CN110415002A - 客户行为预测方法及系统 - Google Patents
客户行为预测方法及系统 Download PDFInfo
- Publication number
- CN110415002A CN110415002A CN201910700356.9A CN201910700356A CN110415002A CN 110415002 A CN110415002 A CN 110415002A CN 201910700356 A CN201910700356 A CN 201910700356A CN 110415002 A CN110415002 A CN 110415002A
- Authority
- CN
- China
- Prior art keywords
- product
- information
- customer
- target
- behavior 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
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
- G06Q30/01—Customer relationship services
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种客户行为预测方法及系统。该方法包括提供客户行为预测模型；获取一个或多个属性信息；将一个或多个属性信息输入客户行为预测模型中，获得预测结果；当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息，可以灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
Description
技术领域
本发明涉及行为预测领域，具体地，涉及一种客户行为预测方法及系统。
背景技术
目前银行机构的每位客户经理管理的人数达至数百人，导致客户经理很难全面了解每一位客户。随着社交的日益发展，客户的个性化需求越来越多，再加上银行机构的零售产品服务繁杂，客户经理难以及时地根据客户个性化需求将产品推送至客户。因此，为了满足客户个性化需求，就必须让客户经理快速了解客户需求和认识产品属性，从而预测客户行为。
在此背景下，各大金融机构会通过数据报表，专家经验或单一数据模型来对客户行为进行预测，这些方法不能灵活应对不同种类的客户行为，准确率也欠佳。
发明内容
本发明实施例的主要目的在于提供一种客户行为预测方法及系统，可以灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
为了实现上述目的，本发明实施例提供一种客户行为预测方法，包括：
提供客户行为预测模型；
获取一个或多个属性信息；
将一个或多个属性信息输入客户行为预测模型中，获得预测结果；
其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；
当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。
本发明实施例还提供一种客户行为预测系统，包括：
客户行为预测模型单元，用于提供客户行为预测模型；
属性信息获取单元，用于获取一个或多个属性信息；
预测结果获取单元，用于将一个或多个属性信息输入客户行为预测模型中，获得预测结果；
其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；
当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。
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，处理器执行计算机程序时实现所述的客户行为预测方法的步骤。
本发明实施例还提供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所述的客户行为预测方法的步骤。
本发明实施例的客户行为预测方法及系统提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
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。
图1是本发明第一实施例中客户行为预测方法的流程图；
图2是本发明一实施例中获得客户行为预测模型的流程图；
图3是本发明第二实施例中客户行为预测方法的流程图；
图4是本发明第三实施例中客户行为预测方法的流程图；
图5是本发明实施例中客户行为预测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
鉴于现有技术通过数据报表，专家经验或单一数据模型来对客户行为进行预测，不能灵活应对不同种类的客户行为，准确率欠佳，本发明实施例提供一种客户行为预测方法，以灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。以下结合附图对本发明进行详细说明。
图1是本发明第一实施例中客户行为预测方法的流程图。如图1所示，客户行为预测方法包括：
S101：提供客户行为预测模型。
S102：获取一个或多个属性信息。
S103：将一个或多个属性信息输入客户行为预测模型中，获得预测结果。
其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；可以从外部的操作终端中获取属性信息。操作终端可以为台式电脑、移动智能终端等设备，用于供客户经理输入属性信息，并获得预测结果，台式电脑、移动智能终端设备。
当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。
其中，客户属性信息包括：性别、年龄、银行评级、职业、学历、总资产额、持有各产品的分项资产额、月均资产额、日均资产额、不良贷款总余额、交易频率、各产品的交易笔数、各产品的交易金额、多个时间段的总交易笔数(如近3、6、12个月内的总交易笔数)、行内转账汇款、行外转账汇款、境内消费笔数、境外消费笔数、境内消费频次、境外消费频次、境内消费金额、境外消费金额、线上消费笔数、线下消费笔数、线上消费频次、线下消费频次、线上消费金额和线下消费金额；
产品属性信息包括：产品名称、产品介绍、产品销售地区、产品风险、多个时间段的收益率(如近3、6、12个月内的收益率)、持有人数、交易频次和持有时长。
目标客户的目标产品类别信息可以为目标客户购买每种目标产品类别的概率。例如，目标产品类别可以包括基金、保险和存款。目标客户A购买基金产品的概率为80％，购买保险产品的概率为60％，购买存款产品的概率为40％。
也可以根据预设阈值与目标客户购买每种目标产品类别的概率，给对应的目标产品类别贴上标签。例如，预设阈值为50％，大于50％的概率对应的目标产品类别贴上标签1，小于或等于50％的概率对应的目标产品类别贴上标签0。则目标客户A的基金产品贴上的标签是1，保险产品贴上的标签是1，存款产品贴上的标签是0。客户经理根据目标客户的目标产品类别信息可以判断应向客户A推销基金产品和保险产品。
目标产品的目标客户信息可以为购买该目标产品概率较大的客户的属性信息。例如，针对产品B，性别为女、年龄为30岁至40岁，学历为大学的客户购买产品B的概率最大，其次为性别为男，年龄为25岁至30岁，月均资产额为2万元的客户。客户经理根据目标产品的目标客户信息可以判断应向哪些客户推销产品B。
图1所示的客户行为预测方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的客户行为预测方法提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
图2是本发明一实施例中获得客户行为预测模型的流程图。如图2所示，预先通过以下方式获得客户行为预测模型：
S201：获取样本集的多个客户对应的客户信息、多个产品对应的产品信息、多个目标产品历史类别信息和多个目标客户历史信息；其中，客户信息包括多种客户属性信息；产品信息包括多种产品属性信息。
S202：将多种客户属性信息和多种产品属性信息中的任意两种属性信息进行组合，获得多种组合数据。
进行组合之前，还可以包括：将客户属性信息和产品属性信息中具有实际意义的离散值进行连续化处理，将时间序列数据转化为可以用于计算的离散值或连续值。
例如，对学历中的高中、本科、硕士和博士等字符转化为0,1,2和3等离散数字。将某客户在某段时间内购买某产品，成交金额为X万元的时间序列数据转化为近3个月购买某产品的总金额，最后将学历和近3个月购买某产品的总金额进行两两交叉组合，获得某学历的客户在近3个月购买某产品的总金额。
S203：通过聚类算法对多种组合数据进行分群，形成客群属性集合和产品群属性结合。
S204：通过聚类算法将客群属性集合中的多种组合数据分至多个客群，并将每个客群的客群质点对应的多种客户属性信息作为客群特征。
S205：根据每个客群对应的多种客户属性信息、每个客群的客群特征和多个目标产品历史类别信息训练预设的第一机器学习模型，得到第一客户行为预测模型。
其中，第一机器学习模型可以为梯度提升树模型或随机森林模型
S206：通过聚类算法将产品群属性集合中的多种组合数据分至多个产品群，并将每个产品群的产品群质点对应的多种产品属性信息作为产品群特征。
S207：根据每个产品群对应的多种产品属性信息、每个产品群的产品群特征和多个目标客户历史信息训练预设的第二机器学习模型，得到第二客户行为预测模型。
其中，第二机器学习模型可以为梯度提升树模型，例如XGBOOST模型。
图3是本发明第二实施例中客户行为预测方法的流程图。如图3所示，在执行S202之前，客户行为预测方法还可以包括：
S301：判断每个客户对应的客户信息中的关键客户属性信息是否缺失。
S302：当关键客户属性信息缺失时，删除该客户对应的客户信息。
其中，执行S302之后，还可以包括：判断每个客户对应的多种客户属性信息中的缺失值数量；当缺失值数量大于第三预设值时，删除该客户对应的客户信息。和/或，计算每种客户属性信息的均值；计算每种客户属性信息与该种客户属性信息的均值之间的偏离度；当偏离度大于第五预设值时，删除该种客户属性信息，并对删除后的该种客户属性信息进行数值填充。
例如，当偏离度大于75％时，该种客户属性信息，并对删除后的该种客户属性信息进行数值填充。填充后的数据可以为0,99等特殊数字，也可以为该种客户属性信息的平均值或中位数。
S303：判断每个产品对应的产品信息中的关键产品属性信息是否缺失。
S304：当关键产品属性信息缺失时，删除该产品对应的产品信息。
其中，执行S304之后，还可以包括：判断每个产品对应的多种产品属性信息中的缺失值数量；当缺失值数量大于第四预设值时，删除该产品对应的产品信息。和/或，计算每种产品属性信息的均值；计算每种产品属性信息与该种产品属性信息的均值之间的偏离度；当偏离度大于第五预设值时，删除该种产品属性信息，并对删除后的该种产品属性信息进行数值填充。
图4是本发明第三实施例中客户行为预测方法的流程图。如图4所示，当预测结果为目标客户的目标产品类别信息时，客户行为预测方法还包括：
S401：根据目标客户的目标产品类别信息，从预设的热门产品集中获取每个目标产品类别信息对应的多个热门产品；目标产品类别信息的数量为一个或多个。
在执行S401之前，可以通过如下方式获得热门产品集：
获取每个产品类别信息对应的每个产品的多种销售数据；产品类别信息的数量为多个，每个产品类别信息均对应多个产品；根据每个产品类别信息对应的每个产品的多种销售数据，计算每个产品类别信息对应的每个产品的销售总额；将每个产品类别信息对应的每个产品的销售总额按从小到大的顺序进行排序，选取排序在第二预设值之前的产品形成热门产品集。
其中，销售数据包括：持有金额总数、预设时间段的平均持有时长(如近3个月的平均持有时长)和预设时间段的平均交易频次(如近3个月的平均交易频次)。
S402：根据每个目标产品类别信息对应的多个热门产品与该目标产品类别信息对应的多个当季营销产品，得到每个目标产品类别信息对应的当季营销目标产品。
其中，S402包括：计算每个目标产品类别信息对应的每个热门产品与该目标产品类别信息对应的每个当季营销产品之间的相似度；每个目标产品类别信息对应的相似度的数量为多个；将每个目标产品类别信息对应的相似度按从小到大的顺序进行排序，将排序在第一预设值之前的当季营销产品作为每个目标产品类别信息对应的当季营销产品。
具体实施时，可以将欧式距离或曼哈顿距离作为每个目标产品类别信息对应的每个热门产品与该目标产品类别信息对应的每个当季营销产品之间的相似度。
本发明实施例的具体流程如下：
1、获取样本集的多个客户对应的客户信息、多个产品对应的产品信息、多个目标产品历史类别信息和多个目标客户历史信息；其中，客户信息包括多种客户属性信息；产品信息包括多种产品属性信息。
2、判断每个客户对应的客户信息中的关键客户属性信息是否缺失。当关键客户属性信息缺失时，删除该客户对应的客户信息。判断每个客户对应的多种客户属性信息中的缺失值数量；当缺失值数量大于第三预设值时，删除该客户对应的客户信息。和/或，计算每种客户属性信息的均值；计算每种客户属性信息与该种客户属性信息的均值之间的偏离度；当偏离度大于第五预设值时，删除该种客户属性信息，并对删除后的该种客户属性信息进行数值填充。
3、判断每个产品对应的产品信息中的关键产品属性信息是否缺失。当关键产品属性信息缺失时，删除该产品对应的产品信息。判断每个产品对应的多种产品属性信息中的缺失值数量；当缺失值数量大于第四预设值时，删除该产品对应的产品信息。和/或，计算每种产品属性信息的均值；计算每种产品属性信息与该种产品属性信息的均值之间的偏离度；当偏离度大于第五预设值时，删除该种产品属性信息，并对删除后的该种产品属性信息进行数值填充。
4、将客户属性信息和产品属性信息中具有实际意义的离散值进行连续化处理，将时间序列数据转化为可以用于计算的离散值或连续值。
5、将多种客户属性信息和多种产品属性信息中的任意两种属性信息进行组合，获得多种组合数据。
6、通过聚类算法对多种组合数据进行分群，形成客群属性集合和产品群属性结合。
7、通过聚类算法将客群属性集合中的多种组合数据分至多个客群，并将每个客群的客群质点对应的多种客户属性信息作为客群特征。通过聚类算法将产品群属性集合中的多种组合数据分至多个产品群，并将每个产品群的产品群质点对应的多种产品属性信息作为产品群特征。
8、根据每个客群对应的多种客户属性信息、每个客群的客群特征和多个目标产品历史类别信息训练预设的第一机器学习模型，得到第一客户行为预测模型。根据每个产品群对应的多种产品属性信息、每个产品群的产品群特征和多个目标客户历史信息训练预设的第二机器学习模型，得到第二客户行为预测模型。
9、将一个或多个目标客户的客户属性信息输入第一客户行为预测模型中，获得目标客户的目标产品类别信息。将一个或多个目标产品的产品属性信息输入第二客户行为预测模型中，获得目标产品的目标客户信息。
10、获取每个产品类别信息对应的每个产品的多种销售数据；产品类别信息的数量为多个，每个产品类别信息均对应多个产品；根据每个产品类别信息对应的每个产品的多种销售数据。
11、计算每个产品类别信息对应的每个产品的销售总额；将每个产品类别信息对应的每个产品的销售总额按从小到大的顺序进行排序，选取排序在第二预设值之前的产品形成热门产品集。
12、根据目标客户的目标产品类别信息，从热门产品集中获取每个目标产品类别信息对应的多个热门产品；目标产品类别信息的数量为一个或多个。
13、根据每个目标产品类别信息对应的多个热门产品与该目标产品类别信息对应的多个当季营销产品，得到每个目标产品类别信息对应的当季营销目标产品。
综上，本发明实施例的客户行为预测方法提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
基于同一发明构思，本发明实施例还提供了一种监控事件处理系统，由于该系统解决问题的原理与监控事件处理方法相似，因此该系统的实施可以参见方法的实施，重复之处不再赘述。
图5是本发明实施例中客户行为预测系统的结构框图。如图5所示，客户行为预测系统包括：
客户行为预测模型单元，用于提供客户行为预测模型；
属性信息获取单元，用于获取一个或多个属性信息；
预测结果获取单元，用于将一个或多个属性信息输入客户行为预测模型中，获得预测结果；
其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；
当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。
在其中一种实施例中，客户行为预测模型单元包括：
获取子单元，用于获取样本集的多个客户对应的客户信息、多个产品对应的产品信息、多个目标产品历史类别信息和多个目标客户历史信息；其中，客户信息包括多种客户属性信息；产品信息包括多种产品属性信息；
组合子单元，用于将多种客户属性信息和多种产品属性信息中的任意两种属性信息进行组合，获得多种组合数据；
分群子单元，用于通过聚类算法对多种组合数据进行分群，形成客群属性集合和产品群属性结合；
客群子单元，用于通过聚类算法将客群属性集合中的多种组合数据分至多个客群，并将每个客群的客群质点对应的多种客户属性信息作为客群特征；
第一模型训练子单元，用于根据每个客群对应的多种客户属性信息、每个客群的客群特征和多个目标产品历史类别信息训练预设的第一机器学习模型，得到第一客户行为预测模型；
产品子单元，用于通过聚类算法将产品群属性集合中的多种组合数据分至多个产品群，并将每个产品群的产品群质点对应的多种产品属性信息作为产品群特征；
第二模型训练子单元，用于根据每个产品群对应的多种产品属性信息、每个产品群的产品群特征和多个目标客户历史信息训练预设的第二机器学习模型，得到第二客户行为预测模型。
在其中一种实施例中，还包括：
热门产品单元，用于根据目标客户的目标产品类别信息，从预设的热门产品集中获取每个目标产品类别信息对应的多个热门产品；目标产品类别信息的数量为一个或多个；
当季营销目标产品单元，用于根据每个目标产品类别信息对应的多个热门产品与该目标产品类别信息对应的多个当季营销产品，得到每个目标产品类别信息对应的当季营销目标产品。
在其中一种实施例中，当季营销目标产品单元具体用于：
计算每个目标产品类别信息对应的每个热门产品与该目标产品类别信息对应的每个当季营销产品之间的相似度；每个目标产品类别信息对应的相似度的数量为多个；
将每个目标产品类别信息对应的相似度按从小到大的顺序进行排序，将排序在第一预设值之前的当季营销产品作为每个目标产品类别信息对应的当季营销产品。
在其中一种实施例中，还包括：
销售数据获取单元，用于获取每个产品类别信息对应的每个产品的多种销售数据；产品类别信息的数量为多个，每个产品类别信息均对应多个产品；
销售总额单元，用于根据每个产品类别信息对应的每个产品的多种销售数据，计算每个产品类别信息对应的每个产品的销售总额；
热门产品集单元，用于将每个产品类别信息对应的每个产品的销售总额按从小到大的顺序进行排序，选取排序在第二预设值之前的产品形成热门产品集。
在其中一种实施例中，还包括：
第一判断单元，用于判断每个客户对应的客户信息中的关键客户属性信息是否缺失；
第一删除单元，用于删除当关键客户属性信息缺失时，删除该客户对应的客户信息；
第二判断单元，用于判断每个产品对应的产品信息中的关键产品属性信息是否缺失；
第二删除单元，用于当关键产品属性信息缺失时，删除该产品对应的产品信息。
在其中一种实施例中，还包括：
第三判断单元，用于判断每个客户对应的多种客户属性信息中的缺失值数量；
第三删除单元，用于当缺失值数量大于第三预设值时，删除该客户对应的客户信息；
第四判断单元，用于判断每个产品对应的多种产品属性信息中的缺失值数量；
第四删除单元，用于当缺失值数量大于第四预设值时，删除该产品对应的产品信息。
在其中一种实施例中，还包括：
第一计算单元，用于计算每种客户属性信息的均值；计算每种客户属性信息与该种客户属性信息的均值之间的偏离度；
第一填充单元，用于当偏离度大于第五预设值时，删除该种客户属性信息，并对删除后的该种客户属性信息进行数值填充；
第二计算单元，用于计算每种产品属性信息的均值；计算每种产品属性信息与该种产品属性信息的均值之间的偏离度；
第二填充单元，用于当偏离度大于第五预设值时，删除该种产品属性信息，并对删除后的该种产品属性信息进行数值填充。
综上，本发明实施例的客户行为预测系统提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
本发明实施例还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可以实现客户行为预测方法的全部或部分内容，例如，处理器执行计算机程序时可以实现如下内容：
提供客户行为预测模型；
获取一个或多个属性信息；
将一个或多个属性信息输入客户行为预测模型中，获得预测结果；
其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；
当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。
综上，本发明实施例的计算机设备提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
本发明实施例还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可以实现客户行为预测方法的全部或部分内容，例如，处理器执行计算机程序时可以实现如下内容：
提供客户行为预测模型；
获取一个或多个属性信息；
将一个或多个属性信息输入客户行为预测模型中，获得预测结果；
其中，属性信息为目标客户的客户属性信息或目标产品的产品属性信息；客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当属性信息为目标客户的客户属性信息时，客户行为预测模型为第一客户行为预测模型，预测结果为目标客户的目标产品类别信息；
当属性信息为目标产品的产品属性信息时，客户行为预测模型为第二客户行为预测模型，预测结果为目标产品的目标客户信息。
综上，本发明实施例的计算机可读存储介质提供客户行为预测模型，并将属性信息输入客户行为预测模型中，获得预测结果，从而灵活应对不同种类的客户行为，提升预测准确率，有效指导业务部门开展工作，为客户提供合适的产品和服务。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
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。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (21)
1.一种客户行为预测方法，其特征在于，包括：
提供客户行为预测模型；
获取一个或多个属性信息；
将所述一个或多个属性信息输入所述客户行为预测模型中，获得预测结果；
其中，所述属性信息为目标客户的客户属性信息或目标产品的产品属性信息；所述客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当所述属性信息为目标客户的客户属性信息时，所述客户行为预测模型为第一客户行为预测模型，所述预测结果为目标客户的目标产品类别信息；
当所述属性信息为目标产品的产品属性信息时，所述客户行为预测模型为第二客户行为预测模型，所述预测结果为目标产品的目标客户信息。
2.根据权利要求1所述的客户行为预测方法，其特征在于，包括：
预先通过以下方式获得客户行为预测模型：
获取样本集的多个客户对应的客户信息、多个产品对应的产品信息、多个目标产品历史类别信息和多个目标客户历史信息；其中，所述客户信息包括多种客户属性信息；所述产品信息包括多种产品属性信息；
将所述多种客户属性信息和所述多种产品属性信息中的任意两种属性信息进行组合，获得多种组合数据；
通过聚类算法对所述多种组合数据进行分群，形成客群属性集合和产品群属性结合；
通过聚类算法将所述客群属性集合中的多种组合数据分至多个客群，并将每个客群的客群质点对应的多种客户属性信息作为客群特征；
根据所述每个客群对应的多种客户属性信息、每个客群的客群特征和所述多个目标产品历史类别信息训练预设的第一机器学习模型，得到第一客户行为预测模型；
通过聚类算法将所述产品群属性集合中的多种组合数据分至多个产品群，并将每个产品群的产品群质点对应的多种产品属性信息作为产品群特征；
根据所述每个产品群对应的多种产品属性信息、每个产品群的产品群特征和所述多个目标客户历史信息训练预设的第二机器学习模型，得到第二客户行为预测模型。
3.根据权利要求1所述的客户行为预测方法，其特征在于，还包括：
根据所述目标客户的目标产品类别信息，从预设的热门产品集中获取每个目标产品类别信息对应的多个热门产品；所述目标产品类别信息的数量为一个或多个；
根据每个目标产品类别信息对应的多个热门产品与该目标产品类别信息对应的多个当季营销产品，得到每个目标产品类别信息对应的当季营销目标产品。
4.根据权利要求3所述的客户行为预测方法，其特征在于，得到每个目标产品类别信息对应的当季营销目标产品，包括：
计算每个目标产品类别信息对应的每个热门产品与该目标产品类别信息对应的每个当季营销产品之间的相似度；每个目标产品类别信息对应的相似度的数量为多个；
将每个目标产品类别信息对应的相似度按从小到大的顺序进行排序，将排序在第一预设值之前的当季营销产品作为每个目标产品类别信息对应的当季营销产品。
5.根据权利要求3所述的客户行为预测方法，其特征在于，还包括：
获取每个产品类别信息对应的每个产品的多种销售数据；所述产品类别信息的数量为多个，每个产品类别信息均对应多个产品；
根据每个产品类别信息对应的每个产品的多种销售数据，计算每个产品类别信息对应的每个产品的销售总额；
将每个产品类别信息对应的每个产品的销售总额按从小到大的顺序进行排序，选取排序在第二预设值之前的产品形成热门产品集。
6.根据权利要求5所述的客户行为预测方法，其特征在于，所述销售数据包括：持有金额总数、预设时间段的平均持有时长和所述预设时间段的平均交易频次。
7.根据权利要求2所述的客户行为预测方法，其特征在于，获得多种组合数据之前，还包括：
判断每个客户对应的客户信息中的关键客户属性信息是否缺失；
当所述关键客户属性信息缺失时，删除该客户对应的客户信息；
判断每个产品对应的产品信息中的关键产品属性信息是否缺失；
当所述关键产品属性信息缺失时，删除该产品对应的产品信息。
8.根据权利要求7所述的客户行为预测方法，其特征在于，
判断每个客户对应的客户信息中的关键客户属性信息是否缺失之后，还包括：
判断每个客户对应的多种客户属性信息中的缺失值数量；
当所述缺失值数量大于第三预设值时，删除该客户对应的客户信息；
判断每个产品对应的产品信息中的关键产品属性信息是否缺失之后，还包括：
判断每个产品对应的多种产品属性信息中的缺失值数量；
当所述缺失值数量大于第四预设值时，删除该产品对应的产品信息。
9.根据权利要求7所述的客户行为预测方法，其特征在于，
判断每个客户对应的客户信息中的关键客户属性信息是否缺失之后，还包括：
计算每种客户属性信息的均值；
计算每种客户属性信息与该种客户属性信息的均值之间的偏离度；
当所述偏离度大于第五预设值时，删除该种客户属性信息，并对删除后的该种客户属性信息进行数值填充；
判断每个产品对应的产品信息中的关键产品属性信息是否缺失之后，还包括：
计算每种产品属性信息的均值；
计算每种产品属性信息与该种产品属性信息的均值之间的偏离度；
当所述偏离度大于第五预设值时，删除该种产品属性信息，并对删除后的该种产品属性信息进行数值填充。
10.根据权利要求2所述的客户行为预测方法，其特征在于，
所述客户属性信息包括：性别、年龄、银行评级、职业、学历、总资产额、持有各产品的分项资产额、月均资产额、日均资产额、不良贷款总余额、交易频率、各产品的交易笔数、各产品的交易金额、多个时间段的总交易笔数、行内转账汇款、行外转账汇款、境内消费笔数、境外消费笔数、境内消费频次、境外消费频次、境内消费金额、境外消费金额、线上消费笔数、线下消费笔数、线上消费频次、线下消费频次、线上消费金额和线下消费金额；
所述产品属性信息包括：产品名称、产品介绍、产品销售地区、产品风险、多个时间段的收益率、持有人数、交易频次和持有时长。
11.根据权利要求2所述的客户行为预测方法，其特征在于，
所述第一机器学习模型为梯度提升树模型或随机森林模型；
所述第二机器学习模型为梯度提升树模型。
12.一种客户行为预测系统，其特征在于，包括：
客户行为预测模型单元，用于提供客户行为预测模型；
属性信息获取单元，用于获取一个或多个属性信息；
预测结果获取单元，用于将所述一个或多个属性信息输入所述客户行为预测模型中，获得预测结果；
其中，所述属性信息为目标客户的客户属性信息或目标产品的产品属性信息；所述客户行为预测模型为第一客户行为预测模型或第二客户行为预测模型；
当所述属性信息为目标客户的客户属性信息时，所述客户行为预测模型为第一客户行为预测模型，所述预测结果为目标客户的目标产品类别信息；
当所述属性信息为目标产品的产品属性信息时，所述客户行为预测模型为第二客户行为预测模型，所述预测结果为目标产品的目标客户信息。
13.根据权利要求12所述的客户行为预测系统，其特征在于：
所述客户行为预测模型单元包括：
获取子单元，用于获取样本集的多个客户对应的客户信息、多个产品对应的产品信息、多个目标产品历史类别信息和多个目标客户历史信息；其中，所述客户信息包括多种客户属性信息；所述产品信息包括多种产品属性信息；
组合子单元，用于将所述多种客户属性信息和所述多种产品属性信息中的任意两种属性信息进行组合，获得多种组合数据；
分群子单元，用于通过聚类算法对所述多种组合数据进行分群，形成客群属性集合和产品群属性结合；
客群子单元，用于通过聚类算法将所述客群属性集合中的多种组合数据分至多个客群，并将每个客群的客群质点对应的多种客户属性信息作为客群特征；
第一模型训练子单元，用于根据所述每个客群对应的多种客户属性信息、每个客群的客群特征和所述多个目标产品历史类别信息训练预设的第一机器学习模型，得到第一客户行为预测模型；
产品子单元，用于通过聚类算法将所述产品群属性集合中的多种组合数据分至多个产品群，并将每个产品群的产品群质点对应的多种产品属性信息作为产品群特征；
第二模型训练子单元，用于根据所述每个产品群对应的多种产品属性信息、每个产品群的产品群特征和所述多个目标客户历史信息训练预设的第二机器学习模型，得到第二客户行为预测模型。
14.根据权利要求12所述的客户行为预测系统，其特征在于，还包括：
热门产品单元，用于根据所述目标客户的目标产品类别信息，从预设的热门产品集中获取每个目标产品类别信息对应的多个热门产品；所述目标产品类别信息的数量为一个或多个；
当季营销目标产品单元，用于根据每个目标产品类别信息对应的多个热门产品与该目标产品类别信息对应的多个当季营销产品，得到每个目标产品类别信息对应的当季营销目标产品。
15.根据权利要求14所述的客户行为预测系统，其特征在于，所述当季营销目标产品单元具体用于：
计算每个目标产品类别信息对应的每个热门产品与该目标产品类别信息对应的每个当季营销产品之间的相似度；每个目标产品类别信息对应的相似度的数量为多个；
将每个目标产品类别信息对应的相似度按从小到大的顺序进行排序，将排序在第一预设值之前的当季营销产品作为每个目标产品类别信息对应的当季营销产品。
16.根据权利要求14所述的客户行为预测系统，其特征在于，还包括：
销售数据获取单元，用于获取每个产品类别信息对应的每个产品的多种销售数据；所述产品类别信息的数量为多个，每个产品类别信息均对应多个产品；
销售总额单元，用于根据每个产品类别信息对应的每个产品的多种销售数据，计算每个产品类别信息对应的每个产品的销售总额；
热门产品集单元，用于将每个产品类别信息对应的每个产品的销售总额按从小到大的顺序进行排序，选取排序在第二预设值之前的产品形成热门产品集。
17.根据权利要求13所述的客户行为预测系统，其特征在于，还包括：
第一判断单元，用于判断每个客户对应的客户信息中的关键客户属性信息是否缺失；
第一删除单元，用于删除当所述关键客户属性信息缺失时，删除该客户对应的客户信息；
第二判断单元，用于判断每个产品对应的产品信息中的关键产品属性信息是否缺失；
第二删除单元，用于当所述关键产品属性信息缺失时，删除该产品对应的产品信息。
18.根据权利要求17所述的客户行为预测系统，其特征在于，还包括：
第三判断单元，用于判断每个客户对应的多种客户属性信息中的缺失值数量；
第三删除单元，用于当所述缺失值数量大于第三预设值时，删除该客户对应的客户信息；
第四判断单元，用于判断每个产品对应的多种产品属性信息中的缺失值数量；
第四删除单元，用于当所述缺失值数量大于第四预设值时，删除该产品对应的产品信息。
19.根据权利要求18所述的客户行为预测系统，其特征在于，还包括：
第一计算单元，用于计算每种客户属性信息的均值；计算每种客户属性信息与该种客户属性信息的均值之间的偏离度；
第一填充单元，用于当所述偏离度大于第五预设值时，删除该种客户属性信息，并对删除后的该种客户属性信息进行数值填充；
第二计算单元，用于计算每种产品属性信息的均值；计算每种产品属性信息与该种产品属性信息的均值之间的偏离度；
第二填充单元，用于当所述偏离度大于第五预设值时，删除该种产品属性信息，并对删除后的该种产品属性信息进行数值填充。
20.一种计算机设备，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11任一项所述的客户行为预测方法的步骤。
21.一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11任一项所述的客户行为预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910700356.9A CN110415002A (zh) | 2019-07-31 | 2019-07-31 | 客户行为预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910700356.9A CN110415002A (zh) | 2019-07-31 | 2019-07-31 | 客户行为预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110415002A true CN110415002A (zh) | 2019-11-05 |
Family
ID=68364433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910700356.9A Pending CN110415002A (zh) | 2019-07-31 | 2019-07-31 | 客户行为预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415002A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563628A (zh) * | 2020-05-09 | 2020-08-21 | 重庆锐云科技有限公司 | 房地产客户成交时间预测方法、装置及存储介质 |
| CN111598256A (zh) * | 2020-05-18 | 2020-08-28 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
| CN111639967A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 产品潜在客户挖掘方法及系统 |
| CN111784411A (zh) * | 2020-07-14 | 2020-10-16 | 中国工商银行股份有限公司 | 一种客户预测方法、装置、电子设备及存储介质 |
| CN111951051A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 一种为客户推荐产品的方法、装置和系统 |
| CN111967671A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 |
| TWI793412B (zh) * | 2020-03-31 | 2023-02-21 | 廣達電腦股份有限公司 | 消費預測系統及消費預測方法 |
| CN116205376A (zh) * | 2023-04-27 | 2023-06-02 | 北京阿帕科蓝科技有限公司 | 行为预测方法、行为预测模型的训练方法和装置 |
| WO2023103527A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
| TWI843958B (zh) * | 2021-08-05 | 2024-06-01 | 國泰人壽保險股份有限公司 | 保險服務系統及保險公司端伺服器 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020099594A1 (en) * | 2000-05-26 | 2002-07-25 | Nicholas Heard | Method and apparatus for determining one or more statistical estimators of customer behavior |
| US20120254179A1 (en) * | 2011-03-31 | 2012-10-04 | International Business Machines Corporation | Clustering customers |
| CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
-
2019
- 2019-07-31 CN CN201910700356.9A patent/CN110415002A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020099594A1 (en) * | 2000-05-26 | 2002-07-25 | Nicholas Heard | Method and apparatus for determining one or more statistical estimators of customer behavior |
| US20120254179A1 (en) * | 2011-03-31 | 2012-10-04 | International Business Machines Corporation | Clustering customers |
| CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI793412B (zh) * | 2020-03-31 | 2023-02-21 | 廣達電腦股份有限公司 | 消費預測系統及消費預測方法 |
| CN111563628A (zh) * | 2020-05-09 | 2020-08-21 | 重庆锐云科技有限公司 | 房地产客户成交时间预测方法、装置及存储介质 |
| CN111598256A (zh) * | 2020-05-18 | 2020-08-28 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
| CN111598256B (zh) * | 2020-05-18 | 2023-08-08 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
| CN111639967B (zh) * | 2020-05-21 | 2023-07-25 | 中国工商银行股份有限公司 | 产品潜在客户挖掘方法及系统 |
| CN111639967A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 产品潜在客户挖掘方法及系统 |
| CN111784411A (zh) * | 2020-07-14 | 2020-10-16 | 中国工商银行股份有限公司 | 一种客户预测方法、装置、电子设备及存储介质 |
| CN111951051A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 一种为客户推荐产品的方法、装置和系统 |
| CN111951051B (zh) * | 2020-08-14 | 2023-09-26 | 中国工商银行股份有限公司 | 一种为客户推荐产品的方法、装置和系统 |
| CN111967671A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 |
| CN111967671B (zh) * | 2020-08-18 | 2023-08-22 | 中国银行股份有限公司 | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 |
| TWI843958B (zh) * | 2021-08-05 | 2024-06-01 | 國泰人壽保險股份有限公司 | 保險服務系統及保險公司端伺服器 |
| WO2023103527A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
| CN116205376A (zh) * | 2023-04-27 | 2023-06-02 | 北京阿帕科蓝科技有限公司 | 行为预测方法、行为预测模型的训练方法和装置 |
| CN116205376B (zh) * | 2023-04-27 | 2023-10-17 | 北京阿帕科蓝科技有限公司 | 行为预测方法、行为预测模型的训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415002A (zh) | 客户行为预测方法及系统 | |
| Maertens et al. | Globalisation and poverty in Senegal: a worst case scenario? | |
| Wingwon | Effects of entrepreneurship, organization capability, strategic decision making and innovation toward the competitive advantage of SMEs enterprises | |
| Guo et al. | Quantitative trading: algorithms, analytics, data, models, optimization | |
| Sohn et al. | Decision tree-based technology credit scoring for start-up firms: Korean case | |
| Li et al. | AI-driven customer relationship management for sustainable enterprise performance | |
| Menezes‐Filho | Unions and Profitability Over the 1980s: Some Evidence on Union‐Firm Bargaining in the United Kingdom | |
| Sulaiman et al. | Mediating role of customer satisfaction between service quality and customer loyalty with Non-Interest bank in Nigeria | |
| WO2016162863A1 (en) | Qualitatively planning, measuring, making effecient and capitalizing on marketing strategy | |
| Chernonog et al. | How to set price and quality in a supply chain of virtual products under bi-criteria and risk consideration | |
| US20160260113A1 (en) | Systems and methods for visualizing performance, performing advanced analytics, and invoking actions with respect to a financial institution | |
| CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
| CN106875595A (zh) | 一种pos终端使用地点的确定方法及装置 | |
| Xia et al. | The research of online shopping customer churn prediction based on integrated learning | |
| CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 | |
| Hongli et al. | The application of mining association rules in online shopping | |
| Liu et al. | How to use stock data for data science education: a simulated trading platform in classroom | |
| Cho | Justice, Dissatisfaction, and Public Confidence in the E-Governance | |
| Zhou et al. | Intelligent data mining and decision system for commercial decision making | |
| Riza et al. | Kartini in the pandemic: Women's economic empowerment through synergy of digital banking, Fintech, and E-commerce | |
| Mohibullah et al. | Improvement of forward linkage to sustain the global apparel market of Bangladesh | |
| Fatmawati et al. | The impact of financial resources, risk acceptance, customer pressure on financial technology | |
| Chin | Predicting corporate turnaround of listed companies in South Africa | |
| Nekooei et al. | Customer Clustering Based on Customer Lifetime Value: A Case Study of an Iranian Bank | |
| SHIJIE | ALIEXPRESS'S STRATEGIC CHOICE FOR ENTERING THE E-COMMERCE MARKET IN THAILAND |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |