CN108932585A - 一种商户运营管理方法及其设备、存储介质、电子设备 - Google Patents
一种商户运营管理方法及其设备、存储介质、电子设备 Download PDFInfo
- Publication number
- CN108932585A CN108932585A CN201810630846.1A CN201810630846A CN108932585A CN 108932585 A CN108932585 A CN 108932585A CN 201810630846 A CN201810630846 A CN 201810630846A CN 108932585 A CN108932585 A CN 108932585A
- Authority
- CN
- China
- Prior art keywords
- trade company
- target
- information
- grade
- merchant
- 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.)
- Granted
Links
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开一种商户运营管理方法及其设备、存储介质、电子设备,其中方法包括如下步骤:获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。采用本发明,可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,可以提高对商户运营管理的有效性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商户运营管理方法及其设备、存储介质、电子设备。
背景技术
改革开放以来,我国的购物模式日益多样化,随着互联网的迅速发展,当代社会的购物平台不仅局限于现金支付购物,还出现了采用支付应用扫码或刷脸等购物支付方式。当然,商户需要先入驻支付应用后客户才可以采用该支付应用进行支付交易。
在支付应用入驻的商户中,通常商户质量参差不齐,对于提供大部分交易贡献的优质商户应予以扶持,而对于有违规行为,并扰乱生态健康度、伤害用户资金安全和体验的劣质商户应予以打击。为了更好的管理商户,需要为各商户分配相应的商户运营策略以进行鼓励或打击。
目前,支付应用的后台服务器对于所入驻的商户的管理是基于各商户的客户关系管理(Recency、Frequency、Monetary,RFM)交易数据分配商户运营策略,但是支付业务复杂,仅依据RFM交易数据进行管理并不能准确的为商户分配到合适的商户运营策略,从而不能准确的为商户运营提供指导,进而降低了对商户运营管理的有效性。
发明内容
本发明实施例提供了一种商户运营管理方法及其设备、存储介质、电子设备,可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,可以提高对商户运营管理的有效性。
本发明实施例一方面提供一种商户运营管理方法,可包括:
获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
可选的,所述获取采用目标支付应用进行业务处理的目标商户信息之前,还包括:
获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
可选的,还包括:
当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
可选的,所述获取采用目标支付应用进行业务处理的目标商户信息,包括:
获取采用目标支付应用进行业务处理的全量商户信息;
在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
可选的,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率;所述获取与所述目标商户信息相关联的运营特征参数,包括:
基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
基于行为记录数据源获取所述目标商户的历史行为记录信息;
采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
可选的,所述基于训练后的商户分级模型,并采用所述运营特征参数,获取所述目标商户信息的商户等级,包括:
将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值;
获取所述最大值指示的第一运营特征参数的第一属性值;
当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级;
当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
可选的,所述在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理,包括:
在运营策略集合中查找所述商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。
可选的,还包括:
当检测到所述运营特征参数更新时,获取更新后的运营特征参数,并转入执行所述基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级的步骤。
本发明实施例一方面提供一种商户运营管理设备,可包括:
参数获取单元,用于获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
等级获取单元,用于基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
运营管理单元,用于在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
可选的,还包括:
样本获取单元,用于获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
模型训练单元,用于创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
可选的,还包括:
准确率获取单元,用于当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
模型生成单元,用于当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
可选的,所述参数获取单元,包括:
全量信息获取子单元,用于获取采用目标支付应用进行业务处理的全量商户信息;
目标信息获取子单元,用于在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
可选的,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率;所述参数获取单元,包括:
风险标签获取子单元,用于基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
资质标签获取子单元,用于基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
记录信息获取子单元,用于基于行为记录数据源获取所述目标商户的历史行为记录信息;
反馈率获取子单元,用于采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
可选的,所述等级获取单元,包括:
权重值获取子单元,用于将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值;
第一属性值获取子单元,用于获取所述最大值指示的第一运营特征参数的第一属性值;
等级设置子单元,用于当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级;
所述等级设置子单元,还用于当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
可选的,所述运营管理单元,具体用于:
在运营策略集合中查找所述商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。
可选的,还包括:
等级更新单元,用于当检测到所述运营特征参数更新时,获取更新后的运营特征参数,触发所述等级获取单元基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级。
本发明实施例一方面提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
本发明实施例一方面提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行以下步骤:
获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
在本发明实施例中,通过获取采用目标支付应用进行业务处理的目标商户信息,获取与目标商户信息相关联的运营特征参数,基于训练后的商户分级模型,并采用运营特征参数获取目标商户信息的商户等级,在运营策略集合中获取商户等级对应的商户运营策略,基于商户运营策略对目标商户信息对应的目标商户进行运营管控处理。可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,提高了对商户运营管理的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1是本发明实施例提供的一种商户运营管理方法的流程示意图;
图2是本发明实施例提供的一种RFM模型分类结构示意图;
图3是本发明实施例提供的一种商户运营管理方法的流程示意图;
图4是本发明实施例提供的一种商户运营管理方法的流程示意图;
图5是本发明实施例提供的一种商户类型的界面示意图;
图6是本发明实施例提供的一种商户运营管理方法的流程示意图;
图7是本发明实施例提供的一种商户运营管理方法的流程示意图;
图8是本发明实施例提供的一种商户运营管理设备的结构示意图;
图9是本发明实施例提供的一种商户运营管理设备的结构示意图;
图10是本发明实施例提供的一种参数获取单元的结构示意图;
图11是本发明实施例提供的一种参数获取单元的结构示意图;
图12是本发明实施例提供的一种等级获取单元的结构示意图;
图13是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
下面将结合附图1-附图7,对本发明实施例提供的商户运营管理方法进行详细介绍。
请参见图1,为本发明实施例提供了一种商户运营管理方法的流程示意图。如图1所示,本发明实施例的所述方法可以包括以下步骤S101-步骤S103。
S101,获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
可以理解的是,所述目标支付应用是为用户提供业务处理的终端支付应用,在终端支付应用中集成有支付功能,用户可以通过用户终端完成快速的支付流程,所述用户包括商户以及客户。目标支付应用以绑定银行卡的快捷支付为基础,向用户提供安全、快捷、高效的支付服务。所述业务处理可以包括商户与客户之间的支付交易、客户与客户之间的转账或者商户向客户反馈红包等。例如,客户在商户中购买商品后通过目标支付应用进行支付以完成交易。
所述目标商户信息可以为目标商户的信息,包括目标商户的商户标识,如商户编号ID,商户名称等,用于唯一识别目标商户。所述目标商户为采用目标支付应用进行业务处理的全量商户中的一个或多个。
具体实现中,商户运营管理设备获取采用目标支付应用进行业务处理的全量商户信息,在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息,并获取与所述目标商户信息相关联的运营特征参数,所述运营特征参数可以包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率。所述商户运营管理设备可以为具备商户管理功能的服务器;所述商户运营管理设备还可以为用户终端,包括平板电脑、个人计算机(PC)、智能手机、掌上电脑以及移动互联网设备(MID)等具备商户管理功能的终端设备。
其中,基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签,即目标商户的交易风险程度。所述业务转移数据包括但不限于RFM交易数据。
表1
例如,如表1所示为2018-4-22所统计的目标商户的业务转移数据以及行为记录标签表,通过机器学习可输出目标商户的业务处理风险标签,如黑、白、灰等标签。黑、白、灰分别代表不同的交易风险程度。
所述RFM交易数据是衡量客户价值和客户创利能力的重要工具和手段。采用RFM交易数据可以按照RS分布、FS分布以及MS分布把客户分为8个类型,如表2所示:重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户。RS分布是指近期购买行为(R)的平均值,FS分布是指购买的总体频率(F)的平均值,MS 分布是指花了多少钱(M)的平均值。高指的是高于平均值,低指的是低于平均值。其对应的RFM分布模型如图2所示。通过一个客户的R、F以及M三项指标来描述该客户的价值状况,进而,通过统计目标商户的每个客户的RFM交易数据衡量该目标商户的价值状况。
表2
RS分布 | FS分布 | MS分布 | 客户类型 |
高 | 高 | 高 | 重要价值客户 |
低 | 高 | 高 | 重要保持客户 |
高 | 低 | 高 | 重要发展客户 |
低 | 低 | 高 | 重要挽留客户 |
高 | 高 | 低 | 一般价值客户 |
低 | 高 | 低 | 一般保持客户 |
高 | 低 | 低 | 一般发展客户 |
低 | 低 | 低 | 一般挽留客户 |
商户入驻目标支付应用需按要求提供多个证件信息,如三证一照(组织机构代码证、税务登记证、法人代表身份证、工商营业执照),公司名称,联系人,联系方式,经营范围等信息,如表3所示,通过机器学习可输出商户资质标签,如黑、白、灰等标签,所述黑、白、灰分别代表目标商户的商户资质可疑程度等级。
表3
获取各种行为数据源,如客户反馈的行为数据源、客服录入的行为数据源、机器模型识别的行为数据源等,人工判定是否存在行为记录(违规),并在确定违规后进行违规定性,通过机器学习输出历史行为记录信息,即具体的处罚方案。当然,还可以理解为,输出历史行为记录标签,如通过黑、白、灰等标签表示历史行为记录的严重程度。白表示无历史行为记录,灰表示有历史行为记录但违规情况不严重,黑表示有较重的违规行为。
所述业务信息反馈率可理解为客户投诉率,当客户通过目标支付应用完成支付后,若消费不满意,则可通过目标支付应用的投诉界面对目标商户进行投诉,商户运营管理设备周期性采集针对所述目标商户的投诉,并计算在设定时长内(如7天)该目标商户的投诉率。当然,还可以理解为,输出业务信息反馈率标签,如通过黑、白、灰等标签表示投诉率大小。例如,小于10%为白, 10%~20%为灰,大于20%为黑。
需要说明的是,所述全量商户信息对应的全量商户与目标支付应用的连接模式可以包括直连模式和间连模式。所述直连模式是指由目标支付应用的后台服务器负责了解客户(Know-Your-Customer,KYC)规则,所述间连模式是指由银行负责KYC规则。所述KYC用于识别客户身份,由于金融机构如不能清晰识别客户身份,便更不愿贷款给客户,阻碍金融普惠,是国际社会努力实现金融诚信和金融普惠不可或缺的。
直连模式下的商户可以包括直联商户、普通服务商、普通服务商下的子商户;间连模式下商户可以包括转清渠道商、转清渠道商下的子商户、银行渠道商以及银行渠道商下的子商户等。其中,所述直连模式下的直联商户、普通服务商下的子商户、转清渠道商下的子商户以及银行渠道商下的子商户均为与客户直接进行业务交互的商户。
S102,基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
可以理解的是,所述商户分级模型用于基于目标商户信息的运营特征参数对目标商户进行分级。按风险等级从低到高可分为S、A、B、C、D等。S为安全,A为可信,B为未知,C为可疑,D为违规。
具体的,将所获取的运营特征参数分别输入至训练后的商户分级模型中,商户分级模型输出目标商户的商户等级。优选的,将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值,获取所述最大值指示的第一运营特征参数的第一属性值,当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级,当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
其中,对于商户分级模型可预先采集样本运营特征参数进行训练,具体为获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数,创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
所述分类算法用于解决分类学习问题,常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法,其中单一的分类算法主要包括:决策树(如,Gradient Boosting Decision Tree,GBDT,梯度提升决策树)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等,用于组合单一分类方法的集成学习算法包括Bagging和Boosting等。以GBDT为例进行说明,基本思想是先用一个初始值来训练一棵决策树,决策树的叶子处可以得到预测的值,以及预测之后的残差,然后后面的决策树就要基于前面决策树的残差来训练,直到预测值和真实值的残差为零。最后对于测试样本的预测值,就是前面许多棵决策树预测值的累加。在本发明实施例中,所述训练集可以为多个样本商户分别对应的样本运营特征参数;训练数据的均值为样本运营特征参数中同一属性类型属性值的平均值,如业务处理风险标签的平均值;决策树的个数:多棵;每个样本的特征有五个:样本商户是否为第一等级;样本商户是否为第二等级;样本商户是否为第三等级;样本商户是否为第四等级;样本商户是否为第五等级。每棵树包括两个叶子,分别对应上述五个特征中的任意两个,采用上述方式对这多颗决策树进行训练即可。
可选的,当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率,当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型,即模型训练完成。当所述分级准确率小于所述准确率阈值时,继续调整所述商户分级模型。
S103,在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
可以理解的是,在运营策略集合中包括至少一个商户等级以及与每个商户等级对应的商户运营策略,所述商户运营策略包括商户能力、运营策略以及风控策略等。所述商户能力可以包括应用小程序的直接绑定、客服电话的优先接入等。所述运营策略包括分配一定数量的鼓励金、汇率优惠策略等。所述风控策略包括对等级较低商户的风险打击、分配资金结算周期等,如表4所示。
表4
具体的,当获取到目标商户的商户等级后,通过查找表4所示的运营策略集合,以获取商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。例如,若目标商户的商户等级为S,确定为优质商户,则相应的享有可以直接绑定目标支付应用上设置的小程序、当拨打目标支付应用的客服电话时则会被客服优先接入等商户运用策略,从而鼓励优质商户的运营。若目标商户的商户等级为D,确定为风险商户,则相应的具备风险打击,较长时间的资金结算周期商户运营策略,从而对风险商户予以打击。
在本发明实施例中,通过获取采用目标支付应用进行业务处理的目标商户信息,获取与目标商户信息相关联的运营特征参数,基于训练后的商户分级模型,并采用运营特征参数获取目标商户信息的商户等级,在运营策略集合中获取商户等级对应的商户运营策略,基于商户运营策略对目标商户信息对应的目标商户进行运营管控处理。可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,提高了对商户运营管理的有效性。
请参见图3,为本发明实施例提供了一种商户运营管理方法的流程示意图。如图3所示,本发明实施例的所述方法可以包括以下步骤S201-步骤S208。
S201,获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
可以理解的是,所述目标支付应用是为用户提供业务处理的终端支付应用,在终端支付应用中集成有支付功能,用户可以通过用户终端完成快速的支付流程,所述用户包括商户以及客户。目标支付应用以绑定银行卡的快捷支付为基础,向用户提供安全、快捷、高效的支付服务。所述业务处理可以包括商户与客户之间的支付交易、客户与客户之间的转账或者商户向客户反馈红包等。例如,客户A在商户B中购买商品后通过目标支付应用进行支付以完成交易。
所述样本商户信息可以为样本商户的信息,包括样本商户的商户标识,如商户编号ID,商户名称等,用于唯一识别样本商户。所述样本商户为采用目标支付应用进行业务处理的全量商户中的一个或多个,用于通过样本商户的相关信息对商户分级模型进行训练。
具体实现中,商户运营管理设备获取采用目标支付应用进行业务处理的全量商户信息,在所述全量商户信息中获取与客户直接进行业务交互的样本商户信息,并获取与所述样本商户信息相关联的样本运营特征参数,如业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率。所述商户运营管理设备可以为具备商户管理功能的服务器;所述商户运营管理设备还可以为用户终端,包括平板电脑、个人计算机(PC)、智能手机、掌上电脑以及移动互联网设备(MID)等具备商户管理功能的终端设备。
其中,基于所述样本商户的业务转移数据以及所述样本商户的行为记录标签,获取所述样本商户的业务处理风险标签,即样本商户的交易风险程度。所述业务转移数据包括但不限于RFM交易数据。通过机器学习可输出样本商户的业务处理风险标签,如黑、白、灰等标签。黑、白、灰分别代表不同的交易风险程度。
所述RFM交易数据是衡量客户价值和客户创利能力的重要工具和手段。采用RFM交易数据可以按照RS分布、FS分布以及MS分布把客户分为8个类型,如表2所示:重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户。RS分布是指R 的平均值,FS分布是指F的平均值,MS分布是指M的平均值。高指的是高于平均值,低指的是低于平均值。其对应的RFM分布模型如图2所示。通过一个客户的R、F以及M三项指标来描述该客户的价值状况,进而,通过统计样本商户的每个客户的RFM交易数据衡量该样本商户的价值状况。
商户入驻目标支付应用需按要求提供多个证件信息,如三证一照(组织机构代码证、税务登记证、法人代表身份证、工商营业执照),公司名称,联系人,联系方式,经营范围等信息,如表3所示,通过机器学习可输出商户资质标签,如黑、白、灰等标签,所述黑、白、灰分别代表样本商户的商户资质可疑程度等级。
获取各种行为数据源,如客户反馈的行为数据源、客服录入的行为数据源、机器模型识别的行为数据源等,人工判定是否存在行为记录(违规),并在确定违规后进行违规定性,通过机器学习输出历史行为记录信息,即具体的处罚方案。
所述业务信息反馈率可理解为客户投诉率,当客户通过目标支付应用完成支付后,若消费不满意,则可通过目标支付应用的投诉界面对样本商户进行投诉,商户运营管理周期性采集针对所述样本商户的投诉,并计算在设定时长内 (如7天)该样本商户的投诉率。
S202,创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
可以理解的是,所述分类算法用于解决分类学习问题,常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法,其中单一的分类算法主要包括:决策树(如GBDT)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等,用于组合单一分类方法的集成学习算法包括 Bagging和Boosting等。以GBDT为例进行说明,基本思想是先用一个初始值来训练一棵决策树,决策树的叶子处可以得到预测的值,以及预测之后的残差,然后后面的决策树就要基于前面决策树的残差来训练,直到预测值和真实值的残差为零。最后对于测试样本的预测值,就是前面许多棵决策树预测值的累加。
在本发明实施例中,所述训练集可以为多个样本商户分别对应的样本运营特征参数;训练数据的均值为样本运营特征参数中同一属性类型属性值的平均值,如业务处理风险标签的平均值;决策树的个数:多棵;每个样本的特征有五个:样本商户是否为第一等级;样本商户是否为第二等级;样本商户是否为第三等级;样本商户是否为第四等级;样本商户是否为第五等级。每棵树包括两个叶子,分别对应上述五个特征中的任意两个,采用上述方式对这多颗决策树进行训练即可。
S203,当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
具体的,对商户分级模型进行训练后,获取用于训练的各样本商户的商户等级,对于同一个样本商户,比对采用商户分级模型输出的商户等级与设定的商户等级是否匹配,若匹配,表明训练结果与预设结果一致;若不匹配,表明训练结果与预设结果不一致,还需对模型进行调整。所述设定的商户等级是由测试人员进行设定。
其中,所述分级准确率是指,采用商户分级模型输出的商户等级与设定商户等级相匹配的个数占总的匹配结果的比例。例如,选取20个样本商户分别对应的样本运营特征参数进行训练,所输出的商户等级中有15个与设定等级相匹配,那么样本分级模型的分级准确率为15/20=75%。
S204,当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
具体的,当分级准确率大于或者等于准确率阈值时,表明商户分级模型可以准确对商户分级,训练完成。当所述分级准确率小于准确率阈值时,表明商户分级模型的分级准确率不够,还需要继续调整,直到分级准确率大于或者等于准确率阈值。
S205,获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
需要说明的是,所述目标商户信息是指用于线上处理的商户,所述样本商户信息是指用于线下训练的商户。通过样本商户信息训练商户分级模型后,可采用训练完成的商户分级模型对已有的以及以后新增的目标商户进行分级。
在一种具体的实现方式中,如图4所示,所述获取采用目标支付应用进行业务处理的目标商户信息,可以包括以下步骤:
S301,获取采用目标支付应用进行业务处理的全量商户信息;
可以理解的是,所述全量商户信息对应的全量商户与目标支付应用的连接模式可以包括直连模式和间连模式。所述直连模式是指由目标支付应用的后台服务器负责KYC规则,所述间连模式是指由银行负责KYC规则。所述KYC用于识别客户身份,由于金融机构如不能清晰识别客户身份,便更不愿贷款给客户,阻碍金融普惠,是国际社会努力实现金融诚信和金融普惠不可或缺的。
直连模式下的商户可以包括直联商户、普通服务商、普通服务商下的子商户;间连模式下商户可以包括转清渠道商、转清渠道商下的子商户、银行渠道商以及银行渠道商下的子商户等。其中,所述直连模式下的直联商户、普通服务商下的子商户、转清渠道商下的子商户以及银行渠道商下的子商户均为与客户直接进行业务交互的商户。
S302,在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
具体的,对所述获取的全量商户信息进行过滤,筛选,去除测试商户,停用商户,去除普通服务商、转清渠道商、银行渠道商,和其他认为的不需要包含进来的商户。从而获取其中与客户直接进行业务交互的目标商户信息。
例如,如图5所示,为目标支付应用的全量商户类型,通过对全量商户清洗后,得到直连模式下的直连商户和子商户以及间连模式下的子商户为目标商户。
在一种具体的实现方式中,如图6所示,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率;所述获取与所述目标商户信息相关联的运营特征参数,可以包括以下步骤:
S401,基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
具体的,所述业务转移数据包括但不限于RFM交易数据。例如,如表1所示为2018-4-22所统计的目标商户的业务转移数据以及行为记录标签表,通过机器学习可输出目标商户的业务处理风险标签,如黑、白、灰等标签。黑、白、灰分别代表不同的交易风险程度。
所述RFM交易数据是衡量客户价值和客户创利能力的重要工具和手段。采用RFM交易数据可以按照RS分布、FS分布以及MS分布把客户分为8个类型,如表2所示:重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户。RS分布是指R 的平均值,FS分布是指F的平均值,MS分布是指M的平均值。高指的是高于平均值,低指的是低于平均值。其对应的RFM分布模型如图2所示。通过一个客户的R、F以及M三项指标来描述该客户的价值状况,进而,通过统计目标商户的每个客户的RFM交易数据衡量该目标商户的价值状况。
S402,基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
具体的,商户入驻目标支付应用需按要求提供多个证件信息,如三证一照 (组织机构代码证、税务登记证、法人代表身份证、工商营业执照),公司名称,联系人,联系方式,经营范围等信息,如表3所示,通过机器学习可输出商户资质标签,如黑、白、灰等标签,所述黑、白、灰分别代表目标商户的商户资质可疑程度等级。
S403,基于行为记录数据源获取所述目标商户的历史行为记录信息;
具体的,获取各种行为数据源,如客户反馈的行为数据源、客服录入的行为数据源、机器模型识别的行为数据源等,人工判定是否存在行为记录(违规),并在确定违规后进行违规定性,通过机器学习输出历史行为记录信息,即具体的处罚方案。
当然,还可以理解为,也可通过黑、白、灰等标签表示历史行为记录的严重程度。例如,白表示无历史行为记录,灰表示有历史行为记录但违规情况不严重,黑表示有较重的违规行为。
S404,采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
具体的,所述业务信息反馈率可理解为客户投诉率,当客户通过目标支付应用完成支付后,若消费不满意,则可通过目标支付应用的投诉界面对目标商户进行投诉,商户运营管理周期性采集针对所述目标商户的投诉,并计算在设定时长内(如7天)该目标商户的投诉率。
当然,还可以理解为,也可通过黑、白、灰等标签表示投诉率大小。例如,小于10%为白,10%~20%为灰,大于20%为黑。
S206,基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
可以理解的是,所述商户分级模型用于基于目标商户信息的运营特征参数对目标商户进行分级。按风险等级从低到高可分为S、A、B、C、D等。S为安全,A为可信,B为未知,C为可疑,D为违规。
在一种具体的实现方式中,如图7所示,所述基于训练后的商户分级模型,并采用所述运营特征参数,获取所述目标商户信息的商户等级,可以包括以下步骤:
S501,将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值;
例如,业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值分别为0.2、0.2、0.4、0.2,那么其中的最大值为0.4,也就是说,历史行为记录信息所占的权重最大,可作为商户分级的一个优先判断条件。
S502,获取所述最大值指示的第一运营特征参数的第一属性值;
例如,0.4所指示的是第一运行特征参数为历史行为记录信息,该历史行为记录信息的第一属性值为对商户进行主体加黑处理。
S503,当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级;
可以理解的是,运营特征参数即包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率,因此,业务处理风险标签、商户资质标签、历史行为记录信息、业务信息反馈率则为第二运营特征参数,每个第二运营特征参数对应的输出结果即为第二属性值。例如,第二运营特征参数为历史行为记录信息,其对应的输出结果若为黑(如主体加黑),那么第二属性值则为黑。
若在运营特征参数中也存在历史行为记录为主体加黑处理,或者与主体加黑处理相匹配的限额等处理时,则直接将目标商户信息对应的目标商户设定为较低等级,例如D级。
S504,当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
例如,若在运营特征参数中不存在历史行为记录为主体加黑处理,或者与主体加黑处理相匹配的限额等处理时,则可通过对运营特征参数的输出属性值与所设定的等级属性值进行匹配,从而确定出商户等级。
对于业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率分别对应的属性值可包括黑、白、灰三种结果,通过对这些结果进行排列组合,从而可设定其中排列结果与等级的对应关系。
表5
例如,如表5所示,设定全部为白时对应S级,三个为白时,对应A级,两个为白时,对应B级,1个为白时,对应C级,没有白时,对应D级。假设当前获取的业务处理风险标签为白、商户资质标签为白、历史行为记录信息为白以及业务信息反馈率为白,则可知商户等级为S。
可选的,对于不对外商户或者特别签约商户则由人工进行商户分级。
S207,在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
可以理解的是,在运营策略集合中包括至少一个商户等级以及与每个商户等级对应的商户运营策略,所述商户运营策略包括商户能力、运营策略以及风控策略等。所述商户能力可以包括应用小程序的直接绑定、客服电话的优先接入等。所述运营策略包括分配一定数量的鼓励金、汇率优惠策略等。所述风控策略包括对等级较低商户的风险打击、分配资金结算周期等,如表4所示。
具体的,当获取到目标商户的商户等级后,通过查找表4所示的运营策略集合,以获取商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。例如,若目标商户的商户等级为S,确定为优质商户,则相应的享有可以直接绑定目标支付应用上设置的小程序、当拨打目标支付应用的客服电话时则会被客服优先接入等商户运用策略,从而鼓励优质商户的运营。若目标商户的商户等级为D,确定为风险商户,则相应的具备风险打击,较长时间的资金结算周期商户运营策略,从而对风险商户予以打击。
S208,当检测到所述运营特征参数更新时,获取更新后的运营特征参数,并转入执行所述基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级的步骤。
可以理解的是,当检测到目标商户的运营特征参数发生变化时,通过比对变化后的运营特征参数与变化前的运营特征参数,若比对结果超过预设范围,对运营特征参数进行更新,并基于更新后的运营特征参数再获取商户分级模型,进而再分配与更新后的商户分级模型相应的商户运营策略至目标商户,从而有效、合理的目标商户进行运营管理。
例如,当对目标商户进行主体加黑处理后将目标商户分为D级,目标商户通过向目标支付应用的后台服务器进行申诉,并在申诉通过后,重新获取目标商户的商户等级如B,并分配与B对应的商户运营策略至目标商户。
在本发明实施例中,通过获取采用目标支付应用进行业务处理的目标商户信息,获取与目标商户信息相关联的运营特征参数,基于训练后的商户分级模型,并采用运营特征参数获取目标商户信息的商户等级,在运营策略集合中获取商户等级对应的商户运营策略,基于商户运营策略对目标商户信息对应的目标商户进行运营管控处理。可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,提高了对商户运营管理的有效性。同时,对于等级较高的优质商户予以鼓励,提高了优质商户的使用体验,而对于等级较低的风险商户进行权限限制,提高了风险商户的打击能力以及交易资金安全性。
下面将结合附图8-附图13,对本发明实施例提供的商户运营管理设备进行详细介绍。需要说明的是,附图8-附图13所示的设备,用于执行本发明图1- 图7所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图1-图7所示的实施例。
请参见图8,为本发明实施例提供了一种商户运营管理设备的结构示意图。如图8所示,本发明实施例的所述线条动画绘制1可以包括:参数获取单元11、等级获取单元12和运营管理单元13。
参数获取单元11,用于获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
可以理解的是,所述目标支付应用是为用户提供业务处理的终端支付应用,在终端支付应用中集成有支付功能,用户可以通过用户终端完成快速的支付流程,所述用户包括商户以及客户。目标支付应用以绑定银行卡的快捷支付为基础,向用户提供安全、快捷、高效的支付服务。所述业务处理可以包括商户与客户之间的支付交易、客户与客户之间的转账或者商户向客户反馈红包等。例如,客户在商户中购买商品后通过目标支付应用进行支付以完成交易。
所述目标商户信息可以为目标商户的信息,包括目标商户的商户标识,如商户编号ID,商户名称等,用于唯一识别目标商户。所述目标商户为采用目标支付应用进行业务处理的全量商户中的一个或多个。
具体实现中,参数获取单元11获取采用目标支付应用进行业务处理的全量商户信息,在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息,并获取与所述目标商户信息相关联的运营特征参数,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率。
其中,基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签,即目标商户的交易风险程度。所述业务转移数据包括但不限于RFM交易数据。例如,如表1所示为2018-4-22 所统计的目标商户的业务转移数据以及行为记录标签表,通过机器学习可输出目标商户的业务处理风险标签,如黑、白、灰等标签。黑、白、灰分别代表不同的交易风险程度。
所述RFM交易数据是衡量客户价值和客户创利能力的重要工具和手段。采用RFM交易数据可以按照RS分布、FS分布以及MS分布把客户分为8个类型,如表2所示:重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户。RS分布是指R 的平均值,FS分布是指F的平均值,MS分布是指M的平均值。高指的是高于平均值,低指的是低于平均值。其对应的RFM分布模型如图2所示。通过一个客户的R、F以及M三项指标来描述该客户的价值状况,进而,通过统计目标商户的每个客户的RFM交易数据衡量该目标商户的价值状况。
商户入驻目标支付应用需按要求提供多个证件信息,如三证一照(组织机构代码证、税务登记证、法人代表身份证、工商营业执照),公司名称,联系人,联系方式,经营范围等信息,如表3所示,通过机器学习可输出商户资质标签,如黑、白、灰等标签,所述黑、白、灰分别代表目标商户的商户资质可疑程度等级。
获取各种行为数据源,如客户反馈的行为数据源、客服录入的行为数据源、机器模型识别的行为数据源等,人工判定是否存在行为记录(违规),并在确定违规后进行违规定性,通过机器学习输出历史行为记录信息,即具体的处罚方案。当然,还可以理解为,输出历史行为记录标签,如通过黑、白、灰等标签表示历史行为记录的严重程度。白表示无历史行为记录,灰表示有历史行为记录但违规情况不严重,黑表示有较重的违规行为。
所述业务信息反馈率可理解为客户投诉率,当客户通过目标支付应用完成支付后,若消费不满意,则可通过目标支付应用的投诉界面对目标商户进行投诉,商户运营管理设备周期性采集针对所述目标商户的投诉,并计算在设定时长内(如7天)该目标商户的投诉率。当然,还可以理解为,输出业务信息反馈率标签,如通过黑、白、灰等标签表示投诉率大小。例如,小于10%为白, 10%~20%为灰,大于20%为黑。
需要说明的是,所述全量商户信息对应的全量商户与目标支付应用的连接模式可以包括直连模式和间连模式。所述直连模式是指由目标支付应用的后台服务器负责了解客户(Know-Your-Customer,KYC)规则,所述间连模式是指由银行负责KYC规则。所述KYC用于识别客户身份,由于金融机构如不能清晰识别客户身份,便更不愿贷款给客户,阻碍金融普惠,是国际社会努力实现金融诚信和金融普惠不可或缺的。
直连模式下的商户可以包括直联商户、普通服务商、普通服务商下的子商户;间连模式下商户可以包括转清渠道商、转清渠道商下的子商户、银行渠道商以及银行渠道商下的子商户等。其中,所述直连模式下的直联商户、普通服务商下的子商户、转清渠道商下的子商户以及银行渠道商下的子商户均为与客户直接进行业务交互的商户。
等级获取单元12,用于基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
可以理解的是,所述商户分级模型用于基于目标商户信息的运营特征参数对目标商户进行分级。按风险等级从低到高可分为S、A、B、C、D等。S为安全,A为可信,B为未知,C为可疑,D为违规。
具体的,等级获取单元12将所获取的运营特征参数分别输入值训练后的商户分级模型中,商户分级模型输出目标商户的商户等级。优选的,等级获取单元12将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值,获取所述最大值指示的第一运营特征参数的第一属性值,当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级,当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
其中,对于商户分级模型可预先采集样本运营特征参数进行训练,具体为获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数,创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
所述分类算法用于解决分类学习问题,常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法,其中单一的分类算法主要包括:决策树(如GBDT)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等,用于组合单一分类方法的集成学习算法包括Bagging和Boosting 等。以GBDT为例进行说明,基本思想是先用一个初始值来训练一棵决策树,决策树的叶子处可以得到预测的值,以及预测之后的残差,然后后面的决策树就要基于前面决策树的残差来训练,直到预测值和真实值的残差为零。最后对于测试样本的预测值,就是前面许多棵决策树预测值的累加。
在本发明实施例中,所述训练集可以为多个样本商户分别对应的样本运营特征参数;训练数据的均值为样本运营特征参数中同一属性类型属性值的平均值,如业务处理风险标签的平均值;决策树的个数:多棵;每个样本的特征有五个:样本商户是否为第一等级;样本商户是否为第二等级;样本商户是否为第三等级;样本商户是否为第四等级;样本商户是否为第五等级。每棵树包括两个叶子,分别对应上述五个特征中的任意两个,采用上述方式对这多颗决策树进行训练即可。
可选的,当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率,当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型,即模型训练完成。当所述分级准确率小于所述准确率阈值时,继续调整所述商户分级模型。
运营管理单元13,用于在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
可以理解的是,在运营策略集合中包括至少一个商户等级以及与每个商户等级对应的商户运营策略,所述商户运营策略包括商户能力、运营策略以及风控策略等。所述商户能力可以包括应用小程序的直接绑定、客服电话的优先接入等。所述运营策略包括分配一定数量的鼓励金、汇率优惠策略等。所述风控策略包括对等级较低商户的风险打击、分配资金结算周期等,如表4所示。
具体的,当运营管理单元13获取到目标商户的商户等级后,通过查找表4 所示的运营策略集合,以获取商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。例如,若目标商户的商户等级为S,确定为优质商户,则相应的享有可以直接绑定目标支付应用上设置的小程序、当拨打目标支付应用的客服电话时则会被客服优先接入等商户运用策略,从而鼓励优质商户的运营。若目标商户的商户等级为D,确定为劣质商户,则相应的拥有风险打击,较长时间的资金结算周期商户运营策略,从而对劣质商户予以打击。
在本发明实施例中,通过获取采用目标支付应用进行业务处理的目标商户信息,获取与目标商户信息相关联的运营特征参数,基于训练后的商户分级模型,并采用运营特征参数获取目标商户信息的商户等级,在运营策略集合中获取商户等级对应的商户运营策略,基于商户运营策略对目标商户信息对应的目标商户进行运营管控处理。可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,提高了对商户运营管理的有效性。
请参见图9,为本发明实施例提供了一种商户运营管理设备的结构示意图。如图9所示,本发明实施例的所述线条动画绘制1可以包括:参数获取单元11、等级获取单元12、运营管理单元13、样本获取单元14、模型训练单元15、第准确率获取单元16、模型生成单元17和等级更新单元18。
样本获取单元14,用于获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
可以理解的是,所述目标支付应用是为用户提供业务处理的终端支付应用,在终端支付应用中集成有支付功能,用户可以通过用户终端完成快速的支付流程,所述用户包括商户以及客户。目标支付应用以绑定银行卡的快捷支付为基础,向用户提供安全、快捷、高效的支付服务。所述业务处理可以包括商户与客户之间的支付交易、客户与客户之间的转账或者商户向客户反馈红包等。例如,客户A在商户B中购买商品后通过目标支付应用进行支付以完成交易。
所述样本商户信息可以为样本商户的信息,包括样本商户的商户标识,如商户编号ID,商户名称等,用于唯一识别样本商户。所述样本商户为采用目标支付应用进行业务处理的全量商户中的一个或多个,用于通过样本商户的相关信息对商户分级模型进行训练。
具体实现中,样本获取单元14获取采用目标支付应用进行业务处理的全量商户信息,在所述全量商户信息中获取与客户直接进行业务交互的样本商户信息,并获取与所述样本商户信息相关联的样本运营特征参数,如业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率。
其中,基于所述样本商户的业务转移数据以及所述样本商户的行为记录标签,获取所述样本商户的业务处理风险标签,即样本商户的交易风险程度。所述业务转移数据包括但不限于RFM交易数据。通过机器学习可输出目标商户的业务处理风险标签,如黑、白、灰等标签。黑、白、灰分别代表不同的交易风险程度。
所述RFM交易数据是衡量客户价值和客户创利能力的重要工具和手段。采用RFM交易数据可以按照RS分布、FS分布以及MS分布把客户分为8个类型,如表2所示:重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户。RS分布是指R 的平均值,FS分布是指F的平均值,MS分布是指M的平均值。高指的是高于平均值,低指的是低于平均值。其对应的RFM分布模型如图2所示。通过一个客户的R、F以及M三项指标来描述该客户的价值状况,进而,通过统计样本商户的每个客户的RFM交易数据衡量该样本商户的价值状况。
商户入驻目标支付应用需按要求提供多个证件信息,如三证一照(组织机构代码证、税务登记证、法人代表身份证、工商营业执照),公司名称,联系人,联系方式,经营范围等信息,如表3所示,通过机器学习可输出商户资质标签,如黑、白、灰等标签,所述黑、白、灰分别代表样本商户的商户资质可疑程度等级。
获取各种行为数据源,如客户反馈的行为数据源、客服录入的行为数据源、机器模型识别的行为数据源等,人工判定是否存在行为记录(违规),并在确定违规后进行违规定性,通过机器学习输出历史行为记录信息,即具体的处罚方案。
所述业务信息反馈率可理解为客户投诉率,当客户通过目标支付应用完成支付后,若消费不满意,则可通过目标支付应用的投诉界面对样本商户进行投诉,商户运营管理周期性采集针对所述样本商户的投诉,并计算在设定时长内(如7天)该样本商户的投诉率。
模型训练单元15,用于创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
可以理解的是,所述分类算法用于解决分类学习问题,常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法,其中单一的分类算法主要包括:决策树(如GBDT)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等,用于组合单一分类方法的集成学习算法包括 Bagging和Boosting等。以GBDT为例进行说明,基本思想是先用一个初始值来训练一棵决策树,决策树的叶子处可以得到预测的值,以及预测之后的残差,然后后面的决策树就要基于前面决策树的残差来训练,直到预测值和真实值的残差为零。最后对于测试样本的预测值,就是前面许多棵决策树预测值的累加。
在本发明实施例中,所述训练集可以为多个样本商户分别对应的样本运营特征参数;训练数据的均值为样本运营特征参数中同一属性类型属性值的平均值,如业务处理风险标签的平均值;决策树的个数:多棵;每个样本的特征有五个:样本商户是否为第一等级;样本商户是否为第二等级;样本商户是否为第三等级;样本商户是否为第四等级;样本商户是否为第五等级。每棵树包括两个叶子,分别对应上述五个特征中的任意两个,采用上述方式对这多颗决策树进行训练即可。
准确率获取单元16,用于当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
具体的,准确率获取单元16对商户分级模型进行训练后,获取用于训练的各样本商户的商户等级,对于同一个样本商户,比对采用商户分级模型输出的商户等级与设定的商户等级是否匹配,若匹配,表明训练结果与预设结果一致;若不匹配,表明训练结果与预设结果不一致,还需对模型进行调整。所述设定的商户等级是由测试人员进行设定。
其中,所述分级准确率是指,采用商户分级模型输出的商户等级与设定商户等级相匹配的个数占总的匹配结果的比例。例如,选取20个样本商户分别对应的样本运营特征参数进行训练,所输出的商户等级中有15个与设定等级相匹配,那么样本分级模型的分级准确率为15/20=75%。
模型生成单元17,用于当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
具体的,当分级准确率大于或者等于准确率阈值时,表明商户分级模型可以准确对商户分级,训练完成。当所述分级准确率小于准确率阈值时,表明商户分级模型的分级准确率不够,还需要继续调整,直到分级准确率大于或者等于准确率阈值。
参数获取单元11,用于获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
需要说明的是,所述目标商户信息是指用于线上处理的商户,所述样本商户信息是指用于线下训练的商户。通过样本商户信息训练商户分级模型后,可采用训练完成的商户分级模型对已有的以及以后新增的目标商户进行分级。
可选的,如图10所示,所述参数获取单元11,包括:
全量信息获取子单元111,用于获取采用目标支付应用进行业务处理的全量商户信息;
可以理解的是,所述全量商户信息对应的全量商户与目标支付应用的连接模式可以包括直连模式和间连模式。所述直连模式是指由目标支付应用的后台服务器负责KYC规则,所述间连模式是指由银行负责KYC规则。所述KYC用于识别客户身份,由于金融机构如不能清晰识别客户身份,便更不愿贷款给客户,阻碍金融普惠,是国际社会努力实现金融诚信和金融普惠不可或缺的。
直连模式下的商户可以包括直联商户、普通服务商、普通服务商下的子商户;间连模式下商户可以包括转清渠道商、转清渠道商下的子商户、银行渠道商以及银行渠道商下的子商户等。其中,所述直连模式下的直联商户、普通服务商下的子商户、转清渠道商下的子商户以及银行渠道商下的子商户均为与客户直接进行业务交互的商户。
目标信息获取子单元112,用于在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
具体的,对所述获取的全量商户信息进行过滤,筛选,去除测试商户,停用商户,去除普通服务商、转清渠道商、银行渠道商,和其他认为的不需要包含进来的商户。从而获取其中与客户直接进行业务交互的目标商户信息。
例如,如图5所示,为目标支付应用的全量商户类型,通过对全量商户清洗后,得到直连模式下的直连商户和子商户以及间连模式下的子商户为目标商户。
可选的,如图11所示,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率,所述参数获取单元11,包括:
风险标签获取子单元113,用于基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
具体的,所述业务转移数据包括但不限于RFM交易数据。例如,如表1所示为2018-4-22所统计的目标商户的业务转移数据以及行为记录标签表,通过机器学习可输出目标商户的业务处理风险标签,如黑、白、灰等标签。黑、白、灰分别代表不同的交易风险程度。
所述RFM交易数据是衡量客户价值和客户创利能力的重要工具和手段。采用RFM交易数据可以按照RS分布、FS分布以及MS分布把客户分为8个类型,如表2所示:重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户。RS分布是指R 的平均值,FS分布是指F的平均值,MS分布是指M的平均值。高指的是高于平均值,低指的是低于平均值。其对应的RFM分布模型如图2所示。通过一个客户的近期购买行为(R)、购买的总体频率(F)以及花了多少钱(M)三项指标来描述该客户的价值状况,进而,通过统计目标商户的每个客户的RFM交易数据衡量该目标商户的价值状况。
资质标签获取子单元114,用于基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
具体的,商户入驻目标支付应用需按要求提供多个证件信息,如三证一照 (组织机构代码证、税务登记证、法人代表身份证、工商营业执照),公司名称,联系人,联系方式,经营范围等信息,如表3所示,通过机器学习可输出商户资质标签,如黑、白、灰等标签,所述黑、白、灰分别代表目标商户的商户资质可疑程度等级。
记录信息获取子单元115,用于基于行为记录数据源获取所述目标商户的历史行为记录信息;
具体的,获取各种行为数据源,如客户反馈的行为数据源、客服录入的行为数据源、机器模型识别的行为数据源等,人工判定是否存在行为记录(违规),并在确定违规后进行违规定性,通过机器学习输出历史行为记录信息,即具体的处罚方案。
当然,还可以理解为,也可通过黑、白、灰等标签表示历史行为记录的严重程度。例如,白表示无历史行为记录,灰表示有历史行为记录但违规情况不严重,黑表示有较重的违规行为。
反馈率获取子单元116,用于采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
具体的,所述业务信息反馈率可理解为客户投诉率,当客户通过目标支付应用完成支付后,若消费不满意,则可通过目标支付应用的投诉界面对目标商户进行投诉,商户运营管理周期性采集针对所述目标商户的投诉,并计算在设定时长内(如7天)该目标商户的投诉率。
当然,还可以理解为,也可通过黑、白、灰等标签表示投诉率大小。例如,小于10%为白,10%~20%为灰,大于20%为黑。
等级获取单元12,用于基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
可以理解的是,所述商户分级模型用于基于目标商户信息的运营特征参数对目标商户进行分级。按风险等级从低到高可分为S、A、B、C、D等。S为安全,A为可信,B为未知,C为可疑,D为违规。
可选的,如图12所示,所述等级获取单元12,包括:
权重值获取子单元121,用于将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值;
例如,业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值分别为0.2、0.2、0.4、0.2,那么其中的最大值为0.4,也就是说,历史行为记录信息所占的权重最大,可作为商户分级的一个优先判断条件。
第一属性值获取子单元122,用于获取所述最大值指示的第一运营特征参数的第一属性值;
例如,0.4所指示的是第一运行特征参数为历史行为记录信息,该历史行为记录信息的第一属性值为对商户进行主体加黑处理。
等级设置子单元123,用于当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级;
可以理解的是,运营特征参数即包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率,业务处理风险标签、商户资质标签、历史行为记录信息、业务信息反馈率则为第二运营特征参数,每个第二运营特征参数对应的输出结果即为第二属性值。例如,第二运营特征参数为历史行为记录信息,其对应的输出结果若为黑(如主体加黑),那么第二属性值则为黑。
若在运营特征参数的中也存在历史行为记录为主体加黑处理,或者与主体加黑处理相匹配的限额等处理时,则直接将目标商户信息对应的目标商户设定为较低等级,例如D级。
所述等级设置子单元123,还用于当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
例如,若在运营特征参数中不存在历史行为记录为主体加黑处理,或者与主体加黑处理相匹配的限额等处理时,则可通过对运营特征参数的输出属性值与所设定的等级属性值进行匹配,从而确定出商户等级。
对于业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率分别对应的属性值可包括黑、白、灰三种结果,通过对这些结果进行排列组合,从而可设定其中排列结果与等级的对应关系。例如,如表5所示,设定全部为白时对应S级,三个为白时,对应A级,两个为白时,对应B级,1 个为白时,对应C级,没有白时,对应D级。假设当前获取的业务处理风险标签为白、商户资质标签为白、历史行为记录信息为白以及业务信息反馈率为白,则可知商户等级为S。
可选的,对于不对外商户或者特别签约商户则由人工进行商户分级。
运营管理单元13,用于在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
可选的,所述运营管理单元13,具体用于:
在运营策略集合中查找所述商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。
可以理解的是,在运营策略集合中包括至少一个商户等级以及与每个商户等级对应的商户运营策略,所述商户运营策略包括商户能力、运营策略以及风控策略等。所述商户能力可以包括应用小程序的直接绑定、客服电话的优先接入等。所述运营策略包括分配一定数量的鼓励金、汇率优惠策略等。所述风控策略包括对等级较低商户的风险打击、分配资金结算周期等,如表4所示。
具体的,当运营管理单元13获取到目标商户的商户等级后,通过查找表4 所示的运营策略集合,以获取商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。例如,若目标商户的商户等级为S,确定为优质商户,则相应的享有可以直接绑定目标支付应用上设置的小程序、当拨打目标支付应用的客服电话时则会被客服优先接入等商户运用策略,从而鼓励优质商户的运营。
等级更新单元18,用于当检测到所述转移数据信息更新时,获取更新后的运营特征参数,触发所述等级获取单元基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级。
可以理解的是,当等级更新单元18检测到目标商户的运营特征参数发生变化时,通过比对变化后的运营特征参数与变化前的运营特征参数,若比对结果超过预设范围,对运营特征参数进行更新,并基于更新后的运营特征参数再获取商户分级模型,进而再分配与更新后的商户分级模型相应的商户运营策略至目标商户,从而有效、合理的目标商户进行运营管理。
例如,当对目标商户进行主体加黑处理后将目标商户分为D级,目标商户通过向目标支付应用的后台服务器进行申诉,并在申诉通过后,重新获取目标商户的商户等级如B,并分配与B对应的商户运营策略至目标商户。
在本发明实施例中,通过获取采用目标支付应用进行业务处理的目标商户信息,获取与目标商户信息相关联的运营特征参数,基于训练后的商户分级模型,并采用运营特征参数获取目标商户信息的商户等级,在运营策略集合中获取商户等级对应的商户运营策略,基于商户运营策略对目标商户信息对应的目标商户进行运营管控处理。可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,提高了对商户运营管理的有效性。同时,对于等级较高的优质商户予以鼓励,提高了优质商户的使用体验,而对于等级较低的风险商户进行权限限制,提高了风险商户的打击能力以及交易资金安全性。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1-图7所示实施例的方法步骤,具体执行过程可以参见图1-图7所示实施例的具体说明,在此不进行赘述。
请参见图13,为本发明实施例提供了一种电子设备的结构示意图。如图13 所示,所述电子设备1000可以包括:至少一个处理器1001,例如CPU,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003 可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005 可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图13所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及商户运营管理应用程序。
在图13所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的商户运营管理应用程序,并具体执行以下操作:
获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率;
基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
在一个实施例中,所述处理器1001在执行获取采用目标支付应用进行业务处理的目标商户信息之前,还执行以下操作:
获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
在一个实施例中,所述处理器1001还执行以下操作:
当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
在一个实施例中,所述处理器1001在执行获取采用目标支付应用进行业务处理的目标商户信息时,具体执行以下操作:
获取采用目标支付应用进行业务处理的全量商户信息;
在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
在一个实施例中,所述处理器1001在执行获取与所述目标商户信息相关联的运营特征参数时,具体执行以下操作:
基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
基于行为记录数据源获取所述目标商户的历史行为记录信息;
采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
在一个实施例中,所述处理器1001在执行基于训练后的商户分级模型,并采用所述运营特征参数,获取所述目标商户信息的商户等级时,具体执行以下操作:
将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值;
获取所述最大值指示的第一运营特征参数的第一属性值;
当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级;
当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
在一个实施例中,所述处理器1001在执行在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理时,具体执行以下操作:
在运营策略集合中查找所述商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。
在一个实施例中,所述处理器1001还执行以下操作:
当检测到所述运营特征参数更新时,获取更新后的运营特征参数,并转入执行所述基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级的步骤。
在本发明实施例中,通过获取采用目标支付应用进行业务处理的目标商户信息,获取与目标商户信息相关联的运营特征参数,基于训练后的商户分级模型,并采用运营特征参数获取目标商户信息的商户等级,在运营策略集合中获取商户等级对应的商户运营策略,基于商户运营策略对目标商户信息对应的目标商户进行运营管控处理。可以基于商户等级准确的分配商户运营策略,能够准确的为商户运营提供指导,提高了对商户运营管理的有效性。同时,对于等级较高的优质商户予以鼓励,提高了优质商户的使用体验,而对于等级较低的风险商户进行权限限制,提高了风险商户的打击能力以及交易资金安全性。
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,所述的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,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (15)
1.一种商户运营管理方法,其特征在于,包括:
获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
2.根据权利要求1所述的方法,其特征在于,所述获取采用目标支付应用进行业务处理的目标商户信息之前,还包括:
获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
3.根据权利要求2所述的方法,其特征在于,还包括:
当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
4.根据权利要求1所述的方法,其特征在于,所述获取采用目标支付应用进行业务处理的目标商户信息,包括:
获取采用目标支付应用进行业务处理的全量商户信息;
在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
5.根据权利要求1所述的方法,其特征在于,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率;
所述获取与所述目标商户信息相关联的运营特征参数,包括:
基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
基于行为记录数据源获取所述目标商户的历史行为记录信息;
采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
6.根据权利要求5所述的方法,其特征在于,所述基于训练后的商户分级模型,并采用所述运营特征参数,获取所述目标商户信息的商户等级,包括:
将所述运营特征参数输入至所述训练后的商户分级模型中,分别获取所述业务处理风险标签、所述商户资质标签、所述历史行为记录信息以及所述业务信息反馈率对应的权重值,并获取所述权重值中的最大值;
获取所述最大值指示的第一运营特征参数的第一属性值;
当在所述运营特征参数中存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,将所述目标商户信息设置为指定的商户等级;
当在所述运营特征参数中不存在与所述第一属性值相匹配的第二运营特征参数的第二属性值时,获取所述运营特征参数对应的目标商户等级,将所述目标商户等级确定为所述目标商户信息的商户等级。
7.根据权利要求1所述的方法,其特征在于,所述在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理,包括:
在运营策略集合中查找所述商户等级对应的商户运营策略,将所述商户运营策略分配至所述目标商户信息对应的目标商户,以使所述目标商户基于所述商户运营策略进行运营。
8.根据权利要求7所述的方法,其特征在于,还包括:
当检测到所述运营特征参数更新时,获取更新后的运营特征参数,并转入执行所述基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级的步骤。
9.一种商户运营管理设备,其特征在于,包括:
参数获取单元,用于获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
等级获取单元,用于基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
运营管理单元,用于在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
10.根据权利要求9所述的设备,其特征在于,还包括:
样本获取单元,用于获取采用目标支付应用进行业务处理的样本商户信息,获取与所述样本商户信息相关联的样本运营特征参数;
模型训练单元,用于创建商户分级模型,基于分类算法并采用所述样本运营特征参数,对所述商户分级模型进行训练。
11.根据权利要求10所述的设备,其特征在于,还包括:
准确率获取单元,用于当采用所述商户分级模型输出的所述样本商户信息的商户等级与设定商户等级不匹配时,对训练后的商户分级模型进行调整,并获取调整后的商户分级模型的分级准确率;
模型生成单元,用于当所述分级准确率大于或者等于准确率阈值时,生成训练后的商户分级模型。
12.根据权利要求9所述的设备,其特征在于,所述参数获取单元,包括:
全量信息获取子单元,用于获取采用目标支付应用进行业务处理的全量商户信息;
目标信息获取子单元,用于在所述全量商户信息中获取与客户直接进行业务交互的目标商户信息。
13.根据权利要求9所述的设备,其特征在于,所述运营特征参数包括业务处理风险标签、商户资质标签、历史行为记录信息以及业务信息反馈率;
所述参数获取单元,包括:
风险标签获取子单元,用于基于所述目标商户的业务转移数据以及所述目标商户的行为记录标签,获取所述目标商户的业务处理风险标签;
资质标签获取子单元,用于基于所述目标商户的商户注册信息获取所述目标商户的商户资质标签;
记录信息获取子单元,用于基于行为记录数据源获取所述目标商户的历史行为记录信息;
反馈率获取子单元,用于采集针对所述目标商户的业务反馈信息,基于所述业务反馈信息计算所述目标商户信息在设定时长内的业务信息反馈率。
14.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~8任意一项的方法步骤。
15.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行以下步骤:
获取采用目标支付应用进行业务处理的目标商户信息,获取与所述目标商户信息相关联的运营特征参数;
基于训练后的商户分级模型,并采用所述运营特征参数获取所述目标商户信息的商户等级;
在运营策略集合中获取所述商户等级对应的商户运营策略,基于所述商户运营策略对所述目标商户信息对应的目标商户进行运营管控处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630846.1A CN108932585B (zh) | 2018-06-19 | 2018-06-19 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630846.1A CN108932585B (zh) | 2018-06-19 | 2018-06-19 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932585A true CN108932585A (zh) | 2018-12-04 |
CN108932585B CN108932585B (zh) | 2022-02-22 |
Family
ID=64446028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630846.1A Active CN108932585B (zh) | 2018-06-19 | 2018-06-19 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932585B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584117A (zh) * | 2018-12-21 | 2019-04-05 | 万翼科技有限公司 | 房地产的合同管理方法、服务器及存储介质 |
CN109816454A (zh) * | 2019-01-31 | 2019-05-28 | 拉扎斯网络科技(上海)有限公司 | 确定用于商户的策略的方法、装置、电子设备及存储介质 |
CN110046912A (zh) * | 2019-02-26 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种申诉系统、申诉处理方法和装置 |
CN110148000A (zh) * | 2019-04-17 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种应用于支付平台的安全管控系统和方法 |
CN110490650A (zh) * | 2019-08-14 | 2019-11-22 | 浙江大搜车软件技术有限公司 | 商户信息处理方法、装置、计算机设备和存储介质 |
CN110866696A (zh) * | 2019-11-15 | 2020-03-06 | 成都数联铭品科技有限公司 | 商铺掉铺风险评估模型训练方法及装置 |
CN110942338A (zh) * | 2019-11-01 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 一种营销赋能策略的推荐方法、装置和电子设备 |
CN111724037A (zh) * | 2020-05-21 | 2020-09-29 | 口碑(上海)信息技术有限公司 | 运营资源分配方法、装置、计算机设备及可读存储介质 |
CN111861073A (zh) * | 2019-04-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 运营策略预测方法、装置、电子设备及可读存储介质 |
CN112184005A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种运营任务分类方法、装置、设备和存储介质 |
CN112767177A (zh) * | 2020-12-30 | 2021-05-07 | 中国人寿保险股份有限公司上海数据中心 | 基于随机森林进行客户等级划分的保险客户信息管理系统 |
CN113362211A (zh) * | 2021-08-10 | 2021-09-07 | 云账户技术(天津)有限公司 | 一种变更经营范围的方法及装置 |
CN113657812A (zh) * | 2021-09-02 | 2021-11-16 | 谭维敏 | 一种基于大数据和算法的门店运营智慧决策的方法和系统 |
CN113822364A (zh) * | 2021-09-28 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法及设备、存储介质 |
CN114169962A (zh) * | 2021-11-23 | 2022-03-11 | 苏州中仑网络科技有限公司 | 用于流量管理的数据处理方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090171759A1 (en) * | 2007-12-31 | 2009-07-02 | Mcgeehan Thomas | Methods and apparatus for implementing an ensemble merchant prediction system |
US20150106260A1 (en) * | 2013-10-11 | 2015-04-16 | G2 Web Services | System and methods for global boarding of merchants |
CN107146113A (zh) * | 2017-05-16 | 2017-09-08 | 重庆浩品峰电子商务有限公司 | 商户奖励方法、装置及服务器 |
CN107480854A (zh) * | 2017-07-05 | 2017-12-15 | 阿里巴巴集团控股有限公司 | 一种风险识别的方法及装置 |
-
2018
- 2018-06-19 CN CN201810630846.1A patent/CN108932585B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090171759A1 (en) * | 2007-12-31 | 2009-07-02 | Mcgeehan Thomas | Methods and apparatus for implementing an ensemble merchant prediction system |
US20150106260A1 (en) * | 2013-10-11 | 2015-04-16 | G2 Web Services | System and methods for global boarding of merchants |
CN107146113A (zh) * | 2017-05-16 | 2017-09-08 | 重庆浩品峰电子商务有限公司 | 商户奖励方法、装置及服务器 |
CN107480854A (zh) * | 2017-07-05 | 2017-12-15 | 阿里巴巴集团控股有限公司 | 一种风险识别的方法及装置 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584117A (zh) * | 2018-12-21 | 2019-04-05 | 万翼科技有限公司 | 房地产的合同管理方法、服务器及存储介质 |
CN109816454A (zh) * | 2019-01-31 | 2019-05-28 | 拉扎斯网络科技(上海)有限公司 | 确定用于商户的策略的方法、装置、电子设备及存储介质 |
CN110046912A (zh) * | 2019-02-26 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种申诉系统、申诉处理方法和装置 |
CN110148000A (zh) * | 2019-04-17 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种应用于支付平台的安全管控系统和方法 |
CN111861073A (zh) * | 2019-04-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 运营策略预测方法、装置、电子设备及可读存储介质 |
CN111861073B (zh) * | 2019-04-30 | 2024-05-03 | 北京嘀嘀无限科技发展有限公司 | 运营策略预测方法、装置、电子设备及可读存储介质 |
CN110490650A (zh) * | 2019-08-14 | 2019-11-22 | 浙江大搜车软件技术有限公司 | 商户信息处理方法、装置、计算机设备和存储介质 |
CN110942338A (zh) * | 2019-11-01 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 一种营销赋能策略的推荐方法、装置和电子设备 |
CN110866696A (zh) * | 2019-11-15 | 2020-03-06 | 成都数联铭品科技有限公司 | 商铺掉铺风险评估模型训练方法及装置 |
CN111724037A (zh) * | 2020-05-21 | 2020-09-29 | 口碑(上海)信息技术有限公司 | 运营资源分配方法、装置、计算机设备及可读存储介质 |
CN111724037B (zh) * | 2020-05-21 | 2024-03-05 | 口碑(上海)信息技术有限公司 | 运营资源分配方法、装置、计算机设备及可读存储介质 |
CN112184005A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种运营任务分类方法、装置、设备和存储介质 |
CN112767177A (zh) * | 2020-12-30 | 2021-05-07 | 中国人寿保险股份有限公司上海数据中心 | 基于随机森林进行客户等级划分的保险客户信息管理系统 |
CN113362211A (zh) * | 2021-08-10 | 2021-09-07 | 云账户技术(天津)有限公司 | 一种变更经营范围的方法及装置 |
CN113362211B (zh) * | 2021-08-10 | 2021-11-05 | 云账户技术(天津)有限公司 | 一种变更经营范围的方法及装置 |
CN113657812A (zh) * | 2021-09-02 | 2021-11-16 | 谭维敏 | 一种基于大数据和算法的门店运营智慧决策的方法和系统 |
CN113822364A (zh) * | 2021-09-28 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法及设备、存储介质 |
CN114169962A (zh) * | 2021-11-23 | 2022-03-11 | 苏州中仑网络科技有限公司 | 用于流量管理的数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108932585B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932585A (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
CN111652703B (zh) | 一种人工智能会计自动记账、报税的方法及系统 | |
US7720751B2 (en) | System and method of continuous assurance for internal control | |
CN104616194A (zh) | 一种数据处理方法及支付平台 | |
CN104584051A (zh) | 用于增强型微小借贷的新系统和处理 | |
CN103258388A (zh) | 自动交易装置和服务器、以及用于预测现金需求量的方法 | |
CN109727136A (zh) | 金融资产的配置方法及装置 | |
CN108898493A (zh) | 一种基于区块链的投资策略交易方法及系统 | |
CN110533521A (zh) | 动态贷后预警方法、装置、设备及可读存储介质 | |
CN113935764A (zh) | 一种会员共享方法、系统及介质 | |
CN110148049A (zh) | 一种风险控制方法、装置、计算机设备及可读存储介质 | |
CN111160695A (zh) | 计算机运行的风险账户的识别方法、系统、装置及存储介质 | |
CN114862110A (zh) | 商业银行业务中台构建方法、装置、电子设备及存储介质 | |
Mehta et al. | Big data analytics for tax administration | |
CN102214348A (zh) | 自上而下的基于风险的审计方法的数据管理 | |
CN109784833A (zh) | 一种收入报表的生成方法及设备 | |
CN203414995U (zh) | 一种土地使用税缴纳排查管理系统 | |
JP5784360B2 (ja) | 会計処理装置、方法およびプログラム | |
JP6423031B2 (ja) | 情報処理装置及びプログラム | |
JP6760874B2 (ja) | 情報処理装置及びプログラム | |
JP6760875B2 (ja) | 口座管理装置及びプログラム | |
JP2003308375A (ja) | 売上データ管理システム | |
CN110348983A (zh) | 交易信息管理方法及装置、电子设备和非暂态存储介质 | |
CN115797060A (zh) | 资金流向的追踪方法及其装置、电子设备及存储介质 | |
CN109993648B (zh) | 一种数据处理方法和相关装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |