CN110400041A - 风险稽核方法、装置、计算机设备及计算机可读存储介质 - Google Patents

风险稽核方法、装置、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110400041A
CN110400041A CN201910505218.5A CN201910505218A CN110400041A CN 110400041 A CN110400041 A CN 110400041A CN 201910505218 A CN201910505218 A CN 201910505218A CN 110400041 A CN110400041 A CN 110400041A
Authority
CN
China
Prior art keywords
risk
data
data collection
model
checks
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.)
Granted
Application number
CN201910505218.5A
Other languages
English (en)
Other versions
CN110400041B (zh
Inventor
金晓辉
阮晓雯
徐亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910505218.5A priority Critical patent/CN110400041B/zh
Publication of CN110400041A publication Critical patent/CN110400041A/zh
Application granted granted Critical
Publication of CN110400041B publication Critical patent/CN110400041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了风险稽核方法、装置、计算机设备及计算机可读存储介质，方法包括：获取一风险数据集，其中，风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合；根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息；根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据；根据预设风险稽核引擎的风险等级表以及所述区分维度确定风险数据集中每条风险数据所对应的风险等级；根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果；以及生成风险数据集中每条风险数据的稽核结果。实施本方案可以实现机器自动稽核，可以识别出高风险数据，有利于实现智能决策。

Description

风险稽核方法、装置、计算机设备及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种风险稽核方法、装置、计算机设备及计算机可读存储介质。
背景技术
在风险稽核预警的应用场景中，传统的风险稽核流程采用人工稽核方式，而常见的风险场景多达上百种，例如员工离职打卡场景，保险欺诈场景等，因此，需要对在该上百个风险场景中对应产生的风险数据集进行人工稽核，其主要是通过人工对各个场景中对应产生的风险数据集中的每条风险数据一一进行审核以判断该数据是否确实存在风险、该数据所属风险等级等，其中，每个风险场景中对应产生的风险数据集中的每条风险数据都需要人工手动进行稽查审核，占用了大量的人力资源，人工成本过高，且传统的稽核方式容易出现工作失误以及审核漏洞。
发明内容
本发明实施例提供了一种风险稽核方法、装置、计算机设备及计算机可读存储介质，便于实现机器自动稽核，可以自动输出每条风险数据对应的稽核结果，进而可以有效识别出高风险的数据，可以为稽核人的决策提供帮助，有利于做出更加科学的稽核决策，大大减少了公司的损失。
第一方面，本发明实施例提供了一种风险稽核方法，其包括：获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合；根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息；根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据；根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级；根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果；以及生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
第二方面，本发明实施例还提供了一种风险稽核装置，其包括：第一获取单元，用于获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合；第二获取单元，用于根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息；第一确定单元，用于根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据；第二确定单元，用于根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级；第一生成单元，用于根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果；以及第二生成单元，用于生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面的方法。
第四方面，本发明实施例还提供了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程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述第一方面的方法。
本发明实施例提供了一种风险稽核方法、装置、计算机设备及计算机可读存储介质。本发明实施例可以解决现有对风险场景稽核过程需要依靠人工稽核的问题以及因人工稽核方式而导致的人工成本过高以及容易出现工作失误及漏洞等问题。本发明实施例可以实现机器自动稽核，并且可以向稽核人提供风险数据集中每条风险数据对应的稽核结果；相比传统人工稽核方式，本发明实施例通过利用预设风险稽核引擎，可以对所有风险场景中产生的各个风险数据集进行风险稽核处理，即将任一风险场景中产生的风险数据集输入到该预设风险稽核引擎中进行风险稽核处理，输出在不同风险场景中产生的风险数据集的每条风险数据对应的稽核结果，具体地，利用预设风险稽核引擎的模型信息总表以及风险等级表确定所述风险数据集中每条风险数据所对应的风险等级以及处罚结果，进而生成每条风险数据相应的风险稽核结果。实施本发明实施例可以有效识别出高风险数据，从而可以为稽核人的决策提供帮助，有利于做出更加科学的决策，大大降低了风险。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的一种风险稽核方法的流程示意图；
图2为本发明第一实施例提供的一种风险稽核方法的子流程示意图；
图3为本发明第一实施例提供的一种风险稽核方法的另一子流程示意图；
图4为本发明第二实施例提供的一种风险稽核方法的流程示意图；
图5为本发明第三实施例提供的一种风险稽核方法的流程示意图；
图6为本发明第一实施例提供的一种风险稽核装置的示意性框图；
图7为本发明第一实施例提供的一种风险稽核装置的第一获取单元的示意性框图；
图8为本发明第一实施例提供的一种风险稽核装置的模型生成单元的示意性框图；
图9为本发明第二实施例提供的一种风险稽核装置的示意性框图；
图10为本发明第三实施例提供的一种风险稽核装置的示意性框图；以及
图11为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，其为本发明第一实施例提供的一种风险稽核方法的示意性流程图。具体地，该风险稽核方法应用于风险稽核场景中，具体应用于一风险稽核***中，其中，该风险稽核***可以安装运行在终端设备中，所述终端设备可以是智能手机、平板电脑或笔记本电脑等电子设备，该风险稽核方法用于对各个风险场景所生成的风险数据集进行稽核处理，并得到相应的稽核结果。具体地，可事先设置一风险稽核引擎，利用该预设的风险稽核引擎对各个风险场景所生成的风险数据集进行稽核处理，其中，该预设的风险稽核引擎包括预设的模型信息总表以及风险等级表，所述预设的风险稽核引擎具体用于根据所述风险数据集所对应风险排查模型的模型属性信息对所述风险数据集进行风险稽核处理以生成稽核结果，即将所述风险数据集以及所对应模型属性信息输入到预设风险稽核引擎中，利用该预设风险稽核引擎中的模型信息总表以及风险等级表对该风险数据集进行稽核处理，进而输出相应的稽核结果。具体地，如图1所示，在本实施例中，该方法可包括步骤S101至S106。
S101、获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合。
具体地，所述风险数据集为任一风险场景所产生的所有存在风险且需要稽核的数据的集合。在一实施例中，任一风险场景所产生的所有存在风险且需要稽核的数据可以实时保存在对应任一风险场景的预设的风险数据库中，以等待预设时间从预设的风险数据库中直接获取该风险数据集；或者响应用户发送的稽核请求，从预设的风险数据库中获取该风险数据集；其中，所述任一风险场景所产生的所有存在风险且需要稽核的数据可以由对应任一风险场景的风险排查模型处理得到，所述预设时间可以由用户进行设置修改。在另一实施例中，也可以实时获取一风险排查模型处理得到的风险数据，其中，该风险数据为一风险场景所产生的所有存在风险且需要稽核的数据，该风险场景与该风险排查模型相对应。其中，所述风险场景为所有存在风险数据且该风险数据需要稽核的业务应用场景，所述风险场景可例如为离职打卡场景、人员处罚执行不规范场景、寿险虚假培训场景、车险违规零结案场景、冒办保全场景、虚假人力场景、寿险虚假理赔场景等。因此，所述风险数据集为在任一种具备风险的业务应用场景中产生的存在风险、需要稽核的数据的集合；例如，在离职打卡这一具备风险的业务应用场景中，所述风险数据集为离职人员在离职之后仍存在打卡记录的数据的集合。因此，针对该离职打卡风险场景，需要设置一与其对应的风险排查模型以对该风险场景下产生的所有数据集进行风险判断以及风险排查处理，进而得到离职人员在离职之后仍存在打卡记录的数据集合，即获得在该离职打卡场景下产生的风险数据集。
在一实施例中，所述获取一风险数据集包括风险数据获取方法。该风险数据获取方法，如图2所示，即步骤S101包括子步骤S101a至S101c。其中，S101a、获取一待处理数据集，其中，所述待处理数据集包括风险数据集以及非风险数据集；S101b、根据所获取的待处理数据集确定与其对应的风险排查模型，其中，每一风险场景均存在唯一对应的待处理数据集，且每一待处理数据集均存在唯一对应的风险排查模型；以及S101c、利用所确定的风险排查模型对所获取的待处理数据集进行风险排查处理以获取所述风险数据集。
其中，在步骤S101a中，所述待处理数据集为在任一风险场景下产生的所有数据的集合，即该待处理数据集包括风险数据集以及非风险数据集，其中，该风险数据集为存在风险、需要稽核的数据的集合，该非风险数据集为不存在风险、不需要稽核的数据的集合，所述风险数据集包括多条存在风险的数据，所述非风险数据集包括多条不存在风险的数据。例如，针对该离职打卡风险场景，需要设置一与其对应的风险排查模型以对该风险场景下产生的所有数据集进行风险判断以及风险排查处理，指的是针对已经办理离职的员工，于离职后仍然发生考勤打卡行为，需要利用与该风险场景对应的风险排查模型对离职打卡行为进行风险判断和排查。针对该离职打卡场景会有相应数据需要处理，所述待处理数据集包括多个离职员工的编号、姓名、性别、年龄等基础信息，员工职位、入职时间、离职时间、所属公司等职位信息以及相对应的数据清单，其中，将每个员工的基础信息、职位信息以及相对应的数据清单作为所述待处理数据集中的一条数据，数据清单包括考勤表、财务报表以及签报表，例如，针对该离职打卡场景，相对应的数据清单为考勤表，其中，所述考勤表包括员工打卡时间、打卡闸机。
其中，在一实施例中，步骤S101b中的根据所获取的待处理数据集确定与其对应的风险排查模型可以为在事先设置的多种风险排查模型中查找确定一与其对应的风险排查模型。其中，每一风险场景均存在唯一对应的待处理数据集，且每一待处理数据集均存在唯一对应的风险排查模型。例如，车险违规零结案风险场景存在唯一对应的车险违规零结案待处理数据集，且该车险违规零结案待处理数据集存在唯一对应的车险违规零结案风险排查模型。
在一实施例中，步骤S101b中的根据所获取的待处理数据集确定与其对应的风险排查模型的步骤包括风险排查模型确定方法。在一实施例中，该风险排查模型确定方法具体包括：根据所获取的待处理数据集从预设的多个风险排查模型中确定与所获取的待处理数据集对应的风险排查模型。其中，该预设的多个风险排查模型为事先生成的与多个风险场景一一对应的风险排查模型，通过所获取的待处理数据集可以从预设的多个风险排查模型中选择确定一与所获取的待处理数据集对应的风险排查模型，该风险排查模型可以对所获取的待处理数据集进行风险排查处理，以得到风险数据集以及非风险数据集。
在另一实施例中，该风险排查模型确定方法包括子步骤S101d。其中，S101d、根据所获取的待处理数据集生成一风险排查模型以作为与所获取的待处理数据集唯一对应的风险排查模型。其中，在本实施例中，可以直接根据所获取的待处理数据集生成唯一与其对应的风险排查模型。
其中，在一实施例中，所述根据所获取的待处理数据集生成一风险排查模型以作为与所获取的待处理数据集唯一对应的风险排查模型包括风险排查模型生成方法。该风险排查模型生成方法，如图3所示，即步骤S101d包括子步骤S101d1至S101d3。其中，S101d1、根据所获取的待处理数据集确定预设的多个数据字段；S101d2、根据所述多个数据字段确定一预设风险规则，其中，每一风险场景均存在唯一对应的预设风险规则，所述预设风险规则为所对应的风险场景用于确定风险数据的判断规则；以及S101d3、根据所确定的预设风险规则生成一与所述待处理数据集对应的风险排查模型；其中，所述风险排查模型为实现所对应的预设风险规则的具体算法。
其中，一实施例事先生成的与多个风险场景一一对应的风险排查模型与另一实施例根据所获取的待处理数据集直接生成一与所获取的待处理数据集对应的风险排查模型中所采用的生成方法均可以采用上述风险排查模型生成方法。
其中，在步骤S101d1中，通过所获取的待处理数据集可以确定预设的多个数据字段。例如，在离职打卡这一具备风险的业务应用场景中，所述待处理数据集包括所有离职人员的基础信息、职位信息以及其对应的考勤表，根据所有离职人员的基础信息、职位信息以及其对应的考勤表可以确定预设的多个数据字段，其中，所述预设的多个数据字段可例如为员工入职时间、员工离职时间、员工转岗记录、员工组织架构变更信息、员工打卡时间以及打卡闸机；进而根据所确定的多个预设的数据字段可以确定一预设风险规则，其中，每一风险场景均存在唯一对应的预设风险规则，所述预设风险规则为所对应的风险场景用于确定风险数据的判断规则。针对离职员工仍打卡这一风险场景，该预设风险规则可例如为员工的打卡时间是否晚于离职时间以及确定该打卡时间晚于离职时间的员工的离职记录是否是由于转岗而产生或者发生组织架构的变更而产生，进而根据该确定的预设风险规则生成一与该预设风险规则对应的风险排查模型，其中，生成的与该预设风险规则对应的风险排查模型为实现该预设风险规则的具体程序代码。例如，针对离职员工仍打卡这一风险场景，利用确定的预设风险规则生成的该风险排查模型可以用于获取所有离职员工的打卡时间、离职时间；用于判断所获取的打卡时间是否晚于离职时间；用于若所述打卡时间晚于离职时间，获取打卡时间晚于离职时间的员工的转岗记录以及组织架构变更信息；用于根据所述转岗记录判断该员工的离职记录是否是由于转岗而产生；还用于若不是由于转岗而产生，根据所述组织架构变更信息判断该员工的离职记录是否是由于发生组织架构的变更而产生；用于若不是由于发生组织架构的变更而产生，判定该员工的信息为存在风险待稽核的数据；以及还用于若所述打卡时间不晚于离职时间或者该员工的离职记录是由于转岗而产生或者该员工的离职记录是由于发生组织架构的变更而产生的，判定该员工的信息为不存在风险的数据。因此，每一风险场景均存在唯一对应的预设风险规则，所述预设风险规则为所对应的风险场景用于确定风险数据的判断规则；每一风险场景对应的预设风险规则均存在唯一对应的风险排查模型，所述风险排查模型为实现所对应的预设风险规则的具体算法，即为实现所对应的预设风险规则的具体程序代码。
其中，在一实施例中，步骤S101c中的所确定的风险排查模型的输入参数为待处理数据集，输出参数为风险数据集，其具体为将该待处理数据集输入到与其对应的风险排查模型中进行风险排查处理以获取风险数据集。
S102、根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息。
具体地，在一实施例中，所获取的风险数据集存在预设的多个数据字段，且所获取的风险数据集存在与其唯一对应的风险场景，该风险场景存在与其唯一对应的预设风险规则以及风险排查模型，因此，任一风险场景均存在唯一对应的预设的多个数据字段。其中，在步骤S102中，可以根据所获取风险数据集确定预设的多个数据字段，进而利用预设的多个数据字段可以确定所述风险数据集所对应的风险场景，进而确定该风险场景所对应的预设风险规则，进而根据该预设风险规则生成一与其对应的风险排查模型。因此，利用所获取的风险数据集可以获取与其对应的风险排查模型的模型属性信息，所获取的模型属性信息包括所述风险排查模型的模型名称、该模型对应的风险场景、多个预设数据字段。
S103、根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据。
具体地，在一实施例中，所述预设风险稽核引擎包括一模型信息总表以及一风险等级表，其中，在步骤S103中，所述模型信息总表用于集合所有具备风险的业务应用场景所对应的风险排查模型的所有信息，具体地，该模型信息总表包括各个风险排查模型的模型名称、该模型对应的风险场景、对应的多个预设数据字段、对应的预设风险规则、对应的区分维度、对应的处罚依据等所有信息。因此，该步骤S103具体通过利用步骤S102中获取的模型属性信息到所述模型信息总表中查找，进而确定该风险数据集所对应的风险排查模型的所有信息，即根据所述模型属性信息以及模型信息总表确定所述风险数据集对应的区分维度以及处罚依据。例如，若利用步骤S102中获取的模型属性信息到所述模型信息总表中查找到该模型属性信息对应的风险排查模型为离职打卡风险排查模型，则该离职打卡风险排查模型对应的区分维度为职级维度以及数量维度，其中，所述职级维度具体可例如为离职员工的职级，所述数量维度具体可例如为离职员工的离职打卡次数；若查找到该模型属性信息对应的风险排查模型为虚假理赔、风险交易类风险排查模型，则该虚假理赔、风险交易类风险排查模型对应的区分维度为金融维度以及数量维度，其中，所述金融维度具体可例如为理赔金额，所述数量维度具体可例如为理赔次数。
S104、根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级。
具体地，在一实施例中，所述预设风险稽核引擎包括一模型信息总表以及一风险等级表，其中，在步骤S104中，所述风险等级表用于集合各个风险场景对应的区分维度、在各个区分维度下的阈值范围以及在该每个阈值范围中对应的风险等级，所述风险等级具体可包括低风险等级、中低风险等级、中风险等级、中高风险等级以及高风险等级。因此，该步骤S104具体通过利用步骤S103中所确定的所述风险数据集的区分维度确定所述风险数据集中每条风险数据所对应的风险等级。即根据所述风险数据集的区分维度以及所述风险等级表确定所述风险数据集中每条风险数据所对应的风险等级。例如，针对离职打卡这一风险场景，其确定的区分维度为职级维度和数量维度，则在该数量维度以及职级维度下的阈值范围具体包括若员工的离职打卡次数多于第一预设打卡次数且该员工的职级高于第一职级，则该阈值范围所对应的风险等级为高风险等级；若员工的离职打卡次数少于第一预设打卡次数但多于第二预设打卡次数且该员工的职级低于第一职级高于第二职级，则该阈值范围所对应的风险等级为中高风险等级；若员工的离职打卡次数少于第二预设打卡次数且该员工的职级低于第二职级，则该阈值范围所对应的风险等级为低风险等级。
S105、根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果。
具体地，在步骤S105中，可以根据每条风险数据所对应的风险等级以及各个风险场景所对应的处罚依据生成对应的处罚结果；例如，在离职打卡这一风险场景中，若该风险数据集中的一条数据的风险等级为高风险等级，根据该高风险等级以及该风险场景所对应的处罚依据可以生成第一处罚结果，若该风险等级为低风险等级，根据该低风险等级以及所对应的处罚依据可以生成第二处罚结果。
S106、生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
具体地，在步骤S106中，将经预设风险稽核引擎稽核处理过的风险数据集中的每条风险数据所生成的风险等级以及相应的处罚结果作为该稽核结果以生成所述风险数据集中的每条风险数据对应的稽核结果。在一实施例中，所述步骤S106之后还包括步骤S107、向用户提供所述稽核结果，进而用户可以根据该生成的稽核结果，对该风险数据集的每条风险数据进行后续处理。
请参阅图4，其为本发明第二实施例提供的一种风险稽核方法的示意性流程图。具体地，该风险稽核方法应用于风险稽核场景中，具体应用于一风险稽核***中。如图4所示，该方法可包括步骤S201-S208。其中步骤S201-S205与上述实施例中的步骤S101-S105类似，在此不再赘述。其中，在本实施例中，所述预设风险稽核引擎还包括一制度表，所生成的稽核结果还包括每条风险数据对应的违背制度以及需求数据清单，下面详细说明本实施例中所增加的步骤S206-步骤S208。
S207、根据所述风险排查模型以及所述预设风险稽核引擎的制度表确定所述风险数据集中每条风险数据所对应的违背制度。
具体地，在一实施例中，所述预设风险稽核引擎还包括一制度表，其中，在步骤S207中，所述制度表用于汇总各个风险场景所关联的制度，每个风险场景均存在唯一对应的风险排查模型，利用该风险排查模型即可确定该风险数据集所属的风险场景。因此，在步骤S207中，根据所述风险排查模型以及所述制度表，可以确定该风险数据集所属的风险场景所关联的制度，进而可以确定该风险数据集中每条风险数据所对应的违背制度。
S208、根据每条风险数据所对应的风险等级确定每条风险数据所对应的需求数据清单。
具体地，在步骤S208中，可以根据所确定的每条风险数据所对应的风险等级确定每条风险数据所对应的需求数据清单，其中，所确定的需求数据清单有利于后续对每条风险数据进行进一步调查处理，即可以确定每条风险数据在何种风险等级下需要配合调查的数据清单。所述数据清单包括考勤表、财务报表以及登报表。例如，在离职打卡这一风险场景中，若该所确定的数据所对应的风险等级为高风险等级，则需要再结合数据清单中财务报表来进一步配合调查该高风险数据。
S206、生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级、处罚结果、违背制度以及需求数据清单。
具体地，在步骤S206中，将经预设风险稽核引擎稽核处理过的风险数据集中的每条风险数据所生成的风险等级以及相应的处罚结果、违背制度及需求数据清单作为该稽核结果以生成所述风险数据集中的每条风险数据对应的稽核结果。
请参阅图5，其为本发明第三实施例提供的一种风险稽核方法的示意性流程图。具体地，该风险稽核方法应用于风险稽核场景中，具体应用于一风险稽核***中。如图5所示，该方法可包括步骤S301-S307。其中步骤S301-S305与上述实施例中的步骤S101-S105类似，在此不再赘述。其中，在本实施例中，所生成的稽核结果还包括每条风险数据对应的立案结果，下面详细说明本实施例中所增加的步骤S306-步骤S307。
S307、根据每条风险数据所对应的风险等级确定每条风险数据所对应的立案结果。
具体地，在一实施例中，所述稽核结果还包括每条风险数据对应的立案结果，其中，在步骤S307中，根据每条风险数据所对应的风险等级可以确定每条风险数据所对应的立案结果，所述立案结果包括立案以及不立案，其中，所述风险等级包括低风险等级、中低风险等级、中风险等级、中高风险等级以及高风险等级，事先将上述风险等级与上述两种立案结果对应设置，例如，可以将风险等级为中低风险等级以上与立案进行对应设置，可以将风险等级为低风险等级与不立案进行对应，上述风险等级与上述两种立案结果的对应关系由用户根据实际应用场景的需求进行自定义设置。
S306、生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级、处罚结果以及立案结果。
具体地，在步骤S306中，将经预设风险稽核引擎稽核处理过的风险数据集中的每条风险数据所生成的风险等级、相应的处罚结果以及立案结果作为该稽核结果以生成所述风险数据集中的每条风险数据对应的稽核结果。
在另一实施例中，该预设风险稽核引擎包括预设的模型信息总表、数据清单表、风险等级表以及制度表，所述预设风险稽核引擎具体用于根据所述风险数据集所对应风险排查模型的模型属性信息对所述风险数据集进行风险稽核处理以生成稽核结果，即将所述风险数据集以及所对应模型属性信息输入到预设风险稽核引擎中，利用该预设风险稽核引擎中的模型信息总表、数据清单表、风险等级表以及制度表对该风险数据集进行稽核处理，进而输出相应的稽核结果，即输出每条风险数据及其对应的风险等级、处罚结果、违背制度、需求数据清单以及立案结果。在此不对该预设风险稽核引擎及其所输出的风险数据的稽核结果做具体限制。
在上述实施例中，本方案通过利用预设风险稽核引擎对风险数据集中的每条风险数据进行稽核处理，进而输出该没风险数据集中每条风险数据对应的稽核结果，其中，该风险数据集为任一风险场景产生的存在风险、需要稽核的数据的集合。因此，实施本方案实施例可以解决现有对风险场景稽核过程需要依靠人工稽核的问题以及因人工稽核方式而导致的人工成本过高以及容易出现工作失误及漏洞等问题。相比传统人工稽核方式，本发明实施例可以实现机器自动稽核，并且可以向稽核人提供风险数据集中每条风险数据对应的稽核结果；本方案实施例通过利用预设风险稽核引擎，可以对所有风险场景中产生的各个风险数据集进行风险稽核处理，输出在不同风险场景中产生的风险数据集的每条风险数据对应的稽核结果，具体地，在一实施例中，所述预设风险稽核引擎包括一模型信息总表以及一风险等级表，可利用预设风险稽核引擎的模型信息总表以及风险等级表确定所述风险数据集中每条风险数据所对应的风险等级以及处罚结果，进而生成每条风险数据相应的风险稽核结果。在另一实施例中，所述预设风险稽核引擎还包括一制度表，还可以利用预设风险稽核引擎的制度表确定所述风险数据集中每条风险数据所对应的违背制度以及需求数据清单，进而生成每条风险数据相应的风险稽核结果。在又一实施例中，所述风险稽核结果还可以包括每条风险数据对应的立案结果。实施本发明实施例可以实现机器自动稽核，可以有效识别出高风险数据，从而可以为稽核人的决策提供帮助，有利于做出更加科学的决策，大大降低了风险，大大减少了公司的损失。
请参阅图6，其为本发明第一实施例提供的一种风险稽核装置100的示意性框图。如图6所示，该风险稽核装置100对应于图1所示的风险稽核方法。该风险稽核装置100包括用于执行上述风险稽核方法的单元，该风险稽核装置100可以被配置于安装有风险稽核***的终端设备中。具体地，该风险稽核装置应用于一风险稽核***中，在一实施例中，该风险稽核装置用于对各个风险场景所生成的风险数据集进行稽核处理，并得到相应的稽核结果。具体地，请参阅图6，该风险稽核装置100包括第一获取单元101、第二获取单元102、第一确定单元103、第二确定单元104、第一生成单元105以及第二生成单元106。
所述第一获取单元101用于获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合。
在一实施例中，如图7所示，第一获取单元101包括：第一获取子单元101a、模型确定单元101b以及风险排查单元101c。其中第一获取子单元101a，用于获取一待处理数据集，其中，所述待处理数据集包括风险数据集以及非风险数据集；模型确定单元101b，用于根据所获取的待处理数据集确定与其对应的风险排查模型，其中，每一风险场景均存在唯一对应的待处理数据集，且每一待处理数据集均存在唯一对应的风险排查模型；以及风险排查单元101c，用于利用所确定的风险排查模型对所获取的待处理数据集进行风险排查处理以获取所述风险数据集。
其中，在一实施例中，如图8所示，所述模型确定单元101b包括模型生成单元101d，其中，所述模型生成单元101d，用于根据所获取的待处理数据集生成一风险排查模型作为与所获取的待处理数据集唯一对应的风险排查模型。
在一实施例中，如图8所示，模型生成单元101d包括：字段确定单元101d1、规则确定单元101d2以及模型生成子单元101d3。其中字段确定单元101d1，用于根据所获取的待处理数据集确定预设的多个数据字段；规则确定单元101d2，用于根据所述多个数据字段确定一预设风险规则，其中，每一风险场景均存在唯一对应的预设风险规则，所述预设风险规则为所对应的风险场景用于确定风险数据的判断规则；以及模型生成子单元101d3，用于根据所确定的预设风险规则生成一与所述待处理数据集对应的风险排查模型；其中，所述风险排查模型为实现所对应的预设风险规则的具体算法。
所述第二获取单元102用于根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息。
所述第一确定单元103用于利用所述模型属性信息以及预设风险稽核引擎对所获取的风险数据集进行风险稽核处理以生成稽核结果。
所述第二确定单元104，用于根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级。
第一生成单元105，用于根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果。
所述第二生成单元106，用于生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
在一实施例中，所述第二生成单元106还包括提供单元，所述提供单元用于向用户提供所述稽核结果，进而用户可以根据该生成的稽核结果，对该风险数据集的每条风险数据进行后续处理。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述风险稽核装置100和各单元的具体实现过程以及效果，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
请参阅图9，其为本发明第二实施例提供的一种风险稽核装置200的示意性框图。如图9所示，本发明第二实施例提供的一种风险稽核装置200是在第一实施例的基础上增加了第五确定单元207以及第六确定单元208，即所述装置200包括第三获取单元201、第四获取单元202、第三确定单元203、第四确定单元204、第三生成单元205、第四生成单元206、第五确定单元207以及第六确定单元208。其中，第三获取单元201、第四获取单元202、第三确定单元203、第四确定单元204以及第三生成单元205与第一实施例中的第一获取单元101、第二获取单元102、第一确定单元103、第二确定单元104以及第一生成单元105类似，由于其应用过程以及相应功能与上述实施例中所对应的单元类似，在此不再赘述。
所述第五确定单元207，用于根据所述风险排查模型以及所述制度表确定所述风险数据集中每条风险数据所对应的违背制度。
具体地，在一实施例中，所述预设风险稽核引擎还包括一制度表，其中，所述制度表用于汇总各个风险场景所关联的制度，每个风险场景均存在唯一对应的风险排查模型，利用该风险排查模型即可确定该风险数据集所属的风险场景。
所述第六确定单元208、用于根据每条风险数据所对应的风险等级确定每条风险数据所对应的需求数据清单。
所述第四生成单元206，用于生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级、处罚结果、违背制度以及需求数据清单。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述风险稽核装置200和各单元的具体实现过程以及效果，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
请参阅图10，其为本发明第三实施例提供的一种风险稽核装置300的示意性框图。如图10所示，本发明第三实施例提供的一种风险稽核装置300是在第一实施例的基础上增加了第九确定单元307，即所述装置300包括第五获取单元301、第六获取单元302、第七确定单元303、第八确定单元304、第五生成单元305、第六生成单元306以及第九确定单元307。其中，第五获取单元301、第六获取单元302、第七确定单元303、第八确定单元304以及第五生成单元305与第一实施例中的第一获取单元101、第二获取单元102、第一确定单元103、第二确定单元104以及第一生成单元105类似，由于其应用过程以及相应功能与上述实施例中所对应的单元类似，在此不再赘述。
所述第九确定单元307，用于根据每条风险数据所对应的风险等级确定每条风险数据所对应的立案结果。
具体地，在一实施例中，所述立案结果包括立案以及不立案，其中，所述风险等级包括低风险等级、中低风险等级、中风险等级、中高风险等级以及高风险等级，事先将上述风险等级与上述两种立案结果对应设置，例如，可以将风险等级为中低风险等级以上与立案进行对应设置，可以将风险等级为低风险等级与不立案进行对应，上述风险等级与上述两种立案结果的对应关系由用户根据实际应用场景的需求进行自定义设置。
所述第六生成单元306，用于生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级、处罚结果以及立案结果。
具体地，在步骤S306中，将经预设风险稽核引擎稽核处理过的风险数据集中的每条风险数据所生成的风险等级、相应的处罚结果以及立案结果作为该稽核结果以生成所述风险数据集中的每条风险数据对应的稽核结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述风险稽核装置300和各单元的具体实现过程以及效果，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述装置可以实现为一种计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11，其为本发明实施例提供的一种计算机设备的示意性框图。该计算机设备600可以是智能手机、平板电脑或笔记本电脑等终端设备。
参阅图11，该计算机设备600包括通过***总线601连接的处理器602、存储器、网络接口605，其中，存储器可以包括非易失性存储介质603和内存储器604。
该非易失性存储介质603可存储操作***6031和计算机程序6032。该计算机程序6032包括程序指令，该程序指令被执行时，可使得处理器602执行一种风险稽核方法。
该处理器602用于提供计算和控制能力，以支撑整个计算机设备600的运行。
该内存储器604为非易失性存储介质603中的计算机程序6032的运行提供环境，该计算机程序6032被处理器602执行时，可使得处理器602执行一种风险稽核方法。
该网络接口605用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备600的限定，具体的计算机设备600可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器602用于运行存储在存储器中的计算机程序6032，以实现如下步骤：获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合；根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息；根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据；根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级；根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果；以及生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
在一实施例中，处理器602在实现所述获取风险数据集的步骤时，具体实现如下步骤：获取一待处理数据集，其中，所述待处理数据集包括风险数据集以及非风险数据集；根据所获取的待处理数据集确定与其对应的风险排查模型，其中，每一风险场景均存在唯一对应的待处理数据集，且每一待处理数据集均存在唯一对应的风险排查模型；以及利用所确定的风险排查模型对所获取的待处理数据集进行风险排查处理以获取所述风险数据集。
在一实施例中，处理器602在实现所述根据所获取的待处理数据集确定与其对应的风险排查模型，具体实现如下步骤：根据所获取的待处理数据集生成一风险排查模型作为与所获取的待处理数据集唯一对应的风险排查模型。
在一实施例中，处理器602在实现所述根据所获取的待处理数据集生成一风险排查模型作为与所获取的待处理数据集唯一对应的风险排查模型的步骤时，具体实现如下步骤：根据所获取的待处理数据集确定预设的多个数据字段；根据所述多个数据字段确定一预设风险规则，其中，每一风险场景均存在唯一对应的预设风险规则，所述预设风险规则为所对应的风险场景用于确定风险数据的判断规则；以及根据所确定的预设风险规则生成一与所述待处理数据集对应的风险排查模型；其中，所述风险排查模型为实现所对应的预设风险规则的具体算法。
在一实施例中，所述预设风险稽核引擎还包括一制度表，所述稽核结果还包括每条风险数据对应的违背制度以及需求数据清单，处理器602在实现所述生成所述风险数据集中每条风险数据的稽核结果的步骤之前，具体实现如下步骤：根据所述风险排查模型以及所述制度表确定所述风险数据集中每条风险数据所对应的违背制度；以及根据每条风险数据所对应的风险等级确定每条风险数据所对应的需求数据清单。
在一实施例中，所述稽核结果还包括每条风险数据对应的立案结果，处理器602在实现所述生成所述风险数据集中每条风险数据的稽核结果的步骤之前，具体实现如下步骤：根据每条风险数据所对应的风险等级确定每条风险数据所对应的立案结果。
应当理解，在本发明实施例中，处理器602可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器602还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如上所述的风险稽核方法。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例***中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种风险稽核方法，其特征在于，所述方法包括：
获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合；
根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息；
根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据；
根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级；
根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果；以及
生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
2.根据权利要求1所述的风险稽核方法，其特征在于，所述获取风险数据集，包括：
获取一待处理数据集，其中，所述待处理数据集包括风险数据集以及非风险数据集；
根据所获取的待处理数据集确定与其对应的风险排查模型，其中，每一风险场景均存在唯一对应的待处理数据集，且每一待处理数据集均存在唯一对应的风险排查模型；以及
利用所确定的风险排查模型对所获取的待处理数据集进行风险排查处理以获取所述风险数据集。
3.根据权利要求2所述的风险稽核方法，其特征在于，所述根据所获取的待处理数据集确定与其对应的风险排查模型，包括：
根据所获取的待处理数据集生成一风险排查模型作为与所获取的待处理数据集唯一对应的风险排查模型。
4.根据权利要求3所述的风险稽核方法，其特征在于，所述根据所获取的待处理数据集生成一风险排查模型作为与所获取的待处理数据集唯一对应的风险排查模型，包括：
根据所获取的待处理数据集确定预设的多个数据字段；
根据所述多个数据字段确定一预设风险规则，其中，每一风险场景均存在唯一对应的预设风险规则，所述预设风险规则为所对应的风险场景用于确定风险数据的判断规则；以及
根据所确定的预设风险规则生成一与所述待处理数据集对应的风险排查模型；其中，所述风险排查模型为实现所对应的预设风险规则的具体算法。
5.根据权利要求1所述的风险稽核方法，其特征在于，所述预设风险稽核引擎还包括一制度表，所生成的稽核结果还包括每条风险数据对应的违背制度以及需求数据清单，所述生成所述风险数据集中每条风险数据的稽核结果步骤之前，还包括：
根据所述风险排查模型以及所述预设风险稽核引擎的制度表确定所述风险数据集中每条风险数据所对应的违背制度；以及
根据每条风险数据所对应的风险等级确定每条风险数据所对应的需求数据清单。
6.根据权利要求1所述的风险稽核方法，其特征在于，所生成的稽核结果还包括每条风险数据对应的立案结果，所述生成所述风险数据集中每条风险数据的稽核结果步骤之前，还包括：
根据每条风险数据所对应的风险等级确定每条风险数据所对应的立案结果。
7.一种风险稽核装置，其特征在于，包括：
第一获取单元，用于获取一风险数据集，其中，所述风险数据集为任一风险场景所产生的存在风险且待稽核的数据的集合；
第二获取单元，用于根据所获取的风险数据集获取与其对应的风险排查模型的模型属性信息；
第一确定单元，用于根据预设风险稽核引擎的模型信息总表以及所获取的模型属性信息确定所述风险数据集的区分维度以及处罚依据；
第二确定单元，用于根据预设风险稽核引擎的风险等级表以及所述区分维度确定所述风险数据集中每条风险数据所对应的风险等级；
第一生成单元，用于根据每条风险数据所对应的风险等级以及处罚依据生成相应的处罚结果；以及
第二生成单元，用于生成所述风险数据集中每条风险数据的稽核结果，其中，所述稽核结果包括每条风险数据及其对应的风险等级以及处罚结果。
8.根据权利要求7所述的风险稽核装置，其特征在于，所述第一获取单元包括：
第一获取子单元，用于获取一待处理数据集，其中，所述待处理数据集包括风险数据集以及非风险数据集；
模型确定单元，用于根据所获取的待处理数据集确定与其对应的风险排查模型，其中，每一风险场景均存在唯一对应的待处理数据集，且每一待处理数据集均存在唯一对应的风险排查模型；以及
风险排查单元，用于利用所确定的风险排查模型对所获取的待处理数据集进行风险排查处理以获取所述风险数据集。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的风险稽核方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-6中任一项所述的风险稽核方法。
CN201910505218.5A 2019-06-12 2019-06-12 风险稽核方法、装置、计算机设备及计算机可读存储介质 Active CN110400041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910505218.5A CN110400041B (zh) 2019-06-12 2019-06-12 风险稽核方法、装置、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910505218.5A CN110400041B (zh) 2019-06-12 2019-06-12 风险稽核方法、装置、计算机设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110400041A true CN110400041A (zh) 2019-11-01
CN110400041B CN110400041B (zh) 2023-08-15

Family

ID=68323078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910505218.5A Active CN110400041B (zh) 2019-06-12 2019-06-12 风险稽核方法、装置、计算机设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110400041B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714273A (zh) * 2009-05-26 2010-05-26 北京银丰新融科技开发有限公司 一种基于规则引擎的银行异常业务监控方法和***
CN108305176A (zh) * 2018-01-05 2018-07-20 上海栈略数据技术有限公司 一种基于反馈式机器学习的最优化医疗保险智能审核***
CN109657917A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 评估对象的风险预警方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714273A (zh) * 2009-05-26 2010-05-26 北京银丰新融科技开发有限公司 一种基于规则引擎的银行异常业务监控方法和***
CN108305176A (zh) * 2018-01-05 2018-07-20 上海栈略数据技术有限公司 一种基于反馈式机器学习的最优化医疗保险智能审核***
CN109657917A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 评估对象的风险预警方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110400041B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN112926699A (zh) 异常对象识别方法、装置、设备及存储介质
CN109615524B (zh) 洗钱犯罪团伙的识别方法、装置、计算机设备及存储介质
CN105719045A (zh) 留任风险确定器
CN106789844B (zh) 一种恶意用户识别方法及装置
CN110618911B (zh) 数据监控方法、装置、存储介质和服务器
CN113434575B (zh) 基于数据仓库的数据归因处理方法、装置及存储介质
CN110610431A (zh) 基于大数据的智能理赔方法及智能理赔***
CN110322126A (zh) 一种项目调度方法、设备、服务器及计算机可读存储介质
CN109522301A (zh) 一种数据处理方法、电子设备及存储介质
CN109492911A (zh) 风险事件的风险预估方法、装置、计算机设备及存储介质
CN110334921A (zh) 一种项目调度方法、设备、服务器及计算机可读存储介质
CN115187104A (zh) 内容审核方法及电子设备和计算机可读存储介质
CN107169907A (zh) 一种面向应急值守的信息分类引导处理方法和***
CN112883196A (zh) 基于知识图谱的案件分配方法、***、介质及电子设备
CN107274132A (zh) 一种异常用户信息的处理方法及装置
CN111753913A (zh) ***分类的方法及装置、电子设备及计算机可读存储介质
CN110400041A (zh) 风险稽核方法、装置、计算机设备及计算机可读存储介质
CN110706122A (zh) 基于大数据分析提升社保代理效率方法、设备及可读介质
CN110197428A (zh) 信贷风控规则制定***、设备及存储介质
CN107818390A (zh) 一种考核要求生成方法及装置
CN110782163A (zh) 企业数据处理方法和装置
CN109447440A (zh) 一种环保目标考核管理方法与装置、终端设备及存储介质
CN116187760A (zh) 基于图谱重构的企业关联影响度量及风险识别方法、装置
CN115641945A (zh) 一种自动化运营方法、***、电子设备及存储介质
CN115760010A (zh) 报关单的审核方法、报关方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant