CN110348914A - 客户流失数据分析方法及装置 - Google Patents

客户流失数据分析方法及装置 Download PDF

Info

Publication number
CN110348914A
CN110348914A CN201910654833.2A CN201910654833A CN110348914A CN 110348914 A CN110348914 A CN 110348914A CN 201910654833 A CN201910654833 A CN 201910654833A CN 110348914 A CN110348914 A CN 110348914A
Authority
CN
China
Prior art keywords
data
customer
customer churn
influence factor
churn
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
CN201910654833.2A
Other languages
English (en)
Inventor
闫佳丽
朱克斌
刘辉
刘岩
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN201910654833.2A priority Critical patent/CN110348914A/zh
Publication of CN110348914A publication Critical patent/CN110348914A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种客户流失数据分析方法及装置，其中方法包括：获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。本发明能够快速预测客户流失的可能性，提高分析工作的效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施。

Description

客户流失数据分析方法及装置
技术领域
本发明涉及客户管理技术领域，尤其涉及客户流失数据分析方法及装置。
背景技术
客户流失，是指由于各种原因所导致的客户与企业终止合作的情况。就银行业而言，客户流失是指客户在银行的金融资产下降、活跃度下降、持有产品数量减少、客户的贡献度下降、销户等。客户在一定时间内不再发生主动交易，这将给银行带来巨大损失。
现有的客户流失分析方法主要是对客户行为进行人工分析，从而预测客户是否有流失的迹象。但是对所有客户逐一进行人工分析需要耗费大量人力物力，工作效率极低，难以及时发现客户流失迹象并采取挽留措施，并且依靠经验得到的判断结果可能缺乏合理性，准确率较低。
发明内容
本发明实施例提供一种客户流失数据分析方法，用以快速预测客户流失的可能性，提高分析工作的效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施，该方法包括：
获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；
将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
一个实施例中，客户流失数据分析方法还包括：
根据所述财产数据确定客户价值数据，根据所述账户数据确定挽留成本数据；
根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，所述挽留方式数据包括：线上线下综合挽留方式数据和线上挽留方式数据。
本发明实施例提供一种客户流失数据分析装置，用以快速预测客户流失的可能性，提高分析工作的效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施，该装置包括：
数据获取模块，用于获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；
流失预测模块，用于将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
一个实施例中，客户流失数据分析装置还包括：
价值和成本确定模块，用于根据所述财产数据确定客户价值数据，根据所述账户数据确定挽留成本数据；
方式提取模块，用于根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，所述挽留方式数据包括：线上线下综合挽留方式数据和线上挽留方式数据。
本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述客户流失数据分析方法。
本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述客户流失数据分析方法。
相对于现有技术中通过对客户行为进行人工分析预测客户是否有流失迹象的方案而言，本发明实施例通过获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。本发明实施例针对各客户等级，根据客户流失影响因素历史数据人工智能模型的模型系数进行训练，在获取新的客户流失影响因素数据以及客户等级之后，利用训练好的与客户等级对应的人工智能模型获得客户流失预测结果，不需要对所有客户逐一进行人工分析，节省大量人力物力，提高工作效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施。实施例中根据客户价值和挽留成本之间的关系，从数据库中提取对应的挽留方式数据，进一步节省了人力物力，对不同类型用户采取不同的挽留方式，从而更有针对性地挽留各类型客户。
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。在附图中：
图1为本发明实施例中客户流失数据分析方法示意图；
图2为本发明实施例中客户流失数据分析装置结构图；
图3为本发明实施例中客户流失数据分析装置结构图；
图4为本发明实施例中客户流失数据分析装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了快速预测客户流失的可能性，提高分析工作的效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施，本发明实施例提供一种客户流失数据分析方法，如图1所示，该方法可以包括：
步骤101、获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；
步骤102、将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
由图1所示可以得知，本发明实施例通过获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。本发明实施例针对各客户等级，根据客户流失影响因素历史数据人工智能模型的模型系数进行训练，在获取新的客户流失影响因素数据以及客户等级之后，利用训练好的与客户等级对应的人工智能模型获得客户流失预测结果，不需要对所有客户逐一进行人工分析，节省大量人力物力，提高工作效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施。实施例中根据客户价值和挽留成本之间的关系，从数据库中提取对应的挽留方式数据，进一步节省了人力物力，对不同类型用户采取不同的挽留方式，从而更有针对性地挽留各类型客户。
具体实施时，获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据。
实施例中，客户的身份数据可以为客户的基本信息，例如客户姓名，身份证号，客户编号等，账户数据可以为账号，财产数据可以为账户余额，交易数据可以为动账数据，银行产品数据可以为客户购买的金融产品数据，产品持有数据等。每一客户都对应一个客户等级，客户等级可以是高端客户，中高端客户，普通客户等。
具体实施时，将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
实施例中，对于不同的客户等级，训练得到的人工智能模型的模型系数也不同。训练人工智能模型时，训练数据为与客户等级对应的客户流失影响因素历史数据，由业务人员提出客户流失的标准定义，根据客户流失的标准定义进行客户流失的打标签，可以将客户流失影响因素数据构建成以客户编号为主键的数据集，数据集的标签信息为客户是否流失。进而根据与所述客户等级对应的客户流失影响因素历史数据以及对应的标签可以训练所述人工智能模型的模型系数。
实施例中，模型训练好之后，根据训练好的人工智能模型的模型系数，确定客户流失影响因素与客户流失预测结果的关系；根据客户流失影响因素与客户流失预测结果的关系，从数据库中提取对应的挽留策略数据。客户流失影响因素可以包括客户的身份数据，账户数据，财产数据，交易数据和银行产品数据等，训练好的人工智能模型的模型系数即为各客户流失影响因素对应的比重。对于预测结果为客户流失的客户，比重值越大的客户流失影响因素是造成客户流失的重要因素。可以预先对各客户流失影响因素制定对应的挽留策略，在得到训练好的人工智能模型的模型系数之后，确定比重最大的客户流失影响因素，从数据库中提取该影响因素对应的挽留策略数据。
实施例中，根据所述财产数据确定客户价值数据，根据所述账户数据确定挽留成本数据；根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，所述挽留方式数据包括：线上线下综合挽留方式数据和线上挽留方式数据。
发明人发现，客户挽留是一个长期的工作，如果仅依靠人工进行挽留，一方面成本较高，另一方面可能会导致挽留不及时。因此本发明实施例设置了两种挽留方式，线上线下综合挽留方式数据和线上挽留方式数据，根据财产数据确定的客户价值数据与根据账户数据确定的挽留成本数据之间的关系，从数据库中选择对应的挽留方式数据，对于客户价值较小的客户，通过线上挽留方式由系统自动进行挽留，从而节约了成本，创造更多利益。
实施例中，根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，包括：若客户价值数据不小于挽留成本数据，从数据库中提取线上线下综合挽留方式数据；若客户价值数据小于挽留成本数据，从数据库中提取线上挽留方式数据。
基于同一发明构思，本发明实施例还提供了一种客户流失数据分析装置，如下面的实施例所述。由于这些解决问题的原理与客户流失数据分析方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图2为本发明实施例中客户流失数据分析装置的结构图，如图2所示，该装置包括：
数据获取模块201，用于获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；
流失预测模块202，用于将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
一个实施例中，如图3所示，客户流失数据分析装置还包括：
关系确定模块203，用于根据训练好的人工智能模型的模型系数，确定客户流失影响因素与客户流失预测结果的关系；
策略提取模块204，用于根据客户流失影响因素与客户流失预测结果的关系，从数据库中提取对应的挽留策略数据。
一个实施例中，如图4所示，客户流失数据分析装置还包括：
价值和成本确定模块205，用于根据所述财产数据确定客户价值数据，根据所述账户数据确定挽留成本数据；
方式提取模块206，用于根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，所述挽留方式数据包括：线上线下综合挽留方式数据和线上挽留方式数据。
一个实施例中，所述方式提取模块206进一步用于，
若客户价值数据不小于挽留成本数据，从数据库中提取线上线下综合挽留方式数据；
若客户价值数据小于挽留成本数据，从数据库中提取线上挽留方式数据。
综上所述，本发明实施例通过获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。本发明实施例针对各客户等级，根据客户流失影响因素历史数据人工智能模型的模型系数进行训练，在获取新的客户流失影响因素数据以及客户等级之后，利用训练好的与客户等级对应的人工智能模型获得客户流失预测结果，不需要对所有客户逐一进行人工分析，节省大量人力物力，提高工作效率和分析结果的合理性，保证及时准确发现客户流失迹象，从而利于及时采取挽留措施。实施例中根据客户价值和挽留成本之间的关系，从数据库中提取对应的挽留方式数据，进一步节省了人力物力，对不同类型用户采取不同的挽留方式，从而更有针对性地挽留各类型客户。实施例中，设置了两种挽留方式，线上线下综合挽留方式数据和线上挽留方式数据，根据财产数据确定的客户价值数据与根据账户数据确定的挽留成本数据之间的关系，从数据库中选择对应的挽留方式数据，对于客户价值较小的客户，通过线上挽留方式由系统自动进行挽留，从而节约了成本，创造更多利益。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种客户流失数据分析方法，其特征在于，包括：
获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；
将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
2.如权利要求1所述的方法，其特征在于，还包括：
根据训练好的人工智能模型的模型系数，确定客户流失影响因素与客户流失预测结果的关系；
根据客户流失影响因素与客户流失预测结果的关系，从数据库中提取对应的挽留策略数据。
3.如权利要求1或2所述的方法，其特征在于，还包括：
根据所述财产数据确定客户价值数据，根据所述账户数据确定挽留成本数据；
根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，所述挽留方式数据包括：线上线下综合挽留方式数据和线上挽留方式数据。
4.如权利要求3所述的方法，其特征在于，所述根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，包括：
若客户价值数据不小于挽留成本数据，从数据库中提取线上线下综合挽留方式数据；
若客户价值数据小于挽留成本数据，从数据库中提取线上挽留方式数据。
5.一种客户流失数据分析装置，其特征在于，包括：
数据获取模块，用于获取客户流失影响因素数据和客户等级，所述客户流失影响因素数据包括：客户的身份数据，账户数据，财产数据，交易数据和银行产品数据；
流失预测模块，用于将所述客户流失影响因素数据输入训练好的人工智能模型，输出客户流失预测结果，其中，根据与所述客户等级对应的客户流失影响因素历史数据训练所述人工智能模型的模型系数。
6.如权利要求5所述的装置，其特征在于，还包括：
关系确定模块，用于根据训练好的人工智能模型的模型系数，确定客户流失影响因素与客户流失预测结果的关系；
策略提取模块，用于根据客户流失影响因素与客户流失预测结果的关系，从数据库中提取对应的挽留策略数据。
7.如权利要求5或6所述的装置，其特征在于，还包括：
价值和成本确定模块，用于根据所述财产数据确定客户价值数据，根据所述账户数据确定挽留成本数据；
方式提取模块，用于根据客户价值数据与挽留成本数据的关系，从数据库中提取对应的挽留方式数据，所述挽留方式数据包括：线上线下综合挽留方式数据和线上挽留方式数据。
8.如权利要求7所述的装置，其特征在于，所述方式提取模块进一步用于，
若客户价值数据不小于挽留成本数据，从数据库中提取线上线下综合挽留方式数据；
若客户价值数据小于挽留成本数据，从数据库中提取线上挽留方式数据。
9.一种计算机设备，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，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4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
CN201910654833.2A 2019-07-19 2019-07-19 客户流失数据分析方法及装置 Pending CN110348914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910654833.2A CN110348914A (zh) 2019-07-19 2019-07-19 客户流失数据分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910654833.2A CN110348914A (zh) 2019-07-19 2019-07-19 客户流失数据分析方法及装置

Publications (1)

Publication Number Publication Date
CN110348914A true CN110348914A (zh) 2019-10-18

Family

ID=68179362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910654833.2A Pending CN110348914A (zh) 2019-07-19 2019-07-19 客户流失数据分析方法及装置

Country Status (1)

Country Link
CN (1) CN110348914A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851540A (zh) * 2019-10-28 2020-02-28 天津大学 一种基于金融业务图谱的商业银行客户流失预警方法
CN110889724A (zh) * 2019-11-22 2020-03-17 北京明略软件系统有限公司 客户流失预测方法、装置、电子设备和存储介质
CN111353819A (zh) * 2020-02-28 2020-06-30 中国工商银行股份有限公司 基于智能营销的客户挽回方法及装置
CN112561369A (zh) * 2020-12-23 2021-03-26 徐靖玮 一种基于云平台的供应链金融服务方法及系统
CN113052404A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 一种客户流失率预测方法、装置、电子设备及存储介质
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
CN113450153A (zh) * 2021-07-02 2021-09-28 京东科技控股股份有限公司 数据处理方法及装置
CN113724010A (zh) * 2021-09-01 2021-11-30 吉林亿联银行股份有限公司 客户流失预测方法及装置
CN116664184A (zh) * 2023-07-31 2023-08-29 广东南方电信规划咨询设计院有限公司 基于联邦学习的客户流失预测方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069534A (zh) * 2015-08-18 2015-11-18 广州华多网络科技有限公司 客户流失预测方法以及装置
CN105760957A (zh) * 2016-02-23 2016-07-13 国元证券股份有限公司 一种证券软流失客户的预测方法
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106504087A (zh) * 2016-11-18 2017-03-15 中国农业银行股份有限公司 一种挽留策略匹配方法及系统
CN107158708A (zh) * 2016-03-08 2017-09-15 电子技术公司 多玩家视频游戏匹配优化
CN107970612A (zh) * 2016-10-21 2018-05-01 电子技术公司 多玩家视频游戏匹配系统和方法
CN109285038A (zh) * 2018-10-16 2019-01-29 浪潮软件集团有限公司 一种通过bp神经网络预测银行客户流失的方法
CN109376237A (zh) * 2018-09-04 2019-02-22 中国平安人寿保险股份有限公司 客户稳定性的预测方法、装置、计算机设备和存储介质
CN109409963A (zh) * 2018-11-12 2019-03-01 平安科技（深圳）有限公司 客户生命周期的预测方法及装置、存储介质、计算机设备
CN109636443A (zh) * 2018-11-17 2019-04-16 南京中数媒介研究有限公司 客户流失预测的深度学习方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069534A (zh) * 2015-08-18 2015-11-18 广州华多网络科技有限公司 客户流失预测方法以及装置
CN105760957A (zh) * 2016-02-23 2016-07-13 国元证券股份有限公司 一种证券软流失客户的预测方法
CN107158708A (zh) * 2016-03-08 2017-09-15 电子技术公司 多玩家视频游戏匹配优化
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN107970612A (zh) * 2016-10-21 2018-05-01 电子技术公司 多玩家视频游戏匹配系统和方法
CN106504087A (zh) * 2016-11-18 2017-03-15 中国农业银行股份有限公司 一种挽留策略匹配方法及系统
CN109376237A (zh) * 2018-09-04 2019-02-22 中国平安人寿保险股份有限公司 客户稳定性的预测方法、装置、计算机设备和存储介质
CN109285038A (zh) * 2018-10-16 2019-01-29 浪潮软件集团有限公司 一种通过bp神经网络预测银行客户流失的方法
CN109409963A (zh) * 2018-11-12 2019-03-01 平安科技（深圳）有限公司 客户生命周期的预测方法及装置、存储介质、计算机设备
CN109636443A (zh) * 2018-11-17 2019-04-16 南京中数媒介研究有限公司 客户流失预测的深度学习方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李萍等: "移动流失客户挽留价值估算模型探讨", 《北京邮电大学学报 （社会科学版）》 *
陈小波: "基于决策树和神经网络的移动客户挽留价值估算研究——以广东某移动公司为例", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851540A (zh) * 2019-10-28 2020-02-28 天津大学 一种基于金融业务图谱的商业银行客户流失预警方法
CN110889724A (zh) * 2019-11-22 2020-03-17 北京明略软件系统有限公司 客户流失预测方法、装置、电子设备和存储介质
CN111353819A (zh) * 2020-02-28 2020-06-30 中国工商银行股份有限公司 基于智能营销的客户挽回方法及装置
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
CN112561369A (zh) * 2020-12-23 2021-03-26 徐靖玮 一种基于云平台的供应链金融服务方法及系统
CN113052404A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 一种客户流失率预测方法、装置、电子设备及存储介质
CN113450153A (zh) * 2021-07-02 2021-09-28 京东科技控股股份有限公司 数据处理方法及装置
CN113724010A (zh) * 2021-09-01 2021-11-30 吉林亿联银行股份有限公司 客户流失预测方法及装置
CN116664184A (zh) * 2023-07-31 2023-08-29 广东南方电信规划咨询设计院有限公司 基于联邦学习的客户流失预测方法及装置
CN116664184B (zh) * 2023-07-31 2024-01-12 广东南方电信规划咨询设计院有限公司 基于联邦学习的客户流失预测方法及装置

Similar Documents

Publication Publication Date Title
CN110348914A (zh) 客户流失数据分析方法及装置
CN108665159A (zh) 一种风险评估方法、装置、终端设备及存储介质
CN112037038B (zh) 银行信贷风险预测方法及装置
CN110992167A (zh) 银行客户业务意图识别方法及装置
CN110400185A (zh) 产品推荐方法及系统
CN110490392A (zh) 网点配钞方法及装置
CN111932020B (zh) 客户流失预测方法和装置
US20190392295A1 (en) Information processing device, method, and program that use deep learning
CN107220867A (zh) 对象控制方法及装置
CN112700321A (zh) 基于用户行为数据的多规则反欺诈预测方法及系统
KR102505632B1 (ko) 신용정보를 활용한 인공 지능 모형 기반 개인사업자 부도율 예측 방법 및 장치
CN111062602A (zh) 企业信用风险评估的方法、装置及存储介质
CN111667307B (zh) 一种理财产品销量的预测方法及装置
CN112347392A (zh) 一种基于迁移学习的反欺诈评估方法、装置及电子设备
CN109711984A (zh) 一种基于催收的贷前风险监控方法及装置
CN114581130A (zh) 基于客户画像的银行网点派号方法及装置、存储介质
Lu et al. DEA conceptual exposition and literature review
CN110210518B (zh) 提取降维特征的方法和装置
Stawiarski Granger causality and cointegration during stock bubbles and market crashes
CN110956027A (zh) 一种数字短信内容生成的方法和装置
CN111898708A (zh) 一种迁移学习方法和电子设备
Abdallah et al. Inflation and commencial banks operation in Tanzania
Roopa Devi et al. Predicting and analysis the bitcoin price using various forecasting model
Yen et al. Modeling of financial distress probability for Vietnamese listed companies
Živković Forecast of Belex15 and Belexline movement using ARIMA model

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: 20191018

RJ01 Rejection of invention patent application after publication