CN117764746A - 网点成本管控方法、装置、计算机设备及存储介质 - Google Patents
网点成本管控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117764746A CN117764746A CN202410038768.1A CN202410038768A CN117764746A CN 117764746 A CN117764746 A CN 117764746A CN 202410038768 A CN202410038768 A CN 202410038768A CN 117764746 A CN117764746 A CN 117764746A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- website
- evaluated
- model
- 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 48
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 84
- 238000004519 manufacturing process Methods 0.000 claims abstract description 77
- 238000013210 evaluation model Methods 0.000 claims abstract description 69
- 238000012423 maintenance Methods 0.000 claims abstract description 60
- 238000011217 control strategy Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000275 quality assurance Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000012417 linear regression Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于数据分析领域及金融科技领域，涉及一种网点成本管控方法，包括：获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。本申请还提供一种网点成本管控装置、计算机设备及存储介质。本申请提高了对于网点成本和收益进行预测的准确性，使得保险机构针对网点成本进行管控时效率更高。
Description
技术领域
本申请涉及数据分析领域及金融科技领域，应用于保险机构针对网点成本进行管控的场景中，尤其涉及一种网点成本管控方法、装置、计算机设备及存储介质。
背景技术
随着金融科技的发展，为了提高网点的运营效率和市场竞争力，保险机构也需要更新针对各个网点的成本进行管控的手段。
目前，在网点成本管控的过程中，通常采用的方式为：由人工收集大量的历史数据，而后依靠人为经验，根据收集到的历史数据分析网点运营情况和市场环境，并结合传统的预测模型对网点成本和收益进行预测，从而根据分析结果和预测结果制定合理的市场策略。
然而，通过这种方式进行网点成本管控，人为因素的影响比较大，容易出现信息滞后和误差的情况，从而导致网点成本管控的效率较低，并且传统的预测模型对网点成本和收益进行预测时准确性较差，此外，由于人工收集的数据和信息往往较为有限，因此容易使得制定的管控策略不合理，无法提高网点的运营效率和市场竞争力。
发明内容
本申请实施例的目的在于提出一种网点成本管控方法、装置、计算机设备及存储介质，以解决保险机构针对网点成本进行管控时效率较低的技术问题。
为了解决上述技术问题，本申请实施例提供一种网点成本管控方法，采用了如下所述的技术方案：
一种网点成本管控方法，包括下述步骤：
获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；
根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；
当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；
根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。
进一步的，所述根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型的步骤，具体包括：
根据所述历史产保数据和所述历史GDP数据，构建历史数据集；
对所述历史数据集进行特征提取，得到特征向量集；
根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型。
进一步的，所述根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型的步骤，具体包括：
将所述特征向量集分为训练集和测试集；
根据所述训练集，建立所述初始岭回归模型并进行模型训练，得到训练完成的岭回归模型；
根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型。
进一步的，所述根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型的步骤，具体包括：
通过所述岭回归模型对所述测试集进行预测，得到预测结果；
根据预设指标对所述预测结果进行评价，并根据评价结果对所述岭回归模型的模型参数进行优化，得到所述产保比评估模型。
进一步的，所述根据所述历史产保数据和所述历史GDP数据，构建历史数据集的步骤，具体包括：
对所述历史产保数据和所述历史GDP数据进行数据清洗和数据预处理，得到所述历史数据集。
进一步的，所述当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值的步骤，具体包括：
当存在所述待评估网点时，获取所述待评估网点所在地区的当前GDP数据，所述当前GDP数据包括GDP值、保险市场份额以及人口密度；
将所述当前GDP数据输入所述产保比评估模型，并通过所述产保比评估模型输出所述产保比预测值。
进一步的，所述预设规则包括各个预设风险阈值，所述根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略的步骤，具体包括：
将所述产保比预测值与各个所述预设风险阈值进行对比，根据对比结果确定所述待评估网点对应的目标风险等级；
根据所述目标风险等级，确定所述管控策略。
为了解决上述技术问题，本申请实施例还提供一种网点成本管控装置，采用了如下所述的技术方案：
一种网点成本管控装置，包括：
获取模块，用于获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；
构建模块，用于根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；
评估模块，用于当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；
确定模块，用于根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的网点成本管控方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
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计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的网点成本管控方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开的网点成本管控方法，通过获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；并根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；而后根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。本申请利用了网点的历史数据和地区GPD数据，构建基于岭回归的产保比评估模型，并将该模型用于网点产保比的预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的网点成本管控方法的一个实施例的流程图；
图3是根据本申请的网点成本管控装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的网点成本管控方法一般由终端设备执行，相应地，网点成本管控装置一般设置于终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的网点成本管控方法的一个实施例的流程图。所述的网点成本管控方法，包括以下步骤：
步骤S201，获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；
需要指出的是，网点成本管控方法运行于其上的电子设备(例如图1所示的终端设备)可以通过有线连接方式或者无线连接方式发送或接收数据。上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中，为了运行网点成本管控方法，首先需要获取目标网点对应的历史产保数据，以及目标网点所在地区的历史GDP数据。具体地，目标网点对应的历史产保数据包括了产值历史数据和保费历史数据，其中，产值历史数据即包括了过去的某时间段内保险机构所赔付的金额，而保费历史数据则包括了该时间段内首保、续保、转保等保费收入；而目标网点所在地区的历史GDP数据，可以包括过去的某时间段内，目标网点所在地区的GDP值、保险市场份额、人口密度等；通过对目标网点对应的历史产保数据以及目标网点所在地区的历史GDP数据进行采集，后续即可根据历史产品数据和历史GDP数据构建基于岭回归的产保比评估模型，该模型可以额用于预测新的网点所对应的产保比。
步骤S202，根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；
在本实施例中，获取目标网点对应的历史产保数据以及目标网点所在地区的历史GDP数据后，即可根据历史产保数据和历史GDP数据构建基于岭回归的产保比评估模型。具体地，首先可以根据历史产保数据和历史GDP数据构建历史数据集，其次对历史数据集进行特征提取，得到特征向量集，再将特征向量集分为训练集和测试集，而后可以根据训练集，建立初始岭回归模型并进行模型训练，根据测试集对训练完成的模型进行参数优化，最终得到产保比评估模型。
需要说明的是，岭回归是线性回归的正则化版，在线性回归的成本函数中添加一个正则项，即为岭回归。因此，可以认为基于岭回归的产保比评估模型属于添加了正则项的线性回归模型。
步骤S203，当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；
在本实施例中，构建基于岭回归的产保比评估模型后，当存在待评估网点时，即可根据产保比评估模型对待评估网点进行评估，以得到待评估网点对应的产保比预测值。具体地，在网点成本评估的过程中，当有新的网点时，即可将其作为待评估网点，并获取待评估网点所在地区的当前GDP数据，如GDP值、保险市场份额、人口密度等，而后将当前GDP数据输入产保比评估模型，即可通过产保比评估模型输出待评估网点对应的产保比预测值，后续即可根据产保比预测值制定合理的管控策略。
步骤S204，根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略；
在本实施例中，通过产保比评估模型输出待评估网点对应的产保比预测值后，即可根据预设规则和产保比预测值，确定待评估网点对应的管控策略，例如，对于待评估网点，预先设定的规则中可以包含多个预设风险阈值，而将产保比预测值与各个预设风险阈值进行对比，根据对比结果就可以确定待评估网点对应的目标风险等级，如产保比预测值大于等于1就属于较大风险，产保比预测值小于1且大于等于0.8属于一般风险，产保比预测值小于0.8属于较小风险，根据不同的目标风险等级，就可以确定待评估网点对应的管控策略，如增加投入、加强关系维护等。
可选地，在制定待评估网点对应的管控策略后，还可以在后续管控策略实施的过程中获取其对应的反馈信息，并根据反馈信息进行特征提取，得到反馈信息对应的特征向量集，根据该特征向量集继续对产保比评估模型的相关参数进行优化，从而可以更新优化产保比评估模型，以提高该模型的准确性和适用性。
本申请利用了网点的历史数据和地区GPD数据，构建基于岭回归的产保比评估模型，并将该模型用于网点产保比的预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型的步骤包括：
根据所述历史产保数据和所述历史GDP数据，构建历史数据集；
对所述历史数据集进行特征提取，得到特征向量集；
根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型。
在本实施例中，获取目标网点对应的历史产保数据以及目标网点所在地区的历史GDP数据后，即可根据历史产保数据和历史GDP数据，构建历史数据集，再对历史数据集进行特征提取，得到特征向量集，而后根据特征向量集，建立初始岭回归模型，并对初始岭回归模型进行模型训练和参数优化，得到产保比评估模型。具体地，可以将历史产保数据与历史GDP数据结合，并进行数据清洗和数据预处理，以得到历史数据集，而后对历史数据集进行特征提取，得到特征向量集，再将特征向量集分为训练集和测试集，根据训练集，可以建立初始岭回归模型并进行模型训练，得到训练完成的岭回归模型，其中，初始岭回归模型由训练集建立线性回归模型并在此基础上添加正则项可以得到，最终根据测试集对训练完成的模型进行参数优化，即可得到产保比评估模型。
本申请通过网点的历史数据和地区GPD数据，构建了基于岭回归的产保比评估模型，提高了模型的预测精度，使得后续可以将该模型用于网点产保比的预测，从而在网点成本管控的过程中，提高了对于网点成本和收益进行预测的准确性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型的步骤包括：
将所述特征向量集分为训练集和测试集；
根据所述训练集，建立所述初始岭回归模型并进行模型训练，得到训练完成的岭回归模型；
根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型。
在本实施例中，对历史数据集进行特征提取，得到特征向量集后，即可将特征向量集分为训练集和测试集，而后根据训练集，建立初始岭回归模型并进行模型训练，得到训练完成的岭回归模型，再根据测试集对岭回归模型进行测试，并根据测试结果对岭回归模型进行参数优化，从而将参数优化完成的岭回归模型作为产保比评估模型。具体地，为了降低产保比评估模型的方差，提高模型的预测精度，可以在构建产保比评估模型时采用岭回归的方式，岭回归是线性回归的正则化版，在线性回归的成本函数中添加一个正则项，即为岭回归，岭回归的成本函数为：其中，超参数α控制的是对模型进行正则化的程度。而在训练集和测试集中，历史产保数据对应的特征向量可以作为标签，历史GDP数据对应的特征向量可以作为变量，根据训练集，可以建立初始岭回归模型并进行模型训练，得到训练完成的岭回归模型，而后可以将测试集输入岭回归模型，通过岭回归模型对测试集进行预测，得到预测结果，根据预设指标对预测结果进行评价，并根据评价结果对岭回归模型的模型参数进行优化，最终得到产保比评估模型。
本申请通过对网点的历史数据和地区GPD数据进行特征提取，得到特征向量集，再利用岭回归的特性构建基于岭回归的产保比评估模型，从而降低了模型的方差，提高了模型的预测精度，使得后续可以将该模型用于网点产保比的预测，提高保险机构针对网点成本进行管控的效率。
在本实施例的一些可选的实现方式中，上述根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型的步骤包括：
通过所述岭回归模型对所述测试集进行预测，得到预测结果；
根据预设指标对所述预测结果进行评价，并根据评价结果对所述岭回归模型的模型参数进行优化，得到所述产保比评估模型。
在本实施例中，根据训练集，建立初始岭回归模型并进行模型训练，得到训练完成的岭回归模型后，即可通过岭回归模型对测试集进行预测，得到预测结果，并根据预设指标对预测结果进行评价，再根据评价结果对岭回归模型的模型参数进行优化，得到产保比评估模型，例如，预设指标包括均方误差(MSE)和R平方(R2)，根据岭回归模型对测试集的预测结果，以及预设指标，可以对模型的准确性和泛化能力进行评价，从而根据评价结果对岭回归模型的模型参数进行优化，最终得到产保比评估模型。
本申请通过预先设定的指标，在构建基于岭回归的产保比评估模型时可以对模型的准确性和泛化能力进行评价，从而更好地优化模型参数，使得后续将该模型用于网点产保比的预测时，提高了对于网点成本和收益进行预测的准确性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述根据所述历史产保数据和所述历史GDP数据，构建历史数据集的步骤包括：
对所述历史产保数据和所述历史GDP数据进行数据清洗和数据预处理，得到所述历史数据集。
在本实施例中，根据历史产保数据和历史GDP数据，构建历史数据集时，可以对历史产保数据和历史GDP数据进行数据清洗和数据预处理，以得到历史数据集。具体地，数据清洗和数据预处理的流程包括数据去重、缺失值处理、异常值处理等，在对历史产保数据和历史GDP数据进行数据清洗和数据预处理后，即可将两者结合作为历史数据集，其中，历史产保数据代表了后续模型预测的类别，历史GDP数据则代表了后续模型预测的变量。
本申请通过对数据的清洗和预处理，确保了后续构建的基于岭回归的产保比评估模型的准确性，使得将该模型用于网点产保比的预测时，提高了对于网点成本和收益进行预测的准确性，提高了保险机构针对网点成本进行管控的效率。
在本实施例的一些可选的实现方式中，上述当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值的步骤包括：
当存在所述待评估网点时，获取所述待评估网点所在地区的当前GDP数据，所述当前GDP数据包括GDP值、保险市场份额以及人口密度；
将所述当前GDP数据输入所述产保比评估模型，并通过所述产保比评估模型输出所述产保比预测值。
在本实施例中，根据历史产保数据和历史GDP数据构建基于岭回归的产保比评估模型后，当存在待评估网点时，即可获取待评估网点所在地区的当前GDP数据，其中，当前GDP数据包括GDP值、保险市场份额以及人口密度，而后将当前GDP数据输入产保比评估模型，并通过产保比评估模型输出产保比预测值。具体地，产保比即为产值与保费的比例，若产保比大于1，则代表网点为亏本经营，由于产保比评估模型对应的特征向量集采用的样本中，历史产保数据代表类别，历史GDP数据代表变量，因此，将当前GDP数据输入产保比评估模型，即可对待评估网点的产保比进行预测，通过产保比评估模型输出产保比预测值，用于后续制定合理的管控策略。
本申请通过基于岭回归的产保比评估模型对网点的产保比进行预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述预设规则包括各个预设风险阈值，所述根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略的步骤包括：
将所述产保比预测值与各个所述预设风险阈值进行对比，根据对比结果确定所述待评估网点对应的目标风险等级；
根据所述目标风险等级，确定所述管控策略。
在本实施例中，预设规则包括了各个预设风险阈值，确定待评估网点对应的管控策略后，即可将产保比预测值与各个预设风险阈值进行对比，并根据对比结果确定待评估网点对应的目标风险等级，从而根据目标风险等级，确定待评估网点对应的管控策略，例如，管控策略可以包括增加投入、加强关系维护等，预设风险阈值可以包括1和0.8，将产保比预测值与各个预设风险阈值进行对比，根据对比结果就可以确定待评估网点对应的目标风险等级，目标风险等级则可以包括较大风险、一般风险以及较小风险，当产保比预测值大于等于1时，确定目标风险等级为较大风险，当产保比预测值小于1且大于等于0.8时，确定目标风险等级为一般风险，当产保比预测值小于0.8时，确定目标风险等级为较小风险，根据不同的目标风险等级，就可以确定待评估网点对应的管控策略为增加投入或者加强关系维护等。
本申请通过基于岭回归的产保比评估模型对网点的产保比进行预测，并根据该模型输出的产保比预测值所处的阈值区间合理地确定管控策略，从而提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一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。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种网点成本管控装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的网点成本管控装置300包括：获取模块301、构建模块302、评估模块303以及确定模块304。其中：
获取模块301，用于获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；
构建模块302，用于根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；
评估模块303，用于当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；
确定模块304，用于根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。
本申请提供的网点成本管控装置，利用了网点的历史数据和地区GPD数据，构建基于岭回归的产保比评估模型，并将该模型用于网点产保比的预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述构建模块302还用于：
根据所述历史产保数据和所述历史GDP数据，构建历史数据集；
对所述历史数据集进行特征提取，得到特征向量集；
根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型。
本申请提供的网点成本管控装置，通过网点的历史数据和地区GPD数据，构建了基于岭回归的产保比评估模型，提高了模型的预测精度，使得后续可以将该模型用于网点产保比的预测，从而在网点成本管控的过程中，提高了对于网点成本和收益进行预测的准确性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述构建模块302还用于：
将所述特征向量集分为训练集和测试集；
根据所述训练集，建立所述初始岭回归模型并进行模型训练，得到训练完成的岭回归模型；
根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型。
本申请提供的网点成本管控装置，通过对网点的历史数据和地区GPD数据进行特征提取，得到特征向量集，再利用岭回归的特性构建基于岭回归的产保比评估模型，从而降低了模型的方差，提高了模型的预测精度，使得后续可以将该模型用于网点产保比的预测，提高保险机构针对网点成本进行管控的效率。
在本实施例的一些可选的实现方式中，上述构建模块302还用于：
通过所述岭回归模型对所述测试集进行预测，得到预测结果；
根据预设指标对所述预测结果进行评价，并根据评价结果对所述岭回归模型的模型参数进行优化，得到所述产保比评估模型。
本申请提供的网点成本管控装置，通过预先设定的指标，在构建基于岭回归的产保比评估模型时可以对模型的准确性和泛化能力进行评价，从而更好地优化模型参数，使得后续将该模型用于网点产保比的预测时，提高了对于网点成本和收益进行预测的准确性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述构建模块302还用于：
对所述历史产保数据和所述历史GDP数据进行数据清洗和数据预处理，得到所述历史数据集。
本申请提供的网点成本管控装置，通过对数据的清洗和预处理，确保了后续构建的基于岭回归的产保比评估模型的准确性，使得将该模型用于网点产保比的预测时，提高了对于网点成本和收益进行预测的准确性，提高了保险机构针对网点成本进行管控的效率。
在本实施例的一些可选的实现方式中，上述评估模块303还用于：
当存在所述待评估网点时，获取所述待评估网点所在地区的当前GDP数据，所述当前GDP数据包括GDP值、保险市场份额以及人口密度；
将所述当前GDP数据输入所述产保比评估模型，并通过所述产保比评估模型输出所述产保比预测值。
本申请提供的网点成本管控装置，通过基于岭回归的产保比评估模型对网点的产保比进行预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
在本实施例的一些可选的实现方式中，上述确定模块304还用于：
将所述产保比预测值与各个所述预设风险阈值进行对比，根据对比结果确定所述待评估网点对应的目标风险等级；
根据所述目标风险等级，确定所述管控策略。
本申请提供的网点成本管控装置，通过基于岭回归的产保比评估模型对网点的产保比进行预测，并根据该模型输出的产保比预测值所处的阈值区间合理地确定管控策略，从而提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如网点成本管控方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述网点成本管控方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请提供的计算机设备，本申请利用了网点的历史数据和地区GPD数据，构建基于岭回归的产保比评估模型，并将该模型用于网点产保比的预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的网点成本管控方法的步骤。
本申请提供的计算机可读存储介质，本申请利用了网点的历史数据和地区GPD数据，构建基于岭回归的产保比评估模型，并将该模型用于网点产保比的预测，从而在网点成本管控的过程中，削弱了人为因素的影响，提高了对于网点成本和收益进行预测的准确性，并且通过较大的数据量确保了管控策略的合理性，使得保险机构针对网点成本进行管控时效率更高。
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上述实施例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，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种网点成本管控方法，其特征在于，包括下述步骤：
获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；
根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；
当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；
根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。
2.根据权利要求1所述的网点成本管控方法，其特征在于，所述根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型的步骤，具体包括：
根据所述历史产保数据和所述历史GDP数据，构建历史数据集；
对所述历史数据集进行特征提取，得到特征向量集；
根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型。
3.根据权利要求2所述的网点成本管控方法，其特征在于，所述根据所述特征向量集，建立初始岭回归模型，并对所述初始岭回归模型进行模型训练和参数优化，得到所述产保比评估模型的步骤，具体包括：
将所述特征向量集分为训练集和测试集；
根据所述训练集，建立所述初始岭回归模型并进行模型训练，得到训练完成的岭回归模型；
根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型。
4.根据权利要求3所述的网点成本管控方法，其特征在于，所述根据所述测试集对所述岭回归模型进行测试，并根据测试结果对所述岭回归模型进行参数优化，将参数优化完成的岭回归模型作为所述产保比评估模型的步骤，具体包括：
通过所述岭回归模型对所述测试集进行预测，得到预测结果；
根据预设指标对所述预测结果进行评价，并根据评价结果对所述岭回归模型的模型参数进行优化，得到所述产保比评估模型。
5.根据权利要求2所述的网点成本管控方法，其特征在于，所述根据所述历史产保数据和所述历史GDP数据，构建历史数据集的步骤，具体包括：
对所述历史产保数据和所述历史GDP数据进行数据清洗和数据预处理，得到所述历史数据集。
6.根据权利要求1所述的网点成本管控方法，其特征在于，所述当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值的步骤，具体包括：
当存在所述待评估网点时，获取所述待评估网点所在地区的当前GDP数据，所述当前GDP数据包括GDP值、保险市场份额以及人口密度；
将所述当前GDP数据输入所述产保比评估模型，并通过所述产保比评估模型输出所述产保比预测值。
7.根据权利要求1至6任一项所述的网点成本管控方法，其特征在于，所述预设规则包括各个预设风险阈值，所述根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略的步骤，具体包括：
将所述产保比预测值与各个所述预设风险阈值进行对比，根据对比结果确定所述待评估网点对应的目标风险等级；
根据所述目标风险等级，确定所述管控策略。
8.一种网点成本管控装置，其特征在于，包括：
获取模块，用于获取目标网点对应的历史产保数据，以及所述目标网点所在地区的历史GDP数据；
构建模块，用于根据所述历史产保数据和所述历史GDP数据构建基于岭回归的产保比评估模型；
评估模块，用于当存在待评估网点时，根据所述产保比评估模型对所述待评估网点进行评估，得到所述待评估网点对应的产保比预测值；
确定模块，用于根据预设规则和所述产保比预测值，确定所述待评估网点对应的管控策略。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的网点成本管控方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的网点成本管控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038768.1A CN117764746A (zh) | 2024-01-10 | 2024-01-10 | 网点成本管控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038768.1A CN117764746A (zh) | 2024-01-10 | 2024-01-10 | 网点成本管控方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764746A true CN117764746A (zh) | 2024-03-26 |
Family
ID=90318415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410038768.1A Pending CN117764746A (zh) | 2024-01-10 | 2024-01-10 | 网点成本管控方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764746A (zh) |
-
2024
- 2024-01-10 CN CN202410038768.1A patent/CN117764746A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN114219664B (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
| CN117252564A (zh) | 资源调度方法、装置、计算机设备及存储介质 | |
| CN116883048B (zh) | 基于人工智能的客户数据处理方法、装置及计算机设备 | |
| CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
| CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
| CN117764746A (zh) | 网点成本管控方法、装置、计算机设备及存储介质 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN113689108B (zh) | 基于生态银行系统的多目标优化方法及装置 | |
| CN118154330A (zh) | 风控策略管控方法、装置、计算机设备及存储介质 | |
| CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN118363811A (zh) | 系统运行状态监测方法、装置、计算机设备及存储介质 | |
| CN117893331A (zh) | 金融数据处理方法、装置、计算机设备及存储介质 | |
| CN116796093A (zh) | 接口数据的设置方法、装置、计算机设备及存储介质 | |
| CN116776095A (zh) | 空气质量数据标准化方法、装置、计算机设备及介质 | |
| CN113095592A (zh) | 基于gnn执行预测的方法和系统以及训练方法和系统 | |
| CN118035124A (zh) | 用例生成方法、装置、计算机设备及存储介质 | |
| CN117829897A (zh) | 数据预测方法、装置、计算机设备及存储介质 | |
| CN114418718A (zh) | 一种税务数据处理方法、装置、计算机设备及存储介质 | |
| CN116402290A (zh) | 基于决策树的任务排期方法、装置、设备及存储介质 | |
| CN116681467A (zh) | 基于改进woa算法的销量预测方法及其相关设备 | |
| CN117934173A (zh) | 风险分析方法、装置、计算机设备及存储介质 | |
| CN116611941A (zh) | 基于人工智能的欺诈识别方法、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 |