CN108776922A - 基于大数据的理财产品推荐方法及装置 - Google Patents

Abstract

本发明公开了一种基于大数据的理财产品推荐方法及装置，所述方法包括：获取用户的历史理财数据；将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果；根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。本发明实施例具有以下有益效果：本发明实施例的技术方案采用预设分析模型，对历史理财数据进行分析，以获得分析结果，然后根据所述分析结果向所述用户推荐与所述用户匹配的理财产品；本发明实施例的技术方案可以挖掘用户的潜在价值，并精准预测用户的理财行为，从而向用户推荐与用户相匹配的理财产品。

Description

基于大数据的理财产品推荐方法及装置

技术领域

本发明涉及大数据领域，特别涉及一种基于大数据的理财产品推荐方法及装置。

背景技术

随着经济的发展和科技的进步，人们的理财意识逐渐增强，越来越多的人将闲置的资金投入到理财金融理财产品中，而不局限于传统的定期或活期储蓄。为满足用户的需求，金融机构也转变营业思路，提高工作效率，以应对竞争日益强烈的金融市场。

金融机构针对存量用户的价值挖掘主要依靠追溯用户历史账户信息及产品理财信息做静态分析，对于用户购买偏好评估主要是通过传统的调查问卷和规则判断的方式。而在规则判断方面也主要是通过传统的专家规则来进行判断。可见，金融机构对存量用户的价值挖掘还只停留在纵向评估，没有横向的针对同类用户做聚类分析，以至于不能很好的根据用户特征，来有效预测用户未来行为。

发明内容

有鉴于此，本发明实施例为解决背景技术中提出的至少一个技术问题，提供至少一种有益的选择。

为了实现上述目的，本发明实施例提供了一种基于大数据的理财产品推荐方法，包括：

获取用户的历史理财数据；

将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果；

根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

作为优选，获取用户的历史理财数据之后，所述方法还包括：

对所述历史理财数据进行质量检测，以确定所述历史理财数据中包含的不完整数据和错误数据；

删除所述历史理财数据中的不完整数据和错误数据。

作为优选，获取用户的历史理财数据之后，所述方法还包括：

对所述历史理财数据进行预处理；其中，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理。

作为优选，将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果，包括：

采用预设的多种建模方法构建多个分析模型；

根据所述历史理财数据对多个分析模型进行交叉验证；

根据验证结果选择分析模型形成为预设分析模型。

作为优选，采用预设的多种建模方法构建多个分析模型，包括：

对历史理财数据进行筛选，以形成包含有预设比例正、负样本的样本集；

根据所述样本集和预设的多种建模方法构建多个所述分析模型。

作为优选，根据所述分析结果向所述用户推荐与所述用户匹配的理财产品之后，所述方法还包括：

对所述预设分析模型进行优化处理。

本发明实施例还提供一种基于大数据的理财产品推荐装置，所述装置包括：

获取模块，配置为获取用户的历史理财数据；

输入模块，配置为将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果；

推荐模块，配置为根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

作为优选，所述装置还包括：

检测模块，配置为获取用户的历史理财数据之后，对所述历史理财数据进行质量检测，以确定所述历史理财数据中包含的不完整数据和错误数据；

删除模块，配置为删除所述历史理财数据中的不完整数据和错误数据。

作为优选，所述装置还包括：

预处理模块，配置为获取用户的历史理财数据之后，对所述历史理财数据进行预处理；其中，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理。

作为优选，所述输入模块包括：

构建模块，配置为采用预设的多种建模方法构建多个分析模型；

验证模块，配置为根据所述历史理财数据对多个分析模型进行交叉验证；

选择模块，配置为根据验证结果选择分析模型形成为预设分析模型。

作为优选，所述构建模块配置为：

对历史理财数据进行筛选，以形成包含有预设比例正、负样本的样本集；

根据所述样本集和预设的多种建模方法构建多个所述分析模型。

作为优选，所述装置还包括：

优化模块，配置为根据所述分析结果向所述用户推荐与所述用户匹配的理财产品之后，对所述预设分析模型进行优化处理。

本发明实施例具有以下有益效果：本发明实施例的技术方案采用预设分析模型，对历史理财数据进行分析，以获得分析结果，然后根据所述分析结果向所述用户推荐与所述用户匹配的理财产品；本发明实施例的技术方案可以挖掘用户的潜在价值，并精准预测用户的理财行为，从而向用户推荐与用户相匹配的理财产品。

附图说明

图1为本发明的基于大数据的理财产品推荐方法的实施例一的流程图；

图2为本发明的基于大数据的理财产品推荐方法的实施例二的流程图；

图3为本发明的基于大数据的理财产品推荐方法采用历史理财数据构建预设分析模型的过程示意图；

图4为本发明的基于大数据的理财产品推荐方法的抽样过程示意图；

图5为本发明的基于大数据的理财产品推荐装置的实施例一的示意图；

图6为本发明的基于大数据的理财产品推荐装置的实施例二的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例一

图1为本发明的基于大数据的理财产品推荐方法的实施例一的流程图，如图1所示，本实施例的基于大数据的理财产品推荐方法，具体可以包括如下步骤：

S101，获取用户的历史理财数据。

其中，历史理财数据包括用户的交纳社保的数据和购买理财产品的数据等。例如，储蓄明细表、账务交易流水表、理财产品信息表、理财交易类确认流水表、理财客户信息表、基金产品信息表、基金交易类确认流水表、交易类型代码表、信用卡外币贷记账户等。

其中，理财产品包括社会保险、公积金、基金、股票、贵金属、定投及第三方存管等等。

金融机构以银行为例，可通过银行获取用户的历史理财数据，例如，用户购买过社会保险。

S102，将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果。

其中，预设分析模型是根据机器学习算法构建的，可以对历史理财数据进行分析，以预测用户可能的购买行为。例如，根据用户的购买记录，用户仅购买了社会保险，说明该用户风险承受能力较低。

S103，根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

本发明实施例在根据分析结果向用户推荐理财产品时，也综合了用户价值挖掘模型的相关目标表，并新增了三张目标表：产品特征表、购买历史表和个人特征表。其中，产品特征表用于标志不同产品的特征并用于理财产品聚类分析；购买历史表用于记录用户是否存在历史购买行为以及用户针对不同产品的购买数量、频度等；个人特征表用于存储客户特征数据并用作客户聚类分析。根据以上的三张目标表，可以将用户分为三类：纯医保用户、有购买理财产品历史的储蓄用户和无购买历史的储蓄用户。可以针对这三类用户，分别利用不同的分析模型，为其推荐合理的理财产品。

例如，有购买理财产品历史的储蓄用户，通过预设分析模型分析结果确定与该用户购买过的理财产品相似度最高且销量最好的理财产品，然后向该用户推荐。

举例来说，首先。分析用户的历史购买情况，根据其购买产品A、B、C的购买特征（包括购买份额和频率等特征），给每个理财产品设定权重。然后，对所有理财产品进行相似度计算（在具体实施时，考虑到独热编码带来的数据稀疏性及量纲单位影响，可以采用余弦相似进行矩阵运算），选择相似度最高的E、F、G，将A、B、C的权重与相似度相乘，得到加权相似度。然后将相似度最高的产品，如理财产品F，推荐给用户。在具体实施时，可以根据场景要求，定义特定类型的产品推荐给用户，如保本理财、非保本理财各推荐一款。

另外，在推荐策略中，还可以通过投票、再加权或者补充评价特征对模型进行优化。

再例如，对于无购买历史的储蓄用户，可参考有购买理财产品历史的存量储蓄用户来完成推荐。举例来说，利用用户特征分群，确保群体中有足够数量的用户存在购买行为（可以通过调整分群逻辑及权重实现），选取群体中已购买过产品和已有过产品推荐记录的用户，按照产品热度特征统计其购买记录和推荐记录产品在该群体中的热度，并进行排名。将排名靠前的理财产品推荐给无购买历史且无推荐历史的储蓄用户。在具体实施时，如果有特殊推荐需求，可在热度排名及推荐逻辑处做修改定制，例如，将按热度排名前5名的理财产品推荐给无购买历史的储蓄用户。

本发明实施例具有以下有益效果：本发明实施例的技术方案采用预设分析模型，对历史理财数据进行分析，以获得分析结果，然后根据所述分析结果向所述用户推荐与所述用户匹配的理财产品；本发明实施例的技术方案可以挖掘用户的潜在价值，并精准预测用户的理财行为，从而向用户推荐与用户相匹配的理财产品。

实施例二

图2为本发明的基于大数据的理财产品推荐方法的实施例二的流程图，本实施例的基于大数据的理财产品推荐方法在上述实施例一的基础上，进一步更加详细地介绍本发明的技术方案。如图2所示，本实施例的基于大数据的理财产品推荐方法，具体可以包括如下步骤：

S201，获取用户的历史理财数据。

上述步骤S201对应实施例一的步骤S101。

S202，对所述历史理财数据进行质量检测，以确定所述历史理财数据中包含的不完整数据和错误数据。

由于历史理财数据较为庞大，其中难免存在不完整数据和错误数据，因此在建模之前要对这类数据进行检测。

S203，删除所述历史理财数据中的不完整数据和错误数据。

具体地，在构建预设分析模型时如果采用了不完整数据和错误数据，将严重影响预设分析模型的分析结果，因此需要删除这样的不完整数据和错误数据。

S206，对所述历史理财数据进行预处理。

其中，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理。

本发明实施例的历史理财数据，虽然经过质量检测，删除了其中的不完整数据和错误数据处理之后的数据，但仍可能存在没有达到业务标准或建模标准的数据。因此在对数据进行预处理操作中，还应对数据进行清洗处理。例如，对其中存在的异常值进行校正或者删除。

其中，缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。对缺失值常用的补偿方法有删除缺失值或插值补缺失值法。

其中，离散化处理，是指把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。

其中，归一化处理是指当不同的特征成列在一起的时候，由于特征本身表达方式的原因而导致在绝对数值上的小数据被大数据“吃掉”的情况，这时需要对抽取出来的特征向量进行归一化处理，以保证每个特征被分类器平等对待。

S205，采用预设的多种建模方法构建多个分析模型。

其中，步骤S205包括：A，对历史理财数据进行筛选，以形成包含有预设比例正、负样本的样本集；B，根据所述样本集和预设的多种建模方法构建多个所述分析模型。

如图3所示，由于用户群体基数非常庞大，因此购买过理财产品的用户在整体用户中所占比例较小，这样使得正、负样本的数量比极为不均衡，根据这样的数据集，产生的分析结果可能偏向于都不购买产品。本发明实施例采用随机抽样的方式降低正负样本的不平衡状态，例如，在历史理财数据形成的数据集中，抽取预设比例的正、负样本形成样本集，然后根据样本集构建分析模型。其中，可以设定正样本代表曾购买过理财产品的用户，负样本代表未购买过理财产品的用户，二者的比例来2：8。再例如，每次构建样本集时，保留历史理财数据中的正样本（购买了理财产品的用户），按预设比例抽取负样本（未购买过理财产品的用户），将抽取的正、负样本构建成分析模型，这样反复多次抽取，最终的概率输出为多个模型概率输出的产均值。根据在具体实施时，也可以根据实际需要调整正、负样本的比例和抽样次数。

可以采用多种算法构建不同的模型，例如，采用随机森林（RF）、梯度提升决策树算法（Gradient Boosting Decision Tree，GBDT）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、迭代算法（Adaboost）、逻辑回归（LR）、多粒度级联森林算法（multi-GrainedCascade forest，Gcforest）、支持向量机算法（Support Vector Machine，SVM）、Libffm等算法构建模型。

S206，根据所述历史理财数据对多个分析模型进行交叉验证。

在交叉验证时，将历史理财数据输入构建的模型，然后得出分析结果，可以根据历史理财数据中的用户的实际购买理财产品的情况，验证每个分析模型的分析结果是否准确。

具体地，本发明实施例在对多个分析模型交叉验证时，可以根据各模型计算的各项指标来确定要选择的分析模型。例如，根据准确性指标确定要选择的模型。一般情况下，对于分析模型来说，准确性指标是最重要的指标之一。较常用的准确性指标可以包括准确率、召回率和F值。其中，正确率、召回率和F值的计算公式舅如下：

（1）正确率=提取出的正确信息条数/提取出的信息条数(推荐列表中用户喜欢的物品所占的比例)；

（2）召回率=提取出的正确信息条数/样本中的信息条数(有多少用户喜欢的物品出现在推荐列表中)；

（3）F值=正确率*召回率*2/(正确率+召回率)（F 值即为正确率和召回率的调和平均值。

由于构建完分析模型后，该分析模型输出的结果存在编差。可根据事先预设的几种算法构建预选模型，对几种算法输出结果做正确率、召回率和F值对比，并选出该场景下模型对应的最优算法。

另外，还可以通过其他指标来验证分析模型。例如，整体多样性指标，具体可以采用推荐列表间的相似度，也就是用户的推荐列表间的重叠度来定义整体多样性。再例如，覆盖率指标，具体地，覆盖率测量的是推荐给所有用户的物品数占总物品数的比例。这两种指标需要结合实际业务纳入交叉验证的评价体系。

S207，根据验证结果选择分析模型形成为预设分析模型。

根据上述步骤的分析结果，选择最优的分析模型形成为本发明实施例的预设分析模型。

如图4所示，为本发明实施例的抽样过程示意图。本发明实施例构建预设分析模型的目的是预测用户未来购买理财产品的情况。例如，用于构建模型的历史理财数据时间点是2016年7月31日，则样本X的数据来源截止到该时间点的状态数据和交易流水数据，表现值Y则来源于用户在2016年8月1日至2016年10月31日的购买行为，如果用户在这段时间购买了某理财产品，则认为用户在这种产品上的Y值表现为1，则否为0。

上述步骤S205至S207对应实施例一的步骤S102。

S208，根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

上述步骤S208对应实施例一的步骤S103。

S209，对所述预设分析模型进行优化处理。

由于历史理财数据质量较差，可能存在较多的缺失值和错误值，即使经过预处理，仍可能与实际的值数存在较大差距。因此，每过预设的时间段就需要对预设分析模型进行优化，将新产生的理财数据输入预设分析模型，重新进行训练，以提高预设分析模型的预测用户行为的准确率。

本发明实施例具有以下有益效果：根据预先构建的金融指数分析模型对所述金融数据进行分析，并获得城市金融指数分析结果，可以获得城市金融指数的准确分析结果，从而可以通过指数的分析结果，促进各城市金融业的发展。

实施例三

图5为本发明的基于大数据的理财产品推荐装置的示意图，如图5所示，本实施例的基于大数据的理财产品推荐装置，具体可以包括获取模块51、输入模块52和推荐模块53。

获取模块51，配置为获取用户的历史理财数据；

输入模块52，配置为将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果；

推荐模块53，配置为根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

本实施例的基于大数据的理财产品推荐装置，可以实现根据用户的理财历史数据向用户推荐理财产品，其实现机制与上述图1所示实施例的基于大数据的理财产品推荐方法的实现机制相同，详细可以参考上述图1所示实施例的记载，在此不再赘述。

实施例四

图6为本发明的基于大数据的理财产品推荐装置的示意图，如图6所示，本实施例的基于大数据的理财产品推荐装置还包括：

检测模块61，配置为获取用户的历史理财数据之后，对所述历史理财数据进行质量检测，以确定所述历史理财数据中包含的不完整数据和错误数据；

删除模块62，配置为删除所述历史理财数据中的不完整数据和错误数据。

进一步地，所述装置还包括：

预处理模块63，配置获取用户的历史理财数据之后，为对所述历史理财数据进行预处理；其中，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理。

进一步地，所述输入模块52包括：

构建模块521，配置为采用预设的多种建模方法构建多个分析模型；

验证模块522，配置为根据所述历史理财数据对多个分析模型进行交叉验证；

选择模块523，配置为根据验证结果选择分析模型形成为预设分析模型。

具体地，所述构建模块521配置为：

对历史理财数据进行筛选，以形成包含有预设比例正、负样本的样本集；

根据所述样本集和预设的多种建模方法构建多个所述分析模型。

进一步地，所述装置还包括：

优化模块64，配置为根据所述分析结果向所述用户推荐与所述用户匹配的理财产品之后，对所述预设分析模型进行优化处理。

本实施例的基于大数据的理财产品推荐装置，可以实现根据用户的理财历史数据向用户推荐理财产品，其实现机制与上述图2所示实施例的基于大数据的理财产品推荐方法的实现机制相同，详细可以参考上述图2示实施例的记载，在此不再赘述。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (12)

1.一种基于大数据的理财产品推荐方法，其特征在于，包括：

获取用户的历史理财数据；

将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果；

根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

2.根据权利要求1所述的方法，其特征在于，获取用户的历史理财数据之后，所述方法还包括：

对所述历史理财数据进行质量检测，以确定所述历史理财数据中包含的不完整数据和错误数据；

删除所述历史理财数据中的不完整数据和错误数据。

3.根据权利要求1所述的方法，其特征在于，获取用户的历史理财数据之后，所述方法还包括：

对所述历史理财数据进行预处理；其中，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理。

4.根据权利要求1所述的方法，其特征在于，将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果，包括：

采用预设的多种建模方法构建多个分析模型；

根据所述历史理财数据对多个分析模型进行交叉验证；

根据验证结果选择分析模型形成为预设分析模型。

5.根据权利要求4所述的方法，其特征在于，采用预设的多种建模方法构建多个分析模型，包括：

对历史理财数据进行筛选，以形成包含有预设比例正、负样本的样本集；

根据所述样本集和预设的多种建模方法构建多个所述分析模型。

6.根据权利要求1所述的方法，其特征在于，根据所述分析结果向所述用户推荐与所述用户匹配的理财产品之后，所述方法还包括：

对所述预设分析模型进行优化处理。

7.一种基于大数据的理财产品推荐装置，其特征在于，所述装置包括：

获取模块，配置为获取用户的历史理财数据；

输入模块，配置为将所述历史理财数据输入预设分析模型，使所述预设分析模型对所述历史理财数据进行分析，并获得分析结果；

推荐模块，配置为根据所述分析结果向所述用户推荐与所述用户匹配的理财产品。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

检测模块，配置为获取用户的历史理财数据之后，对所述历史理财数据进行质量检测，以确定所述历史理财数据中包含的不完整数据和错误数据；

删除模块，配置为删除所述历史理财数据中的不完整数据和错误数据。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：

预处理模块，配置为获取用户的历史理财数据之后，对所述历史理财数据进行预处理；其中，所述预处理包括以下至少一种处理操作：缺失值处理、异常值处理、离散化处理、归一化处理。

10.根据权利要求7所述的装置，其特征在于，所述输入模块包括：

构建模块，配置为采用预设的多种建模方法构建多个分析模型；

验证模块，配置为根据所述历史理财数据对多个分析模型进行交叉验证；

选择模块，配置为根据验证结果选择分析模型形成为预设分析模型。

11.根据权利要求10所述的装置，其特征在于，所述构建模块配置为：

对历史理财数据进行筛选，以形成包含有预设比例正、负样本的样本集；

根据所述样本集和预设的多种建模方法构建多个所述分析模型。

12.根据权利要求7所述的装置，其特征在于，所述装置还包括：

优化模块，配置为根据所述分析结果向所述用户推荐与所述用户匹配的理财产品之后，对所述预设分析模型进行优化处理。