银行业务项目实施情况的预测方法及装置与流程

本发明涉及数据处理技术领域，尤其涉及一种银行业务项目实施情况的预测方法及装置。

背景技术：

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着社会的发展，互联网金融带来了一场新的变革，传统银行业务不再是银行的全部，新型银行业务迅速发展，正在努力的渗透在客户生活的每个场景中。银行业务持续创新成为银行发展的内在驱动力。然而，对于一个即将实施的银行业务项目，如何对其投产后的实施情况进行预测处理，避免造成不必要的损失是亟待解决的技术问题。

技术实现要素：

本发明实施例提供一种银行业务项目实施情况的预测方法，用以高效准确地对银行业务项目的实施情况进行预测，该方法包括：

获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据；

将业务项目关键指标数据转化为业务项目关键指标特征值；

将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；所述银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立。

本发明实施例还提供一种银行业务项目实施情况的预测装置，用以高效准确地对银行业务项目的实施情况进行预测，该装置包括：

提取单元，用于获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据；

转化单元，用于将业务项目关键指标数据转化为业务项目关键指标特征值；

预测单元，用于将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；所述银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行业务项目实施情况的预测方法。

本发明实施例还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执行上述银行业务项目实施情况的预测方法的计算机程序。

本发明实施例提供地银行业务项目实施情况的预测方案通过：获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据；将业务项目关键指标数据转化为业务项目关键指标特征值；将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；该银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立，可以实现高效准确地对银行业务项目的实施情况进行预测，为银行业务项目的开展提供了科学有效的指导。

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。在附图中：

图1为本发明实施例中银行业务项目实施情况的预测方法的流程示意图；

图2为本发明实施例中预先建立银行业务项目实施情况预测模型的示意图；

图3为本发明又一实施例中银行业务项目实施情况的预测方法的示意图；

图4为本发明实施例中银行业务项目实施情况的预测装置的结构示意图；

图5为本发明又一实施例中银行业务项目实施情况的预测装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

由于发明人考虑到了现有技术存在的问题，提出了一种银行业务项目实施情况的预测方案，该方法为一种基于逻辑回归算法的银行业务项目实施情况的预测方案，其根据以往业务项目(例如创意方案)和评价结果(预测结果)，组成银行业务创新评价模型(银行业务项目实施情况预测模型)训练集，再用逻辑回归算法训练生成评价模型(银行业务项目实施情况预测模型)，该模型可以对银行的拟开展银行业务项目(例如银行业务创新方案)进行客观的评价(预测)，据此预测结果安排下一步发展方向和工作计划，在单位时间内可以保证实施的银行业务项目例如创新业务产生最好的效果，减少低效工作，避免人力、物力的损失；同时，评价(预测)过程中积累更多的创意结果(预测结果)反馈，不断优化创新评价模型(银行业务项目实施情况预测模型)，形成闭环，提高创新方案评价的准确度，即提高银行业务项目实施情况的预测准确度，预测效率也有大幅度提升。下面对该银行业务项目实施情况的预测方案进行详细介绍。

图1为本发明实施例中银行业务项目实施情况的预测方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤101：获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据；

步骤102：将业务项目关键指标数据转化为业务项目关键指标特征值；

步骤103：将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；所述银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立。

本发明实施例提供地银行业务项目实施情况的预测方法可以实现高效准确地对银行业务项目的实施情况进行预测，为银行业务项目的开展提供了科学有效的指导。

基于逻辑回归算法的银行业务创新评价模型(银行业务项目实施情况预测模型)可以对银行业务项目(银行业务创新方案)进行内容分析后进行客观地预测，其实现步骤可以包括如下：

1、数据来源与数据清洗

获取银行内部的历史创新方案(历史银行业务项目数据)，对数据进行清洗处理后，提取出创新方案的相关指标(业务项目关键指标数据)，可以包括：业务场景关键词指标数据、技术关键词指标数据、实施涉及改造系统指标数据、实施周期指标数据、投入资源指标数据(例如投入金额数据、投入人力物力数据)等的任意组合，上述业务项目关键指标数据包括的任意组合进一步提高了银行业务项目实施情况预测的准确性和效率。

同时标注该创新方案对应的评价的结果(预测结果)，例如：效果优、效果差、未采纳的预测结果，分别对应数值2、1、0(业务项目实施情况的预测结果)。具体效果可以通过方案实施后带来效果以及节省资源的数据是否达到某个阈值来定义。

2、创新方案评价特征提取

将准备好的创新方案的相关指标(业务项目关键指标数据)转化为具体特征值(业务项目关键指标特征值)，进而根据每一业务项目关键指标特征值及对应的业务项目实施情况的预测结果得到历史样本库；根据该历史样本库，生成训练集和测试集供后续训练使用。各特征值提取过程如下：

(1)业务场景特征值(对应上述业务场景关键词指标数据)：指业务场景关键词搜索指数。

搜索指数是半年内某搜索引擎互联网用户对关键词搜索关注程度及持续变化情况。以网民在搜索引擎的搜索量为数据基础，以关键词为统计对象，科学分析并计算出半年内该关键词的搜索频次、搜索频次峰值日期当前日期差。通过某搜索引擎可获取业务场景关键词搜索指数。若包含多个关键词，则取所有业务场景关键词搜索指数的加权平均值，作为其特征值。

(2)技术特征值(对应上述技术关键词指标数据)：包括技术关键词搜索指数，学术程度。

技术关键词搜索指数获取过程可以参加上述业务场景关键词搜索指数。若包含多个关键词，则取所有技术关键词搜索指数的加权平均值，作为其特征值。

技术关键词学术程度通过学术论文库，获取该技术发表论文数量、发表日期(yyyymmdd)加权平均值。

(3)改造系统特征值(对应上述实施涉及改造系统指标数据)：包括实施涉及改造系统个数，每个系统重要程度、复杂程度。

每一个系统在银行内部均已定义其风险级别、复杂程度，使用系统定义风险级别、复杂程度对应数值作为其特征值。

(4)实施周期特征值(对应上述实施周期指标数据)：指实施使用的天数。

(5)投入资源特征值(对应上述投入资源指标数据)：指投入资源合计数据，例如投入资源人力、物力、金额等数据。

通过上述可知，在一个实施例中，上述业务项目关键指标特征值可以包括如下特征值的任意组合：业务场景特征值、技术特征值、改造系统特征值、实施周期特征值和投入资源特征值。

具体实施时，上述业务项目关键指标特征值包括的特征值的任意组合进一步提高了银行业务项目实施情况预测的准确性和效率。

3、逻辑回归模型(银行业务项目实施情况预测模型)的训练

银行业务项目实施情况预测模型简介：

逻辑回归模型通过训练数据，进行有监督的机器学习，从而根据训练数据不断获得目标函数收敛，生成参数值。

使用sigmoid函数将线性分类器的响应值<w,s>映射到一个概率上。在一个实施例中，上述预测函数可以为：

其中，y表示创新方案(银行业务项目)通过的概率，1-y则为创新方案不通过概率，二者的比值便被称为“几率”，反映了创新方案通过的相对可能性。s向量为上文描述特征组(业务项目关键指标特征值包括的特征值的任意组合)，即创新方案评价特征，b为调整因子，可根据银行创新方案审核通过率调整，w为训练待生成的模型，w^t表示矩阵转置。

银行业务项目实施情况预测模型训练步骤可以包括如下：

步骤3.1：依据创新方案评价特征提取过程，获取不同指标的特征值(业务项目关键指标特征值)。首先使用公式x'＝(x-x_min)/(x_max-x_min)做归一化处理，让所有特征值处于[0,1]区间，其中：x'为归一化处理之后的业务项目关键指标特征值，x的含义是归一化之前的业务项目关键指标特征值，x_min为归一化之前的最小业务项目关键指标特征值，x_max为归一化之前的最大业务项目关键指标特征值。将训练集创新提案的特征值及其评价结果(业务项目关键指标特征值及对应的业务项目实施情况的预测结果)，即对应的一组数字(业务项目实施情况的预测结果)，存入文件logistic_data.csv，文件的每一行代表一个历史的创新提案的全部特征值及其评价结果(一个历史的业务项目关键指标特征值及对应的业务项目实施情况的预测结果)。将测试集创新提案的特征值(业务项目关键指标特征值)存入文件logistic_test.csv。最后将训练集、测试集文件存入hdfs中。

步骤3.2：使用hadoop平台的mahout框架训练，命令为trainlogistic，输入参数是input和types，input参数表示输入文件，即步骤3.1中生成的logistic_data.csv；types参数表示输入数据类型，即浮点型。进行训练后得到逻辑回归模型文件logistic.model。针对创新方案评价(银行业务项目实施情况的预测)场景需要两次训练，产生两个模型，模型a(第一模型)用于区分方案是否采纳(预测银行业务项目可实施性是否为通过)，模型b(第二模型)用于评价已采纳方案的效果(预测银行业务项目可实施性效果为效果优、效果差等)，该过程为银行业务创新评价模型训练的完整过程。

步骤3.3：使用hadoop平台的mahout框架的命令runlogistic，通过模型a、模型b和测试集logistic_test.csv进行交叉验证测试，验证评价结果是否符合预期，得到预先建立得银行业务项目实施情况预测模型，该银行业务项目实施情况预测模型的输入是业务项目关键指标特征值，输出是银行业务项目实施情况的预测结果。

通过上述可知，在一个实施例中，如图2所示，上述银行业务项目实施情况的预测方法还可以包括按照如下方法预先建立所述银行业务项目实施情况预测模型：

步骤201：获取多个历史银行业务项目数据；从每一所述历史银行业务项目数据中提取出业务项目关键指标数据；

步骤202：将每一业务项目关键指标数据转化为业务项目关键指标特征值；根据每一业务项目关键指标特征值及对应的业务项目实施情况的预测结果，得到历史样本库；根据所述历史样本库，生成训练集和测试集；

步骤203：基于逻辑回归算法，利用所述训练集对银行业务项目实施情况预测模型进行训练，得到训练好的银行业务项目实施情况预测模型；

步骤204：利用所述测试集对所述训练好的银行业务项目实施情况预测模型进行测试，得到所述预先建立的银行业务项目实施情况预测模型。

具体实施时，上述预先建立所述银行业务项目实施情况预测模型的实施方式进一步提高了银行业务项目实施情况预测的准确性和效率。

4、使用模型在线评价并收集反馈

具体步骤如下：

步骤4.1：用户输入创新方案的相关指标(业务项目关键指标数据)，可以包括：业务场景关键词指标数据、技术关键词指标数据、实施涉及改造系统指标数据、实施周期指标数据和投入资源指标数据，即获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据。

步骤4.2：进行创新方案的相关指标特征值转换，过程同创新方案评价特征提取过程，即将业务项目关键指标数据转化为业务项目关键指标特征值。

步骤4.3：使用银行业务创新评价模型进行业务评价，即将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；所述银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立。预测过程可以使用hadoop平台的mahout框架的命令runlogistic。具体地，首先使用上述模型a(第一模型)判断该方案是否建议通过，然后使用上述模型b(第二模型)来预测方案实施效果，最终输出结果为效果好、效果差或不采纳。根据评价结果(银行业务项目实施情况的预测结果)来进行决策，规划银行业务创新方案的实施工作。

步骤4.4：定期收集预测评价创新方案的实施结果，即采集距当前时刻预设时间段内的银行业务项目数据及其实施情况的预测结果，存入银行内部历史创新方案数据集。随着时间推移，相关指标对应的特征值，比如业务场景关键词搜索指数、技术关键词搜索指数和学术程度也会不断变化。由于不断丰富的数据集和不断更新指标的特征值，该创新方案评价模型会定期更新，即按照上述步骤重新训练模型并预测，保证模型预测准确率不断提升。

通过上述可知，在一个实施例中，如图3所示，上述银行业务项目实施情况的预测方法还可以包括如下步骤：

步骤301：采集距当前时刻预设时间段内的银行业务项目数据及其实施情况的预测结果；

步骤302：在检测到当前采集的银行业务项目数据及其实施情况的预测结果未出现在历史样本库中时，将当前采集的银行业务项目数据及其实施情况的预测结果加入至历史样本库中，得到更新的历史样本库；

步骤303：利用更新的历史样本库，重新训练所述银行业务项目实施情况预测模型，得到更新的银行业务项目实施情况预测模型。

具体实施时，上述更新银行业务项目实施情况预测模型，进而利用该更新银行业务项目实施情况预测模型进行预测的实施方式进一步提高了银行业务项目实施情况预测的准确性。

综上，本发明实施例提供的方案通过使用预先建立的银行业务项目实施情况预测模型进行评价，可以对若干项业务创新方案进行客观地评估，得到银行业务项目实施情况的预测结果，选出最具有潜力的银行业务创新项，以此作为依据开展银行业务，能够更加有效地推进银行业务的发展。

本发明实施例提供的银行业务项目实施情况的预测方法，目前应用于银行业务创新领域，应不断地挖掘出更多用于预测的指标和特征维度，更加全面地描述该创新方案，不断地优化特征提取的准确性和全面性。本发明实施例中的银行业务项目实施情况预测模型中的各权重参数可依据具体情况进行调节，以适应当前评估预测标准，未来可将模型不断完善，并逐渐扩展到其它领域用以预测新的业务项目的实施情况，使得新的业务项目预测工作更加公正、客观。

本发明实施例中还提供了一种银行业务项目实施情况的预测装置，如下面的实施例所述。由于该装置解决问题的原理与银行业务项目实施情况的预测方法相似，因此该装置的实施可以参见银行业务项目实施情况的预测方法的实施，重复之处不再赘述。

图4为本发明实施例中银行业务项目实施情况的预测装置的结构示意图，如图4所示，该装置包括：

提取单元01，用于获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据；

转化单元02，用于将业务项目关键指标数据转化为业务项目关键指标特征值；

预测单元03，用于将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；所述银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立。

在一个实施例中，上述银行业务项目实施情况的预测装置还可以包括建立单元，用于按照如下方法预先建立所述银行业务项目实施情况预测模型：

获取多个历史银行业务项目数据；从每一所述历史银行业务项目数据中提取出业务项目关键指标数据；

将每一业务项目关键指标数据转化为业务项目关键指标特征值；根据每一业务项目关键指标特征值及对应的业务项目实施情况的预测结果，得到历史样本库；根据所述历史样本库，生成训练集和测试集；

基于逻辑回归算法，利用所述训练集对银行业务项目实施情况预测模型进行训练，得到训练好的银行业务项目实施情况预测模型；

利用所述测试集对所述训练好的银行业务项目实施情况预测模型进行测试，得到所述预先建立的银行业务项目实施情况预测模型。

在一个实施例中，如图5所示，上述银行业务项目实施情况的预测装置还可以包括：

采集单元04，用于采集距当前时刻预设时间段内的银行业务项目数据及其实施情况的预测结果；

加入单元05，用于在检测到当前采集的银行业务项目数据及其实施情况的预测结果未出现在历史样本库中时，将当前采集的银行业务项目数据及其实施情况的预测结果加入至历史样本库中，得到更新的历史样本库；

更新单元06，用于利用更新的历史样本库，重新训练所述银行业务项目实施情况预测模型，得到更新的银行业务项目实施情况预测模型。

在一个实施例中，所述银行业务项目实施情况预测模型的预测函数可以为：

其中，y为银行业务项目通过的概率，1-y为银行业务项目不通过的概率，s为银行业务项目关键指标特征值，b为调整因子，w为银行业务项目实施情况预测模型，w^t表示矩阵转置。

在一个实施例中，所述业务项目关键指标数据可以包括如下指标数据的任意组合：业务场景关键词指标数据、技术关键词指标数据、实施涉及改造系统指标数据、实施周期指标数据和投入资源指标数据；

所述业务项目关键指标特征值可以包括如下特征值的任意组合：业务场景特征值、技术特征值、改造系统特征值、实施周期特征值和投入资源特征值。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行业务项目实施情况的预测方法。

本发明实施例还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执行上述银行业务项目实施情况的预测方法的计算机程序。

本发明实施例提供地银行业务项目实施情况的预测方案通过：获取待预测的银行业务项目数据，从待预测的银行业务项目数据中提取出业务项目关键指标数据；将业务项目关键指标数据转化为业务项目关键指标特征值；将业务项目关键指标特征值输入预先建立的银行业务项目实施情况预测模型，得到银行业务项目实施情况的预测结果；所述银行业务项目实施情况预测模型为基于逻辑回归算法根据多个历史银行业务项目数据预先建立，可以实现高效准确地对银行业务项目的实施情况进行预测，为银行业务项目的开展提供了科学有效的指导。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。