CN113537693A - 人员风险等级获取方法、终端、存储装置 - Google Patents
人员风险等级获取方法、终端、存储装置 Download PDFInfo
- Publication number
- CN113537693A CN113537693A CN202110528759.7A CN202110528759A CN113537693A CN 113537693 A CN113537693 A CN 113537693A CN 202110528759 A CN202110528759 A CN 202110528759A CN 113537693 A CN113537693 A CN 113537693A
- Authority
- CN
- China
- Prior art keywords
- risk
- person
- risk level
- data set
- indexes
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种人员风险等级获取方法、终端、存储装置,该人员风险等级获取方法包括:S101:获取第一人员的风险信息,并对风险信息进行预处理以获取风险指标;S102:对风险指标进行特征选择,根据特征选择结果获取风险指标中的有效风险指标;S103:基于有效风险指标形成已知数据集、未知数据集,并通过已知数据集进行监督学习训练形成风险等级评估模型;S104:通过未知数据集优化风险等级评估模型,并利用优化后的风险等级评估模型获取第二人员的风险等级。本发明利用风险等级评估模型为人员进行评估的方式耗时短、效率高、工作量小,降低了人力成本,评估结果准确性高。
Description
技术领域
本发明涉及人员管理技术领域,尤其涉及一种人员风险等级获取方法、终端、存储装置。
背景技术
目前,在实际应用中,风险等级评估需要一一为每个人员进行评估,耗时长、工作量大、人力成本高,而且容易受评估的人员自身情绪以及外界环境影响,评估方式不准确,容易出现风险等级评估错误。
发明内容
为了克服现有技术的不足,本发明提出一种人员风险等级获取方法、终端、存储装置,获取人员的风险指标后,通过特征选择的方式筛选有效风险指标,并使用有效风险指标以及第一人员的风险等级进行监督学习训练形成风险等级评估模型,能够筛选出与风险评估相关的有效风险指标,提高了风险评估的准确性,并且通过使用大数据训练形成风险等级评估模型为每个人员进行评估的方式耗时短、效率高、工作量小,降低了人力成本。
为解决上述问题,本发明采用的一种人员风险等级获取方法,所述人员风险等级获取方法包括:所述人员风险等级获取方法包括:S101:获取第一人员的风险信息,并对所述风险信息进行预处理以获取风险指标,所述风险指标包括静态风险指标、动态风险指标;S102:对所述风险指标进行特征选择,根据特征选择结果获取所述风险指标中的有效风险指标;S103:基于所述有效风险指标形成已知数据集、未知数据集,并通过所述已知数据集进行监督学习训练形成风险等级评估模型,所述已知数据集包括所述第一人员对应的风险等级,所述未知数据集不包括所述第一人员对应的风险等级;S104:获取所述风险等级评估模型对所述未知数据集中数据的预测结果,根据所述预测结果优化所述风险等级评估模型,利用优化后的所述风险等级评估模型获取第二人员的风险等级。
进一步地,所述对所述风险信息进行预处理的步骤具体包括:对所述风险信息依次进行数据提取、无纲量化、缺失值处理。
进一步地,所述对所述风险信息进行预处理以获取风险指标的步骤之后还包括:对所述风险指标的数据进行数据清洗。
进一步地,所述对所述风险指标进行特征选择的步骤具体包括:获取所述风险指标的pearson相关系数、信息增益,并根据所述pearson相关系数、信息增益获取所述风险指标的欧式距离。
进一步地,所述根据所述pearson相关系数、信息增益获取所述风险指标的欧式距离的步骤具体包括:将所述pearson相关系数、信息增益作为所述风险指标的坐标,根据所述坐标计算所述风险指标之间的欧式距离。
进一步地,所述根据特征选择结果获取所述风险指标中的有效风险指标的步骤具体包括:判断所述欧式距离是否大于预设值;若是,则确定所述风险指标为有效风险指标;若否,则确定所述风险指标不是有效风险指标。
进一步地,所述基于所述有效风险指标形成已知数据集、未知数据集的步骤具体包括:判断所述有效风险指标对应的第一人员是否存在风险等级,所述数据至少包括所述第一人员的有效指标;若是,则将所述第一人员对应的数据放入已知数据集;若否,则将所述第一人员的数据放入未知数据集。
进一步地,所述通过所述已知数据集进行监督学习训练形成风险等级评估模型的步骤具体包括:将所述已知数据集分为训练集、测试集,通过所述训练集、测试集进行监督学习训练形成风险等级评估模型,并根据所述风险等级评估模型的准确率调整训练参数。
基于相同的发明构思,本发明还提出一种智能终端,所述智能终端包括处理器、存储器,所述处理器与所述存储器通信连接,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如上所述的人员风险等级获取方法。
基于相同的发明构思,本发明还提出一种存储装置,存储装置存储有程序数据,所述程序数据被用于执行如上所述的人员风险等级获取方法。
相比现有技术,本发明的有益效果在于:获取人员的风险指标后,通过特征选择的方式筛选有效风险指标,并使用有效风险指标以及第一人员的风险等级进行监督学习训练形成风险等级评估模型,能够筛选出与风险评估相关的有效风险指标,提高了风险评估的准确性,并且通过使用大数据训练形成风险等级评估模型为每个人员进行评估的方式耗时短、效率高、工作量小,降低了人力成本,评估结果准确性高。
附图说明
图1为本发明人员风险等级获取方法一实施例的流程图;
图2为本发明人员风险等级获取方法另一实施例的流程图;
图3为本发明智能终端一实施例的结构图;
图4为本发明存储装置一实施例的结构图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-2,其中,图1为本发明人员风险等级获取方法一实施例的流程图;图2为本发明人员风险等级获取方法另一实施例的流程图。结合图1-2对本发明的人员风险等级获取方法进行说明。
在本实施例中,执行该人员风险等级获取方法的设备可以为电脑、服务器、控制平台以及其他能够获取人员的风险指标,根据该风险指标执行人员风险等级获取方法的智能终端。其中,人员风险等级获取方法包括:
S101:获取人员的风险信息,并对风险信息进行预处理以获取风险指标,风险指标包括静态风险指标、动态风险指标。
在本实施例中,人员的风险信息以及风险信息中的风险指标可以通过人为分类及输入的方式获取,也可以在采集人员的信息后,根据各个风险指标的特征从人员的风险信息中提取。
在本实施例中,对风险指标的数据进行预处理方式包括数据提取、无纲量化以及缺失值处理。其中,数据提取用于提取风险信息中的风险指标的数据,无纲量化用于将不同规则的数据转换为同一规格以避免对度量单位数据的依赖性,可以采用标准化或归一化的方式进行无纲量化。在进行缺失值处理时机器学习算法填充、数据丢弃的方式对风险指标的数据进行缺失值处理。
在本实施例中,对风险信息进行预处理以获取风险指标后,还可以对风险指标的数据进行数据清洗以进一步出去数据中的不完整或错误数据。
S102:对风险指标进行特征选择,根据特征选择结果获取风险指标中的有效风险指标。
在本实施例中,对风险指标进行特征选择的步骤具体包括:获取风险指标的pearson相关系数、信息增益,并根据pearson相关系数、信息增益获取风险指标的欧式距离。其中,pearson相关系数、信息增益以及欧式距离的计算方式为现有技术在,在此不做赘述。
在本实施例中,根据pearson相关系数、信息增益获取风险指标的欧式距离的步骤具体包括:将pearson相关系数、信息增益作为风险指标的坐标,根据坐标计算风险指标之间的欧式距离。
在一个具体的实施例中,计算每一个风险指标的pearson相关系数(pr)、信息增益(ig),并将该相关系数、信息增益作为该风险指标的坐标(pr,ig),利用该坐标计算每个风险指标之间的欧式距离。
在本实施例中,获取风险指标中的有效风险指标的步骤具体包括:判断欧式距离是否大于预设值;若是,则确定风险指标为有效风险指标;若否,则确定风险指标不是有效风险指标。其中,预设值的大小可根据用户需求进行设置,只需能够避免不同有效风险指标之间的互相干扰即可。
在本实施例中,有效风险指标的级数(深度)n可根据有效指标的类型、与风险的关联信息等数据进行对应设置,如年龄这个有效指标包括0-18、18-60这两个二级指标。
S103:基于有效风险指标形成已知数据集、未知数据集,并通过已知数据集进行监督学习训练形成风险等级评估模型,已知数据集包括第一人员对应的风险等级,未知数据集不包括第一人员对应的风险等级。
在本实施例中,基于有效风险指标形成已知数据集、未知数据集的步骤具体包括:判断有效风险指标对应的第一人员是否存在风险等级,数据至少包括第一人员的有效指标;若是,则将第一人员对应的数据放入已知数据集;若否,则将第一人员的数据放入未知数据集。
在本实施例中,通过已知数据集进行监督学习训练形成风险等级评估模型的步骤具体包括:将已知数据集分为训练集、测试集,通过训练集、测试集进行监督学习训练形成风险等级评估模型,并根据风险等级评估模型的准确率调整训练参数。
S104:获取风险等级评估模型对未知数据集中数据的预测结果,根据预测结果优化风险等级评估模型,利用优化后的风险等级评估模型获取第二人员的风险等级。
在一个具体的实施例中,将包括人员有效指标的数据分为已知数据集、未知数据集,通过已知数据集中的训练集、测试集进行监督学习算法训练形成风险等级评估模型,判断该风险等级评估模型对测试集中数据的预测结果的准确率是否大于预设概率,在达不到预设概率时调整风险等级评估模型的训练参数,并在此进行训练。在达到预设概率时,将位置数据集中的数据输入风险等级评估模型获取预测结果,判断预测结果是否准确或达到期望值,若是,确定模型训练成功,若否,则将未知数据集以及未知数据集的中第一人员对应的风险等级添加到已知数据集中的训练集,并进行再次训练以优化风险等级评估模型。其中,期望值可以为人员对未知数据集中第一人员的风险等级判断信息,通过人员输入的信息判断预测结果是否准确。
在其他实施例中,也可以在获取预测结果中,查找预存的且与未知数据集中第一人员对应的风险等级,判断该风险等级与预测结果是否相同或偏差不大于预设偏差阈值,若是,则确定预测结果准确,若否,则确定预测结果不准确。
在本实施例中,通过将第二人员的有效风险指标相关的数据输入风险等级评估模型的方式得到第二人员的风险等级。
在本实施例中,还可以获取第二人员的风险分,通过将风险分与风险等级结合的方式获取第二人员的风险等级。
其中,获取风险分的步骤包括:对有效风险指标的每一级指标进行AHP层次分析,根据分析结果获取每个有效风险指标的权重。根据每个有效风险分的权重对第二人员进行风险评估以获取风险分。
在本实施例中,对有效风险指标的每一级指标进行AHP层次分析的步骤具体包括:获取每一级指标的随机一致性指标、当前矩阵一致性指标,通过随机一致性指标、当前矩阵一致性指标进行一致性校验,根据一致性校验的校验结果获取有效风险指标的评估变量及评估变量的权重。
在本实施例中,根据人员对每一级指标的重要程度判断信息生成判断矩阵,利用该判断矩阵得到每一级指标的当前矩阵一致性指标。
在一个具体的实施例中,对于深度为n的有效风险指标中的i级指标分别生成该级指标的随机一致性指标RI、判断矩阵,利用判断矩阵生成当前矩阵一致性指标CI,并通过随机一致性指标RI和当前矩阵一致性指标CI进行一致性校验CR=CI/RI,得到校验结果CR。
在本实施例中,根据一致性校验的校验结果获取有效风险指标中每一级指标的权重的步骤具体包括:判断一致性校验结果是否小于预设阈值;若是,对指标进行层次排序,根据排序结果获取有效风险指标中每一级指标的权重;若否,则再次获取指标的当前矩阵一致性指标,并根据当前一致性指标进行一致性校验,直至一致性校验结果小于预设阈值。
在一个具体的实施例中,预设阈值为0.1。
在本实施例中,根据分析结果获取每个有效风险指标的权重的步骤具体包括:对有效风险指标中每一级指标的权重进行层次总排序,根据总排序的结果获取每个有效风险指标的权重。
在本实施例中,通过有效风险指标的权重对第二人员风险评估以获取风险分的步骤具体包括:基于有效风险指标的权重以及第二人员的有效风险指标对第二人员进行绝对风险指标评估、预测风险指数评估,并通过评估结果获取第二人员的风险分。
在本实施例中,根据人员的风险信息得到第二人员具备的有效风险指标相关的数据,并通过有效风险指标的权重得到被评估的第二人员具有的有效风险指标的权重,通过该权重进行绝对风险指数评估。
在本实施例中,根据第二人员的风险等级进行预测风险指数评估。其中,第二人员的风险等级可以通过人为评估的方式得到,也可以建立风险等级评估模型,利用风险等级评估模型得到第二人员的风险等级。
在一个具体的实施例中,通过公式Pk∈{10,35,60,85}计算预测风险指数,其中,Pk为预测风险指数,第二人员的风险等级为一般风险时预测风险指数为P=10,三级风险时,预测风险指数为35,为二级风险时,预测风险指数为35,一级风险时预测风险指数为85。
在本实施例中,通过评估结果获取第二人员的风险分的步骤具体包括:通过公式Y(k)=αAk+βPk获取第二人员的风险分,其中,Y(k)为风险分,Pk为绝对风险指数,α、β为固定参数。
本发明的有益效果在于:获取人员的风险指标后,通过特征选择的方式筛选有效风险指标,并使用有效风险指标以及第一人员的风险等级进行监督学习训练形成风险等级评估模型,能够筛选出与风险评估相关的有效风险指标,提高了风险评估的准确性,并且通过使用大数据训练形成风险等级评估模型为每个人员进行评估的方式耗时短、效率高、工作量小,降低了人力成本,评估结果准确性高。
基于相同的发明构思,本发明还提出一种智能终端,请参阅图3,图3为本发明智能终端一实施例的结构图,结合图3对本发明的智能终端进行说明。
在本实施例中,智能终端包括处理器、存储器,处理器与存储器通信连接,存储器存储有计算机程序,处理器根据该计算机程序实现如上述实施例所述的人员风险等级获取方法。
其中,处理器用于控制该智能终端的整体操作,以完成上述的人员风险等级获取方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该智能终端的操作,这些数据例如可以包括用于在该智能终端上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
基于相同的发明构思,本发明还提出一种存储装置,请参阅图4,图4为本发明存储装置一实施例的结构图,结合图4对本发明的存储装置进行说明。
在本实施例中,存储装置存储有程序数据,所述程序数据被用于执行如上述实施例所述的人员风险等级获取方法。
其中,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种人员风险等级获取方法,其特征在于,所述人员风险等级获取方法包括:
S101:获取第一人员的风险信息,并对所述风险信息进行预处理以获取风险指标,所述风险指标包括静态风险指标、动态风险指标;
S102:对所述风险指标进行特征选择,根据特征选择结果获取所述风险指标中的有效风险指标;
S103:基于所述有效风险指标形成已知数据集、未知数据集,并通过所述已知数据集进行监督学习训练形成风险等级评估模型,所述已知数据集包括所述第一人员对应的风险等级,所述未知数据集不包括所述第一人员对应的风险等级;
S104:获取所述风险等级评估模型对所述未知数据集中数据的预测结果,根据所述预测结果优化所述风险等级评估模型,利用优化后的所述风险等级评估模型获取第二人员的风险等级。
2.如权利要求1所述的人员风险等级获取方法,其特征在于,所述对所述风险信息进行预处理的步骤具体包括:
对所述风险信息依次进行数据提取、无纲量化、缺失值处理。
3.如权利要求1所述的人员风险等级获取方法,其特征在于,所述对所述风险信息进行预处理以获取风险指标的步骤之后还包括:
对所述风险指标的数据进行数据清洗。
4.如权利要求1所述的人员风险等级获取方法,其特征在于,所述对所述风险指标进行特征选择的步骤具体包括:
获取所述风险指标的pearson相关系数、信息增益,并根据所述pearson相关系数、信息增益获取所述风险指标的欧式距离。
5.如权利要求4所述的人员风险等级获取方法,其特征在于,所述根据所述pearson相关系数、信息增益获取所述风险指标的欧式距离的步骤具体包括:
将所述pearson相关系数、信息增益作为所述风险指标的坐标,根据所述坐标计算所述风险指标之间的欧式距离。
6.如权利要求4所述的人员风险等级获取方法,其特征在于,所述根据特征选择结果获取所述风险指标中的有效风险指标的步骤具体包括:
判断所述欧式距离是否大于预设值;
若是,则确定所述风险指标为有效风险指标;
若否,则确定所述风险指标不是有效风险指标。
7.如权利要求1所述的人员风险等级获取方法,其特征在于,所述基于所述有效风险指标形成已知数据集、未知数据集的步骤具体包括:
判断所述有效风险指标对应的第一人员是否存在风险等级,所述数据至少包括所述第一人员的有效指标;
若是,则将所述第一人员对应的数据放入已知数据集;
若否,则将所述第一人员的数据放入未知数据集。
8.如权利要求1所述的人员风险等级获取方法,其特征在于,所述通过所述已知数据集进行监督学习训练形成风险等级评估模型的步骤具体包括:
将所述已知数据集分为训练集、测试集,通过所述训练集、测试集进行监督学习训练形成风险等级评估模型,并根据所述风险等级评估模型的准确率调整训练参数。
9.一种智能终端,其特征在于,所述智能终端包括处理器、存储器,所述处理器与所述存储器通信连接,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如权利要求1-8任一项所述的人员风险等级获取方法。
10.一种存储装置,其特征在于,所述存储装置存储有程序数据,所述程序数据被用于执行如权利要求1-8任一项所述的人员风险等级获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528759.7A CN113537693A (zh) | 2021-05-14 | 2021-05-14 | 人员风险等级获取方法、终端、存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110528759.7A CN113537693A (zh) | 2021-05-14 | 2021-05-14 | 人员风险等级获取方法、终端、存储装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537693A true CN113537693A (zh) | 2021-10-22 |
Family
ID=78095398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110528759.7A Pending CN113537693A (zh) | 2021-05-14 | 2021-05-14 | 人员风险等级获取方法、终端、存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537693A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862242A (zh) * | 2023-08-28 | 2023-10-10 | 苏州真趣信息科技有限公司 | 一种以不安全作业行为评估区域风险等级的方法和*** |
CN117634873A (zh) * | 2023-11-15 | 2024-03-01 | 中国人寿保险股份有限公司江苏省分公司 | 一种评估保险行业销售人员风险的***和方法 |
-
2021
- 2021-05-14 CN CN202110528759.7A patent/CN113537693A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862242A (zh) * | 2023-08-28 | 2023-10-10 | 苏州真趣信息科技有限公司 | 一种以不安全作业行为评估区域风险等级的方法和*** |
CN116862242B (zh) * | 2023-08-28 | 2023-11-24 | 苏州真趣信息科技有限公司 | 一种以不安全作业行为评估区域风险等级的方法和*** |
CN117634873A (zh) * | 2023-11-15 | 2024-03-01 | 中国人寿保险股份有限公司江苏省分公司 | 一种评估保险行业销售人员风险的***和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112494952B (zh) | 目标游戏用户的检测方法、装置及设备 | |
CN117056734B (zh) | 基于数据驱动的设备故障诊断模型的构建方法及装置 | |
CN113537693A (zh) | 人员风险等级获取方法、终端、存储装置 | |
CN105786711A (zh) | 一种数据分析的方法及装置 | |
CN113468034A (zh) | 数据质量评估方法、装置、存储介质和电子设备 | |
CN115729761B (zh) | 一种硬盘故障预测方法、***、设备及介质 | |
EP4273750A1 (en) | Data processing method and apparatus, computing device, and test simplification device | |
CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN115271282A (zh) | 基于模糊逻辑的客户价值确定方法及装置 | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及*** | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与*** | |
CN113537692A (zh) | 基于风险指标的人员风险评估方法、终端、存储装置 | |
CN114862092A (zh) | 一种基于神经网络的评标方法及设备 | |
CN113537694A (zh) | 人员风险分获取方法、终端以及存储装置 | |
CN112463378B (zh) | 一种服务器资产扫描方法、***、电子设备及存储介质 | |
CN113742216B (zh) | 一种检测机器学习引擎的效率的方法、装置和存储介质 | |
CN117419427B (zh) | 一种基于智慧车间的恒温恒湿风柜控制方法及*** | |
CN117933832B (zh) | 航天器地面等效性试验的指标权重评估方法 | |
CN117216081B (zh) | 题库自动更新方法、装置、电子设备和存储介质 | |
CN116051166A (zh) | 列表排序方法、装置、电子设备及介质 | |
CN116108974A (zh) | 一种考虑气象因素的需求响应基线负荷预测方法及装置 |
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 |