数据管理方法、数据管理装置、设备及存储介质与流程

1.本技术涉及人工智能领域，尤其涉及数据管理方法、数据管理装置、计算机设备及存储介质。


背景技术：

2.目前，各企业在进行资产数据统筹管理方面，主要借助工作人员依赖各种计量标准进行数据统计及整理，其不仅效率低下且容易出错。现有的数据统筹管理在数据收集、数据管理、数据计算等方面智能化程度低，往往是每个部门分别负责一个部分，并通过数据信息交互，最后再进行数据统计，从而完成对企业业务数据进行评估等一系列操作。然而业务数据的种类一般比较繁杂，因此多依靠于手工进行收集、管理和计算，从而导致人工处理繁琐、容易出错的情况，而且基础数据来源缺乏统一的管理且数据获取沟通成本高，数据来源分散，自动化程度较弱。
3.因此，如何提高企业的资产数据管理效率并准确对企业资产数据进行评估是亟待解决的技术问题。


技术实现要素：

4.本技术提供了一种数据管理方法、数据管理装置、计算机设备及存储介质，旨在提高企业的资产数据管理效率并准确对企业资产数据进行评估。
5.为实现上述目的，本技术提供一种数据管理方法，所述方法包括：
6.获取目标对象的业务数据，提取所述业务数据在不同业务类别下的关键信息；
7.基于所述关键信息遍历所述业务数据，匹配出与所述关键信息相关联的目标业务数据；
8.将所述目标业务数据输入到预训练好的数据预测模型进行预测，得到所述业务数据的重要级别和风险级别；
9.根据所述业务数据的重要级别和风险级别，对所述目标对象的业务数据进行评估，得到业务数据价值。
10.为实现上述目的，本技术还提供一种数据管理装置，所述数据管理装置包括：
11.信息提取模块，用于获取目标对象的业务数据，提取所述业务数据在不同业务类别下的关键信息；
12.信息处理模块，用于基于所述关键信息遍历所述业务数据，匹配出与所述关键信息相关联的目标业务数据；
13.数据预测模块，用于将所述目标业务数据输入到预训练好的数据预测模型进行预测，得到所述业务数据的重要级别和风险级别；
14.数据价值确定模块，用于根据所述业务数据的重要级别和风险级别，对所述目标对象的业务数据进行评估，得到业务数据价值。
15.此外，为实现上述目的，本技术还提供一种计算机设备，所述计算机设备包括存储
器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本技术实施例提供的任一项所述的数据管理方法。
16.此外，为实现上述目的，本技术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计算机程序，所述计算机程序被处理器执行时使所述处理器实现本技术实施例提供的任一项所述的数据管理方法。
17.本技术实施例公开的数据管理方法、数据管理装置、设备及存储介质，通过对业务数据进行关键信息提取，并查询以及匹配得到目标业务数据，根据目标业务数据预测得到业务数据的重要级别和风险级别，从而评估得到业务数据价值，由此可以统筹管理企业数据，提高企业的资产数据管理效率并准确地预测出业务数据的重要级别和风险级别，从而提高业务数据评估的准确性。
附图说明
18.为了更清楚地说明本技术实施例技术方案，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，下面描述中的附图是本技术的一些实施例，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。
19.图1是本技术实施例提供的一种数据管理方法的场景示意图；
20.图2是本技术实施例提供的一种数据管理方法的流程示意图；
21.图3是本技术一实施例提供的一种数据管理装置的示意性框图；
22.图4是本技术一实施例提供的一种计算机设备的示意性框图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
24.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
25.在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
26.如今，由于业务数据价值一般是浮动的，若能提前对业务数据的价值进行预先评估，可以更清晰地了解业务数据的价值，因此越来越多企业或个人注重对业务数据的价值进行预先评估。
27.但是各企业在进行业务数据统筹管理方面，主要借助工作人员依赖各种计量标准进行数据统计及整理，其不仅效率低下且容易出错。同时由于业务数据的不完整以及测算方式的固化，在不同业务类别的对应风险类型、如何确定数据重要级别和数据价值等方面，均会影响企业业务数据评估的准确性。
28.为解决上述问题，本技术提供了一种数据管理方法，应用在服务器，由此可以提高
企业的资产数据管理效率并准确对企业资产数据进行评估，提高用户使用体验。
29.其中，服务器例如可以为单独的服务器或服务器集群。但为了便于理解，以下实施例将以应用于服务器的数据管理方法进行详细介绍。
30.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
31.如图1所示，本技术实施例提供的数据管理方法，可以应用于如图1所示的应用环境中。该应用环境中包含有终端设备110和服务器120，其中，终端设备110可以通过网络与服务器120进行通信。具体地，服务器120获取终端设备110发送的业务数据，服务器120对业务数据进行关键信息提取、并匹配得到目标业务数据，最后根据目标业务数据对业务数据进行预测以及价值评估，得到业务数据价值，并将业务数据价值发送给终端设备110。其中，服务器120可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
32.请参阅图2，图2是本技术实施例提供的一种数据管理方法的示意流程图。其中，该数据管理方法可以应用在服务器中，由此可以提高企业的资产数据管理效率并准确地预测出业务数据的重要级别和风险级别，从而提高业务数据评估的准确性，提高用户使用体验。
33.如图2所示，该数据管理方法包括步骤s101至步骤s104。
34.s101、获取目标对象的业务数据，提取所述业务数据在不同业务类别下的关键信息。
35.其中，所述目标对象为需要进行价值评估的对象，可以是企业或个人。所述业务数据可以是指由保险公司等企业过去的交易或事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资产数据，具体可以包括减值数据和全量资产。所述业务类别可以包括资产类、会计类、金融类等类别。所述关键信息可以为每一笔资产中各个字段对应的数据，比如“证券名称”这个字段对应的数据即为关键信息。每类业务数据可以包括多笔资产，每一笔资产对应有多个关键信息，关键信息具体可以包括账面数据和公允数据。所述账面数据用于表征按照会计核算的原理和方法反映计量的企业价值，所述公允数据用于表征熟悉市场情况的买卖双方在公平交易的条件下和自愿的情况下所确定的价格，或无关联的双方在公平交易的条件下一项资产可以被买卖或者一项负债可以被清偿的成交价格。
36.本技术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、技术及应用系统。
37.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/交互系统、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。
38.在一些实施例中，基于预设的分类算法，对所述业务数据进行分类处理，得到不同业务类别下的业务数据；分别对每个所述业务类别下的业务数据进行减值处理，得到所述业务数据在每个所述业务类别下的关键信息。
39.具体地，所述业务数据包括减值数据和全量资产，可以基于预设的分类算法，分别对所述减值数据和所述全量资产进行分类，得到每个所述业务类别各自对应的所述减值数据和所述全量资产；对每个所述业务类别各自对应的所述减值数据和所述全量资产进行减值处理，得到所述业务数据在每个所述业务类别下各自对应的关键信息。由此可以通过不同数据源获取到的减值数据和全量资产进行分类并进行减值处理，得到更准确的关键信息。
40.其中，所述预设的分类算法可以包括朴素贝叶斯分类算法、逻辑回归算法、决策树算法、支持向量机算法、k最近邻近算法、人工神经网络算法等等，所述减值数据和全量资产是通过不同数据源获取的数据，所述减值数据可以为用户根据填报指引进行上报的数据，用于与全量资产计算每个业务类别的减值比例。
41.示例性的，可以通过朴素贝叶斯分类算法，基于业务类别分别对所述减值数据和所述全量资产中的每一笔资产进行分类，比如将资产类对应的减值数据中每一笔资产汇总起来，并将资产类对应的全量资产中每一笔资产汇总起来，得到资产类对应的减值数据和全量资产，以此类推，得到各个业务类别各自对应的减值数据和全量资产。
42.在一些实施例中，根据每个所述业务类别下的所述减值数据和所述全量资产，得到每个所述业务类别各自对应的减值比值；基于每个所述业务类别的减值比值和所述业务类别对应的全量资产，得到所述业务数据在每个所述业务类别下的关键信息。由此可以计算得到每个业务类别对应的减值比值，从而通过减值比例更准确地计算得到每一个关键信息，保证获取到的业务数据的准确性。
43.具体地，对每个业务类别下的减值数据中的每一笔资产进行汇总，得到减值汇总数据，同时对每个业务类别下的全量资产中的每一笔资产进行汇总，得到全量资产汇总数据，并计算减值汇总数据和全量资产汇总数据的比例作为所述业务类别的减值比例，并通过该减值比值分别与该业务类别的全量资产中的每一笔资产相乘，从而得到所述业务数据在每个所述业务类别下的关键信息。
44.示例性的，可以通过计算资产类对应的减值汇总数据和全量资产汇总数据的比例，得到资产类对应的减值比例比如为90％，并通过该减值比值分别与该业务类别的全量资产中的每一笔资产比如与账面余额相乘，假设账面余额为10000元，则得到账面价值为9000元，该账面价值即为关键信息。
45.s102、基于所述关键信息遍历所述业务数据，匹配出与所述关键信息相关联的目标业务数据。
46.其中，所述目标业务数据为通过所述关键信息进行业务数据查询以及匹配后筛选得到的业务数据，与关键信息相关性较高，用于判断业务数据的重要级别和价值。
47.在一些实施例中，基于所述关键信息遍历每个所述业务类别下的业务数据，并对每个所述业务类别下的业务数据进行筛选，分别匹配出与每个所述关键信息相关联的目标业务数据。
48.具体地，可以根据不同业务类别下的所述关键信息，遍历每个所述业务类别下的
业务数据，查询得到每个所述关键信息对应的业务数据，并将每个所述关键信息对应的业务数据整合生成初始业务数据表；对初始业务数据表中的关键信息进行筛选以及匹配处理并进行合理地推测，得到与各所述关键信息相关联的目标业务数据，最后再整合生成目标业务数据表。
49.在一些实施例中，可以先确定各个关键信息对应的资产属性，根据所述资产属性以及所述业务类别遍历每个所述业务类别下的业务数据。由此可以通过资产属性和业务类别对业务数据先进行分类处理，并遍历每个所述业务类别下的业务数据，为得到与所述关键信息相关联的目标业务数据作铺垫。
50.其中，所述资产属性可以包括资产来源、资产名称、资产编码等等。
51.具体地，确定关键信息a对应的资产属性和业务类别，再在全部业务数据中查询得到与关键信息a的资产属性和业务类别相同的业务数据，依次对每个各个关键信息进行查询，即得到每个业务类别下的关键信息对应的业务数据。
52.需要说明的是，可以根据单个资产属性或多个资产属性对不同业务类别下的所述关键信息进行筛选，在此不做具体限定。
53.在一些实施例中，基于预训练好的数据匹配模型，对每个所述业务类别下的业务数据与对应的关键信息进行相关度预测，得到每个所述业务类别下的业务数据与对应的关键信息的相关度；根据所述相关度对每个所述业务类别下的业务数据进行筛选，得到与每个所述关键信息相关联的目标业务数据。
54.具体地，基于预训练好的数据匹配模型，对每个所述业务类别下的业务数据进行相关度预测，得到每个所述业务数据与对应的关键信息的相关度；根据所述相关度对每个所述业务数据进行排序，得到排序结果；基于所述排序结果对所述业务数据进行筛选，得到与各所述关键信息相关联的目标业务数据。
55.其中，所述数据匹配模型用于预测业务数据与关键信息的相关度，所述数据匹配模型可以利用有监督匹配模型或无监督匹配模型通过大数据进行训练得到。具体地，所述数据匹配模型可以包括lstm匹配模型、mv-dssm模型、esim模型等模型。
56.具体地，将每个所述关键信息对应的业务数据输入到预训练好的数据匹配模型中，得到每个所述业务数据与对应的关键信息的相关度。
57.示例性的，假设关键信息a对应有业务数据b，业务数据c，业务数据d和业务数据e，通过数据匹配模型得到业务数据b，业务数据c，业务数据d和业务数据e分别与关键信息a的相关度为90％，80％；70％和60％，此时可以对相关度较高的业务数据进行筛选，比如可以选择业务数据b，业务数据c和业务数据d作为关键信息a相关联的目标业务数据。
58.需要说明的是，可以选择相关度最高的业务数据作为目标业务数据，也可以选择相关度最高的前3个业务数据作为目标业务数据，在此不做具体限定。
59.具体地，还可以通过数据匹配模型在所述关键信息对应的业务数据进行匹配，计算每个业务数据与关键信息的相关度，若存在有所述业务数据与对应的关键信息的相似程度超过预设相关度阈值，则将该业务数据作为与所述关键信息相关联的目标业务数据。其中，所述预设相关度阈值可以为任意数值，比如可以为70％。
60.在一些实施例中，分别对不同业务类别下的所述关键信息进行校验；得到关键信息校验结果，所述关键信息校验结果包括空白关键信息和错误关键信息；若所述关键信息
校验结果为空白关键信息，对所述空白关键信息进行填充处理，并将填充处理后的关键信息替换所述空白关键信息；若所述关键信息校验结果为错误关键信息，对所述错误关键信息进行修正处理，并将修正处理后的关键信息替换所述错误关键信息。由此可以对空白关键信息和错误关键信息进行填充和修正处理，从而提高判断所述业务数据的重要级别和价值的准确性。
61.具体地，可以对不同业务类别下的所述关键信息的字段逻辑进行校验，若关键信息中存在字段间逻辑不合理的地方，对字段间逻辑不合理的地方进行人工修正或系统修正，由此防止出现数据异常的情况。
62.具体地，可以对不同业务类别下的所述关键信息的字段含义进行校验，若关键信息中存在字段含义不一致的地方，对字段含义不一致的地方进行人工修正或系统修正，由此防止出现数据异常的情况。
63.s103、将所述目标业务数据输入到预训练好的数据预测模型进行预测，得到所述业务数据的重要级别和风险级别。
64.其中，所述目标业务数据一般为最能体现企业或个人价值的数据，因此可以通过目标业务数据判断业务数据的重要级别和风险级别，所述数据预测模型可以为线性回归预测模型，可以通过目标业务数据的各种数据属性比如名称、价值等训练得到，用于根据目标业务数据确定对应的风险基础因子和风险特征因子，从而确定对应的重要级别和风险级别。一般来说，业务数据的重要级别和风险级别是评估企业数据价值的关键因素。
65.在一些实施例中，获取每个所述目标业务数据对应的业务类别，若所述目标业务数据对应的业务类别为目标业务类别，则确定所述业务数据的重要级别为一级；若所述目标业务数据对应的业务类别不为目标业务类别，则确定所述业务数据的重要级别为二级。
66.其中，所述业务数据的重要级别为一级可以认为该业务数据为重要，所述业务数据的重要级别为二级可以认为该业务数据为普通。
67.具体地，可以通过预先设定好业务数据的重要级别为一级和二级的业务类别，再通过检测目标业务数据对应的业务类别为一级或二级，从而确定业务数据的重要级别。
68.在一些实施例中，基于预设类别的风险评估指标，对所述目标业务数据进行风险类别评估，得到所述业务数据对应的风险类别；根据所述业务数据对应的风险类别，确定对应风险类别下的风险基础因子和风险特征因子；根据所述风险基础因子和所述风险特征因子确定所述业务数据的风险级别。
69.其中，所述风险类别可以分为市场风险和信用风险两大类，市场风险具体可以包括利率风险、权益价格风险、房地产价格风险、境外资产价格风险、汇率风险等小类，信用风险具体可以包括利差风险、交易对手违约风险等小类。所述风险评估指标为每类风险对应的预设评估指标，用于评估该业务数据是否存在对应的风险。由此可以针对不同风险类别对对应的关键信息进行风险评估，能够更准确地确定业务数据对应的风险。
70.具体地，可以对每个目标业务数据的利率风险、权益价格风险、房地产价格风险、境外资产价格风险、汇率风险等逐一进行评估，分别确定每类风险各自对应的风险评估指标，以及确定目标业务数据是否满足对应的风险评估指标，若某个目标业务数据满足某一类风险对应的风险评估指标，则认为所述业务数据存在该类风险，最后将每个目标业务数据存在的风险作为业务数据存在的风险。
71.需要说明的是，每一类风险对应的风险评估指标可以为一个，也可以为多个，在此不做具体限定。
72.具体地，可以根据所述目标业务数据相关联的关键信息，确定每类所述风险对应的风险基础因子和风险特征因子，并根据所述风险基础因子和所述风险特征因子确定每类风险对应的最低资本，根据所述最低资本确定所述业务数据的风险级别。
73.其中，所述风险基础因子和风险特征因子用于确定风险等级，每类风险对应有不同的风险基础因子和风险特征因子，需要说明的是，每类风险都有风险基础因子，某些风险仅有风险基础因子，没有风险特征因子。
74.示例性的，以利率风险为例，利率风险只有风险基础因子，并没有风险特征因子。比如可以通过确定修正久期的绝对值来确定风险基础因子，具体如公式所示：
[0075][0076]
其中，r
f0
为风险基础因子，c为修正久期，可以根据修正久期从而确定风险基础因子的大小。
[0077]
示例性的，以利率风险为例，若修正久期为4，则代入c*(-0.001*|c| 0.0217)这条公式进行计算，计算得到风险基础因子的大小为0.0708，并可以通过风险基础因子得到利率风险对应的最低资本，以此类推，计算得到每类风险各自对应的最低资本，最后根据每类风险各自对应的最低资本确定所述业务数据的风险级别。
[0078]
以权益价格风险为例，权益价格风险既包括风险基础因子，也包括风险特征因子。
[0079]
在一些实施例中，获取所述业务数据对应的风险暴露数据；根据所述风险暴露数据、每类所述风险对应的风险基础因子和风险特征因子，得到每类所述风险对应的最低资本；根据每类所述风险对应的最低资本，得到所述业务数据对应的风险级别。由此可以准确地计算得到最低资本，从而能够准确地确定业务数据的风险级别。
[0080]
其中，所述风险暴露数据是指未加保护的风险的业务数据，即因债务人违约行为导致的可能承受风险的业务数据，具体可以为公允数据或账面数据，所述最低资本为监管当局规定银行必须持有的资本，用于确定风险级别。具体地，若业务数据的穿透层级为无需穿透且风险为利率风险和过利差风险，则风险暴露数据为公允数据；其余情况则为账面数据。
[0081]
具体地，通过风险暴露数据以及每类所述风险对应的风险基础因子和风险特征因子，得到每类所述风险对应的最低资本可以用公式表示为：
[0082]
a＝b*r
f0
*(1 k)
[0083]
其中，a为最低资本，b为风险暴露数据，r
f0
为风险基础因子，k为风险特征因子，由此可以通过确定每类风险基础因子和风险特征因子，从而确定每类风险下对应的最低资本。需要说明的是，若该类风险没有风险特征因子，则k的取值为0。
[0084]
示例性的，以利率风险为例，计算得到风险基础因子的大小为0.0708，k为0，若风险暴露数据为10万元，则计算得到利率风险对应的最低资本为7080元。
[0085]
示例性的，比如可以分为计算得到利率风险对应的最低资本为7080元，权益价格
风险对应的最低资本为10000元，则计算得到汇总最低资本为17080元，比如当每类风险汇总最低资本大于第一最低资本阈值，则认为风险级别为一级，当每类风险汇总最低资本不大于第一最低资本阈值且大于第二最低资本阈值时，则认为风险级别为二级，当每类风险汇总最低资本不大于第三最低资本阈值时，则认为风险级别为三级。其中，第一最低资本阈值大于第二最低资本阈值，第二最低资本阈值大于第三最低资本阈值。需要说明的是，可以设置多个最低资本阈值。
[0086]
s104、根据所述业务数据的重要级别和风险级别，对所述目标对象的业务数据进行评估，得到业务数据价值。
[0087]
其中，所述业务数据价值可以用于表征业务数据的重要程度。
[0088]
具体地，可以根据业务数据的重要级别、风险级别以及最低资本对所述目标对象的业务数据进行价值评估，得到业务数据价值。
[0089]
具体地，可以通过公式对所述目标对象的业务数据进行价值评估：
[0090]
d＝e(1 f g)
[0091]
其中，d为业务数据价值，e为汇总最低资本，f为各个重要级别对应的增益，g为各个风险级别对应的增益。
[0092]
具体地，可以汇总每类风险下对应的最低资本，得到汇总最低资本，可以设定重要级别为一级时对应有30％，重要级别为二级时对应有25％，以此类推，同理可以设定风险级别为一级时对应有30％，风险级别为二级时对应有25％等。
[0093]
示例性的，若重要级别为一级，风险级别为一级，汇总最低资本为10000元，则可以确定重要级别对应的增益为30％，风险级别对应的增益也为30％，则计算得到该目标对象的业务数据价值为16000元。由此可以准确地预估业务数据对应的价值，以使企业更清晰地了解业务数据对应的真实价值，有利于进行风险规避或企业数据重组处理。
[0094]
请参阅图3，图3是本技术一实施例提供的一种数据管理装置的示意性框图，该数据管理装置可以配置于服务器中，用于执行前述的数据管理方法。
[0095]
如图3所示，该数据管理装置200包括：信息提取模块201、信息处理模块202、数据预测模块203和数据价值确定模块204。
[0096]
信息提取模块201，用于获取目标对象的业务数据，提取所述业务数据在不同业务类别下的关键信息；
[0097]
信息处理模块202，用于基于所述关键信息遍历所述业务数据，匹配出与所述关键信息相关联的目标业务数据；
[0098]
数据预测模块203，用于将所述目标业务数据输入到预训练好的数据预测模型进行预测，得到所述业务数据的重要级别和风险级别；
[0099]
数据价值确定模块204，用于根据所述业务数据的重要级别和风险级别，对所述目标对象的业务数据进行评估，得到业务数据价值。
[0100]
信息提取模块201，还用于基于预设的分类算法，对所述业务数据进行分类处理，得到不同业务类别下的业务数据；分别对每个所述业务类别下的业务数据进行减值处理，得到所述业务数据在每个所述业务类别下的关键信息。
[0101]
信息处理模块202，还用于基于所述关键信息遍历每个所述业务类别下的业务数据，并对每个所述业务类别下的业务数据进行筛选，分别匹配出与每个所述关键信息相关
联的目标业务数据。
[0102]
信息处理模块202，还用于基于预训练好的数据匹配模型，对每个所述业务类别下的业务数据与对应的关键信息进行相关度预测，得到每个所述业务类别下的业务数据与对应的关键信息的相关度；根据所述相关度对每个所述业务类别下的业务数据进行筛选，得到与每个所述关键信息相关联的目标业务数据。
[0103]
数据预测模块203，还用于基于预设类别的风险评估指标，对所述目标业务数据进行风险类别评估，得到所述业务数据对应的风险类别；根据所述业务数据对应的风险类别，确定对应风险类别下的风险基础因子和风险特征因子；根据所述风险基础因子和所述风险特征因子确定所述业务数据的风险级别。
[0104]
数据预测模块203，还用于获取所述业务数据对应的风险暴露数据；根据所述风险暴露数据、每类所述风险对应的风险基础因子和风险特征因子，得到对应风险类别下的最低资本；根据对应风险类别下的最低资本，得到所述业务数据对应的风险级别。
[0105]
数据验证模块205，用于分别对不同业务类别下的关键信息进行校验，得到关键信息校验结果，所述关键信息校验结果包括空白关键信息和错误关键信息；若所述关键信息校验结果为空白关键信息，对所述空白关键信息进行填充处理，并将填充处理后的关键信息替换所述空白关键信息；若所述关键信息校验结果为错误关键信息，对所述错误关键信息进行修正处理，并将修正处理后的关键信息替换所述错误关键信息。
[0106]
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0107]
本技术的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0108]
示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
[0109]
请参阅图4，图4是本技术实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。
[0110]
如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。
[0111]
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种数据管理方法。
[0112]
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
[0113]
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种数据管理方法。
[0114]
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0115]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0116]
其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取目标对象的业务数据，提取所述业务数据在不同业务类别下的关键信息；基于所述关键信息遍历所述业务数据，匹配出与所述关键信息相关联的目标业务数据；将所述目标业务数据输入到预训练好的数据预测模型进行预测，得到所述业务数据的重要级别和风险级别；根据所述业务数据的重要级别和风险级别，对所述目标对象的业务数据进行评估，得到业务数据价值。
[0117]
在一些实施例中，所述处理器还用于：基于预设的分类算法，分别对所述减值数据和所述全量资产进行分类，得到每个所述业务类别各自对应的所述减值数据和所述全量资产；分别对每个所述业务类别各自对应的所述减值数据和所述全量资产进行减值处理，得到所述业务数据在每个所述业务类别下各自对应的关键信息。
[0118]
在一些实施例中，所述处理器还用于：根据不同业务类别下的所述关键信息，查询得到每个业务类别下的所述关键信息对应的业务数据；对所述关键信息对应的业务数据进行匹配修正处理，得到与各所述关键信息相关联的目标业务数据。
[0119]
在一些实施例中，所述处理器还用于：基于预训练好的数据匹配模型，对每个所述关键信息对应的业务数据进行相关度预测，得到每个所述业务数据与对应的关键信息的相关度；根据所述相关度对每个所述业务数据进行排序，得到排序结果；基于所述排序结果对所述业务数据进行筛选，得到与各所述关键信息相关联的目标业务数据。
[0120]
在一些实施例中，所述处理器还用于：基于每类风险各自对应的风险评估指标，对所述目标业务数据进行风险评估，确定所述业务数据对应的风险；根据所述业务数据对应的风险确定每类所述风险对应的风险基础因子和风险特征因子；根据所述风险基础因子和所述风险特征因子确定所述业务数据的风险级别。
[0121]
在一些实施例中，所述处理器还用于：获取所述业务数据对应的风险暴露数据；根据所述风险暴露数据以及每类所述风险对应的风险基础因子和风险特征因子，得到每类所述风险对应的最低资本；根据每类所述风险对应的最低资本，得到所述业务数据对应的风险级别。
[0122]
在一些实施例中，所述处理器还用于：分别对不同业务类别下的关键信息进行校验，得到关键信息校验结果，所述关键信息校验结果包括空白关键信息和错误关键信息；若所述关键信息校验结果为空白关键信息，对所述空白关键信息进行填充处理，并将填充处理后的关键信息替换所述空白关键信息；若所述关键信息校验结果为错误关键信息，对所述错误关键信息进行修正处理，并将修正处理后的关键信息替换所述错误关键信息。
[0123]
本技术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上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本技术实施例提供的任一种数据管理方法。
[0124]
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备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(flash card)等。
[0125]
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0126]
本发明所指区块链语言模型的存储、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。
[0127]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。