TWM578834U - 自動儲蓄系統 - Google Patents

Abstract

一種自動儲蓄系統，包括帳戶監控主機以及轉帳管理主機，其中帳戶管理主機於每一預定週期收集一帳戶之存款金額。轉帳管理主機通訊連接於帳戶監控主機且儲存有機器學習模型，轉帳管理主機驅使機器學習模型計算存款金額與固定金額的金額差以及將金額差與金額差下限以及金額差上限作比較以於每一預定週期產生一定存轉帳金額。

Description

自動儲蓄系統

本新型係關於一種金融交易管理系統，特別是一種定期存款管理系統。

現有的自動定期存款系統，乃是客戶依據實際的收入，自行設定定存之固定金額以定存期間，藉以為將來的教育基金、旅遊基金或退休基金作準備。當設定的定存金額太低時，理財人員將難以說服客戶將定期存款轉換購買其他理財商品，定存利息之支出將造成銀行成本之負擔。反之，當設定的定存金額太高時，客戶若臨時有資金需求而必須解約，銀行雖然會因此取得客戶額外支付的解約金，但也失去了整筆的定存金額，導致理財人員無法為客戶提供適當之理財商品，以便幫助客戶賺取比儲蓄利息更高的收益。

有鑑於此，在實務上確實需要一種改良的自動儲蓄系統，至少可解決以上缺失

本新型在於提供一種自動儲蓄系統，可依據客戶的實際收支狀態調整客戶的定存金額。

依據本新型一實施例所揭露的自動儲蓄系統，包括帳戶監控主機及轉帳管理主機，帳戶監控主機於每一預定週期收集帳戶之存款資料，存款資料包含存款金額及存款時間。轉帳管理主機通訊連接於帳戶監控主機，轉帳管理主機儲存有機器學習模型，轉帳管理主機執行機器學習模型以驅使機器學習模型計算存款金額與固定金額的金額差以及將金額差與金額差下限以及金額差上限作比較以於每一預定週期產生一定存轉帳金額。

根據上述架構，本新型所揭露的自動儲蓄系統，可依據客戶實際的收支狀況來調整客戶的定存金額。當客戶有較高的資金需求時，自動儲蓄系統自動地降低客戶之定存轉帳金額以避免客戶因為資金需求而將定存解約，造成利息之損失。反之，當客戶資金較為充裕時，自動儲蓄系統自動地提高客戶之定存金額，藉此提高客戶的利息收入。同時，理財人員也可為客戶建議適合的理財商品，提供完整之理財服務而為銀行帶來更多收益。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本新型之精神與原理，並且提供本新型之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本新型之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本新型之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本新型相關之目的及優點。以下之實施例係進一步詳細說明本新型之觀點，但非以任何觀點限制本新型之範疇。

圖1係為根據本新型第一實施例所繪示之自動儲蓄系統的功能方塊圖。如圖1所示，自動儲蓄系統100包括一帳戶監控主機10以及一轉帳管理主機12，帳戶監控主機10透過有線或無線網路與銀行內部伺服器S通訊連接。銀行內部伺服器S儲存有銀行所有客戶之金融交易資料，金融交易資料包含有存款資料 (至少包含存款金額及存款日期)、提款資料 (至少包含提款金額及提款日期)、以及轉帳資料 (至少包含轉帳金額、轉帳日期及轉入之帳戶)。帳戶監控主機10用於每一預定週期收集客戶之帳戶之存款資料及轉帳資料，預定週期例如為一個月。轉帳管理主機12包含一處理器121及一外部記憶體122，而處理器121電性連接於外部記憶體122。處理器121透過有線或無線網路與帳戶監控主機10通訊連接。處理器121更具有一內部記憶體123，而內部記憶體123儲存有一機器學習模型13。機器學習模型13包含類神經網路、模糊邏輯模型、隱藏式馬爾可夫模型、決策樹、貝氏演算法、條件隨機域或支持向量機，在本實施例中，機器學習模型13使用類神經網路。在實際應用上，機器學習模型13必須事先收集客戶在過往期間的存款資料、過往期間的轉帳資料、預設之固定金額、金額差上限以及金額差下限進行訓練後，才能在接收到即時的存款資料時，預測出適合客戶收支狀況的定存轉帳金額。外部記憶體122用於儲存帳戶之存款資料、預設的固定金額、存款金額與固定金額之金額差、預設之金額差上限及金額差下限以及轉帳資料，固定金額意指客戶一開始設定之定存轉帳金額。轉帳管理主機12用於執行機器學習模型13以驅動已經過訓練之機器學習模型13去計算客戶之存款金額與固定金額的金額差且將金額差分別與金額差下限以及金額差上限比較大小，依據比較之結果在每一預定週期產生一定存轉帳金額。在本實施例中，預定週期為每一個月，如此一來，自動儲存系統100的機器學習模型13在每一個月都會依據客戶的實際收支狀況去調整定存轉帳金額。轉帳管理主機12更包含一繪圖電路124，當機器學習模型13產生多筆定存轉帳金額之資料後，繪圖電路124可依據多筆定存轉帳金額及其對應之轉帳時間產生一定存金額曲線且將定存金額曲線儲存於外部記憶體122。舉例來說，機器學習模型13產生了一年份的定存轉帳金額，則繪圖電路124將依據一整年的定存轉帳金額產生一定存金額曲線，藉此顯示客戶在一整年的每一個月的定存金額。

再者，轉帳管理主機12更可透過無線網路與客戶的行動裝置或個人電腦通訊連接，以便將定存金額曲線的資料傳送至客戶的電子信箱。此外，為了資訊安全的考量，還可設定客戶的行動裝置或個人電腦需要額外安裝與轉帳管理主機12相搭配之指定應用程式，才可與轉帳管理主機12通訊連接以接收定存金額曲線的資料。

圖2係為根據本新型第二實施例所繪示之自動儲蓄系統的功能方塊圖。如圖2所示，第二實施例的自動儲蓄系統200與第一實施例的自動儲蓄系統100之差異為自動儲蓄系統200更包括有一利率管理主機20，利率管理主機20透過有線或無線網路與轉帳管理主機12之處理器121及帳戶監控主機10通訊連接，利率管理主機20用於判斷客戶在一預定期間的定存轉帳金額之平均值是否大於固定金額，藉此判斷是否調整客戶之定存利率。舉例來說，若客戶在過去一年內有超過六個月份之定存轉帳金額高於固定金額，以致使過去一整年的定存轉帳金額之平均值大於固定金額，則自動儲蓄系統200的利率管理主機20自動地提高客戶在下一年度的定存利率，藉此提高客戶續約定存的意願。

圖3係為根據本新型第一實施例所繪示之自動儲蓄方法的流程圖。如圖3所示，在步驟301中，以帳戶監控主機10從銀行內部伺服器S於每一預定週期收集客戶之帳戶之存款資料，並將存款資料經由有線或無線網路傳送至轉帳管理主機12之外部記憶體122，其中存款資料至少包含存款金額及存款日期，在本實施例中，預定週期設定為一個月。

在步驟302中，以轉帳管理主機12之處理器121執行機器學習模型13以驅動機器學習模型13依據輸入於機器學習模型13之存款金額以及固定金額去計算存款金額與固定金額之間的金額差，且將金額差的資料儲存於外部記憶體122。

在步驟303中，以機器學習模型13將金額差分別與輸入於機器學習模型13之金額差下限以及金額差上限作大小比較，接著根據比較之結果選擇地執行步驟304、305、306或307。此外，客戶還可透過安裝於個人電腦或行動裝置之指定應用程式與轉帳管理主機12通訊連接，以便經由網路銀行或行動銀行所提供之功能頁面重新設定輸入於機器學習模型13之固定金額、金額差上限與金額差下限的量值。此外，轉帳管理主機12還可具備安全機制，即使經由指定應用程式連線至轉帳管理主機12後，還必須輸入密碼才能重新設定固定金額、金額差上限與金額差下限，以避免非銀行之客戶隨意修改轉帳管理主機12內的資料。

在步驟304中，若機器學習模型13判定金額差大於零且不大於金額差下限，機器學習模型13輸出一小於固定金額的減額定存金額且從客戶的活期存款帳戶轉帳減額定存金額至客戶的定期存款帳戶，且將減額定存金額及其轉帳日期儲存於外部記憶體122。舉例來說，客戶一開始設定每一個月的定存轉帳金額為10000元、金額差下限為2000元、以及金額差上限為6000元，意即輸入於機器學習模型13之固定金額、金額差下限與金額差上限分別為10000元、2000元以及6000元。當客戶的活期存款帳戶內的存款金額剩下11000元，則輸入於機器學習模型13的存款金額為11000元，則機器學習模型13依據輸入的存款金額、固定金額、金額差下限與金額差上限自動將定存轉帳金額由10000元調降為9000元，減額定存金額即為9000元。所以客戶之活期存款帳戶經過機器學習模型13轉帳後，活期存款帳戶內的餘額仍有2000元，而不會低於先前預設之金額差下限。

在步驟305中，若機器學習模型13判定金額差大於金額差下限且不大於金額差上限，則機器學習模型13從客戶的活期存款帳戶轉帳固定金額至客戶的定期存款，且將轉帳之固定金額及其轉帳日期儲存於外部記憶體122。舉例來說，客戶一開始設定每一個月的定存轉帳金額為10000元、金額差下限為2000元、以及金額差上限為6000元。當客戶的活期存款帳戶內的存款剩下15000元，則機器學習模型13計算出金額差為5000元而判定金額差介於預設之金額差上限與金額差下限之間，則機器學習模型13從客戶的活期存款帳戶轉帳固定金額(10000元)至客戶的定期存款。所以客戶之活期存款帳戶經過機器學習模型13轉帳後活期存款，帳戶內的餘額仍有5000元而介於金額差上限與金額差下限之間。

在步驟306中，若機器學習模型13判定金額差大於金額差上限，則機器學習模型13產生大於固定金額的增額定存金額且從客戶的活期存款帳戶轉帳增額定存金額至客戶的定期存款帳戶，且將增額定存金額及其對應轉帳日期儲存於外部記憶體122。舉例來說，客戶一開始設定每一個月的定存金額為10000元、金額差下限為2000元、以及金額差上限為6000元。當客戶之活期存款帳戶內的存款金額為20000元，機器學習模型13計算出金額差為10000元且判定金額差高於預設之金額差上限，則機器學習模型13將定存金額從10000元提高至14000元，增額定存金額即為14000元。所以客戶之活期存款帳戶經過機器學習模型13轉帳後，活期存款帳戶內的餘額有6000元，而不會高於金額差上限。

在步驟307中，若機器學習模型13判定金額差小於零時，意即客戶之活期存款帳戶內的存款金額低於預設之固定金額，則機器學習模型13不對帳戶進行轉帳。在其他實施例中，當機器學習模型13不進行轉帳時，更進一步發送簡訊至客戶的行動裝置，以將帳戶內餘額不足之消息告客戶。

圖4係為根據本新型第二實施例所繪示之自動儲蓄方法的流程圖。如圖4所示，第二實施例的自動儲蓄方法與第一實施例的自動儲蓄方法之差異在於更包括以利率管理主機20判斷帳戶在預定期間內的定存轉帳金額之平均值是否大於預設之固定金額，若平均值大於固定金額則提高帳戶之定存利率。

自動儲蓄系統在實際操作下，機器學習模型13必須事先經過訓練。因此，本新型的自動儲蓄方法，還可包括在以帳戶監控主機10於每一預定週期收集帳戶之存款資料之前，以轉帳管理主機12之處理器121執行機器學習模型13以驅使機器學習模型13收集帳戶於一過往期間的存款資料(包含存款金額及存款日期)、轉帳資料(包含轉帳金額及轉帳日期) 、固定金額、金額差上限及金額差下限以進行訓練，而過往期間至少為一年。舉例來說，使用之機器學習模型13為類神經網路，設定前一年度帳戶內的存款資料、預設於外部記憶體122之固定金額、金額差上限及金額差下限作為類神經網路之輸入資料且依據類神經網路之輸出資料與前一年度帳戶內的轉帳資料之差值對類神經網路之權重進行修正。如此一來，經過多筆資料訓練後之類神經網路在接收到即時的存款資料、固定金額、金額差下限以及金額差上限時，便可預測出符合客戶收支狀況的定存轉帳金額。再者，當外部記憶體122儲存有前一年度的每一個月的定存轉帳金額的資料時，處理器121也可依據前一年度的定存金額曲線作為今年度定存轉帳的參考依據。

在其他實施例中，自動儲蓄系統可依客戶歷年的交易明細進行分析，當已屆年度保費、學費繳納月份或房貸餘額已日趨減少時有更多資金可儲蓄，可在客戶登入自動儲蓄系統時出現提示訊息，提醒客戶是否需修改自動儲蓄的設定條件(固定金額、金額差上限及金額差下限)及顯示目前的定存儲蓄方案，並將自動儲蓄系統已分析出的選項或金額先行代客戶進行勾選及填妥，將所有分析後可調整的交易整合在同一頁面，客戶確認條件無誤或不需調整後，按下確認鍵即可完成交易，客戶不需再逐一去執行各別的交易，簡化作業流程。

綜合以上所述，本新型所揭露的自動儲蓄系統，可依據客戶實際的收支狀況來調整客戶的定存金額。當客戶有較高的資金需求時，自動儲蓄系統自動地降低客戶之定存轉帳金額以避免客戶因為資金需求而將定存解約，造成利息之損失。反之，當客戶資金較為充裕時，自動儲蓄系統自動地提高客戶之定存金額，藉此提高客戶的利息收入。同時，理財人員也可為客戶建議適合的理財商品，提供完整之理財服務而為銀行帶來更多收益。

雖然本新型以前述之實施例揭露如上，然其並非用以限定本新型。在不脫離本新型之精神和範圍內，所為之更動與潤飾，均屬本新型之專利保護範圍。關於本新型所界定之保護範圍請參考所附之申請專利範圍。

100‧‧‧自動儲蓄系統 10‧‧‧帳戶監控主機 12‧‧‧轉帳管理主機 121‧‧‧處理器 122‧‧‧外部記憶體 123‧‧‧內部記憶體 124‧‧‧繪圖電路 13‧‧‧機器學習模型 200‧‧‧自動儲蓄系統 20‧‧‧利率管理主機 S‧‧‧銀行內部伺服器

圖1係為根據本新型第一實施例所繪示之自動儲蓄系統的功能方塊圖。 圖2係為根據本新型第二實施例所繪示之自動儲蓄系統的功能方塊圖。 圖3係為根據本新型第一實施例所繪示之自動儲蓄方法的流程圖。 圖4係為根據本新型第二實施例所繪示之自動儲蓄方法的流程圖。

Claims (6)

1. 一種自動儲蓄系統，包括：一帳戶監控主機，於每一預定週期收集一帳戶之存款資料，該存款資料包含一存款金額及一存款時間；以及一轉帳管理主機，通訊連接於該帳戶監控主機，該轉帳管理主機儲存有一機器學習模型，該轉帳管理主機用於執行該機器學習模型，該機器學習模型計算該存款金額與一固定金額的金額差且將該金額差分別與一金額差下限以及一金額差上限作比較以於每一該預定週期產生一定存轉帳金額。
2. 如請求項1所述之自動儲蓄系統，其中該預定週期為一個月。
3. 如請求項1所述之自動儲蓄系統，其中該轉帳管理主機包含一處理器及一外部記憶體，該處理器電性連接於該外部記憶體，該處理器還具有一內部記憶體，該內部記憶體用於儲存該機器學習模型，該外部記憶體用於儲存該存款資料、該固定金額、該金額差上限及該金額差下限，該處理器驅使該機器學習模型依據該存款資料、該固定金額、該金額差上限及該金額差下限以於每一該預定週期產生該定存轉帳金額。
4. 如請求項1所述之自動儲蓄系統，其中該機器學習模型包含類神經網路、模糊邏輯模型、隱馬爾可夫模型、決策樹、貝氏演算法、條件隨機域或支持向量機。
5. 如請求項1所述之自動儲蓄系統，更包括一利率管理主機，該利率管理主機通訊連接於該轉帳管理主機及該帳戶監控主機，該利率管理主機用於判斷在一預定期間的定存金額之平均值是否大於該固定金額以決定是否提高該帳戶之定存利率。
6. 如請求項5所述之自動儲蓄系統，其中該預定期間為過去一年。