CN112836771A - 业务服务点的分类方法、装置、电子设备和存储介质 - Google Patents

业务服务点的分类方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112836771A
CN112836771A CN202110328427.4A CN202110328427A CN112836771A CN 112836771 A CN112836771 A CN 112836771A CN 202110328427 A CN202110328427 A CN 202110328427A CN 112836771 A CN112836771 A CN 112836771A
Authority
CN
China
Prior art keywords
business
score
service point
service
point
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
Application number
CN202110328427.4A
Other languages
English (en)
Inventor
俞丽颖
周小莹
王舒
张晨昊
罗云
张圳
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202110328427.4A priority Critical patent/CN112836771A/zh
Publication of CN112836771A publication Critical patent/CN112836771A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种业务服务点的分类方法、装置、电子设备和存储介质，涉及大数据领域，通过获取至少一个业务服务点在当前评估周期的业务特征数据，根据预设积分规则和层次分析模型，对业务特征数据进行加工处理，得到至少一个业务服务点的目标业务得分，根据目标业务得分，对至少一个业务服务点进行聚类，得到至少一个业务服务点的分类级别，提高了对业务服务点评估的客观性、准确性和全面性，有利于促进对业务服务点的精细化管理，强化对业务服务点激励约束，提高业务服务点的业务能力，促进业务服务点的可持续发展。

Description

业务服务点的分类方法、装置、电子设备和存储介质
技术领域
本申请实施例涉及大数据领域，尤其涉及一种业务服务点的分类方法、装置、电子设备和存储介质。
背景技术
为进行业务拓展和满足不同地域客户的业务办理的需求，各大机构通常会在全国乃至世界各地设置数量众多的业务服务点，如金融业务服务点、通信业务服务点等等。为实现对业务服务点的层次化管理，提高业务服务点的业务能力，有必要对业务服务点进行分类。
现有技术中，往往根据上级的主观判断或单一的业务指标进行业务服务点的分类，缺乏一套全面、客观的分类流程，导致现有技术中对业务服务点的分类准确性不高，以致无法对业务服务点的业务能力进行合理公正的评判，影响对业务服务点管理的有效性和合理性。
发明内容
本申请实施例提供一种业务服务点的分类方法、装置、电子设备和存储介质，涉及大数据领域，解决现有技术中存在的分类准确性不高的问题。
第一方面，本申请实施例提供一种业务服务点的分类方法，包括：
获取至少一个业务服务点在当前评估周期的业务特征数据，所述业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据；
根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分；
根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
可选地，所述根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分，包括：
按照预设积分规则，对所述业务特征数据进行统计，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分；
采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分。
可选地，所述采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分，包括：
获取所述至少一个业务服务点在历史评估周期的历史综合业务得分和预先构建的成对比较矩阵，所述成对比较矩阵用于反映所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分两两之间的相对重要程度；
根据所述成对比较矩阵、所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分，计算所述至少一个业务服务点的在当前评估周期的当期综合业务得分；
根据所述历史综合业务得分和所述当期综合业务得分，计算所述至少一个业务服务点的目标业务得分。
可选地，所述根据所述成对比较矩阵、所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分，计算所述至少一个业务服务点的在当前评估周期的当期综合业务得分，包括：
对所述成对比较矩阵进行归一化，得到特征向量，所述特征向量中包括第一权重、第二权重、第三权重和第四权重，所述第一权重用于反映所述经营获客得分对所述目标业务得分的权重，所述第二权重用于反映所述经营管理得分对所述目标业务得分的权重，所述第三权重用于反映所述经营风险得分对所述目标业务得分的权重，所述第四权重用于反映所述网格覆盖度得分对所述目标业务得分的权重；
根据所述特征向量，求解所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分的加权和，得到所述当期综合业务得分。
可选地，所述根据所述历史综合业务得分和所述当期综合业务得分，计算所述至少一个业务服务点的目标业务得分，包括：
根据所述历史综合业务得分和所述当期综合业务得分，确定所述至少一个业务服务点的业务得分的环比增长率；
根据所述历史综合业务得分、所述当期综合业务得分和所述环比增长率，通过如下公式计算所述至少一个业务服务点的目标业务得分：
Starget＝Spresent(1+α)(1-β)+βShistory
其中，Starget表示目标业务得分，Spresent表示当期综合业务得分，Shistory表示历史综合业务得分，α表示环比增长率，β表示历史影响权重。
可选地，所述成对比较矩阵表示为：
Figure BDA0002995456040000041
其中，ai,j表示ai(i＝1,2,3,4)对aj(i＝1,2,3,4)的重要程度，a1表示经营获客得分，a2表示经营管理得分，a3表示所述经营风险得分，a4表示网格覆盖度得分。
可选地，所述预设积分规则包括经营获客积分规则、经营管理积分规则和经营风险积分规则，所述按照预设积分规则，对所述业务特征数据进行统计，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分，包括：
根据所述经营获客积分规则、经营管理积分规则和经营风险积分规则，分别对所述经营获客特征数据、所述经营管理特征数据和所述经营风险特征数据进行得分计算，得到所述至少一个业务服务点的经营获客积分、经营管理积分和经营风险积分；
对所述经营获客积分、所述经营管理积分和所述经营风险积分进行归一化处理，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分。
可选地，对所述经营获客积分进行归一化处理，得到所述至少一个业务服务点的经营获客得分，包括：
对所述至少一个业务服务点的经营获客积分进行排序，得到经营获客最高积分；
根据所述至少一个业务服务点的经营获客积分和所述经营获客最高积分，通过如下公式计算得到所述至少一个业务服务点的经营获客得分：
Figure BDA0002995456040000051
其中，Sclient_nor表示经营获客得分，Sclient表示经营获取积分，Sclient_max表示经营获客最高积分。
可选地，对所述经营管理积分进行归一化处理，得到所述至少一个业务服务点的经营管理得分，包括：
对所述至少一个业务服务点的经营管理积分进行排序，得到经营管理最高积分和经营管理最低积分；
根据所述至少一个业务服务点的经营管理积分、所述经营管理最高积分和所述经营管理最低积分，通过如下公式计算得到所述至少一个业务服务点的经营管理得分：
Figure BDA0002995456040000052
其中，Smanage_nor表示经营管理得分，Smanage表示经营管理积分，Smanage_max表示经营管理最高积分，Smanage_min表示经营管理最低积分。
可选地，对所述经营风险积分进行归一化处理，得到所述至少一个业务服务点的经营风险得分包括：
对所述至少一个业务服务点的经营风险积分进行排序，得到经营风险最高积分和经营风险最低积分；
根据所述至少一个业务服务点的经营风险积分、所述经营风险最高积分和所述经营风险最低积分，通过如下公式计算得到所述至少一个业务服务点的经营风险得分：
Figure BDA0002995456040000061
其中，Srisk_nor表示经营风险得分，Srisk表示经营风险积分，Srisk_max表示经营风险最高积分，Srisk_min表示经营风险最低积分。
可选地，所述采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分之前，所述方法还包括：
确定所述至少一个业务服务点所在的目标网格区域；
根据所述目标网格区域的网格内服务点数，通过如下公式确定所述至少一个业务服务点网格覆盖度：
Sgrid＝1/n
其中，Sgrid表示网格覆盖度得分，n表示目标网格区域的网格内的业务服务点个数。
可选地，所述确定所述至少一个业务服务点所在的目标网格区域，包括：
获取预设的区域划分网格和所述至少一个业务服务点的位置信息；
根据所述区域划分网格内各网格区域与所述至少一个业务服务点的位置相对关系，确定所述至少一个业务服务点所在的目标网格区域。
可选地，所述根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别，包括：
获取分类级别参数，所述分类级别参数包括分类级别数和每个分类级别中业务服务点个数的期望占比；
根据所述分类级别参数和所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
可选地，所述根据所述分类级别参数和所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别，包括：
根据所述目标业务得分，对所述至少一个业务服务点的进行排序；
根据所述分类级别参数，对排序后的所述至少一个业务服务点进行初始聚类，得到预设数量的初始聚类中心，所述预设数量与所述分类级别数一致；
基于所述初始聚类中心，对所述至少一个业务服务点进行Kmeans聚类，得到所述至少一个业务服务点的分类级别。
可选地，所述根据所述分类级别参数，对排序后的所述至少一个业务服务点进行初始聚类，得到预设数量的初始聚类中心，包括：
根据所述至少一个业务服务点的排列顺序和所述分类级别参数，对所述至少一个业务服务点进行分箱；
确定出每个分箱中目标业务得分的中位数对应的目标业务服务点，并以所述目标业务服务点作为各分箱的初始聚类中心。
可选地，所述获取至少一个业务服务点在当前评估周期的业务特征数据，包括：
从业务***数据库中获取所述至少一个业务服务点在当前评估周期的业务流水数据和经营状况数据；
对所述业务流水数据和所述经营状况数据进行预处理，得到所述至少一个业务服务点的业务评估数据，所述业务评估数据包括经营获客数据、经营管理数据和经营风险数据，所述预处理包括抽取、清洗、转换、加载中的至少一种；
按照预设评估指标，对所述业务评估数据进行特征提取，得到所述至少一个业务服务点的业务特征数据，所述预设评估指标包括经营获客评估指标、经营管理评估指标和经营风险评估指标。
可选地，所述经营获客评估指标包括周期交易量、周期服务客户数、累计签约客户数、资金沉淀量和累积公众号关注客户数中的至少一项。
可选地，所述经营管理评估指标至少包括合作模式和经营者文化程度中的至少一项。
可选地，所述经营风险评估指标包括周期非正常交易次数、周期上级巡检次数、周期加入黑名单次数中的至少一项。
第二方面，本申请实施例提供一种业务服务点的分类装置，包括：
获取模块，用于获取至少一个业务服务点在当前评估周期的业务特征数据，所述业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据；
处理模块，用于根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分；
分类模块，用于根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的业务服务点的分类方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的业务服务点的分类方法。
本申请实施例提供的业务服务点的分类方法、装置、电子设备和存储介质，通过获取至少一个业务服务点在当前评估周期的业务特征数据，业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据，根据预设积分规则和层次分析模型，对业务特征数据进行加工处理，得到至少一个业务服务点的目标业务得分，根据目标业务得分，对至少一个业务服务点进行聚类，得到至少一个业务服务点的分类级别，通过考虑到各个业务服务点的经营获客情况、经营管理情况、经营风险情况等，并引入层次分析模型和聚类技术，形成了一套标准化的分级分类流程，使获取的各业务服务点的目标业务得分和分类结果的更能反映各业务服务点的综合业务能力，提高了对业务服务点评估的客观性、准确性和全面性，有利于促进对业务服务点的精细化管理，强化对业务服务点激励约束，提高业务服务点的业务能力，促进业务服务点的可持续发展。
附图说明
图1本申请实施例的一种应用场景示意图；
图2为本申请实施例一提供的业务服务点的分类方法的流程示意图；
图3为本申请实施例一提供的层次分析模型的结构示意图；
图4为本申请实施例一提供的区域划分网格的示意图；
图5为本申请实施例一提供的一种聚类流程示意图；
图6为本申请实施例二提供的业务服务点的分类方法的流程示意图；
图7为本申请实施例三提供的一种业务特征数据获取流程示意图；
图8为本申请实施例三提供的一种积分流程示意图；
图9为本申请实施例四提供的业务服务点的分类装置的结构示意图；
图10为本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
本申请技术方案的主要思路：基于现有技术中存在的技术问题，本申请实施例提供一种基于大数据处理分析技术，对业务服务点的进行分类的技术方案，首先，通过抽取、清洗、转换、加载等手段乡村金融服务点的业务流水数据和经营情况数据进行预处理，每个主题的进行关键特征抽取，得到经营获客、经营管理能力、经营风险情况三类指标的特征数据，并引入网格化管理思想，引入业务服务点的区域覆盖度指标数据。在此基础上，利用层次分析法，计算统计周期内每个乡村金融服务点的得分，同时引入服务点历史得分情况，对当期得分和历史得分进行加权计算，得到各业务服务点的最终得分。最后，根据业务期望类别数及每个类别的期望占比，初始化聚类中心，以此对业务服务点得分进行聚类，得出每个业务服务点的分类级别。通过采用本申请的技术方案对对业务服务点进行业务能力的评估，可以提高对业务服务点评估的客观性、准确性和全面性，有利于促进对业务服务点的精细化管理，强化对业务服务点激励约束，提高业务服务点的业务能力，促进业务服务点的可持续发展。
示例性地，图1本申请实施例的一种应用场景示意图，如图1所示，本申请的技术方案主要涉及中心设备和服务点设备，中心设备与服务点设备通信连接，以实现中心设备与服务点设备之间进行数据传输。
其中，服务点设备，是指设置在各业务服务点的办事大厅电子设备，是计算机、智能终端等。服务点设备可以通过其上安装的种业务***如客户信息管理***、相关业务办理***等，实现各业务服务点的各种操作和办理，服务点设备上还包括业务***数据库，用于对业务***每天产生的业务流水等数据和业务服务点的经营情况等数据进行存储。
中心设备，即执行本申请实施例中的业务服务点分级方法的电子设备，可以为服务器或计算机等，中心设备包括数据处理中心和中心数据库，数据处理中心主要用于采用大数据处理技术对从各业务服务点的服务点设备中获取的数据进行加工处理，从而实现业务服务点的分类，中心数据库用于对数据处理中心产生的数据进行存储。
实施例一
图2为本申请实施例一提供的业务服务点的分类方法的流程示意图，本发明实施涉及大数据技术领域，本实施例的方法可以由本申请实施例所提供的业务服务点的分类装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于图1所示的中心设备中。如图2所示，本实施例的业务服务点的分类方法，包括：
S101、获取至少一个业务服务点在当前评估周期的业务特征数据。
为保证对各业务服务点业务能力评估的客观性、全面性和准确性，本实施例中，以反映各业务服务点经营获取情况的经营获客特征数据、经营管理能力的经营管理特征数据和经营风险情况的经营风险特征数据作为基础数据。并且，为保证对各业务服务点业务能力评估的有效性和可用性，本实施例中，可以根据实际情况和需求设置业务能力评估周期，并基于业务能力评估周期，周期性地获取各业务服务点的上述三种业务特征数据。示例性地，业务能力评估周期为季度，则本实施例中，可以在每个季度的最后一天获取管辖范围内(如全市、全省或全国等)的至少一个业务服务点在该季度的业务特征数据。
本实施例中，经营获客特征数据、经营管理特征数据和经营风险特征数据可以由对应主题的相关指标下各业务服务点的数据构成，由图1可知，本步骤中，可以通过从业务***数据库中获取各业务服务点在当前评估周期的原始数据，如原始数据可以包括各业务服务点各业务的交易量、交易金额、签约客户数、资金沉淀量、服务客户数、合作模式、公众号关注客户数、经营者年龄、经营者文化程度、上级巡检次数、加黑名单次数、非正常交易次数等。和经营状况数据，再对获取到的原始数据进行加工处理，得到对应主题的相关指标下各业务服务点的数据，形成经营获客特征数据、经营管理特征数据和经营风险特征数据。
S102、根据预设积分规则和层次分析模型，对业务特征数据进行加工处理，得到至少一个业务服务点的目标业务得分。
本实施例中，预先设置根据不同的业务特征数据对各业务服务点不同主题上进行积分的积分规则和构建对各业务服务点的综合业务能力进行评估的层次分析模型，以一套标准化的流程，通过打分的方式实现对各业务服务点的综合业务能力进行量化，保证评估过程的客观性和公正性。
本实施例中，预设积分规则中既包括对各业务服务点的经营获客情况进行打分的经营获客积分规则，也包括对经营管理情况进行打分的经营管理积分规则，以及对各业务服务点的经营风险情况进行打分的经营风险积分规则。
本实施例中，预先构建的层次分析模型包括：最高层(也叫做目标层)、中间层(也叫做准则层或指标层)和最低层(也叫做方案层)，其中，最高层反映的是决策的目的、要解决的问题，中间层反映的是考虑的因素、决策的准则，最低层反映的是决策的备选方案。示例性地，图3为本申请实施例一提供的层次分析模型的结构示意图，如图3所示，本实施例中最高层为目标业务得分，中间层为经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分，最低层为各个业务服务点P1、P2……Pm。
在具体实施过程中，本步骤中，首先可以根据经营获客积分规则对所述经营获客特征数据进行得分计算，得到反映各业务服务点的经营获客情况的经营获客积分；可以根据经营管理积分规则对经营管理特征数据进行得分计算，得到反映各业务服务点的经营管理情况的经营管理积分；可以根据经营风险积分规则，对经营风险特征数据进行得分计算，得到反映各业务服务点的经营风险情况的经营风险积分。
可以理解的是，本申请实施例中可以根据具体的应用场景和业务服务点功能，设置不同的积分规则，此处不作限制。
为降低层次分析模型计算的复杂度，提高层次模型的数据处理效率，上述过程得到的经营获客积分、经营管理积分和经营风险积分并不能直接作为层次分析模型的输入，因此，本步骤中还需要对经营获客积分、经营管理积分和经营风险积分其进行归一化处理。为便于区分，本申请实施例中，将对上述经营获客积分、经营管理积分和经营风险积分归一化处理后得到的数据分别叫做经营获客得分、经营管理得分和经营风险得分。
在一种可能的实施方式中，本实施例中，通过对各业务服务点的经营获客积分进行排序，得到所有业务服务点中的经营获客最高积分，并根据各业务服务点的经营获客积分和经营获客最高积分，通过如下公式计算得到至少一个业务服务点的经营获客得分：
Figure BDA0002995456040000141
其中，Sclient_nor表示经营获客得分，Sclient表示经营获取积分，Sclient_max表示经营获客最高积分。
可选地，为避免数据分布不均衡，本实施方式中，在对各业务服务点的经营获客积分进行排序，筛选出所有业务服务点中经营获取积分位于99.5％的业务服务点，并将该业务服务点的经营获客积分的值，假设记为Q，作为经营获客最高积分，将经营获客积分大于Q的业务服务点的经营获客积分都赋值为Q。
在一种可能的实施方式中，本实施例中，对各业务服务点的经营管理积分进行排序，得到所有业务服务点中的经营管理最高积分和经营管理最低积分，根据各业务服务点的经营管理积分、经营管理最高积分和经营管理最低积分，通过如下公式计算得到各业务服务点的经营管理得分：
Figure BDA0002995456040000142
其中，Smanage_nor表示经营管理得分，Smanage表示经营管理积分，Smanage_max表示经营管理最高积分，Smanage_min表示经营管理最低积分。
在一种可能的实施方式中，本实施例中，通过对各业务服务点的经营风险积分进行排序，得到所有业务服务点中的经营风险最高积分和经营风险最低积分；根据各业务服务点的经营风险积分、经营风险最高积分和经营风险最低积分，通过如下公式计算得到各业务服务点的经营风险得分：
Figure BDA0002995456040000151
其中，Srisk_nor表示经营风险得分，Srisk表示经营风险积分，Srisk_max表示经营风险最高积分，Srisk_min表示经营风险最低积分。
由于不同地区之间业务服务点的分布存在差异性和不均衡，为反映各业务服务点的地域选址情况，本实施例中引入了网格覆盖度的概念，以克服地域差异的影响，为此，本步骤中还需要确定各业务服务点的网格覆盖度得分。下面将对各业务服务点的网格覆盖度得分的获取过程加以说明：
(1)确定各业务服务点所在的目标网格区域。
本实施例中，为克服地域差异的影响，传统的基于行政区划的分区方式已不再适用，示例性地，通过将全国地图分为固定半径大小的六边形网格，得到区域划分网格。该区域划分网格可以事先标记好，并存储到中心数据库。
相应地，通过从中心数据库中获取区域划分网格和根据业务服务点的定位数据获取各业务服务点的位置信息，根据区域划分网格内各网格区域与各业务服务点的位置相对关系，即是否包含关系，确定各业务服务点所在的目标网格区域。
示例性地，图4为本申请实施例一提供的区域划分网格的示意图，如图4所示，假设该区域划分网格中共有四个网格区域，分别表示为G1、G2、G3和G4，通过比对可知，业务服务点P1和P5的目标网格区域为G1，业务服务点P2的目标网格区域为G2，业务服务点P3的目标网格区域为G3，业务服务点P4的目标网格区域为G4。
可以理解中，网格划分时，可以根据实际情况选择网格区域的半径大小和网格区域的形状。
(2)根据目标网格区域的网格内服务点数，通过如下公式确定各业务服务点网格覆盖度得分：
Sgrid＝1/n (4)
其中，Sgrid表示网格覆盖度得分，n表示目标网格区域的网格内的业务服务点个数。
由图4可知，同一网格区域内的业务服务点的网格覆盖度得分相同，如业务服务点P1和P5的网格覆盖度得分均为0.25。
最后，将上述计算得到的经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分输入到预先构建的层次分析模型中，就可以得到各业务服务点的目标业务得分。
由于本实例中，基于层次分析模型，根据经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分对各个业务服务点进行分级所依据的目标业务得分，考虑了到各个业务服务点的经营获客情况、经营管理情况、经营风险情况和地域选址情况等，使目标业务得分反映各个业务服务点的综合业务能力，从而有助于提高分类的全面性、客观性和准确性。
S103、根据目标业务得分，对至少一个业务服务点进行聚类，得到至少一个业务服务点的分类级别。
本实施例中，采用聚类分析法，根据各业务服务点的目标业务得分，对各业务服务点进行聚类，从而达到对业务服务点进行分类的目标，从而提高分类的合理性和稳定性。
在一种可能的实施方式中，通过获取分类级别参数，以分类级别参数为限制，以目标业务得分为依据，对至少一个业务服务点进行聚类，得到至少一个业务服务点的分类级别。
其中，分类级别参数包括分类级别数和每个分类级别中业务服务点个数的期望占比，分类级别参数可以是预先设定的，也可以是实时获取的，如根据用户的输入获取，本实施例中不做限制。
本实施方式中，可以先根据目标业务得分的大小，对业务服务点的进行排序，再根据分类级别参数，对排序后的业务服务点进行初始聚类，得到预设数量的初始聚类中心，再基于初始聚类中心，对业务服务点进行Kmeans聚类，得到各业务服务点的分类级别。
在初始聚类过程中，本实施例中，先根据各业务服务点的排列顺序和分类级别参数，对业务服务点进行分箱，再确定出每个分箱中目标业务得分的中位数对应的目标业务服务点，并以目标业务服务点作为各分箱的初始聚类中心。
示例性地，假设期望将辖区内的所有业务服务点按级别从低到高的顺序分为1星服务点、2星服务点、3星服务点、4星服务点、5星服务点，各类别的期望占比分别为5％、20％、50％、10％和5％，对排序后业务服务点进行分段，取其中的前5％作形成第一分箱，之后20％形成第二分箱，中间的50％形成第三分箱，再之后的20％形成第四分箱，最后的5％形成第五分箱。再根据每个分箱业务服务点情况和业务服务点的得分情况，从5个分箱中各确定出一个目标业务服务点，得到5个初始聚类中心。不难看出，本申请实施例中的初始聚类中心的数量与分类级别数一致。
在Kmeans聚类过程，通过以初始聚类中心为中心，计算各个业务服务点到各个中心的距离，并其归类到最近的中心所在的类中，再重新计算各个类别的中心，确定中心对应的业务服务点是否发生变动，若无变动，则停止聚类，若有变动，则重上述过程，直至收敛。示例性，图5为本申请实施例一提供的一种聚类流程示意图。
本实施例中，通过获取至少一个业务服务点在当前评估周期的业务特征数据，业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据，根据预设积分规则和层次分析模型，对业务特征数据进行加工处理，得到至少一个业务服务点的目标业务得分，根据目标业务得分，对至少一个业务服务点进行聚类，得到至少一个业务服务点的分类级别，通过考虑到各个业务服务点的经营获客情况、经营管理情况、经营风险情况等，并引入层次分析模型和聚类技术，形成了一套标准化的分级分类流程，使获取的各业务服务点的目标业务得分和分类结果的更能反映各业务服务点的综合业务能力，提高了对业务服务点评估的客观性、准确性和全面性，有利于促进对业务服务点的精细化管理，强化对业务服务点激励约束，提高业务服务点的业务能力，促进业务服务点的可持续发展。
实施例二
下面将一个具体的实施例对通过层次分析模型计算各业务服务点的目标业务得分的具体实现原理加以说明，示例性地，图6为本申请实施例二提供的业务服务点的分类方法的流程示意图，在上述实施例的基础上，如图6所示，本实施例中采用层次分析模型计算各业务服务点的目标业务得分，包括：
S201、获取至少一个业务服务点在历史评估周期的历史业务得分和预先构建的成对比较矩阵。
本实施例中，为平滑各业务服务点的得分，引入了各业务服务点在历史评估周期的得分，为便于区分，将各业务服务点在历史评估周期的得分，叫做历史业务得分。
本实施例中，可以将每个业务评估周期计算的各业务服务点的经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分以数据表的形式存储在图1所示的中心数据库中，通过积累就可以得到各业务服务点的所有历史得分。因此，本步骤中，只需从中心数据库加载该数据表中的数据，就可以得到各业务服务点在对应业务评估周期的历史业务得分。示例性地，历史评估周期是指当前评估周期的上一个业务评估周期，相应地，历史业务得分，是指上一个业务评估周期各业务服务点的各项得分，通过从该数据表中获取上一个业务评估周期各业务服务点的目标业务得分，就可以得到历史业务得分。
由于成对比较矩阵，是层次分析法的数量依据，因此，本实施例中需要预先构建满足本实施例中层次分析模型计算需求的成对比较矩阵，下面将对成对比较矩阵的构建过程加以详细说明：
本实施例中，采用一致矩阵法构造成对比较矩阵，具体地，首先，由经验丰富的专家通过1-9标度方法，标注出经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分四项因素间两两的重要性比较，构建出一个4阶成对比较矩阵。
示例性地，假设用a1、a2、a3和a4分别表示经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分，ai,j表示ai(i＝1,2,3,4)对aj(i＝1,2,3,4)的重要程度，则成对比较矩阵表示为：
Figure BDA0002995456040000201
由于成对性矩阵采用两两指标比较构成，因此，可能会出现判断不一致的情况，如A的重要性是B的两倍，B的重要性是C的两倍，根据推理，A的重要性是C的四倍，但实际情况中，专家可能会给出A的重要性是C的三倍的结果。出现这种情况，是由于在两两比较过程中，缺乏统一参照物，且事物之间的比较复杂而人的认识多样，这种情况在一定范围内是允许的。
因此，本实施例中，还需要对公式(5)中的成对比较矩阵进行一致性检验，以保证对成对比较矩阵的不一致在允许范围内。
本实施例中，通过一致性比率对对公式(5)中的成对比较矩阵进行一致性检验，一致性比率的定义如下：
CR＝CI/RI (6)
其中，CR表示一致性比率，一般CR<0.1时，认为成对比较矩阵的不一致程度在容许的范围之内，有满意的一致性。
RI为随机一致性指标，RI与对比较矩阵的阶数有关，RI可通过查表获得。CI为一致性指标，可通过如下公式进行计算：
CI＝(λ-n)/(n-1) (7)
其中，n表示成对比较矩阵的阶数(本实施例中，n取4)，λ表示成对比较矩阵的最大特征根。CI＝0，表示成对比较矩阵具有完全一致性，CI越大，表示成对比较矩阵的不一致性越严重。
本实施例中，通过公式(6)和(7)计算构建的成对比较矩阵A是否满足一致性，若不满足，则对A进行调整，直到A满足一致性为止，并将满足一致性的A进行存储。
本实施例中可以事先根据应用场景和需求，按照上述过程进行成对比较矩阵的构建，得到的满足一致性要求的成对比较矩阵，并进行存储，如存储到图1所示的中心数据库中。相应地，本步骤中，从中心数据库中加载成对比较矩阵即可。
S202、根据成对比较矩阵、经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分，计算至少一个业务服务点的在当前评估周期的综合业务得分。
本实施例中，在得到成对比较矩阵后，就可以进行经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分权重计算了。具体地，通过对所述成对比较矩阵进行归一化，得到包括第一权重、第二权重、第三权重和第四权重的特征向量。
需要说明的是，这里为便于区分，将经营获客得分的权重叫做第一权重，将经营管理得分的权重叫做第二权重，将经营风险得分的权重叫做第三权重，将网格覆盖度得分的权重叫做第四权重，相应地，第一权重用于反映经营获客得分对目标业务得分的权重，第二权重用于反映经营管理得分对目标业务得分的权重，第三权重用于反映经营风险得分对目标业务得分的权重，第四权重用于反映网格覆盖度得分对目标业务得分的权重。
可选地，本实施例中，对成对比较矩阵按列向量归一化、行求各、列向量归一化的步骤，得到成对比较矩阵的特征向量。
示例性地，特征向量ω可以表示为：
Figure BDA0002995456040000221
其中，ω1、ω2、ω3、ω4表示第一权重、第二权重、第三权重和第四权重。
进一步地，本实施例中，根据权重和各业务服务点的经营获客得分、经营管理得分、经营风险得分和网格覆盖度得分的具体数值，计算各业务服务点的综合业务得分。
在一种可能的实施方式中，本实施例中通过如下公式求加权和，得到各业务服务点在当前业务评估周期的综合业务得分：
Stotal＝ω1×Sclient_nor+ω2×Smanage_nor+ω3×Srisk_nor+ω4×Sgrid (9)
S203、根据历史业务得分和综合业务得分，计算至少一个业务服务点的目标业务得分。
本步骤中，通过将S201中获取的各业务服务点的各项历史业务得分带入公式(9)中，就可以得到各业务服务点的综合业务得分，为便于区分，将各业务服务点历史评估周期的综合业务得分叫做历史综合业务得分，将各业务服务点当前评估周期的综合业务得分叫做当期综合业务得分。
在一种可能的实施方式中，本步骤中，通过如下公式计算各业务服务点的目标业务得分：
Starget＝Spresent(1+α)(1-β)+βShistory (10)
其中，Starget表示目标业务得分，Spresent表示当期综合业务得分，Shistory表示历史综合业务得分，α表示环比增长率，β表示历史影响权重(可预先设置或根据用户的输入确定)。
其中，α可根据各业务服务点的历史综合业务得分和当期综合业务得分计算得到，具体计算公式如下：
Figure BDA0002995456040000231
通过本实施的方法得到的目标业务得分，不仅考虑了当期评估周期各业务服务点的各项实际情况，可以根据历史情况，有增长或降低趋势的业务服务点进行得分奖惩，提高了对业务服务点评估的客观性、准确性和全面性，有利于促进对业务服务点的精细化管理，从而达到对各业务服务点进行激励约束的目的，提高业务服务点的业务能力，促进业务服务点的可持续发展。
实施例三
下面将以业务服务点为金融服务点为例，以一个具体的实施例对实施例一中的相关处理过程进行更加详细的说明。
(一)业务特征数据的获取
示例性地，图7为本申请实施例三提供的一种业务特征数据获取流程示意图，如图7所示，本实施例中，对各业务服务点原始数据的加工处理包括预处理和特征提取两个阶段。
由于中心设备获取的是所有服务点设备在当前周期内积累的各种业务***产生的数据，数据复杂，且数据量庞，为此，本实施例中首先需要通过抽取、清洗、转换、加载等预处理流程，对原始数据进行的分类和整理，得到各业务服务点的经营获客数据、经营管理数据和经营风险数据三类业务评估数据，再根据预设评估指标，从业务评估数据中提取出主要特征，去除重复的和不必要的数据，得到各业务服务点的经营获客特征数据、经营管理特征数据和经营风险特征数据三类业务特征数据。通过对获取到的原始数据进行预处理和特征提取，实现对数据的分类和筛选，为后续的数据处理过程提供高可用性的数据，从而提高业务服务点的分类效率和准确率。
示例性地，原始数据中的可以包括业务流水数据各业务服务点的各种业务的交易量、交易金额、签约客户数、资金沉淀量、服务客户数，经营状况数据可以包括各业务服务点的业务合作模式、公众号关注客户数、经营者年龄、经营者文化程度、上级巡检次数、加黑名单次数、非正常交易次数等。
示例性地，通过预处理得到的经营获客数据包括：周期签约客户数、累计签约客户数、周期交易量、累计交易量、周期服务客户数、累计服务客户数、周期交易金额、累计交易金额、资金沉淀情况、周期公众号关注用户数、累计公众号关注客户数。得到的经营管理数据包括各业务服务点的合作模式、合作方类型、经营者年龄、经营者文化程度。得到的经营风险数据包括：周期非正常交易次数、累计非正常交易次数、周期上级巡检次数、累计上级巡检次数、周期加入黑名单次数、累计加入黑名单次数。
本实施例中，预设评估指标的类别与选用的主题(如经营获客情况、经营管理情况、经营风险情况)相对应的，示例性地，本实施例中的预设评估指标包括经营获客评估指标、经营管理评估指标和经营风险评估指标。
示例性地，经营获客评估指标包括周期交易量、周期服务客户数、累计签约客户数、资金沉淀量和累积公众号关注客户数中的至少一项，本实施例中，通过从经营经获客数据中筛选出这些指标对应的数据，得到经营获客特征数据。
示例性地，经营管理评估指标包括合作模式和经营者文化程度中的至少一项，本实施例中，通过从经营经管理数据中筛选出这些指标对应的数据，得到经营管理特征数据。
示例性地，经营风险评估指标包括周期非正常交易次数、周期上级巡检次数、周期加入黑名单次数中的至少一项，本实施例中，通过从经营风险数据中筛选出这些指标对应的数据，得到风险特征数据。
其中，周期签约客户数、周期交易量、周期服务客户数、周期交易金额、周期公众号关注用户数、周期非正常交易次数、周期上级巡检次数、周期加入黑名单次数，是指当前评估周期，如该季度的各业务服务点签约客户数、交易量、服务客户数、交易金额、公众号关注用户数、非正常交易次数、上级巡检次数、加入黑名单次数。累计签约客户数、累计交易量、累计服务客户数、累计交易金额、累计公众号关注客户数、累计非正常交易次数、累计上级巡检次数、累计加入黑名单次数，是指到当前评估周期为止各业务服务点一共累积的签约客户数、交易量、服务客户数、交易金额、公众号关注用户数、非正常交易次数、上级巡检次数、加入黑名单次数，即当前评估周期与以往各周期的数据的和。
可以理解的是，预设评估指标是预先对各业务评估数据中的各项指标的相关性及贡献度等进行分析，去除相似程度较大的指标和贡献度不高的指标后得到的，以经营获客评估指标为例，通过皮尔森相关系数法进行指标的相关性分析，由于周期签约客户数、累计签约客户数相关性较大，因此，仅选择累计签约客户数作为评价指标，同时，通常以一个周期内各个交易类别的交易量、服务客户数，作为周期内服务点的服务点贡献度，选取周期交易量和周期服务客户数作为评价指标，另外，对周期间波动较大的指标，取其累计值，选取资金沉淀量、累计公众号关注客户数作为服务点评价指标，得到经营获客评估指标。
(二)积分规则的设定
(1)经营获客积分规则
由于经营获客特征数据中有反映当前评估周期内经营获客情况的指标，如周期交易量、周期服务客户数，也有反映累计经营获客情况的指标，如累计签约客户数、资金沉淀量和累积公众号关注客户数，因此，本实施例中可以通过如下两种策略分别计算周期内经营获客情况指标的得分和累计经营获客情况的指标的得分：
(a)周期内经营获客情况
考虑周期内各个交易类别的交易量、服务客户数进行积分，下个周期数据清零重新计算。示例性地，以交易量为例，图8为本申请实施例三提供的一种积分流程示意图，如图8所示，根据这些交易类型是否参与积分以及设定的积分上限，进行积分计算。
可选地，还可以将业务评估周期分割成多个积分统计周期，如若以季度为业务评估周期，则可以将每个月作为一个积分统计周期，并以图8所示的方法，先分别计算每个积分统计周期内各指标项的积分，再通过如下公式，计算该业务统计周期内各指标项的积分：
Figure BDA0002995456040000261
其中，x表示各积分统计周期的积分，m表示当前评估周期内的积分统计周期数目，ρ表示平均环比增长率，可通过如下公式计算得到：
Figure BDA0002995456040000262
(b)累计经营获客情况
针对各业务服务点累计签约客户数、资金沉淀量和累积公众号关注客户数三项指标，根据业务规则，设置分段加分值，对每个指标达到指定分段的服务点进行积分。示例性地，对当前评估周期内累计签约客户数达到的第一设定阈值的，积1分，达到第二设定阈值的积3分，达到第三设定阈值的积5分。
根据以上规则，对当前评估周期内，各项指标的积分进行求和，就可以得到具有解释性的用于反映各业务服务点的经营获客情况的经营获客积分。
(2)经营管理积分规则
针对合作模式、经营者文化程度两项指标，根据不同的合作模式，如与企业合作、与政府合作、无合作，不同的经营者文化程度，如本科以下、本科、本科以上，根据设定的分值比对表，进行打分，形成具有解释性的用于反映各业务服务点的经营管理情况的经营管理积分。其中，分值比对表中用于存储不同的合作模式或经营者文化程度对应的分值，如合作模式分别为与企业合作、与政府合作、无合作时对应的分值。
(3)经营风险积分规则
针对周期非正常交易次数、周期上级巡检次数、周期加入黑名单次数三项指标，可以将非正常交易、上级巡检、加入黑名单均作为违规行为，通过设置满分，对每次违规行为进行扣分，最终形成具有业务可解释性的用于反映各业务服务点的经营风险情况的经营风险积分。
可以理解的是，上述本实施例只是一种举例，在实际应用中，可以根据应用场景、业务服务点类别的不同等，确定不同的分析需求，进而选取不同的指标和积分规则，本实施例对此不做限制。
实施例四
图9为本申请实施例四提供的业务服务点的分类装置的结构示意图，如图9所示，本实施例中业务服务点的分类装置10包括：
获取模块11、处理模块12和分类模块13。
获取模块11，用于获取至少一个业务服务点在当前评估周期的业务特征数据，所述业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据；
处理模块12，用于根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分；
分类模块13，用于根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
可选地，处理模块12具体用于：
按照预设积分规则，对所述业务特征数据进行统计，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分；
采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分。
可选地，处理模块12具体用于：
获取所述至少一个业务服务点在历史评估周期的历史综合业务得分和预先构建的成对比较矩阵，所述成对比较矩阵用于反映所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分两两之间的相对重要程度；
根据所述成对比较矩阵、所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分，计算所述至少一个业务服务点的在当前评估周期的当期综合业务得分；
根据所述历史综合业务得分和所述当期综合业务得分，计算所述至少一个业务服务点的目标业务得分。
可选地，处理模块12具体用于：
对所述成对比较矩阵进行归一化，得到特征向量，所述特征向量中包括第一权重、第二权重、第三权重和第四权重，所述第一权重用于反映所述经营获客得分对所述目标业务得分的权重，所述第二权重用于反映所述经营管理得分对所述目标业务得分的权重，所述第三权重用于反映所述经营风险得分对所述目标业务得分的权重，所述第四权重用于反映所述网格覆盖度得分对所述目标业务得分的权重；
根据所述特征向量，求解所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分的加权和，得到所述当期综合业务得分。
可选地，处理模块12具体用于：
根据所述历史综合业务得分和所述当期综合业务得分，确定所述至少一个业务服务点的业务得分的环比增长率；
根据所述历史综合业务得分、所述当期综合业务得分和所述环比增长率，通过如下公式计算所述至少一个业务服务点的目标业务得分：
Starget＝Spresent(1+α)(1-β)+βShistory
其中，Starget表示目标业务得分，Spresent表示当期综合业务得分，Shistory表示历史综合业务得分，α表示环比增长率，β表示历史影响权重。
可选地，所述成对比较矩阵表示为：
Figure BDA0002995456040000301
其中，ai,j表示ai(i＝1,2,3,4)对aj(i＝1,2,3,4)的重要程度，a1表示经营获客得分，a2表示经营管理得分，a3表示所述经营风险得分，a4表示网格覆盖度得分。
可选地，处理模块12具体用于：
根据所述经营获客积分规则、经营管理积分规则和经营风险积分规则，分别对所述经营获客特征数据、所述经营管理特征数据和所述经营风险特征数据进行得分计算，得到所述至少一个业务服务点的经营获客积分、经营管理积分和经营风险积分；
对所述经营获客积分、所述经营管理积分和所述经营风险积分进行归一化处理，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分。
可选地，处理模块12具体用于：
对所述至少一个业务服务点的经营获客积分进行排序，得到经营获客最高积分；
根据所述至少一个业务服务点的经营获客积分和所述经营获客最高积分，通过如下公式计算得到所述至少一个业务服务点的经营获客得分：
Figure BDA0002995456040000302
其中，Sclient_nor表示经营获客得分，Sclient表示经营获取积分，Sclient_max表示经营获客最高积分。
可选地，处理模块12具体用于：
对所述至少一个业务服务点的经营管理积分进行排序，得到经营管理最高积分和经营管理最低积分；
根据所述至少一个业务服务点的经营管理积分、所述经营管理最高积分和所述经营管理最低积分，通过如下公式计算得到所述至少一个业务服务点的经营管理得分：
Figure BDA0002995456040000311
其中，Smanage_nor表示经营管理得分，Smanage表示经营管理积分，Smanage_max表示经营管理最高积分，Smanage_min表示经营管理最低积分。
可选地，处理模块12具体用于：
对所述至少一个业务服务点的经营风险积分进行排序，得到经营风险最高积分和经营风险最低积分；
根据所述至少一个业务服务点的经营风险积分、所述经营风险最高积分和所述经营风险最低积分，通过如下公式计算得到所述至少一个业务服务点的经营风险得分：
Figure BDA0002995456040000312
其中，Srisk_nor表示经营风险得分，Srisk表示经营风险积分，Srisk_max表示经营风险最高积分，Srisk_min表示经营风险最低积分。
可选地，处理模块12还用于：
确定所述至少一个业务服务点所在的目标网格区域；
根据所述目标网格区域的网格内服务点数，通过如下公式确定所述至少一个业务服务点网格覆盖度，：
Sgrid＝1/n
其中，Sgrid表示网格覆盖度得分，n表示目标网格区域的网格内的业务服务点个数。
可选地，处理模块12具体用于：
获取预设的区域划分网格和所述至少一个业务服务点的位置信息；
根据所述区域划分网格内各网格区域与所述至少一个业务服务点的位置相对关系，确定所述至少一个业务服务点所在的目标网格区域。
可选地，分类模块13具体用于：
获取分类级别参数，所述分类级别参数包括分类级别数和每个分类级别中业务服务点个数的期望占比；
根据所述分类级别参数和所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
可选地，分类模块13具体用于：
根据所述目标业务得分，对所述至少一个业务服务点的进行排序；
根据所述分类级别参数，对排序后的所述至少一个业务服务点进行初始聚类，得到预设数量的初始聚类中心，所述预设数量与所述分类级别数一致；
基于所述初始聚类中心，对所述至少一个业务服务点进行Kmeans聚类，得到所述至少一个业务服务点的分类级别。
可选地，分类模块13具体用于：
根据所述至少一个业务服务点的排列顺序和所述分类级别参数，对所述至少一个业务服务点进行分箱；
确定出每个分箱中目标业务得分的中位数对应的目标业务服务点，并以所述目标业务服务点作为各分箱的初始聚类中心。
可选地，获取模块11具体用于：
从业务***数据库中获取所述至少一个业务服务点在当前评估周期的业务流水数据和经营状况数据；
对所述业务流水数据和所述经营状况数据进行预处理，得到所述至少一个业务服务点的业务评估数据，所述业务评估数据包括经营获客数据、经营管理数据和经营风险数据，所述预处理包括抽取、清洗、转换、加载中的至少一种；
按照预设评估指标，对所述业务评估数据进行特征提取，得到所述至少一个业务服务点的业务特征数据，所述预设评估指标包括经营获客评估指标、经营管理评估指标和经营风险评估指标。
可选地，所述经营获客评估指标包括周期交易量、周期服务客户数、累计签约客户数、资金沉淀量和累积公众号关注客户数中的至少一项。
可选地，所述经营管理评估指标至少包括合作模式和经营者文化程度中的至少一项。
可选地，所述经营风险评估指标包括周期非正常交易次数、周期上级巡检次数、周期加入黑名单次数中的至少一项。
本实施例所提供的业务服务点的分类装置可执行上述方法实施例所提供的业务服务点的分类方法，具备执行方法相应的功能模块和有益效果。本实施例的实现原理和技术效果与上述方法实施例类似，此处不再一一赘述。
实施例五
图10为本申请实施例五提供的一种电子设备的结构示意图，如图10所示，该电子设备20包括存储器21、处理器22及存储在存储器上并可在处理器上运行的计算机程序；电子设备20处理器22的数量可以是一个或多个，图10中以一个处理器22为例；电子设备20中的处理器22、存储器21可以通过总线或其他方式连接，图10中以通过总线连接为例。
存储器21作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的获取模块11、处理模块12和分类模块13对应的程序指令/模块。处理器22通过运行存储在存储器21中的软件程序、指令以及模块，从而执行设备/终端/服务器的各种功能应用以及数据处理，即实现上述的业务服务点的分类方法。
存储器21可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器21可进一步包括相对于处理器22远程设置的存储器，这些远程存储器可以通过网格连接至设备/终端/服务器。上述网格的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例六
本申请实施例六还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由计算机处理器执行时用于执行一种业务服务点的分类方法，该方法包括：
获取至少一个业务服务点在当前评估周期的业务特征数据，所述业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据；
根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分；
根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
当然，本申请实施例所提供的一种包计算机可读存储介质，其计算机程序不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的业务服务点的分类方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，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，服务器，或者网格设备等)执行本申请各个实施例所述的方法。
值得注意的是，上述业务服务点的分类装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (22)

1.一种业务服务点的分类方法，其特征在于，包括：
获取至少一个业务服务点在当前评估周期的业务特征数据，所述业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据；
根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分；
根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
2.根据权利要求1所述的方法，其特征在于，所述根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分，包括：
按照预设积分规则，对所述业务特征数据进行统计，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分；
采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分。
3.根据权利要求2所述的方法，其特征在于，所述采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分，包括：
获取所述至少一个业务服务点在历史评估周期的历史综合业务得分和预先构建的成对比较矩阵，所述成对比较矩阵用于反映所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分两两之间的相对重要程度；
根据所述成对比较矩阵、所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分，计算所述至少一个业务服务点的在当前评估周期的当期综合业务得分；
根据所述历史综合业务得分和所述当期综合业务得分，计算所述至少一个业务服务点的目标业务得分。
4.根据权利要求3所述的方法，其特征在于，所述根据所述成对比较矩阵、所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分，计算所述至少一个业务服务点的在当前评估周期的当期综合业务得分，包括：
对所述成对比较矩阵进行归一化，得到特征向量，所述特征向量中包括第一权重、第二权重、第三权重和第四权重，所述第一权重用于反映所述经营获客得分对所述目标业务得分的权重，所述第二权重用于反映所述经营管理得分对所述目标业务得分的权重，所述第三权重用于反映所述经营风险得分对所述目标业务得分的权重，所述第四权重用于反映所述网格覆盖度得分对所述目标业务得分的权重；
根据所述特征向量，求解所述经营获客得分、所述经营管理得分、所述经营风险得分和所述网格覆盖度得分的加权和，得到所述当期综合业务得分。
5.根据权利要求3所述的方法，其特征在于，所述根据所述历史综合业务得分和所述当期综合业务得分，计算所述至少一个业务服务点的目标业务得分，包括：
根据所述历史综合业务得分和所述当期综合业务得分，确定所述至少一个业务服务点的业务得分的环比增长率；
根据所述历史综合业务得分、所述当期综合业务得分和所述环比增长率，通过如下公式计算所述至少一个业务服务点的目标业务得分：
Starget＝Spresent(1+α)(1-β)+βShistory
其中，Starget表示目标业务得分，Spresent表示当期综合业务得分，Shistory表示历史综合业务得分，α表示环比增长率，β表示历史影响权重。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述成对比较矩阵表示为：
Figure FDA0002995456030000031
其中，ai,j表示ai(i＝1,2,3,4)对aj(i＝1,2,3,4)的重要程度，a1表示经营获客得分，a2表示经营管理得分，a3表示所述经营风险得分，a4表示网格覆盖度得分。
7.根据权利要求2所述的方法，其特征在于，所述预设积分规则包括经营获客积分规则、经营管理积分规则和经营风险积分规则，所述按照预设积分规则，对所述业务特征数据进行统计，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分，包括：
根据所述经营获客积分规则、经营管理积分规则和经营风险积分规则，分别对所述经营获客特征数据、所述经营管理特征数据和所述经营风险特征数据进行得分计算，得到所述至少一个业务服务点的经营获客积分、经营管理积分和经营风险积分；
对所述经营获客积分、所述经营管理积分和所述经营风险积分进行归一化处理，得到所述至少一个业务服务点的经营获客得分、经营管理得分和经营风险得分。
8.根据权利要求7所述的方法，其特征在于，对所述经营获客积分进行归一化处理，得到所述至少一个业务服务点的经营获客得分，包括：
对所述至少一个业务服务点的经营获客积分进行排序，得到经营获客最高积分；
根据所述至少一个业务服务点的经营获客积分和所述经营获客最高积分，通过如下公式计算得到所述至少一个业务服务点的经营获客得分：
Figure FDA0002995456030000041
其中，Sclient_nor表示经营获客得分，Sclient表示经营获取积分，Sclient_max表示经营获客最高积分。
9.根据权利要求7所述的方法，其特征在于，对所述经营管理积分进行归一化处理，得到所述至少一个业务服务点的经营管理得分，包括：
对所述至少一个业务服务点的经营管理积分进行排序，得到经营管理最高积分和经营管理最低积分；
根据所述至少一个业务服务点的经营管理积分、所述经营管理最高积分和所述经营管理最低积分，通过如下公式计算得到所述至少一个业务服务点的经营管理得分：
Figure FDA0002995456030000042
其中，Smanage_nor表示经营管理得分，Smanage表示经营管理积分，Smanage_max表示经营管理最高积分，Smanage_min表示经营管理最低积分。
10.根据权利要求7所述的方法，其特征在于，对所述经营风险积分进行归一化处理，得到所述至少一个业务服务点的经营风险得分包括：
对所述至少一个业务服务点的经营风险积分进行排序，得到经营风险最高积分和经营风险最低积分；
根据所述至少一个业务服务点的经营风险积分、所述经营风险最高积分和所述经营风险最低积分，通过如下公式计算得到所述至少一个业务服务点的经营风险得分：
Figure FDA0002995456030000051
其中，Srisk_nor表示经营风险得分，Srisk表示经营风险积分，Srisk_max表示经营风险最高积分，Srisk_min表示经营风险最低积分。
11.根据权利要求2所述的方法，其特征在于，所述采用所述层次分析模型以所述目标业务得分作为最高层，以所述经营获客得分、所述经营管理得分、所述经营风险得分和网格覆盖度得分作为中间层，以所述至少一个业务服务点作为最低层，计算所述至少一个业务服务点的目标业务得分之前，所述方法还包括：
确定所述至少一个业务服务点所在的目标网格区域；
根据所述目标网格区域的网格内服务点数，通过如下公式确定所述至少一个业务服务点网格覆盖度：
Sgrid＝1/n
其中，Sgrid表示网格覆盖度得分，n表示目标网格区域的网格内的业务服务点个数。
12.根据权利要求11所述的方法，其特征在于，所述确定所述至少一个业务服务点所在的目标网格区域，包括：
获取预设的区域划分网格和所述至少一个业务服务点的位置信息；
根据所述区域划分网格内各网格区域与所述至少一个业务服务点的位置相对关系，确定所述至少一个业务服务点所在的目标网格区域。
13.根据权利要求1所述的方法，其特征在于，所述根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别，包括：
获取分类级别参数，所述分类级别参数包括分类级别数和每个分类级别中业务服务点个数的期望占比；
根据所述分类级别参数和所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
14.根据权利要求13所述的方法，其特征在于，所述根据所述分类级别参数和所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别，包括：
根据所述目标业务得分，对所述至少一个业务服务点的进行排序；
根据所述分类级别参数，对排序后的所述至少一个业务服务点进行初始聚类，得到预设数量的初始聚类中心，所述预设数量与所述分类级别数一致；
基于所述初始聚类中心，对所述至少一个业务服务点进行Kmeans聚类，得到所述至少一个业务服务点的分类级别。
15.根据权利要求14所述的方法，其特征在于，所述根据所述分类级别参数，对排序后的所述至少一个业务服务点进行初始聚类，得到预设数量的初始聚类中心，包括：
根据所述至少一个业务服务点的排列顺序和所述分类级别参数，对所述至少一个业务服务点进行分箱；
确定出每个分箱中目标业务得分的中位数对应的目标业务服务点，并以所述目标业务服务点作为各分箱的初始聚类中心。
16.根据权利要求1所述的方法，所述获取至少一个业务服务点在当前评估周期的业务特征数据，包括：
从业务***数据库中获取所述至少一个业务服务点在当前评估周期的业务流水数据和经营状况数据；
对所述业务流水数据和所述经营状况数据进行预处理，得到所述至少一个业务服务点的业务评估数据，所述业务评估数据包括经营获客数据、经营管理数据和经营风险数据，所述预处理包括抽取、清洗、转换、加载中的至少一种；
按照预设评估指标，对所述业务评估数据进行特征提取，得到所述至少一个业务服务点的业务特征数据，所述预设评估指标包括经营获客评估指标、经营管理评估指标和经营风险评估指标。
17.根据权利要求16所述的方法，其特征在于，所述经营获客评估指标包括周期交易量、周期服务客户数、累计签约客户数、资金沉淀量和累积公众号关注客户数中的至少一项。
18.根据权利要求16所述的方法，其特征在于，所述经营管理评估指标至少包括合作模式和经营者文化程度中的至少一项。
19.根据权利要求16所述的方法，其特征在于，所述经营风险评估指标包括周期非正常交易次数、周期上级巡检次数、周期加入黑名单次数中的至少一项。
20.一种业务服务点的分类装置，其特征在于，包括：
获取模块，用于获取至少一个业务服务点在当前评估周期的业务特征数据，所述业务特征数据包括经营获客特征数据、经营管理特征数据和经营风险特征数据；
处理模块，用于根据预设积分规则和层次分析模型，对所述业务特征数据进行加工处理，得到所述至少一个业务服务点的目标业务得分；
分类模块，用于根据所述目标业务得分，对所述至少一个业务服务点进行聚类，得到所述至少一个业务服务点的分类级别。
21.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-19中任一所述的业务服务点的分类方法。
22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-19中任一所述的业务服务点的分类方法。
CN202110328427.4A 2021-03-26 2021-03-26 业务服务点的分类方法、装置、电子设备和存储介质 Pending CN112836771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110328427.4A CN112836771A (zh) 2021-03-26 2021-03-26 业务服务点的分类方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110328427.4A CN112836771A (zh) 2021-03-26 2021-03-26 业务服务点的分类方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN112836771A true CN112836771A (zh) 2021-05-25

Family

ID=75930577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110328427.4A Pending CN112836771A (zh) 2021-03-26 2021-03-26 业务服务点的分类方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112836771A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361577A (zh) * 2021-05-31 2021-09-07 北京达佳互联信息技术有限公司 类别数据确定方法及装置、电子设备、存储介质
CN114884835A (zh) * 2022-05-10 2022-08-09 交通银行股份有限公司海南省分行 一种监测业务***的方法及装置
CN115862333A (zh) * 2022-12-07 2023-03-28 东南大学 考虑信息流特征的高速公路车路协同场景和功能划分方法
CN116450703A (zh) * 2023-03-31 2023-07-18 阿里巴巴（中国）有限公司 数据处理、统计、节点确定、建模方法及电子设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361577A (zh) * 2021-05-31 2021-09-07 北京达佳互联信息技术有限公司 类别数据确定方法及装置、电子设备、存储介质
CN113361577B (zh) * 2021-05-31 2024-02-27 北京达佳互联信息技术有限公司 类别数据确定方法及装置、电子设备、存储介质
CN114884835A (zh) * 2022-05-10 2022-08-09 交通银行股份有限公司海南省分行 一种监测业务***的方法及装置
CN115862333A (zh) * 2022-12-07 2023-03-28 东南大学 考虑信息流特征的高速公路车路协同场景和功能划分方法
CN115862333B (zh) * 2022-12-07 2023-11-21 东南大学 考虑信息流特征的高速公路车路协同场景和功能划分方法
CN116450703A (zh) * 2023-03-31 2023-07-18 阿里巴巴（中国）有限公司 数据处理、统计、节点确定、建模方法及电子设备
CN116450703B (zh) * 2023-03-31 2024-03-01 阿里巴巴（中国）有限公司 数据处理、统计、节点确定、建模方法及电子设备

Similar Documents

Publication Publication Date Title
CN112836771A (zh) 业务服务点的分类方法、装置、电子设备和存储介质
Bublyk et al. Structuring the fuzzy knowledge base of the IT industry impact factors
CN107506905A (zh) 一种改进的电网企业可持续发展综合评价方法
Chan et al. Establishing disaster resilience indicators for Tan-sui river basin in Taiwan
CN109872232A (zh) 涉及非法所得合法化行为的账户分类方法、装置、计算机设备及存储介质
Abbasianjahromi et al. Developing a project portfolio selection model for contractor firms considering the risk factor
Ghodousi et al. Analyzing public participant data to evaluate citizen satisfaction and to prioritize their needs via K-means, FCM and ICA
CN111932106B (zh) 一种有效实用的云制造任务与服务资源匹配方法
CN116739742A (zh) 信贷风控模型的监控方法、装置、设备及存储介质
Fontana et al. A MCDM model for urban water conservation strategies adapting simos procedure for evaluating alternatives intra-criteria
CN117436688A (zh) 一种基于电力营销数据的电费回收风险预警方法及***
CN116245379A (zh) 面向电网建设工程效果评价的指标权重优化方法及装置
Deng et al. A novel method for elimination of inconsistencies in ordinal classification with monotonicity constraints
US20160239492A1 (en) Process for Extracting Information from a Set of Data
CN115907719A (zh) 充电站分级运维管理方法及装置
CN115660425A (zh) 风偏闪络风险评价方法、***、设备、可读存储介质
Kangas et al. Fuzzy multicriteria approval method and its application to two forest planning problems
CN114118608A (zh) 电网业务配比优化方法、装置、终端及存储介质
CN114626940A (zh) 数据分析方法、装置及电子设备
CN113256124A (zh) 低效网点的筛选方法、装置、设备及存储介质
CN113743994A (zh) 一种供应商的旺季预测方法、***、设备及存储介质
Wong Using a general spatial pattern statistic to evaluate spatial segregation
Zeng A comparison study on the era of internet finance China construction of credit scoring system model
CN106503871A (zh) 一种基于多相似股票投票统计的股票近期预测方法
CN110825780A (zh) 一种基于聚集算法的创新资源评估方法及装置

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