CN109272397A - 一种基于层次分析的个人评分方法 - Google Patents
一种基于层次分析的个人评分方法 Download PDFInfo
- Publication number
- CN109272397A CN109272397A CN201811052790.2A CN201811052790A CN109272397A CN 109272397 A CN109272397 A CN 109272397A CN 201811052790 A CN201811052790 A CN 201811052790A CN 109272397 A CN109272397 A CN 109272397A
- Authority
- CN
- China
- Prior art keywords
- score
- sub
- rule layer
- weight
- follows
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 63
- 230000000694 effects Effects 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 53
- 230000006855 networking Effects 0.000 claims description 27
- 238000004335 scaling law Methods 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 2
- 210000003462 vein Anatomy 0.000 claims description 2
- 238000013278 delphi method Methods 0.000 description 29
- 230000000052 comparative effect Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于层次分析的个人评分方法,(1)首先需要构建层次结构模型,所述层次结构模型包括目标层、准则层和子准则层,其中,所述准则层包括个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E,(2)然后进行处理得到子准则层的权重向量,(3)再利用子准则层各因素的权重乘以其对应的分数,然后相加,得到准则层各因素的分数,(4)再采用层次分析法对准则层的各因素进行处理,得到准则层各因素的权重;(5)将准则层各因素的评分乘以对应的权重,然后相加,得到目标层,即个人评分结果。
Description
技术领域
本发明涉及个人评分,具体涉及个人评分方法,特别地涉及一种个人评分方法。
背景技术
通常来讲,数据分析建模的目的是将来源于不同渠道不同种类的数据经过数据归纳、分析、应用技术,尽可能的挖掘出数据的潜在使用价值或转换数据的使用与呈现方式。从而提高数据的使用价值,改善数据使用单一的方式,为后续的使用和修正提供方便。
对于个人评分,为了获得一个更为准确的评分,通常希望使用更多维度的数据,且越详细越好。然而,由于客观原因的限制,这样的数据维度是很难实现的。但是关于某个细分类的数据是容易获得的,通过特定的算法与建模将这些数据融合,就可以产生个人评分模型。这些评分可以在消费、信贷、金融等领域提供有价值的参考。
因此,亟需一种相对准确的个人评分方法,进行个人评分。
发明内容
为了克服上述问题,本发明人进行了锐意研究,利用层次分析法,实现了个人评分,并且,得到的评分准确率较高,可以为消费、信贷、金融等领域提供有价值的参考,从而完成本发明。
本发明一方面提供了一种基于层次分析的个人评分方法,具体体现在以下方面:
(1)一种基于层次分析的个人评分方法,所述方法包括以下步骤:
步骤1、构建层次结构模型,其中,所述层次结构模型包括目标层、准则层和子准则层;
所述准则层包括个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E;
步骤2、采用层次分析法分别对个人基本信息A的子准则层、金融活动B的子准则层、人脉关系C的子准则层和消费能力D的子准则层进行处理,得到个人基本信息A的子准则层的权重向量、金融活动B的子准则层的权重向量、人脉关系C的子准则层的权重向量和消费能力D的子准则层的权重向量;
步骤3、将步骤2得到的子准则层各因素的权重乘以其对应的分数,然后相加,得到准则层各因素的分数,即分别得到个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的分数;
步骤4、采用层次分析法对准则层的各因素进行处理,得到准则层各因素的权重;
步骤5、将步骤3得到的准则层各因素的评分乘以对应的权重,然后相加,得到目标层,即个人评分结果。
(2)根据上述(1)所述的方法,其中,在步骤1中,
所述个人基本信息A的子准则层包括用户星级A、入网月数A、位置变动频次A和主叫次数A;
所述金融活动B的子准则层包括银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B;
所述人脉关系C的子准则层包括用户星级C、六个月平均付费C、联系人个数C和手机价格C;
所述消费能力D的子准则层包括用户星级D、六个月平均付费D和手机价格D;
所述位置属性E的子准则层包括小区楼盘价位E、商业区楼盘价位E和地区来往频次E。
(3)根据上述(1)或(2)所述的方法,其中,步骤2包括以下子步骤:
步骤2-1、对个人基本信息A的子准则层进行层次分析处理,得到个人基本信息A的子准则层的权重向量(WA)以及最大特征值(λA max);
步骤2-2、对金融活动B的子准则层进行层次分析处理,得到金融活动B的子准则层的权重向量(WB)以及最大特征值(λB max);
步骤2-3、对人脉关系C的子准则层进行层次分析处理,得到人脉关系C的子准则层的权重向量(WC)以及最大特征值(λC max);
步骤2-4、对消费能力D的子准则层进行层次分析处理,得到消费能力D的子准则层的权重向量(WD)以及最大特征值(λD max);
步骤2-5、对位置属性E的子准则层进行层次分析处理,得到位置属性E的子准则层的权重向量(WE)以及最大特征值(λE max)。
(4)根据上述(1)至(3)之一所述的方法,其中,
在对个人基本信息A的子准则层进行层次分析处理时,构建的个人基本信息A的子准则层的两两对称矩阵如下:
优选地,对个人基本信息A的子准则层进行层次分析处理后得到的权重向量为:WA=(0.0714、0.2143、0.4281、0.2861)T;
和/或
在对金融活动B的子准则层进行层次分析处理时,构建的金融活动B的子准则层的两两对称矩阵如下:
优选地,对金融活动B的子准则层进行层次分析处理后得到的权重向量为:WB=(0.0622、0.1835、0.4432、0.3111)T;
和/或
在对人脉关系C的子准则层进行层次分析处理时,构建的人脉关系C的子准则层的两两对称矩阵如下:
优选地,对人脉关系C的子准则层进行层次分析处理后得到的权重向量为:WC=(0.0588、0.2941、0.3529、0.2942)T;
和/或
在对消费能力D的子准则层进行层次分析处理时,构建的消费能力D的子准则层的两两对称矩阵如下:
优选地,对消费能力D的子准则层进行层次分析处理后得到的权重向量为:WD=(0.0833、0.5834、0.3333)T;
和/或
在对位置属性E的子准则层进行层次分析处理时,构建的位置属性E的子准则层的两两对称矩阵如下:
优选地,对位置属性E的子准则层进行层次分析处理后得到的权重向量为:WE=(0.0833、0.5834、0.3333)T。
(5)根据上述(1)至(4)之一所述的方法,其中,
个人基本信息A的分数如下获得:A=用户星级A的分数*用户星级A的权重+入网月数A的分数*入网月数A的权重+位置变动频次A的权重*位置变动频次A的分数+主叫次数A的权重*主叫次数A的分数;
优选地,个人基本信息A的分数如下获得:A=用户星级A的分数*0.0715+入网月数A的分数*0.2143+位置变动频次A的分数*0.4281+主叫次数A的分数*0.2861。
(6)根据上述(1)至(5)之一所述的方法,其中,
金融活动B的分数如下获得:B=银行访问次数B的分数*银行访问次数B的权重+基金访问次数B的分数*基金访问次数B的权重+券商访问次数B的分数*券商访问次数B的权重+其它金融项目访问次数B的分数*其它金融项目访问次数B的权重;
优选地,金融活动B的分数如下获得:B=银行访问次数B的分数*0.0622+基金访问次数B的分数*0.1835+券商访问次数B的分数*0.4432+其它金融项目访问次数B的分数*0.3111。
(7)根据上述(1)至(6)之一所述的方法,其中,
人脉关系C的分数如下获得:C=用户星级C的分数*用户星级C的权重+六个月平均付费C的分数*六个月平均付费C的权重+联系人个数C的分数*联系人个数C的权重+手机价格C的分数*手机价格C的权重。
人脉关系C的分数如下获得:C=用户星级C的分数*0.0588+六个月平均付费C的分数*0.2941+联系人个数C的分数*0.3529+手机价格C的分数*0.2942。
(8)根据上述(1)至(7)之一所述的方法,其中,
消费能力D的分数如下获得:D=用户星级D的分数*用户星级D的权重+六个月平均付费D的分数*六个月平均付费D的权重+手机价格D的分数*手机价格D的权重。
优选地,消费能力D的分数如下获得:D=用户星级D的分数*0.0833+六个月平均付费D的分数*0.5834+手机价格D的分数*0.3333。
(9)根据上述(1)至(8)之一所述的方法,其中,
位置属性E的分数如下获得:E=小区楼盘价位E的分数*小区楼盘价位E的权重+商业区楼盘价位E的分数*商业区楼盘价位E的权重+地区来往频次E的分数*地区来往频次E的权重;
优选地,位置属性E的分数如下获得:E=小区楼盘价位E的分数*0.0833+商业区楼盘价位E的分数*0.5834+地区来往频次E的分数*0.3333。
(10)根据上述(1)至(9)之一所述的方法,其中,步骤4包括以下子步骤:
步骤4-1、采用1-9标度法构建个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的两两比较矩阵;
步骤4-2、对构建的两两比较矩阵进行处理,得到权重向量(W)以及最大特征值(λmax);
步骤4-3、进行一致性检验;
优选地,在步骤4-1中,构建的两两比较矩阵如下:
优选地,在步骤4-2中,得到的准则层的权重向量为(0.0567、0.3378、0.2312、0.1303、0.2440)T。
附图说明
图1示出本发明所述方法的层次结构模型。
具体实施方式
下面通过附图对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
本发明一方面提供了一种基于层次分析的个人评分方法,所述方法包括以下步骤:
步骤1、构建层次结构模型。
根据本发明一种优选的实施方式,如图1所示,所述层次结构模型包括目标层、准则层和子准则层。
其中,所述目标层即为个人评分结果,其由多个因素决定,所述多个因素即形成所述准则层;同样,所述准则层中的每个因素又由多个其它因素决定,而所述多个其它因素形成子准则层。这样,将有关的各个因素按照不同属性自上而下(自目标层至子准则层)地分解成若干层次,同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用。
在进一步优选的实施方式中,所述准则层包括个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E。
其中,通过德尔菲法,筛选出个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E这5项变量。
在更进一步优选的实施方式中:
(1)所述个人基本信息A的子准则层包括用户星级A、入网月数A、位置变动频次A和主叫次数A;
其中,所述用户星级A是对在网用户的网龄长、消费稳定、无欠费的一种综合评价,所述入网月数A是指该用户的手机号已使用的月数,所述位置变动频次A是指在不同位置间切换的频率,所述主叫次数A是指该用户手机号打电话的次数。其中,用户星级A、入网月数A、位置变动频次A和主叫次数A这4个变量是通过德尔菲法筛选的;
(2)所述金融活动B的子准则层包括银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B;
其中,银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B这4项变量是通过德尔菲法筛选出的;
(3)所述人脉关系C的子准则层包括用户星级C、六个月平均付费C、联系人个数C和手机价格C;
其中,所述用户星级C是对在网用户的网龄长、消费稳定、无欠费的一种综合评价,所述六个月平均付费C是指六个月的平均消费,所述联系人个数C是指联系人数量,所述手机价格C是指手机价格,其中,用户星级C、六个月平均付费C、联系人个数C和手机价格C这4项变量是通过德尔菲法筛选出的;
(4)所述消费能力D的子准则层包括用户星级D、六个月平均付费D和手机价格D;
其中,所述用户星级D是对在网用户的网龄长、消费稳定、无欠费的一种综合评价),所述六个月平均付费C是指六个月的平均消费,所述手机价格C是指手机的价格,其中,用户星级D、六个月平均付费D和手机价格D这3个变量是通过德尔菲法筛选出的;
(5)所述位置属性E的子准则层包括小区楼盘价位E、商业区楼盘价位E和地区来往频次E;
其中,所述小区楼盘价位E是指小区每平方均价,所述商业区楼盘价位E是指商业地区每平方均价,所述地区来往频次E是指再不同位置间切换的频率,其中,小区楼盘价位E、商业区楼盘价位E和地区来往频次E这3个变量是通过德尔菲法筛选出的。
步骤2、采用层次分析法分别对个人基本信息A的子准则层、金融活动B的子准则层、人脉关系C的子准则层和消费能力D的子准则层进行处理,得到个人基本信息A的子准则层的权重向量、金融活动B的子准则层的权重向量、人脉关系C的子准则层的权重向量和消费能力D的子准则层的权重向量。
根据本发明一种优选的实施方式,步骤2包括以下子步骤:
步骤2-1、对个人基本信息A的子准则层进行层次分析处理,得到个人基本信息A的子准则层的权重向量(WA)以及最大特征值(λA max);
其中,所述个人基本信息A的子准则层包括用户星级A、入网月数A、位置变动频次A和主叫次数A,即,在步骤2-1中,对用户星级A、入网月数A、位置变动频次A和主叫次数A各因素进行层次分析,得到每个因素对应的权重向量(WA)以及最大特征值(λA max);
步骤2-2、对金融活动B的子准则层进行层次分析处理,得到金融活动B的子准则层的权重向量(WB)以及最大特征值(λB max);
其中,所述金融活动B的子准则层包括银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B,即,在步骤2-2中,对银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B各因素进行层次分析,得到各因素对应的权重向量(WB)以及最大特征值(λB max);
步骤2-3、对人脉关系C的子准则层进行层次分析处理,得到人脉关系C的子准则层的权重向量(WC)以及最大特征值(λC max);
其中,所述人脉关系C的子准则层包括用户星级C、六个月平均付费C、联系人个数C和手机价格C,即,在步骤2-3中,对用户星级C、六个月平均付费C、联系人个数C和手机价格C各因素进行层次分析,得到各因素对应的权重向量(WC)以及最大特征值(λC max);
步骤2-4、对消费能力D的子准则层进行层次分析处理,得到消费能力D的子准则层的权重向量(WD)以及最大特征值(λD max);
其中,所述消费能力D的子准则层包括用户星级D、六个月平均付费D和手机价格D,即,在步骤2-4中,对用户星级D、六个月平均付费D和手机价格D各因素进行层次分析,得到各因素对应的权重向量(WD)以及最大特征值(λD max);
步骤2-5、对位置属性E的子准则层进行层次分析处理,得到位置属性E的子准则层的权重向量(WE)以及最大特征值(λE max);
其中,所述位置属性E的子准则层包括小区楼盘价位E、商业区楼盘价位E和地区来往频次E,即,在步骤2-5中,对小区楼盘价位E、商业区楼盘价位E和地区来往频次E各因素进行层次分析,得到各因素对应的权重向量(WE)以及最大特征值(λE max)。
在进一步优选的实施方式中,在步骤2-1至步骤2-5中,所述的层次分析处理均如下进行:
步骤a、采用1-9标度法构建两两比较矩阵;
其中,所述两两对称矩阵可以表示如下:U=(uij)n*n,其中,n表述矩阵的阶数,uij表示因素i对因素j的相对重要性。
步骤b、对构建的两两比较矩阵进行处理,得到权重向量(W)以及最大特征值(λmax);
其中,在步骤b中,权重向量(W)以及最大特征值(λmax)的获得采用现有技术公开的方法得到,例如,先求两两对称矩阵每一行元素乘积的n次方根,对得到的n次方根作归一化处理,得到相对权重W;
步骤c、进行一致性检验;
其中,步骤c采用现有技术公开的方法进行,优选如下:先获得一致性指标CI,然后查表得到RI值,最后计算一致性比率CR,CR=CI/RI,其中,当CR≤0.1时,认为判断矩阵具有满意的一致性,否则就修正判断矩阵,直到取得符合一致性要求的值为止。
根据本发明一种优选的实施方式,在对个人基本信息A的子准则层进行层次分析处理时,构建的个人基本信息A的子准则层的两两对称矩阵如下:
其中,发明人经过大量数据分析与测试后得到个人基本信息A中用户星级A、入网月数A、位置变动频次A和主叫次数A的相对重要性,形成个人基本信息A的子准则层的两两对称矩阵。其中,通过德尔菲法,设置出该矩阵。
在进一步优选的实施方式中,对个人基本信息A的子准则层进行层次分析处理后得到的权重向量为:WA=(0.0714、0.2143、0.4281、0.2861)T。
其中,经过层次分析后,个人基本信息A的子准则层中,用户星级A、入网月数A、位置变动频次A和主叫次数A的权重依次为0.0714、0.2143、0.4281和0.2861。
根据本发明一种优选的实施方式,在对金融活动B的子准则层进行层次分析处理时,构建的金融活动B的子准则层的两两对称矩阵如下:
其中,发明人经过大量数据分析与测试后得到金融活动B中银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B的相对重要性,形成金融活动B的子准则层的两两对称矩阵。其中,通过德尔菲法,设置出该矩阵。
在进一步优选的实施方式中,对金融活动B的子准则层进行层次分析处理后得到的权重向量为:WB=(0.0622、0.1835、0.4432、0.3111)T。
其中,经过层次分析后,金融活动B的子准则层中,银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B的权重依次为0.0622、0.1835、0.4432、0.3111。
根据本发明一种优选的实施方式,在对人脉关系C的子准则层进行层次分析处理时,构建的人脉关系C的子准则层的两两对称矩阵如下:
其中,发明人经过大量数据分析与测试后得到人脉关系C中用户星级C、六个月平均付费C、联系人个数C和手机价格C的相对重要性,形成人脉关系C的子准则层的两两对称矩阵。其中,通过德尔菲法,设置出该矩阵。
在进一步优选的实施方式中,对人脉关系C的子准则层进行层次分析处理后得到的权重向量为:WC=(0.0588、0.2941、0.3529、0.2942)T。
其中,经过层次分析后,人脉关系C的子准则层中,用户星级C、六个月平均付费C、联系人个数C和手机价格C的权重依次为0.0588、0.2941、0.3529、0.2942。
根据本发明一种优选的实施方式,在对消费能力D的子准则层进行层次分析处理时,构建的消费能力D的子准则层的两两对称矩阵如下:
其中,发明人经过大量数据分析与测试后得到消费能力D中用户星级D、六个月平均付费D和手机价格D的相对重要性,形成消费能力D的子准则层的两两对称矩阵。其中,通过德尔菲法,设置出该矩阵。
在进一步优选的实施方式中,对消费能力D的子准则层进行层次分析处理后得到的权重向量为:WD=(0.0833、0.5834、0.3333)T。
其中,经过层次分析后,消费能力D的子准则层中,用户星级D、六个月平均付费D和手机价格D的权重依次为0.0833、0.5834、0.3333。
根据本发明一种优选的实施方式,在对位置属性E的子准则层进行层次分析处理时,构建的位置属性E的子准则层的两两对称矩阵如下:
其中,发明人经过大量数据分析与测试后得到位置属性E中小区楼盘价位E、商业区楼盘价位E和地区来往频次E的相对重要性,形成位置属性E的子准则层的两两对称矩阵。其中,通过德尔菲法,设置出该矩阵。
在进一步优选的实施方式中,对位置属性E的子准则层进行层次分析处理后得到的权重向量为:WE=(0.0833、0.5834、0.3333)T。
其中,经过层次分析后,位置属性E的子准则层中,小区楼盘价位E、商业区楼盘价位E和地区来往频次E的权重依次为0.1111、0.3333、0.5556。
步骤3、将步骤2得到的子准则层各因素的权重乘以其对应的分数,然后相加,得到准则层各因素的分数,即分别得到个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的分数。
根据本发明一种优选的实施方式,在个人基本信息A的子准则层中:
当用户星级A为0时,对应分数为30,
当用户星级A为1时,对应分数为50,
当用户星级A为2时,对应分数为55,
当用户星级A为3时,对应分数为65,
当用户星级A为4时,对应分数为70,
当用户星级A为5时,对应分数为75,
当用户星级A为6时,对应分数为80,
当用户星级A为7时,对应分数为85,
当用户星级A为8时,对应分数为90,
当用户星级A为9时,对应分数为95,
当用户星级A为10时,对应分数为98,
当用户星级A为11时,对应分数为100。
其中,通过德尔菲法,对用户星级A进行评分。
在进一步优选的实施方式中,在个人基本信息A的子准则层中:
当入网月数A小于等于0时,对应分数为0,
当入网月数A大于0、小于等于15时,对应分数为30,
当入网月数A大于15、小于等于20时,对应分数为50,
当入网月数A大于20、小于等于26时,对应分数为55,
当入网月数A大于26、小于等于46时,对应分数为65,
当入网月数A大于46、小于等于60时,对应分数为70,
当入网月数A大于60、小于等于86时,对应分数为75,
当入网月数大于86时,对应分数为98。
其中,通过德尔菲法,对入网月数A进行评分。
在更进一步优选的实施方式中,在个人基本信息A的子准则层中:
当位置变动频次A小于等于1时,对应的分数为0,
当位置变动频次A大于1、小于等于2时,对应的分数为23,
当位置变动频次A大于2、小于等于3时,对应的分数为40,
当位置变动频次A大于3、小于等于4时,对应的分数为53,
当位置变动频次A大于4、小于等于5时,对应的分数为66,
当位置变动频次A大于5、小于等于6时,对应的分数为83,
当位置变动频次A大于6时,对应的分数为100。
其中,通过德尔菲法,对位置变动频次A进行评分。
在更进一步优选的实施方式中,在个人基本信息A的子准则层中:
当主叫次数A为0时,对应的分数为0分,
当主叫次数A大于0、小于等于150时,对应的分数为12分,
当主叫次数A大于150、小于等于200时,对应的分数为24分,
当主叫次数A大于200、小于等于260时,对应的分数为34分,
当主叫次数A大于260、小于等于360时,对应的分数为44分,
当主叫次数A大于360、小于等于460时,对应的分数为54分,
当主叫次数A大于460、小于等于560时,对应的分数为62分,
当主叫次数A大于560时,对应的分数为72分。
其中,通过德尔菲法,对主叫次数A进行评分。
根据本发明一种优选的实施方式,个人基本信息A的分数如下获得:A=用户星级A的分数*用户星级A的权重+入网月数A的分数*入网月数A的权重+位置变动频次A的权重*位置变动频次A的分数+主叫次数A的权重*主叫次数A的分数。
在进一步优选的实施方式中,个人基本信息A的分数如下获得:A=用户星级A的分数*0.0715+入网月数A的分数*0.2143+位置变动频次A的分数*0.4281+主叫次数A的分数*0.2861。
根据本发明一种优选的实施方式,在金融活动B的子准则层中:
当银行访问次数B为0时,对应的分数为0,
当银行访问次数B大于等于1、小于5时,对应的分数为20,
当银行访问次数B大于等于5、小于10时,对应的分数为35,
当银行访问次数B大于等于10、小于15时,对应的分数为50,
当银行访问次数B大于等于15、小于20时,对应的分数为65,
当银行访问次数B大于等于20、小于25时,对应的分数为75,
当银行访问次数B大于等于25、小于30时,对应的分数为85,
当银行访问次数B大于等于30时,对应的分数为98。
其中,通过德尔菲法,对银行访问次数B进行评分。
在进一步优选的实施方式中,在金融活动B的子准则层中:
当基金访问次数B为0时,对应的分数为0,
当基金访问次数B大于等于1、小于5时,对应的分数为30,
当基金访问次数B大于等于5、小于15时,对应的分数为50,
当基金访问次数B大于等于15、小于25时,对应的分数为55,
当基金访问次数B大于等于25、小于35时,对应的分数为65,
当基金访问次数B大于等于35、小于50时,对应的分数为70,
当基金访问次数B大于等于50、小于65时,对应的分数为75,
当基金访问次数B大于等于65时,对应的分数为98。
其中,通过德尔菲法,对基金访问次数B进行评分。
在更进一步优选的实施方式中,在金融活动B的子准则层中:
当券商访问次数B为0时,对应的分数为0,
当券商访问次数B大于等于1、小于10时,对应的分数为20,
当券商访问次数B大于等于10、小于20时,对应的分数为38,
当券商访问次数B大于等于20、小于35时,对应的分数为50,
当券商访问次数B大于等于35、小于50时,对应的分数为62,
当券商访问次数B大于等于50、小于70时,对应的分数为76,
当券商访问次数B大于等于70、小于90时,对应的分数为83,
当券商访问次数B大于等于90时,对应的分数为98。
其中,通过德尔菲法,对券商访问次数B进行评分。
在更进一步优选的实施方式中,在金融活动B的子准则层中:
当其它金融项目访问次数B为0时,对应的分数为0,
当其它金融项目访问次数B大于等于1、小于5时,对应的分数为20,
当其它金融项目访问次数B大于等于5、小于10时,对应的分数为35,
当其它金融项目访问次数B大于等于10、小于15时,对应的分数为40,
当其它金融项目访问次数B大于等于15、小于20时,对应的分数为45,
当其它金融项目访问次数B大于等于20、小于25时,对应的分数为50,
当其它金融项目访问次数B大于等于25、小于30时,对应的分数为55,
当其它金融项目访问次数B大于等于30时,对应的分数为60。
其中,通过德尔菲法,对其它金融项目访问次数B进行评分。
根据本发明一种优选的实施方式,金融活动B的分数如下获得:B=银行访问次数B的分数*银行访问次数B的权重+基金访问次数B的分数*基金访问次数B的权重+券商访问次数B的分数*券商访问次数B的权重+其它金融项目访问次数B的分数*其它金融项目访问次数B的权重。
在进一步优选的实施方式中,金融活动B的分数如下获得:B=银行访问次数B的分数*0.0622+基金访问次数B的分数*0.1835+券商访问次数B的分数*0.4432+其它金融项目访问次数B的分数*0.3111。
根据本发明一种优选的实施方式,在人脉关系C的子准则层中:
当用户星级C为0时,对应分数为30,
当用户星级C为1时,对应分数为50,
当用户星级C为2时,对应分数为55,
当用户星级C为3时,对应分数为65,
当用户星级C为4时,对应分数为70,
当用户星级C为5时,对应分数为75,
当用户星级C为6时,对应分数为80,
当用户星级C为7时,对应分数为85,
当用户星级C为8时,对应分数为90,
当用户星级C为9时,对应分数为95,
当用户星级C为10时,对应分数为98,
当用户星级C为11时,对应分数为100。
其中,通过德尔菲法,对用户星级C进行评分。
在进一步优选的实施方式中,在人脉关系C的子准则层中:
当六个月平均付费C大于等于20、小于50时,对应的分数为23;
当六个月平均付费C大于等于50、小于80时,对应的分数为40;
当六个月平均付费C大于等于80、小于120时,对应的分数为53;
当六个月平均付费C大于等于120、小于200时,对应的分数为66;
当六个月平均付费C大于等于200、小于400时,对应的分数为83;
当六个月平均付费C大于等于400时,对应的分数为100。
其中,(通过德尔菲法,对六个月平均付费C进行评分。
在更进一步优选的实施方式中,在人脉关系C的子准则层中:
当联系人个数C大于等于0、小于20时,对应的分数为0;
当联系人个数C大于等于20、小于50时,对应的分数为23;
当联系人个数C大于等于50、小于100时,对应的分数为40;
当联系人个数C大于等于100、小于150时,对应的分数为53;
当联系人个数C大于等于150、小于200时,对应的分数为93;
当联系人个数C大于等于200、小于300时,对应的分数为82;
当联系人个数C大于等于300、小于400时,对应的分数为73;
当联系人个数C大于等于400、小于500时,对应的分数为65。
其中,通过德尔菲法,对联系人个数C进行评分。
在更进一步优选的实施方式中,在人脉关系C的子准则层中:
当手机价格C等于0时,对应的分数为0;
当手机价格C大于0、小于等于299时,对应的分数为20;
当手机价格C大于299、小于等于699时,对应的分数为40;
当手机价格C大于699、小于等于1099时,对应的分数为50;
当手机价格C大于1099、小于等于1899时,对应的分数为70;
当手机价格C大于1899、小于等于3299时,对应的分数为80;
当手机价格C大于3299、小于等于4799时,对应的分数为90;
当手机价格C大于4799时,对应的分数为100。
其中,通过德尔菲法,对手机价格C进行评分。
根据本发明一种优选的实施方式,人脉关系C的分数如下获得:C=用户星级C的分数*用户星级C的权重+六个月平均付费C的分数*六个月平均付费C的权重+联系人个数C的分数*联系人个数C的权重+手机价格C的分数*手机价格C的权重。
在进一步优选的实施方式中,人脉关系C的分数如下获得:C=用户星级C的分数*0.0588+六个月平均付费C的分数*0.2941+联系人个数C的分数*0.3529+手机价格C的分数*0.2942。
根据本发明一种优选的实施方式,在消费能力D的子准则层中,
当用户星级D为0时,对应的分数为30,
当用户星级D为1时,对应的分数为50,
当用户星级D为2时,对应的分数为55,
当用户星级D为3时,对应的分数为65,
当用户星级D为4时,对应的分数为70,
当用户星级D为5时,对应的分数为75,
当用户星级D为6时,对应的分数为80,
当用户星级D为7时,对应的分数为85,
当用户星级D为8时,对应的分数为90,
当用户星级D为9时,对应的分数为95,
当用户星级D为10时,对应的分数为98,
当用户星级D为11时,对应的分数为100。
其中,通过德尔菲法,对用户星级D进行评分。
在进一步优选的实施方式中,在消费能力D的子准则层中,
当六个月平均付费D大于0、小于等于20时,对应的分数为0,
当六个月平均付费D大于20、小于等于50时,对应的分数为23,
当六个月平均付费D大于50、小于等于80时,对应的分数为40,
当六个月平均付费D大于80、小于等于120时,对应的分数为53,
当六个月平均付费D大于120、小于等于200时,对应的分数为66,
当六个月平均付费D大于200、小于等于400时,对应的分数为83,
当六个月平均付费D大于400时,对应的分数为100。
其中,通过德尔菲法,对六个月平均付费D进行评分。
在更进一步优选的实施方式中,在消费能力D的子准则层中,
当手机价格D为0时,对应的分数为0,
当手机价格D大于0、小于等于299时,对应的分数为20,
当手机价格D大于299、小于等于699时,对应的分数为40,
当手机价格D大于699、小于等于1099时,对应的分数为50,
当手机价格D大于1099、小于等于1899时,对应的分数为70,
当手机价格D大于1899、小于等于3299时,对应的分数为80,
当手机价格D大于3299、小于等于4799时,对应的分数为90,
当手机价格D大于4799时,对应的分数为100。
其中,通过德尔菲法,对手机价格D进行评分。
根据本发明一种优选的实施方式,消费能力D的分数如下获得:D=用户星级D的分数*用户星级D的权重+六个月平均付费D的分数*六个月平均付费D的权重+手机价格D的分数*手机价格D的权重。
在进一步优选的实施方式中,消费能力D的分数如下获得:D=用户星级D的分数*0.0833+六个月平均付费D的分数*0.5834+手机价格D的分数*0.3333。
根据本发明一种优选的实施方式,在位置属性E的子准则层中,
当小区楼盘价位E小于等于10000元/米2时,对应的分数为4,
当小区楼盘价位E大于10000元/米2、小于等于25000元/米2时,对应的分数为5,
当小区楼盘价位E大于25000元/米2、小于等于40000元/米2时,对应的分数为6,
当小区楼盘价位E大于40000元/米2、小于等于55000元/米2时,对应的分数为7,
当小区楼盘价位E大于55000元/米2、小于等于70000元/米2时,对应的分数为8,
当小区楼盘价位E大于70000元/米2时,对应的分数为10。
其中,通过德尔菲法,对小区楼盘价位E进行评分。
在进一步优选的实施方式中,在位置属性E的子准则层中,
当商业区楼盘价位E小于等于40000元/米2时,对应的分数为4,
当商业区楼盘价位E大于40000元/米2、小于等于60000元/米2时,对应的分数为5,
当商业区楼盘价位E大于60000元/米2、小于等于80000元/米2时,对应的分数为6,
当商业区楼盘价位E大于80000元/米2、小于等于100000元/米2时,对应的分数为7,
当商业区楼盘价位E大于100000元/米2、小于等于150000元/米2时,对应的分数为8,
当商业区楼盘价位E大于150000元/米2时,对应的分数为10。
其中,通过德尔菲法,对商业区楼盘价位E进行评分。
在更进一步优选的实施方式中,在位置属性E的子准则层中,
当地区来往频次E小于25次时,对应的分数为4,
当地区来往频次E大于等于25次、小于75次时,对应的分数为6,
当地区来往频次E大于等于75次、小于125次时,对应的分数为8,
当地区来往频次E大于等于125次、小于175次时,对应的分数为10,
当地区来往频次E大于等于175次、小于225次时,对应的分数为8,
当地区来往频次E大于等于225次时,对应的分数为6。
其中,通过德尔菲法,对地区来往频次E进行评分。
根据本发明一种优选的实施方式,位置属性E的分数如下获得:E=小区楼盘价位E的分数*小区楼盘价位E的权重+商业区楼盘价位E的分数*商业区楼盘价位E的权重+地区来往频次E的分数*地区来往频次E的权重。
在进一步优选的实施方式中,位置属性E的分数如下获得:E=小区楼盘价位E的分数*0.0833+商业区楼盘价位E的分数*0.5834+地区来往频次E的分数*0.3333。
步骤4、采用层次分析法对准则层的各因素进行处理,得到准则层各因素的权重。
根据本发明一种优选的实施方式,步骤4包括以下子步骤:
步骤4-1、采用1-9标度法构建个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的两两比较矩阵;
其中,所述两两对称矩阵可以表示如下:U=(uij)n*n,其中,n表述矩阵的阶数,此处为5阶矩阵,uij表示因素i对因素j的相对重要性。
步骤4-2、对构建的两两比较矩阵进行处理,得到权重向量(W)以及最大特征值(λmax);
其中,在步骤4-2中,权重向量(W)以及最大特征值(λmax)的获得采用现有技术公开的方法得到,例如,先求两两对称矩阵每一行元素乘积的n次方根,对得到的n次方根作归一化处理,得到相对权重W;
步骤4-3、进行一致性检验;
其中,步骤4-3采用现有技术公开的方法进行,优选如下:先获得一致性指标CI,然后查表得到RI值,最后计算一致性比率CR,CR=CI/RI,其中,当CR≤0.1时,认为判断矩阵具有满意的一致性,否则就修正判断矩阵,直到取得符合一致性要求的值为止。
根据本发明一种优选的实施方式,在步骤4-1中,构建的两两比较矩阵如下:
其中,发明人经过大量数据分析与测试后得到个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的相对重要性,形成准则层的两两对称矩阵。其中,通过德尔菲法,设置出该矩阵。
根据本发明一种优选的实施方式,在步骤4-2中,得到的准则层的权重向量为(0.0567、0.3378、0.2312、0.1303、0.2440)T。
步骤5、将步骤3得到的准则层各因素的评分乘以对应的权重,然后相加,得到目标层,即个人评分结果。
根据本发明一种优选的实施方式,在步骤5中,目标层(即个人评分结果)如下获得:个人基本信息A的分数*个人基本信息A的权重+金融活动B的分数*金融活动B的权重+人脉关系C的分数*人脉关系C的权重+消费能力D的分数*消费能力D的权重+位置属性E的分数*位置属性E的权重。
在进一步优选的实施方式中,在步骤5中,目标层(即个人评分结果)如下获得:个人基本信息A的分数*0.0567+金融活动B的分数*0.3378+人脉关系C的分数*0.2312+消费能力D的分数*0.1303+位置属性E的分数*0.2440。
本发明所具有的有益效果包括:
(1)本发明所述方法简单,易于对大量甚至海量的数据进行分析处理;
(2)利用本发明所述方法得到的评分较为准确,可以在消费、信贷、金融等领域提供有价值的参考。
实施例
表1示出了30个用户的基本情况,如下所示:
表1
注:表1中,为保护用户隐私,对真实手机号码进行保护,采用“*”代表手机号码中的省略的数字。
采用本发明所述方法对表1中所示30个用户进行评分,结果如表2所示。
对比例1
重复实施例的过程对表1中所示30个用户进行评分,区别在于:
(1)构建的个人基本信息A的子准则层的两两对称矩阵如下:
得到对个人基本信息A的子准则层进行层次分析处理后得到的权重向量为:
(2)构建的金融活动B的子准则层的两两对称矩阵如下:
得到对金融活动B的子准则层进行层次分析处理后得到的权重向量为:
(3)构建的人脉关系C的子准则层的两两对称矩阵如下:
得到对人脉关系C的子准则层进行层次分析处理后得到的权重向量为:
(4)构建的消费能力D的子准则层的两两对称矩阵如下:
得到对消费能力D的子准则层进行层次分析处理后得到的权重向量为:
(5)构建的位置属性E的子准则层的两两对称矩阵如下:
得到对位置属性E的子准则层进行层次分析处理后得到的权重向量为:
采用对比例1所述方法对表1中所示30个用户进行评分,结果如表2所示。
对比例2
重复实施例的过程对表1中所示30个用户进行评分,区别在于:
在步骤4-1中,构建的两两比较矩阵如下:
准则层的权重向量为:
采用对比例2所述方法对表1中所示30个用户进行评分,结果如表2所示。
对比例3
重复实施例的过程对表1中所示30个用户进行评分,区别在于:
(1)个人基本信息A打分情况
(1.1)用户星级A评分情况如下:
星级 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
分数 | 0 | 15 | 23 | 29 | 35 | 41 | 47 | 53 | 59 | 65 | 70 | 80 |
(1.2)入网月数A打分情况:
月份区间 | <=0 | 0-15 | 15-20 | 20-26 | 26-46 | 46-60 | 60-86 |
分数 | 0 | 10 | 16 | 24 | 29 | 34 | 36 |
(1.3)位置变动频次A打分情况:
变动频次 | <=1 | 1-2 | 2-3 | 3-4 | 4-5 | 5-6 | >6 |
分数 | 0 | 13 | 19 | 25 | 30 | 37 | 42 |
(1.4)主叫次数A打分情况:
(2)金融活动B打分情况
(2.1)银行访问次数B评分情况如下:
(2.2)基金访问次数B评分情况如下:
(2.3)券商访问次数B评分情况如下:
(2.4)其它金融项目访问次数B评分情况如下:
(3)人脉关系C打分情况
(3.1)用户星级C评分情况如下:
星级 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
分数 | 0 | 15 | 23 | 29 | 35 | 41 | 47 | 53 | 59 | 65 | 70 | 80 |
(3.2)六个月平均付费C评分情况如下:
付费额度 | 0-20 | 20-50 | 50-80 | 80-120 | 120-200 | 200-400 | >400 |
分数 | 0 | 13 | 27 | 35 | 48 | 55 | 67 |
(3.3)联系人个数C评分情况如下:
联系人数 | 0-20 | 20-50 | 50-100 | 100-150 | 150-200 | 200-300 | 300-400 | 400-500 |
分数 | 0 | 12 | 25 | 32 | 39 | 45 | 51 | 59 |
(3.4)手机价格C评分情况:
(4)消费能力D打分情况
(4.1)用户星级D评分情况如下:
星级 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
分数 | 0 | 15 | 23 | 29 | 35 | 41 | 47 | 53 | 59 | 65 | 70 | 80 |
(4.2)六个月平均付费D评分情况如下:
(4.3)手机价格D评分情况:
(5)位置属性E打分情况
(5.1)小区楼盘价位E评分情况如下:
(5.2)商业区楼盘价位E评分情况如下:
(5.3)地区来往频次E评分情况:
采用对比例3所述方法对如下表1中所示30个用户的手机号码进行评分,结果如表2所示。
参考例
分别采用本发明所述的方法与对比例1-3的方法对表1中30个用户的手机号码进行评分,结果如表2所示。
表2
选取100名从事该领域研究工作20年以上的专家,通过专家投票的方式对实施例的方法与对比例1-3的方法得到的评分结果进行评估,各个专家通过对30个用户的评分结果的分析,选择各自认可的一种评分方法进行投票,结果发现,针对实施例、对比例1-3的方法的评分结果,专家投票认可比例分别为67%、3%、15%、5%,由此说明,本发明的方法认可度较高。
因此,可以采用本发明所述方法可以对大量甚至海量的数据进行处理,实现个人评分。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (10)
1.一种基于层次分析的个人评分方法,其特征在于,所述方法包括以下步骤:
步骤1、构建层次结构模型,其中,所述层次结构模型包括目标层、准则层和子准则层;
所述准则层包括个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E;
步骤2、采用层次分析法分别对个人基本信息A的子准则层、金融活动B的子准则层、人脉关系C的子准则层和消费能力D的子准则层进行处理,得到个人基本信息A的子准则层的权重向量、金融活动B的子准则层的权重向量、人脉关系C的子准则层的权重向量和消费能力D的子准则层的权重向量;
步骤3、将步骤2得到的子准则层各因素的权重乘以其对应的分数,然后相加,得到准则层各因素的分数,即分别得到个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的分数;
步骤4、采用层次分析法对准则层的各因素进行处理,得到准则层各因素的权重;
步骤5、将步骤3得到的准则层各因素的评分乘以对应的权重,然后相加,得到目标层,即个人评分结果。
2.根据权利要求1所述的方法,其特征在于,在步骤1中,
所述个人基本信息A的子准则层包括用户星级A、入网月数A、位置变动频次A和主叫次数A;
所述金融活动B的子准则层包括银行访问次数B、基金访问次数B、券商访问次数B和其它金融项目访问次数B;
所述人脉关系C的子准则层包括用户星级C、六个月平均付费C、联系人个数C和手机价格C;
所述消费能力D的子准则层包括用户星级D、六个月平均付费D和手机价格D;
所述位置属性E的子准则层包括小区楼盘价位E、商业区楼盘价位E和地区来往频次E。
3.根据权利要求1或2所述的方法,其特征在于,步骤2包括以下子步骤:
步骤2-1、对个人基本信息A的子准则层进行层次分析处理,得到个人基本信息A的子准则层的权重向量(WA)以及最大特征值(λA max);
步骤2-2、对金融活动B的子准则层进行层次分析处理,得到金融活动B的子准则层的权重向量(WB)以及最大特征值(λB max);
步骤2-3、对人脉关系C的子准则层进行层次分析处理,得到人脉关系C的子准则层的权重向量(WC)以及最大特征值(λC max);
步骤2-4、对消费能力D的子准则层进行层次分析处理,得到消费能力D的子准则层的权重向量(WD)以及最大特征值(λD max);
步骤2-5、对位置属性E的子准则层进行层次分析处理,得到位置属性E的子准则层的权重向量(WE)以及最大特征值(λE max)。
4.根据权利要求1至3之一所述的方法,其特征在于,
在对个人基本信息A的子准则层进行层次分析处理时,构建的个人基本信息A的子准则层的两两对称矩阵如下:
优选地,对个人基本信息A的子准则层进行层次分析处理后得到的权重向量为:WA=(0.0714、0.2143、0.4281、0.2861)T;
和/或
在对金融活动B的子准则层进行层次分析处理时,构建的金融活动B的子准则层的两两对称矩阵如下:
优选地,对金融活动B的子准则层进行层次分析处理后得到的权重向量为:WB=(0.0622、0.1835、0.4432、0.3111)T;
和/或
在对人脉关系C的子准则层进行层次分析处理时,构建的人脉关系C的子准则层的两两对称矩阵如下:
优选地,对人脉关系C的子准则层进行层次分析处理后得到的权重向量为:WC=(0.0588、0.2941、0.3529、0.2942)T;
和/或
在对消费能力D的子准则层进行层次分析处理时,构建的消费能力D的子准则层的两两对称矩阵如下:
优选地,对消费能力D的子准则层进行层次分析处理后得到的权重向量为:WD=(0.0833、0.5834、0.3333)T;
和/或
在对位置属性E的子准则层进行层次分析处理时,构建的位置属性E的子准则层的两两对称矩阵如下:
优选地,对位置属性E的子准则层进行层次分析处理后得到的权重向量为:WE=(0.0833、0.5834、0.3333)T。
5.根据权利要求1至4之一所述的方法,其特征在于,
个人基本信息A的分数如下获得:A=用户星级A的分数*用户星级A的权重+入网月数A的分数*入网月数A的权重+位置变动频次A的权重*位置变动频次A的分数+主叫次数A的权重*主叫次数A的分数;
优选地,个人基本信息A的分数如下获得:A=用户星级A的分数*0.0715+入网月数A的分数*0.2143+位置变动频次A的分数*0.4281+主叫次数A的分数*0.2861。
6.根据权利要求1至5之一所述的方法,其特征在于,
金融活动B的分数如下获得:B=银行访问次数B的分数*银行访问次数B的权重+基金访问次数B的分数*基金访问次数B的权重+券商访问次数B的分数*券商访问次数B的权重+其它金融项目访问次数B的分数*其它金融项目访问次数B的权重;
优选地,金融活动B的分数如下获得:B=银行访问次数B的分数*0.0622+基金访问次数B的分数*0.1835+券商访问次数B的分数*0.4432+其它金融项目访问次数B的分数*0.3111。
7.根据权利要求1至6之一所述的方法,其特征在于,
人脉关系C的分数如下获得:C=用户星级C的分数*用户星级C的权重+六个月平均付费C的分数*六个月平均付费C的权重+联系人个数C的分数*联系人个数C的权重+手机价格C的分数*手机价格C的权重。
人脉关系C的分数如下获得:C=用户星级C的分数*0.0588+六个月平均付费C的分数*0.2941+联系人个数C的分数*0.3529+手机价格C的分数*0.2942。
8.根据权利要求1至7之一所述的方法,其特征在于,
消费能力D的分数如下获得:D=用户星级D的分数*用户星级D的权重+六个月平均付费D的分数*六个月平均付费D的权重+手机价格D的分数*手机价格D的权重。
优选地,消费能力D的分数如下获得:D=用户星级D的分数*0.0833+六个月平均付费D的分数*0.5834+手机价格D的分数*0.3333。
9.根据权利要求1至8之一所述的方法,其特征在于,
位置属性E的分数如下获得:E=小区楼盘价位E的分数*小区楼盘价位E的权重+商业区楼盘价位E的分数*商业区楼盘价位E的权重+地区来往频次E的分数*地区来往频次E的权重;
优选地,位置属性E的分数如下获得:E=小区楼盘价位E的分数*0.0833+商业区楼盘价位E的分数*0.5834+地区来往频次E的分数*0.3333。
10.根据权利要求1至9之一所述的方法,其特征在于,步骤4包括以下子步骤:
步骤4-1、采用1-9标度法构建个人基本信息A、金融活动B、人脉关系C、消费能力D和位置属性E的两两比较矩阵;
步骤4-2、对构建的两两比较矩阵进行处理,得到权重向量(W)以及最大特征值(λmax);
步骤4-3、进行一致性检验;
优选地,在步骤4-1中,构建的两两比较矩阵如下:
优选地,在步骤4-2中,得到的准则层的权重向量为(0.0567、0.3378、0.2312、0.1303、0.2440)T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811052790.2A CN109272397A (zh) | 2018-09-10 | 2018-09-10 | 一种基于层次分析的个人评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811052790.2A CN109272397A (zh) | 2018-09-10 | 2018-09-10 | 一种基于层次分析的个人评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272397A true CN109272397A (zh) | 2019-01-25 |
Family
ID=65188925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811052790.2A Pending CN109272397A (zh) | 2018-09-10 | 2018-09-10 | 一种基于层次分析的个人评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272397A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516901A (zh) * | 2019-07-06 | 2019-11-29 | 国网浙江省电力有限公司电力科学研究院 | 基于大数据的客户价值分层模型构建系统及客户分层方法 |
CN112801561A (zh) * | 2021-04-13 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 用户关系确定方法、装置、存储介质及电子设备 |
-
2018
- 2018-09-10 CN CN201811052790.2A patent/CN109272397A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516901A (zh) * | 2019-07-06 | 2019-11-29 | 国网浙江省电力有限公司电力科学研究院 | 基于大数据的客户价值分层模型构建系统及客户分层方法 |
CN112801561A (zh) * | 2021-04-13 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 用户关系确定方法、装置、存储介质及电子设备 |
CN112801561B (zh) * | 2021-04-13 | 2021-07-09 | 腾讯科技(深圳)有限公司 | 用户关系确定方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102841946B (zh) | 商品数据检索排序及商品推荐方法和系统 | |
CN101692224B (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
Pourkhabbaz et al. | Suitability analysis for determining potential agricultural land use by the multi-criteria decision making models SAW and VIKOR-AHP (Case study: Takestan-Qazvin Plain) | |
Miečinskienė et al. | Reasoning of export market selection | |
CN101877007A (zh) | 融合空间方位关系语义的遥感图像检索方法 | |
CN107122989A (zh) | 一种面向化妆品的多角度混合推荐方法 | |
CN107506786A (zh) | 一种基于深度学习的属性分类识别方法 | |
CN109344998A (zh) | 一种基于医疗美容场景的客户违约概率预测方法 | |
Liyanaarachchi et al. | Impact of trade liberalisation on labour market and poverty in Sri Lanka. An integrated macro-micro modelling approach | |
CN109858566A (zh) | 一种基于多层模型构建增加入模维度的评分卡的方法 | |
CN110706095B (zh) | 一种基于关联网络的目标节点关键信息填补方法及系统 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN108009925A (zh) | 一种基于网络聚类的基金资产配置系统及方法 | |
CN109272397A (zh) | 一种基于层次分析的个人评分方法 | |
CN107248023A (zh) | 一种对标企业名单的筛选方法和装置 | |
CN109522953A (zh) | 基于网络嵌入算法和cnn对图结构数据进行分类的方法 | |
Mbatha et al. | The structure of the South African stock market network during COVID-19 hard lockdown | |
Kung et al. | A fuzzy MCDM method to select the best company based on financial report analysis | |
Kiang et al. | Selecting the right MBA schools–An application of self-organizing map networks | |
CN104268535B (zh) | 一种二维图像的特征提取方法 | |
CN113821827A (zh) | 保护多方数据隐私的联合建模方法及装置 | |
Rasolinezhad | Evaluating electronic banking systems in developing nations through analytic hierarchy process model: a case study | |
CN104462480B (zh) | 基于典型性的评论大数据挖掘方法 | |
Mosavi et al. | Customer value analysis in banks using data mining and fuzzy analytic hierarchy processes | |
Gligor et al. | Cluster structure of EU-15 countries derived from the correlation matrix analysis of macroeconomic index fluctuations |
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: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |