CN110659922B - 一种客户筛选方法、装置、服务器及计算机可读存储介质 - Google Patents
一种客户筛选方法、装置、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110659922B CN110659922B CN201810690345.2A CN201810690345A CN110659922B CN 110659922 B CN110659922 B CN 110659922B CN 201810690345 A CN201810690345 A CN 201810690345A CN 110659922 B CN110659922 B CN 110659922B
- Authority
- CN
- China
- Prior art keywords
- classification
- client
- customer
- data
- parameter
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明提供一种客户筛选方法、装置、服务器及计算机可读存储介质。该方法包括:获取未激活客户的客户特征数据;将所获取的客户特征数据输入分类决策模型,获得由分类决策模型输出的分类参数的评估值;根据分类参数的评估值,对未激活客户进行筛选。与现有技术中根据人工的行业经验进行筛选的情况相比,本发明实施例能够有效地避免人工的主观因素对筛选结果的影响,从而有效地提高筛选结果的准确度。
Description
技术领域
本发明实施例涉及信息筛选技术领域,尤其涉及一种客户筛选方法、装置、服务器及计算机可读存储介质。
背景技术
目前,虚拟信用卡的使用越来越普遍。可以理解的是,虚拟信用卡是一种常见的消费金融产品(具体为面向不同客群的数字卡),其特点是给予持卡人一定的信用额度,持卡人可在信用额度内先消费后还款,其一般具有现金分期、消费分期和账单分期等功能。
一般而言,许多申请了虚拟信用卡的客户在申请通过后并未使用虚拟信用卡,或者在申请通过很长时间后才开始使用虚拟信用卡,这些客户可以称之为未激活客户(或者称为沉睡客户)。为了有效地利用未激活客户资源,提供虚拟信用卡服务的公司往往会根据人工的行业经验,从未激活客户中筛选出优质的未激活客户,并通过电话、短信等通讯方式,提醒筛选出的未激活客户进行虚拟信用卡的激活和使用。
需要指出的是,根据人工的行业经验对未激活客户进行筛选时,筛选结果往往会受到人工的主观因素的影响,因此,这种方法的准确度较低。
发明内容
本发明实施例提供一种客户筛选方法、装置、服务器及计算机可读存储介质,以解决现有的对未激活客户进行筛选的方法准确度低的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供一种客户筛选方法,所述方法包括:
获取未激活客户的客户特征数据;
将所获取的客户特征数据输入分类决策模型,获得由所述分类决策模型输出的分类参数的评估值;
根据所述分类参数的评估值,对所述未激活客户进行筛选。
第二方面,本发明实施例提供一种客户筛选装置,所述装置包括:
获取模块,用于获取未激活客户的客户特征数据;
获得模块,用于将所获取的客户特征数据输入分类决策模型,获得由所述分类决策模型输出的分类参数的评估值;
筛选模块,用于根据所述分类参数的评估值,对所述未激活客户进行筛选。
第三方面,本发明实施例提供一种服务器,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的客户筛选方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质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上述的客户筛选方法的步骤。
本发明实施例中,服务器中可以存储有用于对未激活客户进行分类的分类决策模型。在获取未激活客户的客户特征数据之后,通过将未激活客户的客户特征数据输入分类决策模型,服务器能够获得分类决策模型输出的分类参数的评估值。由于分类决策模型是通过对大量的客户样本数据进行机器学习得到的,且未激活客户的客户特征数据是较为客观的数据,故分类决策模型根据未激活客户的客户特征数据输出的分类参数的评估值也是较为客观的数据。这样,根据分类参数的评估值对未激活客户进行筛选时,服务器得到的筛选结果也是比较客观的,服务器能够可靠地从未激活客户中筛选出潜在的优质客户。
可见,与现有技术中根据人工的行业经验进行筛选的情况相比,本发明实施例能够有效地避免人工的主观因素对筛选结果的影响,从而有效地提高筛选结果的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的客户筛选方法的流程图;
图2是本发明实施例提供的客户筛选方法的原理图之一;
图3是本发明实施例提供的客户筛选方法的原理图之二;
图4是本发明实施例提供的客户筛选装置的结构框图;
图5是本发明实施例提供的服务器的结构示意图。
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作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的客户筛选方法进行说明。
需要说明的是,本发明实施例提供的客户筛选方法可以应用于一台设备或者应用于由多台设备组成的分布式系统(该分布式系统为去中心化的系统)。在该客户筛选方法应用于一台设备的情况下,这台设备可以为服务器,该服务器具体可以归属于提供虚拟信用卡服务的公司,该服务器可以对未激活客户进行筛选。为了便于本领域技术人员理解本方案,本发明实施例中均以该客户筛选方法应用于服务器的情况为例进行说明。
参见图1,图中示出了本发明实施例提供的客户筛选方法的流程图。如图1所示,该方法应用于服务器,该方法包括如下步骤:
步骤101,获取未激活客户的客户特征数据。
其中,未激活客户的客户特征数据可以对未激活客户的客户特征(例如身份特征,消费行为特征等)进行表征。
需要说明的是,步骤101的具体实现形式多样,为了布局清楚,后续进行举例介绍。
步骤102,将所获取的客户特征数据输入分类决策模型,获得由分类决策模型输出的分类参数的评估值。
需要说明的是,分类决策模型可以为设备S通过对大量的客户样本数据进行机器学习得到的,分类决策模型可以可靠地对未激活客户进行分类,分类决策模型的分类结果可以用于未激活客户的筛选。可选地,设备S可以在满足一定条件(例如设定的更新时刻到达或者接收到更新指令)的情况下,对已有的分类决策模型进行更新。
具体地,设备S可以为服务器,也可以不为服务器。在设备S为服务器时,服务器可以将自身训练得到的分类决策模型直接存储在本地;在设备S不为服务器时,设备S可以将自身训练得到的分类决策模型分发给服务器,服务器将经分发得到的分类决策模型存储在本地。可见,无论设备S是否为服务器,服务器的本地均能够存储有分类决策模型。
这样,在获取到未激活客户的客户特征数据之后,服务器可以直接将所获取的客户特征数据输入本地存储的分类决策模型,以便捷地获得由分类决策模型输出的分类参数的评估值。由于分类决策模块用于对未激活客户进行分类,分类决策模型输出的分类参数的评估值可以用于预测未激活客户未来(即转换为激活客户后)是否为优质客户(即预测未激活客户是否为潜在的优质客户)。
步骤103,根据分类参数的评估值,对未激活客户进行筛选。
由于分类决策模型输出的分类参数的评估值可以用于预测未激活客户是否为潜在的优质客户,因此,根据分类参数的评估值,服务器可以非常便捷地从待筛选的所有未激活客户中筛选出潜在的优质客户,服务器还可以输出一份包含筛选出的所有未激活客户的激活名单。之后,提供虚拟信用卡服务的公司的工作人员(例如营销人员)可以通过电话、短信、邮件等通讯方式,提醒激活名单中的未激活客户进行虚拟信用卡的激活和使用。
本发明实施例中,服务器中可以存储有用于对未激活客户进行分类的分类决策模型。在获取未激活客户的客户特征数据之后,通过将未激活客户的客户特征数据输入分类决策模型,服务器能够获得分类决策模型输出的分类参数的评估值。由于分类决策模型是通过对大量的客户样本数据进行机器学习得到的,且未激活客户的客户特征数据是较为客观的数据,故分类决策模型根据未激活客户的客户特征数据输出的分类参数的评估值也是较为客观的数据。这样,根据分类参数的评估值对未激活客户进行筛选时,服务器得到的筛选结果也是比较客观的,服务器能够可靠地从未激活客户中筛选出潜在的优质客户。
可见,与现有技术中根据人工的行业经验进行筛选的情况相比,本发明实施例能够有效地避免人工的主观因素对筛选结果的影响,从而有效地提高筛选结果的准确度。
可选地,客户特征数据包括以下至少一项:身份数据、消费数据、借贷数据以及金融类应用使用数据。
其中,身份数据可以用于表征客户的身份特征。具体地,身份数据可以包括性别、地址、收入等。
消费数据可以用于表征客户的消费行为特征。具体地,消费数据可以包括购买单数、消费金额、消费产品种类等。
借贷数据可以用于表征客户的借贷行为特征,借贷数据可以为多头借贷数据。具体地,借贷数据可以包括最近网贷时间、最大贷款额度等。
金融类应用使用数据可以用于表征客户对金融类应用(可以包括用户使用过的所有金融类应用)的使用特征。具体地,金融类应用使用数据可以包括登录次数、上一次下载时间等。
需要说明的是,在客户特征数据包括身份数据、消费数据、借贷数据以及金融类应用使用数据中的至少一项的情况下,未激活客户的客户特征数据能够对未激活客户至少一方面的客户特征进行有效地表征。那么,在将未激活客户的客户特征数据输入分类决策模型之后,分类决策模型输出的分类参数的评估值与未激活客户的匹配度能够得到较好地保证,相应地,在服务器根据分类参数的评估值对未激活客户进行筛选时,筛选结果的准确度能够得到有效地保证。
可选地,分类决策模型的数量为N,N大于或等于2;
不同分类决策模型的分类参数不同。
其中,N可以为2、3、4或者大于4的其他整数,在此不再一一列举。
由于分类决策模型的数量N大于或等于2,且不同分类决策模型的分类参数不同,可以认为不同分类决策模型用于从不同角度对未激活客户进行分类。这样,服务器可以根据不同的分类决策模型,从不同角度预测未激活客户是否为潜在的优质客户。之后,服务器可以综合考虑从不同角度进行预测得到的预测结果来进行未激活客户的筛选,以较好地保证筛选结果的准确度。
可选地,将所获取的客户特征数据输入分类决策模型,获得由分类决策模型输出的分类参数的评估值,包括:
将所获取的客户特征数据分别输入N个分类决策模型,获得由N个分类决策模型输出的N个分类参数的评估值;
根据分类参数的评估值,对未激活客户进行筛选,包括:
在所获得的N个分类参数的评估值中,至少P个分类参数的评估值分别满足相应的预设筛选条件的情况下,筛选出未激活客户作为待激活客户;其中,P大于或等于1且小于或等于N。
由于不同分类决策模型用于从不同角度对未激活进行分类,那么,可以认为不同分类参数的评估值可以用于从不同角度预测未激活客户是否为潜在的优质客户。
本实施例中,服务器本地可以预先存储有N个分类决策模型,不同分类决策模型的分类参数不同;服务器本地还可以预先配置有每个分类参数对应的预设筛选条件。
在获取到未激活客户的客户特征数据之后,服务器可以将所获取的客户特征数据分别输入N个分类决策模型,以获得由N个分类决策模型输出的N个分类参数的评估值。之后,服务器可以分别确定每个分类参数的评估值是否满足每个分类参数所对应的预设筛选条件。
如果N个分类参数的评估值中,至少P个分类参数的评估值满足相应的预设筛选条件,这说明至少P个角度的预测结果表明未激活客户为潜在的优质客户,也就是说,未激活客户为潜在的优质客户的可能性非常大,因此,服务器可以筛选出未激活客户作为待激活客户。具体地,服务器可以将筛选出的未激活客户添加至激活名单中。
如果N个分类参数的评估值,小于P个分类参数的评估值满足相应的预设筛选条件,可以认为未激活客户为潜在的优质客户的可能性非常小,因此,服务器不会筛选出该未激活客户。
具体地,本实施例中,在N为3的情况下,服务器可以获得3个分类参数的评估值,这时,P可以为1、2或3。如果P为3,在获得的3个分类参数的评估值均满足相应的预设筛选条件的情况下,服务器才筛选出未激活客户作为待激活客户。如果P为2,在获得的3个分类参数的评估值中,有2个或者3个分类参数的评估值满足相应的预设筛选条件的情况下,服务器才筛选出未激活客户作为待激活客户。
可以看出,本实施例中,通过确定所获得的N个分类参数的评估值中,满足相应预设筛选条件的评估值的数量是否符合要求,服务器能够便捷地实现对未激活客户的筛选。由于服务器参考了N个分类参数的评估值来进行筛选,筛选结果的准确度能够得到有效地保证。
可选地,分类决策模型的数量为两个;
其中,一个分类决策模型(后续简称为模型1)的分类参数为消费能力;另一个分类决策模型(后续简称为模型2)的分类参数为消费频率。
本实施例中,由于模型1的分类参数为消费能力,模型2的分类参数为消费频率,故由模型1输出的是消费能力的评估值,由模型2输出的是消费频率的评估值。其中,消费能力的评估值可以用于从消费能力角度预测未激活客户是否为优质的潜在客户;消费频率的评估值可以用于从消费频率角度预测未激活客户是否为优质的潜在客户。之后,服务器可以根据获得的评估值,筛选出消费能力强,且消费频率高的未激活客户,并将筛选出的未激活客户作为潜在的优质客户。
可以看出,本实施例中,服务器参考消费能力和消费频率两方面的预测结果在进行未激活客户的筛选,这样一方面可以可靠地筛选出满足要求的未激活客户,另一方面可以避免分类决策模型的数量过多造成筛选过程过于复杂。
可选地,分类决策模型依据激活客户的客户特征数据以及激活客户的分类参数的实际值训练得到。需要说明的是,在分类决策模型的数量N大于或者等于2时,不同的分类决策模型进行训练时所依据的分类参数不同。
具体地,在进行模型的训练之前,设备S可以选择多个(例如20万个)激活客户作为客户样本。接下来,设备S可以获取这20万个激活客户的客户样本数据;其中,激活客户的客户样本数据中包括激活客户的客户特征数据,以及激活客户的分类参数的实际值。可选地,激活客户的分类参数的实际值可以根据激活客户对虚拟信用卡的实际使用情况(也可以认为是贷后表现)确定,激活客户的分类参数的实际值可以作为评估激活客户是否为优质客户的评估指标。
之后,设备S可以将所获取的激活客户的客户特征数据作为输入内容,将所获取的激活客户的分类参数的实际值作为输出内容进行训练,以得到分类决策模型。由于激活客户的分类参数的实际值可以作为评估激活客户是否为优质客户的评估指标,那么,基于分类决策模型输出的分类参数的评估值,服务器能够较为可靠地预测出未激活客户未来是否为优质客户。
本实施例中,分类决策模型是依据激活客户的客户样本数据训练得到的,激活客户的客户样本数据是非常客观的数据,这样,基于分类决策模型输出的分类参数的评估值,服务器能够非常可靠地从未激活客户中筛选出潜在的优质客户。
可选地,分类决策模型包括组合决策树模型,组合决策树模型依据激活客户的客户特征数据、激活客户的分类参数的实际值、组合决策树算法和K折交叉检验算法训练得到;其中,K大于或等于2。
其中,K可以为2、3、4、5或者大于5的其他整数,在此不再一一列举。
由于组合决策树算法具有准确度高、速度快、可解释性强等优点,组合决策树算法是目前解决用户分类问题时,综合效果最好的算法,因此,本实施例中可以依据组合决策树算法进行模型的训练,以得到组合决策树模型。可以理解的是,组合决策树模型是一种将模型组合与决策树算法融合起来的分类机,其本质是加法模型,基函数是决策树,其通过迭代拟合标注和模型的残差,来不断逼近损失函数最小化。
需要指出的是,在将激活客户的客户特征数据作为输入内容,将激活客户的分类参数的实际值作为输出内容,并依据组合决策树算法进行模型训练的情况下,设备S理论上能够得到若干个组合决策树模型。其中,任意两个组合决策树模型的模型参数(例如所包含的决策树数量)是不完全相同的,这样,任意两个组合决策树模型的性能也存在一定的差异。
为了保证服务器后续进行未激活客户的筛选时筛选结果的准确度,在进行模型训练的过程中,设备S可以依据K折交叉检验算法,得到若干个组合决策树模型中的每个组合决策树模型的ACU值。其中,ACU的全称是Area Under Curve,ACU是指受试者工作特征曲线(Receiver Operating Characteristic Curve,简称ROC曲线)下的面积。一般而言,ACU的值域在0.5和1之间,ACU值越大说明模型对正负样本的区分能力越强,故模型的效果越好。
因此,在得到若干个组合决策树模型中的每个组合决策树模型的ACU值之后,设备S可以将ACU值作为模型的评价指标计量值,从若干个组合决策树模型中选择出效果最佳的组合决策树模型。具体地,设备S可以从若干个组合决策树模型中选择出ACU值最大的组合决策树模型,该组合决策树模型可以认为是效果最佳的组合决策树模型。之后,服务器可以利用该组合决策树模型进行未激活客户的筛选。
可以看出,本实施例中,设备S进行模型训练时依据的是目前解决用户分类问题时,综合效果最好的组合决策树算法,以及能够通过交叉检验得到效果最佳的模型的K折交叉检验算法,因此,设备S经训练得到的最终的组合决策树模型的效果非常好。这样,在服务器利用该组合决策树模型进行未激活客户的筛选时,筛选结果的准确度能够得到有效地保证。
可选地,分类参数的实际值根据激活客户的账户支出参数确定,账户支出参数包括账户支出金额或者账户支出频率。
其中,账户支出参数可以认为是提现参数,账户支出金额可以认为是提现金额,账户支出频率可以认为是提现频率。需要指出的是,本实施例中涉及的“提现”具体是指使用虚拟信用卡进行消费。
一般而言,激活客户的账户支出金额越大,这表示激活客户的消费能力越强,那么,激活客户为优质客户的可能性越大;激活客户的账户支出金额越小,这表示激活客户的消费能力越弱,激活客户为优质客户的可能性越小。这样,根据激活客户的账户支出金额,设备S可以得到激活客户的消费能力的实际值,以从消费能力角度评估激活客户是否为优质客户。
另外,激活客户的账户支出频率越高,这表示激活客户的消费频率越高,那么,激活客户为优质客户的可能性越大;激活客户的账户支出频率越低,这表示激活客户的消费频率越低,激活客户为优质客户的可能性越小。这样,根据激活客户的账户支出频率,设备S可以得到激活客户的消费频率的实际值,以从消费频率角度评估激活客户是否为优质客户。
可以看出,本实施例中,根据包括账户支出金额或者账户支出频率的账户支出参数,设备S能够便捷地确定出分类参数的实际值,分类参数的实际值能够从相应角度对激活客户是否为优质客户进行可靠地评估。
可选地,根据账户支出参数确定分类参数的实际值的步骤包括:
获取最近M个时间周期对应的M个账户支出参数;其中,M大于或等于2;
计算M个账户支出参数的平均值和增长率;
在平均值和增长率的乘积大于预设参数阈值的情况下,确定分类参数的实际值为第一取值;
在平均值和增长率的乘积小于或等于预设参数阈值的情况下,确定分类参数的实际值为第二取值。
其中,M可以为2、3、4或者大于4的其他整数,每个时间周期可以为一周、一月或者其他时长,在此不再一一列举。
需要指出的是,预设参数阈值可以为行业专家根据实际业务情况设置的。在账户支出参数包括账户支出金额的情况下,预设参数阈值可以是k1;其中,k1∈[min(v1),max(v1)];在账户支出参数包括账户支出频率的情况下,预设参数阈值可以是k2;其中,k2∈[min(v2),max(v2)]。
下面以两个具体的例子,对本实施例的具体实施过程进行说明。
需要指出的是,在以下两个例子中,M均为3,每个时间周期均为一月,作为客户样本的20万个激活客户的贷后表现期数均需要大于或等于3。
在第一个例子(例子A)中,假设账户支出参数包括账户支出金额,设备S可以首先获取最近3个月对应的3个账户支出金额,分别为a1、a2和a3;其中,a1对应的月份早于a2,a2对应的月份早于a3(即a3为最近一个月的账户支出金额)。可选地,a1、a2和a3可以分别为对应月份的月度天平均支出金额。
接下来,设备S可以采用公式a=(a1+a2+a3)/3计算a1、a2和a3的平均值a,采用公式w1=(a3-a1)计算a1、a2和a3的增长率w1,并采用公式v1=a×w1计算平均值a和增长率w1的乘积v1。
之后,设备S可以将v1与k1进行比较。在v1大于k1的情况下,设备S可以确定分类参数(即消费能力)的实际值为第一取值J1;在v1小于或等于k1的情况下,设备S可以确定消费能力的实际值为第二取值J2。可选地,J1可以为1,J2可以为0,当然,J1并不局限于1,J2并不局限于0,具体可以根据实际情况来确定,本实施例对此不作任何限定。
采用上述方式,设备S可以获取作为客户样本的20万个激活客户中的每个激活客户的消费能力的实际值。之后,设备S可以依据激活客户的客户特征数据、激活客户的消费能力的实际值、组合决策树算法,以及5(即K为5)折交叉检验算法进行训练得到模型1。
可以看出,在例子A中,根据账户支出金额,设备S可以非常便捷地确定出消费能力的实际值。
在第二个例子(例子B)中,假设账户支出参数包括账户支出频率,设备S可以首先获取最近3个月对应的3个账户支出频率,分别为b1、b2和b3;其中,b1对应的月份早于b2,b2对应的月份早于b3(即b3为最近一个月的账户支出频率)。可选地,b1、b2和b3可以分别为对应月份的月度天平均提现次数。
接下来,设备S可以采用公式b=(b1+b2+b3)/3计算b1、b2和b3的平均值b,采用公式w2=(b3-b1)计算b1、b2和b3的增长率w2,并采用公式v2=b×w2计算平均值b和增长率w2的乘积v2。
之后,设备S可以将v2与k2进行比较。在v2大于k2的情况下,设备S可以确定分类参数(即消费频率)的实际值为第一取值P1;在v2小于或等于k2的情况下,设备S可以确定消费频率的实际值为第二取值P2。可选地,P1可以为1,P2可以为0,当然,P1并不局限于1,P2并不局限于0,具体可以根据实际情况来确定,本实施例对此不作任何限定。
采用上述方式,设备S可以获取作为客户样本的20万个激活客户中的每个激活客户的消费频率的实际值,之后,设备S可以依据激活客户的客户特征数据、激活客户的消费频率的实际值、组合决策树算法,以及5(即K为5)折交叉检验算法进行训练得到模型2。
可以看出,在例子B中,根据账户支出频率,设备S可以非常便捷地确定出消费频率的实际值。
可见,本实施例中,设备S能够非常便捷地确定出分类参数的实际值,以便于通过训练得到效果最佳的组合决策树模型。
可选地,分类参数的评估值为:用于预测未激活客户转换为激活客户后,分类参数的实际值为第一取值的概率。
下面延续上述的例子A和例子B,对本实施例的具体实施过程进行说明。
在例子A中,在v1大于k1的情况下,设备S确定的消费能力的实际值可以为1,这说明从消费能力角度而言,激活客户是优质客户,那么,激活客户的价值高。在v1小于或等于k1的情况下,设备S确定的消费能力的实际值可以为0,这说明从消费能力角度而言,激活客户不是优质客户,那么,激活客户的价值低。这种情况下,服务器得到的消费能力的评估值为:用于预测未激活客户转换为激活客户后,消费能力的实际值为1的概率。容易看出,消费能力的评估值也可以认为是:用于预测未激活客户的未来价值高的概率。
在例子B中,在v2大于k2的情况下,设备S确定的消费频率的实际值可以为1,这说明从消费频率角度而言,激活客户是优质客户,那么,激活客户的活跃度高。在v2小于或等于k2的情况下,设备S确定的消费频率的实际值可以为0,这说明从消费频率角度而言,激活客户不是优质客户,那么,激活客户的活跃度低。这种情况下,服务器得到的消费频率的评估值为:用于预测未激活客户转换为激活客户后,消费频率的实际值为1的概率。容易看出,消费频率的评估值也可以认为是:用于预测未激活客户的未来活跃度高的概率。
这样,如图2所示,本实施例中,服务器能够分别确定出待筛选的所有未激活客户的未来价值高的概率和未来活跃度高的概率。接下来,服务器可以将待筛选的所有未激活客户未来价值高的概率按照由高至低的顺序进行排列,并将待筛选的所有未激活客户的未来活跃度高的概率按照由高至低的顺序进行排列。
之后,服务器可以将未激活客户未来价值高的概率与第一预设概率阈值(S1)进行比较,以根据比较结果,从未来价值角度对未激活客户进行分类,从而得到分类结果1。具体地,服务器可以确定未来价值高的概率大于S1的未激活客户的未来价值高,即从未来价值角度而言,该未激活客户为优质的潜在客户;服务器可以确定未来价值高的概率小于或等于S1的未激活客户的未来价值低,即从未来价值角度而言,该未激活客户不为优质的潜在客户。
容易看出,消费能力这个分类参数对应的预设筛选条件为:未来价值高的概率大于S1。
类似地,服务器可以将未激活客户未来活跃度高的概率与第二预设概率阈值(S2)进行比较,以根据比较结果,从未来活跃度角度对未激活客户进行分类,以得到分类结果2。具体地,服务器可以确定未来活跃度高的概率大于S2的未激活客户的未来活跃度高,即从未来活跃度角度而言,该未激活客户为优质的潜在客户;服务器可以确定未来活跃度高的概率小于或等于S2的未激活客户的未来活跃度低,即从未来活跃度角度而言,该未激活客户不为优质的潜在客户。
容易看出,消费频率这个分类参数对应的预设筛选条件为未来活跃度高的概率大于S2。
需要指出的是,S1和S2可以为行业专家根据实际业务情况设置的,S1和S2可以相同,也可以不同。
之后,服务器根据分类结果1和分类结果2,对未激活客户进行筛选,以得到筛选结果。具体地,服务器可以根据分类结果1和分类结果2,筛选出未来价值高且未来活跃度高的未激活客户作为潜在的优质客户。
可以看出,本实施例中,在分类参数的评估值为用于预测未激活客户转换为激活客户后,分类参数的实际值为第一取值的概率的情况下,通过将分类参数的评估值与相应预设概率阈值进行比较,服务器能够有效地从未激活客户中筛选出潜在的优质客户,即未来价值和未来活跃度均能够满足要求的未激活客户。
需要强调的是,分类参数的评估值也可以为用于预测未激活客户转换为激活客户后,分类参数的实际值为第二取值的概率,这也是可行的。
可选地,获取未激活客户的客户特征数据,包括:
获取未激活客户的客户原始数据;
针对客户原始数据中数值类型的第一数据,在第一数据对应多个取值的情况下,计算多个取值的极值(例如极大值和/或极小值)和/或平均值,将计算得到的极值和/或平均值作为未激活客户的客户特征数据中的数据;
针对客户原始数据中时间类型的第二数据,计算第二数据与预设时间之间的时间差,将时间差作为未激活客户的客户特征数据中的数据;
针对客户原始数据中文字类型或者缺失类型的第三数据,将第三数据转换为数字,并将转换得到的数字作为未激活客户的客户特征数据中的数据。
本实施例中,服务器可以首先获取未激活客户的客户原始数据。接下来,服务器可以根据所获取的客户原始数据进行特征构造(例如构造300多个特征),得到未激活客户的客户特征数据。
需要说明的是,客户原始数据中可以包括多种类型的数据,例如数值类型的第一数据、时间类型的第二数据,以及文字类型或者缺失类型的第三数据等。针对客户原始数据中不同类型的数据,服务器进行特征构造的方式存在一定的差别。
具体地,针对数值类型的第一数据,在第一数据对应记录有多个取值的情况下,在进行特征构造时,服务器可以分别计算多个取值的极大值、极小值和平均值,删除对应记录的多个取值,并将计算得到的极大值、极小值和平均值均作为客户特征数据中的数据。
针对时间类型的第二数据(例如某个日期),在进行特征构造时,服务器可以计算该日期与预设时间(例如激活客户申请虚拟信用卡的日期)的天数差,并将计算得到的天数差作为客户特征数据中的数据。
针对文字类型或缺失类型的第三数据,在进行特征构造时,服务器可以对第三数据进行独热编码处理,以将第三数据转换为数字,并将转换得到的数字作为客户特征数据中的数据。
举例而言,客户的性别一般仅存在两种可能,即男(可以用数字1进行表征)和女(可以用数字2进行表征),如果某一客户的性别信息是缺失的,那么,在进行独热编码处理时,服务器可以利用数字3来表征该客户的性别,这时,服务器可以将数字3作为客户特征数据中的数据。
可以看出,本实施例中,通过对客户原始数据中不同类型的数据执行相应的特征构造操作,服务器能够非常便捷地得到相应的数据,从而获得由得到的这些数据构成的客户特征数据。
下面结合图3,以一个具体的例子对本实施例的具体实施过程进行说明。
如图3所示,服务器可以首先确定用于作为客户样本的20万个激活客户,并获取作为客户样本的激活客户的账户支出参数。接下来,服务器可以根据作为账户支出参数的账户支出金额,确定消费能力的实际值;服务器还可以根据作为账户支出参数的账户支出频率,确定消费频率的实际值。另外,服务器还可以获取激活客户的客户原始数据,对客户原始数据中的数据进行特征构造,得到激活客户的客户特征数据;其中,客户特征数据中可以包括身份数据、消费数据、借贷数据以及金融类应用使用数据。
在得到激活客户的客户特征数据之后,服务器可以依据激活客户的客户特征数据、激活客户的消费能力的实际值、组合决策树算法,以及5折交叉检验算法进行模型训练,得到模型1。另外,服务器还可以依据激活客户的客户特征数据、激活客户的消费频率的实际值、组合决策树算法,以及5折交叉检验算法进行模型训练,得到模型2。
之后,在进行未激活客户的筛选时,通过分别将未激活客户的客户特征数据输入模型1和模型2,服务器能够获得由模型1输出的未激活客户的未来价值高的概率,并获得由模型2输出的未激活客户的未来活跃度高的概率。与图2类似,服务器可以根据未激活客户的未来价值高的概率,从未来价值角度对未激活客户进行分类,以得到分类结果1;服务器还可根据未激活客户的未来活跃度高的概率,从未来活跃度高角度对未激活客户进行分类,以得到分类结果2。最后,服务器可以根据分类结果1和分类结果2,筛选出未来价值高且未来活跃度高的未激活客户,以形成包括筛选出的所有未激活客户的激活名单。
本实施例中,基于组合决策树模型,服务器可以从未来价值和未来活跃度两个角度进行未激活客户的筛选,这样不仅能够可靠地筛选出潜在的优质客户,提高筛选结果的准确性,还可以为提供虚拟信用卡服务的公司节约资源(即节约大量的人员配置和时间消耗)。另外,组合决策树模型能够及时进行更新,这样有利于虚拟信用卡服务的公司根据业务做调整。
综上,与现有技术相比,本实施例能够有效地避免人工的主观因素对筛选结果的影响,从而有效地提高筛选结果的准确度。
下面对本发明实施例提供的客户筛选装置进行说明。
参见图4,图中示出了本发明实施例提供的客户筛选装置400的结构框图。如图4所示,客户筛选装置400包括:
获取模块401,用于获取未激活客户的客户特征数据;
获得模块402,用于将所获取的客户特征数据输入分类决策模型,获得由分类决策模型输出的分类参数的评估值;
筛选模块403,用于根据分类参数的评估值,对未激活客户进行筛选。
可选地,客户特征数据包括以下至少一项:身份数据、消费数据、借贷数据以及金融类应用使用数据。
可选地,分类决策模型的数量为N,N大于或等于2;
不同分类决策模型的分类参数不同。
可选地,将所获取的客户特征数据输入分类决策模型,获得由分类决策模型输出的分类参数的评估值,包括:
将所获取的客户特征数据分别输入N个分类决策模型,获得由N个分类决策模型输出的N个分类参数的评估值;
根据分类参数的评估值,对未激活客户进行筛选,包括:
在所获得的N个分类参数的评估值中,至少P个分类参数的评估值分别满足相应的预设筛选条件的情况下,筛选出未激活客户作为待激活客户;其中,P大于或等于1且小于或等于N。
可选地,分类决策模型的数量为两个;
其中,一个分类决策模型的分类参数为消费能力;另一个分类决策模型的分类参数为消费频率。
可选地,分类决策模型依据激活客户的客户特征数据以及激活客户的分类参数的实际值训练得到。
可选地,分类参数的实际值根据激活客户的账户支出参数确定,账户支出参数包括账户支出金额或者账户支出频率。
可选地,根据账户支出参数确定分类参数的实际值的步骤包括:
获取最近M个时间周期对应的M个账户支出参数;其中,M大于或等于2;
计算M个账户支出参数的平均值和增长率;
在平均值和增长率的乘积大于预设参数阈值的情况下,确定分类参数的实际值为第一取值;
在平均值和增长率的乘积小于或等于预设参数阈值的情况下,确定分类参数的实际值为第二取值。
可选地,分类参数的评估值为:用于预测未激活客户转换为激活客户后,分类参数的实际值为第一取值的概率。
可选地,分类决策模型包括组合决策树模型,组合决策树模型依据激活客户的客户特征数据、激活客户的分类参数的实际值、组合决策树算法和K折交叉检验算法训练得到;其中,K大于或等于2。
可选地,获取模块,包括:
获取单元,用于获取未激活客户的客户原始数据;
第一处理单元,用于针对客户原始数据中数值类型的第一数据,在第一数据对应多个取值的情况下,计算多个取值的极值和/或平均值,将计算得到的极值和/或平均值作为未激活客户的客户特征数据中的数据;
第二处理单元,用于针对客户原始数据中时间类型的第二数据,计算第二数据与预设时间之间的时间差,将时间差作为未激活客户的客户特征数据中的数据;
第三处理单元,用于针对客户原始数据中文字类型或者缺失类型的第三数据,将第三数据转换为数字,并将转换得到的数字作为未激活客户的客户特征数据中的数据。
可见,与现有技术中根据人工的行业经验进行筛选的情况相比,本发明实施例能够有效地避免人工的主观因素对筛选结果的影响,从而有效地提高筛选结果的准确度。
参见图5,图中示出了本发明实施例提供的服务器500的结构示意图。如图5所示,服务器500包括:处理器501、收发机502、存储器503、用户接口504和总线接口,其中:
处理器501,用于读取存储器503中的程序,执行下列过程:
获取未激活客户的客户特征数据;
将所获取的客户特征数据输入分类决策模型,获得由分类决策模型输出的分类参数的评估值;
根据分类参数的评估值,对未激活客户进行筛选。
在图5中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器501代表的一个或多个处理器和存储器503代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机502可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备,用户接口504还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器501负责管理总线架构和通常的处理,存储器503可以存储处理器501在执行操作时所使用的数据。
可选地,客户特征数据包括以下至少一项:身份数据、消费数据、借贷数据以及金融类应用使用数据。
可选地,分类决策模型的数量为N,N大于或等于2;
不同分类决策模型的分类参数不同。
可选地,处理器501,具体用于:
将所获取的客户特征数据分别输入N个分类决策模型,获得由N个分类决策模型输出的N个分类参数的评估值;
根据分类参数的评估值,对未激活客户进行筛选,包括:
在所获得的N个分类参数的评估值中,至少P个分类参数的评估值分别满足相应的预设筛选条件的情况下,筛选出未激活客户作为待激活客户;其中,P大于或等于1且小于或等于N。
可选地,分类决策模型的数量为两个;
其中,一个分类决策模型的分类参数为消费能力;另一个分类决策模型的分类参数为消费频率。
可选地,分类决策模型依据激活客户的客户特征数据以及激活客户的分类参数的实际值训练得到。
可选地,分类参数的实际值根据激活客户的账户支出参数确定,账户支出参数包括账户支出金额或者账户支出频率。
可选地,根据账户支出参数确定分类参数的实际值的步骤包括:
获取最近M个时间周期对应的M个账户支出参数;其中,M大于或等于2;
计算M个账户支出参数的平均值和增长率;
在平均值和增长率的乘积大于预设参数阈值的情况下,确定分类参数的实际值为第一取值;
在平均值和增长率的乘积小于或等于预设参数阈值的情况下,确定分类参数的实际值为第二取值。
可选地,分类参数的评估值为:用于预测未激活客户转换为激活客户后,分类参数的实际值为第一取值的概率。
可选地,分类决策模型包括组合决策树模型,组合决策树模型依据激活客户的客户特征数据、激活客户的分类参数的实际值、组合决策树算法和K折交叉检验算法训练得到;其中,K大于或等于2。
可选地,处理器501,具体用于:
获取未激活客户的客户原始数据;
针对客户原始数据中数值类型的第一数据,在第一数据对应多个取值的情况下,计算多个取值的极值和/或平均值,将计算得到的极值和/或平均值作为未激活客户的客户特征数据中的数据;
针对客户原始数据中时间类型的第二数据,计算第二数据与预设时间之间的时间差,将时间差作为未激活客户的客户特征数据中的数据;
针对客户原始数据中文字类型或者缺失类型的第三数据,将第三数据转换为数字,并将转换得到的数字作为未激活客户的客户特征数据中的数据。
可见,与现有技术中根据人工的行业经验进行筛选的情况相比,本发明实施例能够有效地避免人工的主观因素对筛选结果的影响,从而有效地提高筛选结果的准确度。
本发明实施例还提供一种服务器,包括处理器501,存储器503,存储在存储器503上并可在所述处理器501上运行的计算机程序,该计算机程序被处理器501执行时实现上述的客户筛选方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述的客户筛选方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种客户筛选方法,其特征在于,所述方法包括:
获取未激活客户的客户特征数据;
将所获取的客户特征数据输入分类决策模型,获得由所述分类决策模型输出的分类参数的评估值;
根据所述分类参数的评估值,对所述未激活客户进行筛选;
所述分类决策模型依据激活客户的客户特征数据以及激活客户的分类参数的实际值训练得到;
所述分类参数的实际值根据所述激活客户的账户支出参数确定,所述账户支出参数包括账户支出金额或者账户支出频率;
根据所述账户支出参数确定所述分类参数的实际值的步骤包括:
获取最近M个时间周期对应的M个账户支出参数;其中,M大于或等于2;
计算所述M个账户支出参数的平均值和增长率;
在所述平均值和所述增长率的乘积大于预设参数阈值的情况下,确定所述分类参数的实际值为第一取值;
在所述平均值和所述增长率的乘积小于或等于预设参数阈值的情况下,确定所述分类参数的实际值为第二取值;
所述分类参数的评估值为:用于预测所述未激活客户转换为激活客户后,分类参数的实际值为所述第一取值的概率。
2.根据权利要求1所述的方法,其特征在于,所述客户特征数据包括以下至少一项:身份数据、消费数据、借贷数据以及金融类应用使用数据。
3.根据权利要求1所述的方法,其特征在于,
所述分类决策模型的数量为N,N大于或等于2;
不同分类决策模型的分类参数不同。
4.根据权利要求3所述的方法,其特征在于,所述将所获取的客户特征数据输入分类决策模型,获得由所述分类决策模型输出的分类参数的评估值,包括:
将所获取的客户特征数据分别输入N个分类决策模型,获得由所述N个分类决策模型输出的N个分类参数的评估值;
所述根据所述分类参数的评估值,对所述未激活客户进行筛选,包括:
在所获得的N个分类参数的评估值中,至少P个分类参数的评估值分别满足相应的预设筛选条件的情况下,筛选出所述未激活客户作为待激活客户;其中,P大于或等于1且小于或等于N。
5.根据权利要求3所述的方法,其特征在于,
所述分类决策模型的数量为两个;
其中,一个分类决策模型的分类参数为消费能力;另一个分类决策模型的分类参数为消费频率。
6.根据权利要求1所述的方法,其特征在于,所述分类决策模型包括组合决策树模型,所述组合决策树模型依据激活客户的客户特征数据、激活客户的分类参数的实际值、组合决策树算法和K折交叉检验算法训练得到;其中,K大于或等于2。
7.根据权利要求1至5中任一项所述的方法,其特征在于,所述获取未激活客户的客户特征数据,包括:
获取未激活客户的客户原始数据;
针对所述客户原始数据中数值类型的第一数据,在所述第一数据对应多个取值的情况下,计算所述多个取值的极值和/或平均值,将计算得到的极值和/或平均值作为所述未激活客户的客户特征数据中的数据;
针对所述客户原始数据中时间类型的第二数据,计算所述第二数据与预设时间之间的时间差,将所述时间差作为所述未激活客户的客户特征数据中的数据;
针对所述客户原始数据中文字类型或者缺失类型的第三数据,将所述第三数据转换为数字,并将转换得到的数字作为所述未激活客户的客户特征数据中的数据。
8.一种客户筛选装置,其特征在于,所述装置包括:
获取模块,用于获取未激活客户的客户特征数据;
获得模块,用于将所获取的客户特征数据输入分类决策模型,获得由所述分类决策模型输出的分类参数的评估值;
筛选模块,用于根据所述分类参数的评估值,对所述未激活客户进行筛选;
分类决策模型依据激活客户的客户特征数据以及激活客户的分类参数的实际值训练得到;
分类参数的实际值根据激活客户的账户支出参数确定,账户支出参数包括账户支出金额或者账户支出频率;
根据账户支出参数确定分类参数的实际值的步骤包括:
获取最近M个时间周期对应的M个账户支出参数;其中,M大于或等于2;
计算M个账户支出参数的平均值和增长率;
在平均值和增长率的乘积大于预设参数阈值的情况下,确定分类参数的实际值为第一取值;
在平均值和增长率的乘积小于或等于预设参数阈值的情况下,确定分类参数的实际值为第二取值;
分类参数的评估值为:用于预测未激活客户转换为激活客户后,分类参数的实际值为第一取值的概率。
9.一种服务器,其特征在于,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的客户筛选方法的步骤。
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权利要求1至7中任一项所述的客户筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690345.2A CN110659922B (zh) | 2018-06-28 | 2018-06-28 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690345.2A CN110659922B (zh) | 2018-06-28 | 2018-06-28 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659922A CN110659922A (zh) | 2020-01-07 |
CN110659922B true CN110659922B (zh) | 2021-01-26 |
Family
ID=69026537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810690345.2A Active CN110659922B (zh) | 2018-06-28 | 2018-06-28 | 一种客户筛选方法、装置、服务器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659922B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112184304A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种辅助决策的方法、系统、服务器和存储介质 |
CN112835958A (zh) * | 2021-02-04 | 2021-05-25 | 中国工商银行股份有限公司 | 目标客户确定方法及装置 |
CN113313578B (zh) * | 2021-06-15 | 2024-03-08 | 中国银行股份有限公司 | 信用卡消费分期的决策方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217734A1 (en) * | 2009-02-23 | 2010-08-26 | Alibaba Group Holding Limited | Method and system for calculating value of website visitor |
CN106204106A (zh) * | 2016-06-28 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种特定用户识别方法及系统 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN107657267A (zh) * | 2017-08-11 | 2018-02-02 | 百度在线网络技术(北京)有限公司 | 产品潜在用户挖掘方法及装置 |
CN107679889A (zh) * | 2017-09-08 | 2018-02-09 | 平安科技(深圳)有限公司 | 一种潜在客户的识别方法及终端设备 |
CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技(深圳)有限公司 | 贬损客户预测方法和装置 |
CN108009914A (zh) * | 2017-12-19 | 2018-05-08 | 马上消费金融股份有限公司 | 一种信用风险评估方法、系统、设备及计算机存储介质 |
CN108197742A (zh) * | 2017-12-29 | 2018-06-22 | 平安健康保险股份有限公司 | 用户的续保行为预测方法、系统及计算机可读存储介质 |
-
2018
- 2018-06-28 CN CN201810690345.2A patent/CN110659922B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217734A1 (en) * | 2009-02-23 | 2010-08-26 | Alibaba Group Holding Limited | Method and system for calculating value of website visitor |
CN106204106A (zh) * | 2016-06-28 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种特定用户识别方法及系统 |
CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技(深圳)有限公司 | 贬损客户预测方法和装置 |
CN107657267A (zh) * | 2017-08-11 | 2018-02-02 | 百度在线网络技术(北京)有限公司 | 产品潜在用户挖掘方法及装置 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN107679889A (zh) * | 2017-09-08 | 2018-02-09 | 平安科技(深圳)有限公司 | 一种潜在客户的识别方法及终端设备 |
CN108009914A (zh) * | 2017-12-19 | 2018-05-08 | 马上消费金融股份有限公司 | 一种信用风险评估方法、系统、设备及计算机存储介质 |
CN108197742A (zh) * | 2017-12-29 | 2018-06-22 | 平安健康保险股份有限公司 | 用户的续保行为预测方法、系统及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110659922A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659922B (zh) | 一种客户筛选方法、装置、服务器及计算机可读存储介质 | |
US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
de Andrés-Sánchez et al. | Using fuzzy random variables in life annuities pricing | |
CN112633962A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN115080619A (zh) | 数据异常阈值确定方法及装置 | |
CN114078050A (zh) | 贷款逾期预测方法、装置、电子设备及计算机可读介质 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN114065864A (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN109447694B (zh) | 一种用户特征分析方法及其系统 | |
US11250365B2 (en) | Systems and methods for utilizing compliance drivers to conserve system resources and reduce compliance violations | |
CN112001563A (zh) | 一种话单量的管理方法、装置、电子设备及存储介质 | |
CN111461871A (zh) | 额度控制方法、装置、设备与计算机可读存储介质 | |
US20230096445A1 (en) | Information processing apparatus, method, and medium | |
CN111681044A (zh) | 积分兑换作弊行为处理方法及装置 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
US20210406931A1 (en) | Contextual marketing system based on predictive modeling of users of a system and/or service | |
CN112363831B (zh) | 风控处理方法、装置、计算机设备和存储介质 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
US20230409984A1 (en) | Information processing device, method, and medium | |
US20230377004A1 (en) | Systems and methods for request validation | |
CN115082117A (zh) | 数据处理方法、装置、计算机设备和计算机可读存储介质 | |
CN116432069A (zh) | 信息处理方法、服务提供方法、装置、设备及介质 | |
CN112132260A (zh) | 神经网络模型的训练方法、调用方法、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |