本。
为了方便进行EVA合理量化与构成项分析,引入构造指标。计算方式如下:
拨备前利润构成项贡献度=拨备前利润构成项/拨备前利润。
在一个示例性实施例中,将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据,所述方法还包括:将所述指标数据输入到所述用户数据库对应的指标数据集合中,其中,所述指标数据集合包括用户数据库中用户的对应的其他指标数据;将所述指标数据集合输入到所述异常算法中,得到计算结果,其中,所述计算结果用于指示所述指标数据集合中的异常数据;根据所述异常算法的计算结果确定所述指标数据是否为异常指标数据。
也就是说,通过将用户数据库对应的全部指标数据集合输入到异常算法中,异常算法会确定出指标数据集合中“远离”其他指标数据的异常指标数据,从而可以将“远离”其他指标数据的异常指标数据确定出来。
在一个示例性实施例中,将所述指标数据输入到异常算法中之后,所述方法还包括:获取所述异常算法生成计算结果的过程信息,其中,所述计算结果至少包括:每个指标数据对应的目标集合,所述过程信息至少包括:生成所述目标集合的时间点;根据所述计算结果中不同指标数据对应的时间点的先后顺序确定出所述指标数据是否为异常指标数据。
可选地,所述异常算法可以是孤立森林算法,其中,所述孤立森林算法的工作原理如下:
对于给定的指标数据集合,随机选择一个特征和一个随机的分割点,将指标数据集合一分为二。重复上述步骤,继续对指标数据集合进行划分,直到每个指标数据样本都单独在一个分支上,或者达到预先设定的树的深度。在构建的树中,异常指标数据往往会被分割得比较早,深度较浅,而正常指标数据则需要更多的分割才能隔离开来。通过计算数据点在多棵随机树中的平均深度来确定其异常得分。异常得分越小,表示越容易被孤立,因此越有可能是异常指标数据。
可选地,在确定出异常指标数据之后,还可以对异常指标数据进行再次检测,即将检测得到的异常标签序列与人为定义的异常样本序列进行比较,计算它们的精确度、欧氏距离、余弦相似距离,具体地:
经比较,筛选得出贷款息差贡献度、存款息差贡献度、中收贡献度等项作为异常指标数据。
在一个示例性实施例中,将所述异常指标数据确定为所述用户数据库对应的异常原因之前,所述方法还包括:确定所述用户对应的异常指标数据集合,其中,所述异常指标数据集合包括:所述用户对应的全部异常指标数据和每个异常指标数据对应的分数值;对所述异常指标集合中的分数值进行排序,确定出分数值最大的第一异常指标数据;将所述第一异常指标数据确定为所述异常原因。
也就是说,对所述用户对应的全部异常指标数据进行打分,根据最终每个异常指标数据对应的得分高低,确定最终的异常原因。
可选地,根据拨备前利润是否为负打标标签,将计算得到的精确率视为每项权重,计算它们的综合异常分数:
其中:
mi∈{贷款息差项,存款息差项,中间收入项,其他损益项};
在一个示例性实施例中,将所述异常指标数据确定为所述用户数据库对应的异常原因之后,所述方法还包括:确定所述用户所属的管理企业;获取所述管理企业对应的其他用户的异常指标以及其他用户的异常指标的异常类别;确定所述管理企业不同异常类别的异常指标的数量,将数量最大的异常类别确定为所述企业的异常原因。
也就是说,在确定用户的异常原因之后,还可以确定用户所对应的管理企业,从管理企业角度再次进行统计,从而确定管理企业对应的异常原因。具体地:计算行业内所有数据的每项排名:
构成项表现排名=降序排序(构成项);
如此,排名能够直接反映每家企业该项在全行业的表现情况,例如:
假设A企业贷款息差项数值大于全行业任一其他企业,那么A企业的贷款息差项排名为:1。
步骤二 异常项归因:
异常归因标签=最大排名所在项名称,例如:
假设A企业的{贷款息差项,存款息差项,中间收入项,其他损益项}中,每项对应排名为:{1,3,5,7},那么A企业的异常归因标签=其他损益项。
按照特定逻辑排序得到分支机构时点异常企业清单,作为输出产品,如表1所示,表1是异常清单关键字段释义表。
异常清单关键字段释义表1
字段名 | 字段含义 |
cst_id | 客户编号 |
report_date | 报告期 |
customer_name | 客户名称 |
group_customer_no | 所属机构编号 |
group_name | 所属机构名称 |
four_dep_size | 四部委规模 |
hyml | 行业门类 |
all_ano_score | 综合异常分 |
loan_inr_spread_rank | 贷款息差项行业门类内排名 |
deposit_inr_spread_rank | 存款息差项行业门类内排名 |
middle_income_spread_rank | 中间收入项行业门类内排名 |
other_factor_rank | 其它损益项行业门类内排名 |
tag | 异常归因原因 |
在一个示例性实施例中,将所述异常指标数据确定为所述用户数据库对应的异常原因之后,所述方法还包括:将所述异常原因发送至所述用户对应的终端设备;在接收到用户基于所述异常原因发出的目标指令的情况下,确定所述目标指令对应的查看类型;根据所述查看类型从异常指标数据中提取出子数据;将所述子数据发送给所述终端设备。
也就是说,将异常原因发送至用户后,用户可能想进一步了解异常原因对应的数据。那么,在用户发出不同的查看类型的情况下,可以根据查看类型从异常指标数据中提取出用户期望看到的数据,发送给终端设备。
进一步的,本发明可选实施例的所依据的原理如下,图3是根据本发明实施例的一种异常算法结果示意图,包括:
非异常点检测情况和异常点检测情况(相当于异常指标数据);
孤立森林的工作原理如下:
(1)对于给定的数据集,随机选择一个特征和一个随机的分割点,将数据集一分为二。
(2)重复上述步骤,继续对数据集进行划分,直到每个数据样本都单独在一个分支上,或者达到预先设定的树的深度。
(3)在构建的树中,异常点往往会被分割得比较早,深度较浅,而正常点则需要更多的分割才能隔离开来。
(4)通过计算数据点在多棵随机树中的平均深度来确定其异常得分。异常得分越小,表示越容易被孤立,因此越有可能是异常点。
图4是根据本发明实施例的一种可选的异常原因确定方法的流程图(二)如图4所示,包括:
步骤一:孤立森林单指标异常检测;
针对上述步骤一,具体地,此步首先对基础数据集进行数据清洗,将符合相关业务含义的项进行合并和因子衍生,例如将“外部利息年收入”与“内部转移支出”相减得到贷款息差,再将贷款息差除以拨备前利润得到贷款息差贡献度。
然后可以分别对构建的构成项贡献度指标进行异常检测,将检测得到的异常标签序列与人为定义的异常样本序列进行比较,计算它们的精确度、欧氏距离、余弦相似距离。经比较,筛选得出贷款息差贡献度、存款息差贡献度、中收贡献度等项作为模型异常指标。
步骤二:异常分数计算;
孤立森林模型计算得到各衍生因子的异常分,根据拨备前利润是否为负打标标签,将计算得到的精确率视为每项权重,计算它们的综合异常分数:
其中:
mi∈{贷款息差项,存款息差项,中间收入项,其他损益项};
步骤三:异常归因;
1)计算行业内所有数据的每项排名:
构成项表现排名=降序排序(构成项);
如此,排名能够直接反映每家企业该项在全行业的表现情况,例如:
假设A企业贷款息差项数值大于全行业任一其他企业,那么A企业的贷款息差项排名为:1。
2)异常项归因:
异常归因标签=最大排名所在项名称,例如:
假设A企业的{贷款息差项,存款息差项,中间收入项,其他损益项}中,每项对应排名为:{1,3,5,7},那么A企业的异常归因标签=其他损益项。
步骤四:得到分行时点异常企业清单;
按照特定逻辑排序得到分支机构时点异常企业清单。
而目前,在相关领域中,金融机构(例如,银行)业务经营部门在管理客户时,缺少合理有效的方式筛选出掣肘客户价值贡献的主要因素。例如,从收入端来说,有利息收入、中间业务收入、其他非利息收入等因子;从成本端来说,有资金成本、运营成本、风险成本、税收成本、资本成本等因子。业务人员在分析上述因子时,面临着三方面的难题:
一是已知某客户亏损了,但是不清楚导致客户亏损的原因。可能的原因有产品收益率较低、产品覆盖率较低、产品定价不合理、提供的服务成本昂贵、客户资产质量差、经济资本占用多等。无法定位亏损原因,则无法有的放矢的作出应对,客户价值管理无从谈起。
二是缺少客户价值挖掘的抓手。金融机构的海量客户群里中,有大量的客户属于低效或无效客户。然而,低效或无效是相对的,在A金融机构表现为低效或无效,在B金融机构则可能是优质客户。对于A金融机构而言,这些客户就是潜在的可挖掘的优质客户。挖掘潜在价值客户,从而进一步精准营销,是金融机构面临的重大课题。
三是在机构视图下,面对海量客户无法使用大数据手段对客户进行排序,缺少便捷可用的信息管理系统,将价值挖掘的重要因子纳入其中。
通过上述方法,通过异常检测算法识别影响经济增加值的关键因子,通过异常分的方式评价异常程度。使用特定算法作为单个异常指标的权重,加工整合得到客户级综合异常分。通过行业内客户单指标的排序,得到异常归因结果。该发明将实施路径固化为依托计算机使用的特定产品,解决了经济增加值管理中缺少定量评价的难题,提升了金融机构业务经营部门的客户价值经营能力。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)运行本发明各个实施例的方法。
在本实施例中还提供了一种异常原因的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种异常原因的确定装置的结构框图;如图5所示,包括:
第一确定模块52,用于在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;
对比模块54,用于将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;
第二确定模块56,用于在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
通过本发明上述装置,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。解决了相关技术中,在客户资产数据存在异常的情况下,无法确定导致资产数据产生异常的原因的问题。
在一个示例性实施例中,所述第一确定模块52,还用于确定所述资产数据所属的数据类型,根据所述数据类型确定与所述资产数据匹配的处理模板,其中,所述数据类型用于指示所述资产数据的增和/或减原因,其中,所述处理模板包括:数据类型、数据类型对应的运算规则;通过所述处理模板对所述资产数据进行处理,得到所述资产数据对应的指标数据。
在一个示例性实施例中,所述对比模块54,还用于将所述指标数据输入到所述用户数据库对应的指标数据集合中,其中,所述指标数据集合包括用户数据库中用户的对应的其他指标数据;将所述指标数据集合输入到所述异常算法中,得到计算结果,其中,所述计算结果用于指示所述指标数据集合中的异常数据;根据所述异常算法的计算结果确定所述指标数据是否为异常指标数据。
在一个示例性实施例中,所述对比模块54,还用于获取所述异常算法生成计算结果的过程信息,其中,所述计算结果至少包括:每个指标数据对应的目标集合,所述过程信息至少包括:生成所述目标集合的时间点;根据所述计算结果中不同指标数据对应的时间点的先后顺序确定出所述指标数据是否为异常指标数据。
在一个示例性实施例中,所述第二确定模块56,还用于确定所述用户对应的异常指标数据集合,其中,所述异常指标数据集合包括:所述用户对应的全部异常指标数据和每个异常指标数据对应的分数值;对所述异常指标集合中的分数值进行排序,确定出分数值最大的第一异常指标数据;将所述第一异常指标数据确定为所述异常原因。
在一个示例性实施例中,所述第二确定模块56,还用于确定所述用户所属的管理企业;获取所述管理企业对应的其他用户的异常指标以及其他用户的异常指标的异常类别;确定所述管理企业不同异常类别的异常指标的数量,将数量最大的异常类别确定为所述企业的异常原因。
在一个示例性实施例中,所述第二确定模块56,还用于将所述异常原因发送至所述用户对应的终端设备;在接收到用户基于所述异常原因发出的目标指令的情况下,确定所述目标指令对应的查看类型;根据所述查看类型从异常指标数据中提取出子数据;将所述子数据发送给所述终端设备。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时运行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于运行以下步骤的程序代码:
S1,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;
S2,将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;
S3,在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以运行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序运行以下步骤:
S1,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;
S2,将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;
S3,在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算系统来实现,它们可以集中在单个的计算系统上,或者分布在多个计算系统所组成的网络上,可选地,它们可以用计算系统可运行的程序代码来实现,从而,可以将它们存储在存储系统中由计算系统来运行,并且在某些情况下,可以以不同于此处的顺序运行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常原因的确定方法,其特征在于,包括:
在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;
将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;
在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
2.根据权利要求1所述的异常原因的确定方法,其特征在于,在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,包括:
确定所述资产数据所属的数据类型,根据所述数据类型确定与所述资产数据匹配的处理模板,其中,所述数据类型用于指示所述资产数据的增和/或减原因,其中,所述处理模板包括:数据类型、数据类型对应的运算规则;
通过所述处理模板对所述资产数据进行处理,得到所述资产数据对应的指标数据。
3.根据权利要求1所述的异常原因的确定方法,其特征在于,将所述异常指标数据确定为所述用户数据库对应的异常原因之前,所述方法还包括:
将所述指标数据输入到所述用户数据库对应的指标数据集合中,其中,所述指标数据集合包括用户数据库中用户对应的其他指标数据;
将所述指标数据集合输入到异常算法中,得到计算结果,其中,所述计算结果用于指示所述指标数据集合中的异常数据;
根据所述异常算法的计算结果确定所述指标数据是否为异常指标数据。
4.根据权利要求3所述的异常原因的确定方法,其特征在于,将所述指标数据集合输入到异常算法中之后,所述方法还包括:
获取所述异常算法生成计算结果的过程信息,其中,所述计算结果至少包括:每个指标数据对应的目标集合,所述过程信息至少包括:生成所述目标集合的时间点;
根据所述计算结果中不同指标数据对应的时间点的先后顺序确定出所述指标数据是否为异常指标数据。
5.根据权利要求1所述的异常原因的确定方法,其特征在于,将所述异常指标数据确定为所述用户数据库对应的异常原因之前,所述方法还包括:
确定所述用户对应的异常指标数据集合,其中,所述异常指标数据集合包括:所述用户对应的全部异常指标数据和每个异常指标数据对应的分数值;
对所述异常指标集合中的分数值进行排序,确定出分数值最大的第一异常指标数据;
将所述第一异常指标数据确定为所述异常原因。
6.根据权利要求1所述的异常原因的确定方法,其特征在于,将所述异常指标数据确定为所述用户数据库对应的异常原因之后,所述方法还包括:
确定所述用户所属的管理企业;
获取所述管理企业对应的其他用户的异常指标以及其他用户的异常指标的异常类别;
确定所述管理企业的不同异常类别的异常指标的数量,将数量最大的异常类别确定为所述企业的异常原因。
7.根据权利要求1所述的异常原因的确定方法,其特征在于,将所述异常指标数据确定为所述用户数据库对应的异常原因之后,所述方法还包括:
将所述异常原因发送至所述用户对应的终端设备;
在接收到用户基于所述异常原因发出的目标指令的情况下,确定所述目标指令对应的查看类型;
根据所述查看类型从异常指标数据中提取出子数据;
将所述子数据发送给所述终端设备。
8.一种异常原因的确定装置,其特征在于,包括:
第一确定模块,用于在从用户数据库中获取到用户对应的资产数据的情况下,确定出所述资产数据中的指标数据,其中,所述指标数据用于指示所述资产数据中数据值符合预设数据范围的数据;
对比模块,用于将所述指标数据与预设的样本数据进行对比,根据对比结果确定所述指标数据是否为异常指标数据;
第二确定模块,用于在所述指标数据是异常指标数据的情况下,将所述异常指标数据确定为所述用户数据库对应的异常原因。
9.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时运行上述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序运行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706830.1A CN117763411A (zh) | 2023-12-12 | 2023-12-12 | 异常原因的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706830.1A CN117763411A (zh) | 2023-12-12 | 2023-12-12 | 异常原因的确定方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117763411A true CN117763411A (zh) | 2024-03-26 |
Family
ID=90317469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706830.1A Pending CN117763411A (zh) | 2023-12-12 | 2023-12-12 | 异常原因的确定方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763411A (zh) |
-
2023
- 2023-12-12 CN CN202311706830.1A patent/CN117763411A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993143A (zh) | 一种信贷风险评估方法及系统 | |
US20210337069A1 (en) | Exclusive Agent Pool Allocation Method, Electronic Device, And Computer Readable Storage Medium | |
EP1361526A1 (en) | Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value | |
CN110009502B (zh) | 理财数据分析方法、装置、计算机设备和存储介质 | |
CN108320089A (zh) | 坐席分配方法、电子装置及计算机可读存储介质 | |
CN112529628B (zh) | 客户标签的生成方法、装置、计算机设备及存储介质 | |
CN112100219A (zh) | 基于数据库查询处理的报表生成方法、装置、设备和介质 | |
CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
US11551243B2 (en) | Systems and methods for finding an interaction subset within a set of interactions | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
CN115619270A (zh) | 数据资产管理方法、装置、计算机设备、存储介质 | |
JP2016206878A (ja) | 営業員育成支援システムおよび営業員育成支援方法 | |
CN115423289A (zh) | 智能板材加工车间数据处理方法及终端 | |
CN110909129B (zh) | 异常投诉事件的识别方法及装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN113435740A (zh) | 根据服务商产能进行客户分配的方法、系统、终端及介质 | |
CN117668628A (zh) | 对象分类方法和装置、电子设备及存储介质 | |
CN112288402A (zh) | 数据处理方法、装置、设备、及存储介质 | |
CN116361571A (zh) | 基于人工智能的商户画像生成方法、装置、设备及介质 | |
CN117763411A (zh) | 异常原因的确定方法及装置、存储介质、电子装置 | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 | |
CN112785443A (zh) | 基于客户群体的理财产品推送方法及装置 | |
CN111178740B (zh) | 一种数据处理方法和装置 | |
CN114971878B (zh) | 风险评估方法、风险评估装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |