CN117993723A - 基于数据一体化的业务流程信息系统及运行方法 - Google Patents
基于数据一体化的业务流程信息系统及运行方法 Download PDFInfo
- Publication number
- CN117993723A CN117993723A CN202410397144.9A CN202410397144A CN117993723A CN 117993723 A CN117993723 A CN 117993723A CN 202410397144 A CN202410397144 A CN 202410397144A CN 117993723 A CN117993723 A CN 117993723A
- Authority
- CN
- China
- Prior art keywords
- data
- financial
- bank statement
- module
- warehouse
- 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 65
- 230000008569 process Effects 0.000 title claims abstract description 32
- 230000010354 integration Effects 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 49
- 238000013500 data storage Methods 0.000 claims abstract description 28
- 238000013524 data verification Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000012015 optical character recognition Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 description 29
- 230000000694 effects Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公布了基于数据一体化的业务流程信息系统及运行方法,属于业务流程信息系统相关技术领域,包括:数据采集模块、数据验证模块、数据存储模块、数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;数据展示模块和数据导出模块。本发明用于解决现有技术中的业务流程信息系统在数据验证、存储和分析方面的功能相对有限,不能帮助企业更好地遵守财务规范,预防风险的技术问题。
Description
技术领域
本发明属于业务流程信息系统相关技术领域,具体为基于数据一体化的业务流程信息系统及运行方法。
背景技术
在现代企业管理中,数据的采集、处理、分析和利用是提高工作效率和决策质量的关键。随着信息技术的快速发展,企业内部产生的数据量急剧增加,这些数据分散在不同的子公司和部门,存在格式不统一、难以验证真伪、存储分散、分析困难问题。这些问题严重影响了数据的有效利用,增加了企业的运营成本和风险。
传统的业务流程信息系统往往只能处理某一特定环节的数据,如财务数据的采集或报表的生成,缺乏一个全面的解决方案来实现数据的一体化管理。此外,这些系统在数据验证、存储和分析方面的功能也相对有限,不能帮助企业更好地遵守财务规范,预防风险。
综上所述,需基于数据一体化的业务流程信息系统及运行方法解决以上技术问题。
发明内容
针对以上问题,本发明提供基于数据一体化的业务流程信息系统及运行方法,用于解决现有技术中的业务流程信息系统在数据验证、存储和分析方面的功能也相对有限,不能帮助企业更好地遵守财务规范,预防风险的技术问题。
为实现上述目的,本发明采用的技术方案是:
一种基于数据一体化的业务流程信息系统,包括:
数据采集模块,用于从集团内部的各级子公司的财务系统中采集财务数据,并将采集到的财务数据转换为统一的数据格式;
数据验证模块,数据验证模块包括银行对账单数据处理模块和账单对比分析模块,银行对账单数据处理模块包括银行对账单数据识别单元和银行对账单验伪单元;
数据存储模块,用于将数据采集模块采集到的转换后的财务数据存储在第一数据仓库中,并对存储的财务数据进行规范性检查;将数据验证模块得到数据存储在第二数据仓库中;
数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;
数据展示模块,用于向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能,其中审批功能包括对集团公司与子公司之间的财务审批程序的支持;
数据导出模块,用于将财务数据或财务报表导出为外部财务管理软件所需的数据格式,并将导出的数据发送给外部财务管理软件。
与现有技术相比,本发明的有益效果为:不仅提高了数据处理的速度和准确性,还增强了数据的安全性和可靠性,从而帮助企业更好地遵守财务规范,预防风险,并支持快速决策。此外,系统的灵活性确保了与外部财务管理软件的兼容性,进一步提升了数据的可用性和互操作性。
一种基于数据一体化的业务流程信息系统的运行方法,包括以下步骤:
S1、通过数据采集模块,从集团内部的各级子公司的财务系统中采集财务数据,并将采集到的财务数据转换为统一的数据格式,传送至集团财务系统;将转换后的财务数据通过数据存储模块存储在第一数据仓库中,并对存储的财务数据进行规范性检查;
S2、通过数据验证模块,从银行对账单数据识别单元获取银行对账单数据,从银行对账单验伪单元对银行对账单真伪进行判别,并将获取到的银行对账单数据通过数据存储模块存储在第二数据仓库中;
S3、通过数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;
S4、通过数据展示模块,向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能,其中审批功能包括对集团公司与子公司之间的财务审批程序的支持;
S5、通过数据导出模块,将财务数据或财务报表导出为外部财务管理软件所需的数据格式,并将导出的数据发送给外部财务管理软件。
与现有技术相比,本发明的有益效果为:整个流程确保了数据从采集到导出的一致性和完整性,优化其财务管理流程,提高了数据处理的自动化水平和工作效率。
作为上述方案的进一步改进,所述获取银行对账单数据的步骤,包括:
S21、从银行对账单数据识别单元中获取银行对账单数据,所述银行对账单数据识别单元包括:
图像处理模块,用于对银行对账单的扫描图像进行预处理,包括去噪、二值化、倾斜校正、分割操作;
光学字符识别模块,用于对图像处理模块得到的银行对账单的扫描图像进行文字识别,包括识别银行对账单的发行日期、发行银行、收款人、付款人、金额、账号信息;
数据格式转换模块,用于将光学字符识别模块得到的银行对账单信息转换为统一的数据格式,包括对数据的编码、校验、加密操作;
S22、从银行对账单验伪单元中获取银行对账单数据,所述银行对账单验伪单元包括:
特征提取模块,用于对银行对账单的扫描图像进行特征提取,包括提取银行对账单的水印、防伪码、数字签名特征;
特征匹配模块,用于对特征提取模块得到的银行对账单特征进行匹配,包括与预先存储的银行对账单特征库进行比对,计算匹配度;
真伪判定模块,用于对特征匹配模块得到的银行对账单匹配度进行真伪判定,包括设定一个阈值,当匹配度高于该阈值时,判定银行对账单为真,否则判定为假;
S23、将从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据存储在第二数据仓库中,所述第二数据仓库包括:
数据存储模块,用于将银行对账单数据存储在一个关系型数据库中,包括对数据的索引、压缩、备份操作;
数据查询模块,用于对存储在数据存储模块中的银行对账单数据进行查询,包括对数据的检索、排序、筛选、统计操作;
数据更新模块,用于对存储在数据存储模块中的银行对账单数据进行更新,包括对数据的增加、删除、修改、合并操作;
其中,所述的数据格式转换模块的加密操作,采用以下公式进行:
其中,为加密后的数据,/>为原始数据,/>为公钥指数,/>为公钥模数。
所述的特征匹配模块的匹配度计算,采用以下公式进行:
其中,为匹配度,/>为特征的个数,/>为第/>个特征的权重,/>为第/>个特征的相似度。
上述改进的技术效果为:通过先进的图像处理和光学字符识别技术,提高了数据识别的准确性和效率。加密操作和匹配度计算公式:增强了数据的安全性和匹配的准确性。
作为上述方案的进一步改进,所述的将从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据存储在第二数据仓库中的步骤,之前还包括:
S24、通过人工智能模块,对从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据进行准确性检验,所述人工智能模块包括:
数据清洗模块,用于对银行对账单数据进行数据清洗,包括去除空值、重复值、异常值无效数据;
数据校验模块,用于对银行对账单数据进行数据校验,包括验证数据的完整性、一致性、合法性的质量要求;
数据纠错模块,用于对银行对账单数据进行数据纠错,包括利用机器学习算法对数据的错误、缺失、不一致问题进行自动修复或人工干预;
其中,所述的数据纠错模块的机器学习算法,采用以下公式进行:
其中,为纠错后的数据,/>为原始数据,/>为模型参数,/>为非线性函数。
上述改进的技术效果为:利用人工智能技术进行数据清洗、校验和纠错,提高了数据质量和处理的智能化水平。
作为上述方案的进一步改进,所述的步骤S3包括:
S31、将第一数据仓库中的财务数据转换为线性代数数据集,其中每个财务数据对应一个向量,每个向量的维数等于财务数据的属性个数;
S32、将第二数据仓库中的银行对账单数据转换为线性代数数据集,其中每个银行对账单数据对应一个向量,每个向量的维数于银行对账单数据的属性个数;
S33、对第一数据仓库和第二数据仓库中的线性代数数据集进行比对分析,采用以下公式计算两个向量之间的相似度:
其中,和/>分别表示第一数据仓库和第二数据仓库中的任意两个向量,/>表示向量的点积,/>和/>表示向量的模长,/>表示两个向量的相似度,其值介于/>~/>之间,越接近/>表示越相似,越接近/>表示越不相似;
S34、根据相似度的阈值,判断两个向量是否匹配,如果匹配,则表示财务数据和银行对账单数据一致,如果不匹配,则表示财务数据和银行对账单数据存在差异或异常。
上述改进的技术效果为:采用线性代数方法进行数据比对,提高了分析的科学性和准确性。
作为上述方案的进一步改进,所述的步骤S34包括:
S341、根据第一数据仓库和第二数据仓库中的线性代数数据集的分布特征,采用以下公式计算相似度的阈值:
其中,表示第一数据仓库和第二数据仓库中的向量的个数,/>和/>分别表示第一数据仓库和第二数据仓库中的第/>个向量,/>表示两个向量的相似度,/>表示相似度的阈值,/>表示一个正数,用于调整相似度的阈值的大小;
S342、将第一数据仓库和第二数据仓库中的每个向量与其对应的向量进行相似度的比较,如果相似度大于或等于相似度的阈值,则表示两个向量匹配,如果相似度小于相似度的阈值/>,则表示两个向量不匹配;
S343、根据匹配结果,判断财务数据和银行对账单数据是否一致,如果一致,则表示财务数据和银行对账单数据无误,如果不一致,则表示财务数据和银行对账单数据存在差异或异常。
上述改进的技术效果为:通过设定合理的相似度的阈值,有效地识别数据一致性和异常情况。
作为上述方案的进一步改进,所述的S5中数据导出模块具体为:
S51、通过数据转换单元,将财务数据或财务报表中的数据转换为预定的数据格式;
S52、通过数据发送单元,将转换后的数据直接发送至指定的外部财务管理软件,确保数据的准确传输和及时更新;其中,所述的预定的数据格式为外部财务管理软件所专用的数据格式。
上述改进的技术效果为:确保数据能够以正确的格式被导出并及时更新至外部财务管理软件,提高了数据的实用性和传输效率。
附图说明
图1为本发明中的数据一体化的业务流程信息系统的示意图。
图2为本发明中的数据一体化的业务流程信息系统的流程示意图。
图3为本发明中的数据一体化的业务流程信息系统的运行方法的示意图。
图4为本发明中的数据一体化的业务流程信息系统中第一数据仓库和第二数据仓库数据对比示意图。
图5为本发明中的数据一体化的业务流程信息系统中数据分析模块的流程示意图。
具体实施方式
为了使本领域技术人员更好地理解技术方案,下面结合实施例对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。
如图1所示,本实施例具体方案为:一种基于数据一体化的业务流程信息系统,包括:
数据采集模块,用于从集团内部的各级子公司的财务系统中采集财务数据,并将采集到的财务数据转换为统一的数据格式;
数据验证模块,数据验证模块包括银行对账单数据处理模块和账单对比分析模块,银行对账单数据处理模块包括银行对账单数据识别单元和银行对账单验伪单元;
数据存储模块,用于将数据采集模块采集到的转换后的财务数据存储在第一数据仓库中,并对存储的财务数据进行规范性检查;将数据验证模块得到数据存储在第二数据仓库中;
数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;
数据展示模块,用于向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能,其中审批功能包括对集团公司与子公司之间的财务审批程序的支持;
数据导出模块,用于将财务数据或财务报表导出为外部财务管理软件所需的数据格式,并将导出的数据发送给外部财务管理软件。
如图2-图3所示,一种基于数据一体化的业务流程信息系统的运行方法,包括以下步骤:
S1、通过数据采集模块,从集团内部的各级子公司的财务系统中采集财务数据,并将采集到的财务数据转换为统一的数据格式,传送至集团财务系统;将转换后的财务数据通过数据存储模块存储在第一数据仓库中,并对存储的财务数据进行规范性检查;
S2、通过数据验证模块,从银行对账单数据识别单元获取银行对账单数据,从银行对账单验伪单元对银行对账单真伪进行判别,并将获取到的银行对账单数据通过数据存储模块存储在第二数据仓库中;
S3、通过数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;
S4、通过数据展示模块,向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能,其中审批功能包括对集团公司与子公司之间的财务审批程序的支持;
S5、通过数据导出模块,将财务数据或财务报表导出为外部财务管理软件所需的数据格式,并将导出的数据发送给外部财务管理软件。
作为上述实施例的优选方式,获取银行对账单数据的步骤,包括:
S21、从银行对账单数据识别单元中获取银行对账单数据,银行对账单数据识别单元包括:
图像处理模块,用于对银行对账单的扫描图像进行预处理,包括去噪、二值化、倾斜校正、分割操作;
光学字符识别模块,用于对图像处理模块得到的银行对账单的扫描图像进行文字识别,包括识别银行对账单的发行日期、发行银行、收款人、付款人、金额、账号信息;
数据格式转换模块,用于将光学字符识别模块得到的银行对账单信息转换为统一的数据格式,包括对数据的编码、校验、加密操作;
S22、从银行对账单验伪单元中获取银行对账单数据,银行对账单验伪单元包括:
特征提取模块,用于对银行对账单的扫描图像进行特征提取,包括提取银行对账单的水印、防伪码、数字签名特征;
特征匹配模块,用于对特征提取模块得到的银行对账单特征进行匹配,包括与预先存储的银行对账单特征库进行比对,计算匹配度;
真伪判定模块,用于对特征匹配模块得到的银行对账单匹配度进行真伪判定,包括设定一个阈值,当匹配度高于该阈值时,判定银行对账单为真,否则判定为假;
S23、将从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据存储在第二数据仓库中,第二数据仓库包括:
数据存储模块,用于将银行对账单数据存储在一个关系型数据库中,包括对数据的索引、压缩、备份操作;
数据查询模块,用于对存储在数据存储模块中的银行对账单数据进行查询,包括对数据的检索、排序、筛选、统计操作;
数据更新模块,用于对存储在数据存储模块中的银行对账单数据进行更新,包括对数据的增加、删除、修改、合并操作;
在更佳实施情况下,其中,所述的数据格式转换模块的加密操作,采用以下公式进行:
其中,为加密后的数据,/>为原始数据,/>为公钥指数,/>为公钥模数,/>表示模运算,它是一种数学运算,用于找出一个数除以另一个数后的余数,这个运算用于确保加密后的数据的数值在一个固定的范围内。
具体的,这个公式是RSA加密算法的一部分,它利用了模幂运算来加密数据。在RSA中,和/>是公开的公钥部分,而/>是要加密的消息。加密过程涉及将消息/>提升到/>次幂,然后对/>取模得到加密后的消息/>。
具体数值实施例:
设定有原始数据,公钥指数/>,公钥模数/>,加密过程如下:
计算会得到一个非常大的数,但是当对3233取模时,可以得到一个较小的数,这是加密后的数据。
所述的特征匹配模块的匹配度计算,采用以下公式进行:
其中,为匹配度,/>为特征的个数,/>为第/>个特征的权重,/>为第/>个特征的相似度。
上面公式的推导过程:
这个公式是加权平均的一个例子,它用于计算一组特征的总体匹配度。每个特征有一个相似度/>和一个权重/>。权重表示该特征在匹配度计算中的重要性。所有特征的相似度乘以其权重的总和除以所有权重的总和给出了整体的匹配度/>。
具体数值实施例:
设定有三个特征,其权重分别为,/>,/>,相似度分别为/>,,/>,匹配度计算如下:
这意味着整体匹配度为0.75,根据设定的阈值,可以判断这组特征是否足够匹配。
作为上述实施例的优选方式,将从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据存储在第二数据仓库中的步骤,之前还包括:
S24、通过人工智能模块,对从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据进行准确性检验,人工智能模块包括:
数据清洗模块,用于对银行对账单数据进行数据清洗,包括去除空值、重复值、异常值无效数据;
数据校验模块,用于对银行对账单数据进行数据校验,包括验证数据的完整性、一致性、合法性的质量要求;
数据纠错模块,用于对银行对账单数据进行数据纠错,包括利用机器学习算法对数据的错误、缺失、不一致问题进行自动修复或人工干预;
其中,数据纠错模块的机器学习算法,采用以下公式进行:
其中,为纠错后的数据,/>为原始数据,/>为模型参数,/>为非线性函数。
具体的,机器学习算法的作用是通过学习数据中的模式来预测或修正错误的数据。公式描述了这一过程,其中/>是预测或纠正后的数据,/>是输入的原始数据,是模型的参数,/>是模型使用的非线性函数。
上面公式的推导过程:
选择模型:首先,选择一个适合问题的机器学习模型。这个模型可以是一个简单的线性回归模型,也可以是一个复杂的神经网络。
定义非线性函数:通常是一个非线性函数,它能够捕捉数据中的复杂关系。例如,在神经网络中,/>可以是多个层的组合,每个层都有自己的激活函数。
参数初始化:是模型的参数,它们在训练开始前需要被初始化。这些参数将在训练过程中被优化。
训练模型:通过最小化预测值和真实值之间的差异来训练模型。这通常通过一个叫做损失函数来完成,损失函数衡量了预测值和真实值之间的差异。
优化参数:使用优化算法(如梯度下降)来调整,以减少损失函数的值。
具体数值实施例:
设定有一个简单的线性回归问题,其中是输入特征,/>是预测的输出的模型,,其中/>是截距,/>是斜率。
参数初始化:随机初始化参数,和/>。
训练数据:有一组训练数据,比如和对应的真实输出/>。
损失函数:使用均方误差作为损失函数,,/>是样本数量,/>是模型预测值,/>是真实值。
训练模型:通过计算损失并使用梯度下降来更新参数,找到了最小化损失的参数,比如和/>。
预测和纠错:使用训练好的模型,可以对新的输入数据进行预测或纠正错误的数据。例如,如果有一个错误的数据点和错误的输出/>,的模型会预测/>,这与错误的数据一致,因此不需要纠错。如果错误的输出是/>,模型会预测/>,知道这个数据点需要被纠正为10。
作为上述实施例的优选方式,如图4所示,步骤S3包括:
S31、将第一数据仓库中的财务数据转换为线性代数数据集,其中每个财务数据对应一个向量,每个向量的维数等于财务数据的属性个数;
S32、将第二数据仓库中的银行对账单数据转换为线性代数数据集,其中每个银行对账单数据对应一个向量,每个向量的维数于银行对账单数据的属性个数;
S33、对第一数据仓库和第二数据仓库中的线性代数数据集进行比对分析,采用以下公式计算两个向量之间的相似度:
其中,和/>分别表示第一数据仓库和第二数据仓库中的任意两个向量,/>表示向量的点积,/>和/>表示向量的模长,/>表示两个向量的相似度,其值介于/>~/>之间,越接近/>表示越相似,越接近/>表示越不相似;
S34、根据相似度的阈值,判断两个向量是否匹配,如果匹配,则表示财务数据和银行对账单数据一致,如果不匹配,则表示财务数据和银行对账单数据存在差异或异常。
具体的,上面公式的推导过程:
点积:两个向量和/>的点积定义为/>,其中/>和/>是向量的对应分量。
向量的模长(Magnitude):向量的模长定义为/>。
相似度(CosineSimilarity):两个向量的相似度是通过它们的点积除以它们模长的乘积来计算的,这实际上计算的是两个向量之间的夹角的余弦值。
具体数值的实施例设定我们有两个三维向量和/>,我们要计算它们的相似度。
计算点积:
计算模长:
计算相似度:
这个结果表明向量和/>非常相似,因为它们的相似度接近1。
作为上述实施例的优选方式,步骤S34包括:
S341、根据第一数据仓库和第二数据仓库中的线性代数数据集的分布特征,采用以下公式计算相似度的阈值:
其中,表示第一数据仓库和第二数据仓库中的向量的个数,/>和/>分别表示第一数据仓库和第二数据仓库中的第/>个向量,/>表示两个向量的相似度,/>表示相似度的阈值,/>表示一个正数,用于调整相似度的阈值大小;
设定我们有三对向量,它们的相似度分别为0.8,0.85,和0.9,我们选择来调整相似度的阈值。
计算平均相似度:
计算相似度的阈值:
这个相似度的阈值可以用来判断新的向量对是否匹配。如果新的向量对的相似度大于或等于0.9,我们认为它们匹配;如果小于0.9,我们认为它们不匹配。
S342、将第一数据仓库和第二数据仓库中的每个向量与其对应的向量进行相似度的比较,如果相似度大于或等于相似度的阈值,则表示两个向量匹配,如果相似度小于相似度的阈值/>,则表示两个向量不匹配;
S343、根据匹配结果,判断财务数据和银行对账单数据是否一致,如果一致,则表示财务数据和银行对账单数据无误,如果不一致,则表示财务数据和银行对账单数据存在差异或异常。
在更佳实施情况下,所述的步骤S3中,如图5所示,所述的数据分析模块进一步包括:
风险评估单元,用于对第一数据仓库与第二数据仓库中的数据进行风险评估,根据预设的风险评估模型和风险评估指标,计算各级子公司的财务数据的风险评估值;
风险阈值单元,用于根据预设的风险阈值,判断各级子公司的财务数据的风险评估值是否超过风险阈值,如果超过风险阈值,则将该子公司的财务数据标记为风险数据;
风险预警单元,用于根据风险数据的标记,生成相应的预警信息,其中预警信息包括该子公司的财务数据的风险评估值、风险阈值、风险类型和风险等级;
风险预防单元,用于根据预设的风险预防策略,对风险数据进行风险预防处理,包括对风险数据进行修正、删除、隔离或报告操作。
所述的风险评估模块使用的风险评估模型为:
其中,为风险评估值,/>为风险评估指标的个数,/>为第/>个风险评估指标的权重,/>为第/>个风险评估指标的计算函数,/>为第一数据仓库中的数据,/>为第二数据仓库中的数据。
每个风险评估指标都有一个计算函数,它根据第一数据仓库/>和第二数据仓库/>中的数据来计算该指标的值。然后,每个指标的值会乘以一个权重/>,这个权重反映了该指标在总风险评估中的重要性。最后,所有加权后的指标值求和,得到总的风险评估值。
上面的推导过程如下:
确定风险评估指标:首先,需要确定哪些指标是评估风险的关键,这些指标构成了风险评估模型的基础。
定义计算函数:对于每个风险评估指标,定义一个计算函数/>,该函数能够根据数据仓库中的数据计算出该指标的值。/>
分配权重:为每个风险评估指标分配一个权重,这个权重根据指标的重要性来确定。
计算加权值:使用计算函数计算出每个指标的值,然后乘以相应的权重/>。
求和:将所有加权后的指标值求和,得到总的风险评估值。
其中,和/>分别代表第一数据仓库和第二数据仓库中的数据。这些数据仓库可能包含了公司的财务记录、交易历史、市场数据,用于风险评估和分析。
在模型中,和/>被用来计算风险评估指标的值。例如,如果一个指标是评估财务数据的一致性,/>和/>将被用来比较相同财务指标的记录是否匹配。如果数据不一致,这可能表明存在风险,需要进一步的调查。
具体到公式中,和/>表示对应于第/>个风险评估指标的第一数据仓库和第二数据仓库中的数据点。这些数据点被用于计算函数/>,进而计算出每个指标的风险评估值,最后乘以相应的权重/>并求和,得到总的风险评估值/>。
设定有三个风险评估指标,每个指标的权重如下:
第一个指标(一致性)的权重(=0.5);
第二个指标(合理性)的权重(=0.3);
第三个指标(异常性)的权重(=0.2);
第一数据仓库()中的数据为(/>=[10,20,30])第二数据仓库(/>)中的数据为(/>=[10,15,35]),使用上述公式来计算风险评估值(R)。
一致性指标()的计算:
其中一致性判断函数用于比较第一数据仓库和第二数据仓库/>中相应的数据点。当两个数据点一致时,函数的值为0;当数据点不一致时,函数的值为1。
只有第二个维度的数据不一致,所以:
合理性指标()的计算:
设定我们有(k=3)个财务规范和逻辑,且()中所有数据都符合这些规范和逻辑,所以:/>
异常性指标()的计算:
设定我们有(p=3)种财务数据类型,且()中的数据都在正常范围内,所以:
最后,我们计算总的风险评估值(R):
所以,在这个设定的实施例中,总的风险评估值(R)大约为0.167。这个值可以用来评估整体风险水平,如果超过预设的风险阈值,就需要采取相应的风险预防措施。
所述的风险评估指标包括:
财务数据的一致性指标,用于衡量第一数据仓库与第二数据仓库中的数据是否一致,其计算函数为:
其中,为财务数据的维度,/>为一致性判断函数,当/>与/>一致时,,否则,/>;
财务数据的合理性指标,用于衡量第一数据仓库中的数据是否符合财务规范和逻辑,其计算函数为:
其中,为财务规范和逻辑的个数,/>为合理性判断函数,当/>符合第/>个财务规范和逻辑时,/>,否则,/>;
财务数据的异常性指标,用于衡量第一数据仓库中的数据是否存在异常波动或偏离,其计算函数为:
其中,为财务数据的类型,/>为异常性判断函数,当/>在正常范围内时,,否则,/>,/>为第/>种财务数据的历史平均值,/>为第/>种财务数据的历史标准差。
设定一组公司的财务数据使用这些指标来评估其风险:
第一数据仓库()中的数据为(/>=[100,200,300])
第二数据仓库()中的数据为(/>=[100,210,295])
财务数据的维度(m=3)
财务规范和逻辑的个数(k=3)
财务数据类型的个数(p=3)
历史平均值()
历史标准差()
使用上述公式来计算每个指标的值。
财务数据的一致性指标():
一致性判断函数用于比较第一数据仓库和第二数据仓库/>中相应的数据点。当两个数据点一致时,函数的值为0;当数据点不一致时,函数的值为1。
财务数据的合理性指标():
设定()中所有数据都符合财务规范和逻辑,所以(/>)的值为:
财务数据的异常性指标():
设定()中的数据都在正常范围内,所以(/>)的值为:
综上所述,我们得到的指标值为:
一致性指标()=/>/>
合理性指标()=0,
异常性指标()=0,这些指标值可以用来评估公司财务数据的风险水平。
作为上述实施例的优选方式,S5中数据导出模块具体为:
S51、通过数据转换单元,将财务数据或财务报表中的数据转换为预定的数据格式;
S52、通过数据发送单元,将转换后的数据直接发送至指定的外部财务管理软件,确保数据的准确传输和及时更新;其中,预定的数据格式为外部财务管理软件所专用的数据格式。
实施例一:
步骤S1:数据采集模块于每月1日凌晨2点自动启动,从集团内部的三级子公司的财务系统中采集上一月的财务数据。采集到的财务数据经过转换,统一为JSON格式,并通过安全的网络协议传送至集团财务系统。数据存储模块将这些数据存储在第一数据仓库中,并执行一个完整的规范性检查,确保数据的准确性和完整性。
步骤S2:数据验证模块于每月1日上午9点启动,首先从银行对账单数据识别单元获取银行对账单数据。该单元执行图像处理操作,包括去噪、二值化、倾斜校正和分割,然后通过光学字符识别模块识别出对账单上的关键信息。接着,数据格式转换模块将识别出的信息转换为统一的数据格式,并使用RSA加密算法进行加密,数据存储模块将这些数据存储在第二数据仓库中。
步骤S3:数据分析模块于每月1日下午1点启动,比对第一数据仓库与第二数据仓库中的数据,生成财务报表和预警信息。预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒,如异常交易活动或预算超支情况。
步骤S4:数据展示模块于每月1日下午3点向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能。审批功能支持集团公司与子公司之间的财务审批程序,确保财务活动的合规性。
步骤S5:数据导出模块于每月1日晚上8点将财务数据或财务报表导出为外部财务管理软件所需的CSV格式。导出的数据通过数据发送单元直接发送至指定的外部财务管理软件,确保数据的准确传输和及时更新。
实施例二:
步骤S1:数据采集模块于每季度的第一天,自动从集团内部的五级子公司的财务系统中采集上一季度的财务数据。采集到的财务数据经过转换,统一为Excel格式,并通过FTP协议传送至集团财务系统。数据存储模块将这些数据存储在第一数据仓库中,并执行一个完整的规范性检查,确保数据的准确性和完整性。
步骤S2:数据验证模块于每季度的第一天上午10点启动,从银行对账单数据识别单元获取银行对账单数据。该单元执行图像处理操作,包括去噪、二值化、倾斜校正和分割,然后通过光学字符识别模块识别出对账单上的关键信息。接着,数据格式转换模块将识别出的信息转换为统一的数据格式,并使用AES加密算法进行加密,数据存储模块将这些数据存储在第二数据仓库中。
步骤S3:数据分析模块于每季度的第一天下午2点启动,比对第一数据仓库与第二数据仓库中的数据,生成财务报表和预警信息。预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒,如异常交易活动或预算超支情况。
步骤S4:数据展示模块于每季度的第一天下午4点向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能。审批功能支持集团公司与子公司之间的财务审批程序,确保财务活动的合规性。
步骤S5:数据导出模块于每季度的第一天晚上9点将财务数据或财务报表导出为外部财务管理软件所需的XML格式。导出的数据通过数据发送单元直接发送至指定的外部财务管理软件,确保数据的准确传输和及时更新。
实施例三:
步骤S1:数据采集模块于每年的第一天,自动从集团内部的十级子公司的财务系统中采集上一年的财务数据。采集到的财务数据经过转换,统一为SQL格式,并通过HTTPS协议传送至集团财务系统。数据存储模块将这些数据存储在第一数据仓库中,并执行一个完整的规范性检查,确保数据的准确性和完整性。
步骤S2:数据验证模块于每年的第一天上午11点启动,从银行对账单数据识别单元获取银行对账单数据。该单元执行图像处理操作,包括去噪、二值化、倾斜校正和分割,然后通过光学字符识别模块识别出对账单上的关键信息。接着,数据格式转换模块将识别出的信息转换为统一的数据格式,并使用DES加密算法进行加密,数据存储模块将这些数据存储在第二数据仓库中。
步骤S3:数据分析模块于每年的第一天下午5点启动,比对第一数据仓库与第二数据仓库中的数据,生成财务报表和预警信息。预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒,如异常交易活动或预算超支情况。
步骤S4:数据展示模块于每年的第一天下午6点向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能。审批功能支持集团公司与子公司之间的财务审批程序,确保财务活动的合规性。
步骤S5:数据导出模块于每年的第一天晚上10点将财务数据或财务报表导出为外部财务管理软件所需的PDF格式。导出的数据通过数据发送单元直接发送至指定的外部财务管理软件,确保数据的准确传输和及时更新。
实施例四:
在更佳实施例情况下,为了防止步骤S2中在进行对账单数据采集时,会出现数据识别时出现错误,而导致的数据不准确,本实施例在步骤S2中加入3种不同的模型获取对账单数据,并且进行数据的比对,防止数据出错,具体比对方式见实施例。
步骤S2中加入判定银行对账单数据一致性的方法,包括以下步骤:
SC1:获取银行对账单数据;
SC2:采用三个不同的模型对银行对账单数据进行处理,分别得到三个处理结果,所述的三个不同的模型分别为:
MX1:基于数据清洗和异常值检测的模型,用于去除银行对账单数据中的无效数据和异常数据,所述的数据清洗和异常值检测的模型采用以下步骤:
SC21:对银行对账单数据进行格式转换,将其转换为统一的数据格式,如CSV、JSON;
SC22:对银行对账单数据进行缺失值处理,根据不同的缺失原因和缺失程度,采用不同的缺失值填补方法,如删除、均值替换、插值法;
SC23:对银行对账单数据进行异常值检测,根据不同的异常类型和异常程度,采用不同的异常值检测方法,如箱线图法、Z-分数法、孤立森林法;
MX2:基于数据分析和统计学的模型,用于计算银行对账单数据的基本统计量,如平均值、标准差、最大值、最小值,所述的数据分析和统计学的模型采用以下步骤:
SC24:对银行对账单数据进行描述性分析,计算其基本统计量,如平均值、标准差、最大值、最小值,用于反映银行对账单数据的基本特征;
SC25:对银行对账单数据进行推断性分析,根据不同的假设和检验方法,对银行对账单数据进行假设检验,如T-检验、方差分析、卡方检验,用于验证银行对账单数据的统计显著性;
SC26:对银行对账单数据进行相关性分析,根据不同的变量类型和相关性度量,对银行对账单数据进行相关性分析,如皮尔逊相关系数、斯皮尔曼相关系数,用于评估银行对账单数据的相关性强度;
MX3:基于数据挖掘和机器学习的模型,用于从银行对账单数据中提取特征和规律,如收支模式、交易频率、交易对象,所述的数据挖掘和机器学习的模型采用以下步骤:
SC27:对银行对账单数据进行特征工程,根据不同的特征类型和特征选择方法,对银行对账单数据进行特征提取和特征选择,如主成分分析、因子分析、卡方检验,用于降低银行对账单数据的维度和复杂度;
SC28:对银行对账单数据进行模型训练,根据不同的任务类型和模型选择方法,对银行对账单数据进行模型训练,如聚类分析、分类分析、回归分析,用于从银行对账单数据中学习特征和规律;
SC29:对银行对账单数据进行模型评估,根据不同的评估指标和评估方法,对银行对账单数据进行模型评估,如准确率、召回率、F1-分数,用于评估模型的性能和效果;
SC3:比较三个处理结果,根据预设的一致性标准判定银行对账单数据的一致性,所述的一致性标准为:
若三个处理结果之间的差异小于或等于预设的阈值,则判定银行对账单数据的一致性为高,否则判定为低;
所述的差异为三个处理结果之间的欧氏距离的平均值,即
其中,为银行对账单数据的维度,/>、/>、/>分别为第/>个维度上的数据经过MX1、MX2、MX3模型处理后的结果。
需要说明的是,在本文中,术语包括、包含或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。本文中应用了具体个例对本发明技术方案的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。
Claims (7)
1.一种基于数据一体化的业务流程信息系统,其特征在于,包括:
数据采集模块,用于从集团内部的各级子公司的财务系统中采集财务数据,并将采集到的财务数据转换为统一的数据格式;
数据验证模块,数据验证模块包括银行对账单数据处理模块和账单对比分析模块,银行对账单数据处理模块包括银行对账单数据识别单元和银行对账单验伪单元;
数据存储模块,用于将数据采集模块采集到的转换后的财务数据存储在第一数据仓库中,并对存储的财务数据进行规范性检查;将数据验证模块得到数据存储在第二数据仓库中;
数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;
数据展示模块,用于向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能,其中审批功能包括对集团公司与子公司之间的财务审批程序的支持;
数据导出模块,用于将财务数据或财务报表导出为外部财务管理软件所需的数据格式,并将导出的数据发送给外部财务管理软件。
2.一种基于数据一体化的业务流程信息系统的运行方法,其特征在于,包括以下步骤:
S1、通过数据采集模块,从集团内部的各级子公司的财务系统中采集财务数据,并将采集到的财务数据转换为统一的数据格式,传送至集团财务系统;将转换后的财务数据通过数据存储模块存储在第一数据仓库中,并对存储的财务数据进行规范性检查;
S2、通过数据验证模块,从银行对账单数据识别单元获取银行对账单数据,从银行对账单验伪单元对银行对账单真伪进行判别,并将获取到的银行对账单数据通过数据存储模块存储在第二数据仓库中;
S3、通过数据分析模块,将第一数据仓库与第二数据仓库中的数据进行比对分析,生成财务报表和预警信息,其中预警信息包括对各级子公司的财务数据使用的风险行为的预警提醒;
S4、通过数据展示模块,向用户展示财务报表和预警信息,并提供用户对财务数据的审批功能,其中审批功能包括对集团公司与子公司之间的财务审批程序的支持;
S5、通过数据导出模块,将财务数据或财务报表导出为外部财务管理软件所需的数据格式,并将导出的数据发送给外部财务管理软件。
3.根据权利要求2所述的一种基于数据一体化的业务流程信息系统的运行方法,其特征在于,所述获取银行对账单数据的步骤,包括:
S21、从银行对账单数据识别单元中获取银行对账单数据,所述银行对账单数据识别单元包括:
图像处理模块,用于对银行对账单的扫描图像进行预处理,包括去噪、二值化、倾斜校正、分割操作;
光学字符识别模块,用于对图像处理模块得到的银行对账单的扫描图像进行文字识别,包括识别银行对账单的发行日期、发行银行、收款人、付款人、金额、账号信息;
数据格式转换模块,用于将光学字符识别模块得到的银行对账单信息转换为统一的数据格式,包括对数据的编码、校验、加密操作;
S22、从银行对账单验伪单元中获取银行对账单数据,所述银行对账单验伪单元包括:
特征提取模块,用于对银行对账单的扫描图像进行特征提取,包括提取银行对账单的水印、防伪码、数字签名特征;
特征匹配模块,用于对特征提取模块得到的银行对账单特征进行匹配,包括与预先存储的银行对账单特征库进行比对,计算匹配度;
真伪判定模块,用于对特征匹配模块得到的银行对账单匹配度进行真伪判定,包括设定一个阈值,当匹配度高于该阈值时,判定银行对账单为真,否则判定为假;
S23、将从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据存储在第二数据仓库中,所述第二数据仓库包括:
数据存储模块,用于将银行对账单数据存储在一个关系型数据库中,包括对数据的索引、压缩、备份操作;
数据查询模块,用于对存储在数据存储模块中的银行对账单数据进行查询,包括对数据的检索、排序、筛选、统计操作;
数据更新模块,用于对存储在数据存储模块中的银行对账单数据进行更新,包括对数据的增加、删除、修改、合并操作。
4.根据权利要求3所述的一种基于数据一体化的业务流程信息系统的运行方法,其特征在于,将从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据存储在第二数据仓库中的步骤,之前还包括:
S24、通过人工智能模块,对从银行对账单数据识别单元和银行对账单验伪单元中获取到的银行对账单数据进行准确性检验,所述人工智能模块包括:
数据清洗模块,用于对银行对账单数据进行数据清洗,包括去除空值、重复值、异常值无效数据;
数据校验模块,用于对银行对账单数据进行数据校验,包括验证数据的完整性、一致性、合法性的质量要求;
数据纠错模块,用于对银行对账单数据进行数据纠错,包括利用机器学习算法对数据的错误、缺失、不一致问题进行自动修复或人工干预;
其中,所述的数据纠错模块的机器学习算法,采用以下公式进行:
其中,为纠错后的数据,/>为原始数据,/>为模型参数,/>为非线性函数。
5.根据权利要求2所述的一种基于数据一体化的业务流程信息系统的运行方法,其特征在于,所述的步骤S3包括:
S31、将第一数据仓库中的财务数据转换为线性代数数据集,其中每个财务数据对应一个向量,每个向量的维数等于财务数据的属性个数;
S32、将第二数据仓库中的银行对账单数据转换为线性代数数据集,其中每个银行对账单数据对应一个向量,每个向量的维数于银行对账单数据的属性个数;
S33、对第一数据仓库和第二数据仓库中的线性代数数据集进行比对分析,采用以下公式计算两个向量之间的相似度:
其中,和/>分别表示第一数据仓库和第二数据仓库中的任意两个向量,/>表示向量的点积,/>和/>表示向量的模长,/>表示两个向量的相似度,其值介于/>~/>之间;
S34、根据相似度的阈值,判断两个向量是否匹配,如果匹配,则表示财务数据和银行对账单数据一致,如果不匹配,则表示财务数据和银行对账单数据存在差异或异常。
6.根据权利要求5所述的一种基于数据一体化的业务流程信息系统的运行方法,其特征在于,所述的步骤S34包括:
S341、根据第一数据仓库和第二数据仓库中的线性代数数据集的分布特征,采用以下公式计算相似度的阈值:
其中,表示第一数据仓库和第二数据仓库中的向量的个数,/>和/>分别表示第一数据仓库和第二数据仓库中的第/>个向量,/>表示两个向量的相似度,/>表示相似度的阈值,/>表示一个正数,用于调整相似度的阈值的大小;
S342、将第一数据仓库和第二数据仓库中的每个向量与其对应的向量进行相似度的比较,如果相似度大于或等于相似度的阈值,则表示两个向量匹配,如果相似度小于相似度的阈值/>,则表示两个向量不匹配;
S343、根据匹配结果,判断财务数据和银行对账单数据是否一致,如果一致,则表示财务数据和银行对账单数据无误,如果不一致,则表示财务数据和银行对账单数据存在差异或异常。
7.根据权利要求2所述的基于数据一体化的业务流程信息系统的运行方法,其特征在于,所述的S5中数据导出模块具体为:
S51、通过数据转换单元,将财务数据或财务报表中的数据转换为预定的数据格式;
S52、通过数据发送单元,将转换后的数据直接发送至指定的外部财务管理软件,确保数据的准确传输和及时更新;其中,所述的预定的数据格式为外部财务管理软件所专用的数据格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410397144.9A CN117993723A (zh) | 2024-04-03 | 2024-04-03 | 基于数据一体化的业务流程信息系统及运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410397144.9A CN117993723A (zh) | 2024-04-03 | 2024-04-03 | 基于数据一体化的业务流程信息系统及运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117993723A true CN117993723A (zh) | 2024-05-07 |
Family
ID=90893589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410397144.9A Pending CN117993723A (zh) | 2024-04-03 | 2024-04-03 | 基于数据一体化的业务流程信息系统及运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117993723A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377454A (zh) * | 2013-07-11 | 2013-10-30 | 西安交通大学 | 基于余弦相似度的异常报税数据检测方法 |
CN107622263A (zh) * | 2017-02-20 | 2018-01-23 | 平安科技(深圳)有限公司 | 单据图像的字符识别方法和装置 |
CN107944837A (zh) * | 2017-12-15 | 2018-04-20 | 广州天宁信息技术有限公司 | 一种凭据处理方法、装置和系统 |
CN108985912A (zh) * | 2017-06-01 | 2018-12-11 | 埃森哲环球解决方案有限公司 | 数据对账 |
CN113297846A (zh) * | 2021-06-21 | 2021-08-24 | 中国农业银行股份有限公司 | 对账处理方法及装置 |
CN116703631A (zh) * | 2023-06-07 | 2023-09-05 | 中国工商银行股份有限公司 | 对账数据处理方法及装置 |
CN116883160A (zh) * | 2023-05-24 | 2023-10-13 | 中原大易科技有限公司 | 一种对账方法及装置 |
-
2024
- 2024-04-03 CN CN202410397144.9A patent/CN117993723A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377454A (zh) * | 2013-07-11 | 2013-10-30 | 西安交通大学 | 基于余弦相似度的异常报税数据检测方法 |
CN107622263A (zh) * | 2017-02-20 | 2018-01-23 | 平安科技(深圳)有限公司 | 单据图像的字符识别方法和装置 |
CN108985912A (zh) * | 2017-06-01 | 2018-12-11 | 埃森哲环球解决方案有限公司 | 数据对账 |
CN107944837A (zh) * | 2017-12-15 | 2018-04-20 | 广州天宁信息技术有限公司 | 一种凭据处理方法、装置和系统 |
CN113297846A (zh) * | 2021-06-21 | 2021-08-24 | 中国农业银行股份有限公司 | 对账处理方法及装置 |
CN116883160A (zh) * | 2023-05-24 | 2023-10-13 | 中原大易科技有限公司 | 一种对账方法及装置 |
CN116703631A (zh) * | 2023-06-07 | 2023-09-05 | 中国工商银行股份有限公司 | 对账数据处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
"基于Oracle EBS系统的YM集团财务核算体系优化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2023 (2023-01-15), pages 1 - 64 * |
纪泳竹: "机器学习分类模型在公司破产风险评估中的应用", 《万方学位论文全文数据库信息科技辑》, 1 March 2024 (2024-03-01), pages 1 - 74 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909299B (zh) | 人伤理赔数据风险检测方法和系统 | |
JP5586373B2 (ja) | 支払請求を処理するコンポーネントの機能をコンピュータシステムに実現させるプログラムが記録されているコンピュータ読み取り可能な記憶媒体、およびコンピュータシステムに支払請求を処理させるコンピュータシステムの動作方法 | |
CN112711757B (zh) | 一种基于大数据平台的数据安全集中管控方法及系统 | |
CN117473048B (zh) | 基于数据挖掘的财务异常数据监测分析系统及方法 | |
CN111930726B (zh) | 基于离线表单的等级保护测评数据采集、分析方法及系统 | |
CN116861446A (zh) | 一种数据安全的评估方法及系统 | |
CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
CN111767192A (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
CN116911882B (zh) | 一种基于机器学习的保险防欺诈预测方法及系统 | |
CN113642672A (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
CN117312290A (zh) | 一种提高异构系统数据质量的方法 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN117993723A (zh) | 基于数据一体化的业务流程信息系统及运行方法 | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN115511596A (zh) | 一种辅助决策的征信验证评估管理方法及系统 | |
CN115409127A (zh) | 一种合同违约风险预测模型的训练方法和相关装置 | |
CN115063143A (zh) | 账户数据处理方法、装置、计算机设备和存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN117195130B (zh) | 一种智能一卡通管理系统及方法 | |
CN117745459B (zh) | 一种基于分录配置的灵活记账方法 | |
CN117057941B (zh) | 基于多维度数据分析的异常消费检测方法 | |
CN117726300B (zh) | 用于招标代理业务资料校验的自动化智能处理系统 | |
CN117764705A (zh) | 一种基于存量客户的风险分析方法 | |
CN117993912A (zh) | 一种保险在线交易存证方法及系统 | |
Rajab | Electricity Theft and Energy Fraud Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |