CN109285038A - 一种通过bp神经网络预测银行客户流失的方法 - Google Patents

一种通过bp神经网络预测银行客户流失的方法 Download PDF

Info

Publication number
CN109285038A
CN109285038A CN201811202724.9A CN201811202724A CN109285038A CN 109285038 A CN109285038 A CN 109285038A CN 201811202724 A CN201811202724 A CN 201811202724A CN 109285038 A CN109285038 A CN 109285038A
Authority
CN
China
Prior art keywords
customer
neural network
data
loss
prediction
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
Application number
CN201811202724.9A
Other languages
English (en)
Inventor
王良
魏武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Software Group Co Ltd
Original Assignee
Inspur Software Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inspur Software Group Co Ltd filed Critical Inspur Software Group Co Ltd
Priority to CN201811202724.9A priority Critical patent/CN109285038A/zh
Publication of CN109285038A publication Critical patent/CN109285038A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种通过BP神经网络预测银行客户流失的方法，属于银行客户智能营销应用技术领域，本发明包含以下步骤：A、抽取并加工银行客户流失相关特征点数据；B、构建客户流失预警BP神经网络算法；C、客户流失预警BP神经网络算法参数设置。对可能流失的客户采取事前预警措施，提醒客户经理及时维护客户关系，挽留银行优质客户。

Description

一种通过BP神经网络预测银行客户流失的方法
技术领域
本发明涉及银行客户智能营销应用，尤其涉及一种通过BP神经网络预测银行客户流失的方法。
背景技术
客户营销是银行实现业绩、规模、收益最大化的根本途径。但规模并不等于收益，不是说有了规模就一定会有收益。
主动性营销使得银行客户规模转变成银行业绩和银行收益。以天津渤海银行为例，其全行客户中，只有极少比例的客户属活跃客户，需将非活跃客户或睡眠客户进行筛选，增加标签，以便开展针对性客户激活营销。
1)现有技术的主要的结构、原理、技术手段和方法步骤；
目前的主动性营销主要采用数据分析挖掘技术手段，对现存客户生成统计分析报表。
由银行的数据分析师对银行存量客户进行统计分析，分析数据包括客户基本信息情况，资产及负债情况，交易消费情况等。根据客户的信息来人工识别客户对金融方面的融资需求或投资需求，再通知一线营销人员对指定客户群进行营销。
2)现有技术存在的问题和缺点。
当前的主要问题是技术洞察手段陈旧、只统计静态结果，不能提前预判客户流失可能性。
因其报表只反映了客户事后的真实情况，很难在事前采取主动客户挽留。很多情况下当客户大量资金转出到同业银行后报表才反映出客户已经流失，但在这个阶段再进行主动营销，效果已经不明显。
发明内容
为了改善客户体验，降低银行客户流失，本发明提出了一种通过BP神经网络预测银行客户流失的方法，对银行存量的客户的特征分析能力，对可能流失的客户采取事前预警措施，提醒客户经理及时维护客户关系，挽留银行优质客户。
本发明的技术方案是：
一种通过BP神经网络预测银行客户流失的方法该，主要包含以下步骤：
A、抽取并加工银行客户流失相关特征点数据；
B、构建客户流失预警BP神经网络算法；
C、客户流失预警BP神经网络算法参数设置。
进一步的，A所述数据项为银行客户流失相关特征点，特征包括客户基本信息数据项和相关客户指标数据项。其中，
基本信息数据项包括：BCIF开卡等级(0-3)、性别(0,1)、教育程度(0-99)、年收入等级(1-10)、家庭月收入级别(1-8)
指标数据项包括：活期存款余额、结构性存款余额、非结构性存款余额、贷款余额、不良贷款余额、活期存款发生额、结构性存款发生额、非结构性存款发生额、贷款发生额、不良贷款发生额、月消费金额、月消费笔数、月转入金额、月转入笔数。
进一步的，A所述数据项为必须是数值型，非数值型数据项需加工成数值型数据项。
进一步的，B所述客户流失预警BP神经网络算法。该算法采用矩阵乘法来计算出预测结果值x＝sigmoid(np.dot(w,x)+b)，激活函数采用sigmoid函数，w为权重矩阵， X为特征点数据，b为偏置矩阵。
反馈更新函数：updata_parameter用来持续优化权重和偏置的变量值
其中重要的子函数用来计算误差值并反向传递模型训练
Evaluate函数评估验证集和测试集的精度
predict函数返回预测的准确度，对预测结果值进行输出
进一步的，B所述客户流失预警BP神经网络算法的目标预测值分类，共分为5类客户，包括0代表流失客户、1代表预警客户、2代表正常客户、3代表良好客户、4代表积极客户；预测标签采用矩阵赋移位赋值方式index_date['flag_n1'][0:-1]＝ np.array(index_date['flag'][1:])
进一步的，C所述客户流失预警BP神经网络算法参数设置。该算法参数设置，特征点数量，featureNum，设置为25；神经元数量，nerveCell值设置等同特征点数量；分类数量，clsssfy分类是5类；训练数据块大小，min_batch_size设置为300；反向传导系数，eta设置为3.0；通过测试验证预测值准确率相对较高。
本发明的有益效果是
1、通过特征点和流失率的关联分析、可以分析出哪些因素对客户的流失产生较强影响。
2、通过BP神经网络的训练，可以生成预测数据模型，并提升预测客户流失的准确度。
3、通过客户流失的提前预警，方便了银行营销部门更精准的挽留预流失客户，降低客户流失率，同时提升部门业绩。
模型训练结果在80％左右，预测结果的准确率在64％后达到一个稳定的状态。
附图说明
图1是BP神经网络神经元计算原理图；
图2是BP神经网络预测银行客户流失率建模流程图。
具体实施方式
下面对本发明的内容进行更加详细的阐述：
该技术方案方法是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络之一。
加工预测流程如附图2所示。首先，分析采集用户的特征点数据；其次，按业务逻辑内容抽取加工特征点数据；再次，利用BP神经网络算法对基本数据进行训练，生成BP算法的内部模型；再次，训练模型度达到一定准确度后，采用预测数据对未来的客户流失进行预测。最后，通过算法实践对客户流失进行客观验证。
特征点数据项如下：
◆客户基本信息
BCIF开卡等级(0-3)、性别(0,1)、教育程度(0-99)、年收入等级(1-10)、家庭月收入级别(1-8)
◆常用指标信息(月指标)
余额：活期存款余额、结构性存款余额、非结构性存款余额、贷款余额、
不良贷款余额、
发生额：活期存款发生额、结构性存款发生额、非结构性存款发生额、贷款发生额、不良贷款发生额；
金额|笔数：月消费金额、月消费笔数、月转入金额、月转入笔数
◆贡献度指标
存款效益(元)、中间业务效益(元)、贷款效益(元)
◆忠诚度指标
存款忠诚度＝存款分值*存款权重
理财忠诚度＝理财分值*理财权重
基金忠诚度＝基金分值*基金权重
算法如下：
本方案的BP神经网络是在输入层与输出层之间增加一层隐性神经元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，该单层神经元有25个节点。隐性神经元数量和特征点数量接近对预测准确度有所提升。
神经元的计算原理如附图1，利用权重矩阵的权值变化来模拟非线性化取值问题。
计算公式为：x＝sigmoid(np.dot(w,x)+b)
Sigmoid为S型激活函数，是神经网络的阈值函数，将变量映射到0,1之间。
np.dot为矩阵乘法函数，w为权重矩阵，X为特征点数据，b为偏置矩阵
初始参数配置，采用高斯分布函数生成初始值。
产生两个数组 self.bias＝[np.random.randn(a3，1)for a3 in sizes[1：]]#利用高斯分布，产生偏置数组(30L，1L)(10L，1L)
反馈更新函数：updata_parameter用来持续优化权重和偏置的值
其中重要的子函数
Evaluate函数评估验证集和测试集的精度
predict函数返回预测的准确度，对预测结果值进行输出
在训练过程中，样本需要按日期进行打乱，避免特定日期数据对样本的训练结果产生偏置影响。
数据标准化避免因特征点之间数据差异过大影响预测结果
流失客户打标签，目前只给历史流失客户打标签
客户流失级别分为5个级别，0代表流失客户1代表预警客户、2代表正常客户、 3代表良好客户、4代表积极客户
0流失客户：判断逻辑为连续3个月内存款忠诚度、理财忠诚度、基金忠诚度持续下降；
1预警客户：判断逻辑为环比上月存款忠诚度、理财忠诚度、基金忠诚度总和持续下降；
2正常客户：判断逻辑为环比上月存款忠诚度、理财忠诚度、基金忠诚度总和的变动在5％以内；
3良好客户：判断逻辑为环比上月存款忠诚度、理财忠诚度、基金忠诚度总和持续上升；
4积极客户：判断逻辑为连续3个月内存款忠诚度、理财忠诚度、基金忠诚度总和持续上升；
经过数据加工，生成流失客户标签。
预测下个月的流失的标签数据加工
index_date[’flag_n1’][0：-1]＝np.array(index_date[’flag’][1：])
数据拆分：分开训练数据和验证数据，以方便数据验证。
print″＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝数据输出完毕＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝″
sp＝int(len(features)＊9./10.)#对数据分类，分为训练数据集和测试数据集
features_1＝features[：sp]#训练数据特征点
lables_1＝lables[：sp]#训练数据标签
features_2＝features[sp：]#验证数据特征点
lables_2＝lables[sp：]#验证数据标签
实施方式：调用程序及参数设置
#！/usr/bin/env python
#-＊-coding：utf-8-＊-
#@Time：2018-08-20 15:24
#@Author：liang wang jone
#@File：net_test.py
import net_load_data
from net_load_data import＊
import net_network as net
featureNum＝25#特征点数量
nerveCell＝25#神经元数量
clsssfy＝10
net1＝net.Network([featureNum，nerveCell，clsssfy])#特征点数量、隐藏层神经元数量、输出 min_batch_size＝300#最小切块大小
eta＝3.0#反向传导系数
epoches＝1000#训练次数
nld＝NetLoadData()
train_data，validation_data，pre_data＝nld.data_transform(featureNum)
netl.SGD(train_data，min_batch_size，epoches，eta，validation_data)
#预测数据
netl.predict(pre_data)
print″complete″
重要参数
替代技术方案(无)
第235次训练，准确率64.0，公式：16269/25320
000000000000000000000000000000000
第236次训练，准确率64.0，公式：16269/25320
000000000000000000000000000000000
第237次训练，准确率64.0，公式：16268/25320
000000000000000000000000000000000
第238次训练，准确率64.0，公式：16268/25320
000000000000000000000000000000000
第239次训练，准确率64.0，公式：16269/25320
000000000000000000000000000000000
第240次训练，准确率64.0，公式：16272/25320
000000000000000000000000000000000
第241次训练，准确率64.0，公式：16271/25320
000000000000000000000000000000000
第242次训练，准确率64.0，公式：16269/25320
000000000000000000000000000000000
第243次训练，准确率64.0，公式：16272/25320
000000000000000000000000000000000
第244次训练，准确率64.0，公式：16271/25320
000000000000000000000000000000000
第245次训练，准确率64.0，公式：16271/25320 。

Claims (10)

1.一种通过BP神经网络预测银行客户流失的方法，其特征在于，
主要包含以下步骤：
A、抽取并加工银行客户流失相关特征点数据；
B、构建客户流失预警BP神经网络算法；
C、客户流失预警BP神经网络算法参数设置。
2.根据权利要求1所述的方法，其特征在于，
加工预测流程如下：
首先，分析采集用户的特征点数据；
其次，按业务逻辑内容抽取加工特征点数据；
再次，利用BP神经网络算法对基本数据进行训练，生成BP算法的内部模型；
再次，训练模型度达到64％的准确度后，采用预测数据对未来的客户流失进行预测；
最后，通过算法实践对客户流失进行客观验证。
3.根据权利要求2所述的方法，其特征在于，
进一步包括，
步骤A中所述数据项为银行客户流失相关特征点，特征包括客户基本信息数据项和相关客户指标数据项；其中，
基本信息数据项包括：BCIF开卡等级(0-3)、性别(0,1)、教育程度(0-99)、年收入等级(1-10)、家庭月收入级别(1-8)；
指标数据项包括：活期存款余额、结构性存款余额、非结构性存款余额、贷款余额、不良贷款余额、活期存款发生额、结构性存款发生额、非结构性存款发生额、贷款发生额、不良贷款发生额、月消费金额、月消费笔数、月转入金额、月转入笔数。
4.根据权利要求3所述的方法，其特征在于，
进一步包括，
步骤A中所述数据项为必须是数值型，非数值型数据项需加工成数值型数据项。
5.根据权利要求2所述的方法，其特征在于，
进一步的包括
BP神经网络是在输入层与输出层之间增加一层隐性神经元，该单层神经元有25个节点。
6.根据权利要求5所述的方法，其特征在于，
进一步包括，
神经元的计算方法是采用矩阵乘法来计算出预测结果值；
计算公式为：x＝sigmoid(np.dot(w,x)+b)
Sigmoid为S型激活函数，是神经网络的阈值函数，将变量映射到0,1之间；
np.dot为矩阵乘法函数，w为权重矩阵，X为特征点数据，b为偏置矩阵。
7.根据权利要求6所述的方法，其特征在于，
进一步包括，
初始参数配置,采用高斯分布函数生成初始值。
8.根据权利要求6或7所述的方法，其特征在于，
进一步包括，
利用反馈更新函数updata_parameter来持续优化权重和偏置的变量值；
利用其中的子函数用来计算误差值并反向传递模型训练；
利用Evaluate函数评估验证集和测试集的精度；
利用predict函数返回预测的准确度，对预测结果值进行输出。
9.根据权利要求2所述的方法，其特征在于，
进一步包括，
步骤B中所述客户流失预警BP神经网络算法的目标预测值分类，共分为5类客户，包括0代表流失客户、1代表预警客户、2代表正常客户、3代表良好客户、4代表积极客户；预测标签采用矩阵赋移位赋值方式index_date['flag_n1'][0:-1]＝np.array(index_date['flag'][1:])。
10.根据权利要求2所述的方法，其特征在于，
进一步包括，
步骤C中所述客户流失预警BP神经网络算法参数设置；该算法参数设置，特征点数量，featureNum，设置为25；神经元数量，nerveCell值设置等同特征点数量；分类数量，clsssfy分类是5类；训练数据块大小，min_batch_size设置为300；反向传导系数，eta设置为3.0。
CN201811202724.9A 2018-10-16 2018-10-16 一种通过bp神经网络预测银行客户流失的方法 Pending CN109285038A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811202724.9A CN109285038A (zh) 2018-10-16 2018-10-16 一种通过bp神经网络预测银行客户流失的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811202724.9A CN109285038A (zh) 2018-10-16 2018-10-16 一种通过bp神经网络预测银行客户流失的方法

Publications (1)

Publication Number Publication Date
CN109285038A true CN109285038A (zh) 2019-01-29

Family

ID=65177195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811202724.9A Pending CN109285038A (zh) 2018-10-16 2018-10-16 一种通过bp神经网络预测银行客户流失的方法

Country Status (1)

Country Link
CN (1) CN109285038A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348914A (zh) * 2019-07-19 2019-10-18 中国银行股份有限公司 客户流失数据分析方法及装置
CN111833086A (zh) * 2019-04-22 2020-10-27 百度在线网络技术（北京）有限公司 账户分类模型训练方法及装置和账户分类方法及装置
CN112308623A (zh) * 2020-11-09 2021-02-02 中南大学 基于监督学习的优质客户流失预测方法、装置及存储介质
CN112862546A (zh) * 2021-04-25 2021-05-28 平安科技（深圳）有限公司 用户流失预测方法、装置、计算机设备及存储介质
CN113379527A (zh) * 2020-03-09 2021-09-10 银联数据服务有限公司 一种信用卡易睡眠客户的确定方法及装置
CN115049114A (zh) * 2022-05-30 2022-09-13 中国银行股份有限公司 用户数据分析方法及装置
CN116883070A (zh) * 2023-09-05 2023-10-13 上海银行股份有限公司 一种银行代发薪资客户流失预警方法
CN117422181A (zh) * 2023-12-15 2024-01-19 湖南三湘银行股份有限公司 一种基于模糊标签的代发客户流失预警方法及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833086A (zh) * 2019-04-22 2020-10-27 百度在线网络技术（北京）有限公司 账户分类模型训练方法及装置和账户分类方法及装置
CN111833086B (zh) * 2019-04-22 2024-04-23 百度在线网络技术（北京）有限公司 账户分类模型训练方法及装置和账户分类方法及装置
CN110348914A (zh) * 2019-07-19 2019-10-18 中国银行股份有限公司 客户流失数据分析方法及装置
CN113379527A (zh) * 2020-03-09 2021-09-10 银联数据服务有限公司 一种信用卡易睡眠客户的确定方法及装置
CN112308623A (zh) * 2020-11-09 2021-02-02 中南大学 基于监督学习的优质客户流失预测方法、装置及存储介质
CN112862546A (zh) * 2021-04-25 2021-05-28 平安科技（深圳）有限公司 用户流失预测方法、装置、计算机设备及存储介质
CN115049114A (zh) * 2022-05-30 2022-09-13 中国银行股份有限公司 用户数据分析方法及装置
CN116883070A (zh) * 2023-09-05 2023-10-13 上海银行股份有限公司 一种银行代发薪资客户流失预警方法
CN117422181A (zh) * 2023-12-15 2024-01-19 湖南三湘银行股份有限公司 一种基于模糊标签的代发客户流失预警方法及系统
CN117422181B (zh) * 2023-12-15 2024-04-02 湖南三湘银行股份有限公司 一种基于模糊标签的代发客户流失预警方法及系统

Similar Documents

Publication Publication Date Title
Vochozka et al. Predicting future Brent oil price on global markets.
CN109285038A (zh) 一种通过bp神经网络预测银行客户流失的方法
Ardia et al. Questioning the news about economic growth: Sparse forecasting using thousands of news-based sentiment values
Cenciarelli et al. Does intellectual capital help predict bankruptcy?
CN110599336B (zh) 一种金融产品购买预测方法及系统
Weiß Are Copula-GoF-tests of any practical use? Empirical evidence for stocks, commodities and FX futures
CN115760380A (zh) 一种融合用电信息的企业信用评估方法与系统
Tang Application of Nonlinear Autoregressive with Exogenous Input (NARX) neural network in macroeconomic forecasting, national goal setting and global competitiveness assessment
Hui et al. The model and empirical research of application scoring based on data mining methods
Oladipupo et al. Determinants of bilateral trade flows of Nigeria: An application of the augmented gravity model
Hall et al. Using the artificial neural network to assess bank credit risk: a case study of Indonesia
Delis et al. Management and takeover decisions
Shao Prediction of currency volume issued in Taiwan using a hybrid artificial neural network and multiple regression approach
Panwai Artificial neural network stock price prediction model under the influence of big data
Wardhani et al. Comparison Artificial Neural Network Methods of Backpropagation and Learning Vector Quantization for Forecasting Stock Prices
Marxiaoli et al. Forecasting the stock index movements of India: Application of neural networks
Lakhal et al. The impact of CSR performance on Efficiency of Investments using Machine Learning
Calabrese et al. Financial constraints prediction to lead socio-economic development: An application of neural networks to the Italian market
Nadeesha et al. Predictors of Consumer Creditworthiness: Evidence from Personal Loan Borrowers of a Leading Public Bank in Sri Lanka
Faricha et al. Comparison study of transfer function and artificial neural network for cash flow analysis at Bank Rakyat Indonesia
Smith et al. A method of parameterising a feed forward multi-layered perceptron artificial neural network, with reference to South African financial markets
Wan Research on predicting credit card customers’ service using logistic regression and Bp neural network
Turtiainen Modeling Non-Maturity Deposit Balances for Stress Testing
Machová et al. The Dependence of the CZK Exchange Rate on the Development of the GDP in the Czech Republic in the Conditions of an Expected Crisis
Vahedian et al. Modeling Nonlinear Time Series Patterns of Supply Chain Disruptions on Share Price Based Upon Firms’ Account Giving and Nodal Position

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: 20190129

RJ01 Rejection of invention patent application after publication