CN110083765A - 理财信息推送方法、装置、计算机设备和存储介质 - Google Patents
理财信息推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110083765A CN110083765A CN201910295662.9A CN201910295662A CN110083765A CN 110083765 A CN110083765 A CN 110083765A CN 201910295662 A CN201910295662 A CN 201910295662A CN 110083765 A CN110083765 A CN 110083765A
- Authority
- CN
- China
- Prior art keywords
- user
- finance product
- data
- financing
- finance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013519 translation Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 10
- 230000007704 transition Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009399 inbreeding Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及大数据技术领域，应用于金融理财行业，具体提供一种理财信息推送方法、装置、计算机设备和存储介质，整合账户数据和理财数据，关注限定时间内用户到期理财产品所释放资金量，根据每个用户在预设限定时间内到期理财产品释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买单个理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息，实现理财资金的主动管理和理财资产变化时主动提醒等功能，给用户带来便利。
Description
技术领域
本申请涉及金融理财技术领域，特别是涉及一种理财信息推送方法、装置、计算机设备和存储介质。
背景技术
随着生活水平的提高，越来越多的人有购买理财产品的需求。
理财经理可以针对用户需求和购买力提供理财购买建议以及协助用户实现理财产品管理等。一般来说，一个经验丰富的理财经理需要比较长时间的学习和不断的经验积累，而目前市场对理财经理的需求又越来越大，用户希望能够在专业理财经理的指导下实现高效益的理财目标。
然而目前理财产品不断推陈出新，众多理财产品让用户和理财经理难以选择，若不对理财信息进行有效管理，将无法高效且准确从众多理财产品中选择出合适的理财建议和方案。
发明内容
基于此，有必要针对上述技术问题，提供一种能够推送有效理财信息、以给用户带来便利的理财信息推送方法、装置、计算机设备和存储介质。
一种理财信息推送方法，所述方法包括：
获取用户集群的账户数据和理财产品数据；
根据所述账户数据对所述用户集群进行分类，获取各类型用户经营提示指标；
根据所述理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在所述预设限定时间内到期理财产品情况；
根据所述账户数据和所述理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在所述预设限定时间内到期理财产品的释放资金量；
根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户，并当所述用户购买任意理财产品的净值变化幅度或变化次数超过所述用户类型对应的经营提示指标时，推送提示消息。
在其中一个实施例中，所述根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户之前，还包括：
根据所述账户数据和所述理财产品数据，识别各类型用户购买理财产品偏好；
所述根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户包括：
根据所述用户购买理财产品偏好、所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户。
在其中一个实施例中，所述根据所述账户数据和所述理财产品数据，识别各类型用户购买理财产品偏好包括：
根据所述账户数据归集属于相同用户身份的数据，生成账户数据集；
根据账户数据集，识别当前用户类型以及用户历史购买理财产品数据；
根据所述用户历史购买理财产品数据以及所述理财产品数据，分析用户购买理财产品偏好；
统计各用户购买理财产品偏好以及对应的用户类型，生成各类型用户购买理财产品偏好。
在其中一个实施例中，所述获取用户集群的账户数据和理财产品数据之后，还包括：
根据所述账户数据和所述理财产品数据，获取用户已购买理财产品数据；
将用户已购买理财产品数据输入至预设理财分析模型，得到用户当前资金的理财分析结果，所述理财分析结果包括平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息，所述预设理财分析模型基于加权平移法构建；
推送理财分析结果至所述用户。
在其中一个实施例中，所述根据所述账户数据对所述用户集群进行分类之后，还包括：
对各类型用户进行风险承受力评估；
所述根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户包括：
根据所述释放资金量、各理财产品的在预设限定时间内的收益率以及用户所属用户类型对应的风险承受力评估结果，推送理财产品推荐信息至所述用户。
在其中一个实施例中，所述对各类型用户进行风险承受力评估包括：
根据账户数据，提取各类型用户对应的群体特征；
根据不同类型用户对应的群体特征对账户数据进行分析量化，生成样本数据集，所述群体特征包括所述群体特征包括身份特征、购买能力特征、消费特征以及社交影响特征；
根据所述样本数据集以及预设风险预测模型，获得各类型用户对应的风险承受力评估结果。
在其中一个实施例中，所述根据所述样本数据集以及预设风险预测模型，获得各类型用户对应的风险承受力评估结果之前，还包括：
随机选择所述样本数据集中部分数据作为训练样本集；
针对训练样本集采用多级分类支持向量机，以高斯径向基核函数作为核函数，选取最优惩罚因子C和核函数g，构建预设风险评估模型。
一种理财信息推送装置，所述装置包括：
数据获取模块，用于获取用户集群的账户数据和理财产品数据；
分类模块，用于根据所述账户数据对所述用户集群进行分类，获取各类型用户经营提示指标；
理财产品预计模块，用于根据所述理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在所述预设限定时间内到期理财产品情况；
统计模块，用于根据所述账户数据和所述理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在所述预设限定时间内到期理财产品的释放资金量；
推送模块，用于根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户，并当所述用户购买任意理财产品的净值变化幅度或变化次数超过所述用户类型对应的经营提示指标时，推送提示消息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述理财信息推送方法、装置、计算机设备和存储介质，整合账户数据和理财数据，关注限定时间内用户到期理财产品所释放资金量，根据用户在预设限定时间内到期理财产品释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买任意理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息，实现理财资金的主动管理和理财资产变化时主动提醒等功能，给用户带来便利。
附图说明
图1为一个实施例中理财信息推送方法的应用环境图；
图2为一个实施例中理财信息推送方法的流程示意图；
图3为另一个实施例中理财信息推送方法的流程示意图；
图4为一个实施例中理财信息推送装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的理财信息推送方法，可以应用于如图1所示的应用环境中。其中，服务器102通过网络与用户服务器104、理财产品服务器106以及用户终端108通过网络进行通信。服务器102从用户服务器104抽取账户数据，从理财产品服务器106抽取理财产品数据，根据账户数据对用户集群进行分类，获取各类型用户经营提示指标，根据理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在预设限定时间内到期理财产品情况，根据账户数据和理财产品数据、以用户为维度，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在预设限定时间内到期理财产品释放资金量，根据用户在预设限定时间内到期理财产品释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户终端108，并当用户购买任意理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息至用户终端108。其中，用户终端108可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种理财信息推送方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
S100：获取用户集群的账户数据和理财产品数据。
账户数据可以直接从用户服务器抽取，账户数据主要包括用户身份、用户有效资产、用户数量、用户历史购买理财产品、用户注册时主动填写的类型等。具体来说，用户类型包括企业老板、上班族、学生以及其他；理财产品数据包括理财产品清单、理财产品收益率以及理财产品开放日等数据。进一步的，服务器可以间隔一定时间从用户服务器和理财产品服务器分别抽取最新的账户数据和理财产品数据，将最新的数据更新至历史已抽取的数据中，针对抽取的数据服务器可以构建数据库进行缓存，并且对数据进行统计，例如可以统计出历史用户数量、新增用户数量、各个用户有效资产、理财产品数量、新增理财产品数量、各个理财产品购买金额门槛等。
S200：根据账户数据对用户集群进行分类，获取各类型用户经营提示指标。
用户类型具体可以包括企业老板、上班族、学生以及其他，用户类型可以基于用户在注册时填写的所属类型进行分类，也可以基于账户数据和理财产品数据，分析用户有效资产、理财产品购买频率、理财产品购买金额等分析得出用户类型。用户经营提示指标用于表征用户对理财资产波动的明感程度，其具体是指用户对理财资产波动时需要被提示的阈值，其具体包括幅度和频率两个方面，该指标与用户类型相关，不同的用户类型有不同的收益指标和风险指标，例如企业老板类型的用户期望高收益、其风险承受能力很强，则其能够承受较高的收益变化幅度和收益变化频率；学生类型的用户承受能力比较弱、期望稳健，则其只能承受较低的收益变化幅度和收益变化频率。不同用户类型对应的经营提示指标可以基于历史数据进行大数据分析获得。
S300：根据理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在预设限定时间内到期理财产品情况。
根据各个理财产品历史收益表现，预计在限定时间内的收益率。另外，根据用户已经购买理财产品数据预计在该时间内用户到期理财产品情况。由于理财产品有不同的持有/开放时间期限，到时间到达时，该理财产品将会赎回，在赎回之后，赎回的资金将会流回用户账户，此时用户有资金购买新的理财产品，为给用户带来便利第一时间关注到这里流动资金，以便后续将合适的理财产品推荐给用户。
S400：根据账户数据和理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在预设限定时间内到期理财产品的释放资金量。
针对每个用户分别独立整理数据，数据包括用户类型、用户历史购买理财产品类型、数量，投入资金，以及进阶分析出的用户经营提示指标等。并且针对用户历史交易中购买理财产品中净值变化情况以及到期理财产品释放资金量记录下来，以便精准分析用户投资情况。
S500：根据释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买任意理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息。
当用户有理财产品到期释放资金时，服务器追踪到这笔资金，根据理财收益率推送理财产品推荐信息至用户，并且当用户购买单个理财产品净值变化幅度或者变化次数超过对应经营指标时，推送提示消息，提示消息可以推送至理财经理和用户，告知用户理财资产发生比较明显的变动。例如当用户购买单个理财产品净值变化幅度超过10％时，推送提示消息至用户；或，当用户购买单个理财产品记净值变化次数超过10次时，推送提示消息至用户。
如图3所示，在其中一个实施例中，步骤S500之前，还包括：
S420：根据账户数据和理财产品数据，识别各类型用户购买理财产品偏好；
步骤S500包括：
S520：根据用户购买理财产品偏好、释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户。
在进行理财产品推荐时，除了释放资金量、各个理财产品收益率之外，基于步骤S100获取的账户数据和理财产品数据识别出用户购买理财产品偏好，推送用户喜爱的理财产品。服务器可以针对历史获取的账户数据和理财产品数据进行分析，将属于同一用户的数据归集，再对归集后的数据进行大数据分析，例如可以最简单分析出历史记录中用户购买次数最多的理财产品、用户购买金额最多的理财产品或者用户预约次数最多的理财产品等。针对这些理财产品分析出用户购买理财产品偏好，具体可以分析出这些理财产品年化收益率、风险程度、投资行业、购买资金门槛、理财产品周期等方面的偏好，从而在S520步骤中挑选出合适的理财产品，以准确推荐给用户，给用户带来便利。
在其中一个实施例中，根据账户数据和理财产品数据，识别各类型用户购买理财产品偏好包括：根据账户数据归集属于相同用户身份的数据，生成账户数据集；根据账户数据集，识别当前用户类型以及用户历史购买理财产品数据；根据用户历史购买理财产品数据以及理财产品数据，分析用户购买理财产品偏好；统计各用户购买理财产品偏好以及对应的用户类型，生成各类型用户购买理财产品偏好。
根据账户数据和理财产品数据将属于同一个用户的数据归集，具体可以归集为用户-理财产品列表中，针对单个用户，先识别该用户类型，再分析其购买理财产品偏好，偏好包括收益率高低、风险高低、理财产品种类以及理财产品投资行业等，采用大数据分析方式，分析较大样本数据，得到处不同类型用户对应的理财产品偏好，当需要进行理财产品推送时，根据用户类别，推送对应偏好的理财产品。
如图3所示在其中一个实施例中，步骤S100之后，还包括：
S110：根据账户数据和理财产品数据，获取用户已购买理财产品数据。
S120：将用户已购买理财产品数据输入至预设理财分析模型，得到用户当前资金的理财分析结果，理财分析结果包括平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息，预设理财分析模型基于加权平移法构建。
S130：推送理财分析结果至用户。
平均单位成本是指是指单份理财产品的历史平均下来的购买成本，例如某理财产品分三次购买，分别为10万购买2份、15万购买3份、20万购买2份，则其单位成本则为6.42万/份；平均单位收益是指历史记录中单份理财产品平均收益，例如某理财产品早期购买10份已累计收益1000、中期购买3份累计收益400、最近购买5份累计收益400，则其平均单位收益为100/份；平均单位配息是指历史记录中单份理财产品平均分红金额；平均单位已实现损益是指历史记录中单份理财产品平均已兑现收益或损失资金；平均单位未实现损益是指历史记录中单份理财产品暂未兑现收益或损失资金。
预设理财分析模型是预先构建的模型，其基于加权平移法构建。具体来说，预设理财分析模型是基于加权平移算法构建的，加权平均法就是根据同一个移动段内不同时间的数据对预测值的影响程度，分别给予不同的权数，然后再进行平均移动以预测未来值。加权移动平均法不像简单移动平均法那样，在计算平均值时对移动期内的数据同等看待，而是根据愈是近期数据对预测值影响愈大这一特点，不同地对待移动期内的各个数据。对近期数据给予较大的权数，对较远的数据给予较小的权数，这样来弥补简单移动平均法的不足。其中，用户当前资产分析数据包括用户当前资金的平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息。本申请采用加权移动平均法能够有效地消除预测中的随机波动，计算出来的用户当前资产的分析数据更为均衡和准确。具体来说加权平移算法公式为：
式中，xn为时间点n采集到的数据，fn为时间点n数据对应的权重系数，其中x1为最接近当前时间点采集的数据，随着时间推移f1至fn的数值越小。
在其中一个实施例中，根据账户数据进行用户类型分类之后，还包括：对各类型用户进行风险承受力评估；根据释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户包括：根据释放资金量、各理财产品的在预设限定时间内的收益率以及用户所属用户类型对应的风险承受力评估结果，推送理财产品推荐信息至用户。
在本实施例中，还针对不同类型用户进行风险承受力评估，在有限的风险承受力范围内推送理财产品至用户，以给用户带来便利。具体来说，风险承受力评估包括：根据账户数据，提取各类型用户对应的群体特征；根据不同类型用户对应的群体特征对账户数据进行分析量化，生成样本数据集，群体特征包括群体特征包括身份特征、购买能力特征、消费特征以及社交影响特征；根据样本数据集以及预设风险预测模型，获得各类型用户对应的承受力评估结果。
在实际应用，从身份特征、购买能力特征、消费特征、社交影响4个维度进行分析量化多个重要特征指标。对于身份特征等维度的数据指标量化，如完成身份认证则取值为1，未完成则为-1；用户购买能力对信用评估影响作用大，对用户购买能力为100万以上取值为10，100万以下50万以上为6，50万以下20万以上为4，20万以下10万以上为2，10万以下为1。有家庭的用户生活更稳定，抗风险能力强，取值为1，未婚人群生活相对不稳定，取值为0。对于用户收入以区间形式表示，本文按照收入高低来对样本赋值。收入0-1000取值为0，1000-5000取值为1，5000～10000取值为2，10000～20000取值为3，20000～50000取值为4，50000及以上取值为5。对于工作资历而言，工作经验越丰富，抗风险能力越强，本发明同样以区间形式划分，无工作经验取值为0，1年及以下取值为1，1～3年取值为2，3～5年取值为3，5～10年取值为4，10年以上取值为5。
更进一步来说，预设风险预测模型采用以下方式构建：随机选择样本数据集中部分数据作为训练样本集；针对训练样本集采用多级分类支持向量机，以高斯径向基核函数作为核函数，选取最优惩罚因子C和核函数g，构建预设风险评估模型。
高斯径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ(x)＝Φ(‖x‖)，或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ(x，c)＝Φ(‖x-c‖)。任意一个满足Φ(x)＝Φ(‖x‖)特性的函数Φ都叫做高斯径向基函数，标准的一般使用欧氏距离(也叫做欧式径向基函数)，尽管其他距离函数也是可以的。在神经网络结构中，可以作为全连接层和ReLU层的主要函数。在上述实施例中，可以基于高斯径向基函数构建神经网络模型，通过训练样本对构建的神经网络模型进行迭代训练，得到最优惩罚因子C和核函数g，构建出预设风险评估模型。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图4所示，本申请还提供一种理财信息推送装置，装置包括：
数据获取模块100，用于获取用户集群的账户数据和理财产品数据；
分类模块200，用于根据账户数据对用户集群进行分类，获取各类型用户经营提示指标；
理财产品预计模块300，用于根据理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在预设限定时间内到期理财产品情况；
统计模块400，用于根据账户数据和理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在预设限定时间内到期理财产品的释放资金量；
推送模块500，用于根据释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买任意理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息。
上述理财信息推送装置，整合账户数据和理财数据，关注限定时间内用户到期理财产品所释放资金量，根据每个用户在预设限定时间内到期理财产品释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买单个理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息，实现理财资金的主动管理和理财资产变化时主动提醒等功能，给用户带来便利。
在其中一个实施例中，上述理财信息推送装置还包括：
偏好识别模块，用于根据账户数据和理财产品数据，识别各类型用户购买理财产品偏好；推送模块500还用于根据用户购买理财产品偏好、释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户。
在其中一个实施例中，偏好识别模块还用于根据账户数据归集属于相同用户身份的数据，生成账户数据集；根据账户数据集，识别当前用户类型以及用户历史购买理财产品数据；根据用户历史购买理财产品数据以及理财产品数据，分析用户购买理财产品偏好；统计各用户购买理财产品偏好以及对应的用户类型，生成各类型用户购买理财产品偏好。
在其中一个实施例中，上述理财信息推送装置还包括：
理财分析模块，用于根据账户数据和理财产品数据，获取用户已购买理财产品数据；将用户已购买理财产品数据输入至预设理财分析模型，得到用户当前资金的理财分析结果，理财分析结果包括平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息，预设理财分析模型基于加权平移法构建；推送理财分析结果至用户。
在其中一个实施例中，上述理财信息推送装置还包括：
风险承受力评估模块，用于对各类型用户进行风险承受力评估；推送模块500还用于根据释放资金量、各理财产品的在预设限定时间内的收益率以及用户所属用户类型对应的风险承受力评估结果，推送理财产品推荐信息至用户。
在其中一个实施例中，风险承受力评估模块还用于根据账户数据，提取各类型用户对应的群体特征；根据不同类型用户对应的群体特征对账户数据进行分析量化，生成样本数据集，群体特征包括群体特征包括身份特征、购买能力特征、消费特征以及社交影响特征；根据样本数据集以及预设风险预测模型，获得各类型用户对应的承受力评估结果。
在其中一个实施例中，风险承受力评估模块还用于随机选择样本数据集中部分数据作为训练样本集；针对训练样本集采用多级分类支持向量机，以高斯径向基核函数作为核函数，选取最优惩罚因子C和核函数g，构建预设风险评估模型。
关于理财信息推送装置的具体限定可以参见上文中对于理财信息推送方法的限定，在此不再赘述。上述理财信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种理财信息推送方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取用户集群的账户数据和理财产品数据；
根据账户数据对用户集群进行分类，获取各类型用户经营提示指标；
根据理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在预设限定时间内到期理财产品情况；
根据账户数据和理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在预设限定时间内到期理财产品的释放资金量；
根据释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买任意理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据账户数据和理财产品数据，识别各类型用户购买理财产品偏好；根据用户购买理财产品偏好、释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据账户数据归集属于相同用户身份的数据，生成账户数据集；根据账户数据集，识别当前用户类型以及用户历史购买理财产品数据；根据用户历史购买理财产品数据以及理财产品数据，分析用户购买理财产品偏好；统计各用户购买理财产品偏好以及对应的用户类型，生成各类型用户购买理财产品偏好。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据账户数据和理财产品数据，获取用户已购买理财产品数据；将用户已购买理财产品数据输入至预设理财分析模型，得到用户当前资金的理财分析结果，理财分析结果包括平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息，预设理财分析模型基于加权平移法构建；推送理财分析结果至用户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对各类型用户进行风险承受力评估；根据释放资金量、各理财产品的在预设限定时间内的收益率以及用户所属用户类型对应的风险承受力评估结果，推送理财产品推荐信息至用户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据账户数据，提取各类型用户对应的群体特征；根据不同类型用户对应的群体特征对账户数据进行分析量化，生成样本数据集，群体特征包括群体特征包括身份特征、购买能力特征、消费特征以及社交影响特征；根据样本数据集以及预设风险预测模型，获得各类型用户对应的风险承受力评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
随机选择样本数据集中部分数据作为训练样本集；针对训练样本集采用多级分类支持向量机，以高斯径向基核函数作为核函数，选取最优惩罚因子C和核函数g，构建预设风险评估模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户集群的账户数据和理财产品数据；
根据账户数据对用户集群进行分类，获取各类型用户经营提示指标；
根据理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在预设限定时间内到期理财产品情况；
根据账户数据和理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在预设限定时间内到期理财产品的释放资金量；
根据释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户，并当用户购买任意理财产品的净值变化幅度或变化次数超过用户类型对应的经营提示指标时，推送提示消息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据账户数据和理财产品数据，识别各类型用户购买理财产品偏好；根据用户购买理财产品偏好、释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据账户数据归集属于相同用户身份的数据，生成账户数据集；根据账户数据集，识别当前用户类型以及用户历史购买理财产品数据；根据用户历史购买理财产品数据以及理财产品数据，分析用户购买理财产品偏好；统计各用户购买理财产品偏好以及对应的用户类型，生成各类型用户购买理财产品偏好。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据账户数据和理财产品数据，获取用户已购买理财产品数据；将用户已购买理财产品数据输入至预设理财分析模型，得到用户当前资金的理财分析结果，理财分析结果包括平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息，预设理财分析模型基于加权平移法构建；推送理财分析结果至用户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各类型用户进行风险承受力评估；根据释放资金量、各理财产品的在预设限定时间内的收益率以及用户所属用户类型对应的风险承受力评估结果，推送理财产品推荐信息至用户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据账户数据，提取各类型用户对应的群体特征；根据不同类型用户对应的群体特征对账户数据进行分析量化，生成样本数据集，群体特征包括群体特征包括身份特征、购买能力特征、消费特征以及社交影响特征；根据样本数据集以及预设风险预测模型，获得各类型用户对应的风险承受力评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
随机选择样本数据集中部分数据作为训练样本集；针对训练样本集采用多级分类支持向量机，以高斯径向基核函数作为核函数，选取最优惩罚因子C和核函数g，构建预设风险评估模型。
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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种理财信息推送方法，所述方法包括：
获取用户集群的账户数据和理财产品数据；
根据所述账户数据对所述用户集群进行分类，获取各类型用户经营提示指标；
根据所述理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在所述预设限定时间内到期理财产品情况；
根据所述账户数据和所述理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在所述预设限定时间内到期理财产品的释放资金量；
根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户，并当所述用户购买任意理财产品的净值变化幅度或变化次数超过所述用户类型对应的经营提示指标时，推送提示消息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户之前，还包括：
根据所述账户数据和所述理财产品数据，识别各类型用户购买理财产品偏好；
所述根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户包括：
根据所述用户购买理财产品偏好、所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至用户。
3.根据权利要求2所述的方法，其特征在于，所述根据所述账户数据和所述理财产品数据，识别各类型用户购买理财产品偏好包括：
根据所述账户数据归集属于相同用户身份的数据，生成账户数据集；
根据账户数据集，识别当前用户类型以及用户历史购买理财产品数据；
根据所述用户历史购买理财产品数据以及所述理财产品数据，分析用户购买理财产品偏好；
统计各用户购买理财产品偏好以及对应的用户类型，生成各类型用户购买理财产品偏好。
4.根据权利要求1所述的方法，其特征在于，所述获取用户集群的账户数据和理财产品数据之后，还包括：
根据所述账户数据和所述理财产品数据，获取用户已购买理财产品数据；
将用户已购买理财产品数据输入至预设理财分析模型，得到用户当前资金的理财分析结果，所述理财分析结果包括平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、累计投资金额、首次投资时间、最近交易时间信息，所述预设理财分析模型基于加权平移法构建；
推送理财分析结果至所述用户。
5.根据权利要求1所述的方法，其特征在于，所述根据所述账户数据对所述用户集群进行分类之后，还包括：
对各类型用户进行风险承受力评估；
所述根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户包括：
根据所述释放资金量、各理财产品的在预设限定时间内的收益率以及用户所属用户类型对应的风险承受力评估结果，推送理财产品推荐信息至所述用户。
6.根据权利要求5所述的方法，其特征在于，所述对各类型用户进行风险承受力评估包括：
根据账户数据，提取各类型用户对应的群体特征；
根据不同类型用户对应的群体特征对账户数据进行分析量化，生成样本数据集，所述群体特征包括所述群体特征包括身份特征、购买能力特征、消费特征以及社交影响特征；
根据所述样本数据集以及预设风险预测模型，获得各类型用户对应的风险承受力评估结果。
7.根据权利要求6所述的方法，其特征在于，所述根据所述样本数据集以及预设风险预测模型，获得各类型用户对应的风险承受力评估结果之前，还包括：
随机选择所述样本数据集中部分数据作为训练样本集；
针对训练样本集采用多级分类支持向量机，以高斯径向基核函数作为核函数，选取最优惩罚因子C和核函数g，构建预设风险评估模型。
8.一种理财信息推送装置，其特征在于，所述装置包括：
数据获取模块，用于获取用户集群的账户数据和理财产品数据；
分类模块，用于根据所述账户数据对所述用户集群进行分类，获取各类型用户经营提示指标；
理财产品预计模块，用于根据所述理财产品数据，预计各理财产品在预设限定时间内的收益率以及用户在所述预设限定时间内到期理财产品情况；
统计模块，用于根据所述账户数据和所述理财产品数据，统计交易过程中用户购买任意理财产品的净值变化情况以及用户在所述预设限定时间内到期理财产品的释放资金量；
推送模块，用于根据所述释放资金量以及各理财产品的在预设限定时间内的收益率，推送理财产品推荐信息至所述用户，并当所述用户购买任意理财产品的净值变化幅度或变化次数超过所述用户类型对应的经营提示指标时，推送提示消息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295662.9A CN110083765A (zh) | 2019-04-12 | 2019-04-12 | 理财信息推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295662.9A CN110083765A (zh) | 2019-04-12 | 2019-04-12 | 理财信息推送方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110083765A true CN110083765A (zh) | 2019-08-02 |
Family
ID=67414988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910295662.9A Pending CN110083765A (zh) | 2019-04-12 | 2019-04-12 | 理财信息推送方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110083765A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619275A (zh) * | 2019-08-15 | 2019-12-27 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
| CN110838024A (zh) * | 2019-10-16 | 2020-02-25 | 支付宝(杭州)信息技术有限公司 | 基于深度强化学习的信息推送方法及装置、设备 |
| CN111695077A (zh) * | 2020-06-15 | 2020-09-22 | 河北中废通网络技术有限公司 | 资产信息推送方法、终端设备及可读存储介质 |
| CN111833113A (zh) * | 2020-07-27 | 2020-10-27 | 中国平安财产保险股份有限公司 | 基于大数据的产品推荐方法、装置、设备及存储介质 |
| CN112468543A (zh) * | 2020-11-12 | 2021-03-09 | 建信金融科技有限责任公司 | 发布信息的方法、装置、设备和计算机可读介质 |
| CN113129024A (zh) * | 2021-05-19 | 2021-07-16 | 中国银行股份有限公司 | 一种基于区块链的5g消息的智能理财方法及系统 |
| CN113344674A (zh) * | 2021-06-28 | 2021-09-03 | 平安信托有限责任公司 | 基于用户购买力的产品推荐方法、装置、设备及存储介质 |
| CN113379545A (zh) * | 2021-06-09 | 2021-09-10 | 中国工商银行股份有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
| CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
| CN115222523A (zh) * | 2022-09-15 | 2022-10-21 | 四川博源科技有限责任公司 | 一种基于图像处理的银行业务多模式自生成方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093141A (zh) * | 2017-03-09 | 2017-08-25 | 腾讯科技（深圳）有限公司 | 产品对象的处理方法和装置 |
| CN107358530A (zh) * | 2017-08-17 | 2017-11-17 | 杭州铜板街互联网金融信息服务有限公司 | 理财产品推荐方法 |
| CN107392773A (zh) * | 2017-03-28 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 计算组合资产综合净值变化率的方法及装置 |
| CN107871282A (zh) * | 2017-11-29 | 2018-04-03 | 上海壹账通金融科技有限公司 | 理财产品购买方法、装置、设备及可读存储介质 |
| CN108681970A (zh) * | 2018-05-28 | 2018-10-19 | 深圳市零度智控科技有限公司 | 基于大数据的理财产品推送方法、系统及计算机存储介质 |
-
2019
- 2019-04-12 CN CN201910295662.9A patent/CN110083765A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093141A (zh) * | 2017-03-09 | 2017-08-25 | 腾讯科技（深圳）有限公司 | 产品对象的处理方法和装置 |
| CN107392773A (zh) * | 2017-03-28 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 计算组合资产综合净值变化率的方法及装置 |
| CN107358530A (zh) * | 2017-08-17 | 2017-11-17 | 杭州铜板街互联网金融信息服务有限公司 | 理财产品推荐方法 |
| CN107871282A (zh) * | 2017-11-29 | 2018-04-03 | 上海壹账通金融科技有限公司 | 理财产品购买方法、装置、设备及可读存储介质 |
| CN108681970A (zh) * | 2018-05-28 | 2018-10-19 | 深圳市零度智控科技有限公司 | 基于大数据的理财产品推送方法、系统及计算机存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619275A (zh) * | 2019-08-15 | 2019-12-27 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
| CN110619275B (zh) * | 2019-08-15 | 2024-07-12 | 锦上花(北京)科技有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
| CN110838024A (zh) * | 2019-10-16 | 2020-02-25 | 支付宝(杭州)信息技术有限公司 | 基于深度强化学习的信息推送方法及装置、设备 |
| CN111695077A (zh) * | 2020-06-15 | 2020-09-22 | 河北中废通网络技术有限公司 | 资产信息推送方法、终端设备及可读存储介质 |
| CN111833113A (zh) * | 2020-07-27 | 2020-10-27 | 中国平安财产保险股份有限公司 | 基于大数据的产品推荐方法、装置、设备及存储介质 |
| CN112468543A (zh) * | 2020-11-12 | 2021-03-09 | 建信金融科技有限责任公司 | 发布信息的方法、装置、设备和计算机可读介质 |
| CN112468543B (zh) * | 2020-11-12 | 2023-04-07 | 建信金融科技有限责任公司 | 发布信息的方法、装置、设备和计算机可读介质 |
| CN113129024A (zh) * | 2021-05-19 | 2021-07-16 | 中国银行股份有限公司 | 一种基于区块链的5g消息的智能理财方法及系统 |
| CN113379545A (zh) * | 2021-06-09 | 2021-09-10 | 中国工商银行股份有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
| CN113344674A (zh) * | 2021-06-28 | 2021-09-03 | 平安信托有限责任公司 | 基于用户购买力的产品推荐方法、装置、设备及存储介质 |
| CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
| CN115222523A (zh) * | 2022-09-15 | 2022-10-21 | 四川博源科技有限责任公司 | 一种基于图像处理的银行业务多模式自生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110083765A (zh) | 理财信息推送方法、装置、计算机设备和存储介质 | |
| Sun et al. | Predicting credit card delinquencies: An application of deep neural networks | |
| Moin et al. | Use of data mining in banking | |
| US11037158B2 (en) | Bulk dispute challenge system | |
| US8775286B2 (en) | System and method for management of financial products portfolio using centralized price and performance optimization tool | |
| US20070050288A1 (en) | System and method for integrating risk and marketing objectives for making credit offers | |
| Zibriczky12 | Recommender systems meet finance: a literature review | |
| US20090271327A1 (en) | Payment portfolio optimization | |
| US20070124237A1 (en) | System and method for optimizing cross-sell decisions for financial products | |
| WO2009132114A2 (en) | Payment portfolio optimization | |
| Ala’raj et al. | A deep learning model for behavioural credit scoring in banks | |
| US20190197617A1 (en) | Methods for offering a credit, credit offer servers, and computer readable media | |
| US20160224964A1 (en) | Systems and methods for managing payment account holders | |
| CN110276677A (zh) | 基于大数据平台的还款预测方法、装置、设备及存储介质 | |
| Sarlija et al. | Comparison procedure of predicting the time to default in behavioural scoring | |
| CN110782339A (zh) | 一种违约概率预测方法、系统和可读存储介质 | |
| US20090164297A1 (en) | Integrated business decision-making system and method | |
| Wang et al. | A credit assessment mechanism for wireless telecommunication debt collection: an empirical study | |
| Wang et al. | Credit card attrition: an overview of machine learning and deep learning techniques | |
| US8818920B2 (en) | Incremental effect modeling by area index maximization | |
| US20230092126A1 (en) | Banking operation support system, banking operation support method, and banking operation support program | |
| Shih et al. | Developing target marketing models for personal loans | |
| US20190312940A1 (en) | Apparatus and method for analyzing using pattern of crypto currency and providing service based on artificial intelligence | |
| Curnow et al. | Automating credit and collections decisions at AT&T Capital Corporation | |
| CN113313601B (zh) | 产品组合的推荐方法、装置及系统、存储介质、电子装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190802 |
|
| WD01 | Invention patent application deemed withdrawn after publication |