CN113592366A - 一种基于人工智能的业务策略制定方法及装置 - Google Patents
一种基于人工智能的业务策略制定方法及装置 Download PDFInfo
- Publication number
- CN113592366A CN113592366A CN202111132394.2A CN202111132394A CN113592366A CN 113592366 A CN113592366 A CN 113592366A CN 202111132394 A CN202111132394 A CN 202111132394A CN 113592366 A CN113592366 A CN 113592366A
- Authority
- CN
- China
- Prior art keywords
- business
- enterprise
- data
- interest rate
- service
- 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 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 238000012502 risk assessment Methods 0.000 claims abstract description 89
- 238000009472 formulation Methods 0.000 claims abstract description 40
- 239000000203 mixture Substances 0.000 claims abstract description 40
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 67
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000007667 floating Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 230000007115 recruitment Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Accounting & Taxation (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供的基于人工智能的业务策略制定方法及装置。首先,从业务对象的数据维度信息提取建模数据特征参量;接着,通过建模数据特征参量创建业务风险评估模型,并得到不同业务风险评估得分;再接着,对不同业务风险评估得分进行排序后的序列进行分组;然后,构建业务策略制定模型;最后,将历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。本方案通过使用业务对象的数据维度信息进行业务风险评估模型创建,并基于业务风险评估得分分组对业务对象进行更加细致分类,并能够基于更加细致的分组给出对应的业务策略,相对于现有技术,可以适用的场景更多,制定的业务策略更精准,通用性更强。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于人工智能的业务策略制定方法及装置。
背景技术
由于业务对象自身情况(比如风险情况)存在不同,在制定业务策略时,常常需要对不同的业务对象进行分类,以便基于不同的分类制定相应的业务策略,然而,在现有技术中,针对不同分类的业务对象制定的业务策略方案常常受场景影响较大,且业务策略较为笼统,通用性较弱。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于人工智能的业务策略制定方法、装置及计算机可读存储介质,用于解决上述技术问题。
第一方面,本申请实施例提供一种基于人工智能的业务策略制定方法,应用于计算机设备,所述方法包括:
获取业务对象的数据维度信息;
从所述数据维度信息中提取得到建模数据特征参量;
基于所述建模数据特征参量创建业务风险评估模型,并通过所述业务风险评估模型输出业务对象的不同业务风险评估得分;
通过所述不同业务风险评估得分进行排序得到业务风险评估得分序列,将所述业务风险评估得分序列进行分组,并分别计算每个分组中业务对象的业务不良状态率及业务完成率;
基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型;
获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。
上述方案,首先,从业务对象的数据维度信息提取建模数据特征参量;接着,通过建模数据特征参量创建业务风险评估模型,并得到不同业务风险评估得分;再接着,对不同业务风险评估得分进行排序后的序列进行分组;然后,基于预设的业务目标、上述分组的业务信息、业务回报率限制条件等构建业务策略制定模型;最后,将历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。本方案通过使用业务对象的数据维度信息进行业务风险评估模型创建,并基于业务风险评估得分分组对业务对象进行更加细致分类,并能够基于更加细致的分组给出对应的业务策略,相对于现有技术,可以适用的场景更多,制定的业务策略更精准,通用性更强。
在一种可能的实现方式中,所述建模数据特征参量包括业务对象的风险得分及业务数据特征信息;所述基于所述建模数据特征参量创建业务风险评估模型的步骤,包括:
创建所述业务风险评估模型的特征提取子模型及风险评估子模型,其中,所述特征提取子模型中配置由特征提取规则;
将业务数据特征信息输入所述特征提取子模型中,由所述特征提取子模型按照所述特征提取规则从所述业务数据特征信息中提取出业务对象的业务特征向量;
由所述特征提取子模型将所述业务特征向量输入到所述风险评估子模型中得到风险评估得分,基于所述风险评估得分与所述风险得分,计算所述特征提取子模型的损失函数值,在所述损失函数值大于预设损失函数阈值时,调整所述特征提取子模型中对所述业务特征向量中各个维度特征的加权权重,直到所述风险评估子模型的损失函数值小于预设损失函数阈值,得到创建好的业务风险评估模型。
在一种可能的实现方式中,在应用场景为企业借贷场景时,所述业务对象为企业,所述数据维度信息包括企业财报税务数据、企业***数据、企业基本信息、行政负面、司法数据、行内数据及企业征信报告,所述数据维度信息中提取得到建模数据特征参量的步骤,包括:
基于所述数据维度信息衍生得到衍生数据变量,其中,所述衍生数据变量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数、企业近三年经营相关的司法数、企业近半年的招聘数、企业近半年投资的企业数及企业法人对外投资企业数;
对所述衍生数据变量进行特征筛选与提取,得到建模数据特征参量,所述建模数据特征参量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数及企业近三年经营相关的司法数目。
在一种可能的实现方式中,所述预设的业务目标为最大收益目标,所述不同分组间的业务回报率采用利率阶梯方式给定,所述业务回报率限制条件为利率限制因素,所述业务不良状态率为分组区间对应的逾期率,所述业务完成率为逾期贷款的回收金额系数,在所述基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型的步骤中,构建的所述业务策略制定模型可以采用如下方程实现:
其中,n为根据风险分划分成n个区间,Ai为每一个分组区间的放款总额,r1,...,rn为分组区间对应的利率,b1,...,bn为分组区间对应的逾期率,γi为不同分组区间内逾期贷款的回收金额系数,rmin为目标金融机构设定的利率下限,rmax为目标金融机构设定的利率上限,step为各分组区间之间的利率差值,cost为基准利率r基准结合多种成本的成本总和,为贷款业务的利率均值,θ为根据业务限定的利率上浮额度;
其中,所述业务回报率限制条件包括:
所述目标金融机构的最大利率及最小利率在所述目标金融机构给定的利率范围之内,相邻分组区间之间的利率由利率差值step控制;
结合分组区间的逾期率,每个分组区间的利率大于分组区间的成本总和与逾期率之和;
贷款业务的利率均值不大于基准利率与利率上浮额度之和。
在一种可能的实现方式中,历史业务数据信息包括目标金融机构的成本、业务对象的风险参数及预期的收益率,所述获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略的步骤,包括:
基于所述目标金融机构的最大利率及最小利率,将历史业务数据信息输入到所述业务策略制定模型对应的方程中求解,在满足所述业务回报率限制条件的情况下,得到各个分组对应的业务策略,其中,业务策略包括各个分组对应的利率。
第二方面,本申请实施例还提供一种基于人工智能的业务策略制定装置,应用于计算机设备,所述装置包括:
获取模块,用于获取业务对象的数据维度信息;
提取模块,用于从所述数据维度信息中提取得到建模数据特征参量;
创建模块,用于基于所述建模数据特征参量创建业务风险评估模型,并通过所述业务风险评估模型输出业务对象的不同业务风险评估得分;
分组模块,用于通过所述不同业务风险评估得分进行排序得到业务风险评估得分序列,将所述业务风险评估得分序列进行分组,并分别计算每个分组中业务对象的业务不良状态率及业务完成率;
构建模块,用于基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型;
输出模块,用于获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。
在一种可能的实现方式中,所述建模数据特征参量包括业务对象的风险得分及业务数据特征信息,所述创建模块具体用于:
创建所述业务风险评估模型的特征提取子模型及风险评估子模型,其中,所述特征提取子模型中配置由特征提取规则;
将业务数据特征信息输入所述特征提取子模型中,由所述特征提取子模型按照所述特征提取规则从所述业务数据特征信息中提取出业务对象的业务特征向量;
由所述特征提取子模型将所述业务特征向量输入到所述风险评估子模型中得到风险评估得分,基于所述风险评估得分与所述风险得分,计算所述特征提取子模型的损失函数值,在所述损失函数值大于预设损失函数阈值时,调整所述特征提取子模型中对所述业务特征向量中各个维度特征的加权权重,直到所述风险评估子模型的损失函数值小于预设损失函数阈值,得到创建好的业务风险评估模型。
在一种可能的实现方式中,在应用场景为企业借贷场景时,所述业务对象为企业,所述数据维度信息包括企业财报税务数据、企业***数据、企业基本信息、行政负面、司法数据、行内数据及企业征信报告,所述提取模块具体用于:
基于所述数据维度信息衍生得到衍生数据变量,其中,所述衍生数据变量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数、企业近三年经营相关的司法数、企业近半年的招聘数、企业近半年投资的企业数及企业法人对外投资企业数;
对所述衍生数据变量进行特征筛选与提取,得到建模数据特征参量,所述建模数据特征参量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数及企业近三年经营相关的司法数目。
在一种可能的实现方式中,所述预设的业务目标为最大收益目标,所述不同分组间的业务回报率采用利率阶梯方式给定,所述业务回报率限制条件为利率限制因素,所述业务不良状态率为分组区间对应的逾期率,所述业务完成率为逾期贷款的回收金额系数,所述构建模块用于构建的所述业务策略制定模型可以采用如下方程实现:
其中,n为根据风险分划分成n个区间,Ai为每一个分组区间的放款总额,r1,...,rn为分组区间对应的利率,b1,...,bn为分组区间对应的逾期率,γi为不同分组区间内逾期贷款的回收金额系数,rmin为目标金融机构设定的利率下限,rmax为目标金融机构设定的利率上限,step为各分组区间之间的利率差值,cost为基准利率r基准结合多种成本的成本总和,为贷款业务的利率均值,θ为根据业务限定的利率上浮额度;
其中,所述业务回报率限制条件包括:
所述目标金融机构的最大利率及最小利率在所述目标金融机构给定的利率范围之内,相邻分组区间之间的利率由利率差值step控制;
结合分组区间的逾期率,每个分组区间的利率大于分组区间的成本总和与逾期率之和;
贷款业务的利率均值不大于基准利率与利率上浮额度之和。
在一种可能的实现方式中,历史业务数据信息包括目标金融机构的成本、业务对象的风险参数及预期的收益率,所述输出模块具体用于:
基于所述目标金融机构的最大利率及最小利率,将历史业务数据信息输入到所述业务策略制定模型对应的方程中求解,在满足所述业务回报率限制条件的情况下,得到各个分组对应的业务策略,其中,业务策略包括各个分组对应的利率。
第三方面,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于人工智能的业务策略制定方法。
第四方面,本申请实施例还提供一种计算机设备,所述计算机设备包括处理器、计算机可读存储介质和通信单元,所述计算机可读存储介质、所述通信单元以及所述处理器之间通过总线***相连,所述通信单元用于与至少一个终端设备通信连接,所述计算机可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述计算机可读存储介质中的程序、指令或代码,以实现第一方面或者第一方面中任意一个可能的实现方式中的基于人工智能的业务策略制定方法。
基于上述任意一个方面,首先,从业务对象的数据维度信息提取建模数据特征参量;接着,通过建模数据特征参量创建业务风险评估模型,并得到不同业务风险评估得分;再接着,对不同业务风险评估得分进行排序后的序列进行分组;然后,基于预设的业务目标、上述分组的业务信息、业务回报率限制条件等构建业务策略制定模型;最后,将历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。本方案通过使用业务对象的数据维度信息进行业务风险评估模型创建,并基于业务风险评估得分分组对业务对象进行更加细致分类,并能够基于更加细致的分组给出对应的业务策略,相对于现有技术,可以适用的场景更多,制定的业务策略更精准,通用性更强。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要调用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请实施例提供的基于人工智能的业务策略制定方法的流程示意图;
图2为本申请实施例提供的基于人工智能的业务策略制定装置的功能模块示意图;
图3为本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。
为了克服背景技术中的不足,发明人提供以下解决方案,请参照图1,图1为本申请实施例提供的基于人工智能的业务策略制定方法的流程示意图,本实施例提供的基于人工智能的业务策略制定方法可以由计算机设备执行,为了便于说明本申请的技术方案,下面结合一种可能的应用场景对该基于人工智能的业务策略制定方法进行详细介绍,其中,该可能的应用场景可以是用在金融借贷场景中,可以理解的是,本申请提供的技术方案还可以应用于其他场景,比如,基于大数据的产品信息推广等。下面以金融借贷场景为例对本申请提供的基于人工智能的业务策略制定方法进行介绍。
结合图1对该基于人工智能的业务策略制定方法的流程步骤进行详尽说明。
步骤S101,获取业务对象的数据维度信息。
其中,数据维度信息为业务对象在历史业务过程中产生的数据,具体的数据维度信息可以至少包括业务对象维度信息及业务服务维度信息,业务对象维度信息可以包括业务对象自身的属性信息,比如,业务对象的业务经历时限;业务服务维度信息可以包括业务服务自身的特性属性,比如业务服务的风险属性。
步骤S102,从数据维度信息中提取得到建模数据特征参量。
基于不同业务场景,可以预先配置不同的特征参数提取规则从数据维度信息中提取用于构建模型的建模数据特征参数,在本申请实施例中,建模数据特征参数中的参数可以是从单一数据中提取,也可以基于多个数据衍生得到。
步骤S103,基于建模数据特征参量创建业务风险评估模型,并通过业务风险评估模型输出业务对象的不同业务风险评估得分。
在本申请实施例中,建模数据特征参量可以包括业务对象的风险得分及业务数据特征信息,通过建模数据特征参量创建业务风险评估模型可以通过以下实现:
首先,创建所述业务风险评估模型的特征提取子模型及风险评估子模型,其中,所述特征提取子模型中配置由特征提取规则;
接着,将业务数据特征信息输入所述特征提取子模型中,由所述特征提取子模型按照所述特征提取规则从所述业务数据特征信息中提取出业务对象的业务特征向量;
最后,由所述特征提取子模型将所述业务特征向量输入到所述风险评估子模型中得到风险评估得分,基于所述风险评估得分与所述风险得分,计算所述特征提取子模型的损失函数值,在所述损失函数值大于预设损失函数阈值时,调整所述特征提取子模型中对所述业务特征向量中各个维度特征的加权权重,直到所述风险评估子模型的损失函数值小于预设损失函数阈值,得到创建好的业务风险评估模型。
具体地,在本申请实施例中,业务风险评估模型可以基于层次分析法构建,其中层次分析法是指将一个复杂的多目标决策问题作为一个***,将目标分解为多个目标或准则,进而分解为多指标(或准则、约束)的若干层次,通过定性指标模糊量化方法算出层次单排序(权数)和总排序,以作为目标(多指标)、多方案优化决策的***方法。层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。
步骤S104,通过不同业务风险评估得分进行排序得到业务风险评估得分序列,将业务风险评估得分序列进行分组,并分别计算每个分组中业务对象的业务不良状态率及业务完成率。
具体地,可以将不同业务风险评估得分进行降序排列,得到业务风险评估得分序列,并将业务风险评估得分序列等分成相应数量(比如,10个)的分组。然后单独计算每个分组中业务对象的业务不良状态率及业务完成率。
步骤S105,基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型。
在本申请实施例中,可以就上述参数构建业务策略制定模型的数学方程式,以便于后续基于该业务策略制定模型的数学方程式得到不同分组的业务策略。
步骤S106,获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。
上述方案通过使用业务对象的数据维度信息进行业务风险评估模型创建,并基于业务风险评估得分分组对业务对象进行更加细致分类,并能够基于更加细致的分组给出对应的业务策略,相对于现有技术,可以适用的场景更多,制定的业务策略更精准,通用性更强。
为了方便理解上述方案,现具体结合金融借贷场景对本申请实施例提供的方案中重要的步骤进行具体介绍。
在金融借贷场景中,业务对象可以为企业,述数据维度信息包括企业财报税务数据、企业***数据、企业基本信息、行政负面、司法数据、行内数据及企业征信报告等,步骤S102可以通过以下方式具体实现:
基于所述数据维度信息衍生得到衍生数据变量,其中,所述衍生数据变量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数、企业近三年经营相关的司法数、企业近半年的招聘数、企业近半年投资的企业数及企业法人对外投资企业数等;
对所述衍生数据变量进行特征筛选与提取,得到建模数据特征参量,所述建模数据特征参量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数及企业近三年经营相关的司法数目等。
在金融借贷场景中,所述预设的业务目标为最大收益目标,所述不同分组间的业务回报率采用利率阶梯方式给定,所述业务回报率限制条件为利率限制因素,所述业务不良状态率为分组区间对应的逾期率,所述业务完成率为逾期贷款的回收金额系数,在步骤S103中构建的所述业务策略制定模型可以采用如下方程实现:
其中,n为根据风险分划分成n个区间,Ai为每一个分组区间的放款总额,r1,...,rn为分组区间对应的利率,b1,...,bn为分组区间对应的逾期率,γi为不同分组区间内逾期贷款的回收金额系数,rmin为目标金融(比如,银行)机构设定的利率下限,rmax为目标金融机构设定的利率上限,step为各分组区间之间的利率差值,cost为基准利率r基准结合多种成本(比如,目标金融机构的获客成本、运营成本、资金成本等)的成本总和,为贷款业务的利率均值,θ为根据业务限定的利率上浮额度;
其中,所述业务回报率限制条件包括:
所述目标金融机构的最大利率及最小利率在所述目标金融机构给定的利率范围之内,相邻分组区间之间的利率由利率差值step控制;
结合分组区间的逾期率,每个分组区间的利率大于分组区间的成本总和与逾期率之和;及
贷款业务的利率均值不大于基准利率与利率上浮额度之和。
在金融借贷场景中,历史业务数据信息包括目标金融机构的成本(目标金融机构的获客成本、运营成本、资金成本)、业务对象的风险参数及预期的收益率,步骤S106可以采用以下方式实现:基于所述目标金融机构的最大利率及最小利率,将历史业务数据信息输入到所述业务策略制定模型对应的方程中求解,在满足所述业务回报率限制条件的情况下,得到各个分组对应的业务策略,其中,业务策略包括各个分组对应的利率。
请参照图2,图2为本公开实施例提供的基于人工智能的业务策略制定装置的功能模块示意图,本实施例可以根据计算机设备执行的方法实施例对基于人工智能的业务策略制定装置200进行功能模块的划分,也即该基于人工智能的业务策略制定装置200所对应的以下各个功能模块可以用于执行上述计算机设备执行的各个方法实施例。其中,该基于人工智能的业务策略制定装置200可以包括获取模块210、提取模块220、创建模块230、分组模块240、构建模块250及输出模块260,下面分别对该基于人工智能的业务策略制定装置200的各个功能模块的功能进行详细阐述。
获取模块210,用于获取业务对象的数据维度信息。
其中,数据维度信息为业务对象在历史业务过程中产生的数据,具体的数据维度信息可以至少包括业务对象维度信息及业务服务维度信息,业务对象维度信息可以包括业务对象自身的属性信息,比如,业务对象的业务经历时限;业务服务维度信息可以包括业务服务自身的特性属性,比如业务服务的风险属性。
提取模块220,用于从数据维度信息中提取得到建模数据特征参量。
基于不同业务场景,可以预先配置不同的特征参数提取规则从数据维度信息中提取用于构建模型的建模数据特征参数,在本申请实施例中,建模数据特征参数中的参数可以是从单一数据中提取,也可以基于多个数据衍生得到。
创建模块230,基于建模数据特征参量创建业务风险评估模型,并通过业务风险评估模型输出业务对象的不同业务风险评估得分。
在本申请实施例中,建模数据特征参量可以包括业务对象的风险得分及业务数据特征信息,创建模块230具体用于:
首先,创建所述业务风险评估模型的特征提取子模型及风险评估子模型,其中,所述特征提取子模型中配置由特征提取规则;
接着,将业务数据特征信息输入所述特征提取子模型中,由所述特征提取子模型按照所述特征提取规则从所述业务数据特征信息中提取出业务对象的业务特征向量;
最后,由所述特征提取子模型将所述业务特征向量输入到所述风险评估子模型中得到风险评估得分,基于所述风险评估得分与所述风险得分,计算所述特征提取子模型的损失函数值,在所述损失函数值大于预设损失函数阈值时,调整所述特征提取子模型中对所述业务特征向量中各个维度特征的加权权重,直到所述风险评估子模型的损失函数值小于预设损失函数阈值,得到创建好的业务风险评估模型。
具体地,在本申请实施例中,业务风险评估模型可以基于层次分析法构建,其中层次分析法是指将一个复杂的多目标决策问题作为一个***,将目标分解为多个目标或准则,进而分解为多指标(或准则、约束)的若干层次,通过定性指标模糊量化方法算出层次单排序(权数)和总排序,以作为目标(多指标)、多方案优化决策的***方法。层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。
分组模块240,用于通过不同业务风险评估得分进行排序得到业务风险评估得分序列,将业务风险评估得分序列进行分组,并分别计算每个分组中业务对象的业务不良状态率及业务完成率。
具体地,可以将不同业务风险评估得分进行降序排列,得到业务风险评估得分序列,并将业务风险评估得分序列等分成相应数量(比如,10个)的分组。然后单独计算每个分组中业务对象的业务不良状态率及业务完成率。
构建模块250,用于基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型。
输出模块260,用于获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。
在金融借贷场景中,业务对象可以为企业,述数据维度信息包括企业财报税务数据、企业***数据、企业基本信息、行政负面、司法数据、行内数据及企业征信报告等,提取模块220具体用于:
基于所述数据维度信息衍生得到衍生数据变量,其中,所述衍生数据变量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数、企业近三年经营相关的司法数、企业近半年的招聘数、企业近半年投资的企业数及企业法人对外投资企业数等;
对所述衍生数据变量进行特征筛选与提取,得到建模数据特征参量,所述建模数据特征参量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数及企业近三年经营相关的司法数目等。
在金融借贷场景中,所述预设的业务目标为最大收益目标,所述不同分组间的业务回报率采用利率阶梯方式给定,所述业务回报率限制条件为利率限制因素,所述业务不良状态率为分组区间对应的逾期率,所述业务完成率为逾期贷款的回收金额系数,构建模型230构建的所述业务策略制定模型可以采用如下方程实现:
其中,n为根据风险分划分成n个区间,Ai为每一个分组区间的放款总额,r1,...,rn为分组区间对应的利率,b1,...,bn为分组区间对应的逾期率,γi为不同分组区间内逾期贷款的回收金额系数,rmin为目标金融(比如,银行)机构设定的利率下限,rmax为目标金融机构设定的利率上限,step为各分组区间之间的利率差值,cost为基准利率r基准结合多种成本(比如,目标金融机构的获客成本、运营成本、资金成本等)的成本总和,为贷款业务的利率均值,θ为根据业务限定的利率上浮额度;
其中,所述业务回报率限制条件包括:
所述目标金融机构的最大利率及最小利率在所述目标金融机构给定的利率范围之内,相邻分组区间之间的利率由利率差值step控制;
结合分组区间的逾期率,每个分组区间的利率大于分组区间的成本总和与逾期率之和;及
贷款业务的利率均值不大于基准利率与利率上浮额度之和。
在金融借贷场景中,历史业务数据信息包括目标金融机构的成本(目标金融机构的获客成本、运营成本、资金成本)、业务对象的风险参数及预期的收益率,输出模型260具体用于:
基于所述目标金融机构的最大利率及最小利率,将历史业务数据信息输入到所述业务策略制定模型对应的方程中求解,在满足所述业务回报率限制条件的情况下,得到各个分组对应的业务策略,其中,业务策略包括各个分组对应的利率。
请参照图3,图3示出了本公开实施例提供的用于实现上述的基于人工智能的业务策略制定方法的计算机设备10的硬件结构示意图,计算机设备10可以在云端服务器上实现。如图3所示,计算机设备10可包括处理器11、计算机可读存储介质12、总线13以及通信单元14。
在具体实现过程中,至少一个处理器11执行计算机可读存储介质12存储的计算机执行指令(例如图2中所示的基于人工智能的业务策略制定装置200中包括的各个模块),使得处理器11可以执行如上方法实施例的基于人工智能的业务策略制定方法,其中,处理器11、计算机可读存储介质12以及通信单元14通过总线13连接,处理器11可以用于控制通信单元14的数据接收与发送。
处理器11的具体实现过程可参见上述计算机设备10执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
计算机可读存储介质12可能包含随机存取存储器,也可能还包括非易失性存储,例如至少一个磁盘存储器。
总线13可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上基于人工智能的业务策略制定方法。
综上所述,本申请实施例提供的基于人工智能的业务策略制定方法及装置,首先,从业务对象的数据维度信息提取建模数据特征参量;接着,通过建模数据特征参量创建业务风险评估模型,并得到不同业务风险评估得分;再接着,对不同业务风险评估得分进行排序后的序列进行分组;然后,基于预设的业务目标、上述分组的业务信息、业务回报率限制条件等构建业务策略制定模型;最后,将历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。本方案通过使用业务对象的数据维度信息进行业务风险评估模型创建,并基于业务风险评估得分分组对业务对象进行更加细致分类,并能够基于更加细致的分组给出对应的业务策略,相对于现有技术,可以适用的场景更多,制定的业务策略更精准,通用性更强。
以上所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本申请的实施例的详细描述并非旨在限制本申请的保护范围,而仅仅是表示本申请的选定实施例。基于此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的业务策略制定方法,其特征在于,应用于计算机设备,所述方法包括:
获取业务对象的数据维度信息;
从所述数据维度信息中提取得到建模数据特征参量;
基于所述建模数据特征参量创建业务风险评估模型,并通过所述业务风险评估模型输出业务对象的不同业务风险评估得分;
通过所述不同业务风险评估得分进行排序得到业务风险评估得分序列,将所述业务风险评估得分序列进行分组,并分别计算每个分组中业务对象的业务不良状态率及业务完成率;
基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型;
获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。
2.如权利要求1所述的基于人工智能的业务策略制定方法,其特征在于,所述建模数据特征参量包括业务对象的风险得分及业务数据特征信息;所述基于所述建模数据特征参量创建业务风险评估模型的步骤,包括:
创建所述业务风险评估模型的特征提取子模型及风险评估子模型,其中,所述特征提取子模型中配置由特征提取规则;
将业务数据特征信息输入所述特征提取子模型中,由所述特征提取子模型按照所述特征提取规则从所述业务数据特征信息中提取出业务对象的业务特征向量;
由所述特征提取子模型将所述业务特征向量输入到所述风险评估子模型中得到风险评估得分,基于所述风险评估得分与所述风险得分,计算所述特征提取子模型的损失函数值,在所述损失函数值大于预设损失函数阈值时,调整所述特征提取子模型中对所述业务特征向量中各个维度特征的加权权重,直到所述风险评估子模型的损失函数值小于预设损失函数阈值,得到创建好的业务风险评估模型。
3.如权利要求1或2所述的基于人工智能的业务策略制定方法,其特征在于,在应用场景为企业借贷场景时,所述业务对象为企业,所述数据维度信息包括企业财报税务数据、企业***数据、企业基本信息、行政负面、司法数据、行内数据及企业征信报告,所述数据维度信息中提取得到建模数据特征参量的步骤,包括:
基于所述数据维度信息衍生得到衍生数据变量,其中,所述衍生数据变量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数、企业近三年经营相关的司法数、企业近半年的招聘数、企业近半年投资的企业数及企业法人对外投资企业数;
对所述衍生数据变量进行特征筛选与提取,得到建模数据特征参量,所述建模数据特征参量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数及企业近三年经营相关的司法数目。
4.如权利要求3所述的基于人工智能的业务策略制定方法,其特征在于,所述预设的业务目标为最大收益目标,所述不同分组间的业务回报率采用利率阶梯方式给定,所述业务回报率限制条件为利率限制因素,所述业务不良状态率为分组区间对应的逾期率,所述业务完成率为逾期贷款的回收金额系数,在所述基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型的步骤中,构建的所述业务策略制定模型可以采用如下方程实现:
其中,n为根据风险分划分成n个区间,Ai为每一个分组区间的放款总额,r1,...,rn为分组区间对应的利率,b1,...,bn为分组区间对应的逾期率,γi为不同分组区间内逾期贷款的回收金额系数,rmin为目标金融机构设定的利率下限,rmax为目标金融机构设定的利率上限,step为各分组区间之间的利率差值,cost为基准利率r基准结合多种成本的成本总和,为贷款业务的利率均值,θ为根据业务限定的利率上浮额度;
其中,所述业务回报率限制条件包括:
所述目标金融机构的最大利率及最小利率在所述目标金融机构给定的利率范围之内,相邻分组区间之间的利率由利率差值step控制;
结合分组区间的逾期率,每个分组区间的利率大于分组区间的成本总和与逾期率之和;及
贷款业务的利率均值不大于基准利率与利率上浮额度之和。
5.如权利要求4所述的基于人工智能的业务策略制定方法,其特征在于,历史业务数据信息包括目标金融机构的成本、业务对象的风险参数及预期的收益率,所述获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略的步骤,包括:
基于所述目标金融机构的最大利率及最小利率,将历史业务数据信息输入到所述业务策略制定模型对应的方程中求解,在满足所述业务回报率限制条件的情况下,得到各个分组对应的业务策略,其中,业务策略包括各个分组对应的利率。
6.一种基于人工智能的业务策略制定装置,其特征在于,应用于计算机设备,所述装置包括:
获取模块,用于获取业务对象的数据维度信息;
提取模块,用于从所述数据维度信息中提取得到建模数据特征参量;
创建模块,用于基于所述建模数据特征参量创建业务风险评估模型,并通过所述业务风险评估模型输出业务对象的不同业务风险评估得分;
分组模块,用于通过所述不同业务风险评估得分进行排序得到业务风险评估得分序列,将所述业务风险评估得分序列进行分组,并分别计算每个分组中业务对象的业务不良状态率及业务完成率;
构建模块,用于基于预设的业务目标、不同分组间的业务回报率、业务回报率限制条件及每个分组中业务对象的业务不良状态率及业务完成率构建业务策略制定模型;
输出模块,用于获取所述业务对象的历史业务数据信息,将所述业务对象的历史业务数据信息输入所述业务策略制定模型,输出不同分组对应的业务策略。
7.如权利要求6所述的基于人工智能的业务策略制定装置,其特征在于,所述建模数据特征参量包括业务对象的风险得分及业务数据特征信息,所述创建模块具体用于:
创建所述业务风险评估模型的特征提取子模型及风险评估子模型,其中,所述特征提取子模型中配置由特征提取规则;
将业务数据特征信息输入所述特征提取子模型中,由所述特征提取子模型按照所述特征提取规则从所述业务数据特征信息中提取出业务对象的业务特征向量;
由所述特征提取子模型将所述业务特征向量输入到所述风险评估子模型中得到风险评估得分,基于所述风险评估得分与所述风险得分,计算所述特征提取子模型的损失函数值,在所述损失函数值大于预设损失函数阈值时,调整所述特征提取子模型中对所述业务特征向量中各个维度特征的加权权重,直到所述风险评估子模型的损失函数值小于预设损失函数阈值,得到创建好的业务风险评估模型。
8.如权利要求6或7所述的基于人工智能的业务策略制定装置,其特征在于,在应用场景为企业借贷场景时,所述业务对象为企业,所述数据维度信息包括企业财报税务数据、企业***数据、企业基本信息、行政负面、司法数据、行内数据及企业征信报告,所述提取模块具体用于:
基于所述数据维度信息衍生得到衍生数据变量,其中,所述衍生数据变量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数、企业近三年经营相关的司法数、企业近半年的招聘数、企业近半年投资的企业数及企业法人对外投资企业数;
对所述衍生数据变量进行特征筛选与提取,得到建模数据特征参量,所述建模数据特征参量包括企业成立时间距今时长、企业所属行业、企业注册资本、企业近三年抽查检查异常次数及企业近三年经营相关的司法数目。
9.如权利要求8所述的基于人工智能的业务策略制定装置,其特征在于,所述预设的业务目标为最大收益目标,所述不同分组间的业务回报率采用利率阶梯方式给定,所述业务回报率限制条件为利率限制因素,所述业务不良状态率为分组区间对应的逾期率,所述业务完成率为逾期贷款的回收金额系数,所述构建模块用于构建的所述业务策略制定模型可以采用如下方程实现:
其中,n为根据风险分划分成n个区间,Ai为每一个分组区间的放款总额,r1,...,rn为分组区间对应的利率,b1,...,bn为分组区间对应的逾期率,γi为不同分组区间内逾期贷款的回收金额系数,rmin为目标金融机构设定的利率下限,rmax为目标金融机构设定的利率上限,step为各分组区间之间的利率差值,cost为基准利率r基准结合多种成本的成本总和,为贷款业务的利率均值,θ为根据业务限定的利率上浮额度;
其中,所述业务回报率限制条件包括:
所述目标金融机构的最大利率及最小利率在所述目标金融机构给定的利率范围之内,相邻分组区间之间的利率由利率差值step控制;
结合分组区间的逾期率,每个分组区间的利率大于分组区间的成本总和与逾期率之和;及
贷款业务的利率均值不大于基准利率与利率上浮额度之和。
10.如权利要求9所述的基于人工智能的业务策略制定装置,其特征在于,历史业务数据信息包括目标金融机构的成本、业务对象的风险参数及预期的收益率,所述输出模块具体用于:
基于所述目标金融机构的最大利率及最小利率,将历史业务数据信息输入到所述业务策略制定模型对应的方程中求解,在满足所述业务回报率限制条件的情况下,得到各个分组对应的业务策略,其中,业务策略包括各个分组对应的利率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132394.2A CN113592366A (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的业务策略制定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132394.2A CN113592366A (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的业务策略制定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592366A true CN113592366A (zh) | 2021-11-02 |
Family
ID=78242398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111132394.2A Pending CN113592366A (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的业务策略制定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592366A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907276A (zh) * | 2023-01-06 | 2023-04-04 | 中邮消费金融有限公司 | 缴费提醒方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133743A (zh) * | 2017-05-19 | 2017-09-05 | 重庆文理学院 | 一种小微企业运营项目的评估方法 |
CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
CN112529688A (zh) * | 2020-12-15 | 2021-03-19 | 长沙学院 | 一种固定贷款总量下确定放贷额度与利率的方法和*** |
CN113077333A (zh) * | 2021-03-29 | 2021-07-06 | 信用生活(广州)智能科技有限公司 | 一种基于马尔科夫链的风险定价估计方法及*** |
-
2021
- 2021-09-27 CN CN202111132394.2A patent/CN113592366A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133743A (zh) * | 2017-05-19 | 2017-09-05 | 重庆文理学院 | 一种小微企业运营项目的评估方法 |
CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
CN112529688A (zh) * | 2020-12-15 | 2021-03-19 | 长沙学院 | 一种固定贷款总量下确定放贷额度与利率的方法和*** |
CN113077333A (zh) * | 2021-03-29 | 2021-07-06 | 信用生活(广州)智能科技有限公司 | 一种基于马尔科夫链的风险定价估计方法及*** |
Non-Patent Citations (2)
Title |
---|
刘军: "小微企业贷款的风险定价策略", 《经济师》 * |
杨春柏,李辉,金彪: "《大数据驱动下的新金融发展研究》", 31 October 2018, 科学技术文献出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907276A (zh) * | 2023-01-06 | 2023-04-04 | 中邮消费金融有限公司 | 缴费提醒方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943186B2 (en) | Machine learning model training method and device, and electronic device | |
Gorokhovatskiy et al. | Employment of Intelligent Technologies in Multiparametric Control Systems | |
CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN110796485A (zh) | 一种提高预测模型的预测精度的方法及装置 | |
CN111680420A (zh) | 一种产业政策影响的仿真***动力学模型及其实现方法 | |
CN113592366A (zh) | 一种基于人工智能的业务策略制定方法及装置 | |
CN113706280A (zh) | 一种基于大数据的企业税务筹划***及方法 | |
CN116361759B (zh) | 一种基于量化权限指引的智能合规控制方法 | |
US20200356870A1 (en) | Intelligent controls for end-user computing | |
CN112200340A (zh) | 预测逃废债区块链*** | |
Kryvoruchko et al. | Cognitive Modeling and Formation of the Knowledge Base of the Information System for Assessing the Rating of Enterprises | |
CN115660822A (zh) | 用于金融业务的风控策略处理方法以及装置、电子设备、存储介质 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN111882416A (zh) | 一种风险预测模型的训练方法和相关装置 | |
US8768827B1 (en) | System and method for optimizing loan modifications | |
CN113849580A (zh) | 一种主体评级预测方法、装置、电子设备及存储介质 | |
CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
CN111506877A (zh) | 基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 | |
CN112308294A (zh) | 违约概率预测方法及装置 | |
CN111079992A (zh) | 数据处理方法、装置和存储介质 | |
Bozsik et al. | Decision tree-based credit decision support system | |
CN113822490B (zh) | 基于人工智能的资产清收方法及装置、电子设备 | |
CN114565256B (zh) | 一种基于区块链的企业集群式供应链风险管控方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |