基于大数据分析的尽职调查自适应处理方法及装置

技术领域

本发明涉及大数据处理技术，金融科技领域，尤指一种基于大数据分析的尽职调查自适应处理方法及装置。

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。

为保证金融机构业务的合规开展，确保其拥有适当的控制和程序，以便了解与之交易的客户，进行充分的尽职调查是这些控制措施的关键部分。如果不进行这种尽职调查金融机构可能会面临声誉、运营、法律和集中风险，从而导致巨大的财务成本。

健全的尽职调查程序对银行的安全与健全特别重要，它们有助于保护金融机构的声誉和体系的完整性，降低金融机构成为金融犯罪的工具或受害者并因此遭受声誉损害的可能性；它们是健全风险管理的重要组成部分。

各金融机构或外部厂商的通用客户尽职调查方法是按照机构不同的业务类型或者管控要求，开展不同程度的且具有各自特点的尽职调查工作。但是，因为基于机构内部不同的主管部门实际诉求，存在对同一客户切换不同的系统进行不同程度的存在大量相似内容的重复调查工作，对于机构员工与客户而言均是较为繁琐的流程，客户与用户体验较差。

综上来看，亟需一种可以克服上述缺陷，能够改进尽职调查处理方式的技术方案。

发明内容

为解决现有技术存在的问题，本发明提出了一种基于大数据分析的尽职调查自适应处理方法及装置。

在本发明实施例的第一方面，提出了一种基于大数据分析的尽职调查自适应处理方法，包括：

通过金融机构数据源获取客户信息、业务信息及历史调查信息；

对所述客户信息、业务信息及历史调查信息进行整合分组，得到多个类别的尽职调查计算模型底层标签；

根据所述尽职调查计算模型底层标签中的调查信息标签对所述尽职调查计算模型进行训练，将调查信息标签作为输入样本，对所述尽职调查计算模型底层标签中的其他信息分类标签进行相似度匹配，确定每一调查信息标签下的其他信息分类标签标准集；

根据所述尽职调查计算模型，利用所述标准集对所有未进行过尽职调查的客户进行相似度匹配，标记每个客户允许匹配的调查信息标签；

当第一客户发起尽职调查时，判断所述第一客户允许匹配的调查信息标签，根据所述调查信息标签对应的标准集生成尽职调查问卷，推送至所述第一客户完成尽职调查。

在本发明实施例的第二方面，提出了一种基于大数据分析的尽职调查自适应处理装置，包括：

信息获取模块，用于通过金融机构数据源获取客户信息、业务信息及历史调查信息；

信息整合分组处理模块，用于对所述客户信息、业务信息及历史调查信息进行整合分组，得到多个类别的尽职调查计算模型底层标签；

模型训练模块，用于根据所述尽职调查计算模型底层标签中的调查信息标签对所述尽职调查计算模型进行训练，将调查信息标签作为输入样本，对所述尽职调查计算模型底层标签中的其他信息分类标签进行相似度匹配，确定每一调查信息标签下的其他信息分类标签标准集；

调查信息标签匹配模块，用于根据所述尽职调查计算模型，利用所述标准集对所有未进行过尽职调查的客户进行相似度匹配，标记每个客户允许匹配的调查信息标签；

尽职调查处理模块，用于当第一客户发起尽职调查时，判断所述第一客户允许匹配的调查信息标签，根据所述调查信息标签对应的标准集生成尽职调查问卷，推送至所述第一客户完成尽职调查。

在本发明实施例的第三方面，提出了一种计算机设备，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基于大数据分析的尽职调查自适应处理方法。

在本发明实施例的第四方面，提出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程序，所述计算机程序被处理器执行时实现基于大数据分析的尽职调查自适应处理方法。

在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于大数据分析的尽职调查自适应处理方法。

本发明提出的基于大数据分析的尽职调查自适应处理方法及装置通过整合机构全量客户数据以及各类尽职调查数据信息，形成自适应适配不同客户的千人千面的客户尽职调查方案，实现对金融机构客户尽职调查的集约管理与智能分析，便于金融机构更好的了解客户，本发明通过对尽职调查的智能化适配，减少金融机构不同业务对同一客户相同要素的反复调查，提高尽职调查的处理效率，为金融机构场景的业务合理开展提供了有力的技术支持。

附图说明

为了更清楚地说明本申请实施例技术方案，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申请的一些实施例，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它的附图。

图1是本发明一实施例的基于大数据分析的尽职调查自适应处理方法流程示意图。

图2是本发明一具体实施例的客户尽职调查的关系示意图。

图3是本发明一具体实施例的尽职调查问卷的处理流程示意图。

图4是本发明一实施例的基于大数据分析的尽职调查自适应处理装置架构示意图。

图5是本发明一实施例的计算机设备结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种基于大数据分析的尽职调查自适应处理方法及装置，涉及大数据处理技术，金融科技领域。本发明涉及金融大数据底座，通过整合机构全量的客户集数据，以及各类尽职调查数据信息，在机构内部形成可根据员工岗位自动适配与不同客户的千人千面的客户尽职调查。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

图1是本发明一实施例的基于大数据分析的尽职调查自适应处理方法流程示意图。如图1所示，该方法包括：

S101，通过金融机构数据源获取客户信息、业务信息及历史调查信息；

S102，对所述客户信息、业务信息及历史调查信息进行整合分组，得到多个类别的尽职调查计算模型底层标签；

S103，根据所述尽职调查计算模型底层标签中的调查信息标签对所述尽职调查计算模型进行训练，将调查信息标签作为输入样本，对所述尽职调查计算模型底层标签中的其他信息分类标签进行相似度匹配，确定每一调查信息标签下的其他信息分类标签标准集；

S104，根据所述尽职调查计算模型，利用所述标准集对所有未进行过尽职调查的客户进行相似度匹配，标记每个客户允许匹配的调查信息标签；

S105，当第一客户发起尽职调查时，判断所述第一客户允许匹配的调查信息标签，根据所述调查信息标签对应的标准集生成尽职调查问卷，推送至所述第一客户完成尽职调查。

在实际应用场景中，本发明提出的基于大数据分析的尽职调查自适应处理方法，工作原理为：通过金融机构数据源获取客户信息、业务信息及历史调查信息；对所述客户信息、业务信息及历史调查信息进行整合分组，得到多个类别的尽职调查计算模型底层标签；根据所述尽职调查计算模型底层标签中的调查信息标签对所述尽职调查计算模型进行训练，将调查信息标签作为输入样本，对所述尽职调查计算模型底层标签中的其他信息分类标签进行相似度匹配，确定每一调查信息标签下的其他信息分类标签标准集；根据所述尽职调查计算模型，利用所述标准集对所有未进行过尽职调查的客户进行相似度匹配，标记每个客户允许匹配的调查信息标签；当第一客户发起尽职调查时，判断所述第一客户允许匹配的调查信息标签，根据所述调查信息标签对应的标准集生成尽职调查问卷，推送至所述第一客户完成尽职调查。本发明通过整合机构全量客户数据以及各类尽职调查数据信息，形成自适应适配不同客户的千人千面的客户尽职调查方案，实现对金融机构客户尽职调查的集约管理与智能分析，便于金融机构更好的了解客户，本发明通过对尽职调查的智能化适配，减少金融机构不同业务对同一客户相同要素的反复调查，提高尽职调查的处理效率，为金融机构场景的业务合理开展提供了有力的技术支持。

为了对上述基于大数据分析的尽职调查自适应处理方法进行更为清楚的解释，下面结合一具体实施例来进行详细说明。

参考图2，为本发明一具体实施例的客户尽职调查的关系示意图。如图2所示，机构信息源通过客户系统、业务系统及尽职调查信息等维度提供信息，通过大数据底座整合得到客户信息、账户信息、交易信息、产品信息及调查信息等类别的信息。

在得到该些信息后，本发明通过案例收集，场景分析，群体分析，要素分析，模型构建实现尽职调查的分析，问卷整合及效果评估实现尽职调查的自适应处理。其中，案例收集、场景分析是在步骤S101及S102整合数据标签完成，对相关标签与标记的整理完成案例与对应场景收集。群体分析、要素分析、模型构建是在步骤S103及S104尽职调查适配学习完成，对于不同调查信息标签下的客户进行要素标准设定于分群。问卷整合、效果评估是在步骤S105尽职调查智能匹配下完成，对于不同客户的问卷发起，在触发问卷环节自动匹配期分群标准客户。

在尽职调查计算平台，通过尽职调查适配学习将各类客户、各类尽职调查场景/情景与客户要素、产品/交易要素结合起来，分析尽职调查情况，最终在各类场景中适配生成尽职调查问卷。本发明基于大数据底座，对数据进行充分的整合与分析，针对不同人群与不同场景的千人千面尽职调查报告。

结合每一步骤对本发明的基于大数据分析的尽职调查自适应处理方法进行说明。

S101，通过金融机构数据源获取客户信息、业务信息及历史调查信息。

该些信息是本发明构建大数据底座的基础，通过该些信息可以整合可以得到多个类别的信息分类标签。

S102，对所述客户信息、业务信息及历史调查信息进行整合分组，得到多个类别的尽职调查计算模型底层标签；

在一实施例中，所述尽职调查计算模型底层标签至少包括：客户信息标签、账户信息标签、交易信息标签、产品信息标签及调查信息标签。

在一实施例中，根据尽职调查场景分别设置每个场景对应的客户信息标签、账户信息标签、交易信息标签、产品信息标签、调查信息标签中的要素信息；其中，每个尽职调查计算模型底层标签中包括多种要素信息，所述要素信息被划分为共同要素及场景特殊要素；共同要素是在每个场景对应的尽职调查计算模型底层标签都出现的字段，场景特殊要素是在其中一个或多个场景对应的尽职调查计算模型底层标签出现的字段。

在一实施例中，所述尽职调查场景至少包括非法资金转移场景及个人客户身份识别场景；

在非法资金转移场景中，客户信息标签对应的场景特殊要素至少包括是否为高风险客户关联人；账户信息标签对应的场景特殊要素至少包括最大交易账户类型；交易信息标签对应的场景特殊要素至少包括客户在最近一定时期的借贷交易总金额，交易对手，收到的境外资金；产品信息标签对应的场景特殊要素至少包括最大交易明细产品中占比最高的产品；调查信息标签对应的场景特殊要素至少包括非法资金转移可疑调查，非法资金转移大额调查；

在个人客户身份识别场景中，客户信息标签对应的场景特殊要素至少包括客户管控状态及客户非法转移资金类别；账户信息标签对应的场景特殊要素至少包括客户账户情况或账户开立目的；交易信息标签对应的场景特殊要素至少包括客户年收入，客户AUM值，客户最近一定时期累计交易额，客户是否命中异常交易模型，客户命中的异常交易情形，异常交易原因说明，客户资金来源；产品信息标签对应的场景特殊要素至少包括客户持有产品；调查信息标签对应的场景特殊要素至少包括风险客户、非居民自然人客户、异常交易客户身份调查。

在一具体实施例中，S101及S102通过收集信息及分析场景，整合数据标签。机构内部的数据源进行数据的整合与分组，按照不同的客户进行基于客户的基本信息业务信息，以及历史的调查信息，整合出五个类别的尽职调查计算模型底层标签，包含客户信息标签，账户信息标签，交易信息标签，产品信息标签，调查信息标签，该些标签是计算的基础因子。

该五种信息分类标签划分依据为在金融机构体系内如果需要对客户进行全面调查，需要对客户留存在机构的各类信息进行完整的分析才能有针对性地进行调查。机构内部各业务条线或者金融场景所需调查内容不尽相同，但是存在调查的核心要素在不同场景下是相同的，但是因为场景不同也会存在差异性要素。

以非法资金转移场景下的尽职调查(个人)为例，具体的信息分类标签包含的要素信息为：

客户信息标签：姓名、性别、国籍、职业、工作单位、住所地、工作单位地址、联系方式、证件类型、证件号码、证件有效期限、是否为高风险客户关联人。

账户信息标签：最大交易账户类型。

交易信息标签：客户最近一年借贷记交易的总金额、最近一年与客户交易金额最多的交易对手、是否有来自境外的上游资金。

产品信息标签：最大交易明细种产品占比最高的产品。

调查信息标签：非法资金转移可疑调查、非法资金转移大额调查。

以个人客户身份识别调查问卷(个人)为例，具体的信息分类标签包含的要素信息为：

客户信息标：姓名、性别、国籍、职业、工作单位、住所地、工作单位地址、联系方式、证件类型、证件号码、证件有效期限、客户管控状态、客户非法资金转移类别。

账户信息标签：客户账户情况、账户开立目的。

交易信息标签：客户年收入、客户AUM值、客户近一年累计交易额、客户是否命中异常交易模型、客户命中的异常交易情形、异常交易原因说明、客户资金来源。

产品信息标签：客户持有产品。

调查信息标签：中高风险客户、非居民自然人客户(包括非法转移资金高风险国家或地区客户)、异常交易客户身份调查。

在实际应用场景中，还可以包含其他尽职调查场景，各个尽职调查场景的信息分类标签包含的要素信息可以根据实际情况进行设置。

在对机构内部所有尽职调查问卷进行结构化拆分五类标签后，在五类标签中进行共同要素项，场景特殊要素项标记。共同要素是指在现有所有问卷中该字段出现的比例超过80％，场景特殊要素项是指该要素仅在固定调查信息标签下出现。

以客户信息标签为例，共同要素为：姓名、性别、国籍、职业、工作单位、住所地、工作单位地址、联系方式、证件类型、证件号码、证件有效期限

场景特殊要素为：客户管控状态(调查信息标签)、客户非法资金转移类别(调查信息标签)、是否为高风险客户关联人(调查信息标签)

S103，根据所述尽职调查计算模型底层标签中的调查信息标签对所述尽职调查计算模型进行训练，将调查信息标签作为输入样本，对所述尽职调查计算模型底层标签中的其他信息分类标签进行相似度匹配，确定每一调查信息标签下的其他信息分类标签标准集。

S104，根据所述尽职调查计算模型，利用所述标准集对所有未进行过尽职调查的客户进行相似度匹配，标记每个客户允许匹配的调查信息标签。

在一实施例中，根据所述尽职调查场景进行尽职调查适配学习，其中，根据调查信息标签对所述尽职调查计算模型进行训练，在自然语言相似度匹配达到设定相似度值或数据值中的比例空间占比达到设定比例值时判定训练完成，确定每一调查信息标签下的其他信息分类标签标准集。

在一具体实施例中，S103及S104通过群体分析及要素分析，构建模型并进行尽职调查适配学习，根据调查信息标签可以对某一类型的调查情况进行相似训练。

以非法资金转移可疑调查(调查信息标签)为例，输入调查信息标签客户为非法资金转移可疑调查，其他四类标签(共同要素标记)相似度自然语言匹配90％或者数据值中的70％的比例空间。最终得到不同调查信息标签下的客户四类标签标准集。

调查信息标签：非法资金转移可疑调查。

系统样本训练后得出：

客户信息标签：姓名(四字以下)，性别(无倾向)，国籍(中国)，职业(无业30％，学生20％，其他50％)，工作单位，住所地、工作单位地址(广西南宁32％、广东佛山)，联系方式(155前三位占比67％)，证件类型(身份证)，证件号码(广西11％、广东23％)，证件有效期限(有效)。

账户信息标签：账户类型(一类账户)。

交易信息标签：客户最近一年借贷记交易的总金额(10-11009000)。

产品信息标签：持有产品类型(结算产品)。

进行完所有的调查信息标签客户训练后，得到不同调查信息标签下的客户标准集(四类标签共同要素)，利用标准集对所有未进行过问卷调查客户进行相似度匹配，标记不同客户可匹配的调查信息标签。

S105，当第一客户发起尽职调查时，判断所述第一客户允许匹配的调查信息标签，根据所述调查信息标签对应的标准集生成尽职调查问卷，推送至所述第一客户完成尽职调查。

参考图3，为本发明一具体实施例的尽职调查问卷的处理流程示意图。如图3所示，具体方法为：

S105-1，当第一客户发起尽职调查时，判断所述第一客户所在业务配置的调查信息标签，并判断所述第一客户允许匹配的调查信息标签，将调查信息标签取最大合集；

S105-2，根据客户信息标签、账户信息标签、交易信息标签及产品信息标签对应的共同要素生成尽职调查基础表；

S105-3，根据所述第一客户对应的调查信息标签的最大合集，确定客户信息标签、账户信息标签、交易信息标签及产品信息标签对应的场景特殊要素，基于所述场景特殊要素生成尽职调查增加表；

S105-4，根据尽职调查的业务需求扩展选择调查信息标签，基于所述调查信息标签将本次未覆盖的客户信息标签、账户信息标签、交易信息标签及产品信息标签对应的场景特殊要素作为尽职调查补充表；

S105-5，根据所述尽职调查基础表、所述尽职调查增加表及所述尽职调查补充表，整合生成尽职调查问卷，推送至所述第一客户完成尽职调查。

在一具体实施例中，如果客户需要发起尽职调查，首先判定该客户该环节应配置的调查信息标签，其次判定该客户可匹配的调查信息标签，标签取最大合集。系统自动弹出该客户客户信息标签，账户信息标签，交易信息标签，产品信息标签共同要素部门作为尽职调查基本表。同时根据应配置调查信息标签与系统计算得出可匹配的调查信息标签，勾选出户客户信息标签，账户信息标签，交易信息标签，产品信息标签特色要素作为增加表。如相关尽职调查表扔不满足业务需求，可扩展选择调查信息标签将本次未覆盖的客户信息标签，账户信息标签，交易信息标签，产品信息标签特色要素作为补充表。最终根据基础表，增加表，补充表，整合成该客户的尽职调查问卷。

需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

在介绍了本发明示例性实施方式的方法之后，接下来，参考图4对本发明示例性实施方式的基于大数据分析的尽职调查自适应处理装置进行介绍。

基于大数据分析的尽职调查自适应处理装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

基于同一发明构思，本发明还提出了一种基于大数据分析的尽职调查自适应处理装置，如图4所示，该装置包括：

信息获取模块410，用于通过金融机构数据源获取客户信息、业务信息及历史调查信息；

信息整合分组处理模块420，用于对所述客户信息、业务信息及历史调查信息进行整合分组，得到多个类别的尽职调查计算模型底层标签；

模型训练模块430，用于根据所述尽职调查计算模型底层标签中的调查信息标签对所述尽职调查计算模型进行训练，将调查信息标签作为输入样本，对所述尽职调查计算模型底层标签中的其他信息分类标签进行相似度匹配，确定每一调查信息标签下的其他信息分类标签标准集；

调查信息标签匹配模块440，用于根据所述尽职调查计算模型，利用所述标准集对所有未进行过尽职调查的客户进行相似度匹配，标记每个客户允许匹配的调查信息标签；

尽职调查处理模块450，用于当第一客户发起尽职调查时，判断所述第一客户允许匹配的调查信息标签，根据所述调查信息标签对应的标准集生成尽职调查问卷，推送至所述第一客户完成尽职调查。

在一实施例中，所述尽职调查计算模型底层标签至少包括：客户信息标签、账户信息标签、交易信息标签、产品信息标签及调查信息标签。

在一实施例中，信息整合分组处理模块420还用于：

根据尽职调查场景分别设置每个场景对应的客户信息标签、账户信息标签、交易信息标签、产品信息标签、调查信息标签中的要素信息；其中，每个尽职调查计算模型底层标签中包括多种要素信息，所述要素信息被划分为共同要素及场景特殊要素；共同要素是在每个场景对应的尽职调查计算模型底层标签都出现的字段，场景特殊要素是在其中一个或多个场景对应的尽职调查计算模型底层标签出现的字段。

在一实施例中，所述尽职调查场景至少包括非法资金转移场景及个人客户身份识别场景；

在非法资金转移场景中，客户信息标签对应的场景特殊要素至少包括是否为高风险客户关联人；账户信息标签对应的场景特殊要素至少包括最大交易账户类型；交易信息标签对应的场景特殊要素至少包括客户在最近一定时期的借贷交易总金额，交易对手，收到的境外资金；产品信息标签对应的场景特殊要素至少包括最大交易明细产品中占比最高的产品；调查信息标签对应的场景特殊要素至少包括非法资金转移可疑调查，非法资金转移大额调查；

在个人客户身份识别场景中，客户信息标签对应的场景特殊要素至少包括客户管控状态及客户非法转移资金类别；账户信息标签对应的场景特殊要素至少包括客户账户情况或账户开立目的；交易信息标签对应的场景特殊要素至少包括客户年收入，客户AUM值，客户最近一定时期累计交易额，客户是否命中异常交易模型，客户命中的异常交易情形，异常交易原因说明，客户资金来源；产品信息标签对应的场景特殊要素至少包括客户持有产品；调查信息标签对应的场景特殊要素至少包括风险客户、非居民自然人客户、异常交易客户身份调查。

在一实施例中，模型训练模块430具体用于：

根据所述尽职调查场景进行尽职调查适配学习，其中，根据调查信息标签对所述尽职调查计算模型进行训练，在自然语言相似度匹配达到设定相似度值或数据值中的比例空间占比达到设定比例值时判定训练完成，确定每一调查信息标签下的其他信息分类标签标准集。

在一实施例中，尽职调查处理模块450具体用于：

当第一客户发起尽职调查时，判断所述第一客户所在业务配置的调查信息标签，并判断所述第一客户允许匹配的调查信息标签，将调查信息标签取最大合集；

根据客户信息标签、账户信息标签、交易信息标签及产品信息标签对应的共同要素生成尽职调查基础表；

根据所述第一客户对应的调查信息标签的最大合集，确定客户信息标签、账户信息标签、交易信息标签及产品信息标签对应的场景特殊要素，基于所述场景特殊要素生成尽职调查增加表；

根据尽职调查的业务需求扩展选择调查信息标签，基于所述调查信息标签将本次未覆盖的客户信息标签、账户信息标签、交易信息标签及产品信息标签对应的场景特殊要素作为尽职调查补充表；

根据所述尽职调查基础表、所述尽职调查增加表及所述尽职调查补充表，整合生成尽职调查问卷，推送至所述第一客户完成尽职调查。

在一实施例中，在所述尽职调查场景中，所述客户信息标签对应的共同要素至少包括姓名、性别、国籍、职业、工作单位、住所地、工作单位地址、联系方式、证件类型、证件号码及证件有效期限。

应当注意，尽管在上文详细描述中提及了基于大数据分析的尽职调查自适应处理装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

基于前述发明构思，如图5所示，本发明还提出了一种计算机设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现前述基于大数据分析的尽职调查自适应处理方法。

基于前述发明构思，本发明提出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程序，所述计算机程序被处理器执行时实现前述基于大数据分析的尽职调查自适应处理方法。

基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于大数据分析的尽职调查自适应处理方法。

本发明提出的基于大数据分析的尽职调查自适应处理方法及装置通过整合机构全量客户数据以及各类尽职调查数据信息，形成自适应适配不同客户的千人千面的客户尽职调查方案，实现对金融机构客户尽职调查的集约管理与智能分析，便于金融机构更好的了解客户，本发明通过对尽职调查的智能化适配，减少金融机构不同业务对同一客户相同要素的反复调查，提高尽职调查的处理效率，为金融机构场景的业务合理开展提供了有力的技术支持。

本申请技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。

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、装置、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。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。