CN107578165A - 基于粗糙集中简约算法的银行营销管理方法及系统 - Google Patents
基于粗糙集中简约算法的银行营销管理方法及系统 Download PDFInfo
- Publication number
- CN107578165A CN107578165A CN201710773000.9A CN201710773000A CN107578165A CN 107578165 A CN107578165 A CN 107578165A CN 201710773000 A CN201710773000 A CN 201710773000A CN 107578165 A CN107578165 A CN 107578165A
- Authority
- CN
- China
- Prior art keywords
- bank
- client
- attribute
- marketing
- property value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于粗糙集中简约算法的银行营销管理方法及系统,属于银行营销管理技术领域,旨在解决现有银行理财产品难以满足客户多样化需求的现状,所述的方法基于银行的CRM客户关系管理系统,其实现包括:利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表;利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理;对离散化处理后的属性值进行数字化,并生成客户属性决策表;利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值;通过该属性值对客户进行分类,制定适合客户需求的理财产品,实现银行利润最大化。所述的系统与上述方法相结合,应用于银行理财营销管理方面。
Description
技术领域
本发明涉及银行营销管理技术领域,具体地说是一种基于粗糙集中简约算法的银行营销管理方法及系统。
背景技术
随着我国金融行业的不断发展,商业银行的经营范围不断扩大,银行营销管理尤为重要。银行营销是商业银行以金融市场为导向,利用自己的资源优势,通过运用各种营销手段,把可盈利的银行金融产品和服务销售给客户,以满足客户的需求并实现银行利润最大化为目标的一系列活动。商业银行营销管理理论是20世纪60年代开始在西方国家逐渐兴起的,在我国起步较晚。虽然近几年来我国商业银行营销管理发展较为迅速,但与国际商业银行相比尚有许多不足。
当前,我国商业银行的个人理财产品缺乏正确的市场细分和个性化设计,客户群体的差异性没有体现出来,产品同质现象严重,理财产品之间大同小异,无法展示各商业银行的独特性,同质产品的竞争严重影响了理财市场的健康发展。而传统分析客户和理财产品的方法已经不能满足用户量巨大、用户关系复杂的情况,更无法准确的预测出用户感兴趣产品,也无法准确的为用户进行推荐,这就势必要求提出新的银行营销管理方法来解决上述问题。
众所周知的是,数据分析分为基于特征值的数据分析和不基于特征值的数据分析,而粗糙集理论属于基于特征值的数据分析,其能够更加精确的分析处理数据。目前,粗糙集理论已被广泛应用于金融、农业、工业、医学等各个方面,已被证明是非常有效的工具。利用这个工具,不仅能够有效地将银行客户进行更加详细的分类,而且可以用于银行事后监督业务系统、贷款、储蓄及其他方面的数据分类和分析,甚至在此基础上还能有针对性地进行预测。但是,粗糙集理论尚未应用于商业银行理财营销管理中。
基于上述陈述,商业银行就需要转变思路,将“以产品为中心”的营销理念转变为“以客户为中心,以市场为导向”的营销理念,进而提出一种基于粗糙集中简约算法的银行营销管理方法及系统,其基于银行的CRM客户关系管理系统,将粗糙集中属性约简算法应用到银行营销管理中,挖掘现有客户信息,以便于找出对银行经营目标影响大的客户群体,真正实现新的思想——“让数据指导行动”,从而制定出符合多数客户群体的理财产品。
发明内容
本发明的技术任务是解决现有技术的不足,针对现有银行理财产品难以满足客户多样化需求的现状,提供一种基于粗糙集中简约算法的银行营销管理方法及系统,其基于银行的CRM客户关系管理系统,利用粗糙集中属性约简算法对获取的银行客户基本信息进行处理和约简,并最终完成银行客户的分类,以便于对不同类型的客户进行挖掘进而以制定出符合客户自身条件的理财产品。
粗糙集:是由波兰数学家Z.Pawlak为开发自动规则生成系统及研究软计算问题在1982年提出的一种分析数据的数学理论,它是一种刻画不完整性和不确定性的数学工具,能够有效地分析不精确、不一致、不完整等各种不完备信息,还可以对数据进行分析和推理,从中发现隐含的知识,解释潜在的规律。
属性约简:是在保持知识库分类能力不变的条件下,删除其中不相关或不重要的属性。
银行营销管理:是把可盈利的银行服务引向经过选择的客户的一种管理活动。
本发明解决其技术问题所采用的技术方案是:
一种基于粗糙集中简约算法的银行营销管理方法,该方法基于银行的CRM客户关系管理系统,该方法的实现包括:
1)利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表;
2)利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理;
3)对离散化处理后的属性值进行数字化,并生成客户属性决策表;
4)利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值;
5)通过该属性值对客户进行分类,进而制定适合客户需求的理财产品。
所涉及客户的属性信息包括住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额。
所涉及步骤2)中,进行离散化处理的过程包括:
①将提取的客户属性信息中的属性值划分成区间等价类;
②通过采用取中点或者利用上下近似集之间的距离函数找出区间的截断点;
③取最小和最大截断点,组成P集;
④利用P中最小和最大的截断点确立新的P离散化表。
所涉及步骤4)中,对客户属性决策表进行约简的步骤包括:
①删除客户属性决策表中重复的行信息,确定条件属性和决策属性;
②依次删除客户属性决策表的其中一列信息,确定无关紧要的条件属性,在客户属性决策表中删除该列的条件属性,得到属性约简表;
③根据决策属性对属性约简表进行逐一分析,去掉冗余的属性值,进而确定起决定作用的属性值。
基于上述银行营销管理方法,本发明还提供了一种基于粗糙集中简约算法的银行营销管理系统,该系统借助于银行的CRM客户关系管理系统,包括:
提取模块,其利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表;
离散化模块,其利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理;
编码模块,用于对离散化处理后的属性值进行数字编码,并生成客户属性决策表;
约简模块,其利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值;
分类模块,用于通过找到的属性值对客户进行分类,银行工作人员根据分类结果制定适合客户需求的理财产品。
所涉及客户的属性信息包括住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额。
所涉及离散化模块包括:
划分单元,用于将提取的客户属性信息中的属性值划分成区间等价类;
扫描单元,用于扫描划分后的区间并找出区间的截断点;
离散单元,用于选取最小和最大截断点并组成P集;
处理单元,用于将P中最小和最大的截断点确立新的P离散化表。
所涉及扫描单元通过采用取中点或者利用上下近似集之间的距离函数找出区间的截断点。
所涉及约简模块包括:
行删除单元,用于删除客户属性决策表中重复的行信息,确定条件属性和决策属性;
列删除单元,用于依次删除客户属性决策表的其中一列信息,确定无关紧要的条件属性后删除客户属性决策表中的该列条件属性,得到属性约简表;
分析筛选单元,用于根据决策属性对属性约简表进行逐一分析,去掉冗余的属性值,进而确定起决定作用的属性值。
本发明的基于粗糙集中简约算法的银行营销管理方法及系统与现有技术相比所产生的有益效果是:
1)本发明的方法及系统均是基于银行的CRM客户关系管理系统,通过大数据提取客户信息,利用粗糙集约简算法对提取的客户信息进行离散化和约简,以便于找出影响客户进行银行理财的属性值,并进一步对客户进行分类,最终制定出满足不同客户需求的理财产品,实现银行利润的最大化;
2)本发明的方法及系统基于粗糙集理论,不仅限于应用在银行理财营销管理方面,还可以推广到信贷、评估、储蓄、股票等其他方面,甚至进行有针对性的预测,从而实现“让数据指导行动”的新思想。
附图说明
附图1是本发明的方法流程框图;
附图2是1中步骤S40的具体操作流程图;
附图3是本发明的系统连接结构框图;
附图4是本发明系统中离散化模块的结构框图;
附图5是本发明系统中约简模块的结构框图。
图中各标号表示:
10、提取模块,20、离散化模块,30、编码模块,
40、约简模块,50、分类模块;
21、划分单元,22、扫描单元,23、离散单元,24、处理单元;
41、行删除单元,42、列删除单元,43、分析筛选单元。
具体实施方式
本发明提供一种基于粗糙集中简约算法的银行营销管理方法将系统,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
如附图1所示,本发明的一种基于粗糙集中简约算法的银行营销管理方法,基于某市商业银行的CRM客户关系管理系统,该方法的实现包括:
S10:利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表,其中,所考虑的客户属性信息包括住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额。
步骤S10的具体实现是:基于某市商业银行的CRM客户关系管理系统,利用大数据随机抽取CRM客户关系管理系统的30名银行客户为一个样本实例,所生成客户属性信息表如下:
表1:客户属性信息表
注:为保护客户隐私,客户的真实姓名用英文单词name1~name30代替。
S20:利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理,该离散化处理的过程具体包括:
①将提取的客户属性信息中的属性值划分成区间等价类;
②通过采用取中点或者利用上下近似集之间的距离函数找出区间的截断点;
③取最小和最大截断点,组成P集;
④利用P中最小和最大的截断点确立新的P离散化表。
S30:对离散化处理后的属性值进行数字化,并生成客户属性决策表。
步骤S20、步骤S30的具体实现基于表1的客户属性信息表:
首先,用字母U代表表1中的“序号”,并将抽取的30名银行客户用1-30的序号进行表示;然后将表1中第一行的住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额的等六项属性名信息依次用字母a、b、c、d、e、f进行表示,随后,建立属性值集{1,2,3,4},对表1中与属性名信息相对的属性值信息依次进行离散化处理和数字化处理:
Ⅰ、对所抽取客户的住宅区域进行离散化和数字化:将北园小区、北营社区、萧何庄小区、月秀家园划分为北片小区,被数字化为1;将阳光花园、铁路上沿宿舍、温泉小区、嘉御园小区、汽运宿舍、建筑公司宿舍、嘉诚景园划分为南片小区,被数字化为2;将国棉厂宿舍、桥口社区、顺城社区、小锅市社区、纺织厂宿舍划分为西片小区,被数字化为3;将高档小区、和平公寓、胜利凯旋花园划分为中部小区,被数字化为4;
Ⅱ、对所抽取客户是否属于少数民族居住区进行离散化和数字化:“是”被数字化为1;“否”被数字化为2;
Ⅲ、对所抽取客户的年龄进行离散化和数字化:小于30岁被数字化为1;30岁-50岁被数字化为2;大于50岁被数字化为3;
Ⅳ、对所抽取客户的性别进行离散化和数字化:“男”被数字化为1;“女”被数字化为2;
Ⅴ、对所抽取客户的工作单位进行离散化和数字化:将铁路、电厂、公安局、第一中学、五中、电业局、办事处、人民医院、热力公司划分为大型企、事业单位,被数字化为1;将社区、居委会划分为居民自治区域,被数字化为2;机床厂、齿轮厂、纺织厂、国棉厂、汽运公司、建筑公司、驾校、肉联厂、百货商场划分为中小型企业,被数字化为3;将烟酒超市、大酒店、饺子馆、面粉零售批发部、小卖部、水果摊划分为个体经营区域,被数字化为4;
Ⅵ、对所抽取客户的年存款余额进行分类:小于1万元的年存款余额被数字化为1;1万元到5万元的年存款余额被数字化为2;5万元到10万元的年存款余额被数字化为3;大于10万元的年存款余额被数字化为4。
上述工作完成后,生成的客户属性决策表如下:
表2:客户属性决策表
S40:利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值。结合附图2,其具体操作包括:
S41:删除客户属性决策表中重复的行信息,确定条件属性和决策属性。也就是说,查看表2的客户属性决策表,发现:U为1的第二行信息和U为22的第二十三行信息重复,U为6的第七行信息和U为29的第三十行信息重复,U为9的第十行信息和U为19的第二十行信息重复,U为10的第十一行信息和U为30的第三十一行信息重复,U为13的第十四行信息和U为15的第十六行信息重复,U为16的第十七行信息和U为17的第十八行信息重复,U为25的第二十六行信息和U为26的第二十七行信息重复,故而,删除U为22的第二十三行信息、U为29的第三十行信息、U为19的第二十行信息重复、U为30的第三十一行信息重复、U为15的第十六行信息、U为17的第十八行信息、U为26的第二十七行信息,并对表2中保留的行列重新编号,得到如下表:
表3:删除重复行信息的客户属性决策表
U | a | b | c | d | e | f |
1 | 2 | 2 | 2 | 2 | 1 | 3 |
2 | 1 | 2 | 2 | 1 | 4 | 3 |
3 | 3 | 2 | 1 | 1 | 1 | 3 |
4 | 3 | 1 | 2 | 1 | 4 | 2 |
5 | 3 | 1 | 2 | 2 | 4 | 2 |
6 | 2 | 2 | 3 | 2 | 1 | 3 |
7 | 3 | 1 | 3 | 2 | 2 | 2 |
8 | 1 | 1 | 2 | 2 | 2 | 2 |
9 | 4 | 2 | 2 | 2 | 1 | 3 |
10 | 4 | 2 | 3 | 2 | 1 | 3 |
11 | 2 | 2 | 3 | 1 | 1 | 3 |
12 | 1 | 1 | 3 | 1 | 2 | 1 |
13 | 2 | 2 | 2 | 1 | 4 | 4 |
14 | 2 | 2 | 2 | 2 | 4 | 4 |
15 | 2 | 2 | 3 | 2 | 3 | 2 |
16 | 1 | 1 | 2 | 2 | 1 | 3 |
17 | 3 | 2 | 2 | 2 | 3 | 2 |
18 | 2 | 2 | 1 | 2 | 3 | 2 |
19 | 2 | 2 | 1 | 1 | 3 | 2 |
20 | 2 | 2 | 3 | 2 | 3 | 3 |
21 | 1 | 2 | 3 | 2 | 3 | 2 |
22 | 4 | 2 | 3 | 1 | 3 | 2 |
23 | 4 | 2 | 3 | 1 | 1 | 3 |
由表3:条件属性为C={a、b、c、d、e},决策属性为D={f}。
S42:依次删除客户属性决策表的其中一列信息,确定无关紧要的条件属性,在客户属性决策表中删除该列的条件属性,得到属性约简表。
基于表3,仅去掉条件属性a的列信息,发现U为20的第二十一行信息和U为21的第二十二行信息是矛盾的,所以得出,a是不能被约简掉的,即a为属性核。
基于表3,仅去掉条件属性为b的列信息,发现各行的信息并未受影响,所以得出,条件属性b是无关紧要的属性,是可以被约简掉的。
基于表3,仅去掉条件属性为c的列信息,发现U为1的第二行信息和U为6的第七行信息是矛盾的,所以得出,c是不能被约简掉的,即c为属性核。
基于表3,仅去掉条件属性为d的列信息,发现U为18的第十九行信息和U为19的第二十行信息是矛盾的,所以得出,d是不能被约简掉的,即d为属性核。
基于表3,仅去掉条件属性为e的列信息,发现U为22的第二十三行信息和U为23的第二十四行信息是矛盾的,所以得出,e是不能被约简掉的,即e为属性核。
由此可以得到核集{a,c,d,e},而b是无关紧要被约简的条件属性,因此可以得到表4属性约简表。
表4:属性约简表
S43:根据决策属性对属性约简表进行逐一分析,去掉冗余的属性值,进而确定起决定作用的属性值。
基于表4,查看决策属性的取值情况,可以发现,决策属性f的取值为1、2、3,其中f取值为3的行信息数量最多,其具体情况是f={1,2,3,6,9,10,11,16,20,23}。
基于表4,再次查看条件属性的取值情况,可以发现,条件属性a和条件属性e的取值分别为1、2、3、4,条件属性c的取值为1、2、3,条件属性d的取值则为1、2。
现在,以决策属性f取值3为例,分别对条件属性a、c、d、e的不同取值进行举例。
举例Ⅰ:条件属性a的取值为2时,[1]a={1,6,11,13,14,15,18,19,20};
条件属性c的取值为2时,[1]c={1,2,4,5,8,9,13,14,16,17};
条件属性d的取值为2时,[1]d={1,5,6,7,8,9,10,14,15,16,17,18,20,21};
条件属性e的取值为1时,[1]e={1,3,6,9,10,11,16,23};
依次对比后发现,属性值信息不能得到约简。
举例Ⅱ:条件属性a的取值为1时,[2]a={2,8,12,16,21};
条件属性c的取值为2时,[2]c={1,2,4,5,8,9,13,14,16,17};
条件属性d的取值为1时,[2]d={2,3,4,11,12,13,19,22,23};
条件属性e的取值为4时,[2]e={2,4,5,13,14};
由得到的一个约简是:a1e4→f3,即U为2的第三行列信息可以得到约简。
举例Ⅲ:条件属性a的取值为3时,[3]a={3,4,5,7,17};
条件属性c的取值为1时,[3]c={3,18,19};
条件属性d的取值为1时,[3]d={2,3,4,11,12,13,19,22,23};
条件属性e的取值为1时,[3]e={1,3,6,9,10,11,16,23};
由得到的三个约简是:a3c1→f3,a3e1→f3,c1e1→f3,即U为3的第四行列信息可以得到约简。
举例数量不仅限于上述内容,其还可以对决策属性f取值1、2,且条件属性a、c、d、e进行不同取值来依次进行约简,最终实现对属性值的约简,以达到删除表4中重复行信息的目的,并进一步得到表5,该表中,*表示该属性可以选取的任意值。
表5:具有决定作用的属性约简表
a | c | d | e | f | |
2 | 1 | * | * | 4 | 3 |
3 | 3 | 1 | * | * | 3 |
3’ | 3 | * | * | 1 | 3 |
3” | * | 1 | * | 1 | 3 |
7 | 3 | 3 | * | * | 2 |
7’ | 3 | * | * | 2 | 2 |
8 | * | 2 | * | 2 | 2 |
9 | 4 | 2 | * | * | 3 |
12 | * | * | 1 | 2 | 1 |
16 | 1 | * | * | 1 | 3 |
17 | 3 | * | * | 3 | 2 |
17’ | * | 2 | * | 3 | 2 |
18 | * | 1 | 2 | * | 2 |
21 | 1 | 3 | * | * | 2 |
22 | 4 | * | * | 3 | 2 |
S50:通过该属性值对客户进行分类,进而制定适合客户需求的理财产品。
分析表5,可以发现:
d1e2→f1;
a3c3∨a3e2∨c2e2∨a3e3∨c2e3∨c1d2∨a1c3∨a4e3→f2;
a1e4∨a3c1∨a3e1∨c1e1∨a4c2∨a1e1→f3;
由此可以得到:①住在北片小区、工作单位为1或者4的居民,②住在西片小区、年龄<30或者工作单位为1的居民,③住在中部小区、年龄为30~50的居民,④年龄<30、工作单位为1的居民,他们的年存款余额在5万元~10万元,针对这部分的居民我们可以设计投资性理财产品。原因是:这部分居民大都是在事业单位或者大型企业工作的居民,收入较为稳定,利润点高的投资性理财产品会成为他们的最佳选择。另一方面,年存款余额在1~5万的居民则占据多数,针对这部分居民的特点我们可以设计利润点低的保本保息性理财产品,并且积极引导这部分居民存定期存款,以便增加商业银行的存款收益。
实施例二:
结合附图3,本发明还提供了一种基于粗糙集中简约算法的银行营销管理系统,该系统借助于银行的CRM客户关系管理系统,包括:
提取模块10,其利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表;
离散化模块20,其利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理;
编码模块30,用于对离散化处理后的属性值进行数字编码,并生成客户属性决策表;
约简模块40,其利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值;
分类模块50,用于通过找到的属性值对客户进行分类,银行工作人员根据分类结果制定适合客户需求的理财产品。
所涉及客户的属性信息包括住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额。
结合附图4,所涉及离散化模块20包括:
划分单元21,用于将提取的客户属性信息中的属性值划分成区间等价类;
扫描单元22,用于扫描划分后的区间并找出区间的截断点;
离散单元23,用于选取最小和最大截断点并组成P集;
处理单元24,用于将P中最小和最大的截断点确立新的P离散化表。
所涉及扫描单22通过采用取中点或者利用上下近似集之间的距离函数找出区间的截断点。
结合附图5,所涉及约简模块40包括:
行删除单元41,用于删除客户属性决策表中重复的行信息,确定条件属性和决策属性;
列删除单元42,用于依次删除客户属性决策表的其中一列信息,确定无关紧要的条件属性后删除客户属性决策表中的该列条件属性,得到属性约简表;
分析筛选单元43,用于根据决策属性对属性约简表进行逐一分析,去掉冗余的属性值,进而确定起决定作用的属性值。
以上所述实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管该具体实施方式部分对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (10)
1.基于粗糙集中简约算法的银行营销管理方法,其特征在于,该方法基于银行的CRM客户关系管理系统,该方法的实现包括:
1)利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表;
2)利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理;
3)对离散化处理后的属性值进行数字化,并生成客户属性决策表;
4)利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值;
5)通过该属性值对客户进行分类,进而制定适合客户需求的理财产品。
2.根据权利要求1所述的基于粗糙集中简约算法的银行营销管理方法,其特征在于,所述客户的属性信息包括住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额。
3.根据权利要求1所述的基于粗糙集中简约算法的银行营销管理方法,其特征在于,在步骤2)中,进行离散化处理的过程包括:
①将提取的客户属性信息中的属性值划分成区间等价类;
②找出区间的截断点;
③取最小和最大截断点,组成P集;
④利用P中最小和最大的截断点确立新的P离散化表。
4.根据权利要求3所述的基于粗糙集中简约算法的银行营销管理方法,其特征在于,通过采用取中点或者利用上下近似集之间的距离函数找出区间的截断点。
5.根据权利要求1所述的基于粗糙集中简约算法的银行营销管理方法,其特征在于,在步骤4)中,对客户属性决策表进行约简的步骤包括:
①删除客户属性决策表中重复的行信息,确定条件属性和决策属性;
②依次删除客户属性决策表的其中一列信息,确定无关紧要的条件属性,在客户属性决策表中删除该列的条件属性,得到属性约简表;
③根据决策属性对属性约简表进行逐一分析,去掉冗余的属性值,进而确定起决定作用的属性值。
6.基于粗糙集中简约算法的银行营销管理系统,其特征在于,该系统借助于银行的CRM客户关系管理系统,包括:
提取模块,其利用大数据提取银行CRM客户关系管理系统中客户的属性信息,生成客户属性信息表;
离散化模块,其利用粗糙集中属性约简算法对客户属性信息表中的属性值进行离散化处理;
编码模块,用于对离散化处理后的属性值进行数字编码,并生成客户属性决策表;
约简模块,其利用粗糙集中属性约简算法对客户属性决策表进行约简,找到影响银行营销管理的属性值;
分类模块,用于通过找到的属性值对客户进行分类,银行工作人员根据分类结果制定适合客户需求的理财产品。
7.根据权利要求6所述的基于粗糙集中简约算法的银行营销管理系统,其特征在于,所述客户的属性信息包括住宅区域、是否少数民族居住区、年龄、性别、工作单位、年存款余额。
8.根据权利要求6所述的基于粗糙集中简约算法的银行营销管理系统,其特征在于,所述离散化模块包括:
划分单元,用于将提取的客户属性信息中的属性值划分成区间等价类;
扫描单元,用于扫描划分后的区间并找出区间的截断点;
离散单元,用于选取最小和最大截断点并组成P集;
处理单元,用于将P中最小和最大的截断点确立新的P离散化表。
9.根据权利要求8所述的基于粗糙集中简约算法的银行营销管理系统,其特征在于,所述扫描单元通过采用取中点或者利用上下近似集之间的距离函数找出区间的截断点。
10.根据权利要求6所述的基于粗糙集中简约算法的银行营销管理系统,其特征在于,所述约简模块包括:
行删除单元,用于删除客户属性决策表中重复的行信息,确定条件属性和决策属性;
列删除单元,用于依次删除客户属性决策表的其中一列信息,确定无关紧要的条件属性后删除客户属性决策表中的该列条件属性,得到属性约简表;
分析筛选单元,用于根据决策属性对属性约简表进行逐一分析,去掉冗余的属性值,进而确定起决定作用的属性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710773000.9A CN107578165A (zh) | 2017-08-31 | 2017-08-31 | 基于粗糙集中简约算法的银行营销管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710773000.9A CN107578165A (zh) | 2017-08-31 | 2017-08-31 | 基于粗糙集中简约算法的银行营销管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578165A true CN107578165A (zh) | 2018-01-12 |
Family
ID=61030891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710773000.9A Pending CN107578165A (zh) | 2017-08-31 | 2017-08-31 | 基于粗糙集中简约算法的银行营销管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578165A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119966A (zh) * | 2019-05-20 | 2019-08-13 | 上海应用技术大学 | 银行客户异常行为分析方法 |
CN115375456A (zh) * | 2022-08-26 | 2022-11-22 | 广东工业大学 | 用于信贷风险评估的数据处理方法、装置、设备及介质 |
CN116894650A (zh) * | 2023-06-05 | 2023-10-17 | 云南大学 | 具有隐私保护的电子商务环境下多组织协同过程构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139021A (zh) * | 2015-07-08 | 2015-12-09 | Tcl集团股份有限公司 | 一种基于粗糙集理论实现电视用户快速分类的方法及系统 |
CN105741258A (zh) * | 2014-12-09 | 2016-07-06 | 北京中船信息科技有限公司 | 基于粗糙集和神经元网络的船体零部件图像分割方法 |
CN106127331A (zh) * | 2016-06-16 | 2016-11-16 | 中国民航大学 | 基于粗糙集理论的民航无线电干扰预测方法 |
-
2017
- 2017-08-31 CN CN201710773000.9A patent/CN107578165A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741258A (zh) * | 2014-12-09 | 2016-07-06 | 北京中船信息科技有限公司 | 基于粗糙集和神经元网络的船体零部件图像分割方法 |
CN105139021A (zh) * | 2015-07-08 | 2015-12-09 | Tcl集团股份有限公司 | 一种基于粗糙集理论实现电视用户快速分类的方法及系统 |
CN106127331A (zh) * | 2016-06-16 | 2016-11-16 | 中国民航大学 | 基于粗糙集理论的民航无线电干扰预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119966A (zh) * | 2019-05-20 | 2019-08-13 | 上海应用技术大学 | 银行客户异常行为分析方法 |
CN115375456A (zh) * | 2022-08-26 | 2022-11-22 | 广东工业大学 | 用于信贷风险评估的数据处理方法、装置、设备及介质 |
CN115375456B (zh) * | 2022-08-26 | 2023-08-08 | 广东工业大学 | 用于信贷风险评估的数据处理方法、装置、设备及介质 |
CN116894650A (zh) * | 2023-06-05 | 2023-10-17 | 云南大学 | 具有隐私保护的电子商务环境下多组织协同过程构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lam | Neural network techniques for financial performance prediction: integrating fundamental and technical analysis | |
CN104077407B (zh) | 一种智能数据搜索系统及方法 | |
Munawar et al. | Cluster application with k-means algorithm on the population of trade and accommodation facilities in indonesia | |
CN111882403A (zh) | 一种基于用户数据的金融服务平台智能推荐方法 | |
CN107578165A (zh) | 基于粗糙集中简约算法的银行营销管理方法及系统 | |
Prabha et al. | A survey on customer relationship management | |
Xu et al. | Novel key indicators selection method of financial fraud prediction model based on machine learning hybrid mode | |
Liao et al. | Mining the co-movement between foreign exchange rates and category stock indexes in the Taiwan financial capital market | |
Winata et al. | Predicting stock market prices using time series sarima | |
Wang et al. | Future development trend of “new retail” and e-commerce based on big data | |
Zheng | Decision tree algorithm for precision marketing via network channel | |
Whalley et al. | Ownership restructuring and wage inequality in urban China | |
Wu et al. | Application of data mining in customer relationship management | |
Wang et al. | The application of data mining technology to big data | |
CN103426103A (zh) | 超市市场价值地图构建方法 | |
Qu | A decision tree applied to the grass-roots staffs' turnover problem—take CR Group as an example | |
Guo et al. | EC-Structure: Establishing consumption structure through mining e-commerce data to discover consumption upgrade | |
Guo et al. | Statistical decision research of long-term deposit subscription in banks based on decision tree | |
Ying et al. | Research on E-commerce Data Mining and Managing Model in The Process of Farmers' Welfare Growth | |
CN112464168A (zh) | 一种综合能源潜力用户靶向评估提取方法 | |
CN111311331A (zh) | 一种rfm分析方法 | |
Kasinadh et al. | Building fuzzy OLAP using multi-attribute summarization | |
Abdulaziz et al. | Prediction of Real Estate Land Prices in the Kingdom of Bahrain | |
Yu et al. | On the positioning and market selection of opera performance art based on industrial data mining | |
Li et al. | Application of attribute reduction algorithm based on rough set in financial management of commercial banks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |