CN109255638A - 一种挖掘潜在客户的数学模型 - Google Patents

Abstract

本发明公开了一种挖掘潜在客户的数学模型，其主要包括以下步骤：数据库取数；数据预处理过程；理财产品的各个子模型单独进行分布式计算；各子模型进行比较；从数据库中另取和训练数据同等规模的有销售数据的数据，进行步骤2操作，获得测试数据；通过判断测试结果是否表现突出，使用模型比较过程衡量是否突出；使用相似度、概率和e值来进行衡量；对每种产品均建立预测模型，最终构建出银行所有产品的预测模块；从数据库取全量数据，进行步骤2操作，然后启动预测模块；获得客户×产品预测推荐矩阵，该矩阵一方面获得产品的潜在客户名单，另一方面获得客户推荐的产品列表。本发明对客户行为做出预测方面的空白，且精确度更高，更适合进行精准营销。

Description

一种挖掘潜在客户的数学模型

技术领域

本发明涉及一种客户的挖掘方法，尤其是一种挖掘潜在客户的数学模型。

背景技术

理财产品，即由商业银行和正规金融机构自行设计并发行，将募集到的资金根据产品合同约定投入相关金融市场及购买相关金融产品，获取投资收益后，根据合同约定分配给投资人的一类理财产品。传统售卖理财产品的方式成本高、效率低且经常伴随着客户满意度的下降，从而催生了银行对于精准营销和提高客产服务质量的需求。目前在市场竞争日益激烈的时代，不断拓展更多的新客户，从众多的普通人群或已经购买过理财产品中有效挖掘出潜在客户群体，并努力将潜在客户转换成为真实客户，银行就能获得更多效益以及市场竞争优势。

近年来，互联网金融兴起，一定程度上冲击了银行业务，使得银行对于精准营销和提高服务质量的需求越来越强烈。

但现有技术主要从业务的角度进行业务流程优化和营销设计，不考虑银行存量客户对理财产品的需求和需求强度，因而很难达到精准营销的目的，而且反复向没有需求的客户推荐产品，反而降低了客户满意度。

发明内容

本发明的目的是为了解决上述现有技术的不足而提供一种挖掘潜在客户的数学模型。其主要从技术角度通过对银行存量客户进行大数据挖掘，从而挖掘出对理财产品有强烈需求的潜在目标客户进行精细化营销，将合适的产品营销给有强烈需求的客户，从而实现精准营销、客户满意度增加以及利润增加的目标。

本发明公开的一种挖掘潜在客户的数学模型，其预先定义客户C，产品I，购买金额y，预测购买金额其主要包括以下步骤：

S1)数据库取数，通过在银行存量客户的信息汇总的数据库中读取客户信息数据；

S2)数据预处理过程，所述数据预处理过程，其包括客户特征筛选、数据清洗和数据治理过程，最终输出符合要求的数据作为训练数据；训练数据Train＝{C1，C2，C3，Cm，.....Cn}T，训练数据的特征和购买金额构成矩阵；

S3)理财产品的各个子模型单独进行分布式计算；

S4)各子模型进行比较，表现突出者作为对应产品的预测模型输出，用于测试数据测试，并作为最终的全量数据预测模型，其他子模型舍弃；

S5)从数据库中另取和训练数据同等规模的有销售数据的数据，进行步骤S2操作，获得测试数据Test＝{C′1，C′2，C′3，.....C′n}T；将测试数据导入该产品预测模型，进行运算；

S6)通过判断测试结果是否表现突出，使用模型比较过程衡量是否突出；使用相似度、概率和衡量预测购买金额和真实购买金额y之间误差程度的函数e值来进行衡量，若测试数据的输出在相似度、概率以及e值上的表现和训练数据的最终表现符合预期，则认为该预测模型表现突出，作为全量数据的预测模型；否则，增加训练数据量重新返回步骤S2、S3、S4；

S7)对每种产品均建立预测模型，最终构建出银行所有产品的预测模块；

S8)从数据库取全量数据，进行S2操作，然后启动预测模块；

S9)获得客户C×产品预测推荐矩阵，该矩阵一方面获得产品的潜在客户名单，另一方面获得客户推荐的产品列表；

S10)根据预测推荐矩阵进行营销，并将营销结果返回数据库，启动机器学习模块，优化修正；

其中，所述客户特征筛选中并赋予初始权重包括以下步骤：

S211)根据客户特征体系建立备选特征池构成长清单；

S212)根据长清单编写问卷调查表；

S213)将问卷调查表分别发送给银行理财方面的专家以及销售人员进行调查并进行补充；

S214)将调查结果汇总取并集，获得关键特征组记为C＝{x1，x2，x3，.....xm}；

S215)对特征组分配权重记为W＝(w1，w2，w3，.....wm)；

且∑_W＝1，作为数学模型初次迭代的初始权重；

S216)确定最终关键特征m个；

所述购买金额y和预测购买金额之间误差程度的函数：

作为优选，在步骤S3中，理财产品的各个子模型单独进行分布式计算子模型训练过程是通过不断调整各特征权重使得预测值不断逼近真实值的过程，其包括数学模型、比较器、触发器、权重调配和输出子模型；具体步骤如下：包括数学模型、比较器、触发器、权重调配和获得预测子模型，构成完整的迭代优化过程，其中核心部分是数学模型，

S31)数学模型中设置多个模型：

子模型1，核心数学模型是多元非线性回归模型：

(C为常数)；

且max{i，j，k，...}＝3；

子模型2，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，i≤2；

子模型3，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，

S32)比较器部分：比较器是一个衡量预测值和真实购买金额y之间误差程度的函数：

S33)触发器部分：触发器的作用是人工设置一个参数α，当e≤α，停止迭代输出当前数学模型为子模型；当e＞α，调整权重，不断进行迭代直到符合要求；

S34)权重调配过程：权重调配的作用是通过调节权重来控制预测值，使其不断逼近真实值；权重调配方法使用考梯度下降法；

S35)获得预测子模型部分：三个子模型训练同时进行，当各自满足触发条件，则输出当前的三个子模型称为预测子模型；

作为优先，将子模型训练过程获得的三个预测子模型进行比较，表现突出者作为该产品此次机器学习的最终输出模型，用于测试数据测试，作为最终的全量数据预测模型，其他子模型舍弃，模型比较从三个维度进行比较，

其一：预测值与实际值之间余弦相似度：

(j＝1，2，3表示子模型)

其二：预测值等于实际值的概率：

其三：误差函数e值；

其中，三种维度的考量优先顺序为相似度＞概率＞e值，算法设计为：首先比较相似度，有唯一相似度最大值，则认为该预测子模型表现突出；否则，比较概率，有唯一概率最大值，则认为该预测子模型表现突出；否则，比较e值，e值最小，认为该预测子模型表现突出，若e值最小且存在相等情况，则任一均可。

本发明得到的一种挖掘潜在客户的数学模型，精准营销在深度挖掘客户方面，对客户行为做出预测方面的空白，且精确度更高，更适合进行精准营销。

附图说明

图1是本实施例中一种挖掘潜在客户的数学模型的整体流程示意图；

图2是本实施例中一种挖掘潜在客户的数学模型的具体实施步骤的流程示意图；

图3是本实施例中数据预处理过程的流程示意图；

图4是本实施例中一个子模型的训练过程的流程示意图；

图5是本实施例中将子模型训练过程获得的三个预测子模型进行比较的流程示意图；

图6是本实施例中所有产品的预测模块的结构示意图。

具体实施方式

下面结合实施例对本发明进一步说明。

实施例：

如图1-图6所示，本实施例提供的一种挖掘潜在客户的数学模型，其预先定义客户C，产品I，购买金额y，预测购买金额其主要包括以下步骤：

S1)数据库取数，通过在银行存量客户的信息汇总的数据库中读取客户信息数据；

S2)数据预处理过程，所述数据预处理过程，其包括客户特征筛选、数据清洗和数据治理过程，最终输出符合要求的数据作为训练数据；训练数据Train＝{C1，C2，C3，Cm，.....Cn}T，训练数据的特征和购买金额构成矩阵；

S3)理财产品的各个子模型单独进行分布式计算；

S4)各子模型进行比较，表现突出者作为对应产品的预测模型输出，用于测试数据测试，并作为最终的全量数据预测模型，其他子模型舍弃；

S5)从数据库中另取和训练数据同等规模的有销售数据的数据，进行步骤S2操作，获得测试数据Test＝{C′1，C′2，C′3，.....C′n}T；将测试数据导入该产品预测模型，进行运算；

S6)通过判断测试结果是否表现突出，使用模型比较过程衡量是否突出；使用相似度、概率和衡量预测购买金额和真实购买金额y之间误差程度的函数e值来进行衡量，若测试数据的输出在相似度、概率以及e值上的表现和训练数据的最终表现符合预期，则认为该预测模型表现突出，作为全量数据的预测模型；否则，增加训练数据量重新返回步骤S2、S3、S4；

S7)对每种产品均建立预测模型，最终构建出银行所有产品的预测模块；

S8)从数据库取全量数据，进行S2操作，然后启动预测模块；

S9)获得客户C×产品预测推荐矩阵，该矩阵一方面获得产品的潜在客户名单，另一方面获得客户推荐的产品列表；

S10)根据预测推荐矩阵进行营销，并将营销结果返回数据库，启动机器学习模块，优化修正；

其中，所述客户特征筛选中并赋予初始权重包括以下步骤：

S211)根据客户特征体系建立备选特征池构成长清单；

S212)根据长清单编写问卷调查表；

S213)将问卷调查表分别发送给银行理财方面的专家以及销售人员进行调查并进行补充；

S214)将调查结果汇总取并集，获得关键特征组记为C＝{x1，x2，x3，.....xm}；

S215)对特征组分配权重记为W＝(w1，w2，w3，.....wm)；

且∑_W＝1，即：W₀＝(1/m₁ 1/m₂ 1/m_i，...1/m)作为数学模型初次迭代的初始权重；

S216)确定最终关键特征m个；所述购买金额y和预测购买金额之间误差程度的函数：

作为优选，在步骤S3中，理财产品的各个子模型单独进行分布式计算子模型训练过程是通过不断调整各特征权重使得预测值不断逼近真实值的过程，其包括数学模型、比较器、触发器、权重调配和输出子模型；具体步骤如下：包括数学模型、比较器、触发器、权重调配和获得预测子模型，构成完整的迭代优化过程，其中核心部分是数学模型。

S31)数学模型中设置多个模型：

子模型1，核心数学模型是多元非线性回归模型：

(C为常数)；

且max{i，j，k，...}＝3；

子模型2，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，i≤2；

子模型3，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，

S32)比较器部分：比较器是一个衡量预测值和真实购买金额y之间误差程度的函数：

S33)触发器部分：触发器的作用是人工设置一个参数α，当e≤α，停止迭代输出当前数学模型为子模型；当e＞α，调整权重，不断进行迭代直到符合要求；

S34)权重调配过程：权重调配的作用是通过调节权重来控制预测值，使其不断逼近真实值；权重调配方法使用考梯度下降法；

S35)获得预测子模型部分：三个子模型训练同时进行，当各自满足触发条件，则输出当前的三个子模型称为预测子模型；

作为优先，将子模型训练过程获得的三个预测子模型进行比较，表现突出者作为该产品此次机器学习的最终输出模型，用于测试数据测试，作为最终的全量数据预测模型，其他子模型舍弃，模型比较从三个维度进行比较，

其一：预测值与实际值之间余弦相似度：

(j＝1，2，3表示子模型)

其二：预测值等于实际值的概率：

其三：误差函数e值；

其中，三种维度的考量优先顺序为相似度＞概率＞e值，算法设计为：首先比较相似度，有唯一相似度最大值，则认为该预测子模型表现突出；否则，比较概率，有唯一概率最大值，则认为该预测子模型表现突出；否则，比较e值，e值最小，认为该预测子模型表现突出，若e值最小且存在相等情况，则任一均可。

在本实施例中，假设客户C；理财产品II；购买金额y；预测购买金额

则客户特征值设为x₁，x₂，x₃，.....x_m；

客户C_i＝(x_i1，x_i2，x_i3，.....x_im，y_i)；

训练数据Train＝{C₁，C₂，C₃，C_m，.....C_n}^T，；(y＞0；n＞＞m)；

测试数据Test＝{C′₁，C′₂，C′₃，.....C′_n}^T；

X_i＝(x_i1，x_i2，x_i3，…x_im)；C_i＝(X_i，y)；Y＝(y₁，y₂，y₃，...y_n)^T；

W＝(w₁，w₂，w₃，…w_m)；w₁+w₂+w₃+…+w_m＝1；

如图2所示，步骤S1中在数据库取部分有销售记录的数据。

取数时，购买金额必须大于0，即有产品销售记录的；取数的数据量要远远大于关键特征m的数量；步骤S2数据预处理过程；

图3表示了数据预处理过程，其包括客户特征筛选、数据清洗和数据治理过程，最终输出符合要求的数据作为训练数据。

训练数据Train＝{C₁，C₂，C₃，C_m，.....C_n}^T，训练数据的特征和购买金额构成矩阵。

如图2所示，S3理财产品各子模型训练，进行分布式计算，理财产品的各个子模型单独进行分布式计算子模型训练过程是通过不断调整各特征权重使得预测值不断逼近真实值的过程，其包括数学模型、比较器、触发器、权重调配和输出子模型；构成完整的迭代优化过程，其中核心部分是数学模型；

如图4表示一个子模型的训练过程，其中S31)数学模型不妨设子模型1，核心数学模型是多元非线性回归模型：

(C为常数)，max{i，j，k...}＝3

子模型2，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，i≤2。

子模型3，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，

其中S32)比较器部分：比较器是一个衡量预测值和真实购买金额y之间误差程度的函数：

其中S33)触发器部分：触发器的作用是人工设置一个参数α，当e≤α，停止迭代输出当前数学模型为子模型；当e＞α，调整权重，不断进行迭代直到符合要求。

其中S34)权重调配过程：权重调配的作用是通过调节权重来控制预测值，使其不断逼近真实值；权重调配方法使用考梯度下降法；

其中S35)获得预测子模型部分：三个子模型训练同时进行，当各自满足触发条件，则输出当前的三个子模型称为预测子模型。

如图2所示，S4)各子模型进行比较，表现突出者作为对应产品的预测模型输出，其余模型舍弃；

如图5所示，该步骤是将子模型训练过程获得的三个预测子模型进行比较，表现突出者作为该产品此次机器学习的最终输出模型，用于测试数据测试，甚至作为最终的全量数据预测模型，其他子模型舍弃。模型比较从三个维度进行比较。

其一：预测值与实际值之间余弦相似度(方向一致性)

(j＝1，2，3表示子模型)

其二：预测值等于实际值的概率(满足概率最大)

其三：误差函数e值(值上的相近性)

三种维度的考量优先顺序为相似度＞概率＞e值，算法设计为：首先比较相似度，有唯一相似度最大值，则认为该预测子模型表现突出；否则，比较概率，有唯一概率最大值，则认为该预测子模型表现突出；否则，比较e值，e值最小，认为该预测子模型表现突出(若e值最小且存在相等情况，则任一均可。

如图2所示，S5)从数据库另取同等规模的数据，作为测试数据，对模型进行测试；从数据库中另取和训练数据同等规模的有销售数据的数据，进行S2)操作，获得测试数据Test＝{C′₁，C′₂，C′₃，.....C′_n}^T；将测试数据导入该产品预测模型，进行运算。

由S6)判断测试结果是否表现突出，使用模型比较过程衡量是否突出；

使用相似度、概率和e值衡量来进行衡量，若测试数据的输出在相似度、概率以及e值上的表现和训练数据的最终表现符合预期，则认为该预测模型表现突出，可作为全量数据的预测模型。否则，增加训练数据量重新机器学习过程即S2、S3、S4步骤。

如图2所示，S7)利用机器学习，对每种产品均建立预测模型，最终构建出银行所有产品的预测模块。

步骤S1、S2、S3、S4、S5、S6是通过机器学习对一个理财产品建立预测模型的全过程，S7步骤是通过前6个步骤利用分布式计算对银行的每一个产品都建立相应的预测模型，最终构建出银行所有产品的预测模块(如图6所示)

如图2所示，S8)从数据库取全量数据，启动预测模块；

从数据库取全量数据，进行S2操作，然后启动预测模块。

如图2所示，S9)获得客户×产品预测推荐矩阵；

经过S9)后，产生客户×产品预测推荐矩阵，该矩阵一方面可获得产品的潜在客户名单，另一方面可获得客户推荐的产品列表。

如下表，横轴用于给客户推荐产品，纵轴用于给出产品的潜在客户名单。

	I<sub>1</sub>	I<sub>2</sub>	I<sub>4</sub>	I<sub>5</sub>	…
						C<sub>1</sub>	y<sub>11</sub>	y<sub>12</sub>	y<sub>13</sub>	y<sub>14</sub>	…
C<sub>2</sub>	y<sub>21</sub>	y<sub>22</sub>	y<sub>23</sub>	y<sub>24</sub>	…
						C<sub>3</sub>	y<sub>31</sub>	y<sub>32</sub>	y<sub>33</sub>	y<sub>34</sub>	…
C<sub>4</sub>	y<sub>41</sub>	y<sub>42</sub>	y<sub>43</sub>	y<sub>44</sub>	…
						…	…	…	…	…	…
C<sub>n</sub>	y<sub>n1</sub>	y<sub>n2</sub>	y<sub>n3</sub>	y<sub>n4</sub>	…

如图2所示，S10)根据预测推荐矩阵进行营销，并将营销结果返回数据库，启动机器学习模块，优化修正，根据S9步骤的客户×产品预测推荐矩阵，进行精准营销和产品推荐，将营销结果返回数据库，并启动机器学习模块，可优化修正模型，使得预测模块表现越来越优秀。

在本实施例中所述的机器学习是指步骤S3、S4、S5、S6的一个学习过程。

Claims (3)

1.一种挖掘潜在客户的数学模型，其特征在于，预先定义客户C，产品I，购买金额y，预测购买金额其主要包括以下步骤：

S1)数据库取数，通过在银行存量客户的信息汇总的数据库中读取客户信息数据；

S2)数据预处理过程，所述数据预处理过程，其包括客户特征筛选、数据清洗和数据治理过程，最终输出符合要求的数据作为训练数据；训练数据Train＝{C₁，C₂，C₃，C_m，.....C_n}^T，训练数据的特征和购买金额构成矩阵；

S3)理财产品的各个子模型单独进行分布式计算；

S4)各子模型进行比较，表现突出者作为对应产品的预测模型输出，用于测试数据测试，并作为最终的全量数据预测模型，其他子模型舍弃；

S5)从数据库中另取和训练数据同等规模的有销售数据的数据，进行步骤S2操作，获得测试数据Test＝{C′₁，C′₂，C′₃，.....C′_n}^T；将测试数据导入该产品预测模型，进行运算；

S6)通过判断测试结果是否表现突出，使用模型比较过程衡量是否突出；使用相似度、概率和衡量预测购买金额和真实购买金额y之间误差程度的函数e值来进行衡量，若测试数据的输出在相似度、概率以及e值上的表现和训练数据的最终表现符合预期，则认为该预测模型表现突出，作为全量数据的预测模型；否则，增加训练数据量重新返回步骤S2、S3、S4；

S7)对每种产品均建立预测模型，最终构建出银行所有产品的预测模块；

S8)从数据库取全量数据，进行S2操作，然后启动预测模块；

S9)获得客户C×产品预测推荐矩阵，该矩阵一方面获得产品的潜在客户名单，另一方面获得客户推荐的产品列表；

S10)根据预测推荐矩阵进行营销，并将营销结果返回数据库，启动机器学习模块，优化修正；

其中，所述客户特征筛选中并赋予初始权重包括以下步骤：

S211)根据客户特征体系建立备选特征池构成长清单；

S212)根据长清单编写问卷调查表；

S213)将问卷调查表分别发送给银行理财方面的专家以及销售人员进行调查并进行补充；

S214)将调查结果汇总取并集，获得关键特征组记为C＝{x₁，x₂，x₃，.....x_m}；

S215)对特征组分配权重记为W＝(w₁，w₂，w₃，.....w_m)；

且∑_w＝1，作为数学模型初次迭代的初始权重；

S216)确定最终关键特征m个；

所述购买金额y和预测购买金额之间误差程度的函数：

2.根据根据权利要求1所述的一种挖掘潜在客户的数学模型，其特征在于，步骤S3中，理财产品的各个子模型单独进行分布式计算子模型训练过程是通过不断调整各特征权重使得预测值不断逼近真实值的过程，其包括数学模型、比较器、触发器、权重调配和输出子模型；具体步骤如下：包括数学模型、比较器、触发器、权重调配和获得预测子模型，构成完整的迭代优化过程，其中核心部分是数学模型：

S31)数学模型中设置多个模型：

子模型1，核心数学模型是多元非线性回归模型：

(C为常数)；

且max{i，j，k，...}＝3；

子模型2，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，i≤2；

子模型3，核心数学模型是：

z＝w₁x₁+w₂x₂+w₃x₃+…+w_mx_m，

S32)比较器部分：比较器是一个衡量预测值和真实购买金额y之间误差程度的函数：

S33)触发器部分：触发器的作用是人工设置一个参数α，当e≤α，停止迭代输出当前数学模型为子模型；当e＞α，调整权重，不断进行迭代直到符合要求；

S34)权重调配过程：权重调配的作用是通过调节权重来控制预测值，使其不断逼近真实值；权重调配方法使用考梯度下降法；

S35)获得预测子模型部分：三个子模型训练同时进行，当各自满足触发条件，则输出当前的三个子模型称为预测子模型。

3.根据权利要求2所述的一种挖掘潜在客户的数学模型，其特征在于，将子模型训练过程获得的三个预测子模型进行比较，表现突出者作为该产品此次机器学习的最终输出模型，用于测试数据测试，作为最终的全量数据预测模型，其他子模型舍弃，模型比较从三个维度进行比较，

其一：预测值与实际值之间余弦相似度：

(j＝1，2，3表示子模型)

其二：预测值等于实际值的概率：

其三：误差函数e值；

其中，三种维度的考量优先顺序为相似度＞概率＞e值，算法设计为：首先比较相似度，有唯一相似度最大值，则认为该预测子模型表现突出；否则，比较概率，有唯一概率最大值，则认为该预测子模型表现突出；否则，比较e值，e值最小，认为该预测子模型表现突出，若e值最小且存在相等情况，则任一均可。