WO2018184419A1 - 一种精算处理方法和装置 - Google Patents

一种精算处理方法和装置 Download PDF

Info

Publication number
WO2018184419A1
WO2018184419A1 PCT/CN2018/074863 CN2018074863W WO2018184419A1 WO 2018184419 A1 WO2018184419 A1 WO 2018184419A1 CN 2018074863 W CN2018074863 W CN 2018074863W WO 2018184419 A1 WO2018184419 A1 WO 2018184419A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
group
data group
splicing
dimension
Prior art date
Application number
PCT/CN2018/074863
Other languages
English (en)
French (fr)
Inventor
刘永凡
李治
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Priority to JP2018553077A priority Critical patent/JP6680902B2/ja
Priority to US16/321,809 priority patent/US20210287298A1/en
Publication of WO2018184419A1 publication Critical patent/WO2018184419A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G06F16/244—Grouping and aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC

Definitions

  • the present application relates to the field of financial services, and in particular, to an actuarial processing method and apparatus.
  • the calculation of claims reserve is a very important part of risk management. Most insurance companies calculate the claim reserve every once in a while (such as once every half a month) to ensure that it happens. When claiming a case, you can complete the payment on time.
  • the calculation of claims reserves is generally carried out through actuarial software, such as the actuarial program based on the PROPHET model.
  • the embodiment of the present application provides an actuarial processing method and apparatus, which can reduce the workload of the actuarial program repeatedly processing the same data dimension value, and improve the efficiency of the actuarial processing.
  • an actuarial processing method comprising:
  • the target policy data is grouped according to a preset product grouping rule to obtain each data group;
  • the actuarial processing of each of the groups of the actuarial data is performed separately by using a preset actuarial program.
  • the embodiments of the present application have the following advantages:
  • the target policy data having the same data dimension is divided into a group to be actuarial data according to the dimension mark, and the actuarial program is used to perform actuarial processing on the group to be actuarial data.
  • the workload of the actuarial program repeatedly processing the same data dimension value is reduced, and the efficiency of the actuarial processing is improved; in the scenario of calculating the claim reserve, the time cost of the calculation is effectively reduced, and the calculation cost of the insurance company is saved.
  • FIG. 1 is a flow chart of an embodiment of an actuarial processing method according to the present application.
  • FIG. 2 is a schematic flowchart of an actuarial processing method step 104 in an application scenario according to the present application;
  • FIG. 3 is a schematic flowchart of performing packet error processing in an application scenario by an actuarial processing method according to the present application
  • FIG. 4 is a structural diagram of a first embodiment of an actuarial processing apparatus according to the present application.
  • Figure 5 is a structural diagram of a second embodiment of an actuarial processing apparatus according to the present application.
  • FIG. 6 is a structural diagram of a third embodiment of an actuarial processing apparatus according to the present application.
  • an embodiment of an actuarial processing method of the present application includes:
  • the data to be determined by the actuarial processing is different.
  • the task of the actuarial processing is the actuarial calculation of the insurance company's claim reserve
  • all the existing insurance policies of the insurance company can be determined as the target policy data to be actuated.
  • the following content is mainly explained based on the actuarial processing of the claim reserve as an example. It should be understood that the actuarial processing method provided by the present application can also be applied to other actuarial tasks. This embodiment will not be described again.
  • the target policy data is not located on the same server or In the database.
  • the target policy data can be captured from multiple servers or databases of the insurance company by means of data statistics, and the target policy data is aggregated in a server or database to facilitate the actuarial processing of the subsequent actuarial program.
  • model Point summary model point summary
  • the basic data is prepared for the calculation of the claims reserve.
  • a target policy data includes “type of insurance: life insurance, claim amount: 500W”, where “life insurance” is the value of the “insurance” attribute in the policy data, because it is not a number or character that is beneficial to the actuarial process.
  • life insurance can be converted, and if "K001" is used instead, the data cleaning of the policy data "insurance” attribute is completed. It can be understood that the value of which data format is converted into data format when data cleaning is performed is generally determined by the actuarial program used in the subsequent steps.
  • the product grouping rule can be set in advance, and when the target policy data is grouped, the product grouping rule is used to distinguish the target policy data generated by the insurance products with different data forms, and are divided into different data groups. In order to facilitate data dimension extraction and actuarial processing in subsequent steps.
  • the above step 102 may include: grouping the target policy data according to the product name to which the target policy data belongs, to obtain each data group.
  • each target policy data in the same data group belongs to the same or similar policy data of the insurance products, and the target policy data often has the same data dimension.
  • each target policy data generally includes the amount of claims, premiums, various medical claims liabilities, insurance validity periods, additional risks, etc., and the values of these data dimensions are all the same or similar within a certain range, so These data dimensions can be extracted from this data set.
  • a preset condition corresponding to each data group after grouping may be separately set to extract a data dimension of the corresponding data group.
  • the data group is pre-set to which data dimensions need to be extracted as the "pre-condition" of the data group, and when extracting, the corresponding data dimension can be directly extracted from the target policy data of the data group.
  • splicing processing may be performed on data values of the same data dimension, thereby generating a spliced string.
  • splicing algorithms used to splicing data values, such as averaging, weighted averaging, summation, etc.
  • different splicing algorithms may be preset for different data groups, specifically before step 104, respectively configuring corresponding data groups.
  • the splicing algorithm, the splicing algorithms corresponding to the respective data groups are different from each other. It can be understood that, if different splicing algorithms are configured for different data groups, the possibility of the same splicing between the spliced strings is greatly reduced after the data dimensions of the data groups are extracted.
  • the step of configuring the corresponding splicing algorithm for each of the data groups may include:
  • the product name corresponding to the data group and the preset algorithm configuration table respectively configure a corresponding splicing algorithm for each of the data groups, and the algorithm configuration table records a correspondence between the product name and a preset splicing algorithm.
  • the splicing algorithm may be acquired before the splicing process of the data values.
  • the foregoing step 104 may include:
  • the splicing algorithm corresponding to one of the acquired data sets is an averaging algorithm.
  • the data dimension in the data group is “insurance period”, and the data values belonging to the “insurance period” dimension of the three target policy data of the data group are: 20130516-20180516 (ie, May 16 to 2018, 5, 2013) On the 16th of the month, the following values are similar, no longer explained), 20140213-20200213, 20160917-20220917, the average of these three data values, namely (20130516+20140213+20160917)/3-(20180516+20200213+20220917)/ 3, equal to 20143882-20200549 (rounded up).
  • the spliced string is 20143882-20200549.
  • the spliced string is encrypted into a 32-bit string by using the MD5 encryption mode, and the encrypted string is the dimension identifier corresponding to the data dimension, that is, the dimension ID.
  • the target policy data in the data group can be further further grouped to obtain the individual data groups to be actuated. It can be seen that each target policy data in the same group of data to be actuated has the same dimension mark.
  • the target policy data can be subjected to data cleaning processing. After the data is cleaned, the target policy data after the data cleaning process may be separately stored in a preset data storage path according to a preset storage requirement. Based on this, the foregoing step 106 may include:
  • the service has different requirements for different policy data
  • storing the target policy data after data cleaning to each data storage path is more convenient for the salesperson to query according to different needs.
  • a path named "NB” only the new policy data generated this year is stored; on the path named "kaohe”, it is used to distinguish policy data from different databases.
  • the data storage path is further added as a grouping basis, so that each group of the actuarial data to be obtained after the grouping is further subdivided, and the target policy data originally stored on different data storage paths is divided into an object to be actuated data group.
  • the processing efficiency of the actuarial program is guaranteed to a certain extent.
  • the foregoing step 106 may be: according to the dimension identifier corresponding to each of the data dimensions extracted in the data group, and the data storage path, the evaluation time point, and the insurance name of the target policy data, and the data group is The target policy data is grouped to obtain each of the data groups to be actuated under the data group.
  • the evaluation point of the target policy data refers to the running time of the running AIO program (an agreed time).
  • the name of the insurance policy of the target policy data refers to the name of the insurance policy of the policy data.
  • different types of insurance can be modeled differently before the type of insurance is provided to the actuarial program.
  • the actuarial processing may be performed on each of the groups of the actuarial data to be actuated by using a preset actuarial program, and the actuarial program may be prophet software or other actuarial software. This embodiment does not limit this.
  • target policy data in each group to be actuarial data has data values of the same data dimension, it is not necessary to repeat the actuarial calculation of these data values when the actuarial program performs the actuarial processing on them.
  • the actuarial processing method of this embodiment may further include:
  • step 301 Determine, according to the log information, whether the data group or the to-be-prepared data group of the packet error exists, and if yes, execute step 302; if not, perform processing according to a preset process step;
  • the above step 102 can be returned to the above, and the method of the embodiment is re-executed for packet processing and actuarial processing.
  • the data accuracy of the actuarial task processing is guaranteed.
  • the target policy data having the same data dimension is divided into a group to be actuarial data according to the dimension flag, and the actuarial program is used to perform actuarial calculation on the group to be actuarial data.
  • the workload of the actuarial program repeatedly processing the same data dimension value is greatly reduced, and the efficiency of the actuarial processing is improved; in the scenario of calculating the claim reserve, the time cost of the calculation is effectively reduced, and the calculation of the insurance company is saved. cost.
  • FIG. 4 is a structural diagram showing a first embodiment of an actuarial processing apparatus in an embodiment of the present application.
  • an actuarial processing apparatus includes:
  • the policy data determining module 401 is configured to determine target policy data to be actuarially processed
  • the data grouping module 402 is configured to group the target policy data according to a preset product grouping rule to obtain each data group;
  • a data dimension extraction module 403, configured to extract a data dimension in the data group that meets a preset condition
  • the splicing module 404 is configured to perform splicing processing on data values belonging to the same data dimension in the data group to obtain a spliced string;
  • the dimension flag module 405 is configured to perform encryption processing on the obtained spliced character string to obtain a dimension flag corresponding to the data dimension in the data group.
  • the actuarial grouping module 406 is configured to group the target policy data under the data group according to the dimension identifier corresponding to each of the data dimensions extracted in the data group, to obtain each to be actuated under the data group.
  • the actuarial processing module 407 is configured to perform an actuarial process on each of the to-be-amplified data groups by using a preset actuarial program.
  • FIG. 5 is a structural diagram showing a second embodiment of an actuarial processing apparatus in an embodiment of the present application.
  • the actuarial processing apparatus may further include:
  • the algorithm configuration module 408 is configured to configure a corresponding splicing algorithm for each of the data groups, and the splicing algorithms corresponding to the data groups are different from each other;
  • the splicing module 404 includes:
  • An algorithm obtaining unit 4041 configured to acquire a splicing algorithm corresponding to the data group
  • the splicing processing unit 4042 is configured to perform splicing processing on the data values belonging to the same data dimension in the data group according to the obtained splicing algorithm to obtain a spliced string.
  • the data grouping module 402 can include:
  • the policy data grouping unit 4021 is configured to group the target policy data according to the product name to which the target policy data belongs, to obtain each data group;
  • the algorithm configuration module 408 includes:
  • the splicing algorithm configuration unit 4081 is configured to configure a corresponding splicing algorithm for each of the data groups according to a product name corresponding to each of the data groups and a preset algorithm configuration table, where the algorithm configuration table records the product name and The correspondence between preset splicing algorithms.
  • actuarial processing device may further include:
  • the data cleaning module 409 is configured to perform data cleaning processing on the target policy data.
  • the data storage module 410 is configured to store the target policy data after the data cleaning process according to a preset storage requirement to each preset data storage path;
  • the to-be-actuate group grouping module 406 includes:
  • the first grouping unit 4061 is configured to group the target policy data under the data group according to the dimension identifier corresponding to each of the data dimensions extracted in the data group, and each of the data storage paths. Each group of data to be actuated under the data group.
  • FIG. 6 is a structural diagram showing a third embodiment of an actuarial processing apparatus in an embodiment of the present application.
  • the actuarial group grouping module 406 can include:
  • a second grouping unit 4062 configured to: according to the dimension identifier corresponding to each of the data dimensions extracted in the data group, and the data storage path, the evaluation time point, and the insurance name of the target policy data, to the data group
  • the target policy data under the group is grouped, and each group of the data to be actuated under the data group is obtained.
  • actuarial processing method may further include:
  • a packet error judging module 411 configured to determine, according to the log information, whether the data group or the to-be-acquisition data group of the packet error exists;
  • the return triggering module 412 is configured to return to trigger the data packet module 402 if the result of the determination by the group error determining unit is YES.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例公开了一种精算处理方法，用于解决精算处理耗时长、处理效率低下的问题。本申请实施例方法包括：确定待精算处理的目标保单数据；按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；提取所述数据组中符合预设条件的数据维度；对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；对得到的拼接字符串进行加密处理，得到所述数据组中与数据维度对应的维度标志；根据所述数据组中提取到的各个数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到数据组下的各个待精算数据小组；采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。本申请实施例还提供一种精算处理装置。

Description

一种精算处理方法和装置
本申请申明享有2017年04月06日递交的申请号为201710221077.5、名称为“一种精算处理方法和装置”中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请涉及金融服务领域，尤其涉及一种精算处理方法和装置。
 背景技术
在保险行业，数据精算是一种重要的数据预测和统计手段。
例如，对于保险公司来说，理赔准备金的计算是风险管控方面非常重要的一个环节，大多数保险公司均会每隔一段时间（如半个月一次）计算一次理赔准备金，以确保当发生理赔案件时，可以按时完成赔付。目前，理赔准备金的计算一般通过精算软件进行，例如基于PROPHET模型的精算程序。
然而，由于理赔准备金的计算涉及一个保险公司所有的有效保单，这些保单的数据量极其庞大，而精算程序在计算理赔准备金时是针对各个独立的保单进行的，虽然计算一个保单的理赔准备金耗时不多，但当有效保单的基数庞大时，往往导致每次计算一个保险公司的理赔准备金需要耗费大量的时间，大大增加了保险公司的理赔准备金计算成本。
 技术问题
本申请实施例提供了一种精算处理方法和装置，能够减少精算程序重复处理相同数据维度值的工作量，提高精算处理的效率。
 技术解决方案
第一方面，提供了一种精算处理方法，包括：
确定待精算处理的目标保单数据；
按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
提取所述数据组中符合预设条件的数据维度；
对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
 有益效果
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，首先，确定待精算处理的目标保单数据；然后，按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；提取所述数据组中符合预设条件的数据维度；接着，对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；再之，根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；最后，采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。在本申请实施例中，在相同的产品分组下，将具有相同数据维度的目标保单数据根据维度标志分在一个待精算数据小组中，采用精算程序对这些待精算数据小组进行精算处理时，大大减少了精算程序重复处理相同数据维度值的工作量，提高了精算处理的效率；在计算理赔准备金的场景下，有效减少了计算所消耗的时间成本，节省了保险公司的计算成本。
 附图说明
图1为本申请一种精算处理方法的一个实施例流程图；
图2为本申请一种精算处理方法步骤104在一个应用场景下的流程示意图；
图3为本申请一种精算处理方法在一个应用场景下进行分组错误处理的流程示意图；
图4为本申请一种精算处理装置第一个实施例结构图；
图5为本申请一种精算处理装置第二个实施例结构图；
图6为本申请一种精算处理装置第三个实施例结构图。
 本发明的实施方式
请参阅图1，本申请一种精算处理方法的一个实施例包括：
101、确定待精算处理的目标保单数据；
本实施例中，针对不同的精算任务，其确定出的待精算处理的数据是不一样的。例如，若本次精算处理的任务为保险公司的理赔准备金的精算，则可以将该保险公司现有的所有有效保单均确定为待精算处理的目标保单数据。在描述本实施例的精算处理方法时，为便于描述，下述内容主要基于理赔准备金的精算处理作为举例进行说明，应当理解的是，本申请提供的精算处理方法还可以应用于其它精算任务中，本实施例对此不再赘述。
可以理解的是，由于目前大多数保险公司对于保单数据的管理采用不同的服务器进行划分和存储，因此，对于一个精算任务的目标保单数据来说，很可能这些目标保单数据并非位于同一个服务器或者数据库中。此时，可以采用数据统计的方式从该保险公司的多个服务器或者数据库中抓取这些目标保单数据，并将这些目标保单数据汇总在一个服务器或者数据库中，以便于后续精算程序的精算处理。具体地，可以采用model point汇总（模型点汇总），从多个数据库将保单及其它业务数据同步到精算程序指定的数据库PALA，然后基于这些保单数据按主附险关系归集保额、保费、现金价值到一条保单记录上，为后面计算理赔准备金准备基础数据。
进一步地，在对保单数据进行数据汇总之后，为了使得这些目标保单数据均能被精算程序识别和处理，可以预先对这些目标保单数据进行数据清洗。例如，某条目标保单数据包括“险种：人寿险，理赔金额：500W”，其中，“人寿险”作为保单数据中“险种”属性的值，由于其并非利于精算程序处理的数字或字符，因此可以将该“人寿险”进行转化，假设使用“K001”代替，则完成了这条保单数据“险种”属性的数据清洗。可以理解的是，在进行数据清洗时，将这些目标保单数据转化成哪种数据格式的值，一般由后续步骤中采用的精算程序来决定。
102、按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
对于确定出的目标保单数据，由于保单数据一般与保险产品的类型密切相关，而且不同的保险产品之间，其相应产生的保单数据之间相差较大。例如，人寿险、车险、医疗险等保险产品，其产生的保单的理赔数额、保费、理赔责任等等信息或数据均相差较大。因此，本实施例可以预先设置产品分组规则，在对目标保单数据进行分组时，运用该产品分组规则将数据形式相差较大的保险产品产生的目标保单数据区分开来，分入不同的数据组中，以便于后续步骤中的数据维度提取和精算处理。
特别地，由于不同的保险产品的产品名称也不相同，因此可以通过产品名称来区分属于不同保险产品的目标保单数据。因此，进一步地，上述步骤102可以包括：按照所述目标保单数据所属的产品名称对所述目标保单数据进行分组，得到各个数据组。
103、提取所述数据组中符合预设条件的数据维度；
在将目标保单数据分成各个数据组之后，由上述内容可知，在同一数据组中的目标保单数据均属于保险产品相同或相近的保单数据，这些目标保单数据中往往具有相同的数据维度。例如，在医疗险对应的数据组中，各个目标保单数据一般包括理赔数额、保费、各种医疗理赔责任、保险有效期、附加险等，这些数据维度的值均在一定范围内相同或相近，因此可以从该数据组中提取出这些数据维度。
本实施例中，针对预设的产品分组规则，可以分别设置分组后各个数据组对应的预设条件来提取对应数据组的数据维度。可以理解的是，对于同一个保险产品的数据组，其具有一个或多个相同的数据维度，如险种、缴费期、性别、年龄、缴费类型、保险期间等，因此可以预先为不同的保险产品的数据组预先设置好需要提取哪些数据维度作为该数据组的“预设条件”，在提取时，直接从该数据组的目标保单数据中提取出对应的数据维度即可。
104、对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
本实施例中，在提取所述数据组中各个数据维度之后，可以针对同一数据维度的数据值进行拼接处理，从而生成拼接字符串。对数据值进行拼接处理时采用的拼接算法可以有多种，例如求平均、求加权平均、求和等方式
为了在对同一数据维度的数据值进行拼接处理时，减少数据精度的损失，可以针对不同的数据组预先设置不同的拼接算法，具体为在步骤104之前，分别为各个所述数据组配置对应的拼接算法，各个所述数据组对应的拼接算法互不相同。可以理解的是，针对不同的数据组配置不一样的拼接算法，则在提取了这些数据组的数据维度之后，拼接得到的字符串之间相同的可能性就大大降低。
而从上述步骤103部分的描述内容可知，各个数据组又与产品名称存在对应关系，因此，上述的“分别为各个所述数据组配置对应的拼接算法”的步骤又可以具体包括：根据各个所述数据组对应的产品名称以及预设的算法配置表分别为各个所述数据组配置对应的拼接算法，所述算法配置表记录有所述产品名称与预设的拼接算法之间的对应关系。通过预先将产品名称与拼接算法之间的对应关系记录在算法配置表中，在需要为各个数据组配置对应的拼接算法时，可以从算法配置表中快速匹配到相应的拼接算法，大大提高了数据组与拼接算法的匹配效率。
因此，进一步地，在对数据值进行拼接处理前，可以进行拼接算法的获取，如图2所示，上述步骤104可以包括：
201、获取所述数据组对应的拼接算法；
202、根据获取到的所述拼接算法对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串。
对于上述步骤201和202，假设获取到的一个数据组对应的拼接算法为求平均算法。该数据组中的数据维度为“保险期间”，该数据组的三条目标保单数据中属于该“保险期间”维度的数据值分别为：20130516-20180516（即2013年5月16日至2018年5月16日，下面的数值类似，不再说明）、20140213-20200213、20160917-20220917，对这三个数据值求平均，即（20130516+20140213+20160917）/3-（20180516+20200213+20220917）/3，等于20143882-20200549（四舍五入）。从而得到该拼接字符串为20143882-20200549。
105、对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
本实施例中，具体可以采用MD5加密方式将该拼接字符串加密成32位的字符串，加密后的字符串即为该数据维度对应的维度标志，也即维度ID。
106、根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
在得到数据组中各个数据维度的维度标志之后，则可以继续对该数据组中的目标保单数据进行进一步的分组，得到各个待精算数据小组。可知，同一个待精算数据小组中的每条目标保单数据均具有相同的维度标志。
本实施例中，由上述步骤101中描述的内容可知，在确定待精算处理的目标保单数据之后，可以对所述目标保单数据进行数据清洗处理。在数据清理之后，还可以将数据清洗处理后的所述目标保单数据按照预设的存放需求分别存放至预设的各个数据存放路径。在此基础上，上述步骤106则可以包括：
根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及各个所述数据存放路径对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
可以理解的是，由于业务对不同保单数据具有不同的需求，因此将数据清洗后的目标保单数据存放至各个数据存放路径更有利于业务员根据不同的需要进行查询。例如，在某一命名为“NB”的路径上，仅存储本年度产生的新保单数据；而在命名为“kaohe”的路径上则用来区分来自不同数据库的保单数据。上述步骤106中具体再加入数据存放路径作为分组依据，可以使得分组后得到的各个待精算数据小组更加细分，避免原本存在在不同数据存放路径上的目标保单数据被分在一个待精算数据小组上，在一定程度上保证了精算程序的处理效率。
更进一步地，还可以综合考虑目标保单数据的评估时点、险种名称等作为分组的依据。例如，上述步骤106可以为：根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及所述目标保单数据的数据存放路径、评估时点和险种名称对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
其中，目标保单数据的评估时点指运行AIO程序运行时间（一个约定时间）。
而目标保单数据的险种名称则是指该条保单数据的险种的名称。特别地，在将险种名称提供给精算程序之前，可以对不同的险种进行不同的建模。
107、采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
本实施例中，在分组得到各个待精算数据小组之后，可以采用预设的精算程序分别对各个所述待精算数据小组进行精算处理，该精算程序可以是prophet软件，也可以是其它精算软件，本实施例对此不作限定。
可以理解的是，由于各个待精算数据小组中的目标保单数据均具有相同数据维度的数据值，在精算程序对其进行精算处理时，无需重复多次精算这些数据值。
进一步地，，如图3所示，本实施例的所述精算处理方法还可以包括：
301、根据日志信息判断是否存在分组错误的所述数据组或者所述待精算数据小组，若是，则执行步骤302，若否，则按照预设流程步骤进行处理；
302、返回重新执行按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组的步骤。
对于上述步骤301和302，可以理解的是，当发现分组错误时，可以返回重新执行上述步骤102，重新执行本实施例的方法进行分组处理和精算处理。在一个应用场景下，为了支持本实施例的精算处理方法的重复执行，以保证本次精算任务处理的数据准确性。
本实施例中，在本实施例中，在相同的产品分组下，将具有相同数据维度的目标保单数据根据维度标志分在一个待精算数据小组中，采用精算程序对这些待精算数据小组进行精算处理时，大大减少了精算程序重复处理相同数据维度值的工作量，提高了精算处理的效率；在计算理赔准备金的场景下，有效减少了计算所消耗的时间成本，节省了保险公司的计算成本。
图4示出了本申请实施例中一种精算处理装置第一个实施例结构图。
如图4所示，本实施例中，一种精算处理装置包括：
保单数据确定模块401，用于确定待精算处理的目标保单数据；
数据分组模块402，用于按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
数据维度提取模块403，用于提取所述数据组中符合预设条件的数据维度；
拼接模块404，用于对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
维度标志模块405，用于对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
待精算小组分组模块406，用于根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
精算处理模块407，用于采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
图5示出了本申请实施例中一种精算处理装置第二个实施例结构图。
如图5所示，进一步地，所述精算处理装置还可以包括：
算法配置模块408，用于分别为各个所述数据组配置对应的拼接算法，各个所述数据组对应的拼接算法互不相同；
所述拼接模块404包括：
算法获取单元4041，用于获取所述数据组对应的拼接算法；
拼接处理单元4042，用于根据获取到的所述拼接算法对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串。
进一步地，所述数据分组模块402可以包括：
保单数据分组单元4021，用于按照所述目标保单数据所属的产品名称对所述目标保单数据进行分组，得到各个数据组；
所述算法配置模块408包括：
拼接算法配置单元4081，用于根据各个所述数据组对应的产品名称以及预设的算法配置表分别为各个所述数据组配置对应的拼接算法，所述算法配置表记录有所述产品名称与预设的拼接算法之间的对应关系。
进一步地，所述精算处理装置还可以包括：
数据清洗模块409，用于对所述目标保单数据进行数据清洗处理；
数据存放模块410，用于将数据清洗处理后的所述目标保单数据按照预设的存放需求分别存放至预设的各个数据存放路径；
所述待精算小组分组模块406包括：
第一小组分组单元4061，用于根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及各个所述数据存放路径对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
图6示出了本申请实施例中一种精算处理装置第三个实施例结构图。
如图6所示，进一步地，所待精算小组分组模块406可以包括：
第二小组分组单元4062，用于根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及所述目标保单数据的数据存放路径、评估时点和险种名称对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
进一步地，所述精算处理方法还可以包括：
分组错误判断模块411，用于根据日志信息判断是否存在分组错误的所述数据组或者所述待精算数据小组；
返回触发模块412，用于若所述分组错误判断单元的判断结果为是，则返回触发所述数据分组模块402。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (20)

  1. 一种精算处理方法，其特征在于，包括：
    确定待精算处理的目标保单数据；
    按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
    提取所述数据组中符合预设条件的数据维度；
    对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
    对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
    根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
    采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
  2. 根据权利要求1所述的精算处理方法，其特征在于，对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串之前，还包括：
    分别为各个所述数据组配置对应的拼接算法，各个所述数据组对应的拼接算法互不相同；
    所述对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串包括：
    获取所述数据组对应的拼接算法；
    根据获取到的所述拼接算法对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串。
  3. 根据权利要求2所述的精算处理方法，其特征在于，所述按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组包括：
    按照所述目标保单数据所属的产品名称对所述目标保单数据进行分组，得到各个数据组；
    所述分别为各个所述数据组配置对应的拼接算法包括：
    根据各个所述数据组对应的产品名称以及预设的算法配置表分别为各个所述数据组配置对应的拼接算法，所述算法配置表记录有所述产品名称与预设的拼接算法之间的对应关系。
  4. 根据权利要求1所述的精算处理方法，其特征在于，在确定待精算处理的目标保单数据之后，还包括：
    对所述目标保单数据进行数据清洗处理；
    将数据清洗处理后的所述目标保单数据按照预设的存放需求分别存放至预设的各个数据存放路径；
    所述根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组包括：
    根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及各个所述数据存放路径对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
  5. 根据权利要求1所述的精算处理方法，其特征在于，所述根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组包括：
    根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及所述目标保单数据的数据存放路径、评估时点和险种名称对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
  6. 根据权利要求1至5中任一项所述的精算处理方法，其特征在于，所述精算处理方法还包括：
    根据日志信息判断是否存在分组错误的所述数据组或者所述待精算数据小组；
    若存在分组错误的所述数据组或者所述待精算数据小组，则返回重新执行按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组的步骤。
  7. 一种精算处理装置，其特征在于，包括：
    保单数据确定模块，用于确定待精算处理的目标保单数据；
    数据分组模块，用于按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
    数据维度提取模块，用于提取所述数据组中符合预设条件的数据维度；
    拼接模块，用于对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
    维度标志模块，用于对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
    待精算小组分组模块，用于根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
    精算处理模块，用于采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
  8. 根据权利要求7所述的精算处理装置，其特征在于，所述精算处理装置还包括：
    算法配置模块，用于分别为各个所述数据组配置对应的拼接算法，各个所述数据组对应的拼接算法互不相同；
    所述拼接模块包括：
    算法获取单元，用于获取所述数据组对应的拼接算法；
    拼接处理单元，用于根据获取到的所述拼接算法对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串。
  9. 根据权利要求8所述的精算处理装置，其特征在于，所述数据分组模块包括：
    保单数据分组单元，用于按照所述目标保单数据所属的产品名称对所述目标保单数据进行分组，得到各个数据组；
    所述算法配置模块包括：
    拼接算法配置单元，用于根据各个所述数据组对应的产品名称以及预设的算法配置表分别为各个所述数据组配置对应的拼接算法，所述算法配置表记录有所述产品名称与预设的拼接算法之间的对应关系。
  10. 根据权利要求7至9中任一项所述的精算处理装置，其特征在于，所述精算处理装置还包括：
    数据清洗模块，用于对所述目标保单数据进行数据清洗处理；
    数据存放模块，用于将数据清洗处理后的所述目标保单数据按照预设的存放需求分别存放至预设的各个数据存放路径；
    所述待精算小组分组模块包括：
    第一小组分组单元，用于根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及各个所述数据存放路径对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
  11. 一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
    确定待精算处理的目标保单数据；
    按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
    提取所述数据组中符合预设条件的数据维度；
    对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
    对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
    根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
    采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
  12. 根据权利要求11所述的终端设备，其特征在于，其特征在于，对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串之前，还包括：
    分别为各个所述数据组配置对应的拼接算法，各个所述数据组对应的拼接算法互不相同；
    所述对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串包括：
    获取所述数据组对应的拼接算法；
    根据获取到的所述拼接算法对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串。
  13. 根据权利要求12所述的终端设备，其特征在于，其特征在于，所述按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组包括：
    按照所述目标保单数据所属的产品名称对所述目标保单数据进行分组，得到各个数据组；
    所述分别为各个所述数据组配置对应的拼接算法包括：
    根据各个所述数据组对应的产品名称以及预设的算法配置表分别为各个所述数据组配置对应的拼接算法，所述算法配置表记录有所述产品名称与预设的拼接算法之间的对应关系。
  14. 根据权利要求11所述的终端设备，其特征在于，在确定待精算处理的目标保单数据之后，还包括：
    对所述目标保单数据进行数据清洗处理；
    将数据清洗处理后的所述目标保单数据按照预设的存放需求分别存放至预设的各个数据存放路径；
    所述根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组包括：
    根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及各个所述数据存放路径对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
  15. 根据权利要求11-14任一项所述的终端设备，其特征在于，所述处理器执行所述计算机可读指令时还实现如下步骤：
    根据日志信息判断是否存在分组错误的所述数据组或者所述待精算数据小组；
    若存在分组错误的所述数据组或者所述待精算数据小组，则返回重新执行按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组的步骤。
  16. 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，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：
    确定待精算处理的目标保单数据；
    按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组；
    提取所述数据组中符合预设条件的数据维度；
    对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串；
    对得到的所述拼接字符串进行加密处理，得到所述数据组中与所述数据维度对应的维度标志；
    根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组；
    采用预设的精算程序分别对各个所述待精算数据小组进行精算处理。
  17. 根据权利要求16所述的计算机可读存储介质，其特征在于，对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串之前，还包括：
    分别为各个所述数据组配置对应的拼接算法，各个所述数据组对应的拼接算法互不相同；
    所述对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串包括：
    获取所述数据组对应的拼接算法；
    根据获取到的所述拼接算法对所述数据组中属于同一数据维度的数据值进行拼接处理，得到拼接字符串。
  18. 根据权利要求17所述的计算机可读存储介质，其特征在于，所述按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组包括：
    按照所述目标保单数据所属的产品名称对所述目标保单数据进行分组，得到各个数据组；
    所述分别为各个所述数据组配置对应的拼接算法包括：
    根据各个所述数据组对应的产品名称以及预设的算法配置表分别为各个所述数据组配置对应的拼接算法，所述算法配置表记录有所述产品名称与预设的拼接算法之间的对应关系。
  19. 根据权利要求16所述的计算机可读存储介质，其特征在于，在确定待精算处理的目标保单数据之后，还包括：
    对所述目标保单数据进行数据清洗处理；
    将数据清洗处理后的所述目标保单数据按照预设的存放需求分别存放至预设的各个数据存放路径；
    所述根据所述数据组中提取到的各个所述数据维度对应的维度标志对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组包括：
    根据所述数据组中提取到的各个所述数据维度对应的维度标志、以及各个所述数据存放路径对所述数据组下的目标保单数据进行分组，得到所述数据组下的各个待精算数据小组。
  20. 根据权利要求16-19任一项所述的计算机可读存储介质，其特征在于，所述计算机可读指令被处理器执行时还实现如下步骤：
    根据日志信息判断是否存在分组错误的所述数据组或者所述待精算数据小组；
    若存在分组错误的所述数据组或者所述待精算数据小组，则返回重新执行按照预设的产品分组规则对所述目标保单数据进行分组，得到各个数据组的步骤。
PCT/CN2018/074863 2017-04-06 2018-01-31 一种精算处理方法和装置 WO2018184419A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018553077A JP6680902B2 (ja) 2017-04-06 2018-01-31 精算処理方法、精算処理装置、端末機器及び記憶媒体
US16/321,809 US20210287298A1 (en) 2017-04-06 2018-01-31 Actuarial processing method and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710221077.5A CN107688591B (zh) 2017-04-06 2017-04-06 一种精算处理方法和装置
CN201710221077.5 2017-04-06

Publications (1)

Publication Number Publication Date
WO2018184419A1 true WO2018184419A1 (zh) 2018-10-11

Family

ID=61152356

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/074863 WO2018184419A1 (zh) 2017-04-06 2018-01-31 一种精算处理方法和装置

Country Status (4)

Country Link
US (1) US20210287298A1 (zh)
JP (1) JP6680902B2 (zh)
CN (1) CN107688591B (zh)
WO (1) WO2018184419A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399574B (zh) * 2018-02-28 2021-09-28 泰康保险集团股份有限公司 理赔数据获取方法、对接理赔子系统、介质及电子设备
CN108805725B (zh) * 2018-05-28 2023-04-07 平安科技（深圳）有限公司 风险事件确认方法、服务器及计算机可读存储介质
CN109711998B (zh) * 2018-08-20 2023-10-20 中国平安人寿保险股份有限公司 数据传输方法、装置、设备及可读存储介质
CN109360113B (zh) * 2018-12-14 2021-04-13 泰康保险集团股份有限公司 一种保单的自动理算方法、装置、介质及电子设备
CN110334086A (zh) * 2019-05-30 2019-10-15 平安科技（深圳）有限公司 数据去重方法、装置、计算机设备以及存储介质
CN111222048A (zh) * 2020-01-03 2020-06-02 北京字节跳动网络技术有限公司 用户数量的查询计算方法、装置、电子设备、及存储介质
CN112288585B (zh) * 2020-11-20 2024-05-28 中国人寿保险股份有限公司 保险业务精算数据处理方法、装置及电子设备
CN112579586A (zh) * 2020-12-23 2021-03-30 平安普惠企业管理有限公司 数据处理方法、装置、设备及存储介质
CN112651842A (zh) * 2020-12-29 2021-04-13 中国平安人寿保险股份有限公司 项目的演示方法、装置、计算机设备及存储介质
CN116777648B (zh) * 2023-08-23 2023-11-03 山东远硕上池健康科技有限公司 一种车辆出险的人伤理赔信息智能管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012009421A2 (en) * 2010-07-15 2012-01-19 Sekse Per A Financial insurance product for hydrocarbon reserves
CN103678314A (zh) * 2012-09-03 2014-03-26 中国银联股份有限公司 基于关联规则提取的海量数据处理系统、设备及方法
CN106156040A (zh) * 2015-03-26 2016-11-23 阿里巴巴集团控股有限公司 多维度数据管理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012009421A2 (en) * 2010-07-15 2012-01-19 Sekse Per A Financial insurance product for hydrocarbon reserves
CN103678314A (zh) * 2012-09-03 2014-03-26 中国银联股份有限公司 基于关联规则提取的海量数据处理系统、设备及方法
CN106156040A (zh) * 2015-03-26 2016-11-23 阿里巴巴集团控股有限公司 多维度数据管理方法及装置

Also Published As

Publication number Publication date
CN107688591B (zh) 2019-05-07
JP6680902B2 (ja) 2020-04-15
JP2019519017A (ja) 2019-07-04
CN107688591A (zh) 2018-02-13
US20210287298A1 (en) 2021-09-16

Similar Documents

Publication Publication Date Title
WO2018184419A1 (zh) 一种精算处理方法和装置
US11386351B2 (en) Machine learning service
CN106980623B (zh) 一种数据模型的确定方法及装置
US9886670B2 (en) Feature processing recipes for machine learning
WO2019153518A1 (zh) 信息推送方法、装置、计算机设备及存储介质
CN110162526B (zh) 一种块链式账本中数据记录的查询方法、装置及设备
US20110179058A1 (en) Enabling workflow awareness within a business process management (bpm) system
CN107885587B (zh) 一种大数据分析流程的执行计划生成方法
US20210112101A1 (en) Data set and algorithm validation, bias characterization, and valuation
JP6882892B2 (ja) データ生成
WO2019056770A1 (zh) 基于关联交易的数据处理方法、装置和计算机设备
JP6859503B2 (ja) 公開情報の処理方法及びデバイス並びに情報公開システム
WO2022206439A1 (zh) 提供跨链消息的方法和装置
CN109241163B (zh) 电子凭证的生成方法及终端设备
WO2019174339A1 (zh) 业务数据处理
US20080033995A1 (en) Identifying events that correspond to a modified version of a process
US11195179B2 (en) Detecting cashback and other related reimbursement frauds using blockchain technology
US9092472B1 (en) Data merge based on logical segregation
JP2020514907A (ja) プロセス定義およびプロセス実行トラッキングのためのユーザインターフェイスおよびランタイム環境
CN110851446B (zh) 数据表的生成方法、装置、计算机设备及存储介质
US20230060245A1 (en) System and method for automated account profile scoring on customer relationship management platforms
JP2017509047A (ja) 特許資産を用いるテクノロジーセクター規模の報告
JP5718256B2 (ja) システム性能解析装置、システム性能解析方法、およびシステム性能解析プログラム
CN112214495B (zh) 数据执行跟踪方法、装置和设备
TWI838461B (zh) 用於存取可連鎖紀錄之方法及系統

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018553077

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18781578

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 24.01.2020)

122 Ep: pct application non-entry in european phase

Ref document number: 18781578

Country of ref document: EP

Kind code of ref document: A1