CN110570097A - 基于大数据的业务人员风险识别方法、装置及存储介质 - Google Patents
基于大数据的业务人员风险识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110570097A CN110570097A CN201910754669.2A CN201910754669A CN110570097A CN 110570097 A CN110570097 A CN 110570097A CN 201910754669 A CN201910754669 A CN 201910754669A CN 110570097 A CN110570097 A CN 110570097A
- Authority
- CN
- China
- Prior art keywords
- business
- risk
- data
- information
- personnel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000015654 memory Effects 0.000 claims description 28
- 238000010224 classification analysis Methods 0.000 claims description 16
- 230000008676 import Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 26
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000007405 data analysis Methods 0.000 abstract description 6
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
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
- G06Q10/105—Human resources
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及安全防护、业务安全、风险评估规则技术领域,本申请实施例提供的一种基于大数据的业务人员风险识别方法,包括:基于kafka***中预设的业务风险标识实时采集与业务风险标识相关联的业务风险信息,将业务风险信息转化为业务风险数据,业务风险信息包括考勤信息;通过HBase结构对业务人员信息中的基础信息和业务风险数据进行分类分析,确定业务人员的风险级别;当风险级别超过业务人员的预设风险级别时,向该业务人员发送风险级别对应的警示信息。对kafka采集的数据进行简化,不仅仅能够获取到业务员多方面的信息,还降低了后期风险业务数据分析过程中需要处理的数据量,提高服务器数据计算精度。
Description
技术领域
本发明涉及安全防护、业务安全、风险评估规则技术领域,具体涉及一种基于大数据的业务人员风险识别方法、装置及存储介质、服务器。
背景技术
近年来,随着信息化程度地不断提高以及无纸化办公的日益普及,具有互联网性质的项目管理类***逐渐成为人力考核的辅助工具。随着该***的广泛应用,不仅给使用者带来了便利,还大大提升了行政效率。目前企业使用该***进行考核以用于提高公司以及员工的业绩,而部分业务员为了通过考核采用临时人员进行人力考核,现有的临时人员仅仅通过面谈的方式进行判定,而人工方式费时费力,繁琐且具有人为主观性,导致判断结果不具有客观性;考核***仅仅采集各业务员的相关信息且采集的信息少,不能够准确地判断出临时人员或者对相关业务员进行风险识别;且针对业务员较多的企业,其涉及的考核信息数据量大,***数据处理过程慢,由于临时业务员的识别过程需要快速进行,导致***仅能通过少量的信息进行业务人员风险级别的判断,进而不能够得到准确的识别出临时业务员。
发明内容
为克服以上技术问题,特别是目前考核信息少、考核数据量大导致***对业务人员风险级别识别慢且不准确问题,特提出以下技术方案:
本发明实施例提供的一种基于大数据的业务人员风险识别方法,包括:
基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;
通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;
当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。
可选地,所述通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别,包括:
通过Spark引擎将所述业务风险数据导入HBase结构的数据库中;
获取所述业务风险数据对应业务人员信息中的基础信息,通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别。
可选地,所述通过Spark引擎将所述业务风险数据导入HBase结构的数据库中,包括:
通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,获得所述业务风险数据的分布式数据集;
将同一区内的所述数据集集中导入到所述HBase结构的数据库中。
可选地,所述通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别,包括:
根据业务人员的任职级别,提取所述业务风险数据中的关键数据,通过HBase结构对业务人员信息中的基础信息和所述关键数据进行分类分析,确定业务人员的风险级别。
可选地,所述确定业务人员的风险级别之后,包括:
获取所述风险级别和任职级别关联关系;
依据所述风险级别和所述任职级别关联关系调整业务人员的任职级别。
本申请实施例还提供了一种基于大数据的业务人员风险识别装置,包括:
转化模块,用于基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;
风险级别确定模块,用于通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;
警示模块,用于当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。
可选地,所述风险级别确定模块,包括:
第一导入单元,用于通过Spark引擎将所述业务风险数据导入HBase结构的数据库中;
风险级别确定单元,用于获取所述业务风险数据对应业务人员信息中的基础信息,通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别。
可选地,所述导入单元,包括:
获得单元,用于通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,获得所述业务风险数据的分布式数据集;
第二导入单元,用于将同一区内的所述数据集集中导入到所述HBase结构的数据库中。
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上存储有计算机程序,该程序被处理器执行时实现任一技术方案所述的基于大数据的业务人员风险识别方法。
本发明实施例还提供了一种服务器,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据任一技术方案所述的基于大数据的业务人员风险识别方法的步骤。
本发明与现有技术相比,具有以下有益效果:
本申请实施例提供的一种基于大数据的业务人员风险识别方法,包括:基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。首先对kafka采集的数据进行简化,在数据量较大时,不仅仅能够获取到业务员多方面的信息,还降低了后期风险业务数据分析过程中需要处理的数据量,在业务风险数据进行分析过程中,通过spark对业务风险数据进行分类整理,同样可以减少HBase数据处理量,使得HBase可以基于预设分类别直接导入对应的数据并进行业务人员的风险识别,在结合spark和HBase框架结构的基础上,有效地数据进行分类处理,在数据量较大时,简化数据的同时可以降低数据处理量,并且可以根据不同类型不同级别的业务人员,获取不同量的风险业务数据,可以针对性提高某一类型数据,获取更多方面的数据,在数据量较大时,可以合理的调用服务器进行计算,提高服务器数据的吞吐量,避免计算过程卡顿的情况下,同时提高服务器数据计算精度,进而提高业务员风险结果的精准性,使得得到业务员风险类型更为精准且考核效率更高,降低业务员对企业带来的风险。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明基于大数据的业务人员风险识别方法的典型实施例中一种实施方式的流程示意图;
图2为本发明基于大数据的业务人员风险识别装置的典型实施例的结构示意图;
图3为本发明服务器的一实施例结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本领域技术人员应当理解,本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念,是业内技术人员所公知的相同概念,是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定,这种命名本身不受编程语言种类、级别,也不受其赖以运行的操作***或平台所限制。理所当然地,此类概念也不受任何形式的终端所限制。
本申请实施例提供的一种基于大数据的业务人员风险识别方法,在其中一种实施方式中,如图1所示,包括:S100、S200、S300。
S100:基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;
S200:通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;
S300:当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。
在本申请提供的一种实施方式中,通过kafka实时采集所述考勤信息,kafka高吞吐量的分布式发布订阅消息***,它可以处理消费者规模的网站中的所有动作流数据,其中动作包括网页浏览、搜索和其他用户的行动等;而用户的业务风险信息包括为业务人员在运行业务过程中进行的相关动作,如考勤信息等。基于kafka高吞吐量能够采集数据量较大的考勤信息,保证考勤信息的持久化和稳定性,避免考勤信息被其他人员恶意篡改,同时具有较高的数据吞吐量,进而能够通过分布式数据处理***高效率地采集数据量较大考勤信息,以便于提取考勤信息用于分析。
具体的,在kafka中预设业务风险标识为数据采集的topic(主题),如考勤信息,其中考勤信息还可以包括考勤人名称、考勤时间等。为了简化后期数据计算过程,便于快速地统计出相关的风险业务标识,将部分考勤信息进行转化,如考勤状况正常为1、迟到为2、旷工为3,更进一步地,业务人员的其他风险数据也可以采用前述的方法简化得到,不同类型的数据采用不同的简化方法,为了避免不同业务风险信息转化后的业务风险数据重复,则简化后的业务风险数据携带所对应业务风险信息的topic标识,如前述考勤时间简化之后可能与其他类型的业务风险数据重复时,携带有考勤状况(Attendance status)标识的为:正常为1As、迟到为2As、旷工为3As,降低了从kafka中获取业务风险数据的数据量,实现了更高效地利用kafka的数据高吞吐量,同时也简化了***计算过程,使得***能够根据更多的员工多维数据进行分析,进而可以更为快速地并准确地进行业务人员风险识别。在本申请提供的一种实施方式中,从历史人员数据中获取***信息,所述***信息包括:预设考核周期新入职员工信息和该预设考核周期之后相邻未考核周期内离职员工信息;通过该方法能够及时地确定新职员在考核周期内出勤状况以及考核周期外的状况,即能够更为方便快速地获知新职员的风险级别,在该基础上判断对应的职员是否为业务员为了能够通过人力考核,随便从外面找人来凑人力考核,方便业务人员的考核和管理。更进一步地,由于风险级别会影响到业务人员的考核和晋升。因而需要获取更为准确的业务人员的信息,获取业务人员的基础信息,依据所述业务风险数据和所述基础信息确定业务人员的风险级别;所述基础信息包括业务人员的职位、司龄信息。在该基础上还能够获取该业务人员的备注信息,依据所述业务风险数据、职位、备注信息共同确定业务人员的风险级别。为了能够更为准确地确定业务人员的风险级别,避免因数据采集不完全导致误判了业务人员的风险级别。因此,综合采集业务人员的职位、司龄信息和备注等综合判断业务人员的风险级别,例如在业务人员出差而导致考勤数据缺失时,为了避免误判业务人员的风险级别,则通过备注信息确定业务人员考勤数据缺失当天的情况,如为出差,则该业务人员的风险级别则为最低,进而可以不对该业务人员进行后续的警示。
同一级别、同一司龄的划分实现***服务器快速地进行数据计算,进而可以快速统计并计算出同一类型业务人员的风险数据,避免高级别的业务人员对整个业务产生更大的损失,在前述基础上,通过HBase结构对业务人员的基础信息和业务员风险数据进行分类分析,确定业务人员的风险级别。不仅仅实现了服务器能够分门别类进行数据的分析计算,更为精准的风险分析,由于在分析过程中仅仅是对同一类别的业务风险数据进行分析,则能够减少部分数据处理量和读取速度,进而能够快速地获得同一类业务风险数据的结果确定业务人员风险级别,因此,HBase通过分类分析降低了***数据处理量,更为清楚地确定同类型业务人员风险级别,也能够更为合理的进行人员筛选,同时得到的结果也更容易管理。在确定了业务人员风险级别之后,确定该业务人员的风险级别超过了该级别业务人员的预设风险级别时,例如业务人员确定的风险级别为3级,而该级别业务人员的发送风险信息警示的级别为2级,且3级超过了2级,则***能够给出业务响应的风险信息警示,及早的对业务运行中的风险进行把控,降低业务人员自身风险带来的损失。同时警示员工提高自己的业务质量,方便业务人员把控自身的业务素质。
可选地,所述通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别,包括:
通过Spark引擎将所述业务风险数据导入HBase结构的数据库中;
获取所述业务风险数据对应业务人员信息中的基础信息,通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别。
通过Spark引擎将数据导入HBase中进行数据存储,HBase结构则可以获取该业务风险数据对应业务人员的基础信息,包括前述的业务人员的司龄、级别、职位等信息,HBase结构结合业务风险数据和基础信息对业务人员的风险级别进行分类分析(如同一级别、同一司龄等),能够更为准确地确定同一类别业务人员的风险级别,便于后期基于该风险级别进行业务人员管理。在前述的过程中,spark引擎对业务员风险数据进行了初步的数据计算以及分类,降低了后期HBase结构数据处理量,使得HBase获得数据之后,不需要对业务风险数据再次进行分类计算等过程,降低了HBase的数据处理量,提高了HBase的数据处理效率,由于在spark的基础上再次通过HBase进行业务风险数据进行聚合对比的分类分析,使得业务风险数据分析的结果更为准确,其确定的风险级别也更为准确避免错误的判断出业务人员的风险级别。
可选地,所述通过Spark引擎将所述业务风险数据导入HBase结构的数据库中,包括:
通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,获得所述业务风险数据的分布式数据集;
将同一区内的所述数据集集中导入到所述HBase结构的数据库中。
在本申请提供的实施例中,为了能够提高HBase结构数据处理速度和处理量,通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,如通过spark快速地基于预设业务人员基础信息和预设分类类别将前述业务风险数据进行分类分区,如业务人员基础信息按照前述的同一司龄、同一入职时间、同一级别、同一部门、同一职位等中的一种或者多中进行分类,预设类别如业务风险类别等,进而spark能够对集中将同一业务风险类别的业务风险数据导入到HBase中,快速确定同一业务风险类别业务人员中风险级别,结合前述业务人员的基础信息,使得业务人员的风险别的对比基准相同,得到的结果也更为准确。获得业务风险数据的分布式数据集之后,将同一区内的数据集集中导入到HBase结构的数据库中,进而HBase则能够对导入的数据进行快速处理,且由于为同一区内的数据集,使得HBase不需要再对导入的数据进行分类,实现了HBase对导入数据集的直接分析,同时由于同一区内的数据集中数据量较小,在直接得到业务风险数据处理结果之后,则能够快速地得到风险级别,提高了HBase的数据吞吐量。相应的,在HBase中能够预设值某一类型的风险业务数据的表格,在数据导入计算过程中,则能够直接从spark中获取对应的数据进行分析,降低了HBase查找数据的时间,基于spark的快速地初步分类,可以降低HBase数据处理量,使得HBase可以直接根据同一类别的数据进行分析。
可选地,所述通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别,包括:
根据业务人员的任职级别,提取所述业务风险数据中的关键数据,通过HBase结构对业务人员信息中的基础信息和所述关键数据进行分类分析,确定业务人员的风险级别。
结合前述的过程中,为了更进一步地降低HBase的数据处理量,提高数据处理速度,进而能够快速得到业务人员的风险级别,在本申请提供的实施例中,通过HBase结构提取业务风险数据中的关键数据。由于级别越高、司龄越高的业务员在其产生的风险级别越高时,对企业的危害越大,且涉及的利益更为广泛,进而需要更为精准的风险分析,为了降低危害,针对这类型的业务人员HBase可以通过更为详细或者更为精准地分析规则对这类人员进行分析,而对于级别低、司龄小的业务员相应的,由于其风险级别同样可以作为升职的依据,而这部分人员数量大,需要从中筛选出少量的人员晋升,进而可以减少部分数据,HBase仅仅获取关键部分数据进行风险级别的分析,这样不仅仅能够快速地得到这类业务人员风险级别,进而降低了***数据处理量,也可以更为合理的进行人员筛选,同时得到的结果也更容易管理,即可以更为清楚地确定同类型业务人员风险级别。示例性的,针对级别低、司龄小的业务人员,关键部分数据可以包括考勤信息、业务完成量等,在考核周期内,考勤合格率低于60%则认为是高风险业务人员;考勤合格率60%到80%、考核周期内的业务完成量低于50%则确定为高风险业务人员;考勤合格率80%到100%、考核周期内的业务完成量为50%到80%则确定为中等风险业务人员;考勤合格率80%到100%、考核周期内的业务完成量为80%到100%、业绩增长量为负,则确定为中等风险业务人员;考勤合格率80%到100%、考核周期内的业务完成量为80%到100%、业绩增长量为正,则确定为低风险业务人员。另外,普通员工是个人完成业务量,主管是团队完成业务量,针对不同的任职级别,提取不同的关键数据,解决不同级别分析内容不同,准确定位风险级别的问题。
可选地,所述确定业务人员的风险级别之后,包括:
获取所述风险级别和任职级别关联关系;
依据所述风险级别和所述任职级别关联关系调整业务人员的任职级别。
通过该方法可以动态的调整业务人员任职状况,例如风险级别高,则可能降低该业务人员的任职级别,则风险级别中等的情况,则可以维持该业务人员的任职级别,在风险级别低的时,则可以升高业务人员的级别,进而在员工晋升的时候,实现智能自动地选择高质量的业务人员。相应的,在本申请提供的一种实施方式中,还能够获取与该业务人员相关联的业务人员信息,基于该业务人员的风险级别,向关联业务人员发送提醒信息。通过该方法,则可以提醒关联业务人员警醒被考核人员,同时也避免了关联业务人员在外找人凑公司内部考核,由于减少了凑数的外来人员,进而可以避免公司的相关的秘密遭到泄露,减少给公司带来不必要的麻烦。
本发明实施例还提供了一种基于大数据的业务人员风险识别装置,在其中一种实施方式中,如图2所示,包括:转化模块100、风险级别确定模块200、警示模块300:
转化模块100,用于基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;
风险级别确定模块200,用于通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;
警示模块300,用于当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。
进一步地,如图2所示,本发明实施例中提供的一种基于大数据的业务人员风险识别装置还包括:第一导入单元210,用于通过Spark引擎将所述业务风险数据导入HBase结构的数据库中;风险级别确定单元220,用于获取所述业务风险数据对应业务人员信息中的基础信息,通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别。获得单元211,用于通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,获得所述业务风险数据的分布式数据集;第二导入单元212,用于将同一区内的所述数据集集中导入到所述HBase结构的数据库中。提取单元230,用于根据业务人员的任职级别,提取所述业务风险数据中的关键数据,通过HBase结构对业务人员信息中的基础信息和所述关键数据进行分类分析,确定业务人员的风险级别。获取模块410,用于获取所述风险级别和任职级别关联关系;调整模块420,用于依据所述风险级别和所述任职级别关联关系调整业务人员的任职级别。
本发明实施例提供的一种基于大数据的业务人员风险识别装置可以实现上述基于大数据的业务人员风险识别方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
本发明实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现任一项技术方案所述的基于大数据的业务人员风险识别方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSSMemory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本发明实施例提供的一种计算机可读存储介质,可实现上述基于大数据的业务人员风险识别方法的实施例,在本申请中首先对kafka采集的数据进行简化,在数据量较大时,不仅仅能够获取到业务员多方面的信息,还降低了后期风险业务数据分析过程中需要处理的数据量,避免计算过程卡顿的情况下,同时提高服务器数据计算精度,进而提高业务员风险结果的精准性,使得得到业务员风险类型更为精准且考核效率更高,降低业务员对企业带来的风险;本申请实施例提供的一种基于大数据的业务人员风险识别方法,包括:基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。基于kafka高吞吐量能够采集数据量较大的考勤信息,保证考勤信息的持久化和稳定性,避免考勤信息被其他人员恶意篡改,同时具有较高的数据吞吐量,进而能够通过分布式数据处理***高效率地采集数据量较大考勤信息,以便于提取考勤信息用于分析。具体的,在kafka中预设业务风险标识为数据采集的topic(主题),如考勤信息,其中考勤信息还可以包括考勤人名称、考勤时间等。为了简化后期数据计算过程,便于快速地统计出相关的风险业务标识,将部分考勤信息进行转化,如考勤状况正常为1、迟到为2、旷工为3,更进一步地,业务人员的其他风险数据也可以采用前述的方法简化得到,不同类型的数据采用不同的简化方法,为了避免不同业务风险信息转化后的业务风险数据重复,则简化后的业务风险数据携带所对应业务风险信息的topic标识,如前述考勤时间简化之后可能与其他类型的业务风险数据重复时,携带有考勤状况(Attendance status)标识的为:正常为1As、迟到为2As、旷工为3As,降低了从kafka中获取业务风险数据的数据量,实现了更高效地利用kafka的数据高吞吐量,同时也简化了***计算过程,使得***能够根据更多的员工多维数据进行分析,进而可以更为快速地并准确地进行业务人员风险识别。在本申请提供的一种实施方式中,从历史人员数据中获取***信息,所述***信息包括:预设考核周期新入职员工信息和该预设考核周期之后相邻未考核周期内离职员工信息;通过该方法能够及时地确定新职员在考核周期内出勤状况以及考核周期外的状况,即能够更为方便快速地获知新职员的风险级别,在该基础上判断对应的职员是否为业务员为了能够通过人力考核,随便从外面找人来凑人力考核,方便业务人员的考核和管理。更进一步地,由于风险级别会影响到业务人员的考核和晋升。因而需要获取更为准确的业务人员的信息,获取业务人员的基础信息,依据所述业务风险数据和所述基础信息确定业务人员的风险级别;所述基础信息包括业务人员的职位、司龄信息。在该基础上还能够获取该业务人员的备注信息,依据所述业务风险数据、所述职位、所述备注信息共同确定业务人员的风险级别。为了能够更为准确地确定业务人员的风险级别,避免因数据采集不完全导致误判了业务人员的风险级别。因此,综合采集业务人员的职位、司龄信息和备注等综合判断业务人员的风险级别,例如在业务人员出差而导致考勤数据缺失时,为了避免误判业务人员的风险级别,则通过备注信息确定业务人员考勤数据缺失当天的情况,如为出差,则该业务人员的风险级别则为最低,进而可以不对该业务人员进行后续的警示。同一级别、同一司龄的划分实现***服务器快速地进行数据计算,进而可以快速统计并计算出同一类型业务人员的风险数据,避免高级别的业务人员对整个业务产生更大的损失,在前述基础上,通过HBase结构对业务人员的基础信息和业务员风险数据进行分类分析,确定业务人员的风险级别。不仅仅实现了服务器能够分门别类进行数据的分析计算,更为精准的风险分析,由于在分析过程中仅仅是对同一类别的业务风险数据进行分析,则能够减少部分数据处理量和读取速度,进而能够快速地获得同一类业务风险数据的结果确定业务人员风险级别,因此,HBase通过分类分析降低了***数据处理量,更为清楚地确定同类型业务人员风险级别,也能够更为合理的进行人员筛选,同时得到的结果也更容易管理。在确定了业务人员风险级别之后,则***能够给出业务响应的风险信息警示,及早的对业务运行中的风险进行把控,降低业务人员自身风险带来的损失。同时警示员工提高自己的业务质量,方便业务人员把控自身的业务素质。
此外,在又一种实施例中,本发明还提供一种服务器,如图3所示,所述服务器处理器503、存储器505、输入单元507以及显示单元509等器件。本领域技术人员可以理解,图3示出的结构器件并不构成对所有服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器505可用于存储应用程序501以及各功能模块,处理器503运行存储在存储器505的应用程序501,从而执行设备的各种功能应用以及数据处理。存储器505可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器505只作为例子而非作为限定。
输入单元507用于接收信号的输入,以及用户输入的业务人员的基础信息、司龄信息、任职级别等。输入单元507可包括触控面板以及其它输入设备。触控面板可收集客户在其上或附近的触摸操作(比如客户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元509可用于显示客户输入的信息或提供给客户的信息以及计算机设备的各种菜单。显示单元509可采用液晶显示器、有机发光二极管等形式。处理器503是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器503内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。图3中所示的一个或多个处理器503能够执行、实现图2中所示的转化模块100的功能、风险级别确定模块200的功能、警示模块300的功能、第一导入单元210的功能、风险级别确定单元220的功能、获得单元211的功能、第二导入单元212的功能、提取单元230的功能、获取模块410的功能、调整模块420的功能。
在一种实施方式中,所述服务器包括一个或多个处理器503,以及一个或多个存储器505,一个或多个应用程序501,其中所述一个或多个应用程序501被存储在存储器505中并被配置为由所述一个或多个处理器503执行,所述一个或多个应用程序301配置用于执行以上实施例所述的基于大数据的业务人员风险识别方法。
本发明实施例提供的一种服务器,可实现上述基于大数据的业务人员风险识别方法的实施例,在本申请中首先对kafka采集的数据进行简化,在数据量较大时,不仅仅能够获取到业务员多方面的信息,还降低了后期风险业务数据分析过程中需要处理的数据量,避免计算过程卡顿的情况下,同时提高服务器数据计算精度,进而提高业务员风险结果的精准性,使得得到业务员风险类型更为精准且考核效率更高,降低业务员对企业带来的风险;本申请实施例提供的一种基于大数据的业务人员风险识别方法,包括:基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。基于kafka高吞吐量能够采集数据量较大的考勤信息,保证考勤信息的持久化和稳定性,避免考勤信息被其他人员恶意篡改,同时具有较高的数据吞吐量,进而能够通过分布式数据处理***高效率地采集数据量较大考勤信息,以便于提取考勤信息用于分析。具体的,在kafka中预设业务风险标识为数据采集的topic(主题),如考勤信息,其中考勤信息还可以包括考勤人名称、考勤时间等。为了简化后期数据计算过程,便于快速地统计出相关的风险业务标识,将部分考勤信息进行转化,如考勤状况正常为1、迟到为2、旷工为3,更进一步地,业务人员的其他风险数据也可以采用前述的方法简化得到,不同类型的数据采用不同的简化方法,为了避免不同业务风险信息转化后的业务风险数据重复,则简化后的业务风险数据携带所对应业务风险信息的topic标识,如前述考勤时间简化之后可能与其他类型的业务风险数据重复时,携带有考勤状况(Attendance status)标识的为:正常为1As、迟到为2As、旷工为3As,降低了从kafka中获取业务风险数据的数据量,实现了更高效地利用kafka的数据高吞吐量,同时也简化了***计算过程,使得***能够根据更多的员工多维数据进行分析,进而可以更为快速地并准确地进行业务人员风险识别。在本申请提供的一种实施方式中,从历史人员数据中获取***信息,所述***信息包括:预设考核周期新入职员工信息和该预设考核周期之后相邻未考核周期内离职员工信息;通过该方法能够及时地确定新职员在考核周期内出勤状况以及考核周期外的状况,即能够更为方便快速地获知新职员的风险级别,在该基础上判断对应的职员是否为业务员为了能够通过人力考核,随便从外面找人来凑人力考核,方便业务人员的考核和管理。更进一步地,由于风险级别会影响到业务人员的考核和晋升。因而需要获取更为准确的业务人员的信息,获取业务人员的基础信息,依据所述业务风险数据和所述基础信息确定业务人员的风险级别;所述基础信息包括业务人员的职位、司龄信息。在该基础上还能够获取该业务人员的备注信息,依据所述业务风险数据、所述职位、所述备注信息共同确定业务人员的风险级别。为了能够更为准确地确定业务人员的风险级别,避免因数据采集不完全导致误判了业务人员的风险级别。因此,综合采集业务人员的职位、司龄信息和备注等综合判断业务人员的风险级别,例如在业务人员出差而导致考勤数据缺失时,为了避免误判业务人员的风险级别,则通过备注信息确定业务人员考勤数据缺失当天的情况,如为出差,则该业务人员的风险级别则为最低,进而可以不对该业务人员进行后续的警示。同一级别、同一司龄的划分实现***服务器快速地进行数据计算,进而可以快速统计并计算出同一类型业务人员的风险数据,避免高级别的业务人员对整个业务产生更大的损失,在前述基础上,通过HBase结构对业务人员的基础信息和业务员风险数据进行分类分析,确定业务人员的风险级别。不仅仅实现了服务器能够分门别类进行数据的分析计算,更为精准的风险分析,由于在分析过程中仅仅是对同一类别的业务风险数据进行分析,则能够减少部分数据处理量和读取速度,进而能够快速地获得同一类业务风险数据的结果确定业务人员风险级别,因此,HBase通过分类分析降低了***数据处理量,更为清楚地确定同类型业务人员风险级别,也能够更为合理的进行人员筛选,同时得到的结果也更容易管理。在确定了业务人员风险级别之后,则***能够给出业务响应的风险信息警示,及早的对业务运行中的风险进行把控,降低业务人员自身风险带来的损失。同时警示员工提高自己的业务质量,方便业务人员把控自身的业务素质。
本发明实施例提供的服务器可以实现上述提供的基于大数据的业务人员风险识别方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于大数据的业务人员风险识别方法,其特征在于,包括:
基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;
通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;
当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。
2.根据权利要求1所述的基于大数据的业务人员风险识别方法,其特征在于,所述通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别,包括:
通过Spark引擎将所述业务风险数据导入HBase结构的数据库中;
获取所述业务风险数据对应业务人员信息中的基础信息,通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别。
3.根据权利要求2所述的基于大数据的业务人员风险识别方法,其特征在于,所述通过Spark引擎将所述业务风险数据导入HBase结构的数据库,包括:
通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,获得所述业务风险数据的分布式数据集;
将同一区内的所述数据集集中导入到所述HBase结构的数据库中。
4.根据权利要求1至3任一项所述的基于大数据的业务人员风险识别方法,其特征在于,所述通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别,包括:
根据业务人员的任职级别,提取所述业务风险数据中的关键数据,通过HBase结构对业务人员信息中的基础信息和所述关键数据进行分类分析,确定业务人员的风险级别。
5.根据权利要求1至3任一项所述的基于大数据的业务人员风险识别方法,其特征在于,所述确定业务人员的风险级别之后,包括:
获取所述风险级别和任职级别关联关系;
依据所述风险级别和所述任职级别关联关系调整业务人员的任职级别。
6.一种基于大数据的业务人员风险识别装置,其特征在于,包括:
转化模块,用于基于kafka***中预设的业务风险标识实时采集与所述业务风险标识相关联的业务人员的业务风险信息,将所述业务风险信息转化为业务风险数据;
风险级别确定模块,用于通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别;
警示模块,用于当所述风险级别超过业务人员的预设风险级别时,向该业务人员发送所述风险级别对应的警示信息。
7.根据权利要求6所述的基于大数据的业务人员风险识别装置,其特征在于,所述风险级别确定模块,包括:
第一导入单元,用于通过Spark引擎将所述业务风险数据导入HBase结构的数据库中;
风险级别确定单元,用于获取所述业务风险数据对应业务人员信息中的基础信息,通过HBase结构对业务人员信息中的基础信息和所述业务风险数据进行分类分析,确定业务人员的风险级别。
8.根据权利要求7所述的基于大数据的业务人员风险识别装置,其特征在于,所述导入单元,包括:
获得单元,用于通过Spark引擎按照预设分类类别对所述业务风险数据进行分类分区,获得所述业务风险数据的分布式数据集;
第二导入单元,用于将同一区内的所述数据集集中导入到所述HBase结构的数据库中。
9.一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上存储有计算机程序,该程序被处理器执行时实现权利要求1至5任一项所述的基于大数据的业务人员风险识别方法。
10.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据权利要求1至5任一项所述的基于大数据的业务人员风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754669.2A CN110570097A (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的业务人员风险识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754669.2A CN110570097A (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的业务人员风险识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110570097A true CN110570097A (zh) | 2019-12-13 |
Family
ID=68775424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910754669.2A Pending CN110570097A (zh) | 2019-08-15 | 2019-08-15 | 基于大数据的业务人员风险识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570097A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461186A (zh) * | 2020-03-20 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 数据相似度的处理方法、装置、存储介质和计算机设备 |
CN111967767A (zh) * | 2020-08-18 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种业务风险识别方法、装置、设备及介质 |
CN112668934A (zh) * | 2021-01-15 | 2021-04-16 | 北京金和网络股份有限公司 | 一种互联网考试报告生成方法及装置 |
WO2021114615A1 (zh) * | 2020-05-27 | 2021-06-17 | 平安科技(深圳)有限公司 | 行为风险识别的可视化方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871203A (zh) * | 2017-09-30 | 2018-04-03 | 平安科技(深圳)有限公司 | 业务员行为风险甄别管理方法、应用服务器及计算机可读存储介质 |
CN108108445A (zh) * | 2017-12-26 | 2018-06-01 | 苏州蜗牛数字科技股份有限公司 | 一种智能数据处理方法和*** |
CN108665174A (zh) * | 2018-05-16 | 2018-10-16 | 中国平安人寿保险股份有限公司 | 风险预警方法、装置、计算机设备以及存储介质 |
CN109284897A (zh) * | 2018-08-20 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 员工业绩考核方法、装置、计算机设备和存储介质 |
CN109508825A (zh) * | 2018-11-12 | 2019-03-22 | 平安科技(深圳)有限公司 | 员工行为风险预警方法及相关装置 |
CN109697567A (zh) * | 2018-12-27 | 2019-04-30 | 上海农村商业银行股份有限公司 | 一种大数据实时风险预警方法及*** |
CN109753531A (zh) * | 2018-12-26 | 2019-05-14 | 深圳市麦谷科技有限公司 | 一种大数据统计方法、***、计算机设备及存储介质 |
US20190163813A1 (en) * | 2017-11-27 | 2019-05-30 | Promontory Financial Group Llc | Data preprocessing using risk identifier tags |
CN109978544A (zh) * | 2019-04-03 | 2019-07-05 | 国网山东省电力公司 | 基于大数据技术的企业密钥管控及智能化分析方法及*** |
CN110097289A (zh) * | 2019-05-09 | 2019-08-06 | 深圳前海微众银行股份有限公司 | 风险监控方法、装置、设备及计算机可读存储介质 |
CN110119421A (zh) * | 2019-04-03 | 2019-08-13 | 昆明理工大学 | 一种基于Spark流式分类的电力窃电用户识别方法 |
-
2019
- 2019-08-15 CN CN201910754669.2A patent/CN110570097A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871203A (zh) * | 2017-09-30 | 2018-04-03 | 平安科技(深圳)有限公司 | 业务员行为风险甄别管理方法、应用服务器及计算机可读存储介质 |
US20190163813A1 (en) * | 2017-11-27 | 2019-05-30 | Promontory Financial Group Llc | Data preprocessing using risk identifier tags |
CN108108445A (zh) * | 2017-12-26 | 2018-06-01 | 苏州蜗牛数字科技股份有限公司 | 一种智能数据处理方法和*** |
CN108665174A (zh) * | 2018-05-16 | 2018-10-16 | 中国平安人寿保险股份有限公司 | 风险预警方法、装置、计算机设备以及存储介质 |
CN109284897A (zh) * | 2018-08-20 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 员工业绩考核方法、装置、计算机设备和存储介质 |
CN109508825A (zh) * | 2018-11-12 | 2019-03-22 | 平安科技(深圳)有限公司 | 员工行为风险预警方法及相关装置 |
CN109753531A (zh) * | 2018-12-26 | 2019-05-14 | 深圳市麦谷科技有限公司 | 一种大数据统计方法、***、计算机设备及存储介质 |
CN109697567A (zh) * | 2018-12-27 | 2019-04-30 | 上海农村商业银行股份有限公司 | 一种大数据实时风险预警方法及*** |
CN109978544A (zh) * | 2019-04-03 | 2019-07-05 | 国网山东省电力公司 | 基于大数据技术的企业密钥管控及智能化分析方法及*** |
CN110119421A (zh) * | 2019-04-03 | 2019-08-13 | 昆明理工大学 | 一种基于Spark流式分类的电力窃电用户识别方法 |
CN110097289A (zh) * | 2019-05-09 | 2019-08-06 | 深圳前海微众银行股份有限公司 | 风险监控方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
SETSUNAMEOW: "Kafka学习笔记:Kafka的Topic、Partition和Message", pages 1 - 3, Retrieved from the Internet <URL:https://blog.csdn.net/lrxcmwy2/article/details/82853300> * |
强迫疒: "kafka入门(二)分区和group", pages 1 - 2, Retrieved from the Internet <URL:https://www.cnblogs.com/zcjcsl/p/8485999.html> * |
我没有三颗心脏: "Kafka【入门】就这一篇!", pages 1 - 11, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/74063251> * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461186A (zh) * | 2020-03-20 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 数据相似度的处理方法、装置、存储介质和计算机设备 |
WO2021114615A1 (zh) * | 2020-05-27 | 2021-06-17 | 平安科技(深圳)有限公司 | 行为风险识别的可视化方法、装置、设备及存储介质 |
CN111967767A (zh) * | 2020-08-18 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种业务风险识别方法、装置、设备及介质 |
CN112668934A (zh) * | 2021-01-15 | 2021-04-16 | 北京金和网络股份有限公司 | 一种互联网考试报告生成方法及装置 |
CN112668934B (zh) * | 2021-01-15 | 2023-12-01 | 北京金和网络股份有限公司 | 一种互联网考试报告生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112639845B (zh) | 确定个人信息查找结果可信度的机器学习***和方法 | |
CN108537544B (zh) | 一种交易***实时监控方法及其监控*** | |
CN110570097A (zh) | 基于大数据的业务人员风险识别方法、装置及存储介质 | |
US10074079B2 (en) | Systems and methods for automated analysis, screening and reporting of group performance | |
US20140012800A1 (en) | Apparatus and method for providing application for processing big data | |
JP2012164318A5 (zh) | ||
WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法,设备、汽车及存储介质 | |
US10402428B2 (en) | Event clustering system | |
CN111859969A (zh) | 数据分析方法及装置、电子设备、存储介质 | |
CN109784060A (zh) | 漏洞管理报告生成方法、装置及存储介质、服务器 | |
CN114419631A (zh) | 一种基于rpa的网管虚拟*** | |
US20170109640A1 (en) | Generation of Candidate Sequences Using Crowd-Based Seeds of Commonly-Performed Steps of a Business Process | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
US20110078175A1 (en) | Auditing Search Requests in a Relationship Analysis System | |
CN109583773A (zh) | 一种纳税信用积分确定的方法、***及相关装置 | |
US20180091378A1 (en) | Modularity and similarity graphics system with monitoring policy | |
US8504412B1 (en) | Audit automation with survey and test plan | |
CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN116386813A (zh) | 手术间负荷均衡方法、装置、设备及存储介质 | |
CN112667869A (zh) | 数据处理方法、设备、***及存储介质 | |
CN112346938B (zh) | 操作审计方法、装置及服务器和计算机可读存储介质 | |
CN115617670A (zh) | 软件测试管理方法、存储介质及*** | |
CN115271514A (zh) | 通讯企业的监控方法、装置、电子设备及存储介质 | |
CN114942993A (zh) | 酒店评价指标获取方法、***、设备及存储介质 | |
CN114312930A (zh) | 基于日志数据的列车运行异常诊断方法和装置 |
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 |