CN117934173A - 风险分析方法、装置、计算机设备及存储介质 - Google Patents
风险分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117934173A CN117934173A CN202410036655.8A CN202410036655A CN117934173A CN 117934173 A CN117934173 A CN 117934173A CN 202410036655 A CN202410036655 A CN 202410036655A CN 117934173 A CN117934173 A CN 117934173A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- specified
- client
- marking
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008685 targeting Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000008520 organization Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于人工智能领域与金融科技领域,涉及一种风险分析方法,包括:基于打标策略对获取的客户的风险因子数据、历史承保数据以及历史理赔数据进行打标处理得到对应的第一打标数据、第二打标数据以及第三打标数据;基于第一打标数据、第二打标数据以及第三打标数据生成客户的风险得分;从风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;生成与指定风险得分对应的指定客户的指定风险等级。本申请还提供一种风险分析装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,指定风险等级可存储于区块链中。本申请可应用于金融领域的客户风险分析场景,提高了对于客户的风险分析的处理效率,保证了生成的风险等级的准确性。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及风险分析方法、装置、计算机设备及存储介质。
背景技术
企业客户数字化风险管理是公司全面风险管理体系建设的核心工作,实现风险的全流程闭环管理将成为保险企业的核心竞争力。在有限的客户数据范围内,如何精确的评估客户的风险,变成了各个保险企业面临的难题。
现有的保险企业所采用的评估客户的风险的方式,是由业务人员对采集到的客户数据,例如承保数据与理赔数据进行人工分析,进而得到对应于客户的风险评估结果,这样的处理方式由于依赖人工,导致处理效率低下,工作量大,且无法保证生成的风险评估结果的准确性。
发明内容
本申请实施例的目的在于提出一种风险分析方法、装置、计算机设备及存储介质,以解决现有的保险企业所采用的评估客户的风险的方式由于依赖人工,导致处理效率低下,工作量大,且无法保证生成的风险评估结果的准确性的技术问题。
为了解决上述技术问题,本申请实施例提供一种风险分析方法,采用了如下所述的技术方案:
基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
进一步的,所述基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分的步骤,具体包括:
调用预设的风险得分计算公式;
基于所述风险得分计算公式对所述第一打标数据、第二打标数据以及第三打标数据进行计算处理,得到对应的计算结果;
将所述计算结果作为所述客户的风险得分。
进一步的,所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤,具体包括:
获取第一客户的第一风险得分;其中,所述第一客户为所有所述指定客户中的任意一个;
对所述第一风险得分进行数值分析,若检测出所述第一风险得分处于第一预设数值范围内,则确定所述第一客户的第一风险等级为高风险等级;
若检测出所述第一风险得分处于第二预设数值范围内,则确定所述第一客户的第一风险等级为中风险等级;
若检测出所述第一风险得分处于第三预设数值范围内,则确定所述第一客户的第一风险等级为低风险等级。
进一步的,在所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤之后,还包括:
获取第二客户的第二风险等级;其中,所述第二客户为所有所述指定客户中的任意一个;
基于所述第二风险等级,计算生成与所述第二客户对应的保额数据;
基于所述第二风险等级,计算生成与所述第二客户对应的保费数据。
进一步的,在所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤之后,还包括:
获取第三客户的指定承保数据与指定理赔数据;其中,所述第三客户为所有所述指定客户中的任意一个;
获取所述第三客户的第二风险得分与第三风险等级;
基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像;
存储所述企业客户风险画像。
进一步的,在所述基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像的步骤之后,还包括:
获取与所述指定客户对应的指定企业客户风险画像;
获取与所述指定客户对应的机构分布信息;
基于所述指定企业客户风险画像与所述机构分布信息构建企业客户风险地图;
存储所述企业客户风险地图。
进一步的,在所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤之后,还包括:
对所述指定风险等级进行分析,从所述指定客户中筛选出指定风险等级为高风险等级的第四客户;
获取所述第四客户的客户信息;
基于所述客户信息生成对应的风险预警信息;
获取目标处理人员的联系信息;
基于所述联系信息,将所述风险预警信息发送给所述目标处理人员。
为了解决上述技术问题,本申请实施例还提供一种风险分析装置,采用了如下所述的技术方案:
第一获取模块,用于基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
第二获取模块,用于获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
第一处理模块,用于基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
第一生成模块,用于基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
筛选模块,用于从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
第二生成模块,用于对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先基于预设的数据类型获取客户的风险因子数据;然后获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;之后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;后续基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;进一步从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;最后对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。本申请实施例通过基于预设的数据类型获取客户的风险因子数据,以及获取所述客户的历史承保数据与历史理赔数据,然后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理以自动生成客户的风险得分,后续会对从风险得分中筛选出的与预设百分比对应的数值最高的指定风险得分进行风险分析,以实现自动准确地生成与所述指定风险得分对应的指定客户的指定风险等级,有效地提高了对于客户的风险分析的处理效率,降低了对于客户的风险分析的处理工作量,保证了生成的风险等级的数据准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2根据本申请的风险分析方法的一个实施例的流程图;
图3是根据本申请的风险分析装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的风险分析方法一般由服务器/终端设备执行,相应地,风险分析装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的风险分析方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的风险分析方法能够应用于任意一种需要进行企业客户的风险评估的场景中,则该风险分析方法能够应用于这些场景的产品中,例如,金融保险领域中的企业客户的风险评估。所述的风险分析方法,包括以下步骤:
步骤S201,基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个。
在本实施例中,风险分析方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取风险因子数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融保险的企业客户的风险评估的业务场景下,上述数据类型包括对接外部舆情、投资资产、赛弥斯评级、破产失信等类型,对应的,上述风险因子数据包括对接外部舆情数据、投资资产数据、赛弥斯评级数据、破产失信数据。
步骤S202,获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据。
在本实施例中,可通过查询预设的保险数据库,并根据客户的客户信息从该保险数据库中查询出所述客户的历史承保数据,以及所述客户的历史理赔数据。其中,上述保险数据库为预先构建的存储有各个客户的承保数据与理赔数据的数据库。上述客户信息可指客户的客户姓名。
步骤S203,基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据。
在本实施例中,上述打标策略的内容可包括:对接外部舆情的等级包括7个等级,为1至7,7表示重大负面预警,数字越小,舆情影响力越低,若小于4,则表示正面舆情,权重系数为0.2;投资资产小于100万为1,大于100万小于500万为2,以此类推,每大于500万就加1,权重系数为0.1;赛弥斯评级分为A-D共12个等级,为1-12,数字约大表示评级越低,财务状况差,权重系数为0.2;破产失信数据,若存在破产失信,则直接加20分;权重系数为0.2;承保数据:保额小于100万为1,大于100万小于500万为2,每多500万则加1,权重系数为0.1;理赔数据:理赔每10万+1,权重系数为0.2。
步骤S204,基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分。
在本实施例中,上述基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S205,从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分。
在本实施例中,对于上述预设百分比的取值不做具体限定,可根据实际的业务需求进行设置,例如可设为20%。如果预设百分比为20%,则通过从所有所述风险得分中筛选出数值最高的前20%的风险得分作为上述指定风险得分。
步骤S206,对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
在本实施例中,上述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先基于预设的数据类型获取客户的风险因子数据;然后获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;之后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;后续基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;进一步从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;最后对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。本申请通过基于预设的数据类型获取客户的风险因子数据,以及获取所述客户的历史承保数据与历史理赔数据,然后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理以自动生成客户的风险得分,后续会对从风险得分中筛选出的与预设百分比对应的数值最高的指定风险得分进行风险分析,以实现自动准确地生成与所述指定风险得分对应的指定客户的指定风险等级,有效地提高了对于客户的风险分析的处理效率,降低了对于客户的风险分析的处理工作量,保证了生成的风险等级的数据准确性。
在本实施例的一些可选的实现方式中,步骤S204包括以下步骤:
调用预设的风险得分计算公式。
在本实施例中,上述风险得分计算公式为根据实际的风险判定规则构建的应用于风险因子数据的打标数据、承保数据的打标数据以及理赔数据打标数据的加权求和公式。其中,上述风险因子数据可包括对接外部舆情数据、投资资产、赛弥斯评级、破产失信数据。对于外部舆情数据、投资资产、赛弥斯评级、破产失信数据、承保数据以及理赔数据的权重取值不作具体限定,可根据实际的使用需求进行设置。优选将外部舆情数据、投资资产、赛弥斯评级、破产失信数据、承保数据以及理赔数据的权重分别设置为0.2,0.1,0.2,0.2,0.1,0.2。
基于所述风险得分计算公式对所述第一打标数据、第二打标数据以及第三打标数据进行计算处理,得到对应的计算结果。
在本实施例中,可通过将所述第一打标数据、第二打标数据以及第三打标数据,以及将外部舆情数据、投资资产、赛弥斯评级、破产失信数据、承保数据以及理赔数据的权重代入至上述风险得分计算公式内进行计算处理,从而得到对应的计算结果。
将所述计算结果作为所述客户的风险得分。
本申请通过调用预设的风险得分计算公式;然后基于所述风险得分计算公式对所述第一打标数据、第二打标数据以及第三打标数据进行计算处理,得到对应的计算结果;后续将所述计算结果作为所述客户的风险得分。本申请通过调用预设的风险得分计算公式对所述第一打标数据、第二打标数据以及第三打标数据进行计算处理,可以实现快速准确地生成客户的风险得分,提高了风险得分的计算效率,保证了生成的风险得分的数据准确性。
在一些可选的实现方式中,步骤S206包括以下步骤:
获取第一客户的第一风险得分。
在本实施例中,所述第一客户为所有指定客户中的任意一个。
对所述第一风险得分进行数值分析,若检测出所述第一风险得分处于第一预设数值范围内,则确定所述第一客户的第一风险等级为高风险等级。
在本实施例中,对于上述第一预设数值范围的取值不做具体限定,可根据实际的高风险判定的业务设置需求进行选取。其中,上述第一预设数值范围大于第二预设数值范围,且第二预设数值范围大于第三预设数值范围。
若检测出所述第一风险得分处于第二预设数值范围内,则确定所述第一客户的第一风险等级为中风险等级。
在本实施例中,对于上述第二预设数值范围的取值不做具体限定,可根据实际的中风险判定的业务设置需求进行选取。
若检测出所述第一风险得分处于第三预设数值范围内,则确定所述第一客户的第一风险等级为低风险等级。
在本实施例中,对于上述第三预设数值范围的取值不做具体限定,可根据实际的低风险判定的业务设置需求进行选取。
本申请通过获取第一客户的第一风险得分;然后对所述第一风险得分进行数值分析,若检测出所述第一风险得分处于第一预设数值范围内,则确定所述第一客户的第一风险等级为高风险等级;若检测出所述第一风险得分处于第二预设数值范围内,则确定所述第一客户的第一风险等级为中风险等级;而若检测出所述第一风险得分处于第三预设数值范围内,则确定所述第一客户的第一风险等级为低风险等级。本申请通过根据预设数值范围的使用对指定风险得分进行风险分析,可以实现快速准确地生成与所述指定风险得分对应的指定客户的指定风险等级,提高了指定风险等级的生成效率,保证了生成的指定风险等级的数据准确性。
在一些可选的实现方式中,在步骤S206之后,上述电子设备还可以执行以下步骤:
获取第二客户的第二风险等级。
在本实施例中,所述第二客户为所有所述指定客户中的任意一个。
基于所述第二风险等级,计算生成与所述第二客户对应的保额数据。
在本实施例中,可通过调用预设的保额计算公式,并将所述第二风险等级代入至该保额计算公式内,以生成与所述第二客户对应的保额数据。其中,上述保额计算公式为根据实际的保额计算需求预先构建的。
基于所述第二风险等级,计算生成与所述第二客户对应的保费数据。
在本实施例中,可通过调用预设的保费计算公式,并将所述第二风险等级代入至该保费计算公式内,以生成与所述第二客户对应的保费数据。其中,上述保费计算公式为根据实际的保费计算需求预先构建的。
本申请通过获取第二客户的第二风险等级;然后基于所述第二风险等级,计算生成与所述第二客户对应的保额数据;后续基于所述第二风险等级,计算生成与所述第二客户对应的保费数据。本申请生成与所述指定风险得分对应的指定客户的指定风险等级后,还会智能地根据该指定风险等级,实现快速自动地生成每一个指定客户的保额数据与保费数据,从而无需再通过人工计算客户的保额与保费,减少了计算保额与保费的处理工作量,提高了保额与保费的计算效率,保证了生成的保额数据与保费数据的准确性。
在一些可选的实现方式中,在步骤S206之后,上述电子设备还可以执行以下步骤:
获取第三客户的指定承保数据与指定理赔数据。
在本实施例中,所述第三客户为所有指定客户中的任意一个。
获取所述第三客户的第二风险得分与第三风险等级。
在本实施例中,可通过对第三客户进行风险得分与风险等级的数据查询处理,以提取出第三客户的第二风险得分与第三风险等级。
基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像。
在本实施例中,可通过将所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级填充至预设的客户风险画像模板内的对应的字段数值的待填充参数的位置处,以构建得到所述第三客户对应的企业客户风险画像。其中,上述客户风险画像模板为根据实际的风险画像构建需求生成的模板文件,该模板文件内包括承保字段、理赔字段、风险得分字段、风险等级字段。另外,还可以在企业客户风险画像中结合风险评论与行业内情况进行多维度刻画及展示风险趋势,以提高企业客户风险画像的内容丰富性。
存储所述企业客户风险画像。
在本实施例中,对于上述企业客户风险画像的存储方式不做具体限定,例如可采用区块链存储、本地数据库存储、云端存储等等。
本申请通过获取第三客户的指定承保数据与指定理赔数据;然后获取所述第三客户的第二风险得分与第三风险等级;之后基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像;后续存储所述企业客户风险画像。本申请在生成了指定客户的指定风险得分与指定风险等级后,会智能地使用指定客户的指定风险得分、指定风险等级以及指定客户的历史承保数据与历史理赔数据来实现自动便捷地构建出指定客户的企业客户风险画像,有效地提高了企业客户风险画像的构建效率。另外,还会对构建得到的企业客户风险画像进行存储,以确保生成的企业客户风险画像的数据安全性。
在本实施例的一些可选的实现方式中,在所述基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像的步骤之后,上述电子设备还可以执行以下步骤:
获取与所述指定客户对应的指定企业客户风险画像。
在本实施例中,在构建生成指定客户的指定企业客户风险画像后,还会对该指定企业客户风险画像进行存储。
获取与所述指定客户对应的机构分布信息。
在本实施例中,上述机构分布信息是指定客户在各金融机构中的分布信息。
基于所述指定企业客户风险画像与所述机构分布信息构建企业客户风险地图。
在本实施例中,可通过将所述指定企业客户风险画像以及所述机构分布信息填充至预设的企业客户风险地图模板内的对应的待填充区域的位置处,以构建得到对应的企业客户风险地图。其中,上述客户风险画像模板为根据实际的企业客户风险地图构建需求生成的模板文件,该模板文件内包括与企业客户风险画像对应的存储区域,以及与机构分布信息对应的存储区域。
存储所述企业客户风险地图。
在本实施例中,对于上述企业客户风险地图的存储方式不做具体限定,例如可采用区块链存储、本地数据库存储、云端存储等等。
本申请通过获取与所述指定客户对应的指定企业客户风险画像;然后获取与所述指定客户对应的机构分布信息;之后基于所述指定企业客户风险画像与所述机构分布信息构建企业客户风险地图;后续存储所述企业客户风险地图。本申请在生成了指定客户的企业客户风险画像后,还会智能地使用所述指定企业客户风险画像以及与指定客户对应的机构分布信息来实现自动便捷地构建出相应的企业客户风险地图,有效地提高了企业客户风险地图的构建效率。另外,通过对构建得到的企业客户风险地图进行存储,可以确保生成的企业客户风险地图的数据安全性。另外,相关用户可以通过查阅该企业客户风险地图来快速地了解到各机构所包含的企业风险客户的情形信息,以及企业风险客户的企业客户风险画像,提高了相关用户的使用体验。
在本实施例的一些可选的实现方式中,在步骤S206之后,上述电子设备还可以执行以下步骤:
对所述指定风险等级进行分析,从所述指定客户中筛选出指定风险等级为高风险等级的第四客户。
在本实施例中,可通过对所述指定风险等级进行内容分析,以从所述指定客户中筛选出指定风险等级为高风险等级的第四客户。
获取所述第四客户的客户信息。
在本实施例中,上述客户信息可包括客户姓名。
基于所述客户信息生成对应的风险预警信息。
在本实施例中,可通过将所述客户信息填充至预设的风险预警信息模板内的相应位置处,以生成相应的风险预警信息。其中,上述风险预警信息模板为根据实际的风险预警提醒的业务需求构建生成的,对于该风险预警信息模板的内容不做限定。
获取目标处理人员的联系信息。
在本实施例中,目标处理人员可为机构的业务人员。上述联系信息可包括电话号码或邮件地址。
基于所述联系信息,将所述风险预警信息发送给所述目标处理人员。
在本实施例中,可根据所述联系信息,将所述风险预警信息发送给所述目标处理人员对应的联系终端。
本申请通过对所述指定风险等级进行分析,从所述指定客户中筛选出指定风险等级为高风险等级的第四客户;然后获取所述第四客户的客户信息;之后基于所述客户信息生成对应的风险预警信息;后续获取目标处理人员的联系信息;最后基于所述联系信息,将所述风险预警信息发送给所述目标处理人员。本申请在生成与所述指定风险得分对应的指定客户的指定风险等级后,会智能地从所述指定客户中筛选出指定风险等级为高风险等级的第四客户,然后根据第四客户的客户信息生成对应的风险预警信息,进而将所述风险预警信息发送给所述目标处理人员,以便目标处理人员能够根据得到的风险预警信息来及时对第四客户进行风险排查,并进行后续的应对措施,有利于提高目标处理人员的工作效率与工作体验。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要强调的是,为进一步保证上述指定风险等级的私密和安全性,上述指定风险等级还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种风险分析装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的风险分析装置300包括:第一获取模块301、第二获取模块302、第一处理模块303、第一生成模块304、筛选模块305以及第二生成模块306。其中:
第一获取模块301,用于基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
第二获取模块302,用于获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
第一处理模块303,用于基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
第一生成模块304,用于基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
筛选模块305,用于从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
第二生成模块306,用于对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一生成模块304包括:
调用子模块,用于调用预设的风险得分计算公式;
计算子模块,用于基于所述风险得分计算公式对所述第一打标数据、第二打标数据以及第三打标数据进行计算处理,得到对应的计算结果;
第一确定子模块,用于将所述计算结果作为所述客户的风险得分。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二生成模块306包括:
获取子模块,用于获取第一客户的第一风险得分;其中,所述第一客户为所有所述指定客户中的任意一个;
第一确定子模块,用于对所述第一风险得分进行数值分析,若检测出所述第一风险得分处于第一预设数值范围内,则确定所述第一客户的第一风险等级为高风险等级;
第二确定子模块,用于若检测出所述第一风险得分处于第二预设数值范围内,则确定所述第一客户的第一风险等级为中风险等级;
第三确定子模块,用于若检测出所述第一风险得分处于第三预设数值范围内,则确定所述第一客户的第一风险等级为低风险等级。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,风险分析装置还包括:
第三获取模块,用于获取第二客户的第二风险等级;其中,所述第二客户为所有所述指定客户中的任意一个;
第一计算模块,用于基于所述第二风险等级,计算生成与所述第二客户对应的保额数据;
第二计算模块,用于基于所述第二风险等级,计算生成与所述第二客户对应的保费数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,风险分析装置还包括:
第四获取模块,用于获取第三客户的指定承保数据与指定理赔数据;其中,所述第三客户为所有所述指定客户中的任意一个;
第五获取模块,用于获取所述第三客户的第二风险得分与第三风险等级;
第三生成模块,用于基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像;
第一存储模块,用于存储所述企业客户风险画像。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,风险分析装置还包括:
第六获取模块,用于获取与所述指定客户对应的指定企业客户风险画像;
第七获取模块,用于获取与所述指定客户对应的机构分布信息;
第二处理模块,用于基于所述指定企业客户风险画像与所述机构分布信息构建企业客户风险地图;
第二存储模块,用于存储所述企业客户风险地图。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,风险分析装置还包括:
分析模块,用于对所述指定风险等级进行分析,从所述指定客户中筛选出指定风险等级为高风险等级的第四客户;
第八获取模块,用于获取所述第四客户的客户信息;
第四生成模块,用于基于所述客户信息生成对应的风险预警信息;
第九获取模块,用于获取目标处理人员的联系信息;
发送模块,用于基于所述联系信息,将所述风险预警信息发送给所述目标处理人员。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的风险分析方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如风险分析方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述风险分析方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先基于预设的数据类型获取客户的风险因子数据;然后获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;之后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;后续基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;进一步从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;最后对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。本申请实施例通过基于预设的数据类型获取客户的风险因子数据,以及获取所述客户的历史承保数据与历史理赔数据,然后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理以自动生成客户的风险得分,后续会对从风险得分中筛选出的与预设百分比对应的数值最高的指定风险得分进行风险分析,以实现自动准确地生成与所述指定风险得分对应的指定客户的指定风险等级,有效地提高了对于客户的风险分析的处理效率,降低了对于客户的风险分析的处理工作量,保证了生成的风险等级的数据准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的风险分析方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先基于预设的数据类型获取客户的风险因子数据;然后获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;之后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;后续基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;进一步从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;最后对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。本申请实施例通过基于预设的数据类型获取客户的风险因子数据,以及获取所述客户的历史承保数据与历史理赔数据,然后基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理以自动生成客户的风险得分,后续会对从风险得分中筛选出的与预设百分比对应的数值最高的指定风险得分进行风险分析,以实现自动准确地生成与所述指定风险得分对应的指定客户的指定风险等级,有效地提高了对于客户的风险分析的处理效率,降低了对于客户的风险分析的处理工作量,保证了生成的风险等级的数据准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种风险分析方法,其特征在于,包括下述步骤:
基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
2.根据权利要求1所述的风险分析方法,其特征在于,所述基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分的步骤,具体包括:
调用预设的风险得分计算公式;
基于所述风险得分计算公式对所述第一打标数据、第二打标数据以及第三打标数据进行计算处理,得到对应的计算结果;
将所述计算结果作为所述客户的风险得分。
3.根据权利要求1所述的风险分析方法,其特征在于,所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤,具体包括:
获取第一客户的第一风险得分;其中,所述第一客户为所有所述指定客户中的任意一个;
对所述第一风险得分进行数值分析,若检测出所述第一风险得分处于第一预设数值范围内,则确定所述第一客户的第一风险等级为高风险等级;
若检测出所述第一风险得分处于第二预设数值范围内,则确定所述第一客户的第一风险等级为中风险等级;
若检测出所述第一风险得分处于第三预设数值范围内,则确定所述第一客户的第一风险等级为低风险等级。
4.根据权利要求1所述的风险分析方法,其特征在于,在所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤之后,还包括:
获取第二客户的第二风险等级;其中,所述第二客户为所有所述指定客户中的任意一个;
基于所述第二风险等级,计算生成与所述第二客户对应的保额数据;
基于所述第二风险等级,计算生成与所述第二客户对应的保费数据。
5.根据权利要求1所述的风险分析方法,其特征在于,在所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤之后,还包括:
获取第三客户的指定承保数据与指定理赔数据;其中,所述第三客户为所有所述指定客户中的任意一个;
获取所述第三客户的第二风险得分与第三风险等级;
基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像;
存储所述企业客户风险画像。
6.根据权利要求5所述的风险分析方法,其特征在于,在所述基于所述指定承保数据、指定理赔数据、所述第二风险得分以及所述第三风险等级,构建生成与所述第三客户对应的企业客户风险画像的步骤之后,还包括:
获取与所述指定客户对应的指定企业客户风险画像;
获取与所述指定客户对应的机构分布信息;
基于所述指定企业客户风险画像与所述机构分布信息构建企业客户风险地图;
存储所述企业客户风险地图。
7.根据权利要求1所述的风险分析方法,其特征在于,在所述对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级的步骤之后,还包括:
对所述指定风险等级进行分析,从所述指定客户中筛选出指定风险等级为高风险等级的第四客户;
获取所述第四客户的客户信息;
基于所述客户信息生成对应的风险预警信息;
获取目标处理人员的联系信息;
基于所述联系信息,将所述风险预警信息发送给所述目标处理人员。
8.一种风险分析装置,其特征在于,包括:
第一获取模块,用于基于预设的数据类型获取客户的风险因子数据;其中,所述客户的数量包括多个;
第二获取模块,用于获取所述客户的历史承保数据,以及获取所述客户的历史理赔数据;
第一处理模块,用于基于预设的打标策略对所述风险因子数据、所述历史承保数据以及所述历史理赔数据进行打标处理,得到对应的第一打标数据、第二打标数据以及第三打标数据;
第一生成模块,用于基于所述第一打标数据、第二打标数据以及第三打标数据生成所述客户的风险得分;
筛选模块,用于从所有所述风险得分中筛选出与预设百分比对应的数值最高的指定风险得分;
第二生成模块,用于对所述指定风险得分进行风险分析,生成与所述指定风险得分对应的指定客户的指定风险等级。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的风险分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的风险分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410036655.8A CN117934173A (zh) | 2024-01-08 | 2024-01-08 | 风险分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410036655.8A CN117934173A (zh) | 2024-01-08 | 2024-01-08 | 风险分析方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117934173A true CN117934173A (zh) | 2024-04-26 |
Family
ID=90769605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410036655.8A Pending CN117934173A (zh) | 2024-01-08 | 2024-01-08 | 风险分析方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934173A (zh) |
-
2024
- 2024-01-08 CN CN202410036655.8A patent/CN117934173A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507116A (zh) | 基于客户应答语料的客户画像方法及其相关设备 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN112507141B (zh) | 调查任务生成方法、装置、计算机设备及存储介质 | |
CN116956326A (zh) | 权限数据的处理方法、装置、计算机设备及存储介质 | |
CN116860805A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
CN113781247B (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN117934173A (zh) | 风险分析方法、装置、计算机设备及存储介质 | |
CN112529718B (zh) | 基于多场景的产品演示方法、装置、计算机设备及介质 | |
CN115471348A (zh) | 数据生成方法、装置、计算机设备及存储介质 | |
CN117076243A (zh) | 应用的扩缩容处理方法、装置、计算机设备及存储介质 | |
CN117217182A (zh) | 基于人工智能的报告生成方法、装置、设备及存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN117056628A (zh) | 一种数据展示方法、装置、设备及其存储介质 | |
CN118261720A (zh) | 基于人工智能的产品分析方法、装置、设备及存储介质 | |
CN118227491A (zh) | 测试用例的生成方法、装置、计算机设备及存储介质 | |
CN115936909A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN115713261A (zh) | 指标数据的处理方法、装置、计算机设备及存储介质 | |
CN116703487A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN116797380A (zh) | 金融数据处理方法及其相关设备 | |
CN116611941A (zh) | 基于人工智能的欺诈识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |