【技术实现步骤摘要】
本专利技术涉及数据信息监控，特别涉及一种评分卡模型的前台数据监控方法及系统。
技术介绍
1、随着社会各个行业对大数据的认识不断加深，大数据的战略意义及重要性也在不断的展现，而战略的完成度则大大的依赖于产品的稳定性。随着产品的多元化逐渐体现，传统的数据库监控将无法及时发现系统运行过程中潜在的问题，容易造成数据库数据丢失，给企业带来影响，而且数据复杂和多元增加了运维人员的工作，导致监控不全面，效率低下等问题。
2、评分卡模型是常用的金融风控手段之一，根据客户的各种属性和行为数据，利用信用评分模型，对客户的信用进行评分，从而决定是否给予授信，授信的额度和利率，减少在金融交易中存在的交易风险；按照不同的业务阶段，评分卡模型可以划分为三种：1、贷前：申请评分卡(application score card)，称为a卡；2、贷中：行为评分卡(behaviorscore card)，称为b卡；3、贷后：催收评分卡(collection score card)，称为c卡。
3、现有技术一，cn202011617815.6基于多评分卡融合的目标对象评价方法及其相关设备，方法包括：根据目标对象的历史数据包含的特征变量的分布状态进行数据清洗，之后进行特征变量筛选得到原始特征变量集；对原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；基于各目标特征变量集构建多个目标lr模型并生成模型精度值；基于各目标lr模型生成多个评分卡模型，根据各评分卡模型及其对应的模型精度值进行评分卡融合，得到目标评分卡模型，基于目标评分卡模型可输
4、现有技术二，cn201911349514.7信息处理方法、装置、计算机设备和存储介质，方法包括：接收业务终端发送的理赔信息，所述理赔信息携带有险种标识；获取与所述险种标识对应的评分卡模型，所述评分卡模型是根据历史理赔信息集合训练生成的；将所述理赔信息输入所述评分卡模型，得到理赔评分；接收审核终端根据所述理赔信息生成的审核评分；根据所述理赔评分和所述审核评分生成评价值，并将所述评价值发送给所述审核终端，其中，所述评价值用于反映所述评分卡模型的性能。能够针对模型质量进行监控、预警。
5、现有技术三，cn202110687760.4交易风险识别方法、装置及计算机存储介质，用于提高交易风险的识别和评估效率以及提高风险识别评估结果的准确性。实施例包括：交易风险识别装置获取交易风险评分卡模型以及融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，将目标特征数据输入至交易风险评分卡模型，得到交易风险评分卡模型输出的目标特征数据的评分，根据目标特征数据的评分计算得到融资请求方的交易风险评分，因此，交易风险的识别和评估不再需要依靠人工进行实地的现场调查，可以提高交易风险识别评估的工作效率，同时也避免了交易风险评估掺杂人为的主观因素，可以提高交易风险识别评估结果的准确性。
6、目前现有技术一、现有技术二和现有技术三缺乏相关的数据可视化监控系统，容易造成数据丢失，容易泄露企业商业秘密，造成损失；由于数据的复杂性和多元性增加了运维人员的工作强度，导致数据监控不全面，效率低下等问题，因而，本专利技术采用评分卡模型的前台数据监控方法，将相关业务数据导入可视化，通过不同的指标和数据得出相应的结果，从而在可控的时间范围内，超前的找出问题并解决问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种评分卡模型的前台数据监控方法，包括：
2、数据源模块采集多个第三方数据平台对于不同客户机构、评分产品、模型版本和时点信息对应的数据源子分；对采集的数据源子分中的特殊子分进行映射处理；
3、计算数据源子分的评分均分、评分分位点和评分累积分布三大维度指标；评分卡模型上线根据三大维度指标对数据源分子实时监控；
4、使用数据分析与可视化工具对三大维度指标进行可视化处理；筛选器监控各个第三方数据平台的数据源子分变化，精准定位数据生产故障。
5、可选的，特殊子分包含除正常打分以外的特殊情况，包括打分超时和/或客群未击中，将所有特殊情况填充为指定数值。
6、可选的，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控。
7、可选的，三大维度指标的计算时间颗粒度细化到每天、每周和每月，具体包括：
8、评分均分：不包含数据源子分中的特殊子分，该评分均分为正常打分的数据源子分的均值；
9、评分分位点：不包含数据源子分中的特殊子分，该评分分位点包含正常打分的数据源子分的最小值、5％分位点、10％分位点、25％分位点、50％分位点、75％分位点、90％分位点和最大值，该评分分位点计算公式为：
10、
11、其中，p为分位点分数，n为分位点分数按值排序的位置，n为数据集中分数个数；
12、评分累积分布：计算各个数据源子分，有效调用的数据源子分的概率分布，有效调用的数据源子分的定义为score≥100，有效调用的数据源子分的概率分布的计算公式为：
13、running_sum(sum(count[score≥100]))/total(sum(count[score≥100]))
14、其中，running-sum表示有效调用的数据源子分的数量，sum表示对有效调用的数据源子分score≥100的条件表达式的函数，count为条件表达式，total为调用的数据源子分的总量。
15、可选的，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题。
16、可选的，可视化处理，具体包括四部分：
17、第一部分，可视化图例；采用可视化监控的筛选器，筛选器分五大类，分别为产品版本、评分版本、机构名称、标签和具体时间，筛选器下方的柱状图为每个产品在筛选机构上的打分率，柱状图总共使用两个色号，右侧框有标注说明；
18、第二部分，可视化报表；
19、第三部分，通过调节筛选器以精准监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的评分累积分布，月度的评分累计分布以线型图的形式呈现，不同色号代表不同的月份；
20、第四部分，产品各评分分位点随月份的变化，框为分位点的具体信息，。
21、可选的，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障；
22、精准定位数据生产故障，通过每个月评分累积分布的重合程度，精准的监控到哪个月的评分卡模型打分异常。
23、可选的，通过虚拟现实对可视化处理结果查看，对可视化处理中的双目图像的渲染，先通过平移然后分本文档来自技高网...
【技术保护点】
1.一种评分卡模型的前台数据监控方法，其特征在于，包括：
2.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，特殊子分包含除正常打分以外的特殊情况，包括打分超时和/或客群未击中，将所有特殊情况填充为指定数值。
3.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控。
4.如权利要求3所述的评分卡模型的前台数据监控方法，其特征在于，
5.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题。
6.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，可视化处理，具体包括四部分：
7.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，筛选器通过时间单位、第三方数据平台单位、产品服务编码单位、产品版本单位和客户机构单位调用量单位进行筛选，监控各个第三方数据平台在不同时间段对于不同客户使用不同产品的数据源子分变化，精准定位数据生产故障；
8.如权利要求
9.一种评分卡模型的前台数据监控系统，其特征在于，包括：
10.如权利要求9所述的评分卡模型的前台数据监控系统，其特征在于，可视化模块包含通过虚拟现实对可视化处理结果查看的虚拟现实设备，具体包括：
...【技术特征摘要】
1.一种评分卡模型的前台数据监控方法，其特征在于，包括：
2.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，特殊子分包含除正常打分以外的特殊情况，包括打分超时和/或客群未击中，将所有特殊情况填充为指定数值。
3.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，评分卡模型上线之后的反馈数据用三大维度指标进行实时监控。
4.如权利要求3所述的评分卡模型的前台数据监控方法，其特征在于，
5.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，通过虚拟现实对可视化处理结果查看，并查找第三方数据的问题。
6.如权利要求1所述的评分卡模型的前台数据监控方法，其特征在于，可视化处理，具体包括四部分：
7.如权利要求1所述的评分卡模型的前台数据...
【专利技术属性】
技术研发人员：王世今，龙泳先，孙冬琦，杨磊磊，
申请(专利权)人：睿智合创北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。