一种风险预测方法、装置、设备以及存储介质与流程

1.本发明涉及大数据领域，尤其涉及一种风险预测方法、装置、设备以及存储介质。


背景技术：

2.随着大数据技术的发展，很多业务处理系统会面临数量庞大、业务内容复杂的咨询请求和投诉请求，如保险公司的业务处理系统，当客户业务的咨询请求或投诉请求未被及时处理，会对保险公司和客户两方都造成较大的经济损伤。
3.因此，如何全面有效的对业务处理系统运行过程中产生的工单数据进行风险预测，使得相关人员及时调整相关的业务处理方式，提高保险业务处理系统对咨询事件和投诉事件的处理效率，是目前亟待解决的问题。


技术实现要素：

4.本发明提供了一种风险预测方法、装置、设备以及存储介质，可以全面有效的对业务处理系统运行过程中产生的工单数据进行风险预测，便于后续业务调整，提高系统的工作效率。
5.根据本发明的一方面，提供了一种风险预测方法，包括：
6.若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值；所述数据类型为咨询工单数据或内部投诉工单数据；
7.确定各目标因子的权重值，并根据所述权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数；
8.根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对所述风险预测结果进行可视化展示。
9.根据本发明的另一方面，提供了一种风险预测装置，包括：
10.第一确定模块，用于若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值；所述数据类型为咨询工单数据或内部投诉工单数据；
11.第二确定模块，用于确定各目标因子的权重值，并根据所述权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数；
12.可视化模块，用于根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对所述风险预测结果进行可视化展示。
13.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的
风险预测方法。
17.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风险预测方法。
18.本发明实施例的技术方案，若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值，确定各目标因子的权重值，并根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数，根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对风险预测结果进行可视化展示。通过这样的方式，可以全面有效的对业务处理系统运行过程中产生的工单数据进行风险预测，使得相关人员及时调整相关的业务处理方式，提高保险业务处理系统对咨询事件和投诉事件的处理效率。
19.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
21.图1是本发明实施例一提供的一种风险预测方法的流程图；
22.图2是本发明实施例二提供的一种风险预测方法的流程图；
23.图3是本发明实施例三提供的一种风险预测装置的结构框图；
24.图4是本发明实施例四提供的电子设备的结构示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”、“候选”、“备选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例一
28.图1是本发明实施例一提供的一种风险预测方法的流程图，本实施例可适用于业务处理系统对工单数据进行风险预测的情况，尤其适用于保险公司的保险业务处理系统对工单数据进行风险预测的情况，该方法可以由风险预测装置来执行，该风险预测装置可以采用硬件和/或软件的形式实现，该风险预测装置可配置于电子设备中，如业务处理系统中。如图1所示，该风险预测方法包括：
29.s101、若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值。
30.其中，风险预测事件是指对咨询工单数据进行投诉风险预测或对内部投诉工单数据进行转外部投诉风险预测的事件。工单数据是指记录业务处理系统与客户交互进行业务处理的过程中的相关信息的数据。工单数据例如可以包括客户来电或登录业务处理系统的具体诉求、来电时间、历史来电次数、问题类别、案件紧急程度以及来电渠道等信息。
31.目标预测数据是指目标进行风险预测的数据，目标预测数据可以为咨询工单数据，也可以为内部投诉工单数据，示例性的，若业务处理系统为保险公司的业务处理系统，则工单数据可以包含保单数据和理赔记录数据的相关信息。目标预测数据的数据类型可以为咨询工单数据或内部投诉工单数据。
32.需要说明的是，业务处理系统可以在响应于用户的业务处理请求，进行业务处理之前，向用户说明业务处理过程中产生的工单数据，可能会在后续作为目标预测数据进行风险评估，从而可以改善业务，提高用户体验，在检测到用户同意后续工单数据的评估使用时，将该工单数据作为目标预测数据中目标预测的一条工单数据。
33.风险因子是指预设的工单数据中可能会造成投诉风险的指标因子。目标因子是指与目标预测数据的数据类型相对应的风险因子。目标预测数据的数据类型不同，对应的目标因子也不同。指标值是指目标预测数据中目标因子对应的指标项的实际取值。
34.示例性的，预设的风险因子可以包括以下至少一种：同一报案号产生的工单数量、各渠道来电次数、理赔流程目前停留时长、查勘员案件数、所涉机构投诉率、客诉距离出险天数、投诉人身份投诉次数、承保分公司投诉率、各渠道投诉率、各来电原因投诉率、客诉距离承保天数以及保险止期距离出险天数等。
35.其中，报案号是客户报案后产生的案件号，例如可以是客户车险出险后向保险公司报案，从而自动生成的案件号。同一报案号产生的工单数量是指对于客户申请的同一个保险，客户与客服进行沟通或在业务处理系统上进行操作，产生的工单数量。需要说明的是，客户申请的一个保险，不一定对应一个报案号，如果客户申请的这个保险出了3次险，则会产生3个报案号。出险是指发生了保险事故。保险止期距离出险时间天数是指保单截止日期距离出险日期的天数，用来衡量客户的对保单的关注程度，一般快到保险止期的保单，客户更关注。
36.其中，查勘员案件数是指查勘员目前在处理的案件数。所涉机构例如可以是出险的公司，该公司可以属于一级机构，即总公司，也可以属于二级机构，即省级公司，还可以属于三级机构，即市级公司。客户可以通过不同的渠道来电或接入业务处理系统进行咨询或投诉，渠道例如可以是官方客服、官微、官网以及相关监管机构等。
37.示例性的，来电原因具体可以包括咨询、进行承保业务以及进行理赔业务等，也可以进一步细化为业务的处理时效、金额争议情况以及服务态度等。具体的，业务处理系统根
据近一年的投诉案中由于各来电原因导致投诉的案件数，确定各来电原因投诉率。
38.投诉人身份投诉次数是指投诉客户历史预设时间段内的投诉次数，例如可以统计近2年历史工单数据中目标客户的投诉总次数。案件紧急程度是接听来电的客服或业务系统匹配的客户来电咨询问题的紧急程度。查勘员投诉率是指目标预测数据涉及的查勘员历史被投诉的比例，例如，可以统计近1年查勘员被投诉次数，查勘员投诉率＝被投诉次数/处理案件量。理赔流程目前停留时长是指理赔流程截止目前没更新的天数。
39.可选的，业务处理系统可以在接收到相关人员发出的对目标预测数据的风险预测指令时，认为检测到风险预测事件；也可以间隔预设的时间，自动生成对近期预设时间段内产生的工单数据进行风险预测的风险预测指令，即检测到风险预测事件；还可以在检测到业务系统成功录入一条新的工单数据的情况下，自动生成即时对工单数据进行风险预测的风险预测指令，即检测到风险预测事件。
40.可选的，根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，包括：若目标预测数据的数据类型为咨询工单数据，则确定的目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道来电次数、各渠道投诉率以及客诉距离承保天数；若目标预测数据的数据类型为内部投诉工单数据，则确定的目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道投诉率、各来电原因投诉率、保险止期距离出险天数、结案时长、各渠道投诉率、投诉人身份投诉次数、案件紧急程度、查勘员投诉率、理赔流程目前停留时长以及定损员投诉率。
41.可选的，根据目标预测数据的数据类型，从预设的风险因子中确定目标因子可能包含内容之后，若数据类型为咨询工单数据，则可以直接将报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道来电次数、各渠道投诉率以及客诉距离承保天数，确定为目标因子；若数据类型为内部投诉工单数据，则可以直接将报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道投诉率、各来电原因投诉率、保险止期距离出险天数、结案时长、各渠道投诉率、投诉人身份投诉次数、案件紧急程度、查勘员投诉率、理赔流程目前停留时长以及定损员投诉率，确定为目标因子。
42.可选的，根据目标预测数据的数据类型，从预设的风险因子中确定目标因子可能包含内容之后，可以进一步确定目标预测数据的业务类型，若目标预测数据的业务类型为保单咨询或投诉相关业务，则可以确定目标因子为所涉机构投诉率、客诉距离承保天数以及保险止期距离出险天数；若目标预测数据的业务类型为理赔处理相关业务，则可以确定目标因子为查勘员案件数、所涉机构投诉率以及各渠道投诉率。
43.可选的，确定目标预测数据中各目标因子对应的指标值，包括：若目标预测数据的目标因子为所涉机构投诉率，则根据目标预测数据关联的承保机构，确定所涉机构；根据各所涉机构的在历史预设时间段内处理的总案件数和投诉案件数的关系，确定各所涉机构的投诉率；将各所涉机构的投诉率的平均值，确定为目标预设数据在目标因子为所涉机构投诉率时对应的指标值。
44.示例性的，目标预测数据关联的承保机构为a公司，而a公司为三级机构，a公司对应的二级机构为b公司，a公司对应的一级机构为c公司，则可以确定所涉机构为a公司、b公司以及c公司。
45.s102、确定各目标因子的权重值，并根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数。
46.其中，权重值是指可以表征目标因子对目标预测数据的风险分数影响的程度，权重值越大，表明该目标因子与客户投诉的关联性越大。
47.可选的，可以直接基于经验，分析各目标因子对是否投诉或转为外部投诉结果的影响情况，预先为各目标因子确定对应的权重值；也可以基于预设的模型，对包含各目标因子的相关历史工单数据进行拟合训练，确定出各目标因子最优的权重值。
48.可选的，可以确定目标预测数据各目标因子对应的指标项值，与对应权重值的乘积，作为目标预测数据对应指标项的风险分数，并将所有目标因子指对应指标项的风险分数的总和，作为目标预测数据关联的风险分数。
49.s103、根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对风险预测结果进行可视化展示。
50.其中，目标因子对应的指标值是指目标预测数据中关于目标因子的具体取值，例如，若目标因子为案件紧急程度，则对应的指标值可以是一般、紧急以及非常紧急。若目标因子为所涉机构投诉率，则对应的指标值可以是50％、20％或10％等。
51.可选的，可以直接将目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，作为风险预测结果；也可以获取相关人员选择的关注项，并根据相关人员选择的关注项以及目标预测数据的风险分数，生成风险预测结果，其中，关注项可以包括以下至少一种：目标预测数据关联的数据类型、目标因子以及目标因子对应的指标值。
52.可选的，若目标预测数据的数量为至少两个，则可以根据各目标预测的风险分数，将风险分数低于预设分数阈值的数据舍弃，根据风险分数高于预设分数阈值的目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果。
53.可选的，可以业务处理系统可以基于预设的展示方式，如图表的方式，对风险预测结果进行可视化展示，使得相关人员可以直观了解到相关工单数据目标因子的情况和客户投诉风险，做出相应的业务调整。
54.本发明实施例的技术方案，若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值，确定各目标因子的权重值，并根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数，根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对风险预测结果进行可视化展示。通过这样的方式，可以全面有效的对业务处理系统运行过程中产生的工单数据进行风险预测，提高了风险预测的准确性，使得相关人员可以及时调整相关的业务处理方式，提高保险业务处理系统对咨询事件和投诉事件的处理效率。
55.可选的，根据目标预测数据的数据类型，从预设的风险因子中确定目标因子之前，还包括：根据目标预测数据的数据格式，采用相应的筛选方式，从目标预测数据中确定出异常数据，并根据异常数据，对目标预测数据进行更新；根据预设字符值和预设数值，对目标预测数据进行缺失值处理。
56.可选的，根据异常数据，对目标预测数据进行更新，包括：将异常数据从目标预测数据中剔除，实现对目标预测数据的更新。
57.可选的，根据预设字符值和预设数值，对目标预测数据进行缺失值处理，包括：若检测到目标预测数据的中存在缺失数据的风险因子，且目标预测数据的数据格式为字符型，则根据预设字符值“missing”，对目标预测数据中对应风险因子项进行填充；若数据格式为数字型，则根据预设字符值“9999”，对目标预测数据中对应风险因子项进行填充。
58.可选的，根据目标预测数据的数据格式，采用相应的筛选方式，从目标预测数据中确定出异常数据，包括：若目标预测数据中存在目标因子对应指标项的数据格式为字符型，则确定指标项的文本内容是否属于预设文本范围，若否，则确定文本内容对应的预测数据为异常数据；若目标预测数据中存在目标因子对应指标项的数据格式为数字型，则确定各目标预测数据指标项数值的第一数值阈值和第二数值阈值；根据各目标预测数据对应指标项数值、第一数值阈值以及第二数值阈值之间的关系，从目标预测数据中确定出异常数据。
59.其中，指标项的数据格式为字符型的目标因子例如可以为案件紧急程度。指标项的数据格式为数字型的目标因子例如可以为查勘员投诉率。第一数值阈值可以是各目标预测数据指标项数值中的第一分位数，第一分位数又称最小分位数，为所有目标预测数据中指标项数值由小到大排列后第25％的数字；第二数值阈值可以是所有目标预测数据中指标项数值由小到大排列后第75％的数字。
60.示例性的，若q1、q3代表第一数值阈值和第二数值阈值，则可以确定各目标预测数据对应指标项数值中低于q1-1.5iqr，和/或高于q3+1.5iqr的数据为目标预测数据中的异常数据，其中，iqr＝q3-q1。
61.实施例二
62.图2是本发明实施例二提供的一种风险预测方法的流程图，本发明实施例在上述实施例的基础上，进一步对“确定各目标因子的权重值”进行详细的解释说明，如图2所示，该方法包括：
63.s201、若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值。
64.s202、根据目标预测数据的数据类型，从至少两个备选预测模型中确定出目标预测模型，并将目标预测模型关联的权重值，确定为各目标因子的权重值。
65.其中，备选预测模型是指预设的至少两个对不同数据类型的历史工单数据进行拟合构建出的模型。备选预测模型例如可以是lr模型(logistic regression，逻辑回归)。
66.可选的，可以直接确定与数据类型对应的备选预测模型为目标预测模型，例如，若目标预测数据的数据类型为咨询工单数据，则确定根据历史咨询工单数据拟合训练出的备选预测模型为目标预测模型。
67.可选的，可以将备选预测模型的权重值直接确定为目标预测模型关联的权重值，从而确定各目标因子的权重值，其中目标预测模型关联的权重值与各目标因子关联的权重值一一对应。
68.可选的，构建至少两个备选预测模型的一种可实施方式为：获取预设历史时间段内的历史工单数据，并根据历史工单数据的数据类型，对历史工单数据进行分组；根据各组历史工单数据中各目标因子对应的指标值，以及各组历史工单数据中各历史工单数据的投诉结果，构建至少两个备选预测模型，并确定各备选预测模型的最优权重值。
69.可选的，根据历史工单数据的数据类型，对历史工单数据进行分组，包括；将历史
工单数据分为历史咨询工单数据和历史内部投诉工单数据两组。
70.需要说明的是，历史咨询工单数据与目标预测数据在数据类型为咨询工单数据时对应的目标因子相同，历史内部投诉工单数据与目标预测数据在数据类型为内部投诉工单数据时对应的目标因子相同。
71.具体的，若历史工单数据为历史咨询工单数据，则确定目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道来电次数、各渠道投诉率以及客诉距离承保天数。若历史工单数据为历史内部投诉工单数据，则确定目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道投诉率、各来电原因投诉率、保险止期距离出险天数、结案时长、各渠道投诉率、投诉人身份投诉次数、案件紧急程度、查勘员投诉率、理赔流程目前停留时长以及定损员投诉率。
72.示例性的，针对每组历史工单数据，可以确定对应的初始备选预测模型如下：
73.w*x+b＝w1*x1+w2*x2+
…
+wn*xn+b
74.其中，w*x+b为模型的输出值，表征历史上该条工单数据具体的投诉结果，若发生投诉，则w*x+b为1，若未发生投诉，则w*x+b为0。w1
…
wn分别表示目标因子1-n的权重值。x1
…
xn分别表示各目标因子对应的指标值。b为预设的偏差值。
75.可选的，可以将每组历史工单数据中的各历史工单数据的指标值和投诉结果对应的数值代入上述初始备选预测模型，结合最大似然估计方法，求解出w1
…
wn的最优取值，即确定最优权重值；也可以基于经验确定至少两组备选权重值，并将各备选权重值与各历史工单数据的指标值代入上述初始备选预测模型，确定模型输出结果与实际投诉结果一致的工单数据数量，并将结果一致的工单数量最多的一组备选权重值，确定为最优权重值，即w1
…
wn的最优取值。
76.可选的，求解出w1
…
wn的最优取值即最优权重值之后，可以根据最优取值的w1
…
wn和预设的偏差值，构建备选预测模型。该备选预测模型对应的权重值即为w1
…
wn的最优取值。
77.可选的，可以为每组历史工单数据构建一个对应的备选预测模型，从而实现构建至少两个备选预测模型。
78.s203、根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数。
79.可选的，可以将权重值和各目标因子对应的指标值输入预先训练好的模型，输出风险分数，即确定目标预测数据关联的风险分数；也可以基于预设的计算规则，根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数。
80.示例性的，可以基于如下公式，确定目标预测数据关联的风险分数：
81.风险分数＝(1/1+exp(-(w1*x1+w2*x2+
…
+wn*xn+b)))*100
82.其中，w1
…
wn分别表示目标预测数据关联的目标因子1-n的权重值。x1
…
xn分别表示目标预测数据关联的各目标因子对应的指标值。b为预设的偏差值。exp是指以自然常数e为底的指数函数。
83.可选的，还可以直接将权重值和各目标因子对应的指标值乘积的总和，确定为目标预测数据关联的风险分数。
84.s204、根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对风险预测结果进行可视化展示。
85.本发明的技术方案，若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值，根据目标预测数据的数据类型，从至少两个备选预测模型中确定出目标预测模型，并将目标预测模型关联的权重值，确定为各目标因子的权重值，根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数，最后根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对风险预测结果进行可视化展示。通过这样的方式，可以利用预测模型拟合历史数据从而确定出各目标因子准确的权重值，从而确定出目标预测数据更合理有效的风险分数，提高保险业务处理系统对咨询事件和投诉事件的处理效率。
86.实施例三
87.图3是本发明实施例三提供的一种风险预测装置的结构框图，本发明实施例所提供的一种风险预测装置可适用于业务处理系统对工单数据进行风险预测的情况，尤其适用于保险公司的保险业务处理系统对工单数据进行风险预测的情况，该风险预测装置可以采用硬件和/或软件的形式实现，配置于电子系统中，如业务处理系统中。如图3所示，该装置具体包括：第一确定模块301、第二确定模块302和可视化模块303。
88.其中，第一确定模块301，用于若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值；所述数据类型为咨询工单数据或内部投诉工单数据；
89.第二确定模块302，用于确定各目标因子的权重值，并根据所述权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数；
90.可视化模块303，用于根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对所述风险预测结果进行可视化展示。
91.本发明实施例的技术方案，若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值，确定各目标因子的权重值，并根据权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数，根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对风险预测结果进行可视化展示。通过这样的方式，可以全面有效的对业务处理系统运行过程中产生的工单数据进行风险预测，使得相关人员及时调整相关的业务处理方式，提高保险业务处理系统对咨询事件和投诉事件的处理效率。
92.进一步的，第一确定模块301具体用于：
93.若目标预测数据的数据类型为咨询工单数据，则确定的目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道来电次数、各渠道投诉率以及客诉距离承保天数；
94.若目标预测数据的数据类型为内部投诉工单数据，则确定的目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道投诉率、各来电原因投诉率、保险止期距离出险天数、结案时长、各渠道投诉率、投诉人身份投诉
次数、案件紧急程度、查勘员投诉率、理赔流程目前停留时长以及定损员投诉率。
95.进一步的，第一确定模块301还用于：
96.若目标预测数据的目标因子为所涉机构投诉率，则根据目标预测数据关联的承保机构，确定所涉机构；
97.根据各所涉机构的在历史预设时间段内处理的总案件数和投诉案件数的关系，确定各所涉机构的投诉率；
98.将各所涉机构的投诉率的平均值，确定为目标预设数据在目标因子为所涉机构投诉率时对应的指标值。
99.进一步的，第二确定模块302具体用于：
100.根据目标预测数据的数据类型，从至少两个备选预测模型中确定出目标预测模型，并将目标预测模型关联的权重值，确定为各目标因子的权重值。
101.进一步的，上述装置还用于：
102.获取预设历史时间段内的历史工单数据，并根据所述历史工单数据的数据类型，对历史工单数据进行分组；
103.根据各组历史工单数据中各目标因子对应的指标值，以及各组历史工单数据中各历史工单数据的投诉结果，构建至少两个备选预测模型，并确定各备选预测模型的最优权重值。
104.进一步的，上述装置还包括：
105.更新模块，用于根据目标预测数据的数据格式，采用相应的筛选方式，从目标预测数据中确定出异常数据，并根据异常数据，对目标预测数据进行更新；
106.缺失值处理模块，用于根据预设字符值和预设数值，对目标预测数据进行缺失值处理。
107.进一步的，更新模块具体用于：
108.若目标预测数据中存在目标因子对应指标项的数据格式为字符型，则确定指标项的文本内容是否属于预设文本范围，若否，则确定所述文本内容对应的预测数据为异常数据；
109.若目标预测数据中存在目标因子对应指标项的数据格式为数字型，则确定各目标预测数据指标项数值的第一数值阈值和第二数值阈值；根据各目标预测数据对应指标项数值、第一数值阈值以及第二数值阈值之间的关系，从目标预测数据中确定出异常数据。
110.需要说明的是，本技术技术方案中对目标预测数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
111.实施例四
112.图4是本发明实施例四提供的电子设备的结构示意图。图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
113.如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
114.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
115.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风险预测方法。
116.在一些实施例中，风险预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的风险预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风险预测方法。
117.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
118.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
119.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电
气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
120.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
121.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
122.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
123.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
124.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种风险预测方法，其特征在于，包括：若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值；所述数据类型为咨询工单数据或内部投诉工单数据；确定各目标因子的权重值，并根据所述权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数；根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对所述风险预测结果进行可视化展示。2.根据权利要求1所述的方法，其特征在于，根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，包括：若目标预测数据的数据类型为咨询工单数据，则确定的目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道来电次数、各渠道投诉率以及客诉距离承保天数；若目标预测数据的数据类型为内部投诉工单数据，则确定的目标因子包括以下至少一种：报案号工单数量、查勘员案件数、客诉距离出险天数、所涉机构投诉率、各渠道投诉率、各来电原因投诉率、保险止期距离出险天数、结案时长、各渠道投诉率、投诉人身份投诉次数、案件紧急程度、查勘员投诉率、理赔流程目前停留时长以及定损员投诉率。3.根据权利要求2所述的方法，其特征在于，确定目标预测数据中各目标因子对应的指标值，包括：若目标预测数据的目标因子为所涉机构投诉率，则根据目标预测数据关联的承保机构，确定所涉机构；根据各所涉机构的在历史预设时间段内处理的总案件数和投诉案件数的关系，确定各所涉机构的投诉率；将各所涉机构的投诉率的平均值，确定为目标预设数据在目标因子为所涉机构投诉率时对应的指标值。4.根据权利要求1所述的方法，其特征在于，确定各目标因子的权重值，包括：根据目标预测数据的数据类型，从至少两个备选预测模型中确定出目标预测模型，并将目标预测模型关联的权重值，确定为各目标因子的权重值。5.根据权利要求4所述的方法，其特征在于，还包括：获取预设历史时间段内的历史工单数据，并根据所述历史工单数据的数据类型，对历史工单数据进行分组；根据各组历史工单数据中各目标因子对应的指标值，以及各组历史工单数据中各历史工单数据的投诉结果，构建至少两个备选预测模型，并确定各备选预测模型的最优权重值。6.根据权利要求1所述的方法，其特征在于，根据目标预测数据的数据类型，从预设的风险因子中确定目标因子之前，还包括：根据目标预测数据的数据格式，采用相应的筛选方式，从目标预测数据中确定出异常数据，并根据异常数据，对目标预测数据进行更新；根据预设字符值和预设数值，对目标预测数据进行缺失值处理。7.根据权利要求6所述的方法，其特征在于，根据目标预测数据的数据格式，采用相应
的筛选方式，从目标预测数据中确定出异常数据，包括：若目标预测数据中存在目标因子对应指标项的数据格式为字符型，则确定指标项的文本内容是否属于预设文本范围，若否，则确定所述文本内容对应的预测数据为异常数据；若目标预测数据中存在目标因子对应指标项的数据格式为数字型，则确定各目标预测数据指标项数值的第一数值阈值和第二数值阈值；根据各目标预测数据对应指标项数值、第一数值阈值以及第二数值阈值之间的关系，从目标预测数据中确定出异常数据。8.一种风险预测装置，其特征在于，包括：第一确定模块，用于若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值；所述数据类型为咨询工单数据或内部投诉工单数据；第二确定模块，用于确定各目标因子的权重值，并根据所述权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数；可视化模块，用于根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对所述风险预测结果进行可视化展示。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风险预测方法。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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风险预测方法。

技术总结
本发明公开了一种风险预测方法、装置、设备以及存储介质。该方法包括：若检测到风险预测事件，则根据目标预测数据的数据类型，从预设的风险因子中确定目标因子，并确定目标预测数据中各目标因子对应的指标值；所述数据类型为咨询工单数据或内部投诉工单数据；确定各目标因子的权重值，并根据所述权重值和各目标因子对应的指标值，确定目标预测数据关联的风险分数；根据目标预测数据关联的数据类型、风险分数、目标因子以及目标因子对应的指标值，生成风险预测结果，并对所述风险预测结果进行可视化展示。本发明的技术方案，可以全面有效的对业务处理系统运行过程中产生的工单数据进行风险预测，便于后续业务调整，提高系统的工作效率。作效率。作效率。


技术研发人员：付沙
受保护的技术使用者：太平金融科技服务（上海）有限公司深圳分公司
技术研发日：2023.05.26
技术公布日：2023/10/6