一种智能柜台办理的业务种类的确定方法及相关装置与流程

本发明涉及数据处理领域，更具体的说，涉及一种智能柜台办理的业务种类的确定方法及相关装置。

背景技术：

目前，银行为了提高工作效率，一般都会在银行中设置智能柜台，用户可在智能柜台自助办理部分业务，如办理转账、查询余额等业务。

设置智能柜台是为了减少人工柜台的用户量，所以，不适合将智能柜台做成功能全面的机器，而适合做成专业化的机器，每台智能柜台可办理的业务种类较少。那么每台智能柜台办理哪些业务，这是本领域技术人员亟需解决的技术问题。

技术实现要素：

有鉴于此，本发明提供一种智能柜台办理的业务种类的确定方法及相关装置，以解决如何确定每台智能柜台办理哪些业务的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种智能柜台办理的业务种类的确定方法，包括：

获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量；

调用预设数据处理模型，以使所述预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，得到所述目标网点配置的智能柜台所需办理的业务种类；

所述预设数据处理模型基于训练样本训练得到；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合。

可选地，所述预设数据处理模型的生成过程包括：

获取训练样本；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合；

使用所述训练样本，对预设数据处理模型进行训练，直至满足预设训练停止条件时停止。

可选地，获取样本网点对应的智能柜台办理的业务种类集合包括：

获取样本网点的网点业务信息以及所述样本网点配置的智能柜台的数量；所述网点业务信息包括网点业务种类，以及网点业务办理数据；

获取预先设定的网点业务组合数量，并将所述网点业务种类按照所述网点业务组合数量进行组合，得到多个业务种类集合；

从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，并作为样本网点对应的智能柜台办理的业务种类集合。

可选地，从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，包括：

获取所述业务种类集合中的每两个网点业务种类的关联度，并基于每两个网点业务种类的关联度，计算所述业务种类集合的关联度；

根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值；

筛选出权重值满足预设权重规则的业务种类集合。

可选地，获取所述业务种类集合中的每两个网点业务种类的关联度，包括：

获取历史办理业务数据；所述历史办理业务数据包括历史连续办理的多个网点业务种类；

根据所述历史办理业务数据，计算所述历史办理业务数据中先后出现的两个网点业务种类的关联度；所述关联度表征所述两个网点业务种类中，在办理先出现的网点业务种类之前需办理后出现的网点业务种类的概率值；

从所述历史办理业务数据中先后出现的两个网点业务种类的关联度中，查找所述业务种类集合中的每两个网点业务种类的关联度。

可选地，所述网点业务办理数据包括：每种网点业务种类的平均办理时间以及每天的业务办理总时间；

根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值，包括：

根据每种网点业务种类的平均办理时间，计算所述业务种类集合中的所有网点业务种类的业务办理时间方差；

计算每天的业务办理总时间的平均业务办理总时间；

对所述业务办理时间方差、平均业务办理总时间以及所述业务种类集合的关联度进行加权求和，得到所述业务种类集合的权重值。

一种智能柜台办理的业务种类的确定装置，包括：

数据获取模块，用于获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量；

模型处理模块，用于调用预设数据处理模型，以使所述预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，得到所述目标网点配置的智能柜台所需办理的业务种类；

所述预设数据处理模型基于训练样本训练得到；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合。

可选地，还包括模型生成模块，所述模型生成模块包括：

样本获取子模块，用于获取训练样本；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合；

模型训练子模块，用于使用所述训练样本，对预设数据处理模型进行训练，直至满足预设训练停止条件时停止。

可选地，样本获取子模块包括：

数据获取单元，用于获取样本网点的网点业务信息以及所述样本网点配置的智能柜台的数量；所述网点业务信息包括网点业务种类，以及网点业务办理数据；

组合单元，用于获取预先设定的网点业务组合数量，并将所述网点业务种类按照所述网点业务组合数量进行组合，得到多个业务种类集合；

筛选单元，用于从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，并作为样本网点对应的智能柜台办理的业务种类集合。

一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量；

调用预设数据处理模型，以使所述预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，得到所述目标网点配置的智能柜台所需办理的业务种类；

所述预设数据处理模型基于训练样本训练得到；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合。

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种智能柜台办理的业务种类的确定方法及相关装置，本发明中，获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量，然后调用预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，由于所述预设数据处理模型基于训练样本训练得到，所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合，进而预设数据处理模型能够得到所述目标网点配置的智能柜台所需办理的业务种类，解决了如何确定每台智能柜台办理哪些业务的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种智能柜台办理的业务种类的确定方法的方法流程图；

图2为本发明实施例提供的另一种智能柜台办理的业务种类的确定方法的方法流程图；

图3为本发明实施例提供的再一种智能柜台办理的业务种类的确定方法的方法流程图；

图4为本发明实施例提供的一种智能柜台办理的业务种类的确定装置的结构示意图。

具体实施方式

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，都属于本发明保护的范围。

目前，银行为了提高工作效率，一般都会在银行中设置智能柜台，用户可在智能柜台自助办理部分业务，如办理转账、查询余额等业务。

设置智能柜台是为了减少人工柜台的用户量，所以，不适合将智能柜台做成功能全面的机器，而适合做成专业化的机器，每台智能柜台可办理的业务种类较少。那么每台智能柜台办理哪些业务，这是本领域技术人员亟需解决的技术问题。

目前，可以是人工基于经验设定每台智能柜台办理的业务，但是这种配置方式，人工经验的准确度较低，进而使得智能柜台办理的业务种类的准确度较低，则会导致由于智能柜台配置的业务种类不合适，而导致用户排队、业务办理跨多个智能柜台的情况出现，降低用户体验。

为此，本发明实施例中，获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量，然后调用预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，由于所述预设数据处理模型基于训练样本训练得到，所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合，进而预设数据处理模型能够得到所述目标网点配置的智能柜台所需办理的业务种类。

在上述内容的基础上，本发明实施例提供了一种智能柜台办理的业务种类的确定方法，应用于处理器、服务器等设备。参照图1，智能柜台办理的业务种类的确定方法可以包括：

s11、获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量。

在实际应用中，银行的前台系统设置专用柜台业务推荐模块，银行工作人员点击该模块之后，后台系统推荐专用智能柜机可办理的业务，即开始执行步骤s11。

具体的，目标网点可以是需要进行智能柜台配置的一个银行网点，该银行网点需要配置智能柜台，并且需要设置智能柜台可办理的业务种类。本实施例中的智能柜台也可以称为自助机。

另外，本实施例中的网点业务信息可以是每种网点业务种类的平均办理时间以及每天的业务办理总时间。

举例来说，以取款为例，获取100个办理取款的取款办理时间，然后求取平均值操作，即可得到取款业务的平均办理时间。其他业务种类，如转账、开户等业务种类类同。

每天的业务办理总时间是由每天智能柜台办理的业务总量*所有的业务办理平均时间计算得到。

目标网点配置的智能柜台的数量是指目标网点需要配置的智能柜台的数量，如四台、五台等。

s12、调用预设数据处理模型，以使所述预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，得到所述目标网点配置的智能柜台所需办理的业务种类。

其中，所述预设数据处理模型基于训练样本训练得到；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合。

由于预设数据处理模型的训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合，进而预设数据处理模型能够学习样本网点对应的网点业务信息、智能柜台的数量与智能柜台办理的业务种类集合之间的联系，进而能够在将网点业务信息以及所述智能柜台的数量输入预设数据处理模型之后，预设数据处理模型能够输出目标网点配置的智能柜台所需办理的业务种类。

本发明的另一实现方式中，给出了预设数据处理模型的生成过程，具体包括：

获取训练样本；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合；

使用所述训练样本，对预设数据处理模型进行训练，直至满足预设训练停止条件时停止。

本实施例中，样本网点可以是已经配置有智能柜台并且智能柜台以进行使用的银行网点。

另外，本实施例中的预设数据处理模型可以是神经网络模型，神经网络模型的预设训练停止条件是损失函数值小于预设阈值。

本实施例中，获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量，然后调用预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，由于所述预设数据处理模型基于训练样本训练得到，所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合，进而预设数据处理模型能够得到所述目标网点配置的智能柜台所需办理的业务种类。

上述实施例中提及了训练样本包括样本网点对应的智能柜台办理的业务种类集合，现对该智能柜台办理的业务种类集合如何获取的过程进行介绍。

具体的，参照图2，可以包括：

s21、获取样本网点的网点业务信息以及所述样本网点配置的智能柜台的数量。

所述网点业务信息包括网点业务种类，以及网点业务办理数据。

其中，网点业务种类是该网点可以办理的所有的网点业务的网点业务种类，如转账、汇款、开户等。

网点业务办理数据包括每种网点业务种类的平均办理时间以及每天的业务办理总时间，具体解释内容请参照上述相应说明。

样本网点配置的智能柜台的数量是指已经配置有智能柜台的银行网点配置的智能柜台的数量。

s22、获取预先设定的网点业务组合数量，并将所述网点业务种类按照所述网点业务组合数量进行组合，得到多个业务种类集合。

其中，本实施例中的网点业务组合数量是人工依据经验确定的一台智能柜台所承载的网点业务种类的数量，如可以是4-7种，则网点业务组合数量为4-7。

在确定了网点业务组合数量之后，将所述网点业务种类按照所述网点业务组合数量进行随机组合，如以网点业务组合数量为4种为例，将所有的网点业务种类中的四种进行任意组合，得到所有的组合方式，其中，每一种组合方式称为业务种类集合。其他的网点业务组合数量类同，进而就可以组合得到多个业务种类集合。

s23、从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，并作为样本网点对应的智能柜台办理的业务种类集合。

在实际应用中，在进行业务种类集合的筛选时，会考虑业务种类集合中的网点业务种类的关联度、网点业务种类的业务办理时间方差、以及用户的平均业务办理总时间。

其中，考虑网点业务种类的关联度，是由于一般用户在办理业务时，关联业务会一起办理，如在进行转账之前，先查询账户余额，则查询账户余额和转账属于关联业务。将关联业务放置在同一台智能柜台上，会方便用户办理业务，提高用户体验。

考虑网点业务种类的业务办理时间方差，是为了避免用户在同一台智能柜台上办理业务的时间过长，用户排队情况较低，进而降低用户体验。

考虑用户的平均业务办理总时间，是为了避免较长时间的排队，降低用户体验。

本发明的另一实现方式中，给出了步骤s23的具体实现过程，参照图3，可以包括：

s31、获取所述业务种类集合中的每两个网点业务种类的关联度，并基于每两个网点业务种类的关联度，计算所述业务种类集合的关联度。

其中，关联度表征所述两个网点业务种类中，在办理先出现的网点业务种类之前需办理后出现的网点业务种类的概率值。

举例来说，以转账和查询余额为例，一般情况下，在进行转账之前，会先进行查询余额操作，若是100个人中，有90个人，在进行转账之前，先进行查询余额操作，则转账和查询余额的关联度为90/100＝0.9。

在获取业务种类集合中的每两个网点业务种类的关联度之后，对每两个网点业务种类的关联度进行取平均值操作，得到业务种类集合的关联度。

本发明的另一实现方式中，给出了“获取所述业务种类集合中的每两个网点业务种类的关联度”的具体实现过程，具体包括：

1)获取历史办理业务数据。

其中，所述历史办理业务数据包括历史连续办理的多个网点业务种类。在实际应用中，对于办理业务的用户a，用户去银行办理业务时，获取用户此次办理的业务，如用户办理的是查询余额-取款操作，则记录用户办理的“查询余额-取款”操作。

若是用户b办理的是“转账-汇款”操作，则记录用户办理的“转账-汇款”操作。

将用户历史办理的各个操作进行汇总，得到历史办理业务数据。

2)根据所述历史办理业务数据，计算所述历史办理业务数据中先后出现的两个网点业务种类的关联度。

所述关联度表征所述两个网点业务种类中，在办理先出现的网点业务种类之前需办理后出现的网点业务种类的概率值。

具体的，以办理“查询余额-取款”操作为例，统计在查询余额之后办理取款操作(或者是办理取款之前进行查询余额操作，其中，取款是上述的先出现的网点业务种类，查询余额是后出现的网点业务种类)的用户的数量，计算该数量与用户总数量的比值，将该比值作为“查询余额-取款”操作的关联度。

3)从所述历史办理业务数据中先后出现的两个网点业务种类的关联度中，查找所述业务种类集合中的每两个网点业务种类的关联度。

在通过历史办理业务数据确定出任两个网点业务种类的关联度之后，直接从确定的关联度中，查找所述业务种类集合中的每两个网点业务种类的关联度。

需要说明的是，若是未在确定的关联度中，查找到所述业务种类集合中的某两个网点业务种类的关联度，则将该两个网点业务种类的关联度设置为零。

另外，可以将上述的确定两个网点业务种类的关联度的方式使用模型实现。后续直接将两个网点业务种类输入到模型中，即可得到两个网点业务种类的关联度。

s32、根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值。

其中，所述网点业务办理数据包括：每种网点业务种类的平均办理时间以及每天的业务办理总时间。

则根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值，可以包括：

1)根据每种网点业务种类的平均办理时间，计算所述业务种类集合中的所有网点业务种类的业务办理时间方差。

具体的，首先根据每种网点业务种类的平均办理时间，获取业务种类集合中的每一网点业务种类的平均办理时间，然后计算业务种类集合中的所有网点业务种类的平均办理时间的业务办理时间方差。

其中，同样都是在排队办理业务，有的用户业务办理时间很长、有的用户业务办理时间很短，此时，业务办理时间方差表征了业务办理过程中用户的等待不公平度。

2)计算每天的业务办理总时间的平均业务办理总时间。

具体的，计算每天的业务办理总时间的平均值，并作为平均业务办理总时间。

3)对所述业务办理时间方差、平均业务办理总时间以及所述业务种类集合的关联度进行加权求和，得到所述业务种类集合的权重值。

其中，业务种类集合的关联度用m表示，业务办理时间方差用l表示，平均业务办理总时间用n表示。

将m、l、n作为评价函数的自变量，y＝c1*m+c2*l+c3*n，c1、c2、c3为相应的权重值。

计算c1、c2、c3值的具体方法为通过逐一改变m、l、n的值，判断对结果的影响程度，影响程度的比例即为c1、c2、c3值，影响程度为网点的平均业务办理总时间。

s33、筛选出权重值满足预设权重规则的业务种类集合。

在确定出每一业务种类集合的权重值，即上述的y值之后，将权重值按照由大到小的顺序进行排序，然后从大到小，筛选出与样本网点的智能柜台的数量相同的多个权重值。并将筛选得到的权重值对应的业务种类集合作为样本网点对应的智能柜台办理的业务种类集合。然后将每一种业务种类集合分配到一智能柜台上，以使该智能柜台执行该业务种类集合中的网点业务种类对应的业务。

需要说明的是，若是样本网点的总网点业务种类的数量为100个，则最终确定的所有的业务种类集合中的网点业务种类的总数量小于100个，如20个，也即将部分的网点业务种类放置到智能柜台上去执行，实现为人工柜台分流的功能。

本实施例中，确定的样本网点对应的智能柜台办理的业务种类集合，考虑了网点业务种类的关联度、网点业务种类的业务办理时间方差、以及用户的平均业务办理总时间，即考虑了银行业务办理过程中的主要影响因素，进而使得样本网点对应的智能柜台办理的业务种类集合的确定准确度较高，则基于该样本进行训练时得到的神经网络模型的准确度更高，则使用该神经网络模型对新配置智能柜台的网点进行智能柜台的业务配置的准确度较高，从而可以提高智能柜台的利用率，提高网点的工作效率和运营效率，进而提升客户体验。

可选地，在上述智能柜台办理的业务种类的确定方法的实施例的基础上，本发明的另一实施例提供了一种智能柜台办理的业务种类的确定装置，参照图4，可以包括：

数据获取模块，用于获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量；

模型处理模块，用于调用预设数据处理模型，以使所述预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，得到所述目标网点配置的智能柜台所需办理的业务种类；

所述预设数据处理模型基于训练样本训练得到；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合。

进一步，还包括模型生成模块，所述模型生成模块包括：

样本获取子模块，用于获取训练样本；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合；

模型训练子模块，用于使用所述训练样本，对预设数据处理模型进行训练，直至满足预设训练停止条件时停止。

进一步，样本获取子模块包括：

数据获取单元，用于获取样本网点的网点业务信息以及所述样本网点配置的智能柜台的数量；所述网点业务信息包括网点业务种类，以及网点业务办理数据；

组合单元，用于获取预先设定的网点业务组合数量，并将所述网点业务种类按照所述网点业务组合数量进行组合，得到多个业务种类集合；

筛选单元，用于从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，并作为样本网点对应的智能柜台办理的业务种类集合。

进一步，筛选单元包括：

关联度计算子单元，用于获取所述业务种类集合中的每两个网点业务种类的关联度，并基于每两个网点业务种类的关联度，计算所述业务种类集合的关联度；

权重值确定子单元，用于根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值；

筛选子单元，用于筛选出权重值满足预设权重规则的业务种类集合。

进一步，关联度计算子单元用于获取所述业务种类集合中的每两个网点业务种类的关联度时，具体用于：

获取历史办理业务数据；所述历史办理业务数据包括历史连续办理的多个网点业务种类；

根据所述历史办理业务数据，计算所述历史办理业务数据中先后出现的两个网点业务种类的关联度；所述关联度表征所述两个网点业务种类中，在办理先出现的网点业务种类之前需办理后出现的网点业务种类的概率值；

从所述历史办理业务数据中先后出现的两个网点业务种类的关联度中，查找所述业务种类集合中的每两个网点业务种类的关联度。

进一步，所述网点业务办理数据包括：每种网点业务种类的平均办理时间以及每天的业务办理总时间；

权重值确定子单元具体用于：

根据每种网点业务种类的平均办理时间，计算所述业务种类集合中的所有网点业务种类的业务办理时间方差；

计算每天的业务办理总时间的平均业务办理总时间；

对所述业务办理时间方差、平均业务办理总时间以及所述业务种类集合的关联度进行加权求和，得到所述业务种类集合的权重值。

本实施例中，获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量，然后调用预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，由于所述预设数据处理模型基于训练样本训练得到，所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合，进而预设数据处理模型能够得到所述目标网点配置的智能柜台所需办理的业务种类，解决了如何确定每台智能柜台办理哪些业务的问题。

需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选地，在上述智能柜台办理的业务种类的确定方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量；

调用预设数据处理模型，以使所述预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，得到所述目标网点配置的智能柜台所需办理的业务种类；

所述预设数据处理模型基于训练样本训练得到；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合。

进一步，所述预设数据处理模型的生成过程包括：

获取训练样本；所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合；

使用所述训练样本，对预设数据处理模型进行训练，直至满足预设训练停止条件时停止。

进一步，获取样本网点对应的智能柜台办理的业务种类集合包括：

获取样本网点的网点业务信息以及所述样本网点配置的智能柜台的数量；所述网点业务信息包括网点业务种类，以及网点业务办理数据；

获取预先设定的网点业务组合数量，并将所述网点业务种类按照所述网点业务组合数量进行组合，得到多个业务种类集合；

从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，并作为样本网点对应的智能柜台办理的业务种类集合。

进一步，从所述多个业务种类集合中筛选出满足预设业务种类集合筛选规则的业务种类集合，包括：

获取所述业务种类集合中的每两个网点业务种类的关联度，并基于每两个网点业务种类的关联度，计算所述业务种类集合的关联度；

根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值；

筛选出权重值满足预设权重规则的业务种类集合。

进一步，获取所述业务种类集合中的每两个网点业务种类的关联度，包括：

获取历史办理业务数据；所述历史办理业务数据包括历史连续办理的多个网点业务种类；

根据所述历史办理业务数据，计算所述历史办理业务数据中先后出现的两个网点业务种类的关联度；所述关联度表征所述两个网点业务种类中，在办理先出现的网点业务种类之前需办理后出现的网点业务种类的概率值；

从所述历史办理业务数据中先后出现的两个网点业务种类的关联度中，查找所述业务种类集合中的每两个网点业务种类的关联度。

进一步，所述网点业务办理数据包括：每种网点业务种类的平均办理时间以及每天的业务办理总时间；

根据所述网点业务办理数据以及所述业务种类集合的关联度，确定所述业务种类集合的权重值，包括：

根据每种网点业务种类的平均办理时间，计算所述业务种类集合中的所有网点业务种类的业务办理时间方差；

计算每天的业务办理总时间的平均业务办理总时间；

对所述业务办理时间方差、平均业务办理总时间以及所述业务种类集合的关联度进行加权求和，得到所述业务种类集合的权重值。

本实施例中，获取待进行智能柜台业务种类配置的目标网点的网点业务信息，以及获取所述目标网点配置的智能柜台的数量，然后调用预设数据处理模型对所述网点业务信息以及所述智能柜台的数量进行处理，由于所述预设数据处理模型基于训练样本训练得到，所述训练样本包括样本网点对应的网点业务信息、智能柜台的数量、以及智能柜台办理的业务种类集合，进而预设数据处理模型能够得到所述目标网点配置的智能柜台所需办理的业务种类，解决了如何确定每台智能柜台办理哪些业务的问题。

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，在其它实施例中实现。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。