CN107967530A - 基于数据分析的支付渠道推选方法及其*** - Google Patents
基于数据分析的支付渠道推选方法及其*** Download PDFInfo
- Publication number
- CN107967530A CN107967530A CN201710481257.7A CN201710481257A CN107967530A CN 107967530 A CN107967530 A CN 107967530A CN 201710481257 A CN201710481257 A CN 201710481257A CN 107967530 A CN107967530 A CN 107967530A
- Authority
- CN
- China
- Prior art keywords
- channel
- channels
- dimension
- success rate
- feasible
- 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
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及基于数据分析的支付渠道推选方法及其***,该方法包括获取海量的增量订单数据;分析订单数据,获取订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率;针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。本发明通过分析增量订单数据,获取订单数据各个维度的不同渠道的加权成功率,针对新的订单数据,获取渠道,根据特定的维度获取渠道支付成功率,推选成功率最高的渠道,实现将海量的历史数据进行分析,针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,提高推选渠道以及决策的效率。
Description
技术领域
本发明涉及支付渠道推选方法,更具体地说是指基于数据分析的支付渠道推选方法及其***。
背景技术
电信运营商支付行业在支付平台接入了海量的上游运营商渠道,提供计费支持,但是受限于运营商风控、各运营商渠道风控、各渠道***质量以及各渠道***限制等因素,支付订单的成功率会受到较大影响,面对着海量的渠道接入以及较低的订单成功率,业务人员较难做出决策,针对需要重点开发的省份和渠道,以及针对各种渠道如何做出推选优先级。
目前,对于支付行业而言,也有通过对数据分析以推荐支付渠道,但是,当前的数据分析主要均为针对用户支付行为做出分析,根据分析结果推荐其喜好的支付方式,这种方式往往受限于因为某些特殊的订单而导致支付不成功的现象存在,无法及时从订单本身的众多渠道的维度进行分析,推送成功渠道的成功率颇低。
中国专利201510057059.9公开了一种支持不同支付渠道的结算方法及结算***。具体步骤包括:S1、通过不同支付渠道受理订单,根据订单信息生成对账文件,并将对账文件上传到与之对应的存储服务器;S2、对账文件处理中心从订单支付渠道所链接到的存储服务器下载对账文件,对下载的对账文件进行解析,并将解析到的结算基础数据导入结算中心;S3、结算中心对结算基础数据涉及到的海量订单的交易风险及隐藏于海量订单之中的商户商业行为风险进行评估;如针对每一笔订单的交易风险评估及各个商户的商业行为风险评估均获得通过,则执行步骤S4,否则,执行步骤S5;S4、对账期内涉及同一商户的所有订单进行统一结算,生成第一结算单,根据第一结算单执行银行间转账操作;S5、对存在交易风险的订单和/或商业行为不端商户所涉及的订单进行人工审核,对经人工审核且涉及同一商户的所有订单进行统一结算,生成第二结算单,根据第二结算单执行银行间转账操作。
上述的专利推送效率不高,且根据对账文件进行分析,并不能明显的针对不同省份分析出不同运营商不同渠道的订单量和成功率。
因此,有必要设计一种基于数据分析的支付渠道推选方法,实现将海量的历史数据进行分析,针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
发明内容
本发明的目的在于克服现有技术的缺陷,提供基于数据分析的支付渠道推选方法及其***。
为实现上述目的,本发明采用以下技术方案:基于数据分析的支付渠道推选方法,所述方法包括:
获取海量的增量订单数据;
分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率;
针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。
其进一步技术方案为:获取海量的增量订单数据的步骤,包括以下具体步骤:
设定时间内获取增量的订单数据;
存储增量的订单数据;
从存储的订单数据中获取一定时间段内的海量增量订单数据。
其进一步技术方案为:分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率的步骤,包括以下具体步骤:
对所述订单数据中所有渠道进行分类;
根据分类的结果,按照不同维度对每一类渠道进行贝叶斯分析;
根据贝叶斯分析结果,对每一类渠道的各个维度进行加权计算,获取每一类渠道的各个维度加权分值;
按照维度组合方式进行整理,获取维度组合;
根据每一类渠道的各个维度加权分值,获取各个维度的不同渠道的加权成功率;
对各个维度的不同渠道的加权成功率进行排序。
其进一步技术方案为:针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道的步骤,包括以下具体步骤:
获取新订单数据的所有可用渠道;
剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道;
判断可行渠道是否有相对应的维度;
若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道;
若没有,则按照用户以往支付行为推送渠道。
其进一步技术方案为:剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道的步骤,包括以下具体步骤:
剔除满足渠道类别风控要求的类别的所有渠道;
剔除剩下可用渠道中达到渠道风控的渠道,获取可行渠道。
其进一步技术方案为:判断可行渠道是否有相对应的维度的步骤,包括以下具体步骤:
判断可行渠道中的所有IMSI渠道是否有对应的维度;
若可行渠道中的所有IMSI渠道有对应的维度,则可行渠道有相对应的维度;
若可行渠道中的所有IMSI渠道没有对应的维度,则判断所有可行渠道中的其他渠道是否有对应的维度;
若所有可行渠道中的其他渠道有对应的维度,则可行渠道有相对应的维度;
若所有可行渠道中的其他渠道没有对应的维度,则可行渠道没有相对应的维度。
其进一步技术方案为:若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道的步骤,包括以下具体步骤:
获取新订单数据对应的维度组合下的所有可行渠道的加权成功率;
获取加权成功率最大的可行渠道;
判断加权成功率最大的可行渠道的个数是否为一个;
若是,则推送加权成功率最大所对应的可行渠道;
若不是,则在加权成功率最大所对应的可行渠道中,随机抽取一个可行渠道并进行推送。
其进一步技术方案为:若没有,则按照用户以往支付行为推送渠道的步骤,包括以下具体步骤:
判断订单的手机号/IMSI在设定时间内是否有渠道没有失败记录;
若有渠道没有失败记录,判断订单的手机号/IMSI在设定时间内是否有渠道有成功记录;
若没有渠道有成功记录,剔除所述手机号/IMSI在设定时间内有失败记录和有成功记录的渠道,剔除所述手机号/IMSI在设定时间内成功订单的渠道类别的渠道,当剩下的渠道有多条渠道时,将剩下的渠道作为可推送渠道,当剩下的渠道只有一条时,则将所有渠道作为可推送渠道;
若有渠道有成功记录,则将所有渠道作为可推送渠道;
若没有渠道没有失败记录,则判断所有渠道是否都为IMSI渠道;
若所有渠道是都为IMSI渠道,则当订单所对应的商户只用IMSI渠道时,将所有渠道作为可推送渠道,当订单所对应的商户不是只用IMSI渠道,则输出渠道推选失败;
若所有渠道不是都为IMSI渠道,则将所有渠道作为可推送渠道;
判断可推送渠道的个数是否大于三个;
若是,则随机抽取可推送渠道中的前三个渠道中的其中一个,并推送抽取的渠道;
若不是,则随机抽取所有可推送渠道中的其中一个,并推送抽取的渠道。
本发明还提供了基于数据分析的支付渠道推选***,包括海量数据获取单元、成功率获取单元以及推选单元;
所述海量数据获取单元,用于获取海量的增量订单数据;
所述成功率获取单元,用于分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率;
所述推选单元,用于针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。
其进一步技术方案为:所述成功率获取单元包括分类模块、贝叶斯分析模块、加权计算模块、整理模块、加权成功率获取模块以及排序模块;
所述分类模块,用于对所述订单数据中所有渠道进行分类;
所述贝叶斯分析模块,用于根据分类的结果,按照不同维度对每一类渠道进行贝叶斯分析;
所述加权计算模块,用于根据贝叶斯分析结果,对每一类渠道的各个维度进行加权计算,获取每一类渠道的各个维度加权分值;
所述整理模块,用于按照维度组合方式进行整理,获取维度组合;
所述加权成功率获取模块,用于根据每一类渠道的各个维度加权分值,获取各个维度的不同渠道的加权成功率;
所述排序模块,用于对各个维度的不同渠道的加权成功率进行排序。
本发明与现有技术相比的有益效果是:本发明的基于数据分析的支付渠道推选方法,通过针对设定时间内的增量订单数据进行分析,获取该订单数据各个维度的不同渠道的加权成功率,针对新的订单数据,先获取渠道后,在对渠道进行剔除处理后再根据特定的维度,获取渠道支付成功率,推选成功率最高的渠道,实现将海量的历史数据进行分析,可以针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的基于数据分析的支付渠道推选方法的流程图;
图2为本发明具体实施例提供的获取海量的增量订单数据的具体流程图;
图3为本发明具体实施例提供的获取订单数据的各个维度加权分值的具体流程图;
图4为本发明具体实施例提供的计算各个维度加权分值的具体框架图;
图5为本发明具体实施例提供的推选最优渠道的具体流程图;
图6为本发明具体实施例提供的获取可行渠道的具体流程图;
图7为本发明具体实施例提供的推送加权分值最大的渠道的具体流程图;
图8为本发明具体实施例提供的基于数据分析的支付渠道推选***的结构框图;
图9为本发明具体实施例提供的基于数据分析的支付渠道推选***的实际应用的架构图;
图10为本发明具体实施例提供的采用基于数据分析的支付渠道推选方法的成功率比较图一;
图11为本发明具体实施例提供的采用基于数据分析的支付渠道推选方法的成功率比较图二;
图12为本发明具体实施例提供的采用基于数据分析的支付渠道推选方法针对不同省份的成功率分布图;
图13为本发明具体实施例提供的采用基于数据分析的支付渠道推选方法针对四川省的成功率分布表格;
图14为本发明具体实施例提供的采用基于数据分析的支付渠道推选方法针对四川省不同渠道的成功率分布表格。
具体实施方式
为了更充分理解本发明的技术内容,下面结合具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
如图1~14所示的具体实施例,本实施例提供的基于数据分析的支付渠道推选方法,可以运用在任何支付平台的支付过程中。
如图1所示,本实施例提供了基于数据分析的支付渠道推选方法,该方法包括:
S1、获取海量的增量订单数据;
S2、分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率;
S3、针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。
对于上述S1步骤,获取海量的增量订单数据的步骤,包括以下具体步骤:
S11、设定时间内获取增量的订单数据;
S12、存储增量的订单数据;
S13、从存储的订单数据中获取一定时间段内的海量增量订单数据。
上述的S11步骤,是由前端的支付平台每天至少一次向后端数据库抽取前一天的增量的订单数据,并通过互联网HTTP协议交互技术,采用不可逆转的HASH算法进行MD5加密的数据进行传输且推送至海量数据平台,以此获取海量订单数据;加密格式:MD5(userAccount+userPwd+文件名称.txt).toLowerCase(),然后base64加密。在此过程中,若采用商户拉取结果数据方式获取数据,在接入时,需要主动获取数据的url地址,主动获取数据的时候,需要提交加密数据。
大数据分析的原始数据是来源于小额支付的订单***,数据每天分析一次,针对近半年的历史订单数据,每天在指定时间把订单数据导入进行大数据分析。增量订单数据指每天只把小额支付***针对当前时间的前一天的数据导入至大数据分析***即可,不需要所有数据都导入,因为一天前的数据已经存在。这样节约***导入的时间,订单数据都是原始的订单数据。
对于上述的S12步骤,具体是采用HDFS的方式对订单数据进行存储,HDFS是Haddoop自带的文件存储***,在Hadoop客户端即可通过指令上传至HAFS,文件在HAFS上分目录存放,实现分布式存储,当数据量增加时,直接堆加机器即可,无需任何代码开发。
对于上述的S13步骤,在本实施例中,主要是获取前一个月内的海量增量订单数据,对最近一段时间内的数据进行分析,较有代表性。
如图9所示,上述的数据获取过程中,请求方式:post;其参数说明如下:
请求响应:{"code":"0","msg":"Test.txt文件已经存在."};其参数说明如下:
数据分析后的结果数据推送到商户提供的回调地址中,商户接收文件数据。
更进一步的,上述的S2步骤,分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率的步骤,包括以下具体步骤:
S21、对所述订单数据中所有渠道进行分类;
S22、根据分类的结果,按照不同维度对每一类渠道进行贝叶斯分析;
S23、根据贝叶斯分析结果,对每一类渠道的各个维度进行加权计算,获取每一类渠道的各个维度加权分值;
S24、按照维度组合方式进行整理,获取维度组合;
S25、根据每一类渠道的各个维度加权分值,获取各个维度的不同渠道的加权成功率;
S26、对各个维度的不同渠道的加权成功率进行排序。
对于上述的S2步骤,具体是采用Mapreduce的方式计算加权分值,改Mapreduce在Hadoop上分布式计算,先进行map,即分开计算,再进行reduce,即将计算结果进行统计在输出。数据分析以Hadoop搭建,并在此基础上做了二次开发,包括统一接入数据接口,数据分析监控,以及数据转化率监控。同时数据分析结果,通过二次开发的接口回传。
对于上述的S21步骤,由于每个订单的地区、下单时间、面值、风控大小属性的不同,因此每个订单数据中所有渠道都具有各个不同维度,对渠道进行分类再计算,便于后续对需要重点发展的渠道维度做出分析。
上述的S22步骤、S23步骤、S24步骤、S25步骤以及S26步骤,充分利用应用贝叶斯算法、决策树、逻辑分析、关联规则挖掘算法、序列模式挖掘算法进行推断,对支付过程的数据进行分析和推算,有利于对新的订单做到精准预测,以及对需要重点发展的渠道维度做出分析,解决成功率低的问题。
对于上述的S22步骤,针对各维度采用贝叶斯算法实现成功率预判,贝叶斯定理也称贝叶斯推理,早在18世纪,英国学者贝叶斯(1702~1763)曾提出计算条件概率的公式用来解决如下一类问题:假设H[1],H[2]…,H[n]互斥且构成一个完全事件,已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,H[n]相伴随机出现,且已知条件概率P(A/H[i]),求P(H[i]/A)。在每一类渠道中,按照不同维度进行贝叶斯算法分析,具体是针对订单维度,包括省份、面值、时间等维度进行分析,预判每类渠道在不同的维度下的成功率。数据分析以贝叶斯算法为基础,在此基础上做出加权分析,算出给维度的成功率,同时通过不断尝试,设定加权变动值规则,以天为单位,***自动设定每天加权值,通过加权值进行新订单的渠道推荐。
对于上述的S23步骤,根据上述的贝叶斯分析后的结果,可以得到每类渠道在不同的维度下的成功率,在根据每个维度所占的权重,进行加权计算,从而获取每一类渠道的各个维度加权分值。
对于上述的S24步骤,利用组合的方式获取维度组合,以便于获取同一维度下各个渠道的分布情况。
对于上述的S25步骤,上述的加权分值极为各个维度的不同渠道的加权成功率,这里是为了便于新订单从维度方面入手去获取最优渠道。
对于上述的S26步骤,具体是将各个维度的不同渠道的加权成功率按照从高到低的顺序排序,便于后续新订单的推选渠道的条件满足加权成功率推选方式时,快速得知加权成功率高的渠道,并进行推送,提高推送成功率以及效率。
当然,于其他实施例,还会对排序后的渠道以及维度进行规整。
如图4所示,针对每条订单的地区、下单时间、面值、风控大小属性,分为各不同维度,同时针对每个渠道,结合订单的成功或失败进行分析,分析出每个渠道的每个维度的组合对应的加权分值,并且通过加权算法,算出每一个渠道在每一个维度组合下的加权成功率。
更进一步的,对于上述的S3步骤,针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道的步骤,包括以下具体步骤:
S31、获取新订单数据的所有可用渠道;
S32、剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道;
S33、判断可行渠道是否有相对应的维度;
S34、若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道;
S35、若没有,则按照用户以往支付行为推送渠道。
对于上述的S31步骤,获取新订单数据的所有可用渠道,再从可用渠道中挑选最优渠道进行推选,可以避免出现遗漏。对于上述的S32步骤,具体是为了避免可用渠道中满足风控要求的渠道被挑选为最优渠道时出现风险。对于上述的S33步骤,是为了对可行渠道对应的维度是否存在进行判断,以判断从数据分析结果是否能推送最优渠道。对于上述的S34步骤,数据分析结果可以推送最优渠道的情况下,推送加权成功率最大的可行渠道,以提高支付成功率。对于上述的S35步骤,在数据分析结果未有推选最优渠道的情况下,再进行原有逻辑进行推选最优渠道。
将原有的逻辑以及数据分析结合在一起,可以提高支付成功率,也可以针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
上述的S31步骤至S35步骤,主要是针对数据分析后推荐的结果,反向转化,分析出在各维度组合下,记录所有渠道的成功几率分值排序,推送成功几率分值高的渠道为最优渠道,并进行推送,利用推送的渠道进行交互。
如图10和图11所示,针对渠道推荐的分析结果,将每天订单分为两份,上方的一条曲线为根据数据分析结果进行推荐渠道的订单,上方的一条曲线为不通过数据分析结果进行推荐渠道的订单。进行测试90天,每天的成功率都是海量数据的高,平均高5%左右。另外,如图12至图14所示,不同省份的不同运营商的不同渠道的订单量和成功率都可以查阅,由此可见,基于数据分析的支付渠道推选方法能使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
更进一步的,对于上述的S32步骤,剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道的步骤,包括以下具体步骤:
S321、剔除满足渠道类别风控要求的类别的所有渠道;
S322、剔除剩下可用渠道中达到渠道风控的渠道,获取可行渠道。
先从大类别剔除不符合要求的某一类或者一些类的渠道,再从剩下类别的渠道中挑选出不符合要求的渠道,进行剔除,即可获取到所有可行的渠道,也就是满足要求,不存在满足风控要求的渠道。
更进一步的,对于上述的S33步骤,判断可行渠道是否有相对应的维度的步骤,包括以下具体步骤:
S331、判断可行渠道中的所有IMSI渠道是否有对应的维度;
若可行渠道中的所有IMSI渠道有对应的维度,则S332、可行渠道有相对应的维度;
S333、若可行渠道中的所有IMSI渠道没有对应的维度,则判断所有可行渠道中的其他渠道是否有对应的维度;
若所有可行渠道中的其他渠道有对应的维度,则S332、可行渠道有相对应的维度;
S334、若所有可行渠道中的其他渠道没有对应的维度,则可行渠道没有相对应的维度。
通过先获取渠道,在反向判断渠道是否有对应的维度,若有,则可行渠道内有相对应的维度,即数据分析后的结果可以推选出最优渠道。
更进一步的,上述的S34步骤,若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道的步骤,包括以下具体步骤:
S341、获取新订单数据对应的维度组合下的所有可行渠道的加权成功率;
S342、获取加权成功率最大的可行渠道;
S343、判断加权成功率最大的可行渠道的个数是否为一个;
S344、若是,则推送加权成功率最大所对应的可行渠道;
S345、若不是,则在加权成功率最大所对应的可行渠道中,随机抽取一个可行渠道并进行推送。
上述的S341步骤,是先在特定的维度组合下,获取所有可行渠道的加权成功率,也就可以获取在某一省份、某一时间或者某一面值的维度下,可行渠道各自的成功率。
上述的S342步骤,加权成功率越大的渠道,成功支付的概率就越高。
上述的S343步骤至S345步骤,判断加权成功率最大的可行渠道个数是否是多个,若是多个则需要随机抽取其中一个进行推送,若只有一个,则直接推送即可。
更进一步的,上述的S35步骤,若没有,则按照用户以往支付行为推送渠道的步骤,包括以下具体步骤:
S351、判断订单的手机号/IMSI在设定时间内是否有渠道没有失败记录;
S352、若有渠道没有失败记录,判断订单的手机号/IMSI在设定时间内是否有渠道有成功记录;
S353、若没有渠道有成功记录,剔除所述手机号/IMSI在设定时间内有失败记录和有成功记录的渠道,剔除所述手机号/IMSI在设定时间内成功订单的渠道类别的渠道,当剩下的渠道有多条渠道时,将剩下的渠道作为可推送渠道,当剩下的渠道只有一条时,则将所有渠道作为可推送渠道,并进入S357步骤;
若有渠道有成功记录,则S354、将所有渠道作为可推送渠道,并进入S357步骤;
S355、若没有渠道没有失败记录,则判断所有渠道是否都为IMSI渠道;
S356、若所有渠道是都为IMSI渠道,则当订单所对应的商户只用IMSI渠道时,将所有渠道作为可推送渠道,并进入S357步骤,当订单所对应的商户不是只用IMSI渠道,则输出渠道推选失败;
若所有渠道不是都为IMSI渠道,则S354、将所有渠道作为可推送渠道,并进入S357步骤;
S357、判断可推送渠道的个数是否大于三个;
S358、若是,则随机抽取可推送渠道中的前三个渠道中的其中一个,并推送抽取的渠道;
S359、若不是,则随机抽取所有可推送渠道中的其中一个,并推送抽取的渠道。
上述的S351至S359步骤,是在数据分析结果没有推送任何渠道的时候,则采用以往的逻辑进行推送,也就是通过分析用户以往使用的习惯进行推送。
将数据分析后推送渠道的技术与原有的逻辑推送渠道的技术结合在一起,以提高渠道支付的成功率。
上述的基于数据分析的支付渠道推选方法,通过针对设定时间内的增量订单数据进行分析,获取该订单数据各个维度的不同渠道的加权成功率,针对新的订单数据,先获取渠道后,在对渠道进行剔除处理后再根据特定的维度,获取渠道支付成功率,推选成功率最高的渠道,实现将海量的历史数据进行分析,可以针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
如图8所示,本实施例还提供了基于数据分析的支付渠道推选***,其包括海量数据获取单元1、成功率获取单元2以及推选单元3。
海量数据获取单元1,用于获取海量的增量订单数据。
成功率获取单元2,用于分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率。
推选单元3,用于针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。
对于上述的海量数据获取单元1包括数据获取模块、存储模块以及抽取模块。
获取模块,用于设定时间内获取增量的订单数据;具体是由前端的支付平台每天至少一次向后端数据库抽取前一天的增量的订单数据,并通过互联网HTTP协议交互技术,采用不可逆转的HASH算法进行MD5加密的数据进行传输且推送至海量数据平台,以此获取海量订单数据。
存储模块,用于存储增量的订单数据;具体是采用HDFS的方式对订单数据进行存储,HDFS是Haddoop自带的文件存储***,在Hadoop客户端即可通过指令上传至HAFS,文件在HAFS上分目录存放,实现分布式存储,当数据量增加时,直接堆加机器即可,无需任何代码开发。
抽取模块,用于从存储的订单数据中获取一定时间段内的海量增量订单数据,主要是获取前一个月内的海量增量订单数据,对最近一段时间内的数据进行分析,较有代表性。
上述的成功率获取单元2具体是采用Mapreduce的方式计算加权分值,改Mapreduce在Hadoop上分布式计算,先进行map,即分开计算;再进行reduce,即将计算结果进行统计在输出。
更进一步的,上述的成功率获取单元2包括分类模块、贝叶斯分析模块、加权计算模块、整理模块、加权成功率获取模块以及排序模块。
分类模块,用于对所述订单数据中所有渠道进行分类。由于每个订单的地区、下单时间、面值、风控大小属性的不同,因此每个订单数据中所有渠道都具有各个不同维度,对渠道进行分类再计算,便于后续对需要重点发展的渠道维度做出分析。
上述的贝叶斯分析模块、加权计算模块、整理模块、加权成功率获取模块以及排序模块充分利用应用贝叶斯算法、决策树、逻辑分析、关联规则挖掘算法、序列模式挖掘算法进行推断,对支付过程的数据进行分析和推算,有利于对新的订单做到精准预测,以及对需要重点发展的渠道维度做出分析,解决成功率低的问题。
贝叶斯分析模块,用于根据分类的结果,按照不同维度对每一类渠道进行贝叶斯分析。针对各维度采用贝叶斯算法实现成功率预判,贝叶斯定理也称贝叶斯推理,早在18世纪,英国学者贝叶斯(1702~1763)曾提出计算条件概率的公式用来解决如下一类问题:假设H[1],H[2]…,H[n]互斥且构成一个完全事件,已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,H[n]相伴随机出现,且已知条件概率P(A/H[i]),求P(H[i]/A)。在每一类渠道中,按照不同维度进行贝叶斯算法分析,具体是针对订单维度,包括省份、面值、时间等维度进行分析,预判每类渠道在不同的维度下的成功率。
加权计算模块,用于根据贝叶斯分析结果,对每一类渠道的各个维度进行加权计算,获取每一类渠道的各个维度加权分值。根据上述的贝叶斯分析后的结果,可以得到每类渠道在不同的维度下的成功率,在根据每个维度所占的权重,进行加权计算,从而获取每一类渠道的各个维度加权分值。
整理模块,用于按照维度组合方式进行整理,获取维度组合。利用组合的方式获取维度组合,以便于获取同一维度下各个渠道的分布情况。
加权成功率获取模块,用于根据每一类渠道的各个维度加权分值,获取各个维度的不同渠道的加权成功率。上述的加权分值极为各个维度的不同渠道的加权成功率,这里是为了便于新订单从维度方面入手去获取最优渠道。
排序模块,用于对各个维度的不同渠道的加权成功率进行排序。具体是将各个维度的不同渠道的加权成功率按照从高到低的顺序排序,便于后续新订单的推选渠道的条件满足加权成功率推选方式时,快速得知加权成功率高的渠道,并进行推送,提高推送成功率以及效率。
当然,于其他实施例,还会对排序后的渠道以及维度进行规整。
针对每条订单的地区、下单时间、面值、风控大小属性,分为各不同维度,同时针对每个渠道,结合订单的成功或失败进行分析,分析出每个渠道的每个维度的组合对应的加权分值,并且通过加权算法,算出每一个渠道在每一个维度组合下的加权成功率。
更进一步的,上述的推选单元3包括可用渠道获取模块、可行渠道获取模块、维度判断模块、分析推送模块以及原有渠道推送模块。
可用渠道获取模块,用于获取新订单数据的所有可用渠道。
可行渠道获取模块,用于剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道。具体是为了避免可用渠道中满足风控要求的渠道被挑选为最优渠道时出现风险
维度判断模块,用于判断可行渠道是否有相对应的维度。为了对可行渠道对应的维度是否存在进行判断,以判断从数据分析结果是否能推送最优渠道
分析推送模块,用于若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道。数据分析结果可以推送最优渠道的情况下,推送加权成功率最大的可行渠道,以提高支付成功率。
原有渠道推送模块,用于若没有,则按照用户以往支付行为推送渠道。在数据分析结果未有推选最优渠道的情况下,再进行原有逻辑进行推选最优渠道。
将原有的逻辑以及数据分析结合在一起,可以提高支付成功率,也可以针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
针对数据分析后推荐的结果,反向转化,分析出在各维度组合下,记录所有渠道的成功几率分值排序,推送成功几率分值高的渠道为最优渠道,并进行推送。
如图10和图11所示,针对渠道推荐的分析结果,将每天订单分为两份,上方的一条曲线为根据数据分析结果进行推荐渠道的订单,上方的一条曲线为不通过数据分析结果进行推荐渠道的订单。进行测试90天,每天的成功率都是海量数据的高,平均高5%左右。另外,如图12至图14所示,不同省份的不同运营商的不同渠道的订单量和成功率都可以查阅,由此可见,基于数据分析的支付渠道推选方法能使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
上述的可行渠道获取模块包括类别剔除子模块以及渠道剔除子模块。
类别剔除子模块,用于剔除满足渠道类别风控要求的类别的所有渠道。
渠道剔除子模块,用于剔除剩下可用渠道中达到渠道风控的渠道,获取可行渠道。
先从大类别剔除不符合要求的某一类或者一些类的渠道,再从剩下类别的渠道中挑选出不符合要求的渠道,进行剔除,即可获取到所有可行的渠道,也就是满足要求,不存在满足风控要求的渠道。
上述的维度判断模块包括IMSI渠道判断子模块以及所有渠道判断子模块。IMSI渠道判断子模块用于判断可行渠道中的所有IMSI渠道是否有对应的维度,若可行渠道中的所有IMSI渠道有对应的维度,则可行渠道有相对应的维度。所有渠道判断子模块用于若可行渠道中的所有IMSI渠道没有对应的维度,则判断所有可行渠道中的其他渠道是否有对应的维度,若所有可行渠道中的其他渠道有对应的维度,则可行渠道有相对应的维度,若所有可行渠道中的其他渠道没有对应的维度,则可行渠道没有相对应的维度。
通过先获取渠道,在反向判断渠道是否有对应的维度,若有,则可行渠道内有相对应的维度,即数据分析后的结果可以推选出最优渠道。
更进一步的,对于上述的分析推送模块包括概率获取子模块、对应渠道获取子模块以及个数判断子模块。
概率获取子模块,用于获取新订单数据对应的维度组合下的所有可行渠道的加权成功率。先在特定的维度组合下,获取所有可行渠道的加权成功率,也就可以获取在某一省份、某一时间或者某一面值的维度下,可行渠道各自的成功率。对应渠道获取子模块用于获取加权成功率最大的可行渠道。加权成功率越大的渠道,成功支付的概率就越高。个数判断子模块用于判断加权成功率最大的可行渠道的个数是否为一个,若是,则推送加权成功率最大所对应的可行渠道;若不是,则在加权成功率最大所对应的可行渠道中,随机抽取一个可行渠道并进行推送。
更进一步的,上述的原有渠道推送模块包括失败记录获取子模块、成功记录获取子模块、IMSI判断子模块以及渠道个数判断子模块。
失败记录获取子模块,用于判断订单的手机号/IMSI在设定时间内是否有渠道没有失败记录。
成功记录获取子模块,用于若有渠道没有失败记录,判断订单的手机号/IMSI在设定时间内是否有渠道有成功记录,若没有渠道有成功记录,剔除所述手机号/IMSI在设定时间内有失败记录和有成功记录的渠道,剔除所述手机号/IMSI在设定时间内成功订单的渠道类别的渠道,当剩下的渠道有多条渠道时,将剩下的渠道作为可推送渠道,当剩下的渠道只有一条时,则将所有渠道作为可推送渠道,若有渠道有成功记录,则将所有渠道作为可推送渠道。
IMSI判断子模块,用于若没有渠道没有失败记录,则判断所有渠道是否都为IMSI渠道;若所有渠道是都为IMSI渠道,则当订单所对应的商户只用IMSI渠道时,将所有渠道作为可推送渠道,当订单所对应的商户不是只用IMSI渠道,则输出渠道推选失败;若所有渠道不是都为IMSI渠道,则将所有渠道作为可推送渠道。
渠道个数判断子模块,用于判断可推送渠道的个数是否大于三个;若是,则随机抽取可推送渠道中的前三个渠道中的其中一个,并推送抽取的渠道;若不是,则随机抽取所有可推送渠道中的其中一个,并推送抽取的渠道。
在数据分析结果没有推送任何渠道的时候,则采用以往的逻辑进行推送,也就是通过分析用户以往使用的习惯进行推送。将数据分析后推送渠道的技术与原有的逻辑推送渠道的技术结合在一起,以提高渠道支付的成功率。
上述的基于数据分析的支付渠道推选***,通过针对设定时间内的增量订单数据进行分析,获取该订单数据各个维度的不同渠道的加权成功率,针对新的订单数据,先获取渠道后,在对渠道进行剔除处理后再根据特定的维度,获取渠道支付成功率,推选成功率最高的渠道,实现将海量的历史数据进行分析,可以针对运营决策分析,针对不同省份,分析出不同运营商不同渠道的订单量和成功率,进行排行,使决策者清晰,选出最大成功率的渠道,解决成功率低的问题,且提高推选渠道以及决策的效率。
上述仅以实施例来进一步说明本发明的技术内容,以便于读者更容易理解,但不代表本发明的实施方式仅限于此,任何依本发明所做的技术延伸或再创造,均受本发明的保护。本发明的保护范围以权利要求书为准。
Claims (10)
1.基于数据分析的支付渠道推选方法,其特征在于,所述方法包括:
获取海量的增量订单数据;
分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率;
针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。
2.根据权利要求1所述的基于数据分析的支付渠道推选方法,其特征在于,获取海量的增量订单数据的步骤,包括以下具体步骤:
设定时间内获取增量的订单数据;
存储增量的订单数据;
从存储的订单数据中获取一定时间段内的海量增量订单数据。
3.根据权利要求2所述的基于数据分析的支付渠道推选方法,其特征在于,分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率的步骤,包括以下具体步骤:
对所述订单数据中所有渠道进行分类;
根据分类的结果,按照不同维度对每一类渠道进行贝叶斯分析;
根据贝叶斯分析结果,对每一类渠道的各个维度进行加权计算,获取每一类渠道的各个维度加权分值;
按照维度组合方式进行整理,获取维度组合;
根据每一类渠道的各个维度加权分值,获取各个维度的不同渠道的加权成功率;
对各个维度的不同渠道的加权成功率进行排序。
4.根据权利要求1至3任一项所述的基于数据分析的支付渠道推选方法,其特征在于,针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道的步骤,包括以下具体步骤:
获取新订单数据的所有可用渠道;
剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道;
判断可行渠道是否有相对应的维度;
若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道;
若没有,则按照用户以往支付行为推送渠道。
5.根据权利要求4所述的基于数据分析的支付渠道推选方法,其特征在于,剔除达到所述可用渠道中满足风控要求的渠道,获取可行渠道的步骤,包括以下具体步骤:
剔除满足渠道类别风控要求的类别的所有渠道;
剔除剩下可用渠道中达到渠道风控的渠道,获取可行渠道。
6.根据权利要求4所述的基于数据分析的支付渠道推选方法,其特征在于,判断可行渠道是否有相对应的维度的步骤,包括以下具体步骤:
判断可行渠道中的所有IMSI渠道是否有对应的维度;
若可行渠道中的所有IMSI渠道有对应的维度,则可行渠道有相对应的维度;
若可行渠道中的所有IMSI渠道没有对应的维度,则判断所有可行渠道中的其他渠道是否有对应的维度;
若所有可行渠道中的其他渠道有对应的维度,则可行渠道有相对应的维度;
若所有可行渠道中的其他渠道没有对应的维度,则可行渠道没有相对应的维度。
7.根据权利要求4所述的基于数据分析的支付渠道推选方法,其特征在于,若有,获取新订单数据对应的维度组合下的所有可行渠道的加权成功率,推送加权成功率最大的可行渠道的步骤,包括以下具体步骤:
获取新订单数据对应的维度组合下的所有可行渠道的加权成功率;
获取加权成功率最大的可行渠道;
判断加权成功率最大的可行渠道的个数是否为一个;
若是,则推送加权成功率最大所对应的可行渠道;
若不是,则在加权成功率最大所对应的可行渠道中,随机抽取一个可行渠道并进行推送。
8.根据权利要求4所述的基于数据分析的支付渠道推选方法,其特征在于,若没有,则按照用户以往支付行为推送渠道的步骤,包括以下具体步骤:
判断订单的手机号/IMSI在设定时间内是否有渠道没有失败记录;
若有渠道没有失败记录,判断订单的手机号/IMSI在设定时间内是否有渠道有成功记录;
若没有渠道有成功记录,剔除所述手机号/IMSI在设定时间内有失败记录和有成功记录的渠道,剔除所述手机号/IMSI在设定时间内成功订单的渠道类别的渠道,当剩下的渠道有多条渠道时,将剩下的渠道作为可推送渠道,当剩下的渠道只有一条时,则将所有渠道作为可推送渠道;
若有渠道有成功记录,则将所有渠道作为可推送渠道;
若没有渠道没有失败记录,则判断所有渠道是否都为IMSI渠道;
若所有渠道是都为IMSI渠道,则当订单所对应的商户只用IMSI渠道时,将所有渠道作为可推送渠道,当订单所对应的商户不是只用IMSI渠道,则输出渠道推选失败;
若所有渠道不是都为IMSI渠道,则将所有渠道作为可推送渠道;
判断可推送渠道的个数是否大于三个;
若是,则随机抽取可推送渠道中的前三个渠道中的其中一个,并推送抽取的渠道;
若不是,则随机抽取所有可推送渠道中的其中一个,并推送抽取的渠道。
9.基于数据分析的支付渠道推选***,其特征在于,包括海量数据获取单元、成功率获取单元以及推选单元;
所述海量数据获取单元,用于获取海量的增量订单数据;
所述成功率获取单元,用于分析所述订单数据,获取所述订单数据的所有渠道的各个维度加权分值以及各个维度组合的不同渠道的加权成功率;
所述推选单元,用于针对新的订单数据根据加权成功率进行订单准确性匹配,推选最优渠道。
10.根据权利要求9所述的基于数据分析的支付渠道推选***,其特征在于,所述成功率获取单元包括分类模块、贝叶斯分析模块、加权计算模块、整理模块、加权成功率获取模块以及排序模块;
所述分类模块,用于对所述订单数据中所有渠道进行分类;
所述贝叶斯分析模块,用于根据分类的结果,按照不同维度对每一类渠道进行贝叶斯分析;
所述加权计算模块,用于根据贝叶斯分析结果,对每一类渠道的各个维度进行加权计算,获取每一类渠道的各个维度加权分值;
所述整理模块,用于按照维度组合方式进行整理,获取维度组合;
所述加权成功率获取模块,用于根据每一类渠道的各个维度加权分值,获取各个维度的不同渠道的加权成功率;
所述排序模块,用于对各个维度的不同渠道的加权成功率进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481257.7A CN107967530A (zh) | 2017-06-22 | 2017-06-22 | 基于数据分析的支付渠道推选方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481257.7A CN107967530A (zh) | 2017-06-22 | 2017-06-22 | 基于数据分析的支付渠道推选方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967530A true CN107967530A (zh) | 2018-04-27 |
Family
ID=61997424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710481257.7A Pending CN107967530A (zh) | 2017-06-22 | 2017-06-22 | 基于数据分析的支付渠道推选方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967530A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764863A (zh) * | 2018-05-24 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 一种虚拟资源转移方法、装置、服务器和存储介质 |
CN108880829A (zh) * | 2018-05-16 | 2018-11-23 | 北京搜狐新动力信息技术有限公司 | 一种付费会员商城***控制方法及装置 |
CN109447598A (zh) * | 2018-09-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 支付数据处理方法、装置、计算机设备和存储介质 |
CN109670797A (zh) * | 2018-09-11 | 2019-04-23 | 深圳平安财富宝投资咨询有限公司 | 支付路由选取方法、装置、设备及存储介质 |
CN112633743A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 调整资源配置的方法、装置、计算机设备、介质和产品 |
CN113762819A (zh) * | 2020-06-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 渠道调度的方法和装置 |
US11282052B2 (en) * | 2019-05-06 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Payment channel recommendation |
CN117495504A (zh) * | 2023-11-20 | 2024-02-02 | 广州市翎泷科技有限公司 | 数字商品的订单数据分析方法、***、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577985A (zh) * | 2012-07-26 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 数据渠道选择方法和数据处理平台 |
US20150095990A1 (en) * | 2011-03-09 | 2015-04-02 | Ebay Inc. | Device reputation |
CN105354313A (zh) * | 2015-11-11 | 2016-02-24 | 南京安讯科技有限责任公司 | 一种利用大数据进行信用评估的方法 |
CN105809502A (zh) * | 2014-12-30 | 2016-07-27 | 阿里巴巴集团控股有限公司 | 交易风险检测方法和装置 |
CN106022758A (zh) * | 2016-04-29 | 2016-10-12 | 北京小米移动软件有限公司 | 信息推荐方法和装置 |
CN106127480A (zh) * | 2016-06-16 | 2016-11-16 | 上海携程商务有限公司 | 交易支付方法及*** |
CN106557956A (zh) * | 2016-11-29 | 2017-04-05 | 国网山东省电力公司电力科学研究院 | 一种关于配置客户缴费服务信息推送策略的方法 |
-
2017
- 2017-06-22 CN CN201710481257.7A patent/CN107967530A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150095990A1 (en) * | 2011-03-09 | 2015-04-02 | Ebay Inc. | Device reputation |
CN103577985A (zh) * | 2012-07-26 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 数据渠道选择方法和数据处理平台 |
CN105809502A (zh) * | 2014-12-30 | 2016-07-27 | 阿里巴巴集团控股有限公司 | 交易风险检测方法和装置 |
CN105354313A (zh) * | 2015-11-11 | 2016-02-24 | 南京安讯科技有限责任公司 | 一种利用大数据进行信用评估的方法 |
CN106022758A (zh) * | 2016-04-29 | 2016-10-12 | 北京小米移动软件有限公司 | 信息推荐方法和装置 |
CN106127480A (zh) * | 2016-06-16 | 2016-11-16 | 上海携程商务有限公司 | 交易支付方法及*** |
CN106557956A (zh) * | 2016-11-29 | 2017-04-05 | 国网山东省电力公司电力科学研究院 | 一种关于配置客户缴费服务信息推送策略的方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880829A (zh) * | 2018-05-16 | 2018-11-23 | 北京搜狐新动力信息技术有限公司 | 一种付费会员商城***控制方法及装置 |
CN108764863A (zh) * | 2018-05-24 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 一种虚拟资源转移方法、装置、服务器和存储介质 |
CN108764863B (zh) * | 2018-05-24 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 一种数据转移方法、装置、服务器和存储介质 |
CN109670797A (zh) * | 2018-09-11 | 2019-04-23 | 深圳平安财富宝投资咨询有限公司 | 支付路由选取方法、装置、设备及存储介质 |
CN109447598A (zh) * | 2018-09-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 支付数据处理方法、装置、计算机设备和存储介质 |
US11282052B2 (en) * | 2019-05-06 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Payment channel recommendation |
CN113762819A (zh) * | 2020-06-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 渠道调度的方法和装置 |
CN112633743A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 调整资源配置的方法、装置、计算机设备、介质和产品 |
CN117495504A (zh) * | 2023-11-20 | 2024-02-02 | 广州市翎泷科技有限公司 | 数字商品的订单数据分析方法、***、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967530A (zh) | 基于数据分析的支付渠道推选方法及其*** | |
Bi et al. | A big data clustering algorithm for mitigating the risk of customer churn | |
CN112862011A (zh) | 基于联邦学习的模型训练方法、装置及联邦学习*** | |
CN108665366A (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
US20110093457A1 (en) | Method for calculating resource points of resource information and distributing points | |
CN102081774A (zh) | 养卡识别方法及*** | |
CN108537542B (zh) | 用于社交网络的数据处理方法 | |
CN107038511A (zh) | 一种确定风险评估参数的方法及装置 | |
CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
CN112116103A (zh) | 基于联邦学习的个人资质评估方法、装置及***及存储介质 | |
Kinderis et al. | Bitcoin currency fluctuation | |
CN103455509B (zh) | 一种获取时间窗口模型参数的方法和*** | |
KR102517635B1 (ko) | 예측 플랫폼, 예측 플랫폼을 이용한 예측 명제 판단 방법 및 컴퓨터 프로그램 | |
Rasolinezhad | Evaluating electronic banking systems in developing nations through analytic hierarchy process model: a case study | |
Chowdary et al. | Analogous approach towards performance analysis for software defect prediction and prioritization | |
CN110288334A (zh) | 项目扣费方法、装置、计算设备及计算机可读存储介质 | |
CN109523246A (zh) | 用户缴费渠道规划方法及装置 | |
Petrov | Combined criteria weighting in MCDM: AHP in blocks with traditional Entropy and novel Hierarchy in TOPSIS evaluation of Cloud Services | |
CN110175271B (zh) | 案件随机排序方法以及装置 | |
KR20220108970A (ko) | Ai 기술 분야의 기계 학습 기반 기술-제품-물질 분야별 리스크 및 기술 이전 기회 추천 방법 | |
Purohit et al. | Replaceability based web service selection approach | |
CN114693325A (zh) | 基于神经网络的用户口碑智能保障方法及装置 | |
Bothos et al. | Information market based recommender systems fusion | |
CN110443691A (zh) | 剩余本金门店分配方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180427 |