CN107798029A - 贬损客户预测方法和装置 - Google Patents
贬损客户预测方法和装置 Download PDFInfo
- Publication number
- CN107798029A CN107798029A CN201710087366.0A CN201710087366A CN107798029A CN 107798029 A CN107798029 A CN 107798029A CN 201710087366 A CN201710087366 A CN 201710087366A CN 107798029 A CN107798029 A CN 107798029A
- Authority
- CN
- China
- Prior art keywords
- client
- target
- disparage
- customer
- factor
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种贬损客户预测方法,该方法包括:获取预设时间段内的客户信息;根据客户信息中的NPS值确定对应的客户是否为贬损客户;将客户是否为贬损客户作为目标变量,从客户信息中筛选出对该目标变量有影响的目标因素;根据目标因素建立贬损客户识别模型,该贬损客户识别模型用于预测目标客户是否为贬损客户。该方法根据已有的调研数据建立贬损客户识别模型,然后根据该贬损客户识别模型准确的预测目标客户是否为贬损客户,有利于后续进行有针对性的干预提高客户的满意度。此外,还提出了一种贬损客户预测装置。
Description
技术领域
本发明涉及计算机处理领域,特别是涉及一种贬损客户预测方法和装置。
背景技术
NPS(Net Promoter Score,净推荐值)是一个客户向其他人推荐的可能性得分,它是客户忠诚度的反映。确定一个客户的NPS值是通过直截了当的向客户问一个问题:“您是否愿意向朋友或同事推荐该公司的产品?”,根据愿意推荐的程度让客户在0-10之间打分,根据得分情况来建立客户忠诚度的3个范畴:推荐者(得分在9-10之间),被动者(得分在7-8之间),贬损者(得分在0-6之间)。其中,推荐者是指具有狂热忠诚度的人,他们会主动将产品推荐给其他人;被动者是指总体满意但并不狂热,将会考虑其他竞争对手的产品;贬损者是指使用不满意甚至会破坏公司名声。可见,贬损客户是会直接破坏公司名声的一类客户。传统的贬损客户的确定是通过调研得到的,此时客户可能已经对公司的名声造成了破坏。如果能够及时发现潜在的贬损客户,然后有针对性的干预,则将有利于提高客户的NPS值。因此,亟待需要一种能够提前预测客户是否为贬损客户的方法。
发明内容
基于此,有必要针对上述问题,提出一种能够预测客户是否为贬损客户的贬损客户预测方法和装置。
一种贬损客户预测方法,所述方法包括:获取预设时间段内的客户信息;根据所述客户信息中的NPS值确定对应的客户是否为贬损客户;将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素;根据所述目标因素建立贬损客户识别模型,所述贬损客户识别模型用于预测目标客户是否为贬损客户。
在其中一个实施例中,所述贬损客户识别模型用于预测目标客户是否为贬损客户的步骤包括:获取待预测的目标客户所对应的客户数据,根据所述贬损客户识别模型和所述目标客户对应的客户数据计算与该目标客户对应的贬损值;当所述贬损值大于贬损阈值时,则预测对应的目标客户为贬损客户。
在其中一个实施例中,所述将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素的步骤包括:将所述客户是否为贬损客户作为目标变量,获取所有可能影响所述目标变量的因素;计算每个因素对所述目标变量的影响度;根据影响度的大小筛选出对所述目标变量有影响的目标因素。
在其中一个实施例中,所述根据所述目标因素建立贬损客户识别模型的步骤包括:将所述目标因素作为入模变量建立逻辑回归模型;将已确定是否为贬损客户的客户信息作为所述逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。
在其中一个实施例中,所述根据所述客户信息中的NPS值确定对应的客户是否为贬损客户的步骤包括:判断所述客户信息中的NPS值是否大于预设阈值;若是,则判定对应的客户为贬损客户,若否,则判定对应的客户为非贬损客户。
一种贬损客户预测装置,所述装置包括:获取模块,用于获取预设时间段内的客户信息;确定模块,用于根据所述客户信息中的NPS值确定对应的客户是否为贬损客户;筛选模块,用于将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素;建立模块,用于根据所述目标因素建立贬损客户识别模型,所述贬损客户识别模型用于预测目标客户是否为贬损客户。
在其中一个实施例中,所述装置还包括:计算模块,用于获取待预测的目标客户所对应的客户数据,采用所述贬损客户识别模型根据所述目标客户对应的客户数据计算与该目标客户对应的贬损值;预测模块,用于当所述贬损值大于贬损阈值时,则预测对应的目标客户为贬损客户。
在其中一个实施例中,所述筛选模块包括:因素获取模块,用于将所述客户是否为贬损客户作为目标变量,获取所有可能影响所述目标变量的因素;影响度计算模块,用于计算每个因素对所述目标变量的影响度;目标因素筛选模块,用于根据影响度的大小筛选出对所述目标变量有影响的目标因素。
在其中一个实施例中,所述建立模块包括:模型建立模块,用于将所述目标因素作为入模变量建立逻辑回归模型;训练模块,用于将已确定是否为贬损客户的客户信息作为所述逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。
在其中一个实施例中,所述确定模块还用于判断所述客户信息中的NPS值是否大于预设阈值,若是,则判定对应的客户为贬损客户,若否,则判定对应的客户为非贬损客户。
上述贬损客户识别方法和装置,通过获取预设时间段内的客户信息,根据客户信息中的NPS值确定对应的客户是否为贬损客户,将客户是否为贬损客户作为目标变量,从客户信息中筛选出对该目标变量有影响的目标因素,进而根据该目标因素建立贬损客户识别模型,该贬损客户识别模型用于预测目标客户是否为贬损客户。该贬损客户识别方法根据已有的调研数据建立贬损客户识别模型,然后根据该贬损客户识别模型来预测目标客户是否为贬损客户,从而可以有针对性的对目标客户进行干预,进而提高客户的满意度。
附图说明
图1为一个实施例中终端的内部结构示意图;
图2为一个实施例中服务器的内部结构示意图;
图3为一个实施例中贬损客户预测方法的流程图;
图4为一个实施例中从客户信息中筛选出对目标变量有影响的目标因素的方法流程图;
图5为一个实施例中根据目标因素建立客户识别模型的方法流程图;
图6为一个实施例中贬损客户预测装置的结构框图;
图7为一个实施例中筛选模块的结构框图;
图8为一个实施例中建立模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
如图1所示,在一个实施例中,终端102的内部结构如图1所示,包括通过系统总线连接的处理器、内存储器、非易失性存储介质、网络接口、显示屏和输入装置。其中,终端102的非易失性存储介质存储有操作系统,还包括一种贬损客户预测装置,该贬损客户预测装置用于实现一种贬损客户预测方法。该处理器用于提供计算和控制能力,支撑整个终端的运行。终端中的内存储器为非易失性存储介质中的相关变量识别装置的运行提供环境,该内存储器中存有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种贬损客户预测方法。网络接口用于连接到网络进行通信。终端102的显示屏可以是液晶显示屏或者电子墨水显示屏等,输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,也可以是外接的键盘、触控板或鼠标等。该终端可以是平板电脑、笔记本电脑、台式计算机等。本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端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。
如图2所示,在一个实施例中,服务器104的内部结构如图2所示,包括通过系统总线连接的处理器、非易失性存储介质、内存和网络接口。其中,该非易失存储介质包括操作系统、数据库、贬损客户预测装置。数据库用于存储数据。该贬损客户预测装置用于实现一种贬损客户预测方法,该服务器的处理器用于提供计算和控制能力,支撑整个服务器的运行。该服务器的网络接口用于与外部的服务器和终端通过网络连接通信。本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器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。
如图3所示,在一个实施例中,提出了一种贬损客户预测方法,该方法既可应用于终端中,也可以应用于服务器中,包括:
步骤302,获取预设时间段内的客户信息。
在本实施例中,预设时间段是指过往的一段时间。获取预设时间段内的客户信息,就是提取过往一段时间内的客户信息。客户信息包括:客户的NPS值、客户的基本信息、客户的价值信息、客户的保单信息、客户的生命阶段信息、客户的金融数据、客户的保全信息、客户的理赔信息、客户的续期缴费信息、客户的投诉信息、客户的咨询信息、客户的业务员信息等等。其中,客户的NPS值是指调研得到的客户的净推荐值;客户的基本信息包括年龄、性别、所属机构、服务状态等;客户的价值信息包括客户的年收入、已交保费、未交保费等;客户的保单信息包括已购买险种数、保额等;客户的生命阶段信息包括结婚情况、家庭子女数等;客户的综合金融数据包括购买活跃度、是否有信用卡等;客户的保全信息包括客户什么时候做过什么样的保全等;客户的理赔信息包括客户什么时候做过理赔、是否立案、是否赔付以及赔付金额等;客户的续期缴费信息包括客户已经缴费几次、是否提前缴费、缴费有没有延迟、有没有被催缴等;客户的投诉信息包括客户什么时候对什么进行过投诉等信息;客户的咨询信息包括客户什么时候通过什么渠道咨询了什么信息等;客户的业务员信息包括与客户最亲密的业务员的基本信息,比如年龄、司龄、继续率、业绩信息等。为了贬损客户预测的准确性,一般是提取最近的一段时间,比如,提取上一个季度的所有客户信息。
步骤304,根据客户信息中的NPS值确定对应的客户是否为贬损客户。
在本实施例中,NPS值是通过对客户进行调研得到的,它反应了客户的忠诚度。通过客户信息中的NPS值来确定对应的客户是否为贬损客户。具体的,将NPS值小于预设阈值的客户作为贬损客户,将NPS值大于或等于预设阈值的客户作为非贬损客户。比如,预设阈值设为7,将NPS值小于7的客户作为贬损客户,将NPS值大于或等于7的客户作为非贬损客户。
步骤306,将客户是否为贬损客户作为目标变量,从客户信息中筛选出对该目标变量有影响的目标因素。
在本实施例中,由于影响客户成为贬损客户的因素往往有很多个,在进行建模的过程中不可能将所有的因素都作为入模变量,因此,需要从众多因素中筛选出对客户是否为贬损客户影响比较大的因素,筛选出的因素称为目标因素。具体的,将客户是否为贬损客户作为目标变量,将已知客户是否为贬损客户的客户信息作为筛选目标因素的数据基础,其中,若客户为贬损客户,则对应的目标变量取值为1,若客户为非贬损客户,则对应的目标变量取值为0。通过将客户是否为贬损客户作为目标变量,获取客户信息中可能影响该目标变量的所有因素,然后计算每个因素对该目标变量的影响度,影响度的计算可以采用多种方法来得到,这里并不对影响度的计算方法作限定。在一个实施例中,是通过计算IV(信息量)和WOE(证据权重)来得到,采用IV的值来表示每个因素的影响度,具体的,IV的计算公式如下IVi=(pyi-pni)*WOEi,而WOE的计算公式如下:WOEi=In(pyi/pni),其中,下标i表示当前的组号,pyi是指这个组中贬损客户占所有样本中贬损客户的比例,pni是指这个组中非贬损客户占样本中所有非贬损客户的比例。然后根据影响度的大小筛选出对用户是否为贬损客户影响比较大的因素即目标因素。
步骤308,根据目标因素建立贬损客户识别模型,所述贬损客户识别模型用于预测目标客户是否为贬损客户。
在本实施例中,从客户信息中的众多因素中筛选出对客户是否为贬损客户有影响的目标因素后,根据该目标因素建立贬损客户识别模型。具体的,首先,建立逻辑回归模型,将筛选出的目标因素作为该逻辑回归模型中的入模变量,然后将已确定是否为贬损客户的客户信息作为逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。其中,训练学习的过程就是确定各个入模变量的系数的过程,当所有的入模变量的系数确定完后就完成了贬损客户识别模型的建立。后续就可以根据该建立的贬损客户识别模型来对待预测的目标客户进行预测。
在本实施例中,通过获取预设时间段内的客户信息,根据客户信息中的NPS值确定对应的客户是否为贬损客户,将客户是否为贬损客户作为目标变量,从客户信息中筛选出对该目标变量有影响的目标因素,进而根据该目标因素建立贬损客户识别模型,该贬损客户识别模型用于预测目标客户是否为贬损客户。该贬损客户识别方法根据已有的调研数据建立贬损客户识别模型,然后根据该贬损客户识别模型来预测目标客户是否为贬损客户,从而可以有针对性的对目标客户进行干预,进而提高用户的满意度。
在一个实施例中,贬损客户识别模型预测目标客户是否为贬损客户的步骤包括:
步骤310,获取待预测的目标客户所对应的客户数据,根据贬损客户识别模型和目标客户对应的客户数据计算与该目标客户对应的贬损值。
在本实施例中,建立贬损客户识别模型后,获取待预测的目标客户所对应的客户数据,其中,客户数据包括获取到的与目标因素有关的数据。然后提取该客户数据中的目标因素所对应的数据,根据该目标客户对应的各个目标因素的数据计算与该目标客户对应的贬损值。其中,贬损值是指目标客户成为贬损客户的概率,取值范围为0-1。
步骤312,当贬损值大于贬损阈值时,则预测对应的目标客户为贬损客户。
在本实施例中,贬损值表示的是目标客户成为贬损客户的概率,因此,贬损值越大,对应的目标客户越可能成为贬损客户。具体的,采用二值法,设置贬损阈值,即将贬损值大于该贬损阈值的目标客户认为是贬损客户,而将贬损值小于或等于该贬损阈值的目标客户认为是非贬损客户。通过对预测得到的贬损客户进行有针对性的干预,有利于将潜在的贬损客户转化为非贬损客户,从而提高客户的NPS值。
如图4所示,在一个实施例中,将客户是否为贬损客户作为目标变量,从客户信息中筛选出对该目标变量有影响的目标因素的步骤306包括:
步骤306A,将客户是否为贬损客户作为目标变量,获取所有可能影响目标变量的因素。
在本实施例中,将客户是否为贬损客户作为目标变量,然后从客户信息中获取所有可能影响目标变量的因素。由于不可能将所有的因素都作为入模变量,所以需要从众多因素中筛选出对客户是否为贬损客户有影响的主要因素。
步骤306B,计算每个因素对目标变量的影响度。
在本实施例中,从客户信息中获取到所有可能影响客户是否为贬损客户(即目标变量)的因素后,需要计算每个因素对客户是否为贬损客户的影响度,影响度的计算可以通过计算WOE(Weight of Evidence证据权重)来得到。具体的,WOE的计算公式如下:WOEi=In(pyi/pni),其中,下标i表示当前的组号,pyi是指这个组中贬损客户占所有样本中贬损客户的比例,pni是指这个组中非贬损客户占样本中所有非贬损客户的比例。举个例子,假设我们抽取了100000个客户信息作为样本,其中,收集到的这100000个客户中有10000个已确定为贬损客户,90000个已确定为非贬损客户。以客户的续期缴费信息为例,将客户的续期缴费信息分为四类,分别为进行过0次续期缴费、进行过1次续期缴费、进行过2次续期缴费、进行过3次以上续期缴费。根据分类统计的结果如表1所示。
表1
续期缴费次数 | 贬损客户 | 非贬损客户 | 合计 | 响应比例 |
0 | 2500 | 47500 | 50000 | 5% |
1 | 3000 | 27000 | 30000 | 10% |
2 | 3000 | 12000 | 15000 | 20% |
3以上 | 1500 | 3500 | 5000 | 30% |
合计 | 10000 | 90000 | 100000 | 10% |
上述将续期缴费信息分为了四组,第一组为0次续期缴费,第二组为1次续期缴费,第三组为2次续期缴费,第四次为3次以上(包括3次)续期缴费。根据上述WOE的计算公式可以得到第一组的WOE1=-0.74721,同样的,可以得到第二组的WOE2=0,第三组的WOE3=0.81093,第四组的WOE4=1.349927;其中,WOE的正负表示影响的方向,若WOE为正,说明变量当前取值对判断个体是否为贬损客户起到的是正向的影响,当WOE为负时,说明起到了负的影响,而WOE绝对值的大小则是影响大小的表现。计算完每个组的WOE的值,还需要根据该WOE的值计算影响度的大小。这里,影响度的大小是采用IV的值来表示的。IV(InformationValue,信息量)的计算公式如下:IVi=(pyi-pni)*WOEi,其中,下标i表示当前的组号。那么,第一组的影响度IV1=0.20765,第二组的影响度IV2=0,第三组的影响度IV3=0.135155,第四组的影响度IV4=0.14992。计算了各分组的影响度IVi,那么续期缴费信息这个因素对应的影响度为各分组之和,即那么计算得到的续期缴费信息的影响度IV=0.492706。
步骤306C,根据影响度的大小筛选出对目标变量有影响的目标因素。
在本实施例中,当确定了各个因素的影响度后,根据影响度的大小筛选出对目标变量(用户是否为贬损客户)影响度比较大的因素,筛选出的因素称为目标因素。后续可以依据目标因素建立贬损客户识别模型,便于提前预测客户是否为贬损客户。
如图5所示,在一个实施例中,根据目标因素建立贬损客户识别模型的步骤包括:
步骤308A,将目标因素作为入模变量建立逻辑回归模型。
在本实施例中,采用逻辑回归模型进行建模,将筛选出的目标因素作为入模变量,具体的,首先,假设在入模变量即自变量X1,X2,X3,……,Xn的作用下,某事件发生的概率为p,不发生的概率为1-p,逻辑回归模型如下:ln(p/1-p)=β0+β1X1+β2X2+…+βnXn。其中,X1,X2,X3,……,Xn为筛选出的目标因素。逻辑回归模型建立后,接下来需要对该逻辑回归模型进行训练学习以便得到各个入模变量前的系数值,即β0,β1,β2,…,βn的值。
步骤308B,将已确定是否为贬损客户的客户信息作为逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。
在本实施例中,建立逻辑回归模型后,将已确定是否为贬损客户的客户信息作为逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。具体的,将已确定是否为贬损客户的客户信息作为逻辑回归模型的训练数据,通过不断的调整逻辑回归算法中各个参数(即β0,β1,β2,…,βn的值)得到最优预测模型,当精准度、AUC指标等符合模型标准后确定模型,最后确定的模型即为贬损客户识别模型。
在一个实施例中,所述根据所述客户信息中的NPS值确定对应的客户是否为贬损客户的步骤包括:判断所述客户信息中的NPS值是否小于预设阈值;若是,则判定对应的客户为贬损客户,若否,则判断对应的客户为非贬损客户。
在本实施例中,预先设置一个阈值,判断客户信息中包含的NPS值是否小于该预设阈值,若是,则说明该客户为贬损客户,若否,则判定该客户为非贬损客户。具体的,比如,预设阈值设为7,将客户信息中NPS值小于7的客户作为贬损客户,将NPS值大于或等于7的客户作为非贬损客户。
在一个实施例中,上述贬损客户预测方法还包括:将计算得到的多个目标客户的贬损值按照从大到小的顺序进行排序,按照预设的规则确定与每个目标客户对应的贬损等级。
在本实施例中,为了有针对性的对贬损客户进行干预,当确定了用户为贬损用户后,还需要将贬损客户进行进一步精确划分,预设设置多个贬损等级,并设置贬损等级的规则,根据该设置的贬损等级的规则来确定与每个目标客户对应的贬损等级。具体的,首先,将计算得到的多个目标客户的贬损值按照从大到小的顺序进行排序,然后根据预设的规则来确定与目标客户对应的贬损等级。比如,将计算得到的前5%的客户定义为高可能贬损客户,5%-20%的客户定义为中高可能贬损客户,20%-40%的客户定义为中可能贬损客户,40%-65%的客户定义为中低可能贬损客户,后35%的客户定义为低可能贬损客户。通过将不同的目标客户划分为不同的贬损等级,便于后续可以有针对性的干预。比如,若计算得到目标客户为高可能贬损客户,则着重为该目标客户进行服务。此外,为了能够更清楚的了解客户贬损的原因,当确定目标客户为贬损客户后,还需要获取与该目标客户对应的至少一个贬损原因,根据该至少一个贬损原因,有针对性的提供让客户满意的服务,比如,若客户的贬损原因为销售,那么着重为客户提供销售方面的服务,便于提高客户的满意度。
如图6所示,提出了一种贬损客户预测装置,该装置包括:
获取模块602,用于获取预设时间段内的客户信息。
确定模块604,用于根据所述客户信息中的NPS值确定对应的客户是否为贬损客户。
筛选模块606,用于将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素。
建立模块608,用于根据所述目标因素建立贬损客户识别模型,所述贬损客户识别模型用于识别目标客户是否为贬损客户。
在一个实施例中,上述贬损客户预测装置还包括:
计算模块,用于获取待预测的目标客户所对应的客户数据,采用所述贬损客户识别模型根据所述目标客户对应的客户数据计算与该目标客户对应的贬损值。
预测模块,用于当贬损值大于贬损阈值时,则预测对应的目标客户为贬损客户。
如图7所示,在一个实施例中,筛选模块606包括:
因素获取模块606A,用于将所述客户是否为贬损客户作为目标变量,获取所有可能影响所述目标变量的因素。
影响度计算模块606B,用于计算每个因素对所述目标变量的影响度。
目标因素筛选模块606C,用于根据影响度的大小筛选出对所述目标变量有影响的目标因素。
如图8所示,在一个实施例中,建立模块608包括:
模型建立模块608A,用于将所述目标因素作为入模变量建立逻辑回归模型;
训练模块608B,用于将已确定是否为贬损客户的客户信息作为所述逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。
在一个实施例中,确定模块还用于判断所述客户信息中的NPS值是否大于预设阈值,若是,则判定对应的客户为贬损客户,若否,则判定对应的客户为非贬损客户。
在一个实施例中,上述贬损客户预测装置还包括:
排序模块,用于将计算得到的多个目标客户的贬损值按照从大到小的顺序进行排序。
贬损等级确定模块,用于按照预设的规则确定与每个目标客户对应的贬损等级。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种贬损客户预测方法,所述方法包括:
获取预设时间段内的客户信息;
根据所述客户信息中的NPS值确定对应的客户是否为贬损客户;
将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素;
根据所述目标因素建立贬损客户识别模型,所述贬损客户识别模型用于预测目标客户是否为贬损客户。
2.根据权利要求1所述的方法,其特征在于,所述贬损客户识别模型用于预测目标客户是否为贬损客户的步骤,具体包括:
获取待预测的目标客户所对应的客户数据;
根据所述贬损客户识别模型和所述目标客户对应的客户数据,计算与该目标客户对应的贬损值;
当所述贬损值大于贬损阈值时,则预测对应的目标客户为贬损客户。
3.根据权利要求1所述的方法,其特征在于,所述将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素的步骤包括:
将所述客户是否为贬损客户作为目标变量,获取所有可能影响所述目标变量的因素;
计算每个因素对所述目标变量的影响度;
根据所述影响度的大小筛选出对所述目标变量有影响的目标因素。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标因素建立贬损客户识别模型的步骤包括:
将所述目标因素作为入模变量建立逻辑回归模型;
将已确定是否为贬损客户的客户信息作为所述逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。
5.根据权利要求1-4任一所述的方法,其特征在于,所述根据所述客户信息中的NPS值确定对应的客户是否为贬损客户的步骤包括:
判断所述客户信息中的NPS值是否大于预设阈值;
若是,则判定对应的客户为贬损客户,若否,则判定对应的客户为非贬损客户。
6.一种贬损客户预测装置,其特征在于,所述装置包括:
获取模块,用于获取预设时间段内的客户信息;
确定模块,用于根据所述客户信息中的NPS值确定对应的客户是否为贬损客户;
筛选模块,用于将所述客户是否为贬损客户作为目标变量,从所述客户信息中筛选出对该目标变量有影响的目标因素;
建立模块,用于根据所述目标因素建立贬损客户识别模型,所述贬损客户识别模型用于预测目标客户是否为贬损客户。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
计算模块,用于获取待预测的目标客户所对应的客户数据,采用所述贬损客户识别模型根据所述目标客户对应的客户数据计算与该目标客户对应的贬损值;
预测模块,用于当所述贬损值大于贬损阈值时,则预测对应的目标客户为贬损客户。
8.根据权利要求6所述的装置,其特征在于,所述筛选模块包括:
因素获取模块,用于将所述客户是否为贬损客户作为目标变量,获取所有可能影响所述目标变量的因素;
影响度计算模块,用于计算每个因素对所述目标变量的影响度;
目标因素筛选模块,用于根据所述影响度的大小筛选出对所述目标变量有影响的目标因素。
9.根据权利要求6所述的装置,其特征在于,所述建立模块包括:
模型建立模块,用于将所述目标因素作为入模变量建立逻辑回归模型;
训练模块,用于将已确定是否为贬损客户的客户信息作为所述逻辑回归模型的训练数据,通过训练学习得到贬损客户识别模型。
10.根据权利要求6-9任一所述的装置,其特征在于,所述确定模块还用于判断所述客户信息中的NPS值是否大于预设阈值,若是,则判定对应的客户为贬损客户,若否,则判定对应的客户为非贬损客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710087366.0A CN107798029A (zh) | 2017-02-17 | 2017-02-17 | 贬损客户预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710087366.0A CN107798029A (zh) | 2017-02-17 | 2017-02-17 | 贬损客户预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107798029A true CN107798029A (zh) | 2018-03-13 |
Family
ID=61530241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710087366.0A Pending CN107798029A (zh) | 2017-02-17 | 2017-02-17 | 贬损客户预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798029A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900332A (zh) * | 2018-06-27 | 2018-11-27 | 北京邮电大学 | 一种潜在不满意客户识别方法及系统 |
CN109753587A (zh) * | 2019-01-07 | 2019-05-14 | 武汉斗鱼鱼乐网络科技有限公司 | 用户心理模型的构建方法、装置、电子设备及存储介质 |
CN110338762A (zh) * | 2019-07-09 | 2019-10-18 | 上海宝藤生物医药科技股份有限公司 | 辅助补充维生素d的方法、装置、终端及服务器 |
CN110400160A (zh) * | 2018-04-24 | 2019-11-01 | 中国移动通信集团广东有限公司 | 识别竞品用户的方法、装置、电子设备和存储介质 |
CN110659922A (zh) * | 2018-06-28 | 2020-01-07 | 马上消费金融股份有限公司 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
CN111090805A (zh) * | 2018-10-23 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 推荐指数归因方法、装置及电子设备 |
CN112529319A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于多维特征的评分方法、装置、计算机设备及存储介质 |
-
2017
- 2017-02-17 CN CN201710087366.0A patent/CN107798029A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400160A (zh) * | 2018-04-24 | 2019-11-01 | 中国移动通信集团广东有限公司 | 识别竞品用户的方法、装置、电子设备和存储介质 |
CN110400160B (zh) * | 2018-04-24 | 2022-09-16 | 中国移动通信集团广东有限公司 | 识别竞品用户的方法、装置、电子设备和存储介质 |
CN108900332A (zh) * | 2018-06-27 | 2018-11-27 | 北京邮电大学 | 一种潜在不满意客户识别方法及系统 |
CN110659922A (zh) * | 2018-06-28 | 2020-01-07 | 马上消费金融股份有限公司 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
CN110659922B (zh) * | 2018-06-28 | 2021-01-26 | 马上消费金融股份有限公司 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
CN111090805A (zh) * | 2018-10-23 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 推荐指数归因方法、装置及电子设备 |
CN111090805B (zh) * | 2018-10-23 | 2023-08-29 | 北京嘀嘀无限科技发展有限公司 | 推荐指数归因方法、装置及电子设备 |
CN109753587A (zh) * | 2019-01-07 | 2019-05-14 | 武汉斗鱼鱼乐网络科技有限公司 | 用户心理模型的构建方法、装置、电子设备及存储介质 |
CN110338762A (zh) * | 2019-07-09 | 2019-10-18 | 上海宝藤生物医药科技股份有限公司 | 辅助补充维生素d的方法、装置、终端及服务器 |
CN112529319A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于多维特征的评分方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798029A (zh) | 贬损客户预测方法和装置 | |
CN108133013B (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
Sharma et al. | Exchange rate volatility and tourism demand in India: Unraveling the asymmetric relationship | |
Christl et al. | How companies use personal data against people | |
Decarolis et al. | Subsidy design in privately provided social insurance: Lessons from Medicare Part D | |
CN109993652B (zh) | 一种借贷信用风险评估方法及装置 | |
Jiang et al. | New evidence on credit card borrowing and repayment patterns | |
Spiegler | Competitive framing | |
US20150006295A1 (en) | Targeting users based on previous advertising campaigns | |
US20150006286A1 (en) | Targeting users based on categorical content interactions | |
EP3639233A1 (en) | Improved detection of fraudulent transactions | |
CN108596495A (zh) | 一种零售信贷业务评分系统及方法 | |
CN106919579A (zh) | 一种信息处理方法及装置、设备 | |
US20210201402A1 (en) | Using psychometric analysis for determining credit risk | |
Bateman et al. | Risk information and retirement investment choice mistakes under prospect theory | |
Stewart | A profit-based scoring system in consumer credit: making acquisition decisions for credit cards | |
US20200302400A1 (en) | Job-post budget recommendation based on performance | |
US20080319802A1 (en) | Long term care underwriting system and method | |
CN111090833A (zh) | 一种数据处理方法、系统及相关设备 | |
CN114463119A (zh) | 信用评估方法、装置及电子设备 | |
Finlay | Towards profitability: A utility approach to the credit scoring problem | |
Handa | Role of board functions in bank performance: direct and indirect effects of board independence | |
Cooper | Separation anxiety | |
CN111127110A (zh) | 商户评分的计算方法、装置、设备及存储介质 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 |
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 |
Application publication date: 20180313 |
|
RJ01 | Rejection of invention patent application after publication |